鐵人檔案
一名後端工程師的生成式 AI 實戰挑戰。從 LLM、Prompt、Token、Embedding 等基礎開始，逐步學習 RAG、Vector Database、Function Calling 與 AI Agent，並使用後端技術串接 AI 服務，最終完成一個可實際運作的 AI 應用。
背景現實世界中,使用者會遇到這些問題如下: 使用者問的問題,LLM (Large Language Model) 根本不知道答案(因為那是你們公司內部的資料)...
今天開始會從零分享關於大型語言模型 (Large Language Model, LLM) 的相關知識，雖然大型語言模型不外乎就是 Open API 的 Cha...
昨天簡單介紹大型語言模型 (Large Language Model, LLM) 後，今天我會針對大型語言模型的輸入、輸出和整體架構做一個整體性的介紹。從使用者...
昨天講大型語言模型的基本機制，今天從火紅很久的詞 - Vibe Coding 開始講起。 Vibe Coding 是什麼? 能吃嗎? Vibe Coding...
昨天聊完 Vibe Coding 後，我們知道 Vibe Coding 可以從 0 到 1 產生一個可以 Demo 的產品及相關隱憂。接下來，我們要討論 Age...
昨天聊到 Agentic Coding 後，我開始想到一個很實際的問題： 如果真的把開發任務交給 AI Agent，它真的能乖乖完成嗎？ 例如我們只說： 「幫我...
昨天在 Day 6 的結尾丟了一個問題： 如果 LLM 根本不知道公司的內部資料，它又要去哪裡找答案？ 這個問題其實在 Day 1 系列簡介的時候就埋下了：...
昨天說 RAG 像讓 LLM 開卷考：不用死背，考試時翻資料夾找答案。但動手做才發現，開卷考有個前提——你要先翻得到那一頁。整本課本丟給你卻不知道答案在第幾章，...
賽前我最看好「固定字數＋overlap」——教學文都說它是安全牌。實測結果：它墊底。更麻煩的是，三種切法的命中率看起來根本打平，直到我多算一個指標才拆穿假象：有...
同一份索引、同一批題目：精確檢索答對 10/15，HNSW 用預設參數答對 7/15。掉的那三題，top-1 不是「排錯的條文」——是三個根本不存在的隨機向量。...
