「數位分身」這個詞現在到處都是。供應商用它、研討會用它、內部簡報也用它，但如果你在會議上問「所以我們買的那個東西，跟去年裝的聊天機器人差在哪裡」，多半沒有人答得出來。
問題不在於企業沒有在用 AI。史丹佛大學 HAI 的《2025 AI Index Report》記錄，2024 年有 78% 的組織回報自己在使用 AI，前一年是 55%。用的人很多，但「用了什麼」的定義非常模糊。這篇文章想做的事很單純：把「AI 數位分身」跟它前面那兩種常被混為一談的東西分開，說明它們差在哪一層，以及為什麼「每人一隻」跟「全公司共用一隻」會導向完全不同的結果。
三層東西，常常被叫同一個名字
第一層是聊天機器人。 你問一句，它答一句，對話關掉就忘了你是誰。這一層有沒有用？有，寫文案、翻譯、腦力激盪都很好用。但它不會知道你們公司超過兩萬要送簽，也不會記得你上週交代過的事。
值得留意的是，這一層被排除在「AI Agent」的定義之外，而且是模型供應商自己講的。OpenAI 在《A practical guide to building agents》裡寫得很直接：整合了大型語言模型、但沒有用它來控制流程執行的應用，例如簡單的聊天機器人、單輪對話的模型呼叫、情緒分類器，都不是 agent。
第二層是知識庫問答，也就是常聽到的 RAG。 你上傳公司的規範、報價單、技術文件，它查得到、答得出來，回答還會附出處。這一層解決的是「資料在哪裡」的問題，很實用。但它的動作到「回答」為止，你問完之後，要做的事還是你自己做。
第三層才是數位分身。 差別在於它會做事，而且做事的方式受你和公司的規則約束。Anthropic 在《Building effective agents》裡的定義是：agent 是由語言模型自行導引流程與工具使用、並且掌控要如何完成任務的系統。OpenAI 的說法更短：agent 是能代替你獨立完成任務的系統。
把三層放在一起看，分界就清楚了。第一層不記得你，第二層記得公司的文件但不記得你，第三層記得你的職責、你的做事習慣、以及公司要它遵守的規則，然後在這個基礎上動手。
「記得你是誰」是技術問題，不是行銷話術
這裡要澄清一個常見的誤會。很多人以為「記憶」就是把對話存起來，這件事聽起來很簡單，所以聽到供應商強調記憶會覺得是在灌水。實際上不是。
Anthropic 在《Effective context engineering for AI agents》裡講了一個關鍵限制：脈絡是有限資源。文中的觀察是，隨著脈絡視窗裡的 token 數量增加，模型準確回想其中資訊的能力會下降，而且這個特性在所有模型上都會出現，差別只在衰退得快或慢。
這句話的實務意義是：你在對話裡講過的事，不保證它下次還記得。 這不是某家產品沒做好，是脈絡視窗的物理限制。Anthropic 提出的處理方式之一叫「結構化筆記」，也就是 agentic memory，讓 agent 定期把筆記寫到脈絡視窗之外持久保存，需要的時候再拉回來用。
所以當一個平台把「記憶」獨立成一層來管，那是在回應一個真實的技術限制。EgentWrX 的記憶就是這樣設計的：它在對話中自然累積，由平台判斷哪些值得留下來，使用者可以自己修改或刪除。記憶綁在單一 Agent 身上，各個 Agent 之間互不相通。
四種東西放在四個地方
分身要成立，光有記憶不夠。EgentWrX 把 Agent 底下的設定拆成四類，這個拆法本身就是「分身為什麼成立」的說明：
身分放的是使用者的職責、互動習慣與邊界。它每則對話都固定帶著走，只有在職務或做事方式改變的時候才需要動它。
記憶放的是 Agent 對使用者的認識，例如偏好、習慣、背景。它在對話中自然累積，由平台自動判斷值不值得留著。
技能放的是要穩定套用的固定做法與規則，例如「超過兩萬要送簽」。規則改了就回去改那個技能，Agent 會依上下文自動調用，使用者也能在對話中主動指定要用哪一個。
知識庫放的是完整的文件、表格與規範全文。使用者上傳或更新檔案時它才會變，Agent 查詢時自動檢索。
判斷原則不難記：會影響 Agent 一直以來做法的，寫進身分；使用者的個人習慣或背景，讓它記在記憶；每次都要照做的規則，做成技能；一份完整的文件或資料，放知識庫。四者不互斥，同一件事情，例如差旅費核銷，可能四個地方都會用到。
這裡有一個很務實、也很少被供應商講的細節：規則如果只在對話裡講一遍，Agent 多半只是順手記住重點當參考，並不保證下次一定照做。要讓規則穩定生效，必須把它做成技能，或者寫進某張任務的「指令」欄位。會把這件事講清楚，比宣稱「它什麼都記得住」誠實得多。
為什麼是一人一隻
講完內部構造，回到架構問題：為什麼要每人一隻，而不是全公司共用一隻功能很強的 bot？
因為前面那四層裡，有三層本質上是個人的。身分是你的職責，記憶是它對你的認識，技能裡有很大一部分是你這個角色的固定做法。共用一隻 bot 的時候，這三層要嘛不存在，要嘛被稀釋成全公司的最大公約數。真正值錢的 know-how，也就是資深同事「為什麼這樣判斷」的那部分，累積不進任何地方。
EgentWrX 的架構是每個使用者登入後對應一隻專屬 Agent，日常工作交給這一隻就夠，不需要也不能自己再開第二隻，除非管理者為身兼多職的人另外設定。這個限制看起來像少了彈性，但它換到的是每個人的 know-how 有固定的落點。
需要提醒的是，「一人一隻」講的是歸屬，不是數量越多越好。我們在多派幾個 AI Agent，不等於多做幾件事裡整理過 Anthropic 的多 Agent 研究：Agent 之間的協作不會因為個別能力變強就自動出現，相依性一高反而容易互相卡住。分身的價值在於「深」，在於它對某一個人的工作了解得夠多，不在於「多」。
至於為什麼企業現在會想要這個東西，微軟《2025 Work Trend Index》的一組數字講得很清楚。報告寫到 53% 的領導者認為生產力必須提升，但有 80% 的全球工作者（包含員工與領導者本人）表示自己缺乏足夠的時間或精力完成工作。微軟把這個落差稱為「產能缺口」。同一份報告也記錄，82% 的領導者對於未來 12 到 18 個月內運用數位勞動力擴充團隊產能抱持信心。
分身不等於放它自己跑
最後一件事，也是傳統產業決策者最該問的：這東西會不會在沒人看著的時候闖禍。
Anthropic 那篇 agent 設計指南裡有一句話值得記住：agent 可以在檢查點、或是遇到阻礙的時候暫停下來，等人給回饋。換句話說，「自主」跟「無人監督」在設計上是兩件事。
EgentWrX 對應的做法是工作流可以插入人工核可閘，流程跑到指定的環節會停下來等人放行。這裡有一個實作上的坑值得先知道：接續一旦建立，「交棒前需人工核可」不能事後補勾，只能移除重建，所以不確定的環節建議一開始就先加上。
另外一個刻意設計的摩擦是：用對話建出來的技能、子代理、任務、例行任務，全部都還是草稿狀態，一定要回到對應的畫面按「啟用」或「發布」才會真的上線。講一句話就生效聽起來比較炫，但把「說了什麼」跟「什麼生效了」分開，才是企業環境該有的樣子。
如果你正在評估這類平台，我們在選 AI Agent 平台，別只問用哪個模型談過，模型只是其中一層，真正決定成敗的是執行層怎麼設計；而企業導入 AI Agent，為何「前段班」差距越拉越大則整理了為什麼流程串接與治理，比選哪一家模型更能拉開差距。