系列文章
Day 01 - 前言：系列簡介與開發環境準備
這幾年，AI 工具如雨後春筍般湧現，從 ChatGPT、Claude 到 Gemini，以及各種生成式平台，無論是當成新奇工具體驗，還是正式導入產品流程，幾乎每...
Day 02 - 認識 OpenAI API：模型、功能、使用限制
在第一天，我們已經談過這個系列的整體目標與規劃。不過，在開始動手寫程式之前，我們得先釐清一個根本問題——大型語言模型（LLM）的 API 究竟能做什麼？我們該如...
Day 03 - OpenAI API 快速上手：實作 CLI 聊天機器人
在前一篇文章中，我們已經認識了 OpenAI API 的基本功能與使用方式。今天要正式進入實作，透過最簡潔的程式碼範例，快速體驗如何呼叫 API，並將它應用在一...
Day 04 - 提示工程與角色設計：打造回應清楚的 AI 助理
在前一篇文章中，我們已經學會如何透過 OpenAI API 建立一個基本的 CLI 聊天機器人，並進一步支援串流輸出與多輪對話。不過，實際使用時你可能會發現，A...
Day 05 - 回應風格調控：掌握 Temperature 與 Top-P 設定
在前幾篇文章中，我們已經學會如何呼叫 OpenAI API，並透過提示工程來控制回應的角色與風格。不過在實際應用中，不同情境往往需要截然不同的回答方式：有時候我...
Day 06 - 函式呼叫實作：運用 Function Calling 擴充 AI 能力
在前幾篇文章中，我們已經能讓聊天機器人具備多輪對話能力，並透過提示工程與參數控制回應風格。但到目前為止，它仍然只能依靠模型本身的知識來回答問題。一旦使用者提出需...
Day 07 - 認識 LangChain：打造生成式 AI 應用的 LLM 框架
昨天我們介紹了如何運用 Function Calling，讓模型能夠執行外部功能，進一步擴展聊天機器人的能力。不過，隨著功能持續擴充，程式碼的維護難度也隨之增加...
Day 08 - LangChain 快速上手：從零開始建立 LLM 應用程式
昨天我們初步認識了 LangChain，了解到它是一個專為 LLM 應用程式設計的框架，能幫助我們用模組化的方式組合大型語言模型應用。 今天我們要動手實作，從零...
Day 09 - 提示模板設計：掌握 LangChain Prompt Templates 用法
在昨天的實作中，我們已經學會如何使用 LangChain 建立基本的 LLM 應用程式，並將原本基於 OpenAI SDK 實作的 CLI 聊天機器人，重構為以...
Day 10 - 輸出格式解析：運用 LangChain Output Parsers 控制回應內容
在前一篇文章中，我們介紹了 提示模板（Prompt Templates），透過模組化與參數化設計，讓提示語更具彈性與可讀性。不過，提示模板解決的只是「輸入」問題...