昨天我們讓模型能自己選工具，從人工判斷變成自動決策，不過還有一個問題，那麼就是 :它的答案到底好不好？準不準？有沒有亂講？光靠肉眼看很難判斷，這時就要請出我們之...
昨天我們讓系統具備了「會查條文、會記得你說過什麼」的能力，但這些功能仍然是人工判斷。今天要邁向真正的「Agent」：讓模型自己看到工具列表後，決定何時使用哪個工...
昨天我們已經完成了最小可跑的版本，連結了查資料庫、組 prompt、請模型回答，我們現在要加上兩個功能也就是工具化（Tool）與記憶（Memory）。簡單說一下...
Model Context Protocol (MCP) 是由 Anthropic 於 2024 年底發起的一個開放標準，目的是讓 LLM AI 應用程式（如...
前言 在 LLM 應用蓬勃發展的時代，將大型語言模型（LLM）推向生產環境往往只是旅程的開始，而不是結束。想像一下，一個聊天機器人應用在內部測試中表現完美，但...
今天先把最小能跑的版本 MVP 做出來，後面的幾天會加入像是工具選擇、記憶、評分那些的。為了避免越做越亂，我會先把目錄的結構畫出來再開始實作。 檔案架構 檔案...
引言 當 ChatGPT 剛問世時，大家是不是都被它震驚到了？電腦居然能生成這麼自然、這麼像人講的文字！而且隨著 OpenAI 推出越來越多升級版，它似乎也變得...
之前已經有基礎了，這次要繼續延伸做下去，後面應該也會放上我比較完整的程式碼，所以如果前面的內容已經忘光光的沒有關係，我這邊應該會打算做點整理，所以程式碼後面都會...
在生成式 AI 興起的時代，function calling（函數呼叫） 成為 LLM（大型語言模型）落地應用的重要能力。不管是讓 AI 自動查天氣、叫外送，還...
前言 當企業擁抱大型語言模型（LLM）的強大能力時，隨之而來的是一系列「甜蜜的煩惱」。開發團隊可能在不同專案中使用了來自 OpenAI, Anthropic,...
在 AI Agent 開發的世界裡，選擇正確的大型語言模型（LLM）就像為不同的 Agent 選擇合適的大腦。今天，我們來談談為什麼「輕鬆切換 LLM」是一個關...
今天要說的就是 AI Agent 的核心模組，這邊主要是整理《The Landscape of Emerging AI Agent Architectures...
前言 大型語言模型（LLM）的驚人能力正在改變各行各業，但伴隨而來的安全風險也日益凸顯。從惡意使用者透過各種「越獄」（Jailbreaking）手段誘導模型產...
如果覺得文章對你有所啟發，可以考慮用 🌟 支持 Gthulhu 專案，短期目標是集齊 300 個 🌟 藉此被 CNCF Landscape 採納 [ref]。...
EN
‧
2025-10-06
🔹 前言 昨天我們談到 延遲、Token 與成本 的監控，確保系統「跑得快、花得省」。 但如果模型輸出的答案是錯的呢？ 👉 在 LLM 應用中，Hallucin...
在前面我們介紹了 RAG 與 RAGAS，這些方法主要是解決 『如何讓 LLM 回答得更正確』 的問題。但隨著應用需求不斷升級，其實不少學者也開始思考：如果我們...
今天要來看另一種相對穩定且簡單的多 Agent 的類型，Concurrent Orchestration 一種「多位專家代理同時平行協作」的多代理協作模式。Co...
前言 在 LLM 應用從小規模 PoC 走向生產環境的過程中，AI Gateway 不再只是簡單的 API 轉發器，它已經演變為關鍵的「AI 控制平面」。 選...
今天要來看另一種多 Agent 的應用，Magentic Orchestration 是一種「由一位 Magentic Manager 依情境動態指派、協調多位...
前言 大型語言模型（LLM）的浪潮正以前所未有的速度席捲各行各業。從 OpenAI 的 GPT 系列、Anthropic 的 Claude，到 Google...
在前 16 天，我們已經把 Notion 筆記一路轉換：從 JSON → SQLite → Chunking → Embedding → Chroma DB，建...
當前，人工智慧的發展已經進入一個新紀元。從 OpenAI、Google 到 Anthropic，各大巨頭皆有能力開發出執行深度研究、編寫程式碼 (IDE) 或...
今天要來看另一種多 Agent 的應用場景：群組討論。這種情境下，會有多個 Agent，每個 Agent 可能扮演不同的角色，進行群組討論，並且需要協同工作來完...
前面指標能介紹的都介紹完了，今天就開始我們的實作吧！要複習的話可以參考前幾天的內容，就讓我們開始ㄅ～ 1. 安裝環境這邊我們使用 Ollama + Mistr...
前言 在建構基於大型語言模型（LLM）的智能助手時，系統需要處理從簡單問答到複雜的 Agent 工作流（如多步驟推理、工具調用和跨代理協作）等不同任務。隨著系...
昨天介紹了 RAGAs 當中的核心指標了，今天是主要討論跟總結。其實昨天只提到了最主要的核心部分，不過還有很多可以去仔細翻閱查看，這邊就留給大家學習了，絕對不是...
今天的範例同樣以 SequentialOrchestration 為主題，但這次我們將應用在 合約內容審查 上。合約是許多企業日常運營中不可或缺的一部分，確保合...
前面有介紹過一些傳統的指標像是精確率、召回率那些，不過那些指標都不能完整的反應 RAG 的效能，因為 RAG 的系統同時會牽涉到「檢索」與「生成」兩個部分，所以...
今天只負責總結內容噢！如果需要看更詳細的內容就請回顧下面這兩天的： Day 15｜RAG 評估指南（1/2）：檢索指標（上） Day 16｜RAG 評估...
在前一篇文章中，我們介紹了如何使用 Semantic Kernel 的 HandoffOrchestration 編排系統來管理多個代理人之間的協作與任務轉移。...
otterday
Ian
mikehsu0618
張美珠
Hazel
Nikki Chen
iThome鐵人賽
看影片追技術