鐵人檔案
在生成式 AI 的浪潮下，各式 LLM 應用迅速湧現，JavaScript／Node.js 雖在 Web 領域已相當成熟，但針對 AI 應用的實戰分享仍相對有限。身為長期深耕 JS 生態圈的開發者，我希望藉由熟悉的技術工具，實現更多生成式 AI 應用的可能性。
本系列將以 Node.js 打造生成式 AI 應用為主軸，從 OpenAI API 入門，逐步深入 Prompt 提示工程、LangChain 核心功能與 RAG 技術實作，並透過 LangGraph 建構 AI Agent，最終探討本地模型部署。透過完整的實戰範例，協助開發者快速掌握 AI 工具鏈，打造靈活且可擴展的智慧應用。
在前幾篇文章中，我們學會了如何使用 LangChain 串接模型、設計提示模板與控制回應格式，這些功能在單一輸入輸出邏輯下已經很強大，但若想要組合多個處理步驟，...
經過前幾篇內容，我們已經學會如何利用 LangChain 串接模型、設計提示模板、控制輸出格式，甚至能透過 LCEL 將多個步驟組合成流程。不過，僅依靠 LLM...
到目前為止，我們已經學會了如何在 LangChain 中進行提示設計、輸出解析、流程控制，以及工具調用等核心技巧。當這些功能能夠靈活組合時，AI 就不再只是回答...
昨天我們完成了一個相對完整的 LangChain 實戰案例，也更深刻地體會到在開發 LLM 應用時，程式執行結果往往不是單一步驟的產物，而是由多個提示詞、工具、...
過去兩週，我們從 OpenAI API 基礎起步，學會在 Node.js 中串接 GPT 模型，並運用 LangChain 框架打造更靈活的 AI 應用流程。然...
昨天我們初步認識了 RAG 的基本概念，而在實際應用中，第一步就是將外部資料整理成 AI 能理解與處理的形式。無論是 PDF、Markdown 還是 HTML，...
昨天我們已經學會如何將外部文件載入並進行分割，讓長篇內容被拆解成適合處理的小片段。今天要更進一步，透過 嵌入模型（Embedding Model） 將這些片段轉...
在前幾篇文章中，我們已經學會了如何載入資料、分割文件、建立向量資料庫，並透過相似度搜尋找出最相關的內容。不過，這些檢索流程目前仍是各自獨立的操作，尚未真正融入到...
經過前幾天的學習，我們已經完成了 RAG 系統的核心模組：文件載入與分割、嵌入模型、向量資料庫，以及透過 Retriever 封裝檢索邏輯。今天，我們要進行一次...
在前面的實作中，我們多半以 提示工程（Prompt Engineering） 為核心：撰寫 prompt、送入 LLM 取得回應，再將結果整合到應用服務中。這種...
