iT 邦幫忙::一起幫忙解決難題，拯救 IT 人的一天

0 Like 0 留言 173 瀏覽

鐵人賽 AI & Data DAY 13

RAG × Agent：從知識檢索到智慧應用的30天挑戰系列第 13 篇

技術 Day 13｜實戰 Generation Pipeline：Chroma 檢索 × Ollama 生成的完整流程

今天要實作的內容是 Generation pipeline 的部分，就是怎麼將提問跟 RAG 檢索到的資料全部丟到 LLM 給他做回應。因為這邊後面的實作內容...

otterday ‧ 2025-09-27

0 Like 0 留言 217 瀏覽

鐵人賽生成式 AI DAY 12

當 .NET 遇見 AI Agents：用 Semantic Kernel × MCP 打造智慧協作應用系列第 12 篇

技術 Day 12 : Semantic Kernel Single Agent 實戰 - 多工具的OfficeOne Agent

這篇我們要來做一個基於 Single Agent 變化的 AI Agent 範例——「OfficeOne Agent」，這個助理可以根據使用者的需求，使用最合適...

Ian ‧ 2025-09-26

0 Like 0 留言 401 瀏覽

鐵人賽 AI & Data DAY 24

感知你的動作與情緒：深度學習在人機互動的應用系列第 24 篇

技術 Day 24 | ChatGPT × HCI：語言模型作為 UX 助理

前言到目前為止，我們已經把「感知 → 融合 → 狀態 → 回饋」跑起來了；今天轉向人機互動（HCI）本身：當 ChatGPT 這類大型語言模型（LLM）變...

minsnow ‧ 2025-09-26

1 Like 0 留言 299 瀏覽

鐵人賽 DevOps DAY 12

初探 LLM 可觀測性：打造可持續擴展的 AI 系統系列第 12 篇

技術【Day 12】打造企業級 AI Agent：認識 Agent 框架與選用指南

概述在上一篇文張中，我們透過 Google Agent 白皮書確立了一個核心共識：AI 應用的未來屬於能夠感知、思考、採取行動的智能代理（Agent）。而一...

mikehsu0618 ‧ 2025-09-26

1 Like 0 留言 82 瀏覽

鐵人賽 Mobile Development DAY 30

Mobile Dev｜日更靈感來源 App：Flutter × LLM × n8n，每天只推 3 則！系列第 30 篇

技術【30 天做一個極簡App】鐵人賽完賽心得、專案回顧與未來展望

終於寫到Day 30了～在過去寫文章的日子裡，從一個模糊的想法開始，透過每天的持續推進，一手打造出橫跨前後端、整合了LLM人工智慧、具備雲端同步與雙平台上架能力...

Sonia ‧ 2025-09-30 ‧團隊熊熊嗚好！

0 Like 0 留言 197 瀏覽

鐵人賽 AI & Data DAY 12

RAG × Agent：從知識檢索到智慧應用的30天挑戰系列第 12 篇

技術 Day 12｜實戰向量資料庫：用 ChromaDB 查詢法規內容

昨天已經教學大家要怎麼做 Chunking 了，今天就是要教學如何把它放進一個可以用來查詢的資料庫，這邊我們也會試著提問，看產出。雖然我昨天的教學只有教你怎麼切...

otterday ‧ 2025-09-26

0 Like 0 留言 173 瀏覽

鐵人賽 AI & Data DAY 11

RAG × Agent：從知識檢索到智慧應用的30天挑戰系列第 11 篇

技術 Day 11｜實戰 Chunking：從《資通安全管理法》學習切分技巧

今天就開始我們的實作，這次我取用的資料是資通安全管理法，這邊可以直接點擊網站下載。 1. 取得文件內的文字要處理這個文件前，要先取得這個檔案的內容。 # 要先安...

otterday ‧ 2025-09-25

2 Like 0 留言 186 瀏覽

鐵人賽 DevOps DAY 11

初探 LLM 可觀測性：打造可持續擴展的 AI 系統系列第 11 篇

技術【Day 11】從玩具到工具：了解生產級 LLM Agent 下的冰山

前言許多開發者初次接觸 AI Agent，會被 ReAct (Reasoning and Acting) 框架的簡潔與強大所吸引，並迅速用幾十行程式碼實現一...

mikehsu0618 ‧ 2025-09-25

0 Like 0 留言 202 瀏覽

鐵人賽生成式 AI DAY 11

當 .NET 遇見 AI Agents：用 Semantic Kernel × MCP 打造智慧協作應用系列第 11 篇

技術 Day 11: Semantic Kernel Single Agent 實戰 - 銀行匯款 Agent

這篇我們要來做一個實用又貼近生活的 AI Agent 範例——「銀行匯款 Agent」。這個助理的任務很單純，就是幫我們完成一筆台幣（TWD）的國內匯款資料蒐...

Ian ‧ 2025-09-25

0 Like 0 留言 242 瀏覽

鐵人賽生成式 AI DAY 10

當 .NET 遇見 AI Agents：用 Semantic Kernel × MCP 打造智慧協作應用系列第 10 篇

技術 Day 10：來了!! Single Agent 實戰 - 對帳稽核 Agent

延續上一篇文章，本篇將來實作一個 Single Agent 範例，目標是打造一個「應付帳款三方對帳（PO／收貨單／發票）稽核 Agent」，流程是把「採購單（P...

Ian ‧ 2025-09-24

2 Like 0 留言 225 瀏覽

鐵人賽 DevOps DAY 10

初探 LLM 可觀測性：打造可持續擴展的 AI 系統系列第 10 篇

技術【Day 10】LLM 的「工具」思維：用 Function Calling 讓你秒懂 ReAct、MCP 與 A2A

前言在先前關於 Google Agent 白皮書的探討中，我們觸及了一個核心觀點：一個大型語言模型（LLM）之所以能被稱為「Agent」（代理人），其關鍵區...

mikehsu0618 ‧ 2025-09-24

0 Like 0 留言 205 瀏覽

鐵人賽生成式 AI DAY 9

當 .NET 遇見 AI Agents：用 Semantic Kernel × MCP 打造智慧協作應用系列第 9 篇

技術 Day 9: 什麼!!多了一個 Semantic Kernel Agent Framework

透過前面幾篇文章的內容，對 Semantic Kernel 有了基本的認識，包含模型的連結、Prompt 的設計、plugin 的建立與使用、甚至加入短期記憶(...

Ian ‧ 2025-09-23

1 Like 0 留言 169 瀏覽

鐵人賽 DevOps DAY 9

初探 LLM 可觀測性：打造可持續擴展的 AI 系統系列第 9 篇

技術【Day 9】LLM 應用入門：你的 LLM 應用是 Model-based 還是 Agent-based？

概述在過去短短兩年裡，大型語言模型（LLM）應用經歷了一場驚人的蛻變。我們從驚嘆於 ChatGPT 能寫詩作對、回答知識性問題的「聊天機器人」時代，迅速躍遷...

mikehsu0618 ‧ 2025-09-23

0 Like 0 留言 217 瀏覽

鐵人賽 AI & Data DAY 10

RAG × Agent：從知識檢索到智慧應用的30天挑戰系列第 10 篇

技術 Day 10｜小總結 & 實作規劃——我的第一個 RAG Pipeline 要長什麼樣？

新來的朋友，建議可以先回顧前幾天的文章，之前已經分別聊過 RAG 的兩大流程： Indexing pipeline：資料怎麼被處理、切割、轉換成向量，最後存進...

otterday ‧ 2025-09-24

0 Like 0 留言 307 瀏覽

鐵人賽生成式 AI DAY 8

當 .NET 遇見 AI Agents：用 Semantic Kernel × MCP 打造智慧協作應用系列第 8 篇

技術 Day 8: Single-Agent vs Multi-Agent 架構的選擇指南

上一篇討論了 Semantic Kernel Plugins 的複雜參數支援，今天我們來探討另一個重要議題：在設計 AI Agent 系統時，應該選擇 Sing...

Ian ‧ 2025-09-22

0 Like 0 留言 125 瀏覽

鐵人賽 AI & Data DAY 9

RAG × Agent：從知識檢索到智慧應用的30天挑戰系列第 9 篇

技術 Day 9｜Prompt Engineering——設計好問題，AI 才能給好答案

延續 Day 7｜Generation pipeline：AI 如何把知識取出來用的內容，這邊要講到 Prompt Engineering，這邊會很重要的原因...

otterday ‧ 2025-09-23

1 Like 0 留言 237 瀏覽

鐵人賽 DevOps DAY 8

初探 LLM 可觀測性：打造可持續擴展的 AI 系統系列第 8 篇

技術【Day 8】探討 Prompt 的生命週期：從版控、測試到部署

概述在上一篇文章中，我們達成了一個重要的共識：Prompt 不僅是與 AI 的對話，它更是需要用工程紀律來嚴謹對待的 API 請求。我們也意識到，由多個 P...

mikehsu0618 ‧ 2025-09-22

0 Like 0 留言 176 瀏覽

鐵人賽 AI & Data DAY 8

RAG × Agent：從知識檢索到智慧應用的30天挑戰系列第 8 篇

技術 Day 8｜檢索方式——AI 應該怎麼樣選擇「誰來幫它找資料」呢？

在 Day 7｜Generation pipeline：AI 如何把知識取出來用有說到檢索方式其實有很多種，今天就來介紹幾種常見的檢索方式。 1. TF-...

otterday ‧ 2025-09-22

0 Like 0 留言 292 瀏覽

鐵人賽 Software Development DAY 22

在 Neovim 中探索 Fennel 與函數式編程系列第 22 篇

技術專案研討—WebSocket

前一篇在開發 Conjure Piglet Client 時，提到了第三方函式庫 WebSocket 。我一開始還一度天真地以為，我只要找一些 Neovim p...

Laurence Chen ‧ 2025-09-22

0 Like 0 留言 149 瀏覽

鐵人賽 AI & Data DAY 7

RAG × Agent：從知識檢索到智慧應用的30天挑戰系列第 7 篇

技術 Day 7｜Generation pipeline：AI 如何把知識取出來用

之前我們已經討論過 Indexing pipeline 是怎麼把知識存進去，現在就要來看 Generation pipeline 如何把知識「取出來用」。這邊可...

otterday ‧ 2025-09-21

0 Like 0 留言 213 瀏覽

鐵人賽生成式 AI DAY 7

當 .NET 遇見 AI Agents：用 Semantic Kernel × MCP 打造智慧協作應用系列第 7 篇

技術 Day 7: Semantic Kernel Plugins 複雜性參數支援度

在前面幾天的內容中，探討了 Function Calling 的基本概念，也實作了簡單的 Plugin 來讓 AI Agent 具備調用工具的能力。但隨著業務需...

Ian ‧ 2025-09-21

1 Like 0 留言 333 瀏覽

鐵人賽 DevOps DAY 7

初探 LLM 可觀測性：打造可持續擴展的 AI 系統系列第 7 篇

技術【Day 7】探討 Prompt Engineering：LLM 的入門磚

概述在先前的章節中，我們已經深入探討了大型語言模型（LLM）在可觀測性領域中的定位與重要性。我們認識到：LLM 可觀測性的核心，在於如何評估其輸出的不確定性...

mikehsu0618 ‧ 2025-09-21

0 Like 0 留言 225 瀏覽

鐵人賽生成式 AI DAY 6

當 .NET 遇見 AI Agents：用 Semantic Kernel × MCP 打造智慧協作應用系列第 6 篇

技術 Day 6: Semantic Kernel Function Choice Behavior 深度解析：精確控制 AI Agent 的函式呼叫行為

上一篇的內容提到如何撰寫與掛載 Plugins（Tools）到 Semantic Kernel 中，除了 Plugins（Tools）的設計與實作之外，控制...

Ian ‧ 2025-09-20

1 Like 0 留言 168 瀏覽

鐵人賽 DevOps DAY 6

初探 LLM 可觀測性：打造可持續擴展的 AI 系統系列第 6 篇

技術【Day 6】OpenTelemetry 對於 LLM 可觀測性的重要性

概述在上一篇文章中，我們深入探討了 LLM 應用的獨特性。它是一個機率性的、以語義為核心的「黑盒子」。我們意識到，傳統的監控手段已無法應對其在遙測、輸出、成...

mikehsu0618 ‧ 2025-09-20

0 Like 0 留言 109 瀏覽

鐵人賽 AI & Data DAY 6

RAG × Agent：從知識檢索到智慧應用的30天挑戰系列第 6 篇

技術 Day 6｜只是存資料？——向量資料庫比你想的還厲害

新來的朋友，一樣先建議先回顧先前的文章，才會比較明白整個 Indexing pipeline 的流程以及這章是在哪個環節噢！文章在這：Day 3｜Indexin...

otterday ‧ 2025-09-20

1 Like 0 留言 216 瀏覽

鐵人賽 DevOps DAY 5

初探 LLM 可觀測性：打造可持續擴展的 AI 系統系列第 5 篇

技術【Day 5】認識 LLM 可觀測性：迎接挑戰的第一課

概述在過去幾篇文章中，我們從傳統監控一路聊到「可觀測性 2.0」，並探討了為何像 ClickHouse 這樣的 OLAP 資料庫會成為新時代的基石。這一切的...

mikehsu0618 ‧ 2025-09-19

0 Like 0 留言 235 瀏覽

鐵人賽生成式 AI DAY 5

當 .NET 遇見 AI Agents：用 Semantic Kernel × MCP 打造智慧協作應用系列第 5 篇

技術 Day 5: Semantic Kernel 實戰：詳解 Tools 的撰寫與掛載技巧

延續昨天的 AI Agent Tools 設計原則，今天將透過實際的程式碼範例深入實作層面，介紹如何使用 Semantic Kernel 撰寫 Tools（工具...

Ian ‧ 2025-09-19

0 Like 0 留言 85 瀏覽

鐵人賽 AI & Data DAY 5

RAG × Agent：從知識檢索到智慧應用的30天挑戰系列第 5 篇

技術 Day 5｜射箭還是量尺？——AI 如何判斷文字的相似度

怕大家突然看到這篇會不知道為什麼跳到這部分，如果是新來的朋友想了解詳細流程，可以先回顧我之前第三天的文章：Day 3｜Indexing pipeline：如何為...

otterday ‧ 2025-09-19

0 Like 0 留言 279 瀏覽

鐵人賽生成式 AI DAY 4

當 .NET 遇見 AI Agents：用 Semantic Kernel × MCP 打造智慧協作應用系列第 4 篇

技術 Day 4: 從 Anthropic 經驗看 AI Agent 的 Tools 設計與挑戰

在前兩天的內容中，探討了 AI Agent 的概念以及 Semantic Kernel 的 Function Calling 機制，並且討論了並非所有 LLM...

Ian ‧ 2025-09-18

0 Like 0 留言 162 瀏覽

鐵人賽 AI & Data DAY 4

RAG × Agent：從知識檢索到智慧應用的30天挑戰系列第 4 篇

技術 Day 4｜Embedding 是什麼？——如何把文字變成數字空間

昨天把 Indexing pipeline 跑過一遍：從資料載入、Chunking、Embeddings，到向量資料庫。要讓 RAG 找到「對的內容」，關鍵在第...

otterday ‧ 2025-09-18