鐵人檔案
Data Machi 是一套以企業實際應用為主軸的 30 天學習系列。我們會從最基本的 Chat 開始，一步步加入企業文件與 RAG、即時資料與 Tool Use、Agent 決策能力，以及 LangGraph Workflow，最後處理權限、安全性、錯誤處理與雲端部署，將 AI 從一個 Demo 逐步變成真正可以運作的產品。
前四天我們已經拆解檢索增強生成（RAG）的原理：文件需要先解析、切割、向量化，再透過搜尋把真正相關的內容交給模型。今天不再停留在概念，而是把這條流程真正接起來。...
當完成第一個 PDF 檢索增強生成（RAG）之後，很容易產生一個期待：只要把公司資料都放進知識庫，AI 是不是就能回答所有問題？這個想法看起來很合理，但真正放進...
上一篇我們談到檢索增強生成（RAG）的能力邊界。RAG 可以讓 AI 從企業文件中找到知識，但如果我們希望它取得即時數字、查詢專案狀態，甚至進一步執行某個動作，...
前兩天我們已經把檢索增強生成（RAG）與工具使用（Tool Use）的邊界講清楚：文件適合尋找「已經存在的知識」，但精確數字、最新狀態與計算結果，應該直接從結構...
做到 Day 13，我們已經有兩種完全不同的資料取得方式：PDF 檢索增強生成（RAG）負責尋找文件知識，Google Sheets Data Tool 則負...
前一天我們畫出了企業知識地圖（Knowledge Map），知道不同資訊應該去哪一個 Source of Truth 取得。今天開始面對真正的跨來源問題，這也是...
昨天我們已經完成第一個跨來源流程：先查 Google Sheets，再根據結果查詢文件。這套流程可以正常運作，但它有一個很明顯的限制——所有步驟都是我們事先寫好...
昨天我們說到，代理（Agent）和固定工具使用（Tool Use）最大的差別，是 Agent 不只會選擇工具，還會根據工具回傳的中間結果重新判斷下一步。今天要介...
當系統只有兩三個工具時，最直覺的設計通常是先做一個 Router：看到數據問題就送到 Google Sheets，看到文件問題就送到 RAG，看到專案問題就送到...
前面我們已經建立 Google Sheets Tool、PDF RAG，也理解 Router 和 Coordinator 的差異。今天要把這些能力真正收進同一個...
