近來 Agentic AI 的突破一再超乎我們的想像,也一步步更貼近「我們想像中的 AI」。它不再只是被動回答,而是逐漸展現自主規劃、行動與協作的能力。
本系列將以學習與探索為出發點,理解 Agentic AI 與過往被動式 AI 的差異,並思考在不調整模型的前提下,如何讓系統具備更強的推理與行動力。
過程將循序漸進地挖掘推理、工具使用、反思、多代理協作等關鍵能力,並結合 LangChain、LangGraph、MCP、n8n 等實用技術,將零散功能串聯為系統化應用,讓 AI 從對話助理進化為協作夥伴,並能共組團隊,一同想辦法解決問題、持續進步,探索 AI 的新篇章。
前言:啟程的契機 今年七月,我有幸前往 維也納 參加 NLP 領域的頂級研討會 ACL 2025。但時程非常緊湊:畢業口試一結束,隔天一早就要搭機前往歐洲。當時...
前言:旅行中的「分工角色」 還記得 昨天 (Day 1) 提到的「旅行規劃 Agent」嗎? 如果把一次完整的旅行想像成一個專案,就會發現光靠一個人其實很難處理...
前言:旅行的「智慧助手」 想像你正在異地旅行。早上原本要去戶外景點,但一出門發現下雨,整個計畫被打亂。如果此時有個智慧助手,它能即時查天氣、重新規劃路線,甚至找...
前言:旅行預算的「暗算題」 想像你請旅行規劃 Agent 幫你安排行程,條件是: 三天行程 預算 300 歐 含交通、門票、餐飲 結果它回了一份看起來很漂亮...
前言:為什麼需要 RAG? 昨天 (Day 4) 我們讓 LLM 學會了逐步推理(CoT),避免它「一閃而過」直接給出錯誤答案。但還有另一種常見風險:幻覺與過時...
前言:為什麼需要工具? 昨天 (Day 5),我們透過 RAG 讓 LLM 不再只憑記憶或幻覺,而是能「開書考」,從文件或網路找到依據,再生成答案。但即使如此,...
前言:從會「做事」到會「安排事」 在 昨天 (Day 6) 我們讓 LLM 學會使用工具,能查天氣、看文件、甚至寄出 email。 這樣的 AI 已經會「動手」...
前言:從「先規劃」到「邊查邊做」 昨天 (Day 7) 我們介紹了 Planning Pattern:AI 會先生成一份完整的計劃,再依序執行。這種模式雖然條理...
前言:從「臨機應變」到「學會改進」 在 昨天 (Day 8),我們介紹了 ReAct Pattern:AI 能邊思考邊行動,像個導遊一樣在旅程中隨機應變。例如旅...
前言:從反思到記憶 在 昨天 (Day 9),我們看到 Reflection Pattern 如何讓 AI 事後檢討與修正。AI 能反思「景點時間太長 → 超時...