為什麼要做這件事

市面上很多 AI Agent 的文章，流程大概都長這樣：
「今天教你打造 AI Agent！」
然後串個 LangChain、接個 API、呼叫兩個工具，最後成功跑出一個 Demo。
畫面很漂亮，Agent 也很有靈性。

但如果真的把這套"玩具"當成實際的工具，你很快就會發現事情開始不太對勁。

• Context 一長，開始失憶。
• 工具一多，開始叫錯。
• 任務一複雜，開始鬼打牆。

所以在這 30 天我會從零開始，自己刻一套 Multi-Agent 系統，嘗試還原這類系統背後真正重要的設計思路。並且我會盡量從實際系統設計的角度出發，跟你說研究業界常見的架構模式，理解它們為什麼這樣設計、解決了什麼問題，以及如果自己實作，哪些地方最容易踩雷，也就是說這 30 天不是我要做一個看起來很厲害的 Agent，而是一支真正能做事的 AI 團隊，到底應該怎麼互相配合。

這 30 天會做什麼，也不會做什麼

首先先講清楚這個系列不會做哪些事情，避免大家對整個系列有錯誤期待。

不會重新訓練基礎大模型

這個系列不會從零開始訓練一個大型語言模型，而是使用開源模型，透過 LoRA／QLoRA 進行微調，讓模型真正具備明確的角色定位與專業能力。這樣做的好處是，不需要動輒數十張 GPU，也不需要準備動輒上百 GB 的訓練資料。只要有一台規格還算可以的電腦，就能跟著這個系列把整套流程跑起來。

不會做商用等級的完整產品

這個系列的目標不是打造一個可以直接拿去商業化的產品，而是把 Multi-Agent 的架構、核心原理與實作程式碼完整跑通。畢竟我們沒有大型公司的資料量，也沒有無限的 GPU 與開發資源，所以沒必要硬是把規模做到商業產品等級。

但我這次會盡量按照業界實際訓練與部署模型時的思路來設計，只是把資料量、模型規模與基礎設施縮小，讓一般開發者也能實際重現。

不會深入處理大量的安全性管控

安全性當然不可能完全不管，所以像 Prompt Injection、Tool Sandbox 這類 Multi-Agent 系統一定會遇到的核心問題，還是會處理。但不會在這裡把整套 AI Security 從頭到尾全部拆開講。因為真的全部加進來，這系列大概就不是 30 天，而是直接變成另一個系列了。

我本來是真的有考慮再寫一篇，但感覺寫完人也差不多沒了就放棄了。

所以這個系列會把重點放在如何設計 Agent、如何讓不同 Agent 協作、如何訓練角色模型，以及如何把整套 Multi-Agent 系統真正跑起來。那麼讓我們明天見！