Shippy 如何把 AI Agent 做到可用
Shippy 是 Ai2 Skylight 團隊打造的海事 AI Agent，目標不是陪聊，而是協助分析人員查詢即時船舶活動、EEZ 與海洋保護區邊界、解讀航跡，並產生可回到地圖核對的連結。它以 Claude Opus 4.6 搭配 OpenClaw，將任務規則寫成 Agent Skills，再透過受控 CLI 存取 Skylight API；重點是讓每個答案能追溯資料來源、時間與查詢範圍。
現實應用
Shippy 適合漁業執法人員、海洋保育 NGO、政府分析單位與研究團隊。使用者可以直接問「上個月巴拿馬 EEZ 有哪些捕魚活動」，系統會先取得正式邊界，再查 Events、船舶資料與航跡，而不是讓模型自行猜座標。它也能交叉處理保護區、轉運行為及衛星資料。不過 Shippy 只提供決策支援，不判定船隻是否違法，也不該替人員提出軍事或現場戰術決策。
期望評估
我認為低標期望，是把原本要在多個介面與資料表間切換的查詢，濃縮成一段自然語言操作，並留下可驗證的地圖與來源。即使答案仍需人工覆核，也能省下整理資料的時間。
我猜高標期望，是它未來能直接控制 Skylight 地圖、自動套用區域與時間篩選，再以跨對話記憶保存分析員的轄區和偏好來源，逐漸成為海事調查的工作入口。但幾何簡化漏掉事件、捏造不存在的 CLI 指令，以及越界給出巡邏建議，仍是現階段的限制。
商業策略分析
我認為這套架構真正有價值的不是單一模型，而是「typed API、deterministic CLI、skills、隔離沙箱、整體評測」這條產品鏈。它會影響既有海事情報軟體、GIS 查詢工具與垂直 SaaS：競爭焦點將從誰接了最強模型，轉向誰能提供可靠資料、權限隔離與可稽核流程。
Skylight 本身免費服務逾 70 國、300 多個合作夥伴，先用高風險海事場景驗證，再把 Mothership 延伸到 EarthRanger、OlmoEarth，策略上合理。我認為做政府、金融、醫療或工業 Agent 的團隊值得跟進這套分層方法，但沒必要照搬其 Kubernetes 單會話部署成本。
實作細節
Shippy 尚未提供一般使用者自行安裝方式，目前採早期用戶逐步開放。系統把 system prompt 與 Markdown 格式的 skills 封裝進版本化 Docker image；模型、Agent harness 與執行參數則留在 config，API keys 和使用者 JWT 於執行時注入。Mothership 會為每個對話建立獨立 Kubernetes deployment，限制網路與檔案共享。評測則透過 Harbor 啟動真實版本、查詢即時資料，再依專家設計的加權 rubric 判定是否退步。