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，也開始反覆思考一個問題：

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。這些示範通常可以在短時間內完成，也很容易讓人感受到生成式 AI 的潛力。

但當我們真的想把這些技術放進企業環境時，問題往往才正要開始。

企業文件可能分散在 Google Drive、Confluence、Notion、PDF 與不同資料庫中，格式不一致，更新頻率也不同。AI 即使找到了資料，也不代表它理解公司的欄位定義、縮寫與作業規則。單純的 RAG 可以讀取知識，卻未必能進一步操作企業工具；而 Agent 雖然能呼叫工具，它的決策過程又可能成為難以理解的黑箱。

當工具執行失敗時，系統還需要處理 Timeout、Retry 與 Fallback；當任務涉及敏感資料或高風險操作時，也必須加入人工審核。一個可以展示的 Demo，距離真正可以被企業採用的產品，往往還有很長一段距離。

我逐漸發現，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。

Data Machi 想解決什麼問題？

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？

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，並將原本零散的技術概念，整理成一條可以循序漸進學習的路徑。

這條路徑不會只停留在模型如何回答問題，而會進一步討論：

• AI 如何找到企業內部真正相關的資料
• 如何理解欄位、規則與企業術語
• 如何呼叫 Google Sheets、Confluence 與 Trello 等工具
• 如何讓 Agent 判斷下一步行動
• 如何透過 LangGraph 控制複雜工作流
• 如何加入查核、重試與人工審核機制
• 如何將原型轉化為可以實際交付的產品

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）

前五天會先釐清企業 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 系統的演進路徑。

2. 讓 AI 找到企業知識（Day 06–10）

接著進入 RAG 架構，學習文件解析、Chunk 切割、Embedding 向量化與語意搜尋，也會處理掃描 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）

這一階段會區分 RAG 與 Tool Use，並使用 LangChain 整合 Google Sheets、Confluence 與 Trello，開始建立跨資料來源的企業工作流。

4. 讓 AI 自主判斷下一步（Day 16–20）

系統會從單次工具呼叫進化到 Agent，進一步理解 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）

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

6. 完成產品化與部署（Day 26–30）

最後五天會處理 Timeout、Retry、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。

這個系列會涵蓋哪些核心概念？

RAG

Retrieval-Augmented Generation，中文通常翻譯為「檢索增強生成」。它讓 AI 在回答問題之前，先從企業文件中找出真正相關的資料，而不是只依靠模型原本的訓練知識。

Tool Use

Tool Use 讓 AI 不只讀取資料，還能進一步操作 Google Sheets、Confluence、Trello、API 或資料庫等企業系統。

LangChain

LangChain 是整合模型、Prompt、訊息、記憶與工具的開發框架，也是建立企業 Agent 時常見的基礎積木。

ReAct

ReAct 透過 Reasoning、Action 與 Observation 的循環，讓 AI 能根據工具執行結果重新判斷下一步，而不是一次產生完整答案。

LangGraph

LangGraph 使用 State、Node 與 Edge 管理複雜工作流，讓 AI 的行為從黑箱轉變為可觀測、可控制的流程。

Human-in-the-loop

Human-in-the-loop 是在高風險操作或重要決策前加入人工審核節點，確保企業 AI 工作流具備足夠的可信度與安全性。

這個系列適合誰？

這套系列適合想從聊天機器人進一步理解 AI Agent 的資料分析師、產品經理與營運人員，也適合想把生成式 AI 導入企業流程的數位轉型團隊。

如果你已經做過 RAG Demo，卻不知道如何進一步產品化；或是想理解 LangChain、LangGraph 與 Agentic Workflow 之間的差異，也可以從這個系列開始。

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，逐步說明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。

完成 30 天後，你會做到什麼？

完成這套系列後，你不只會理解 RAG、Tool Use、Agent 與 LangGraph 的定義，也會知道如何從企業問題出發，設計一套完整的 AI 知識工作流。

你將逐步完成：

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。