大人，時代變了

畢業前想不開鬼轉碼農，想不到 AI 發展那麼快，以為是踏上時代浪頭，想不到現在快死在沙灘上。
對於工作中就有持續跟 AI 打交道的人來說應該還好，
但本人工作上基本上跟 AI 是八竿子打不著，心理荒得一批呀，
沒辦法，雖然每天加班到快死掉，下班後還是只能透支生命逼自己學點東西了。

好多好雜，從哪開始

我也不是很清楚，但反正主題是學 AI，那讓 AI 當我的老師也沒什麼毛病，所以請 GPT 幫我擬個大概的計畫：

1. LLM API Integration

先從最基本的開始，搞懂怎麼把 LLM 真正接進一個系統裡。

預計會碰到：

Prompt 與訊息格式
Structured Output
Tool / Function Calling
Token、Latency、Cost
Retry、Timeout、Error Handling

目標是先把 LLM 當成一個正常的工程元件來使用，而不是只能在 Chat UI 裡聊天。

2. RAG / Retrieval

接著處理 AI 最重要的問題之一：怎麼讓模型使用自己的資料。

預計會碰到：

Embedding
Chunking
Vector Search
Metadata Filtering
Hybrid Search
Reranking
資料更新與 Index 維護

這部分也會是最想從 Data Engineer 角度深入研究的主題。

3. Agentic AI

當 LLM 不只負責回答問題，而是開始自己決定下一步要做什麼，就會進入 Agent 的範圍。

預計會碰到：

Tool Calling
MCP
Agent Workflow
Memory
Planning
Multi-Agent

除了學怎麼做，也想搞清楚一件事：什麼情況真的需要 Agent，什麼情況只是把簡單問題複雜化。

4. Evaluation & Observability

最後是不想只停留在「看起來好像可以用」。

預計會研究：

Retrieval Evaluation
LLM / Agent Evaluation
Tracing
Latency
Token / Cost
Failure Analysis
Monitoring

希望最後不只做得出來，也能回答：它到底準不準、為什麼錯、花多少錢，以及改完之後到底有沒有變好。

每日一句

「今天別做明天能做的事」，所以今天就先寫到這邊。