Agent 長程規劃
1. 3 秒看懂（≤25 字）
Agent 長程規劃把 1 次回答拆成 5-100 步可驗證任務。123
2. 3 分鐘產業解釋（120-180 字）
Agent 長程規劃是雲端端 AI 執行層的“任務分解 + 工具呼叫 + 反思修正 + 搜尋選擇”，核心目標是把 1 個自然語言目標拆成 5-100 個帶狀態、權限和驗收條件的動作。123 ReAct 在 2022 年把 reasoning trace 與 action 交替執行，Reflexion 在 2023 年用語言反饋把失敗經驗寫入下一輪，Tree of Thoughts 在 2023 年把單鏈推論擴充套件為多分支搜尋；三者共同把 Agent 從“會聊天”推向“會試錯、會回滾、會選擇”。123 產業化瓶頸是長鏈錯誤複利：若單步成功率為 98%，20 步直通率只有 66.8%；若單步成功率降至 95%，20 步直通率降至 35.8%，因此規劃器、驗證器和審計層會成為雲端廠與企業軟體廠的新增預算項。45
3. 15 分鐘專家深入（400-600 字）
長程規劃的投資價值不在“模型多想幾秒”，而在把推論時間轉化為可計費的任務成功率、成本/成功和企業可控邊界。46 單輪問答的成本近似為 tokens × 單價，長程 Agent 的成本近似為 規劃分支數 × 每分支步數 × 平均 tokens × 模型單價 + 工具呼叫費 + 失敗回滾費 + 人工驗收費；當 Tree of Thoughts 把搜尋分支從 1 條擴到 5 條時，推論成本約增加 5 倍，但若成功率從 40% 提升到 80%，每次成功成本反而下降 50%。36
ReAct、Reflexion 和 Tree of Thoughts 對應 3 類可商業化能力。ReAct 解決“下一步該呼叫什麼工具”，適合網頁、程式碼、資料庫、工單和 CRM 等開放環境；論文顯示 interleaved reasoning/action 可以提升任務可解釋性，並讓模型用外部環境更新計劃。1 Reflexion 解決“失敗後如何改進”，它不更新模型權重，而是把失敗原因寫成語言記憶，再在下一輪行動前讀取；這類能力對映到企業軟體裡的 replay、postmortem、case memory 和 workflow analytics。2 Tree of Thoughts 解決“多個方案如何比較”，它把中間想法作為搜尋節點，用生成器、評估器和搜尋演算法做前瞻；論文在 Game of 24 上報告 GPT-4 + ToT 成功率 74%，顯著高於 chain-of-thought 的 4%，說明搜尋預算能換取複雜規劃任務的成功率。3
商業上，Agent 長程規劃會先被雲端廠和企業軟體廠內嵌，而不是獨立成為 1 個應用類別。OpenAI 2025 年推出 ChatGPT agent，揭露其統一了 Operator、deep research 和 ChatGPT 的能力，並在 Humanity’s Last Exam 上給出 41.6% pass@1 的系統口徑。78 Salesforce FY26Q4 揭露 Agentforce ARR 8.0 億美元 [CRM]、年增率增長 169%，說明規劃能力已經開始進入 CRM 預算。9 ServiceNow 2026 年把 AI Control Tower 擴充套件到跨系統 Agent 觀測、治理和安全，說明企業客戶為“規劃是否越權、失敗能否追責、ROI 能否量化”付費。10 可算營收鏈為 企業任務池 × 可自動化比例 × 長程成功率 × 每次成功收費或席位 ARPU × 平台份額 = Agent 規劃營收，反證指標是 2026-2028 年 AI ARR 是否從演示和試點轉為可續費生產工作流。91011
4. 技術原理（200-300 字）
長程規劃器通常包含 6 個模組：目標解析器把使用者目標拆成 3-50 個子目標，狀態追蹤器維護檔案、網頁、資料庫和工具返回，行動策略選擇 API/瀏覽器/程式碼/檢索，反思模組把失敗寫入短期或長期記憶，搜尋模組在 2-10 條候選路徑中評分，驗證器用規則、測試或人工審批判定最終狀態。123 ReAct 的最小迴圈是 Thought -> Action -> Observation，優點是每 1 步都能吸收環境反饋，缺點是錯誤觀察會汙染後續計劃。1 Reflexion 在迴圈外增加 verbal feedback 與 episodic memory，優點是無需 fine-tuning 就能用 1-3 次失敗改善策略，缺點是錯誤反思會形成“自信但錯誤”的記憶。2 Tree of Thoughts 增加 breadth-first、depth-first 或 beam search，優點是可在 5-10 個候選解之間回溯，缺點是 token 成本、延遲和評估器誤判同步上升。3 2026 年技術分水嶺是規劃器能否在第 N 步定位失敗並自動重試，而不是隻在最終答案失敗後重新生成 1 次。612
5. 上游依賴 / 下游影響
上游依賴
- Frontier reasoning models：OpenAI o3/o4-mini 2025 年揭露工具使用可顯著提升 AIME 2025 表現，說明規劃模型需要同時具備推論、視覺、瀏覽器和程式碼工具能力。12
- Agent benchmark 與 replay：GAIA 覆蓋 466 個真實助理任務，OSWorld 覆蓋 369 個真實桌面/網頁任務，SWE-bench Verified 覆蓋 500 個經人工驗證的軟體修復任務，三類基準共同約束“長程成功率”的可比口徑。456
- 狀態機與工作流編排：LangGraph、AutoGen、ServiceNow AI Agent Studio、UiPath Maestro 等架構把開放迴圈壓縮成節點、邊、重試和審批，方向是把 10-100 步任務變成可審計 DAG。101314
- 企業權限與審計：OAuth、RBAC、日誌、資料駐留和人工審批決定 Agent 能否從只讀摘要進入可寫系統；ServiceNow 2026 年把 AI Control Tower 連線到 NVIDIA Enterprise AI Factory，說明治理邊界正從桌面擴充套件到資料中心。10
下游影響
- CRM 與客服：Salesforce FY2026 Agentforce ARR 8.0 億美元 [CRM]、年增率增長 169%，長程規劃把“推薦話術”升級為“自動建單、更新欄位、觸發流程”。9
- ITSM 與 HR：ServiceNow 2026 年 AI Control Tower GA 預期在 2026-08，把多 Agent 觀測、風險控制和 ROI 度量納入平台訂閱。10
- RPA 與後臺流程：UiPath FY2025 ARR 為 16.66 億美元、年增率增長 14%，Agentic automation 的增量在於把非結構化輸入接入已有機器人和佇列。14
- 研發與知識工作：Atlassian FY2025 營收 52 億美元、AI 月活 230 萬，Rovo 與 Teamwork Graph 把規劃能力放進 Jira/Confluence 工作流。15
6. 技術路線對比表
| 路線 | 速率/吞吐 | 典型功耗或成本 | 距離或維度 | 標準成熟度 | 量產機率 2026 | 反證指標 |
|---|---|---|---|---|---|---|
| ReAct 單 Agent 迴圈 | 5-50 步行動-觀察 | 步數 × tokens × 單價 | 網頁、程式碼、檢索、API | 2022 年論文成熟，工程架構普及 | 85% | 20 步任務直通率低於 50% 或日誌無法復現失敗點14 |
| Reflexion 失敗記憶 | 1-3 輪 retry + verbal memory | 失敗重試成本增加 1-3 倍 | 程式設計、問答、互動環境 | 2023 年論文成熟，生產記憶需治理 | 70% | 反思記憶導致錯誤策略重複 3 次以上2 |
| Tree of Thoughts / Beam Search | 2-10 條候選路徑並行 | 分支數增加 2-10 倍 token 成本 | 數學、規劃、複雜決策 | 2023 年論文成熟，企業評估器仍早期 | 60% | 成功率提升小於成本增幅，或延遲超過人工 SLA3 |
| 圖狀態機 Agent | 3-50 個節點 + 條件邊 | 節點重試降低失敗回滾成本 | 企業審批、客服、ITSM | LangGraph/AutoGen/ServiceNow 路線成熟度上升 | 80% | SOC2/ISO/金融審計無法接受開放迴圈1013 |
| 多 Agent 規劃 | 2-10 個角色協作 | token 成本約為單 Agent 的 2-5 倍 | 研發、運營、投研複合任務 | 2024-2026 年快速迭代 | 55% | 多角色互相確認但最終驗收錯誤率高於單 Agent6 |
| 人類在環規劃 | 關鍵節點 1-5 次審批 | 人工成本換取風險下降 | 財務、法務、採購、人事 | 企業上線最現實路徑 | 90% | 人工接管率超過 30% 後 ROI 低於傳統流程自動化11 |
7. 關鍵指標（5-7 項 + 怎麼追）
- 長程成功率：按 GAIA Level 3、OSWorld、WebArena、SWE-bench Verified/Pro 和內部 replay 追蹤，若複雜任務成功率低於 60%，生產部署應降級為 copilot 或審批模式。456
- 成本/成功：用
模型費 + 工具費 + 回滾費 + 人工複核費 ÷ 成功任務數計算，若 2026 年高頻流程成本仍高於人工成本 50%，結果付費模型難以成立。11 - 搜尋預算回報：記錄 ToT/beam search 的分支數、平均步數和成功率增量，若 5 條分支只提升 5 個百分點成功率，規劃器應收縮為 ReAct 或狀態機。3
- 失敗定位粒度：按第 N 步、工具名、輸入輸出和審批節點記錄錯誤，若超過 20% 失敗無法定位到具體節點，企業審計和保險定價會受阻。610
- AI ARR / Agent ARR：Salesforce FY26Q4 已揭露 Agentforce ARR 8.0 億美元 [CRM]，ServiceNow 揭露 AI Control Tower 和大客戶交易，後續追 AI 營收佔總營收是否超過 5%。910
- 人工接管率：對 10-100 步任務記錄 HITL 次數，若 20 步任務超過 6 次人工審批，Agent 更像流程建議而非自動執行。11
- 安全事件率：按每 1,000 次執行中的越權、錯誤寫入、資料洩露和高危工具呼叫計數，若高危事件超過 1 次，金融、醫療和政企部署會延後。810
8. 可算傳導表
8.1 市場閉環模型
| 驅動變數 | 2024 | 2025E | 2026E | 2027E | 來源 |
|---|---|---|---|---|---|
| 美國 AI Agents 市場 TAM | 16.03 億美元 | 22.29 億美元 | 31.94 億美元 = 22.29 × 1.433 | 45.77 億美元 = 31.94 × 1.433 | Grand View Research；2026/2027 按 43.3% CAGR 推算。11 |
| 長程規劃可服務比例 | 20% 情景 | 25% 情景 | 30% 情景 | 35% 情景 | 情景假設；關鍵拆分未揭露。 |
| → 規劃 TAM | 3.21 億美元 | 5.57 億美元 | 9.58 億美元 | 16.02 億美元 | AI Agents TAM × 可服務比例。 |
| 付費工作流出貨 | [未核實 — 待補 A/B 源] | [未核實 — 待補 A/B 源] | [未核實 — 待補 A/B 源] | [未核實 — 待補 A/B 源] | 廠商未揭露統一工作流出貨口徑。 |
| ASP/ARPU | Agentforce ARR/客戶待揭露 | AI Control Tower SKU 待揭露 | 結果付費 ASP 待揭露 | 同左 | 關鍵價格拆分缺少 A/B 公開源。910 |
| 營收公式 | TAM × 規劃比例 × 份額 | 任務數 × 成功率 × 單價 | AI ARR + 用量費 | 結果費 + 平台分成 | 推算。 |
| 毛利率 | SaaS 公司 GM 約 70%-84% 區間 | 推論成本壓低短期 GM | 快取/路由改善 GM | 結果付費提升 NRR | Salesforce/ServiceNow/Atlassian 財報區間。91516 |
| PE/估值口徑 | 2026-05-27 美股完整收盤，美元，shares × close / TTM EPS | 同左 | 同左 | 同左 | C 級行情僅用於估值快照。26 |
8.2 代表公司彈性測算
| 驅動變數 | Salesforce | ServiceNow | UiPath | 來源/公式 |
|---|---|---|---|---|
| 相關營收基數 | FY2026 revenue 415 億美元 [CRM]；Agentforce ARR 8.0 億美元 [CRM] | FY2025 revenue 132.8 億美元；2030 subscription revenue target 300 億美元以上 | FY2025 revenue 14.30 億美元；ARR 16.66 億美元 | 公司財報和公告。91416 |
| 長程規劃營收佔比 | 8.0 / 415 = 1.9% 的 Agentforce ARR 口徑 | AI ACV 與 AI Control Tower 營收待揭露 | Maestro/agentic automation ARR 待揭露 | 推算；拆分不足。 |
| → 2026E 本概念營收 | Agentforce ARR × 規劃功能佔比，佔比待揭露 | AI ACV × 轉營收率 × 規劃佔比，待揭露 | agentic ARR × 規劃佔比，待揭露 | 關鍵拆分待揭露。 |
| 毛利率 | FY2026 non-GAAP operating margin 34.1%；GAAP operating margin 20.1% | FY2025 gross profit 102.95 億美元 / revenue 132.8 億美元 = 77.5% | FY2025 gross margin 待補 A/B 源 | 財報揭露。91416 |
| → 毛利貢獻 | 規劃營收 × CRM 軟體毛利率 | 規劃營收 × 77.5% | 規劃營收 × PATH gross margin | 推算。 |
| 淨利率/EPS 傳導 | 新增 ARR × 穩態 EBIT margin 30%+ ÷ 稀釋股本 | AI ACV × 轉營收率 × operating margin | 新增 ARR × 自動化軟體 margin | 推算。 |
| 市值/PE 口徑 | 市值 1,689.9 億美元；PE TTM 23.7x；2026-05-27 收盤口徑 | 市值 1,061.9 億美元；PE TTM 60.1x；2026-05-27 收盤口徑 | 市值 60.2 億美元；PE TTM 26.6x；2026-05-27 收盤口徑 | C 級行情快照。26 |
9. 同業硬指標對比表
| 公司 | 營收 | 增速 | GM | 淨利 | FCF margin | 客戶集中度 | 技術代際 | PE TTM | 反證條件 |
|---|---|---|---|---|---|---|---|---|---|
| Salesforce | FY2026 415 億美元 [CRM] | +10% | gross margin 待補 10-K；non-GAAP op margin 34.1% | GAAP operating margin 20.1% | 144 / 415 = 34.7% | 大客戶分散；RPO 720 億美元 | Agentforce + Data 360 + workflow planner | 20.61x [CRM]，2026-05-27 16:00 EDT，USD | Agentforce ARR 增速低於 50% 或付費 attach 停滯926 |
| ServiceNow | FY2025 132.8 億美元 | +21% | 77.5% | net income 待補 10-K | FCF 待補 A/B 源 | 630 個 ACV 超 500 萬美元客戶 | AI Control Tower + AI Agent Studio | 60.1x，2026-05-27，USD | AI Control Tower 無法轉化為 subscription uplift101626 |
| UiPath | FY2025 14.30 億美元 | +9% | 待補 A/B 源 | 待補 A/B 源 | 待補 A/B 源 | ARR ≥10 萬美元客戶貢獻 87% 營收 | Maestro + RPA + Agentic Automation | 26.6x，2026-05-27，USD | ARR 增速低於 10% 或 NRR 低於 105%1426 |
| Atlassian | FY2025 52 億美元 | +20% | cloud gross margin 83%-84% 目標口徑 | GAAP net income 2.57 億美元 | 14 / 52 = 26.9% | 30 萬+組織客戶 | Rovo + Teamwork Graph + Jira planner | -108.6x，2026-05-27，USD | AI MAU 無法轉化為付費 Collection1526 |
| Microsoft | FY2025 2,817 億美元 [MSFT] | +15% | 集團 GM 待補 10-K | net income 1,018 億美元 | FCF 待補 A/B 源 | 企業客戶極分散 | Copilot Studio + Azure AI Foundry | 24.58x，2026-05-27 16:00 EDT，USD [MSFT] | Copilot 停留在摘要層，未進入可寫工作流1726 |
| Appian | FY2025 營收待補 A/B 源 | 待補 A/B 源 | 待補 A/B 源 | 待補 A/B 源 | 待補 A/B 源 | 政企流程客戶 | Low-code + process automation + planner | 1082.0x，2026-05-27，USD | 低程式碼流程被內嵌 Agent 和雲端平台替代26 |
10. 投資邏輯 + 業績傳導（200-300 字 + ASCII 傳導圖）
Agent 長程規劃的投資主線是企業軟體從“輔助生成”升級到“可審計執行”，營收從普通 Copilot 席位加價轉向 Agent ARR、用量費和結果付費。91011 ReAct 提升工具呼叫閉環，Reflexion 降低重複失敗，Tree of Thoughts 用更高推論預算換更高複雜任務成功率；這 3 類能力會被 CRM、ITSM、RPA、協同辦公和開發平台吸收，而不是單獨以“演算法 SKU”售賣。123 2026-2028 年的關鍵反證不是 demo 數量，而是長程成功率、人工接管率和成本/成功能否讓企業從試點預算轉入生產預算；若 Gartner 預測的 2028 年 33% 企業軟體含 agentic AI、15% 日常工作決策自動化無法兌現，估值應回到普通 SaaS 增長架構。18
企業任務池 × 可自動化比例 × Agent 滲透率
↓
ReAct 工具閉環 × Reflexion 失敗記憶 × ToT 搜尋預算
↓
長程成功率 / 成本每成功 / 人工接管率
↓
AI ARR + 用量費 + 結果付費
↓
營收 × SaaS 毛利率 - 推論與審計成本
↓
EPS × PE = 情景市值架構/股價11. 常見誤讀糾偏（≥2 條）
誤讀 1：長程規劃等於“讓模型多寫 chain-of-thought”。
實際情況：ReAct 至少包含行動和觀察 2 個外部環節，Reflexion 至少增加失敗反饋和記憶 2 個環節，Tree of Thoughts 至少增加候選生成、評分和搜尋 3 個環節；因此生產系統要評估工具狀態、權限、日誌和回滾，而不是隻評估文本推論長度。123
證據：ReAct 論文強調 reasoning 與 acting 交替，Reflexion 論文強調 verbal reinforcement，ToT 論文強調多路徑搜尋和自評估，三者都不是單一 prompt 技巧。123
誤讀 2：Tree of Thoughts 成功率高，所以企業應預設開啟多分支搜尋。
實際情況：ToT 在 Game of 24 上把 GPT-4 成功率從 4% 提升到 74%，但分支搜尋會把 token、延遲和評估器成本同步放大 2-10 倍；企業應只在高價值、低頻、可等待的任務上開啟 ToT，而在客服、工單和欄位更新裡優先使用 ReAct 或狀態機。3
證據：ToT 的收益來自候選路徑生成和評估，而不是免費能力；若 5 條分支只提升 5 個百分點成功率，成本/成功會惡化。3
誤讀 3：Agent 規劃越自主，商業價值越高。
實際情況：20 步任務在單步 98% 成功率下直通率只有 66.8%，在單步 95% 成功率下降至 35.8%；金融、醫療、法務和人事流程需要 1-5 個 HITL 節點來換取低事故率和可追責，而不是追求 100% 無人值守。4510
證據：GAIA、OSWorld 和 SWE-bench Verified 都把最終狀態正確性作為核心，ServiceNow AI Control Tower 的定位也從“自主”轉向“治理、觀測、安全和 ROI”。45610
12. 最新事件（3-5 條帶字首）
- [已發生] 2025-07-17：OpenAI 釋出 ChatGPT agent，揭露統一 agentic system，並在 Humanity’s Last Exam 上給出 41.6% pass@1 系統口徑。78
- [已發生] 2025-08-15：Atlassian FY2025 揭露營收 52 億美元、AI 月活 230 萬，Rovo 與 Teamwork Graph 成為協同規劃入口。15
- [已發生] 2026-02-26：Salesforce FY26Q4 揭露 Agentforce ARR 8.0 億美元 [CRM]、年增率增長 169%，Agentforce and Data 360 ARR 超過 29 億美元 [CRM]。9
- [展望] 2026-05-04：ServiceNow 擴充套件 AI Control Tower，揭露新能力在 2026-05 進入 Innovation Lab、2026-08 預期 GA。10
- [行業預測] 2024-03-11：Gartner 預測 2028 年 33% 企業軟體應用將包含 agentic AI，15% 日常工作決策將由 AI Agent 自主完成。18
13. 來源 footnotes
1 ReAct: Synergizing Reasoning and Acting in Language Models — Yao et al., ICLR / arXiv — 2022-10-06 — https://arxiv.org/abs/2210.03629 （A）
2 Reflexion: Language Agents with Verbal Reinforcement Learning — Shinn et al., NeurIPS / arXiv — 2023-03-20 — https://arxiv.org/abs/2303.11366 （A）
3 Tree of Thoughts: Deliberate Problem Solving with Large Language Models — Yao et al., NeurIPS / arXiv — 2023-05-17 — https://arxiv.org/abs/2305.10601 （A）
4 GAIA: a benchmark for General AI Assistants — Meta / Hugging Face / AutoGPT team, arXiv — 2023-11-21 — https://arxiv.org/abs/2311.12983 （A）
5 OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments — NeurIPS 2024 / arXiv — 2024-04-11 — https://arxiv.org/abs/2404.07972 （A）
6 Introducing SWE-bench Verified — OpenAI — 2024-08-13 — https://openai.com/index/introducing-swe-bench-verified/ （B）
7 Introducing ChatGPT agent: bridging research and action — OpenAI — 2025-07-17 — https://openai.com/index/introducing-chatgpt-agent/ （B）
8 ChatGPT agent System Card — OpenAI — 2025-07-17 — https://openai.com/index/chatgpt-agent-system-card （B）
9 Salesforce Delivers Record Fourth Quarter Fiscal 2026 Results — Salesforce Investor Relations — 2026-02-26 — https://investor.salesforce.com/news/news-details/2026/Salesforce-Delivers-Record-Fourth-Quarter-Fiscal-2026-Results/default.aspx （B）
10 ServiceNow expands AI Control Tower to discover, observe, govern, secure, and measure AI deployed across any system in the enterprise — ServiceNow Newsroom — 2026-05-04 — https://newsroom.servicenow.com/press-releases/details/2026/ServiceNow-expands-AI-Control-Tower-to-discover-observe-govern-secure-and-measure-AI-deployed-across-any-system-in-the-enterprise/default.aspx （B）
11 U.S. AI Agents Market Size and Share, 2030 — Grand View Research — 2025 — https://www.grandviewresearch.com/industry-analysis/us-ai-agents-market-report （A）
12 Introducing OpenAI o3 and o4-mini — OpenAI — 2025-04-16 — https://openai.com/index/introducing-o3-and-o4-mini/ （B）
13 AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation — Microsoft Research / arXiv — 2023-08-16 — https://arxiv.org/abs/2308.08155 （A）
14 UiPath FY2025 Form 10-K — UiPath / SEC — 2025-03-24 — https://ir.uipath.com/financials/sec-filings/content/0001734722-25-000007/0001734722-25-000007.pdf （A）
15 Atlassian FY2025 Annual Report and Q4 FY2025 Results — Atlassian / SEC — 2025-08-15 — https://www.sec.gov/Archives/edgar/data/1650372/000165037225000060/team2025annualreport.pdf （A）
16 ServiceNow FY2025 Form 10-K / Annual Results — ServiceNow / SEC — 2026-01-29 — https://s205.q4cdn.com/537566246/files/doc_news/2025/q4/ServiceNow-Reports-Fourth-Quarter-and-Full-Year-2025-Financial-Results-Board-of-Directors-Authorizes-Additional-5B-for-Share-Repurchase-Program.pdf （A/B）
17 Microsoft FY2025 Form 10-K — Microsoft / SEC — 2025-07-30 — https://www.sec.gov/Archives/edgar/data/789019/000095017025100235/msft-20250630.htm （A）
18 Gartner Predicts One-Third of Interactions with GenAI Services Will Use Action Models and Autonomous Agents by 2028 — Gartner — 2024-03-11 — https://www.gartner.com/en/newsroom/press-releases/2024-03-11-gartner-predicts-one-third-of-interactions-with-genai-services-will-use-action-models-and-autonomous-agents-for-task-completion-by-2028 （A）
19 AgentBench: Evaluating LLMs as Agents — ICLR 2024 / arXiv — 2023-08-07 — https://arxiv.org/abs/2308.03688 （A）
20 WebArena: A Realistic Web Environment for Building Autonomous Agents — ICLR 2024 / arXiv — 2023-07-31 — https://arxiv.org/abs/2307.13854 （A）
21 Graph of Thoughts: Solving Elaborate Problems with Large Language Models — Besta et al., AAAI / arXiv — 2023-08-18 — https://arxiv.org/abs/2308.09687 （A）
22 Voyager: An Open-Ended Embodied Agent with Large Language Models — Wang et al., arXiv — 2023-05-25 — https://arxiv.org/abs/2305.16291 （A）
23 Language Agent Tree Search Unifies Reasoning Acting and Planning in Language Models — Zhou et al., arXiv — 2023-10-18 — https://arxiv.org/abs/2310.04406 （A）
24 ServiceNow Launches AI Control Tower, a Centralized Command Center to Govern, Manage, Secure, and Realize Value From Any AI Agent, Model, and Workflow — ServiceNow Newsroom — 2025-04-29 — https://newsroom.servicenow.com/press-releases/details/2025/ServiceNow-Launches-AI-Control-Tower-a-Centralized-Command-Center-to-Govern-Manage-Secure-and-Realize-Value-From-Any-AI-Agent-Model-and-Workflow/ （B）
25 ChatGPT agent release notes — OpenAI Help Center — 2025-07-17 — https://help.openai.com/en/articles/11794368-chatgpt-agent-release-notes （B）
26 Public market valuation snapshot for CRM/NOW/PATH/TEAM/MSFT/APPN — quote-feed finance data, retrieved 2026-05-28 before U.S. regular session; values treated as 2026-05-27 complete close proxy and must be refreshed before publication — 2026-05-28 — C 級行情源，僅用於估值快照，不支撐營收、獲利率、份額或產能關鍵數 （C）