從 MCP 到專屬 Agentic 模型：30 天走完一條可評測、可微調、可自架的 AI Agent 模型與服務製作流程 系列

大家可以試想一件事情：Agent 製作時，Prompt 調到極限之後呢？當工具的使用慣例無法用 JSON Schema 表達、只能寫在自然語言裡，除了反覆調 Prompt，還有什麼別的辦法？

預期作法是把「工具內化進權重」完整走一遍：先用 MCP 打造一組請假系統工具，部署到 Google Cloud Run；用 Google ADK 接上 Agent 之後，開始觀察哪裡可能會犯錯；用評測把錯誤率量化、把高分維持、低分修正答案，萃取成訓練資料，並且微調成一個小模型、用 vLLM 自架，最後回到評測做模型前後對比。

期待可以讓大家看到 Prompt 和 RAG 之外的另一條路！