RAG 的核心瓶頸：檢索精準度的挑戰

RAG 檢索階段的常見問題，如破壞語意的文本分塊、相關文本塊的遺漏以及無關文本塊的雜訊。

RAG 的原理、應用與實作：存取外部文本知識庫

RAG 透過建立向量資料庫、索引文本與檢索相關內容，賦予大型語言模型從外部知識庫中生成精確答案的能力。

MCP 與 Function Calling：實現 AI 函式執行的標準化

實戰 MCP 伺服端：STDIO 模式

初探 MCP 協定：AI Agent 的插件系統

MCP 提供了一種讓 AI 模型連結到不同資料來源和工具的標準化方式。

增強型 LLM（一）：工具使用

LLM 的函式呼叫功能允許開發者定義自訂函式，以便語言模型可以截取資料和採取行動。

初探 AI Agent 系統架構

開發成功的 AI Agent 不在於建立最複雜的系統，而在於建構最符合需求的系統。

AI Agent 的崛起：軟體的典範轉移

ChatGPT 的推出，引發了全球科技企業對 LLM 大規模的投資與發展。然而，探索 AI 在商業領域和一般使用者的應用，和實現其商業模式，才是推動 AI 發展的關鍵。