壹  前言

電信網路正朝雲原生、虛擬化與多供應商環境演進，服務異常往往同時牽動接取、傳輸、核心網路及維運支援系統(Operations Support System, OSS)。傳統依賴固定規則與人工協調的作業方式，雖能處理已知事件，但面對未知情境、跨域障礙及即時服務需求時，仍可能因資訊分散與系統邊界而產生處理延遲。近年發展的Agentic AI，使人工智慧從內容生成與建議，延伸至目標導向的任務規劃、工具調用、代理(Agent)協同及結果驗證。若結合意圖管理與閉環控制，Agentic AI可望成為既有營運系統上的智慧協調層，在不取代既有OSS與網路控制機制下，支援服務開通、服務保證及資源最佳化，提升自治網路營運能力[1]。。

貳  科技發展現況

一、 從生成式AI到可執行代理

生成式AI擅長理解自然語言、彙整資訊及產生建議，但電信營運不只需要「解釋發生什麼問題」，還必須把營運目標轉換成可控、可追蹤且可驗證的行動。Agentic AI的主要差異，在於Agent可依任務目標保留必要情境，將複雜任務拆解成步驟，選擇所需資料與工具，並依執行結果調整後續行動。其典型能力包含：

因此，Agentic AI較適合定位為既有OSS、網路管理系統及領域控制器(Domain Controller)之上的智慧協調層。它利用既有資料與控制能力，補強跨系統推理、任務協調及閉環驗證，使業者可沿用既有投資逐步導入[2]。實作上，可概念性區分推理與執行兩類功能：前者理解目標、彙整證據及形成候選方案，後者透過既有流程、控制器或API完成操作。兩者以結構化任務與參數銜接，避免自然語言直接轉換為設備命令；若資料不足、Agent輸出矛盾或行動超出授權範圍，系統應停止自動執行並交由人員接手。

二、 意圖驅動的代理式服務管理架構

Agentic AI服務管理可結合分層式自治網路與意圖驅動架構，如圖1所示。整體可概分為業務(Business)、服務(Service)及網路(Network)三個層級，並在不同營運功能中配置Agent或Copilot。服務層與網路層分別透過服務意圖(Service Intent)及網路意圖(Network Intent)傳遞目標與限制條件，使上層需求逐步轉換為各自治域(Autonomous Domain)可執行的控制目標[1][3]。

業務層可配置計費、銷售及客服等Agent或Copilot；服務層則涵蓋服務交付(Service Delivery)、品質保證(Quality Assurance)、障礙管理(Fault Management)及客訴處理(Complaint Handling)等功能，由專業Agent協助分析事件、規劃處置及呼叫既有流程。

Service Intent扮演服務需求與營運行動間的銜接角色。例如，「維持企業專線服務品質」可轉換為可用度、延遲或恢復時間等可量測目標，並加入SLA、優先順序與時間限制，使上層專注於期望成果，而不必指定底層設備設定。網路層則依自治域配置障礙管理、品質最佳化、能源效率最佳化及網路變更等Agent。服務需求可轉換為Network Intent，由各領域依拓樸、資源狀態及政策評估方案，再透過既有網路管理系統、領域控制器或網元執行，並回報意圖達成結果。

意圖管理的核心，是建立各層間可驗證的「目標、限制與狀態」關係。上層定義期望結果，下層評估可行性並回報達成程度；若目標互相衝突，則應依政策、SLA及營運優先順序取捨，而非由Agent自行推測商業決策[4]。

(1) 代理分工與跨域協同

Agent可依營運職責分工，例如產品Agent將客戶需求轉換為服務目標，服務Agent掌握端到端服務狀態，資源Agent則依接取、傳輸、核心網路或雲端領域執行資源分析與最佳化。跨域任務可由協調機制分派，並僅交換完成任務所需資訊，以降低資料暴露與權限風險。

(2) 受治理的閉環與工具調用

Agent一旦具備營運工具呼叫能力，安全與治理便須成為閉環架構的一部分。整體流程可概分三階段：

1. 觀察與規劃：透過服務拓樸、告警、效能及SLA資訊建立服務影響範圍，並記錄資料來源、決策依據及候選方案。

2. 控制與執行：工具採白名單、最小權限及參數驗證機制；涉及較高風險的網路變更，應先進行模擬、預先檢核或取得人員核准後再執行。

3. 驗證與調整：同時以網路技術指標與客戶服務體驗驗證執行結果；若未達預定門檻，則進行回復、切換替代方案或升級人工處理。

透過上述方式，每項自動化決策皆可對應至明確的目標、資料來源、授權範圍及執行結果，以支援稽核與責任追蹤。對初期導入者而言，較適合從影響範圍有限、可復原且效益可量測的情境開始，再依實際成效逐步提高自動化程度。

此外，治理範圍不應只涵蓋單次操作，還須持續管理模型、提示(Prompt)、知識庫、API及自動化工具版本。當資料來源或腳本更新時，應重新進行情境測試，確認輸出品質、權限與安全邊界未產生漂移(Drift)。歷史營運紀錄也可進一步整理為案例知識，但寫入知識庫前須移除敏感資訊、註明適用條件並經專業人員審核，避免錯誤經驗被後續代理重複引用。

三、 跨網路協同管理應用

跨域協作與自主決策，是Agentic AI應用於未來融合網路營運的重要方向。TM Forum Catalyst Project (觸媒計畫)「Agentic framework for unified networks」以地面網路(Terrestrial Network, TN)與非地面網路(Non-Terrestrial Network, NTN)融合為情境，探索如何透過多Agent架構整合不同網路、營運系統與業務流程，以支援跨領域服務協同[5]。

如圖2所示，在海事或漁業連網情境中，船舶由近岸航向外海時，網路服務可能由地面行動網路延伸至低軌衛星網路。Network Assist Agent可取得地面與非地面的網路健康狀態，並結合天候等外部資訊，評估連線條件及是否需要切換網路。當地面網路覆蓋或服務品質下降時，可評估改由衛星網路維持連線；重新進入地面網路涵蓋範圍後，也可再評估切回地面行動網路。

此類Agent並不直接取代既有網路控制系統，而是彙整跨網路資訊、判斷服務需求及提出處置方式，再透過既有閘道器、核心網路與網路管理機制完成控制。圖2亦呈現Billing Agent的協作，其可取得地面與非地面網路實際使用資訊，依預先定義的計費規則執行帳務運算，並支援差異化費率或折扣。

從此案例可以看出，Agentic AI的價值並不在於由單一AI掌控所有網路功能，而是讓不同專業Agent各自負責特定任務，再利用既有系統及標準化介面交換必要資訊。Network Assist Agent著重網路狀態分析與切換判斷，Billing Agent則處理用量與計費需求，兩者分工合作，使地面與非地面間的網路變化能與上層業務流程形成連結。

此外，該觸媒計畫亦探索如何將Agentic AI延伸至產品需求、服務設計、訂單、服務開通、服務保證及計費等營運流程。這類架構顯示，未來電信營運模式將逐步從依賴人工跨系統協調，演進為以意圖驅動、專業Agent協作及既有自動化工具共同完成任務的方式，提升跨網路服務的處理效率與彈性。

參  結論

Agentic AI為電信服務管理帶來的改變，不只是增加一個自然語言對話介面，而是將意圖解析、專業Agent、受控工具及結果驗證串接成可治理的任務閉環。分層式意圖架構有助於維持業務、服務與資源之間的責任邊界，多Agent協作則可整合不同領域知識，處理傳統固定工作流程較難涵蓋的動態與跨域情境。

Agentic AI的價值並非「自主程度越高越好」，而是在明確權限、可觀測、可回復及可追溯的前提下，逐步擴大自動化範圍。實務導入應同步推進資料品質、API標準化、權限管理、可觀測性及人機協作，並優先選擇影響範圍有限、可復原且價值可量測的服務保證案例進行驗證。

中華電信研究院持續關注自治網路、意圖管理與智慧Agent技術。當Agent所取得的資料、使用的工具及執行的每一項行動，都能受到適當限制、留下可追蹤紀錄並接受結果驗證，Agentic AI才有機會從輔助分析工具，逐步發展為可信任的電信營運能力。

肆  參考文獻