一、核心技術心法

API 整合的彈性：在串接 Google Maps 等外部服務時，最大的啟發是資料結構的規範化。無論 API 回傳的 JSON 多複雜，都必須將其轉換成 AI 模型能快速理解的簡潔格式，這減少了模型在解析數據上的認知負擔，提升了 Function Calling 的成功率。

Prompt 工程的重要性：LoRA 訓練生成的 QA Pairs 和 Function Calling 的指令，都是精準的 Prompt 工程。清晰、無歧義的指令是 AI Agent 成功的基石，它決定了模型的行為、語氣和工具使用的準確性。

二、最具啟發性的技術決策

在 RAG、LoRA 和 Function Calling 這三個核心技術中，將 RAG 和 Function Calling 結合成混合檢索是最具啟發性的。

• RAG (FAISS)：確保了我們對靜態、高價值的 CSV 知識掌握。

• Function Calling：確保了我們能獲取即時、動態的外部資訊（天氣、路線）。

這種雙重檢索機制，讓 AI 導遊能夠應對各種複雜的查詢情境，這是開發完整 AI Agent 的關鍵流程：永遠不要只依賴模型的內部知識。

三、實戰建議

如果你也想開發一個功能完整的 AI Agent 專案，我的建議是：從最小可行產品 (MVP) 開始。先確認 RAG 能跑通，再加入 Function Calling，最後才進行模型微調。這種循序漸進的方法，能讓你更容易除錯和管理專案的複雜度。