挑戰用 30 天利用 Side Project 學習 AI Agents

AI Agents 是這兩年很熱門的話題，網路上有大量教學，各家公司也開始思考怎麼把 Agent 導入內部流程或產品。但身為資料科學家，我過去的工作經驗主要集中在 ML Modeling、Data Analytics、Experimentation、Dashboard Building 等領域，雖然工作上已經開始接觸 LLM 與 AI workflow，對 Agentic System 的理解和實作仍然相對零散。

這也是我想開始這個系列的原因。我想給自己 30 天，用一個真的 Side Project 去碰實際問題，而不是單純照著教學把一個 Agent 跑起來。同時也藉著每天寫一篇文章，強迫自己把學到的東西重新整理一次；某種程度上，也算是借用「費曼學習法」的精神，試著用簡單的方式把每一天遇到的問題和做出的決定解釋清楚。

我不打算把這 30 天寫成一套 AI Agents 教科書。比起從 framework、模型或名詞開始，我更想從一個實際產品出發：先遇到問題，再決定什麼技術值得使用。

我想做一個讓台灣小品牌被找到的探索平台

你有沒有過這種經驗：朋友生日快到了，想送一份有質感的禮物，卻完全不知道從哪裡開始找；剛搬進新家，腦中知道自己想要一盞「簡單、溫暖、不刺眼」的桌燈，卻不知道該輸入什麼關鍵字；或者只是想支持一些台灣的小品牌，卻發現自己根本不知道有哪些品牌存在。

這些問題不完全是「沒有商品」，而是 Discovery：東西可能已經存在，只是使用者不知道它在哪裡，甚至不知道該怎麼描述自己想找的東西。

Pinkoi、誠品或其他選物與電商平台，某種程度上都在處理類似的問題。但這些平台同時還需要考慮交易、庫存、轉換率、廣告以及其他商業目標；品牌通常也需要加入平台既有的交易機制，才能完整參與其中。而這個 Side Project 想刻意把問題縮小一點：如果先不處理交易，只專注在「讓好的產品更容易被找到」，可以做出什麼樣的體驗？

我想建立一個台灣品牌與產品的探索平台，把原本散落在品牌官網、社群、實體通路與各種頁面裡的資訊整理起來。使用者可以從產品、風格、使用情境或需求出發，發現原本可能從來沒聽過的品牌，再回到品牌自己的通路認識或購買產品。

這也是接下來 30 天真正要拿來實驗的題目。每天一篇，我會一步一步記錄這個平台怎麼從一個想法，慢慢變成一個真的可以使用的產品。

這 30 天想回答哪些問題？

雖然這個系列叫做學習 AI Agents，但我並不想為了使用 AI 而使用 AI。真正有興趣的是：當 AI 開始進入一個產品與工程流程之後，哪些事情應該交給模型判斷，哪些事情反而應該繼續留在 deterministic process 裡？

在這 30 天裡，我大概會圍繞四類問題反覆探索：

1. 資料與系統應該怎麼設計？ 怎麼把散落在不同網站的品牌與產品資訊整理成可以被搜尋、比較與使用的資料？資料庫、前後端與整體 architecture 又應該怎麼配合？
2. 怎麼把一次性的 prompt 變成可以維護的 system？ Demo 跑成功一次不難，真正困難的是怎麼讓流程 scalable、maintainable，而且遇到不同 edge cases 時仍然能運作。
3. AI Agent 應該負責哪些 decision？ Agent 要用哪些 tools、什麼時候 retry、什麼時候停止，以及到底應該做成一顆 Agent 還是拆成多個 Agent，都需要實際測試才能回答。
4. 怎麼知道 AI 到底有沒有變好？ 如果每次改 prompt、換模型或調整 workflow 都只是憑感覺，很快就會失去方向。因此怎麼建立 evaluation、怎麼分析 failure cases，以及什麼時候值得進一步使用 labeling、fine-tuning 或其他方法，也會是這個系列想處理的問題。

這些內容都會盡量從專案真的遇到的問題出發，而不是從技術名詞開始。所以如果你想找的是非常深入的模型理論，這個系列可能不會是最適合的地方；但如果你也好奇「一個人到底可以怎麼把 AI 放進真實的產品開發流程裡」，歡迎持續關注未來 30 天的發文！

明天要聊什麼？

第一天先把為什麼要做這件事，以及接下來 30 天想探索的方向交代清楚。

但在開始寫 Agent、設計 prompt 或選 framework 以前，還有一件更重要的事：先把商業問題拆清楚。 如果連產品真正需要解決什麼問題都還不知道，很容易最後變成拿著 AI 到處找使用場景。

所以明天會先把這個探索平台拆成幾個最基本的問題：要怎麼取得資料？要怎麼設計使用者的體驗？咬怎麼有效的呈現資料？

我們明天見！