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 21] RAG Cost 從 Token Usage 到 Production 成本分析 前幾天，我們已經把 RAG 系統逐步加入 Productio...
[Day 22] RAG 從單次 Request 到大量流量壓力測試 現在我們知道 AI 助理： 回答品質如何 Request 哪裡變慢 發生錯誤時在哪個階段...
[Day 23] RAG Caching 降低 Latency、Token 與 API 成本 前幾天，我們開始從「把 RAG 做出來」進一步走向 Product...
[Day 24] RAG 從單機服務走向可水平擴展的 Production 架構 前幾天，我們開始把 RAG 從「可以運作」往 Production 推進 但...
[Day 25] RAG 從 Docker Container 到 Production 部署 前幾天，我們已經逐漸把 RAG 從「可以回答問題的 Demo」推...
[Day 26] RAG CI/CD 從 Git Push 到自動化 Production Deployment 我們把 RAG 從 Docker Contai...
