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 在 昨天 Day 20，我們讓 Agent 能同時協調多個 MCP 工具（天氣查詢與景點推薦），完成一次性推理與整合的「智慧旅遊助理」。 但現實世界的行程...
前言 在 昨天 Day 21，我們讓 Agent 學會「規劃再行動」——先制定旅遊行程，再根據實際狀況（例如景點是否營業）靈活調整。這讓 Agent 從被動執行...
前言 在 昨天 Day 22，我們透過 LangGraph 讓 Agent 的推理過程可視化，清楚看見模型如何思考、呼叫工具、以及如何逐步決策。 然而，雖然我們...
前言 在 昨天 Day 23，我們讓單一 Agent 學會了「反思」與「記憶」——它能在任務結束後回顧、修正、並保留經驗。 但在真實應用中，任務往往不止一個面向...
前言 在 昨天 Day 24，我們讓多位 Agent 學會「協作」——由 Supervisor 統籌專家團隊，讓系統能整合氣象、景點與顧問三方資訊，輸出完整的旅...
前言 在 昨天 Day 25，我們讓旅遊助理從「理解文字」進化到「理解世界」——不僅能讀取菜單、理解偏好，還能整合多位專家協作完成決策。 然而，隨著系統能力的提...
前言 在 昨天 Day 26，我們替旅遊助理加上了 Guardrails——讓系統懂得在安全邊界內行動，避免出現誤導性或不當的回應。 但現實世界的決策，並非永遠...
前言 在 昨天 Day 27，我們讓旅遊助理學會在關鍵決策前「停下腳步」。透過 Human-in-the-Loop（HITL），AI 能在行動前等待人類確認與補...
前言 走到第 29 天，這趟旅程也即將進到尾聲。 回顧過去的篇章，我們從零開始，一步步探索 Agentic AI 的核心能力，讓 LLM 學會： 推理（Rea...
前言：從一個念頭開始的長途旅程 這趟長達 30 天的探索之旅，如 Day 1 前言 所述，其實起源於我在今年七月前往 維也納 參加 ACL 2025 研討會 的...