鐵人檔案
這次挑戰中，我以RAG × Agent：從知識檢索到智慧應用的30天挑戰」為主題，試想紀錄自己從零開始學習檢索式生成 (Retrieval-Augmented Generation, RAG) 的過程。
內容會包含幾個部分，先從探索RAG的基礎原理開始，最後希望可以進一步延伸到 AI Agent 的應用。
在前面我們介紹了 RAG 與 RAGAS，這些方法主要是解決 『如何讓 LLM 回答得更正確』 的問題。但隨著應用需求不斷升級，其實不少學者也開始思考：如果我們...
今天要說的就是 AI Agent 的核心模組，這邊主要是整理《The Landscape of Emerging AI Agent Architectures...
我們前面已經提過 AI Agent 是具備感知、決策、行動能力的系統。早期的 Agent 幾乎都靠一個模型自己思考、自己行動，我們會稱它為 Single Age...
之前已經有基礎了，這次要繼續延伸做下去，後面應該也會放上我比較完整的程式碼，所以如果前面的內容已經忘光光的沒有關係，我這邊應該會打算做點整理，所以程式碼後面都會...
今天先把最小能跑的版本 MVP 做出來，後面的幾天會加入像是工具選擇、記憶、評分那些的。為了避免越做越亂，我會先把目錄的結構畫出來再開始實作。 檔案架構 檔案...
昨天我們已經完成了最小可跑的版本，連結了查資料庫、組 prompt、請模型回答，我們現在要加上兩個功能也就是工具化（Tool）與記憶（Memory）。簡單說一下...
昨天我們讓系統具備了「會查條文、會記得你說過什麼」的能力，但這些功能仍然是人工判斷。今天要邁向真正的「Agent」：讓模型自己看到工具列表後，決定何時使用哪個工...
昨天我們讓模型能自己選工具，從人工判斷變成自動決策，不過還有一個問題，那麼就是 :它的答案到底好不好？準不準？有沒有亂講？光靠肉眼看很難判斷，這時就要請出我們之...
到目前為止，Agent 只能「問→答→（必要時）重答」，但還不會自己檢查邏輯、規劃下一步。所以今天的目標就是要讓它具備： 自我反思（Reflection）：...
