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...
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...
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(...
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...
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...
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...
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...
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...
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-...
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...
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...
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...
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...
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...
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...
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...
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...
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...
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...
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...
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...
概述 在上一篇文章中，我們探討了從傳統監控邁向『可觀測性 2.0』的關鍵轉變，其核心在於能夠應對海量、高基數的遙測資料，並進行即時的探索式分析。這對後端的資料...
哈囉鐵人們！現在此App是一個非常出色的單機版應用～它功能豐富、體驗流暢，甚至還能離線使用。但它有一個天生的「地域限制」——那就是所有的使用者資料，如那些特別收...
昨天看到 RAG 架構，今天要更深入，看看如何建立知識庫。 我們先看這張圖來逐一拆解他的步驟：來源:Build a Retrieval Augmented Ge...
前言 歡迎來到第三天！賽程雖然才剛開始，但說實在話我已經累了:P 每次參賽前我都在心裡發誓一定要有一些存稿再來參加，結果每次參賽都是裸賽當天拚生死，怪不得當初研...
在前兩天的內容中，寫了 AI Agent 的概念以及 Semantic Kernel 的 Function Calling 機制。但隨著 AI Agent 概念...
概述 天下分久必合，合久必分。軟體世界從不缺乏閃亮的新名詞，尤其在微服務與雲原生逐漸成為主流的這些年，可觀測性（Observability） 和 分佈式追蹤（...
昨天我們提到 LLM 有三個限制：資料過時、資料來源有限，以及容易產生幻覺。今天要介紹的 RAG（Retrieval-Augmented Generation）...
在聊到 AI Agent 的核心能力時，「Function Calling（功能調用）」幾乎是繞不開的一塊。這個機制讓大型語言模型（LLM）不再只是個文字生成器...
概述 多年來，IT 監控以各種方式被應用和部署。其核心目的是收集有關不只是 IT 基礎設施以及雲原生服務的硬體和軟體運作指標，確保所有關鍵功能都能順利運作，進...
Ian
mikehsu0618
otterday
Laurence Chen
Sonia
windate3411
iThome鐵人賽
看影片追技術