HARRY CHANG
【實戰】Day 22：User Context 記憶層：讓 Agent 秒懂總經理與業務主管的思維差異
—

【實戰】Day 22：User Context 記憶層：讓 Agent 秒懂總經理與業務主管的思維差異

相同的問題，不同層級的主管想看的重點完全不同。本篇文章帶你進入第 2 層「User Context / Memory Layer」，透過注入使用者特徵與偏好設定，讓 AI Agent 展現真正的職場讀心術。

WRITTEN BY

  • avatar
    Name
    Harry Chang
    Twitter

下一篇

【實戰】Day 23：告別單調聊天框！引入 next-shadcn-dashboard 打造企業級 Agent 戰情室
← 回到列表

當你在公司內部推行 AI Agent 時，你一定會遇到這個抱怨： 「為什麼每次問這個 AI，它都要長篇大論扯一堆細節？我只想看毛利數字！」 —— 總經理 「這 AI 給的資料太粗了，沒有各廠的交期跟具體數量，我要怎麼跟客戶談？」 —— 業務主管

這就是沒有實作 「User Context Layer (記憶與偏好層)」 的痛點。今天，我們將探討五層式架構中的第 2 層，看看如何透過紀錄使用者的「個人特徵」，讓 Agent 從一個呆板的機器人，升級為懂得察言觀色的頂級幕僚。

經典場景：當他們輸入相同的問題

假設總經理與業務主管，今天在對話框裡輸入了一模一樣的句子：

「幫我評估 NIKE 下一季的訂單狀況。」

如果沒有 Context Layer，大模型只能給出一個不痛不癢的標準答案。但在具備 User Context 的系統中，Agent 會在發動思考前，先讀取使用者的「職稱、KPI 目標、偏好格式」，並產出完全不同的分析報告：

視角一：總經理 (General Manager)

  • 背後 Context：關注大局、營收、毛利、風險控制；討厭閱讀長文，喜歡重點與數據表格。
  • Agent 的回答： 「總經理您好，針對 NIKE 下一季的訂單評估，核心重點如下：
    1. 整體營收預估：$450 萬美元 (較上季 +12%)。
    2. 毛利率健康度：預估毛利率 18.5%，高於公司紅線，屬健康範圍。
    3. 潛在風險：越南廠 (VN-02) 產能即將滿載，若再接急單可能產生高昂加班費，侵蝕利潤。 決策建議：維持現有接單步調，暫緩 NIKE 的促銷活動以保全毛利。」

視角二：業務主管 (Sales Manager)

  • 背後 Context：關注業績達標率、客戶交期、特定鞋墊品項（PU/EVA）的銷售數字；喜歡條列式的行動方案 (Action Items)。
  • Agent 的回答： 「主管您好，針對 NIKE 下一季的訂單操作，以下是具體細節：
    1. 品項佔比：PU 發泡鞋墊預估 15 萬雙，EVA 成型預估 20 萬雙。距離您本季度的業績 KPI 還差 5 萬雙。
    2. 交期狀況：台灣廠 (TW-01) 目前交期正常 (30天)；越南廠 (VN-02) 交期已拉長至 45 天。 行動建議：
    • 請優先向 NIKE 推銷『台灣廠生產的 PU 發泡鞋墊』以填補業績缺口。
    • 提醒客戶越南廠交期較長，建議提早 15 天下單。」

紀錄個人特徵有什麼好處？

在架構中抽出一層專門處理 Context，對企業應用有三大絕對優勢：

1. 大幅降低用戶的 Prompt 門檻 (Zero-Shot Ready)

多數企業主管沒有時間，也沒有意願去學習複雜的 Prompt Engineering（像是「請扮演財務長，用專業的口吻，以表格輸出...」）。有了 Context Layer，系統會在背景自動把這些設定「偷塞」進 System Prompt 裡。主管只需要打一句短語，就能得到完美的回答。

2. 決策效率極大化 (KPI 對齊)

當 Agent 知道使用者的 KPI 是什麼，它就會在茫茫數據中，把最相關的指標（例如總經理的「毛利率」，業務主管的「達標率」）挑出來放在第一段。這節省了使用者在冗長報告中找重點的時間。

3. 權限與資安控管 (Security Filtering)

Context 不只記錄偏好，還記錄「權限」。當系統知道發問者是基層業務時，它可以透過 Context Layer 限制 Agent 不准呼叫 analyze_gross_margin (查毛利) 這個工具，從而在模型層級防止機密資料外洩。

實作概念：如何注入 Context？

為了更直觀地理解 Context Layer 的運作機制，我們可以參考以下的注入流程圖：

Loading Diagram...

在 Pydantic AI 或 LangChain 中，要實作這個機制非常簡單。我們可以在每一次對話發起時，動態組裝 System Prompt：

# 假設我們從公司的員工資料庫 (HR System) 撈出使用者的 Context
user_profile = {
    "name": "Harry",
    "role": "General Manager",
    "focus_metrics": ["Gross Margin", "Revenue", "Factory Capacity"],
    "preferred_format": "Table and Bullet points, max 300 words."
}

# 動態組合給 Agent 的 System Prompt
base_system_prompt = "你是一個鞋墊廠的專業決策 AI。"
context_injection = f"""
請注意，現在正在詢問你的人是：{user_profile['name']}，職稱為：{user_profile['role']}。
在回答時，你必須極度專注於以下指標：{', '.join(user_profile['focus_metrics'])}。
並且你的回答格式必須符合：{user_profile['preferred_format']}。
"""

final_prompt = base_system_prompt + context_injection

透過這種簡單的字串注入，Agent 就能瞬間「變身」為專屬該主管的貼身秘書。

實用建議：三個起步行動

步驟 1：建立基礎角色庫 (Persona Template)

一開始不要弄得太複雜。先為公司定義三種最常見的 Persona（例如：高階主管、業務端、生產端），針對這三種角色寫好固定的 Context 樣板。

步驟 2：記錄「歷史反饋」作為長期記憶

更進階的做法是，當主管回覆 AI「請不要給我這麼多廢話」時，系統的 Memory 機制要把這句話萃取成一個特徵："喜歡簡潔的回答"，並永久寫入該主管的 Context 資料庫中。這會讓 AI 越用越懂他。

步驟 3：在介面上顯示「當前視角」

為了避免誤會，前端 UI 最好在對話框上方提示：「👀 目前 AI 正在以 【總經理】 視角為您服務」。這能讓使用者清楚知道 AI 的回答基準是什麼。

我的反思

真正的「人工智慧」，不只是能算出正確的數學題，更是懂得換位思考。

我們在 Day 21 讓 Agent 學會了呼叫工具算數學，而在今天的 Day 22，我們為它裝上了同理心。當 AI 能夠根據不同使用者的身分、壓力與目標，給出截然不同的溫暖回饋時，這套系統就不再只是一個冷冰冰的查詢工具，而是真正不可或缺的數位幕僚。

從底層資料庫到大腦思維，這套 AI 訂單決策系統的「後端引擎」已經幾乎打造完畢了！接下來，我們將要面對最直接衝擊使用者體驗的環節——使用者介面 (UI/UX)。

View on GitHub