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。
昨天我們認識了 AI Agent 的基本概念:一個能夠自主規劃與決策的系統,不再只是單純「你問我答」的 LLM 應用。那麼要如何落地實作一個 Agent 呢?這...
在前一篇文章中,我們已經學會如何用 LangGraph 建立基本的 AI Agent 流程。今天,我們要更進一步,介紹一個經典的 Agent 設計模式:ReAc...
在前幾篇文章中,我們已經學會如何使用 LangGraph 建立單一 Agent,並讓它能夠依循 ReAct 模式進行推理與行動。不過在更複雜的應用場景裡,一個...
在前一篇文章中,我們介紹了如何設計 多代理系統,讓不同的 Agent 各自專精於任務並協同合作。然而,在實際應用中,僅依賴全自動化流程往往難以應付所有情境。當任...
在前一篇文章中,我們探討了如何實現人機協作功能,其中 Checkpointer 扮演了關鍵角色,讓流程在中斷後能夠順利恢復。換句話說,它提供了一種 短期記憶 功...
前幾篇我們談到 AI Agent 在 LangGraph 中的決策、協作與記憶管理能力,但如果 Agent 永遠只能在封閉環境內工作,它的價值就會受到限制。真正...
經過前幾天的學習,我們已經掌握了 LangGraph 的基本操作、Agent 設計模式、人機協作流程,以及 MCP 工具的整合方法。今天,我們要把這些技術整合起...
在前面的文章中,我們大多依靠雲端的 OpenAI API 來開發應用,享受隨時更新與高效能運算的便利。不過,雲端並不是唯一的選擇。越來越多開發者與企業開始嘗試在...
在前一天的內容中,我們討論了為什麼要在自己的機器上部署 LLM,並且了解了開源模型在隱私、成本與自主性上的優勢。今天的主題將聚焦在 Ollama —— 一個近年...
在本系列中,我們已經嘗試過使用 OpenAI API 的雲端模型,以及透過 Ollama 建立本地模型服務。這兩種方式各有優缺點:雲端模型能夠隨時更新、效能穩定...