鐵人檔案
從生成式 AI 的基本概念開始，逐步帶大家走過環境建置、Prompt 設計、模型選擇，到最終打造出一個能解決特定場域問題的小幫手（例如：颱風防災、股市資訊、或學習輔助）。文章會包含技術講解、程式碼實作、案例分享，讓讀者 30 天後不只是懂原理，還能親手做出一個能用的 AI 工具。
昨天我們試了「直接餵資料」的方法，讓 AI 具有根據我們提供的內容回答問題的能力。不過，假設今天資料量一多的話（例如整本書、幾百篇文件），我們不可能每次都把全部...
昨天聊到 RAG，需要先「找出相關的資料」再交給 AI，但問題來了：如果一份文件很長，AI 怎麼知道哪一段才有用？這就牽涉到兩個關鍵步驟：文件切分和向量化。 文...
昨天我們聊到文件切分與向量化，但要讓小幫手真的能「記住」這些向量，就需要一個地方來存放──這就是向量資料庫。 常見的有兩種方式： pgvector：這是一個 P...
之前的幾天我們已經把基礎都準備好了：文件切分、向量化、資料庫（pgvector 或 FAISS）。今天就來拼拼圖，完成一個最小版的 RAG（Retrieval-...
我們已經有了最小版的 RAG 小幫手，但接下來要面對一個現實問題：它的答案到底靠不靠譜？ 如果沒有方法去檢查，小幫手就可能講得很流暢，但其實內容錯一半。 常見的...
昨天聊到怎麼評估小幫手的回覆品質，今天就來分享一個進階的做法：用多模型策略來提升準確率。簡單來說，就是不要只依賴單一模型，而是讓不同的模型一起合作，就像是開會時...
今天提到在做小幫手專案時，我自己很常遇到的問題，就是在設計功能階段遇到錯誤卻不知道怎麼追。這時候「錯誤處理」和「日誌設計」就超級重要。可以想像它們是專案裡的黑盒...
當我們的小幫手後端功能都差不多跑起來後，下一步就會想：「那要怎麼讓別人用得更直覺？」這就是 UI/UX 的重要性啦。畢竟 CLI（指令列介面）很酷，但大部分使用...
做到這裡，我們的小幫手已經有點雛形了，但如果只在自己電腦跑，就只有自己可以使用到。所以今天的重點是——部署到雲端，讓大家都能透過瀏覽器體驗！ 常見的選擇大概有三...
