系列文章
Day 21 - LangGraph 快速上手：使用圖形流程打造 AI Agent
昨天我們認識了 AI Agent 的基本概念：一個能夠自主規劃與決策的系統，不再只是單純「你問我答」的 LLM 應用。那麼要如何落地實作一個 Agent 呢？這...
Day 22 - ReAct 模式實戰：封裝 LLM 建立可推理與行動的 Agent
在前一篇文章中，我們已經學會如何用 LangGraph 建立基本的 AI Agent 流程。今天，我們要更進一步，介紹一個經典的 Agent 設計模式：ReAc...
Day 23 - 多代理系統：打造具協作能力的 AI 架構
在前幾篇文章中，我們已經學會如何使用 LangGraph 建立單一 Agent，並讓它能夠依循 ReAct 模式進行推理與行動。不過在更複雜的應用場景裡，一個...
Day 24 - 人機協作流程設計：設置中斷點建立互動決策機制
在前一篇文章中，我們介紹了如何設計 多代理系統，讓不同的 Agent 各自專精於任務並協同合作。然而，在實際應用中，僅依賴全自動化流程往往難以應付所有情境。當任...
Day 25 - AI Agent 記憶管理：打造能延續對話與持久化的智慧助理
在前一篇文章中，我們探討了如何實現人機協作功能，其中 Checkpointer 扮演了關鍵角色，讓流程在中斷後能夠順利恢復。換句話說，它提供了一種 短期記憶 功...
Day 26 - 整合 MCP Tools：建構與外部世界互通的 AI Agent
前幾篇我們談到 AI Agent 在 LangGraph 中的決策、協作與記憶管理能力，但如果 Agent 永遠只能在封閉環境內工作，它的價值就會受到限制。真正...
Day 27 - LangGraph 整合實戰：打造具網路搜尋與人機互動能力的 AI 驅動寫作代理
經過前幾天的學習，我們已經掌握了 LangGraph 的基本操作、Agent 設計模式、人機協作流程，以及 MCP 工具的整合方法。今天，我們要把這些技術整合起...
Day 28 - 認識本地 LLM 部署：為什麼要在自己的機器上跑模型？
在前面的文章中，我們大多依靠雲端的 OpenAI API 來開發應用，享受隨時更新與高效能運算的便利。不過，雲端並不是唯一的選擇。越來越多開發者與企業開始嘗試在...
Day 29 - Ollama 快速上手：建立你的本地 LLM 環境
在前一天的內容中，我們討論了為什麼要在自己的機器上部署 LLM，並且了解了開源模型在隱私、成本與自主性上的優勢。今天的主題將聚焦在 Ollama —— 一個近年...
Day 30 - LiteLLM 多模型代理：建構雲端與本地共存的 LLM 環境
在本系列中，我們已經嘗試過使用 OpenAI API 的雲端模型，以及透過 Ollama 建立本地模型服務。這兩種方式各有優缺點：雲端模型能夠隨時更新、效能穩定...