系列文章
Day 11 - 流程鏈組合應用：使用 LCEL 打造靈活應用邏輯
在前幾篇文章中，我們學會了如何使用 LangChain 串接模型、設計提示模板與控制回應格式，這些功能在單一輸入輸出邏輯下已經很強大，但若想要組合多個處理步驟，...
Day 12 - 工具調用設計：使用 LangChain Tool Calling 整合外部功能
經過前幾篇內容，我們已經學會如何利用 LangChain 串接模型、設計提示模板、控制輸出格式，甚至能透過 LCEL 將多個步驟組合成流程。不過，僅依靠 LLM...
Day 13 - LangChain 整合實戰：打造具網路搜尋能力的 AI 部落格寫手
到目前為止，我們已經學會了如何在 LangChain 中進行提示設計、輸出解析、流程控制，以及工具調用等核心技巧。當這些功能能夠靈活組合時，AI 就不再只是回答...
Day 14 - 流程觀察與除錯：啟用 LangChain Verbose 模式與 LangSmith 追蹤
昨天我們完成了一個相對完整的 LangChain 實戰案例，也更深刻地體會到在開發 LLM 應用時，程式執行結果往往不是單一步驟的產物，而是由多個提示詞、工具、...
Day 15 - 認識 RAG：檢索增強生成初探
過去兩週，我們從 OpenAI API 基礎起步，學會在 Node.js 中串接 GPT 模型，並運用 LangChain 框架打造更靈活的 AI 應用流程。然...
Day 16 - 文件載入與分割：用 LangChain 處理外部資料
昨天我們初步認識了 RAG 的基本概念，而在實際應用中，第一步就是將外部資料整理成 AI 能理解與處理的形式。無論是 PDF、Markdown 還是 HTML，...
Day 17 - 嵌入模型與向量資料庫：建構可語意檢索的 AI 知識庫
昨天我們已經學會如何將外部文件載入並進行分割，讓長篇內容被拆解成適合處理的小片段。今天要更進一步，透過 嵌入模型（Embedding Model） 將這些片段轉...
Day 18 - 檢索器封裝：讓向量檢索成為可呼叫的工具
在前幾篇文章中，我們已經學會了如何載入資料、分割文件、建立向量資料庫，並透過相似度搜尋找出最相關的內容。不過，這些檢索流程目前仍是各自獨立的操作，尚未真正融入到...
Day 19 - RAG 實戰應用：打造可檢索公司年報的 AI 問答系統
經過前幾天的學習，我們已經完成了 RAG 系統的核心模組：文件載入與分割、嵌入模型、向量資料庫，以及透過 Retriever 封裝檢索邏輯。今天，我們要進行一次...
Day 20 - 認識 AI Agent：具自主決策與行動能力的智慧代理
在前面的實作中，我們多半以 提示工程（Prompt Engineering） 為核心：撰寫 prompt、送入 LLM 取得回應，再將結果整合到應用服務中。這種...