# 策展 · X (Twitter) 🔥🔥🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：Notion (@NotionHQ) · 平台：X (Twitter) · 日期：2026-05-22

> 原始來源：https://x.com/NotionHQ/status/2057502296196714759

## 中文摘要

Notion 推出 Custom Agent Insights 優化執行監控。

Notion 近期發布了「Custom Agent Insights」，旨在解決使用者對 Agent 運作過程不明確的痛點。這項功能讓使用者能夠逐次檢視 Agent 的執行狀況，透過分析每次執行的成本、智慧程度及潛在錯誤，協助使用者精準定位問題根源，例如工具呼叫失敗或連結遺失等狀況，進而提升 Agent 的可靠性與成本效益。

**模型選擇與成本控制**
選擇適合任務的模型是影響成本的關鍵，而非盲目追求最強大的模型。Notion 建議使用者根據任務需求進行調整：
- 「Auto」模式：由 Notion 自動選擇最佳模型，是大多數 Agent 的預設推薦。
- 「輕量級模型」：適用於重複性高、風險較低的工作，如草稿撰寫、簡單的分類與篩選，或結構化內容生成，這類模型在速度、一致性與成本效益上表現更佳。
- 「強大模型」（如 Opus）：適用於需要細膩寫作、複雜推理或高準確度的任務，但相對會消耗更多額度。
透過測試不同模型，使用者可以找到滿足品質要求且成本最低的平衡點。

**優化觸發機制與範圍**
Agent 的表現取決於觸發條件（Triggers）與讀取範圍（Scope）的設定，過於寬泛的設定會導致資源浪費與輸出品質下降：
- 精簡觸發條件：避免讓 Agent 對所有訊息做出反應。應明確定義 Agent 應介入的時機，例如僅針對「@提及」或特定關鍵字觸發，並過濾掉無意義的互動（如表情符號或閒聊）。
- 縮小讀取範圍：Agent 讀取的資訊越多，雜訊就越多。應僅連結與任務直接相關的資料庫或頻道，不要為了「以防萬一」而加入無關的內容。若 Agent 處理的任務過於複雜，建議將其拆分為多個功能單一的 Agent，以獲得更精確的結果。

**利用 Agent 進行自我除錯**
使用者無需在初次設定時就追求完美，透過反覆測試與回饋，可以逐步精煉 Agent 的指令：
1. 收集 3 到 5 個 Agent 表現不佳的實際案例（如回應過長、離題或過度自信）。
2. 將這些案例提供給 Agent，詢問其失敗原因，例如範圍是否過廣或規則不明確。
3. 讓 Agent 根據回饋提出優化後的指令，例如增加「不回答」的規則或設定回應範本。
4. 在設定頁面點擊「Run agent」進行測試，確保調整後的指令能有效修正問題。

透過持續的迭代與微調，使用者能將 Agent 從初步原型打造成更穩定、一致且具備成本效益的生產力工具。詳細的最佳實踐指南可參考 [Notion 官方說明文件](https://www.notion.com/help/guides/best-practices-for-improving-your-custom-agent) 。

## 標籤

Agent, 功能更新, 新產品, Notion