鐵人檔案
本系列將以 30 天實戰為主軸，從智慧助理的需求出發，逐步探索 LLM、Prompt Engineering、RAG、Agent。過程不只介紹技術，更會實際面對資料處理、模型選擇等問題，將零散的 AI 技術串成一套完整的應用系統。透過每天的實作與記錄，從「AI 單機運作」走向「AI 落地應用」，以工程思維打造可靠且實用價值的 AI Application。
[Day 11] RAG Evaluation：如何知道 AI 助理回答得好不好 今天為什麼要做這件事 在前幾天的實作中，我們逐步完成了 RAG 系統的核心流程...
[Day 12] 建立自動化 RAG Pipeline：讓每次修改都有依據 今天為什麼要做這件事 在 Day 11 中，我們認識了 RAG Evaluation...
[Day 13] 建立高品質評估資料集：讓測試案例更接近真實使用情境 昨天我們完成了自動化 RAG Evaluation Pipeline，開始用指標衡量 Re...
[Day 14] RAG Error Case: 從失敗案例找出真正的問題 前幾天我們已經完成： Retrieval 評估 Reranking RAG Eva...
[Day 15] RAG Optimization 系統化改善，讓每次調參都有依據 前幾天，我們已經完成 RAG 的基本架構，也開始建立 Evaluation...
[Day 16] 讓每次模型、參數與 Evaluation 結果都能被比較與追蹤 一開始只有幾次實驗，還可以手動記錄 但當實驗開始增加，很快就會出現一個問題：...
[Day 17] RAG Evaluation Dashboard 讓系統品質一眼就能看懂 前幾天我們已經完成： Evaluation：知道 RAG 品質如何...
[Day 18] RAG 從 Evaluation 走向 Production 「前幾次的階段，我們如何知道 RAG 品質好不好」 當 AI Assista...
[Day 19] RAG 從「看見問題」到「主動發現問題」 這解決了一個重要問題： 「系統現在發生了什麼」 但如果真的部署到 Production，又會遇到...
[Day 20] RAG 追蹤一次 Request 的完整生命週期 前幾天我們完成了 RAG 系統的 Evaluation、Error Case、Observ...
