鐵人檔案
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：一個 AI 不夠用的時候 在前幾天（CoT → RAG → Tool Use → Planning → ReAct → Reflection → Memo...
前言：從統籌到討論 在 昨天 (Day 11)，我們看到了 Supervisor（統籌型） 的 Multi-Agent 模式：Planner、Foodie、Tr...
前言 轉眼間，Agentic AI 探索之旅已經走了快一半。 回頭想想，每天要完成一篇文章真的不容易。下班後可運用的時間總是不穩定又有限，常常在身心疲憊時，只能...
前言 經過前 13 天，我們一步步讓 LLM 從單純回話工具，逐漸具備了 Agentic 的核心能力。在「旅途中繼站」回顧後，我們要開始進入實戰篇：不只是 De...
前言 在 基礎篇 Day 4 (CoT) 我們曾介紹過 Chain-of-Thought (CoT) —— 讓 LLM 把思考過程逐步寫出來，而不是直接給結論。...
前言 在 核心篇 Day 5 (RAG)，我們已經探討過 RAG（Retrieval-Augmented Generation） 的概念，並示範了最基礎的 na...
前言 在 昨天 Day 16 (RAG) 的 Demo 裡，眼尖的朋友可能會發現其實我們已經用到了一些 Tools 的概念 —— 把檢索包裝成工具，讓模型可以在...
前言 在 昨天 Day 17，我們看到如何透過 LangChain 的工具系統，把 API 真正接上來，讓 AI 不只是「回答」，而是能 實際完成任務。 不過，...
前言 在 昨天 Day 18，我們看到 MCP (Model Context Protocol) 如何把工具抽象成獨立服務，讓同一個工具能被 Claude De...
前言 在 昨天 Day 19，我們示範了 LangChain × MCP 的基礎整合：Agent 能透過 MCP 呼叫單一工具（天氣查詢），並將 API 結果轉...
