系列文章
【Day11】把知識放到腦袋中：使用 unsloth 微調 (Fine-Tune) 大型語言模型
前言 我們在前十天嘗試了很多操作模型的方法，包含讓模型使用工具、用 RAG 提高答案生成的精確度、用 Ollama 在本地跑模型等等等，但這些都不是「訓練」一個...
【Day12】初探 LLM 評估驅動開發 (Eval-Driven Development) 與 Prompt 生成器：用 AI 來調教 AI
前言 相信經過前幾天的分享，你應該對大型語言模型的操作有更深入的認識，不過你可能也發現一點，就是每次都要自行設計 Prompt，而且還要去測試這個 Prompt...
【Day13】告別繁瑣程式碼：初探 Dify / Langflow 等圖形化介面工具來開發 LLM 應用！
前言：為什麼要用 No Code 工具 前面十幾天的學習主要是為了幫助你掌握 LLM 開發的基本概念和技術。程式碼的方式來實作，目的是讓你更好地理解 LLM 的...
【Day14】Dify 安裝：使用 Docker 安裝、設定模型並啟動你的第一個 LLM 聊天助手
安裝與設定 你可以把 Dify 裝在自己的電腦，也可以用線上版的，直接到官網註冊帳號使用 Docker 啟動 使用 Docker compose 啟動，不知道...
【Day15】Dify 入門 (1)：讓 Agent 幫報新聞、查資料、唬爛...還有好多好多
什麼是 Agent 根據〈Artificial Intelligence: A Modern Approach〉這本 AI 聖經本中對 Agent 的定義 A...
【Day16】Dify 入門 (2)：讓 Agent 使用自定義工具吧！(內含一咪咪 FastAPI)
前言 我們昨天有使用 Dify 幫你設定好的外部工具，像是 duckduckgo 的服務。 到目前為止我們已經很熟悉 API 是怎麼運作的，不過幾乎都是去呼叫別...
【Day17】Dify 入門 (3)：使用知識庫來做 RAG 並結合 Notion database
前言 Dify 中有自動建立的向量資料庫 (在 Dify 中叫「知識庫」)，甚至可以串接 Notion database！今天來實作 RAG，如果不知道什麼是...
【Day18】Dify 工作流 (1)：工作流基本介紹 (Chatflow, Workflow)
前言 經過前三天的介紹，我們已經可以用 Dify 做出一個自己的聊天機器人了，但如果你希望機器人處理更複雜的情況，那就會需要用到工作流。接下來一邊認識工作流，一...
【Day19】Dify 工作流 (2)：在 RAG 之前先進行問題分類吧！
前言 昨天已經帶大家用工作流做一個「思考」並「翻譯」的機器人，今天我們一樣用 Day9 宿舍資料的例子來做一個 RAG 的機器人，並且機器人在推論之前會先分類問...
【Day20】Dify 工作流 (3)：利用「參數提取」、「迭代」和「條件判斷」來解決更複雜的問題
前言 昨天介紹了「問題分類」和「知識檢索」這兩個關鍵節點，不過你可能在想，如果想做出更細緻的操作像是「條件判斷」和「迭代」呢？不只程式碼可以做到，在 Dify...