鐵人檔案
這系列文章帶讀者學會開發 AI Agent，並掌握讓它穩定運作的核心方法。全系列將使用 Python 與
LangGraph，以具體程式碼帶你逐步建構，並學會「語意理解」與「流程控制」的職責分離，來達到約束模型隨機性、確保系統行為安全可控的目標。
在 Web 系統中，使用者輸入只會被程式碼當成資料處理，後端透過嚴格的 API 驗證與權限控制來防守。但在 AI Agent 架構中，LLM 扮演了核心調度者的...
在常見的工具呼叫模式中，任務往往是一問一答：使用者提出明確問題，模型呼叫一次工具取得資料，接著直接回答結束流程。如果任務需要的資料一開始就能確定，系統的控制流就...
在上一篇中，我們用 MessagesState 與 tools_condition 建立了最基本的 Agent Loop。如下圖所示，通報輸入後，模型決策節點根...
在前面幾篇的探討中，我們確立了高可靠 Agent 系統的核心觀念：「職責分離（AI 做 vs. 程式做）」——讓 AI 專注於非結構化語意理解，而由確定性的程式...
當 Agent 在每次請求中都需要帶上大量固定的背景資訊時，Prompt Caching 能讓模型服務商重用這段文字的中間運算結果，大幅降低重複輸入的 Toke...
我們在之前的 讓 LangGraph Agent 使用工具查詢外部資料 這篇的 Tool 是用 @tool 寫在 Agent 專案裡的 Python 函式，執行...
當顧客詢問「已拆封的藍牙耳機可以退貨嗎？」時，最直覺的處理方式不是讓語言模型憑著記憶直接作答，而是讓系統在回答前先去「查詢」商城的退換貨規章。 這類退換貨政策屬...
上一篇把退貨政策包裝成 @tool，建立了標準 RAG 的固定管線：問題轉成 embedding、執行向量搜尋、取回 top-k 片段放進 context，再由...
向量 RAG 依賴問題與文字片段之間的語意相似度。當推導答案需要跨越多份文件，且中繼段落與問題用詞沒有交集時，向量檢索往往會遺漏關鍵事實，導致模型無法得出結論。...
前幾篇用 RAG 與 GraphRAG，讓模型從非結構化文件裡檢索退貨規定、跨文件關聯這類語意資訊。但客服系統經常也要碰觸另一種資料——像訂單狀態這種存在關聯式...
