30 天前，我只是想讓 AI 「幫我做事」。
但當我真正開始動手寫下第一行程式時，
我發現這條路不只是技術堆疊，
而是一場「讓系統學會思考」的旅程。

一、從 Agent 啟程：AI 的行動基礎

在系列的一開始，我們談到：

「Agent 是能根據目標，自主思考與執行任務的 AI。」

我們從：

• Day01～Day05：AI Agent 概念、框架、設計思維
• Day06～Day10：AgentOps、Multi-Agent 系統
• Day11～Day15：ADK、FastMCP、LangGraph 串接實戰

那時的關鍵學習是：

💡 一句話總結：

我們讓 AI 從「被動回答」進化成「主動行動」。

二、MCP：讓模型與世界連線的橋樑

到了 Day12～Day20，
我們深入探索 Model Context Protocol（MCP），
理解它如何讓模型「安全地」與外部系統互動。

• 使用 FastMCP / ADK 開啟自訂工具伺服器
• 串接 LangGraph Agent
• 最後建立 Spring AI MCP Server

這段學習最關鍵的一點是：

MCP 是語言模型與真實世界之間的 API Layer。

它讓 LLM 能呼叫：

• 內部服務（報價、庫存、用戶查詢）
• 外部資源（天氣、資料庫、API）
• 自訂業務邏輯（文件生成、自動化任務）

💬 到這裡，我們讓 AI 不只是會說，更會「動」。

三、Ollama：大模型的在地化革命

在 Day18～Day23，
我們迎來系列中的轉折 ——
「讓 AI 不再依賴雲端，自己在本地跑起來」。

Ollama 讓我們可以：

• 輕鬆部署 LLM（如 Llama3、Phi3、Gemma）
• 搭配 Spring AI 建立本地 Chat Service
• 用 REST API 串接 RAG 與工具系統

這段學習讓我體會到：

「模型落地」是企業導入 AI 的關鍵一步。

因為有了 Ollama，我們不再受限於 API Key、成本或隱私問題，
真正擁有自己的 AI。

四、RAG：讓 AI 擁有記憶

在最後幾天（Day24～Day28），
我們建構了完整的 RAG 系統：

1️⃣ 認識 RAG 架構與流程
2️⃣ 啟動 Qdrant 建立 Collection
3️⃣ 使用 Ollama 生成 Embedding
4️⃣ 文件上傳與文字擷取（OCR / PDF Parsing）
5️⃣ 問答整合 → ChatBot 啟動 🚀

💡 核心概念是：

RAG = Retrieval（取回） + Augmented Generation（增強生成）

透過 Qdrant，我們讓系統能：

• 儲存語意向量
• 比對相似內容
• 回答根據文件脈絡產生的答案

🧠 這就是讓 AI「會記得、會理解、會回答」的關鍵。

五、Spring AI：整合一切的中樞神經

從 Day21～Day29，
我們見證了 Spring AI 的威力。

它讓我們能用熟悉的 Java 生態系：

• 啟動 Chat 模型
• 建立 Embedding Pipeline
• 串接 Qdrant 向量資料庫
• 實作 MCP Server

簡單一句話：

Spring AI 是「讓企業工程師能真正掌控 AI」的橋樑。

不論你是想做 Chatbot、文件搜尋、或 AI Agent，
Spring AI 都能提供穩定、安全、可維運的開發基礎。

六、從技術到思維：AI 工程師的進化

回顧這 30 天，
我們不只學了工具、API、框架，
更學會了 AI 系統設計的思維：

這也是企業級 AI 架構的四大支柱。
當我們能把這些組合起來時，
AI 就不再只是聊天機器人，而是「會工作的夥伴」。

七、未來的方向

這只是開始。
接下來，你可以延伸出更多應用：

• 🔗 RAG + MCP → 知識型 AI 工具助理
• 🧾 Ollama + ERP API → 智能報價或庫存查詢系統
• 🧠 LangGraph + Workflow → 多任務自動化 Agent
• 🎓 AIF / AI-900 證照 → 系統化理解 AI 架構與倫理

在 AI 時代，會寫程式的人不再只是開發者，
而是設計智慧的「引導者」。

八、感謝與收尾

這 30 天的鐵人賽，
是一段重新學習、反覆實驗、與 AI 共創的過程。

謝謝一路看完的你，
也謝謝那些在留言區交流的夥伴。

這不是結束，而是起點。
因為當我們能讓 AI 幫我們思考、行動與學習時，
我們就離「智慧化開發」更近了一步。