鐵人檔案
1. 量化 (Quantization)：模型的記憶體壓縮術 加速與最佳化是 LLM 投入生產環境的工程核心。當模型參數達到數十億甚至數千億時，我們必須透過技術...
Day 22：綜合回顧 — 串聯 LLM 的訓練與推論 本回顧將專注於 LLM 的核心：Transformer 架構，以及它如何完成從學習到應用的整個生命週期。...
Day 23：專案初始化與資料收集 一、學習目標與任務定義 本日學習重點在於為 FAQ 智能客服系統建立初始環境與知識資料庫，為後續的 RAG 系統開發奠定基礎...
Day 24：建立知識向量資料庫 (Knowledge Vector Database) 一、學習目標與任務定義 本日學習的核心目標是為 RAG 系統建立檢索基...
一、學習目標與 RAG 核心概念 本日是 FAQ Chatbot 專案的關鍵階段，目標是將 Day 24 建立的 FAISS 向量資料庫與 LLM 生成模型結合...
Day 26：前端互動介面（Gradio 部署實戰） 一、學習目標與前端工具選型 本日目標是為先前完成的 RAG 核心模型建立一個可互動的 Web Chatbo...
一、學習目標與工程實現 本日目標是將 Day 24 產生的知識向量資料庫（持久化資料）載入，並使用 Gradio 建立一個可互動的 Web Chatbot。...
Day 28 報告：RAG 系統優化與安全回答邏輯實作 一、優化目標與系統架構進化 本日核心目標是在 Day 26 的基礎上，強化 RAG 系統的魯棒性 (Ro...
Day 29 報告：RAG 智能客服最終整合與功能擴充 一、最終整合目標與系統架構 本次實作是 RAG Chatbot 專案的最終版本，旨在整合所有先進功能，包...
Day 30 總結報告：RAG 智能客服專案回顧與技術掌握 一、專案背景與整體目標 本專案圍繞「校園 FAQ 智慧客服」主題展開，目標是建立一個具備語義理解、精...
