鐵人檔案
使用 LLM 作為核心，結合RAG技術，從台灣旅遊資料庫中提取資訊。透過 Function Calling 串接即時天氣、交通 API，提供使用者個人化的旅遊建議與行程規劃
溝通橋樑：建構前後端 API 請求 在 Streamlit 介面中，當使用者點擊按鈕或按下 Enter 鍵時，我們就需要將這些輸入傳遞給後端的 Python 程...
一、接收與解析複雜 JSON 當後端的 AI 模型完成了 Function Calling 和所有運算後，它會將最終的答案（無論是自然語言回覆，還是景點列表）以...
一、雲端平台的選擇 對於 Streamlit/Python 專案來說，市面上有幾種主流的部署方案： Streamlit Cloud：對於純 Streamli...
一、建置專案映像檔 一開始使用 docker build 指令，根據前一天的 Dockerfile 來建置映像檔。這個過程會將所有的程式碼、Streamlit...
一、端到端 (End-to-End) 功能驗證 首先要確認部署環境下的所有功能都能正確運行。這包括： RAG 驗證：輸入只存在於 taipei.csv 中的...
一、程式碼回顧與精簡 在開發過程中，經常會留下一些臨時測試用的程式碼、冗餘的註釋或不夠理想的變數命名。是時候進行重構 (Refactoring) 了： 優化...
一、系統架構 核心流程： 前端 (Streamlit)：作為使用者介面，接收提問。 Gemini 模型 (核心)：處理提問，並根據指令決定下一步。...
一、核心技術心法 API 整合的彈性：在串接 Google Maps 等外部服務時，最大的啟發是資料結構的規範化。無論 API 回傳的 JSON 多複雜，都必須...
一、最終成果與心路歷程總結 我們的 AI 導遊不僅是一個聊天機器人，更是一個整合了多項尖端技術的 AI Agent： 專案運行畫面：它能夠在單一介面中，處理 R...
一、回顧：最具意義的技術突破 回顧這一個月，最具意義的技術突破莫過於成功整合了三大核心 AI 技術：RAG、LoRA 微調與 Function Calling。...
