鐵人檔案
隨著 LLM 快速發展，身為剛入行不久的junior，深刻體會到AI專案開發迭代的速度。 回顧這幾年，從2022年各自摸索模型訓練、進展到基於成熟開源模型的微調...
昨天我們聊到了現代AI開發的典範轉移——從訓練、微調，演進到了如今以「工作流」為核心的時代 既然要談工作流，整個Agent系統與LLM互動的最前端輸入，就是 P...
在昨天的文章中，我們建立了Prompt Engineering的核心心法——它不是聊天玄學，而是透過明確邊界與規則來「收斂模型輸出的機率分佈」 然而，在實際開發...
在前面兩天，我們探討了Prompt Engineering如何幫模型建立規則邊界，以及如何在程式碼中管理模板 但隨著Agent開發走向深水區，你很快會發現光把P...
在昨天的文章中，我們拆解了 Context Engineering 的核心我們知道Agent的上下文不該被動堆疊，而需要透過一套動態機制進行調度 今天我們進入實...
在前面幾天，我們探討了Prompt的邊界設定，以及如何透過Context Engineering（Write、Select、Compress、Isolate）精...
在昨天的文章中，我們探討了Structured Output Engineering的核心本質——透過約束解碼與Schema約束，將LLM原生發散的文字輸出收斂...
在前面的章節中，我們學會了如何透過Prompt與Context精準控制模型的輸入，並利用Structured Output確保模型產出100%型別安全的結構化資...
在昨天的文章中，我們建立了Tool Calling的核心認知——LLM 本身不執行程式，而是透過Tool Schema充當「決策與參數生成大腦」，再由外部Pyt...
在前面的幾天中，我們從 Prompt、Context、Structured Output 一路走到 Tool Calling。此時你可能已經可以用簡單的 whi...
