hero

如果要找一個「最不可能 deploy agentic AI」的行業，製藥業大概會是大部分人直覺的答案。FDA 21 CFR Part 11、GMP、audit trail、validation——每一層規範都在跟你說「不要亂動」。但就在這樣的環境裡，Bayer 跟 Thoughtworks 聯手做了一個叫 PRINCE（Preclinical Information Center）的 agentic RAG 系統，從 2024 年初以經上線給 researchers 用。這不是 PoC，是 production。而且他們還寫成 case study 貼在 Martin Fowler 的網站上——等於整個軟工圈都看到了。

臨床前研究（preclinical research）的資料困境，聽起來跟任何大型企業的 data silo 問題很像：資料分散在數十年累積的 PDF 報告、結構化資料庫、不同實驗室的 annotation 系統裡。研究人員想問「化合物 X 的毒性試驗結果」，得先知道去哪裡找、查哪個系統、怎麼下 keyword——而傳統的 Boolean keyword search 面對「piloerection、ataxia、eyes partially closed」這種臨床術語，常常撈出一堆不相干的結果。Bayer 看到的痛點不只是「搜尋不好用」，而是研究人員花太多時間在找資料，而不是在看資料。

PRINCE 的演進分三個階段：Search → Ask → Do。第一階段只是把分散的 metadata 統一到一個入口，讓研究人員能 filter；第二階段引入 RAG，讓你可以直接用自然語言問 PDF 裡的內容；第三階段——也就是現在進行式——整合了 multi-agent 系統，讓 PRINCE 不只是回答問題，還能執行多步驟任務，比如草擬 regulatory documents。

“This deliberate evolution from Search to Ask to Do represents a strategic response to the industry’s need for greater efficiency.”

這也是整篇 case study 最核心的架構觀點：context engineering + harness engineering。前者管理「每個 agent 看到什麼資訊」——planning context 給 Think & Plan、retrieval context 給 Researcher、evidence context 給 Reflection、synthesis context 給 Writer——刻意不把所有資訊塞進同一個 prompt。後者管理「agent 行為的邊界」：orchestration、tool boundaries、state persistence、retries、fallbacks、observability。

“Reliability comes from engineering both the context the model sees and the harness within which the model acts.”

技術上，PRINCE 使用 LangGraph 編排多個 agent 的協作流程。使用者的 query 先進 Clarify User Intent 階段，系統主動問清楚 domain 和 scope，避免浪費算力在模糊查詢上。然後 Think & Plan 做 process reflection——不是檢查資料對不對，而是檢查 workflow 進展是否合理。Researcher Agent 同時操作 RAG（處理 PDF 非結構化資料）和 Text-to-SQL（查 Athena 裡的結構化 metadata）；Reflection Agent 做 data reflection，檢查撈回來的資料夠不夠回答問題；Writer Agent 負責把最終答案組裝成帶 citation 的回應。

“The broader lesson from PRINCE is that production-ready agentic AI is not only about better models or better prompts.”

這個設計裡有三層 reflection loop：process reflection（流程對不對）、data reflection（資料夠不夠）、draft reflection（輸出完不完整）。三層迴圈確保 agent 不會只跑一次就交卷，而是能根據中期結果調整策略或補查資料。

信任機制方面，PRINCE 把 intermediate steps 全部顯示給使用者——查了哪個 source、下了什麼 query、用了哪個 tool——而且每句回應都帶 granular citation，hover 就能看到對應的原文 chunk 和頁碼。Evaluation 分 dataset evaluation（有 ground truth 的離線測試）和 live traffic evaluation（每天 batch 跑 production query 監控 faithfulness），用 RAGAS framework 計算。

系統韌性則透過 state persistence（Postgres + DynamoDB）、built-in retries、user-initiated retry（從 failure node 繼續，不用重跑整個 workflow）、以及跨 provider 的 LLM fallback 來實現。如果一個模型掛了，系統自動換另一個 provider 的模型繼續。

城武觀點

整篇 case study 最諷刺的地方在這裡：當矽谷還在爭論「agent 能不能上 production」，全球最保守的行業之一已經跑了一年多。Bayer 選 agentic 不是因為潮，是 single-shot RAG 根本滿足不了他們——研究人員問「這個化合物的毒性資料夠不夠寫 regulatory submission」，需要查結構化資料、撈 PDF、比對 metadata、確認完整性，然後才開始寫。agent loop 的真正痛點不是炫技，是 query complexity 逼出來的。另一個訊號是 Bayer 找了 Thoughtworks 而非自己從零做。在 regulated industry，LLM 應用不只是技術問題，更是 audit 與 compliance 問題——找有軟工紀律的外部 team 合作，是風險管理的選擇，不是技術能力欠缺。至於 AI 六個月改版、臨床試驗十年放行的 cadence gap，PRINCE 的解法很務實：把 workflow 設計成每一步都可暫停、可檢查、可 override，human expert 永遠是最後一道關卡。agentic 跟 regulated 不衝突——前提是你願意在 harness 上花功夫，而不是把責任外包給模型。

城武的未解檔案——Bayer 做到的事不是讓 agent「變得可靠」，而是用 harness 把不可靠圍起來、讓它只能在可控制的範圍內犯錯。