鐵人檔案
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！
I. 前言：為什麼要為失敗保留一整天 在規劃這個 30 天系列時，這一天的位置是刻意安排的。 從訓練到最後的驗收，文章能不能順利產出，取決於一件我無法完全控制...
I. 前言：訓練完成，離「能用」還有三步 昨天處理完踩坑與二次訓練，手上有了一個 loss 收斂、快測結果合理的 LoRA Adapter。 但那個 Adap...
I. 前言：唯一的變數應該只有模型本身 從 Day 1 開始鋪陳的所有工作，都是為了今天這一步：在完全相同的條件下，量出微調前後的真實差距。 這件事的難處不在...
I. 前言：驗收完了，現在來拆 昨天完成了三方對決，數字有了。今天要做一件看起來有點多餘、但其實是整個系列最重要的驗證之一：把 Google ADK 整個拿掉...
I. 前言：一個 for 迴圈解決得了的事 昨天把框架拿掉，用八十行原生 Python 跑通了整個 Agent Loop，也算出了自架與商業 API 的損益平...
I. 前言：模式解決的是「不要全塞進一個 Prompt」 昨天釐清了什麼時候該用 Agent。今天處理下一個問題：確定要用 Agent 之後，內部該怎麼組織？...
I. 前言：不安感通常來自詞彙，而不是技術 談 Agent 的時候，充斥著「自主推理」「感知環境」「自我反思」這類詞彙。它們很生動，但對一個寫了十幾年程式的工...
I. 前言：測試環境重跑一次就好，生產環境不行 昨天把 Agent 的概念翻譯回工程語言，其中最關鍵的一句是：dispatch 變成機率性的。 在測試環境裡，...
I. 前言：這 28 天其實是一條產線的原型 回頭看這 28 天做的事，有一個結構相當清楚： Day 11 記錄軌跡 → 原料 Day 13 評...
I. 前言：回到 Day 1 的那個承諾 30 天前，第一篇文章寫下的目標是： 打造一個原生擅長操作特定工具的專屬 AI 模型，並且用數據證明它比通用模型強...
