Series
LLM Agent 核心原理
- 01
什麼是 LLM Agent？從 Chatbot 到自主行動
從只會生成文字的 Chatbot，到能感知、規劃、行動與反思的 LLM Agent，理解這場從對話到行動的典範轉移。
→ - 02
Agent 的核心循環：ReAct、Plan-and-Execute 與 Reflection
深入三種主流 Agent 設計模式，用 Python 程式碼演示它們如何讓 LLM 從被動回答變成主動解決問題。
→ - 03
工具呼叫與 Function Calling：讓 LLM 連接外部世界
深入 Agent 最重要的基礎設施——工具呼叫與 Function Calling，理解其運作原理、Schema 設計與常見陷阱。
→ - 04
從零打造一個最基礎的 Agent：LLM + 工具 + 迴圈
用最少的程式碼，從零實作一個能接收問題、呼叫工具、生成回答的最基礎 Agent，理解其核心其實非常簡單。
→ - 05
Agent 的記憶機制：短期、長期與向量資料庫
從短期記憶、長期記憶到向量資料庫，用 Python 實作一個真正能「記住你」的 Agent。
→ - 06
RAG 完整解析：檢索、重排、生成
從原理、Chunking 策略到 Retriever、Reranker 與進階 RAG 技術，理解 Agent 最強大的武器。
→ - 07
多 Agent 協作：角色分工、辯論與 Swarm
從角色設計、通訊協議到辯論式推理與 Swarm，理解多 Agent 系統的架構模式、失敗模式與最佳實踐。
→ - 08
Agent 的安全與護欄：Prompt Injection、權限控制與人類審核
拆解 Prompt Injection 的攻擊原理、權限控制與沙箱機制，並用 Python 實作一個帶有基本護欄的 Agent。
→ - 09
Agent 的評估與可觀測性：Trace、Log、指標與失敗模式
從 Trace、Log、Metrics 三大支柱到常見失敗模式，理解如何讓 Agent 從「能跑」變成「可靠」。
→ - 10
完整 Agent 實作：整合工具、記憶、RAG、護欄與可觀測性
把前面九篇的能力整合成一個完整可執行的 Agent 系統，包含工具呼叫、記憶、RAG、安全護欄與可觀測性。
→