以「能上線」為目標的 30 篇實作型心得:從基礎讀書筆記出發,系統化整理 LangChain 與 LangSmith 的實戰做法,並評測/整合 Agent 工具的評估。
專案啟動:Agents相關研究30天計畫 歡迎來到這個為期 30 天的實戰計畫!目標是從零開始,打造一個功能強大的「多模態記憶型 Agent」。這個 Agent...
目標先講清楚: 我要做一個「能看圖、會記憶」的智慧助理。 Input:語音/文字/圖片;Output:文字/語音。 並且要能即時互動(real-time)。...
目標先講清楚:把 Day 2 的即時語音助理升級為「能看圖、會看鏡頭」的 Vision Agent。Input:語音/文字/圖片/視訊;Output:文字/語...
目標先講清楚:我要把既有的 LiveKit 語音代理,改成用 LangGraph 當「大腦」。核心變更:把 vision_agent 的 LLM 換成 Lan...
目標先講清楚:剛好今天去參加GDG的活動,因此改分享演講的內容;主題包含:Prompt 驅動的程式開發、Google ADK 打造 Agent、Firebas...
目標先講清楚:這篇聚焦 LangSmith 設定與使用體感;同場加映兩個開源替代(Langfuse、OpenLIT)與 LiveKit Dashboard 的...
目標先講清楚:我要把接下來的 Agent 開發路線與工作流寫清楚,並回答一個常見問題:既然 LLM 有長上下文(long context),為什麼還要拆成多個...
目標先講清楚:結構化輸出(Structured Output)在 Agent 開發裡相關的框架。 為什麼要結構化輸出? 當任務被拆成多個節點(或多個子代理...
目標先講清楚:除了 Pydantic model,當結構較複雜時,建議把 輸出結構與檢核邏輯寫進 prompt(meta‑prompting),並以 anal...
目標先講清楚:當任務變複雜,長而清楚的結構化提示比「一句話魔法」更重要。本文整理 Claude Code 與社群最佳實務(含 parahelp、LangCha...