為什麼我想開始這個專案？

這幾年，我在工作中持續接觸資料分析、自動化、生成式 AI 與企業知識管理，也開始思考一個問題：

除了回答問題之外，AI 能不能真正參與企業的日常工作？

現在已經有許多教學示範如何串接大型語言模型、建立聊天機器人，或快速完成一個 RAG Demo。

但當我們真的想把這些技術放進企業環境時，往往會遇到更多現實問題：

• 企業文件分散在不同系統，格式也不一致
• AI 找到的資料不一定正確，也不一定足以回答問題
• 單純的 RAG 只能讀取知識，卻無法操作企業工具
• Agent 的決策過程容易成為難以理解的黑箱
• 工具執行失敗時，需要處理 Timeout、Retry 與 Fallback
• 涉及敏感資料或高風險操作時，需要加入人工審核
• 一個可以展示的 Demo，距離真正可以上線的產品仍有很大差距

我發現，真正困難的地方通常不是「怎麼呼叫一個模型」，而是如何把模型、企業知識、工具、流程與人的判斷整合在一起。

因此，我開始建立 Data Machi，更好地融入到團隊內供夥伴使用。

我希望透過這個 30 天系列，把自己從 RAG、Tool Use、Agent 到 LangGraph 的學習與實作過程完整記錄下來，並將過去我與 AI 協作完成的一套知識自動化的 AI Agent，將零散的技術概念整理成一條可以循序漸進學習的路徑。

這個系列想回答的，不只是：

如何打造一個 AI Agent？

而是：

如何打造一套企業願意採用、使用者能夠信任，而且可以持續維護的 AI 工作系統？

系列學習路徑

整個系列共 30 天，分成六大篇章，每篇五天，並各自形成一個完整主題。

你可以依照 Day 01 到 Day 30 的順序閱讀，逐步建立完整的知識架構；也可以根據目前遇到的問題，直接前往最相關的篇章。

1. 建立企業 AI 的認知框架（Day 01–05）

理解企業 AI 與聊天機器人的根本差異，拆解知識工作的主要步驟，並了解 Data Machi 系統的整體演進路徑。

2. 讓 AI 找到企業知識（Day 06–10）

學習 RAG 架構，包括文件解析、Chunk 切割、Embedding 向量化與語意搜尋，並處理掃描 PDF、表格與圖片等非結構化內容。

3. 接上企業工具與系統（Day 11–15）

區分 RAG 與 Tool Use，使用 LangChain 整合 Google Sheets、Confluence 與 Trello，設計跨資料來源的企業工作流。

4. 讓 AI 自主判斷下一步（Day 16–20）

從單次工具呼叫進化到 Agent，理解 ReAct 循環、Coordinator 任務分派、短期與長期記憶，以及問題釐清與資訊查核機制。

5. 建立可控制的 AI 工作流（Day 21–25）

使用 LangGraph 的 State、Node 與 Edge 取代難以觀察的黑箱 Agent Loop，導入條件分支、平行執行、Multi-Agent 與人工審核機制。

6. 完成產品化與部署（Day 26–30）

設計 Timeout、Retry 與 Fallback 等可靠性機制，優化 Agent UX，完成安全測試與部署，並規劃自己的企業 AI 工作流專案。

這個系列適合誰？

這套系列適合以下讀者：

• 想從聊天機器人進一步理解 AI Agent 的資料分析師與產品經理
• 想把生成式 AI 導入企業流程的數位轉型與營運團隊
• 已經做過 RAG Demo，但不知道如何進一步產品化的開發者
• 想理解 LangChain、LangGraph 與 Agentic Workflow 差異的學習者
• 想建立企業知識助理、研究助理或自動化工作流的人
• 對 AI 有興趣，但希望透過完整專案理解實際應用方式的人

你不需要一開始就具備完整的 AI 工程背景。

這個系列會從問題與應用情境出發，逐步解釋每一個技術概念為什麼存在、解決了什麼問題，以及應該在什麼時候使用。

你將完成什麼？

完成 30 天的內容後，你將不只是理解 RAG、Tool Use、Agent 與 LangGraph 的定義，而是能夠從企業問題出發，設計一套完整的 AI 知識工作流，包括：

1. 整理並解析企業文件
2. 建立語意搜尋與 RAG 系統
3. 串接外部資料來源與企業工具
4. 設計 Agent 的判斷與工具選擇邏輯
5. 使用 LangGraph 管理工作流狀態
6. 加入查核、錯誤處理與人工審核機制
7. 將原型部署成可以實際操作的應用
8. 評估系統的可信度、安全性與使用體驗

建議依照 Day 01 到 Day 30 的順序閱讀。每五天形成一個完整主題，完成一個篇章後再進入下一篇，會更容易理解整套 Data Machi 系統的演進過程。