Readmoo 讀墨電子書
華文小說投票 每日優惠 版權到期
從零打造 AI Agent
0 則劃線
0 篇書評

從零打造 AI Agent

基於 LangChain 1.2_ 的 Python 實戰手冊

分類導覽 > 電腦科技 > 程式設計
  • 語言：繁體中文
  • 檔案大小：34.6MB
  • 商品格式：流動版面 EPUB
  • eISBN: 9786260162115
  • 字數： 292,394
電子書售價：NT$ 700
本書為流動版面 EPUB，適合用 mooInk、手機、平板及電腦閱讀。

AI 的浪潮已經不是「未來趨勢」，而是開發者現在就必須面對的現實，然而，真正的挑戰不在於「呼叫一個 LLM API」，而在於如何打造一個穩定、安全、可維護的生產級 AI 應用，這正是本書誕生的原因，本書以 LangChain 1.2+ 為核心，完整涵蓋從環境建置到企業部署的完整知識體系，是目前市面上少數專為 LangChain v1.x 架構量身打造的繁體中文技術書籍，全書共 27 章，循序漸進地引導讀者走過 Agent 開發的每一個關鍵里程碑。

無論你是剛踏入 AI 開發領域的 Python 工程師，還是已有 v0.x 使用經驗、正在評估升級路徑的資深開發者，本書都能成為你在 LangChain 世界裡最實用的一本隨身手冊。

喜歡這本的人，也看了...

  • 劉安齊
    博碩文化
    出版日期：2025-01-01
    電子書： NT$ 700

    成為優秀的程式設計師 可以從基本的資工素養開始培養起 一個資工系所畢業的學生該具備什麼技能？一個半路出家的工程師需要具備什麼能力？除了基礎程式設計與...

    試讀
  • 洪錦魁
    深智數位股份有限公司
    電子書： NT$ 576

    寫程式不是比誰先跑起來，而是能否長期維護。當需求一改就骨牌倒、長函式與巢狀條件像毛線球、沒有測試誰也不敢動，這些都是「技術債」。本書以實務為軸，從C...

    試讀
  • AS Studio
    AS studio
    電子書： NT$ 350

    你是否也沉浸在 AI 寫程式的魔法中，一行指令就變出一個網站或自動化工具？但當興奮褪去，你是否曾深夜自問：「這段 AI 給我的程式碼，真的安全嗎？」 本書...

    試讀
  • 錢嶼恆
    神經地平線獨立出版社
    電子書： NT$ 200

    這本書是專為 初學 AI開發設計工程師設計的全面教材的第一冊，從基礎概念到進階應用，涵蓋人工智慧的歷史、核心技術如機器學習、深度學習、自然語言處理、電...

    試讀
  • 胡嘉璽
    深智數位股份有限公司
    電子書： NT$ 864

    ►►►重量級Claude Code手冊◄◄◄ ►►►涵蓋最新更新Agent Skills內容◄◄◄ ►►►從新手晉升為高手◄◄◄ ★內容介紹 ☆Vibe Coding 時代第一名的 AI 開發助手 Claude ...

    試讀
  • 洪錦魁
    深智數位股份有限公司
    電子書： NT$ 496

    NotebookLM筆記術 打造你的AI「第二大腦」 ★☆★ 從「抄重點」走向「理解與輸出」 ★☆★ ★☆★ 多來源整合 x 提問思考 x 知識累積 ★☆★ ★☆★ 學生、教師、上班...

    試讀
  • 洪錦魁
    深智數位股份有限公司
    電子書： NT$ 480

    AI高效學習術 人工智慧時代學得更聰明 本書內容 ☆★☆在 AI 時代，會學習才是真本事☆★☆ ☆★☆不是學更多，而是學得更聰明☆★☆ ☆★☆讓 AI 當思考教練，而不是...

    試讀
  • 亨利羊（楊皓霖）
    深智數位股份有限公司
    電子書： NT$ 608

    2025，Agent 元年。 AI 不再只是回答問題，而是真正幫你把事情做完。 這本書帶你認識這個即將改變工作與生活的新夥伴。

    試讀
  • 洪錦魁
    深智數位股份有限公司
    電子書： NT$ 544

    　　這是一本完全入門，充滿創意與描述Python未來潛在應用的書籍，也是國內第一本： 　　☆ 「與 AI 對話」單元：引導讀者用ChatGPT對Python語法進行深度理解...

    試讀
  • 胡嘉璽
    深智數位股份有限公司
    電子書： NT$ 784

    ★ 第一本 Google Antigravity 繁體中文完整教學 ★ AI 原生開發環境的核心概念與實戰技巧 ★ Agent 架構：理解 AI 代理人如何替你寫程式、做決策 ★ 多 Agent...

    試讀
  • 約瑟夫．達梅利奧
    大牌出版
    電子書： NT$ 385

    史上最強透視超圖解 越難懂的原理，越要簡單說！ 14堂透視訓練 Ð 72個透視主題Ð 200+張繪圖範例 ★暢銷全球超過50年的繪畫學習經典★ 影響無數習畫者、藝術家...

    試讀
  • 瑪莉蓮．麥克唐諾
    鷹出版
    電子書： NT$ 375

    一本讓你重新定義「說話」的書！ 我們說話的方式，是解開我們如何理解事物的關鍵。 改變說話的方式，能重新塑造並改變我們。 麥克唐納這本文筆優美的書，展...

    試讀
  • 派屈克．蘭奇歐尼
    樂金文化
    電子書： NT$ 245

    開會、人員管理，以及無懼跟任何人有不舒服對話的直言不諱， 跟一家公司的成功或失敗，究竟有什麼關係？ 繼《克服團隊領導的5大障礙》，《紐約時報》暢銷作家...

    試讀
  • 卡特．佛漢．芬德利
    廣場出版
    電子書： NT$ 500

    一部由東向西橫越亞洲的巴士，突厥人的歷史之旅 國內第一本以突厥人為主題的翻譯著作，全球唯一中文版 榮獲不列顛－科威特友誼協會中東研究獎 國立中正大學歷...

    試讀
  • 劉玉皙
    三采文化股份有限公司
    電子書： NT$ 360

    經濟學博士 世新大學傳播管理學系副教授 防衛韌性委員會 委員 劉玉皙 一場閉門講座 引發一陣「跪求筆記」熱潮 ★第一本★ 專為「台海情境」打造的金融避險指...

    試讀

    • 詳細資訊

    AI 的浪潮已經不是「未來趨勢」，而是開發者現在就必須面對的現實，然而，真正的挑戰不在於「呼叫一個 LLM API」，而在於如何打造一個穩定、安全、可維護的生產級 AI 應用，這正是本書誕生的原因。

    本書以 LangChain 1.2+ 為核心，完整涵蓋從環境建置到企業部署的完整知識體系，是目前市面上少數專為 LangChain v1.x 架構量身打造的繁體中文技術書籍，全書共 27 章，循序漸進地引導讀者走過 Agent 開發的每一個關鍵里程碑。

    第一篇（第 1–4 章） 奠定基礎 — 認識 LangChain 生態系全貌、使用 uv 建立現代化 Python 開發環境、掌握 initchatmodel 統一介面，以及支援 Gemini、Claude 等主流模型的切換方式。

    第二篇（第 5–9 章） 聚焦 Agent 核心 — 從 create_agent 的設計哲學、Tool 的撰寫技巧，到 MCP（Model Context Protocol）的整合應用，帶讀者徹底理解現代 Agent 的工作原理。

    第三篇（第 10–16 章） 深入進階技術 — 短期記憶與長期記憶管理、串流輸出、結構化輸出、Middleware 中介軟體架構、RAG 檢索增強生成（含 HyDE、MultiQuery、GraphRAG 等進階策略），以及以 LangGraph 為基礎的多 Agent 協作模式（Supervisor、Swarm、Deep Research Agent）。

    第四篇（第 17–22 章） 轉向生產力 — LangSmith 可觀測性與追蹤、評估管線（openevals、自訂評估器）、Guardrails 安全層（PII 偵測、內容審核、HITL 人工干預），以及 LangGraph Platform 的部署實踐與 Docker 容器化策略。

    第五篇（第 23–27 章） 實戰壓軸 — 五個完整的企業級專案：AI 客服系統、企業文件 Q&A、Email 工作流自動化、電商 AI 導購助手，以及整合前四篇所有技術的終極挑戰 — 企業知識庫管理系統。

    本書的寫作風格輕鬆而不失深度，大量採用生活化比喻、程式碼範例與實際踩坑經驗，讓讀者在閱讀過程中感受到的不是枯燥的 API 說明，而是「跟著一位有經驗的工程師一起解決真實問題」。

    無論你是剛踏入 AI 開發領域的 Python 工程師，還是已有 v0.x 使用經驗、正在評估升級路徑的資深開發者，本書都能成為你在 LangChain 世界裡最實用的一本隨身手冊。

    目錄列表

    1. 從零打造 AI Agent：基於 LangChain 1.2+ 的 Python 實戰手冊
      1. 書名：從零打造 AI Agent：基於 LangChain 1.2+ 的 Python 實戰手冊
        1. 作者：郭龍祥
        2. 發行人：郭龍祥
        3. 發行單位：個人出版
        4. 出版時間：2026年04月
        5. 版次：初版
        6. ISBN：978-626-01-6211-5
    2. 前言
      1. 關於程式碼與實作
      2. 結語與致謝
    3. 01 章：進入 LLM 應用開發的世界
      1. 1.1 什麼是 LLM 應用開發？— 從 ChatGPT 到自建 AI 應用
        1. 你已經在使用 LLM 了，只是你不知道
        2. LLM 應用開發的三個層次
        3. LLM 應用的生態全景
      2. 1.2 為什麼選擇 LangChain？— 框架比較
        1. 不只 LangChain 一個選擇
        2. 我們選擇 LangChain 的理由
      3. 1.3 LangChain v1.x 架構全覽
        1. 四大套件，各司其職
        2. langchain-core：地基中的地基
        3. langchain：主角登場
        4. langgraph：幕後的強大引擎
        5. langsmith：你的 AI 應用監控中心
        6. 整合供應商套件：模型供應商的橋樑
      4. 1.4 從 v0.x 到 v1.x 的思維轉變
        1. 如果你是 LangChain 新手
        2. 如果你用過 LangChain v0.x
        3. 告別 LCEL：管道操作符的時代結束了
        4. 擁抱 create_agent：一切從 Agent 開始
        5. Middleware：v1 最重要的新概念
        6. Content Blocks：跨供應商的標準化輸出
        7. 一張表看懂 v0.x 到 v1.x 的對應關係
      5. 1.5 本書的學習路線圖與實戰專案預覽
        1. 九大篇章的學習旅程
        2. 每一篇你會學到什麼
        3. 學習建議
      6. 1.6 AI 模型選擇指南 — Gemini 與 Claude 的特性比較
        1. 本書為什麼以 Gemini 為主？
        2. Gemini 與 Claude 的特性比較
        3. 在本書中切換模型
        4. 模型選擇的實用建議
      7. 本章小結
    4. 第 02 章：開發環境建置 — uv + Python 專案管理
      1. 2.1 安裝 Python 3.10+ 與 uv 套件管理器
        1. 為什麼是 Python 3.10+？
        2. 為什麼選擇 uv？
        3. 安裝 uv
        4. 使用 uv 安裝 Python
      2. 2.2 使用 uv 初始化 LangChain 專案 — pyproject.toml 設定
        1. 建立專案
        2. 認識 pyproject.toml
        3. 理解 uv 的專案結構
      3. 2.3 安裝 LangChain 1.2+ 與相關套件
        1. 安裝核心套件
        2. 理解 LangChain 套件生態系
        3. 查看 pyproject.toml 的變化
      4. 2.4 API 金鑰管理 — .env、python-dotenv、安全最佳實踐
        1. 取得 API 金鑰
        2. 使用 .env 檔案管理金鑰
        3. 確保 .env 不被提交到 Git
        4. 在程式中載入 .env
        5. API 金鑰安全最佳實踐
      5. 2.5 開發工具設定 — VS Code、Jupyter Notebook、型別檢查
        1. VS Code 設定
        2. Jupyter Notebook 設定
        3. 型別檢查（選用但推薦）
      6. 2.6 LangSmith 帳號設定與追蹤環境變數
        1. LangSmith 是什麼？
        2. 註冊 LangSmith 帳號
        3. 設定環境變數
        4. 驗證 LangSmith 連線
      7. 2.7 驗證安裝 — 第一個 Hello World 範例
        1. Hello Gemini — 你的第一個 LangChain 程式
        2. init_chat_model 的模型字串格式
        3. Hello Claude — 切換到 Claude 模型
        4. Hello Agent — 預覽 create_agent 的威力
      8. 2.8 本章完整專案結構
      9. 本章小結
    5. 第 03 章：Chat Model 核心操作 — init_chat_model 統一介面
      1. 3.1 init_chat_model — 一行程式碼切換任何模型供應商
        1. 為什麼需要統一介面？
        2. 基本用法
        3. 完整可執行範例
        4. 切換模型供應商
        5. init_chat_model 的運作原理
      2. 3.2 模型字串格式 — "provider:model_name"
        1. 字串格式規則
        2. 本書常用的模型字串
        3. 使用 model_provider 參數分離指定
        4. 動態切換模型的實用技巧
      3. 3.3 訊息類型 — SystemMessage、HumanMessage、AIMessage、ToolMessage
        1. 為什麼需要訊息類型？
        2. import 路徑
        3. SystemMessage — 導演的角色設定表
        4. HumanMessage — 使用者的提問
        5. AIMessage — 模型的回應
        6. ToolMessage — 工具的回傳結果
        7. 四種訊息的完整對話流程
        8. 使用 Tuple 快捷語法
      4. 3.4 Content Blocks — v1 標準化輸出格式
        1. 從「各說各話」到「統一規格」
        2. .content vs .content_blocks
        3. Content Block 的類型
        4. 實際應用：解析包含多種區塊的回應
        5. 為什麼 Content Blocks 很重要？
      5. 3.5 Model Profiles — .profile 屬性查詢模型能力
        1. 每個模型都有自己的「能力值表」
        2. 基本用法
        3. 實用場景：根據模型能力自動調整行為
        4. 自定義 Profile
      6. 3.6 串流輸出（Streaming）— stream()、astream()、事件型串流
        1. 為什麼需要串流？
        2. stream() — 同步串流
        3. astream() — 非同步串流
        4. 串流中取得 Token 使用量
        5. invoke() vs stream() 的選擇
      7. 3.7 多模態輸入 — 傳送圖片、PDF 給模型
        1. 不只是文字 — 現代 LLM 看得懂圖片
        2. 傳送圖片（URL 方式）
        3. 傳送本地圖片（Base64 編碼）
        4. 傳送 PDF 文件
        5. 多模態能力的檢查
      8. 3.8 溫度、Token 上限與其他參數設定
        1. 溫度（Temperature）— 控制回答的「創意度」
        2. max_tokens — 控制回答長度
        3. 在 init_chat_model 中傳遞參數
        4. 常用參數速查表
        5. Token 使用量追蹤
      9. 本章小結
    6. 第 04 章：create_agent — 構建你的第一個 AI Agent
      1. 4.1 Agent 是什麼？— 從「呼叫 LLM」到「自主決策」
        1. 聊天機器人 vs Agent：外送員的比喻
        2. Agent 的三大核心元素
        3. 為什麼 Agent 如此重要？
      2. 4.2 create_agent 深度解析 — 參數、回傳值（CompiledStateGraph）
        1. create_agent：你的 Agent 工廠
        2. create_agent 的完整參數一覽
        3. create_agent 的回傳值：CompiledStateGraph
      3. 4.3 AgentState — 狀態管理的核心
        1. 什麼是 State？
        2. messages 裡面有什麼？
        3. 自定義 State
      4. 4.4 Agent 迴圈（ReAct Loop）— model node → tool node → 停止條件
        1. ReAct 迴圈的運作流程
        2. 用實際的訊息流看一遍
      5. 4.5 定義工具（Tools）— @tool 裝飾器與 Callable
        1. 工具是 Agent 的雙手
        2. 方式一：@tool 裝飾器（最推薦）
        3. 方式二：純 Python 函式（Callable）
        4. 方式三：Pydantic 自定義參數 Schema
        5. 把工具交給 Agent
        6. 工具描述的黃金法則
      6. 4.6 工具的 extras 屬性（v1.2+）— 供應商特定設定
        1. 不同供應商有不同的「隱藏技能」
        2. 什麼時候需要用 extras？
      7. 4.7 system_prompt 設計 — 字串與 SystemMessage 物件
        1. 系統提示詞：Agent 的工作守則
        2. 方式一：字串格式（簡單直接）
        3. 方式二：SystemMessage 物件（進階控制）
        4. system_prompt 設計的實戰技巧
      8. 4.8 invoke / ainvoke / stream / astream — 同步與非同步呼叫
        1. 四種呼叫方式
        2. invoke()：最基本的呼叫
        3. stream()：看到 Agent 的「思考過程」
        4. ainvoke() 和 astream()：非同步版本
      9. 4.9 Checkpointer — 持久化 Agent 狀態（MemorySaver）
        1. 為什麼需要 Checkpointer？
        2. MemorySaver：最簡單的記憶機制
        3. thread_id：對話的身分證
        4. 生產環境：PostgresSaver
      10. 本章重點回顧
      11. 下一章預告
    7. 第 05 章：Middleware 系統 — Agent 行為的精細控制
      1. 5.1 為什麼需要 Middleware？— Context Engineering 的重要性
        1. 從「能動」到「好用」的鴻溝
        2. Context Engineering：不只是 Prompt Engineering
        3. Middleware 的設計哲學
      2. 5.2 Middleware 的 Hook 機制 — 七個關鍵介入點
        1. Node-style Hook（節點式掛鉤）
        2. Wrap-style Hook（包裹式掛鉤）
        3. 特殊 Hook
        4. 快速範例：用 Decorator 建立最簡單的 Middleware
      3. 5.3 Hook 執行順序 — 請求流與回應流的中介軟體堆疊
        1. 基本規則：先進後出
        2. Wrap-style Hook 的洋蔥模型
        3. 完整的一輪 Agent 迴圈
        4. jump_to：改變執行流程
        5. 實際範例：追蹤完整的 Hook 執行順序
      4. 5.4 內建 Middleware（一）：HumanInTheLoopMiddleware — 工具呼叫審核
        1. 為什麼需要人工審核？
        2. 基本用法
        3. 關鍵概念解析
        4. 處理審核結果
        5. 動態描述
      5. 5.5 內建 Middleware（二）：SummarizationMiddleware — 對話歷史摘要
        1. 問題：對話越長，Agent 越笨
        2. 基本用法
        3. trigger 參數：什麼時候觸發摘要？
        4. keep 參數：保留哪些訊息？
        5. 摘要過程圖解
        6. 重要細節：AI 訊息與 Tool 訊息的配對
        7. 完整範例：長對話自動摘要
      6. 5.6 內建 Middleware（三）：PIIMiddleware — 敏感資訊遮蔽
        1. 問題：你的 Agent 可能是個「大嘴巴」
        2. 基本用法
        3. 內建的 PII 偵測類型
        4. 四種遮蔽策略
        5. 自訂偵測規則
        6. 完整範例：多層 PII 保護
        7. PIIMiddleware 的工作流程
      7. 5.7 內建 Middleware（四）：OpenAIModerationMiddleware — 內容安全過濾
        1. 問題：你的 Agent 需要一位「內容審查員」
        2. 基本用法
        3. exit_behavior 參數
        4. 自訂違規訊息
        5. 替代方案：自訂內容審查 Middleware
      8. 5.8 內建 Middleware（五）：ModelRetryMiddleware — 指數退避重試
        1. 問題：API 偶爾會「打嗝」
        2. 基本用法
        3. 指數退避（Exponential Backoff）是什麼？
        4. 進階配置
        5. exhausted_behavior：重試都失敗後怎麼辦？
        6. ModelRetryMiddleware 的內部運作
      9. 5.9 自定義 Middleware — 繼承 AgentMiddleware 類別
        1. 類別式 Middleware 的基本結構
        2. 實戰範例一：對話 Token 預算控制器
        3. 實戰範例二：回覆語言強制器
        4. 實戰範例三：工具呼叫計時器
        5. 擴展 Agent State
      10. 5.10 Middleware 組合策略 — 順序、衝突處理、最佳實踐
        1. Middleware 順序的重要性
        2. 為什麼這個順序合理？
        3. 常見的衝突情境
        4. 最佳實踐清單
      11. 5.11 實作練習：建立一個具備 PII 遮蔽 + 人工審核 + 對話摘要的安全 Agent
        1. 練習目標
        2. 完整程式碼
      12. 本章重點回顧
        1. 下一章預告
    8. 第 06 章：Structured Output — 結構化輸出與型別安全
      1. 6.1 為什麼需要結構化輸出？— 從自由文本到可預測的資料結構
        1. 當 LLM 回你「隨心所欲」的答案
        2. Structured Output 就是你的「標準化訂單系統」
        3. Structured Output 的三大好處
        4. 在 LangChain v1 中，Structured Output 是一等公民
      2. 6.2 response_format 參數 — 在 create_agent 中使用結構化輸出
        1. 回顧 create_agent 的簽名
        2. 直接傳入 Schema 類型
      3. 6.3 ToolStrategy — 透過工具呼叫強制結構化輸出
        1. 原理：把 Schema 偽裝成一個 Tool
        2. 基本用法
        3. ToolStrategy 的優點與適用場景
        4. ToolStrategy 搭配真正的 Tools
        5. Union Types — 多種 Schema 二選一
      4. 6.4 ProviderStrategy — 使用供應商原生結構化輸出
        1. 原理：直接請供應商幫你「管」格式
        2. 哪些供應商支援 ProviderStrategy？
        3. 基本用法
        4. ToolStrategy vs ProviderStrategy 比較
        5. 到底該用哪個？
      5. 6.5 Pydantic Model 定義輸出 Schema
        1. 為什麼 Pydantic 是首選？
        2. Pydantic Model 的寫法指南
        3. Schema 設計的最佳實踐
      6. 6.6 TypedDict 與 JSON Schema 替代方案
        1. 方式一：TypedDict
        2. 方式二：dataclass
        3. 方式三：JSON Schema 字典
        4. 四種 Schema 定義方式的比較
      7. 6.7 錯誤處理 — handle_errors 參數、重試機制
        1. LLM 也會「填錯表格」
        2. handle_errors 的五種模式
        3. 完整的錯誤處理範例
        4. ProviderStrategy 的錯誤處理
      8. 6.8 structured_response 的存取方式
        1. 結果藏在哪裡？
        2. 不同 Schema 類型的回傳型別
        3. 將結構化結果轉成 JSON
        4. 串流模式下的結構化輸出
      9. 6.9 實作練習：建立一個結構化報表產生 Agent
        1. 專案需求
        2. 練習一：基礎版 — 單純的結構化輸出（入門）
        3. 練習二：進階版 — 搭配工具與錯誤處理（中級）
        4. 練習三：挑戰版 — Union Types 的智能路由（高級）
      10. 本章重點回顧
      11. 下一章預告
    9. 第 07 章：MCP（Model Context Protocol）— 標準化工具整合
      1. 7.1 MCP 是什麼？— 協議設計理念與架構
        1. 為什麼世界需要 MCP？
        2. MCP 的架構
        3. MCP 與 LangChain 的關係
      2. 7.2 MCP Server 與 Client — stdio / HTTP 兩種傳輸方式
        1. stdio 傳輸
        2. HTTP 傳輸（Streamable HTTP）
        3. 選擇策略
      3. 7.3 使用 FastMCP 建立自定義 MCP Server
        1. 安裝套件
        2. 建立你的第一個 MCP Server
        3. 建立 HTTP 傳輸的 MCP Server
        4. 善用 Docstring — 工具描述的重要性
      4. 7.4 langchain-mcp-adapters — 將 MCP 工具轉為 LangChain Tools
        1. 基本使用：單一 Server 連接
        2. 連接 HTTP Server
      5. 7.5 MultiServerMCPClient — 連接多個 MCP Server
        1. 同時連接 stdio 與 HTTP Server
        2. 理解 MultiServerMCPClient 的 Config 結構
      6. 7.6 load_mcp_tools — 單一 Server 的簡化載入
        1. 使用 MCP SDK 直接連接
        2. 什麼時候用 load_mcp_tools？
      7. 7.7 Stateful Sessions — 有狀態的 MCP 連線管理
        1. 為什麼需要有狀態的 Session？
        2. 開啟有狀態的 Session
        3. Stateless vs Stateful 比較
      8. 7.8 MCP Interceptors — 工具呼叫攔截器與 ToolRuntime Context
        1. Interceptor 的洋蔥模型
        2. 基本 Interceptor 範例：日誌記錄
        3. 進階 Interceptor：注入使用者上下文
        4. 組合多個 Interceptor
      9. 7.9 Structured Content — 結構化回傳內容處理
        1. MCP 的 Content Block 類型
        2. content vs artifact
        3. 在 FastMCP Server 中回傳結構化內容
      10. 7.10 Authentication — HTTP Headers 與 httpx.Auth 自定義驗證
        1. 使用 HTTP Headers 認證
        2. 使用 httpx.Auth 自定義驗證
        3. 透過 Interceptor 動態注入認證
      11. 7.11 實作練習：建立一個整合計算器 + 天氣 + 資料庫的 MCP Agent
        1. 專案結構
        2. Step 1：建立專案
        3. Step 2：建立計算器 Server
        4. Step 3：建立天氣 Server
        5. Step 4：建立筆記 Server（模擬資料庫）
        6. Step 5：建立整合 Agent
        7. Step 6：執行
      12. 本章小結
    10. 第 08 章：自定義工具開發 — 從簡單到生產級
      1. 8.1 @tool 裝飾器 — 最簡單的工具定義方式
        1. 一行裝飾器，一個工具
        2. 自訂工具名稱與描述
        3. 使用 Pydantic 定義進階參數 Schema
        4. 將工具整合到 Agent
      2. 8.2 BaseTool 類別 — 自定義工具的完整控制
        1. 什麼時候該用 BaseTool？
        2. BaseTool 的基本結構
        3. BaseTool 搭配 Agent 使用
      3. 8.3 Artifact 回傳 — 區分「給 LLM 的內容」與「給使用者的資料」
        1. 什麼是 Artifact？
        2. 使用 response_format="content_and_artifact"
        3. Artifact 在 ToolMessage 中的位置
        4. BaseTool 中使用 Artifact
      4. 8.4 非同步工具 — async 工具的正確實作方式
        1. 為什麼需要非同步工具？
        2. @tool 的非同步版本
        3. BaseTool 的非同步實作
        4. 搭配 Agent 的非同步呼叫
      5. 8.5 工具錯誤處理 — ToolException 與 handle_tool_error
        1. 工具會出錯，這很正常
        2. ToolException — 可恢復的錯誤
        3. handle_tool_error 的三種設定方式
        4. ToolNode 層級的錯誤處理
      6. 8.6 工具描述最佳化 — 讓 LLM 更準確地選擇工具
        1. 描述是給 LLM 看的「使用說明書」
        2. 好的工具描述長什麼樣？
        3. 參數描述的最佳化
        4. 工具描述最佳化清單
      7. 8.7 MCP Tool vs @tool vs BaseTool — 三種工具定義方式的選擇策略
        1. 全景對比
        2. 選擇決策樹
        3. 混合使用的實際範例
        4. 三種方式的演進路徑
      8. 8.8 實作練習：建立一組生產級的 API 整合工具
        1. 專案背景
        2. 完整程式碼
        3. 程式碼重點解析
        4. 生產環境加碼建議
      9. 本章小結
    11. 第九章：RAG 基礎 — 文件載入、切割與向量化
      1. 9.1 RAG 是什麼？— 原理與架構圖
        1. 一個比喻：開卷考試
        2. RAG 的完整流程
        3. 為什麼不直接把整份文件丟給 LLM？
        4. 本章聚焦：索引階段的前三步
      2. 9.2 Document Loaders — 把各種格式的資料讀進來
        1. Document 物件：LangChain 的資料基本單位
        2. PyPDFLoader — 載入 PDF 文件
        3. WebBaseLoader — 載入網頁內容
        4. CSVLoader — 載入 CSV 檔案
        5. TextLoader 與 UnstructuredMarkdownLoader — 載入純文字與 Markdown
        6. DirectoryLoader — 批次載入整個資料夾
        7. Document Loaders 的共通介面
      3. 9.3 Text Splitters — 把長篇大論切成小塊
        1. 為什麼要切割文字？
        2. RecursiveCharacterTextSplitter — 最推薦的通用分割器
        3. 自訂分隔符
        4. SemanticChunker — 基於語義的智能分割
        5. Text Splitter 的 split_text() vs split_documents() vs create_documents()
      4. 9.4 Chunk Size 與 Overlap 的選擇策略
        1. 什麼是 Chunk Size 和 Chunk Overlap？
        2. Chunk Size 的選擇指南
        3. Chunk Overlap 的選擇指南
        4. 實驗是最好的老師
      5. 9.5 Embeddings — 把文字變成數字
        1. 為什麼要把文字變成數字？
        2. Embedding Model 的直覺理解
        3. GoogleGenerativeAIEmbeddings — 使用 Gemini 做 Embedding
        4. 使用 Claude 的替代方案
        5. embed_query() vs embed_documents()
      6. 9.6 向量的數學直覺 — 餘弦相似度與語義搜尋原理
        1. 向量是什麼？（給非數學人的解釋）
        2. 餘弦相似度 — 衡量兩段文字有多像
        3. 語義搜尋的原理
        4. 一個完整的語義搜尋迷你範例
      7. 9.7 實作練習：建立一個 PDF 文件的 RAG 管線
        1. 專案目標
        2. 環境準備
        3. 準備範例 PDF
        4. 完整的 RAG 管線程式碼
        5. 執行結果與分析
        6. 程式碼解析
        7. 可以改進的地方
      8. 本章總結
    12. 第 10 章：Vector Store 與 Retriever — 向量資料庫實戰
      1. 10.1 InMemoryVectorStore（langchain-core）— 開發與原型快速驗證
        1. 什麼是 InMemoryVectorStore？
        2. 安裝與前置準備
        3. 基本用法
        4. 帶分數的相似度搜尋
        5. 使用 filter 進行 Metadata 過濾
        6. 刪除文件
        7. 持久化（儲存與載入）
      2. 10.2 FAISS — 本地高效向量搜尋
        1. 認識 FAISS
        2. 安裝 FAISS
        3. 基本用法：from_documents 快速建立
        4. 帶距離分數的搜尋
        5. Metadata 過濾搜尋
        6. 儲存與載入 FAISS 索引
        7. 合併多個 FAISS 索引
      3. 10.3 Chroma — 嵌入式向量資料庫
        1. 認識 Chroma
        2. 安裝 Chroma
        3. 基本用法
        4. Chroma 的強大 Metadata 過濾
        5. Chroma 的持久化
        6. 新增與刪除文件
      4. 10.4 Pinecone / Milvus — 生產環境向量資料庫簡介
        1. Pinecone — 全託管雲端方案
        2. Milvus — 開源分散式方案
        3. 如何選擇向量資料庫？
      5. 10.5 VectorStore 統一介面 — similarity_search、as_retriever()
        1. LangChain 的統一抽象層
        2. 統一介面實戰
        3. as_retriever() — 從 VectorStore 到 Retriever
      6. 10.6 Retriever 搜尋策略 — similarity、mmr、similarity_score_threshold
        1. 為什麼需要不同的搜尋策略？
        2. 策略一：similarity（預設）
        3. 策略二：mmr（Maximal Marginal Relevance）
        4. 策略三：similarity_score_threshold
        5. 三種策略的比較總結
      7. 10.7 Hybrid Search — 結合關鍵字與向量搜尋
        1. 向量搜尋的盲點
        2. 使用 BM25Retriever 進行關鍵字搜尋
        3. 使用 EnsembleRetriever 實現 Hybrid Search
        4. 調整 weights 參數
      8. 10.8 實作練習：比較不同 Vector Store 的效能
        1. 練習目標
        2. 完整實作程式碼
        3. 實驗分析
      9. 本章總結
    13. 第十一章：進階 RAG 策略 — 從 Naive RAG 到 Production RAG
      1. 11.1 Naive RAG 的問題 — 為什麼簡單的 RAG 不夠好？
        1. 什麼是 Naive RAG？
        2. Naive RAG 的五大致命傷
          1. 1. 查詢品質差（Query Quality）
          2. 2. 切割破壞上下文（Context Loss）
          3. 3. 小 chunk 精準但缺脈絡、大 chunk 有脈絡但不精準
          4. 4. 檢索結果有雜訊（Noise）
          5. 5. 只有一次搜尋機會
        3. 進階 RAG 的三道防線
      2. 11.2 Pre-Retrieval：查詢改寫（Query Rewriting）與查詢擴展（Query Expansion）
        1. 核心概念：先把問題修好，再去搜尋
        2. Query Rewriting（查詢改寫）
        3. Query Expansion（查詢擴展）
        4. 實務建議
      3. 11.3 Pre-Retrieval：HyDE（假設性文件嵌入）
        1. 核心概念：先生成「假答案」，再用假答案去搜尋
        2. HyDE 的運作流程
        3. HyDE 的限制
      4. 11.4 Retrieval：Multi-Query Retriever — 多角度查詢
        1. 核心概念：一個問題，三種問法
        2. 安裝 langchain-classic
        3. 基本使用
        4. 運作流程解析
        5. 自定義 Prompt
        6. 效能考量
      5. 11.5 Retrieval：Parent Document Retriever — 小 chunk 搜尋、大 chunk 回傳
        1. 核心概念：用小偵探找線索，用大偵探看全貌
        2. 運作原理
        3. 直覺理解
        4. 不指定 parent_splitter 的情況
      6. 11.6 Retrieval：Ensemble Retriever — 混合多個 Retriever
        1. 核心概念：不把雞蛋放在同一個籃子裡
        2. Reciprocal Rank Fusion（RRF）
        3. 安裝 BM25
        4. 調整權重
        5. 什麼時候用 Ensemble Retriever？
      7. 11.7 Post-Retrieval：Reranking — Cross-Encoder 重排序
        1. 核心概念：先海選，再精挑
        2. 使用 LLM 做 Reranking
        3. 使用 EmbeddingsFilter 做輕量級 Reranking
      8. 11.8 Post-Retrieval：Context Compression — 壓縮無關內容
        1. 核心概念：只留精華，去掉廢話
        2. 使用 LLMChainExtractor 做內容萃取
        3. 預期輸出
        4. DocumentCompressorPipeline — 串接多個壓縮器
        5. Reranking vs Context Compression 的差異
      9. 11.9 RAG Agent — 使用 create_agent + Retriever Tool 構建智能 RAG
        1. 核心概念：讓 LLM 自己決定什麼時候該搜尋
        2. 為什麼 RAG Agent 是 v1 推薦做法？
        3. 實作完整的 RAG Agent
        4. RAG Agent 的執行流程
        5. 加上 Checkpointer 實現多輪對話
        6. 比較：傳統 RAG vs RAG Agent
      10. 11.10 實作練習：建立一個使用進階策略的企業文件 QA 系統
        1. 專案目標
        2. 完整程式碼
        3. 安裝清單
        4. .env 檔案設定
      11. 本章小結
        1. 選擇策略的思路
    14. 第 12 章：GraphRAG — 知識圖譜增強檢索
      1. 12.1 GraphRAG 是什麼？— 傳統 RAG 的局限與知識圖譜的優勢
        1. 傳統 RAG 的三大痛點
        2. 知識圖譜：資料的「社交網路」
        3. GraphRAG = Vector Search + Graph Traversal
        4. 什麼時候該用 GraphRAG？
      2. 12.2 知識圖譜基礎 — Node、Relationship、Property、Cypher 查詢語言
        1. Node（節點）— 用圓括號表示
        2. Relationship（關係）— 用箭頭表示
        3. Property（屬性）— 用大括號表示
        4. 常用 Cypher 查詢範例
        5. Cypher 常用關鍵字速查表
      3. 12.3 Neo4j 環境搭建 — Neo4j Aura（免費雲端）與 Docker 本地部署
        1. 方案一：Neo4j Aura Free（推薦新手使用）
        2. 方案二：Docker 本地部署
        3. 安裝 Python 套件
        4. 設定環境變數
        5. 驗證連線
      4. 12.4 LLMGraphTransformer — 使用 LLM 自動建構知識圖譜
        1. LLMGraphTransformer 的運作原理
        2. 基本使用：無 Schema 模式
        3. 進階使用：指定 Schema
        4. 批量處理多份文件
      5. 12.5 Neo4jGraph — LangChain 的 Neo4j 整合
        1. 連線與基本操作
        2. 將 GraphDocument 存入 Neo4j
        3. 刷新 Schema
        4. Enhanced Schema 模式
      6. 12.6 GraphRAG 檢索模式 — Vector + Graph 混合檢索
        1. 模式一：Neo4j 向量搜尋
        2. 模式二：混合搜尋（Hybrid Search）
        3. 模式三：Vector + Graph 混合檢索（GraphRAG 核心模式）
      7. 12.7 GraphCypherQAChain — 自然語言轉 Cypher 查詢
        1. GraphCypherQAChain 的運作流程
        2. 基本使用
        3. 使用自定義 Prompt
        4. 使用 Enhanced Schema 提升準確度
        5. GraphCypherQAChain 的局限性
      8. 12.8 GraphRAG Pattern Catalog — 常見檢索模式總覽
        1. 模式一：直接圖譜查詢（Direct Graph Query）
        2. 模式二：向量搜尋 + 圖譜擴展（Vector Search + Graph Expansion）
        3. 模式三：社群摘要（Community Summarization）
        4. 模式四：子圖擷取（Subgraph Extraction）
        5. 模式五：路徑查詢（Path Finding）
        6. 模式六：結構化彙總（Structured Aggregation）
        7. 模式選擇指南
      9. 12.9 實作練習：建立一個企業組織架構的 GraphRAG 問答系統
        1. 專案需求
        2. 完整程式碼
        3. 執行結果說明
        4. 進階優化方向
      10. 本章重點回顧
    15. 第 13 章：LangGraph 核心概念 — State、Node、Edge
      1. 13.1 LangGraph 是什麼？ 從 create_agent 到自定義工作流
      2. 13.2 StateGraph — 定義狀態 Schema（TypedDict）
        1. 定義 State
        2. 建立 StateGraph
        3. 完整的第一個範例
        4. 使用 MessagesState — 對話場景的快捷方式
      3. 13.3 Node（節點）— 函式作為計算單元
        1. Node 函式的規則
        2. 在 Node 中使用 LLM
        3. add_node 的兩種寫法
      4. 13.4 Edge（邊）— add_edge、add_conditional_edges
        1. 固定邊 — add_edge
        2. 條件邊 — add_conditional_edges
        3. 路由函式的型別提示
        4. 路由到 END
      5. 13.5 START 與 END — 圖的入口與出口
        1. START — 圖的入口
        2. END — 圖的出口
        3. 完整範例：多入口、多出口
      6. 13.6 compile() — 編譯圖並執行
        1. invoke — 同步執行
        2. ainvoke — 非同步執行
        3. stream — 串流輸出
        4. compile 的進階參數
      7. 13.7 State Reducer — 如何合併狀態更新
        1. 預設行為：覆蓋
        2. 使用 Annotated 自定義 Reducer
        3. 自定義 Reducer 函式
        4. add_messages — 對話訊息的專用 Reducer
      8. 13.8 Checkpointing — InMemorySaver、PostgresSaver 狀態持久化
        1. 為什麼需要 Checkpointing？
        2. InMemorySaver — 開發階段的好幫手
        3. PostgresSaver — 生產環境的選擇
        4. 查看 Checkpoint 狀態
      9. 13.9 Durable Execution — 中斷恢復、長時間執行
        1. 什麼是 Durable Execution？
        2. 中斷與恢復
        3. 超步（Superstep）的概念
      10. 13.10 視覺化 — 使用 get_graph().draw_mermaid() 繪製圖表
        1. draw_mermaid() — 產生 Mermaid 文字
        2. draw_mermaid_png() — 直接產生 PNG 圖片
        3. 儲存為圖片檔
        4. draw_ascii() — 終端機中的文字圖
      11. 13.11 實作練習：建立一個審核工作流（提交 → 審查 → 核准/退回）
        1. 完整程式碼
        2. 程式碼解說
        3. 延伸思考
      12. 本章小結
    16. 第 14 章：Human-in-the-Loop 與進階 LangGraph 模式
      1. 14.1 interrupt — 暫停 Agent 等待人工輸入
        1. 為什麼需要中斷？
        2. interrupt 的基本用法
        3. interrupt 的運作原理
        4. interrupt_before 與 interrupt_after
      2. 14.2 Human-in-the-Loop 工作流 — approve、edit、reject 模式
        1. 三種人類決策模式
        2. 實作完整的 HITL 工作流
        3. 視覺化審核流程
      3. 14.3 Command 物件 — 從中斷點恢復並修改狀態
        1. Command 是什麼？
        2. Command 的核心功能
        3. 在節點內使用 Command
        4. Command 與 interrupt 的搭配模式
      4. 14.4 子圖（Subgraph）— 圖的模組化組合
        1. 為什麼需要子圖？
        2. 共享狀態的子圖
        3. 獨立狀態的子圖
        4. 子圖使用時機指南
      5. 14.5 動態中斷 — 基於條件的選擇性中斷
        1. 不是每次都需要人類介入
        2. 在節點內實現動態中斷
        3. 使用 HumanInTheLoopMiddleware 的動態策略
      6. 14.6 時間旅行（Time Travel）— 回溯到任何 checkpoint 重放
        1. 什麼是時間旅行？
        2. 瀏覽執行歷史
        3. 從歷史狀態重放（Replay）
        4. 從歷史狀態分叉（Fork）
        5. 時間旅行的實際應用場景
      7. 14.7 Map-Reduce 模式 — 並行處理與結果匯總
        1. 什麼是 Map-Reduce？
        2. 使用 Send 實現 Map-Reduce
        3. Send API 的運作原理
        4. Map-Reduce 的實際應用場景
      8. 14.8 實作練習：建立一個需要主管審批的多步驟工作流
        1. 專案需求
        2. 完整程式碼
        3. 系統架構圖
        4. 進一步優化建議
      9. 本章總結
        1. 核心原則
    17. 第十五章：Multi-Agent 架構 — 多 Agent 協作系統
      1. 本章學習目標
      2. 15.1 Multi-Agent 的需求場景 — 為什麼一個 Agent 不夠？
        1. 一個人能做的事，為什麼要找一個團隊？
        2. Multi-Agent 是解方
      3. 15.2 Supervisor 模式 — 一個 Agent 指揮多個子 Agent
        1. 辦公室裡的專案經理
        2. Supervisor 模式的核心特徵
        3. 實作方式一：Tool per Agent（每個子 Agent 包裝為一個 Tool）
        4. 實作方式二：Single Dispatch Tool（單一派遣工具）
        5. 兩種方式的比較
      4. 15.3 Hierarchical 模式 — 多層級的 Agent 組織架構
        1. 從小團隊到大企業
        2. Hierarchical 的核心概念
        3. Hierarchical 的優缺點
      5. 15.4 Swarm 模式 — 去中心化的 Agent 協作
        1. 沒有老闆的蜂群
        2. 使用 langgraph-swarm 建立 Swarm 系統
        3. Handoff 的運作原理
        4. 三大架構模式比較
      6. 15.5 Agent 間通訊 — 透過 State 傳遞訊息與上下文
        1. 郵件室的比喻
        2. Messages：最基本的通訊管道
        3. 使用自定義 State 傳遞結構化資料
        4. Context Engineering 的三個維度
      7. 15.6 create_agent + LangGraph 的混合使用
        1. 為什麼需要混合使用？
        2. 實戰：自定義 Multi-Agent 工作流
        3. 混合使用的關鍵要點
      8. 15.7 實作練習：建立一個研究報告團隊（Researcher + Writer + Reviewer）
        1. 專案目標
        2. 專案結構
        3. Step 1：建立專案
        4. Step 2：設定環境變數
        5. Step 3：完整程式碼
        6. Step 4：執行程式
        7. 進階挑戰
      9. 本章小結
        1. 下一章預告
    18. 第十六章：Deep Agents — 超越簡單 Agent 的進階架構
      1. 16.1 Deep Agent 是什麼？— 從 Claude Code、Deep Research 到 deepagents
        1. 簡單 Agent 的瓶頸
        2. 那些「深度 Agent」的先驅
        3. deepagents 的定位
      2. 16.2 create_deep_agent — 三行程式碼建立深度 Agent
        1. 安裝
        2. 最簡單的深度 Agent
        3. 完整的入門範例
        4. create_deep_agent 的完整函式簽名
        5. 指定模型的幾種方式
      3. 16.3 四大核心能力 — Planning Tool、File System、Sub-agents、Detailed Prompt
        1. 核心能力一：Planning Tool（規劃工具）
        2. 核心能力二：File System（檔案系統）
        3. 核心能力三：Sub-agents（子 Agent）
        4. 核心能力四：Detailed System Prompt（詳細的系統提示）
      4. 16.4 TodoListMiddleware — 強制 Agent 規劃任務
        1. 規劃的重要性
        2. 運作機制
        3. 實際效果
      5. 16.5 FilesystemMiddleware — 檔案系統作為外部記憶
        1. 為什麼需要檔案系統？
        2. 內建的檔案工具
        3. 搭配 Backend 使用
        4. 實作範例：帶有檔案管理的研究 Agent
      6. 16.6 SubAgentMiddleware — 子 Agent 委派機制
        1. 為什麼需要子 Agent？
        2. 定義子 Agent
        3. Context 隔離的效果
        4. 使用 CompiledSubAgent（進階）
      7. 16.7 SummarizationMiddleware — 上下文窗口管理
        1. Context Window 的挑戰
        2. 運作機制
        3. 與檔案系統的配合
      8. 16.8 Backend 架構 — StateBackend、LocalBackend、StoreBackend
        1. 什麼是 Backend？
        2. StateBackend（預設）
        3. FilesystemBackend（本機磁碟）
        4. StoreBackend（跨 Thread 持久化）
        5. CompositeBackend（混合路由）
      9. 16.9 Sandboxes — langchain-modal、langchain-daytona（v0.4+）
        1. 什麼是 Sandbox？
        2. deepagents v0.4+ 支援的 Sandbox
        3. 使用 Modal Sandbox 的範例
        4. 安全模型
      10. 16.10 create_agent vs create_deep_agent — 何時使用哪個？
        1. 快速對比
        2. 選擇指南
        3. 它們可以混用嗎？
      11. 16.11 實作練習：建立一個能夠進行深度研究的 Agent（含子 Agent 委派）
        1. 專案目標
        2. 專案結構
        3. 步驟一：建立專案
        4. 步驟二：設定環境變數
        5. 步驟三：撰寫主程式
        6. 步驟四：執行
        7. 執行流程解析
        8. 串流輸出（觀察 Agent 的思考過程）
        9. 加入 LangSmith 追蹤
      12. 本章小結
    19. 第十七章：LangSmith — 可觀測性與追蹤
      1. 前言：黑箱裡的 Agent，你真的了解它在想什麼嗎？
      2. 17.1 LangSmith 是什麼？— 統一的 LLM 應用開發平台
        1. 不只是 Log，是你的 AI 開發控制中心
        2. LangSmith 的核心功能
        3. 定價方案
        4. LangSmith 不只限於 LangChain
      3. 17.2 設定追蹤 — LANGSMITH_TRACING=true 環境變數
        1. 三步驟啟用追蹤
        2. 環境變數說明
        3. 第一個追蹤範例
        4. 用 @traceable 追蹤自定義函式
      4. 17.3 Trace 與 Run — 理解追蹤資料結構
        1. 兩個核心概念
        2. Run 的類型
        3. Trace 的樹狀結構
        4. 用程式碼觀察 Trace 結構
      5. 17.4 LangSmith Dashboard — 瀏覽 Trace、篩選、標記
        1. Dashboard 界面總覽
        2. 篩選 Trace
        3. 為 Trace 加上 Metadata 和 Tags
      6. 17.5 除錯技巧 — 找出失敗的 LLM 呼叫、工具錯誤、Token 用量
        1. 除錯就像當偵探
        2. 技巧一：從失敗的 Trace 開始
        3. 技巧二：檢查 LLM 的輸入輸出
        4. 技巧三：分析工具執行錯誤
        5. 技巧四：分析 Token 用量
        6. 技巧五：分析延遲瓶頸
      7. 17.6 Prompt 管理 — 版本控制、A/B 測試、Hub
        1. 你的 Prompt 也需要版本控制
        2. 使用 LangSmith SDK 管理 Prompt
        3. 推送更新版本
        4. 在 Playground 中測試 Prompt
      8. 17.7 LangSmith CLI — 從終端機存取 Trace
        1. 為什麼需要 CLI？
        2. 安裝 LangSmith CLI
        3. 設定認證
        4. 常用指令(假設你的專案名稱是my-langchain-book)
        5. 與 Coding Agent 整合
      9. 17.8 Polly AI 助手 — 在 LangSmith 中使用 AI 分析 Trace
        1. 一個用來除錯 Agent 的 Agent
        2. Polly 能做什麼？
        3. 使用方式
        4. 使用 Polly 的最佳實踐
      10. 17.9 Annotations — 人工標記與品質控制
        1. 機器做追蹤，人類做評判
        2. Annotation 的使用方式
        3. Annotation Queue（標記佇列）
        4. Annotations 的用途
      11. 17.10 實作練習：追蹤並除錯一個 RAG Agent 的完整執行流程
        1. 練習目標
        2. 專案結構
        3. 步驟一：準備環境
        4. 步驟二：建立模擬的 FAQ 文件(documents/faq.txt)
        5. 步驟三：建立 RAG Agent 並追蹤
        6. 步驟四：執行程式並觀察 Trace
        7. 步驟五：在 Dashboard 上分析
        8. 步驟六：使用 SDK 查詢 Trace
        9. 步驟七：為 Trace 新增標記
      12. 本章重點回顧
        1. 下一章預告
    20. 第 18 章：LangSmith 評估 — Agent 品質評量與迭代
      1. 本章學習目標
      2. 18.1 為什麼需要評估？— 從「感覺不錯」到「可量化的品質」
        1. LLM 應用的「品質黑洞」
        2. 評估的三個層次
        3. 評估的核心工作流
        4. 環境準備
      3. 18.2 Dataset — 建立測試資料集
        1. 什麼是 Dataset？
        2. 建立 Dataset 的三種方式
        3. Dataset 版本管理
        4. Dataset 設計最佳實踐
      4. 18.3 Evaluator — 內建評估器
        1. 評估器的角色
        2. 安裝 openevals
        3. openevals 的預建 Prompt
        4. 第一個評估範例：正確性檢查
        5. 連續分數 vs 二元分數
      5. 18.4 LLM-as-Judge — 使用 LLM 作為評審
        1. LLM 評審的原理
        2. 使用不同的評審模型
        3. 自定義評審 Prompt
        4. 使用 Few-shot 範例提升評審品質
        5. LLM-as-Judge 的局限與注意事項
      6. 18.5 Pairwise Annotation Queues — 並排比較兩個 Agent 輸出
        1. 為什麼需要並排比較？
        2. PAQ 的工作流程
        3. Single-run vs Pairwise Annotation Queues
      7. 18.6 自定義 Evaluator — 針對特定需求的評估函式
        1. 為什麼需要自定義？
        2. 基本自定義 Evaluator
        3. 使用 openevals 的 _run_evaluator 包裝
        4. 組合多個 Evaluator
      8. 18.7 Experiment 功能 — 批次執行評估、比較結果
        1. Experiment 的概念
        2. 使用 client.evaluate 執行 Experiment
        3. 比較多個 Experiment
        4. 在 LangSmith Dashboard 中查看 Experiment
        5. summary_evaluators：全局評估
      9. 18.8 Insights — 效能分析儀表板
        1. 從離線到線上：生產環境的品質監控
        2. Insights Agent：AI 驅動的分析
        3. 設定線上評估（Online Evaluation）
        4. Multi-turn Evals：多輪對話的評估
        5. Insights 最佳實踐
      10. 18.9 實作練習：建立一個 RAG 系統的完整評估管線
        1. 專案背景
        2. 完整程式碼
        3. 執行與觀察
        4. 後續迭代建議
      11. 本章摘要
    21. 第十九章：LLM 應用安全威脅全景
      1. 本章學習目標
      2. 章節引言
      3. 19.1 LLM 應用的特殊安全挑戰 — 為什麼傳統資安方法不夠？
        1. 傳統軟體 vs LLM 應用：安全模型的根本差異
        2. LLM 應用的五大安全特性
        3. 為什麼不能「只靠 LLM 自己防禦」？
      4. 19.2 OWASP Top 10 for LLM Applications — 十大風險概覽
        1. 2025 版的重要變化
      5. 19.3 Prompt Injection（提示注入）— 直接注入與間接注入的原理與範例
        1. 直接 Prompt Injection（Direct Prompt Injection）
        2. 間接 Prompt Injection（Indirect Prompt Injection）
        3. 為什麼 Prompt Injection 這麼難防？
        4. LangChain 開發者該怎麼想？
      6. 19.4 Jailbreaking（越獄攻擊）— 繞過 System Prompt 限制
        1. 常見的 Jailbreaking 技術
        2. Jailbreaking 對 Agent 開發者的影響
      7. 19.5 Data Leakage（資料洩露）— 訓練資料、System Prompt、使用者資料的外洩風險
        1. 訓練資料洩露（Training Data Leakage）
        2. System Prompt 洩露
        3. 使用者資料洩露（User Data Leakage）
        4. 對 LangChain 開發者的建議
      8. 19.6 Tool Misuse（工具濫用）— Agent 被誘導執行危險操作
        1. 攻擊場景一：直接工具濫用
        2. 攻擊場景二：間接工具濫用
        3. 攻擊場景三：工具鏈攻擊（Tool Chain Attack）
        4. 防禦策略：最小權限原則
      9. 19.7 Serialization Injection — CVE-2025-68664（LangGrinch）案例分析
        1. 漏洞概要
        2. 漏洞原理
        3. 攻擊鏈
        4. 為什麼這個漏洞特別嚴重？
        5. 修復措施
        6. 你該怎麼做？
        7. 從 LangGrinch 學到的教訓
      10. 19.8 供應鏈安全 — 第三方 MCP Server 與社群套件的風險
        1. 供應鏈攻擊的三個面向
        2. 供應鏈風險的真實案例
        3. 防禦策略
      11. 19.9 Denial of Service — Token 耗盡攻擊、無限迴圈
        1. Token 耗盡攻擊
        2. 無限迴圈攻擊
        3. 防禦策略
      12. 19.10 實作練習：模擬攻擊 — 對自己的 Agent 進行 Prompt Injection 測試
        1. 步驟一：建立目標 Agent
        2. 步驟二：執行測試並分析結果
        3. 步驟三：記錄你的發現
        4. 練習延伸
      13. 本章小結
      14. 下章預告
    22. 第 20 章：Guardrails 實戰 — 使用 Middleware 構建多層防禦
      1. 本章學習目標
      2. 20.1 Defense in Depth — 多層防禦策略設計
        1. 什麼是 Defense in Depth？
        2. LangChain v1 的 Guardrails 架構
        3. 規則式 vs 模型式：兩種 Guardrails 的取捨
        4. 環境準備
      3. 20.2 Input Guardrails — before_agent Hook 實作輸入過濾
        1. 使用 @before_agent 裝飾器
        2. 關鍵概念解說
        3. 進階：多重 Input Guardrails 組合
      4. 20.3 Prompt Injection 偵測 — 規則式 vs 模型式
        1. 規則式偵測：快速但有限
        2. 模型式偵測：LLM 作為分類器
      5. 20.4 PIIMiddleware 深度應用 — 自定義偵測模式、多策略組合
        1. PIIMiddleware 的四大策略
        2. 內建 PII 類型與自定義偵測
        3. PIIMiddleware 的應用位置
      6. 20.5 ContentModerationMiddleware（v1.1+）— 有害內容過濾
        1. 基本用法
      7. 20.6 Output Guardrails — after_model Hook 實作輸出驗證
      8. 20.7 Tool Execution 控制 — wrap_tool_call 限制危險操作
      9. 20.8 HumanInTheLoopMiddleware — 高風險操作的人工審核閘門
      10. 20.9 Rate Limiting — 防止 Token 耗盡與濫用
        1. 為什麼需要 Rate Limiting？
        2. 使用內建的限制 Middleware
      11. 20.10 NeMo Guardrails 整合 — NVIDIA 開源 Guardrails 框架與 LangChain 搭配
        1. 安裝與設定
        2. 建立 Guardrails 配置
        3. 在 LangChain Agent 中整合 NeMo Guardrails
        4. NeMo Guardrails 與 LangGraph 的整合
        5. NeMo Guardrails vs LangChain Middleware：如何選擇？
      12. 20.11 安全最佳實踐總整理 — API 金鑰管理、最小權限原則、日誌審計
        1. API 金鑰管理
        2. 最小權限原則
        3. 日誌審計
        4. 安全清單總覽
      13. 20.12 實作練習：建立一個具備完整 Guardrails 的醫療諮詢 Agent
        1. 情境描述
        2. 架構回顧
      14. 本章摘要
    23. 第 21 章：LangGraph Platform — 部署 Agent 服務
      1. 本章學習目標
      2. 21.1 LangGraph Platform 概覽 — Agent 部署的整合方案
        1. 從 LangServe 到 LangGraph Platform
        2. LangGraph Platform 包含什麼？
        3. 四種部署方案
      3. 21.2 langgraph.json 配置 — 定義 Graph、環境變數、相依套件
        1. 專案結構
        2. 使用 uv 初始化專案
        3. langgraph.json 完整解析
        4. 建立範例 Agent
        5. 使用工廠函式（進階）
      4. 21.3 LangGraph CLI — langgraph dev 本地開發伺服器
        1. 安裝 LangGraph CLI
        2. 啟動本地開發伺服器
        3. langgraph dev 的常用選項
        4. 使用 Python SDK 呼叫
      5. 21.4 LangGraph Studio — 視覺化 Agent 除錯工具
        1. Studio 是什麼？
        2. 啟動 Studio
        3. Studio 的核心功能
        4. Studio 除錯實戰
      6. 21.5 LangGraph API Server — REST API 端點
        1. 架構概覽
        2. 五大資源端點
        3. Assistants API
        4. Threads API
        5. Runs API — 三種執行模式
        6. 串流模式詳解
        7. 錯誤處理與狀態碼
      7. 21.6 背景執行 — 長時間 Agent 任務的非同步處理
        1. 為什麼需要背景執行？
        2. 背景執行完整範例
        3. Webhook 回呼
      8. 21.7 Cron Jobs — 排程執行 Agent
        1. 場景想像
        2. 建立 Cron Job
        3. Cron 表達式速查
        4. 有狀態 vs 無狀態
      9. 21.8 LangSmith Deployment — 雲端部署與擴展
        1. 最快速的部署方式
        2. 雲端部署的優勢
      10. 21.9 自架部署（Self-hosted）— Docker Compose 方案
        1. 為什麼要自架？
        2. Step 1：建置 Docker 映像檔
        3. Step 2：準備 Docker Compose
        4. Step 3：啟動服務
        5. 也可以用 langgraph up 一鍵啟動
        6. 生產環境建議
      11. 21.10 實作練習：將 RAG Agent 部署為 API 服務
        1. 練習目標
        2. Step 1：建立 RAG Agent
        3. Step 2：配置專案
        4. Step 3：本地測試
        5. Step 4：完整測試腳本
      12. 本章摘要
    24. 第 22 章：生產化最佳實踐
      1. 本章學習目標
      2. 22.1 效能優化 — 快取策略、並行呼叫、Token 節省技巧
        1. 為什麼效能很重要？
        2. 快取策略（Caching）
        3. 並行呼叫（Parallel Execution）
        4. Token 節省技巧
      3. 22.2 成本控制 — 模型選擇策略、Token 用量監控、分級處理
        1. LLM 帳單的恐怖故事
        2. 模型選擇策略：不要用大砲打蚊子
        3. Token 用量監控
        4. 分級處理（Tiered Processing）
      4. 22.3 錯誤處理 — 重試策略、降級方案、Circuit Breaker
        1. LLM 應用的錯誤特性
        2. ModelRetryMiddleware — 指數退避重試
        3. ToolRetryMiddleware — 工具層級的重試
        4. ModelFallbackMiddleware — 模型降級方案
        5. Circuit Breaker 模式
        6. 組合防禦策略
      5. 22.4 監控告警 — LangSmith Insights + 自定義指標
        1. 為什麼「感覺不錯」不夠？
        2. LangSmith 自動追蹤
        3. LangSmith Dashboard 核心指標
        4. 設定告警（Alerts）
      6. 22.5 版本管理 — Prompt 版本控制、模型版本鎖定
        1. Prompt 就是程式碼
        2. LangSmith Prompt Hub
        3. 模型版本鎖定
      7. 22.6 測試策略 — 單元測試、整合測試、評估測試的分層
        1. LLM 應用的測試困境
        2. 第一層：單元測試
        3. 第二層：整合測試
        4. 第三層：評估測試（LangSmith Evaluation）
      8. 22.7 CI/CD — 將 LLM 評估納入部署管線
        1. 為什麼 LLM 應用需要特殊的 CI/CD？
      9. 22.8 套件安全更新 — 追蹤 CVE、依賴版本鎖定策略
        1. 依賴版本鎖定策略
        2. 自動化安全掃描
        3. 安全更新的 SOP
        4. 追蹤 LangChain 安全公告
      10. 本章摘要
    25. 第 23 章：實戰專案一：AI 智能客服機器人
      1. 23.1 專案架構設計 — 需求分析與系統設計
        1. 需求場景
        2. 系統架構總覽
        3. 專案初始化
      2. 23.2 知識庫建構 — FAQ 文件 RAG 管線
        1. 準備 FAQ 資料
        2. 建構 RAG 管線
        3. 建立 FAQ 搜尋工具
      3. 23.3 多輪對話管理 — Checkpointing 與 Thread 管理
        1. 為什麼需要多輪對話？
        2. Checkpointer 的角色
        3. Thread 的概念
      4. 23.4 意圖識別 — Structured Output 路由到不同處理流程
        1. 意圖識別的重要性
        2. 定義意圖 Schema
        3. 在 Agent 中使用意圖識別
      5. 23.5 工單系統整合 — MCP Server 連接 Ticket 系統
        1. 為什麼用 MCP？
        2. 建立工單 MCP Server
        3. 將 MCP 工具載入 Agent
      6. 23.6 人工轉接 — Human-in-the-Loop 升級流程
        1. 什麼時候需要人工轉接？
        2. 建立轉接工具
        3. 搭配 HumanInTheLoopMiddleware
      7. 23.7 Middleware 配置 — 對話摘要 + PII 遮蔽 + Prompt Injection 防護
        1. Middleware Stack 設計
        2. PII 遮蔽
        3. 對話摘要
        4. 自定義安全 Middleware — Prompt Injection 防護
        5. 組合所有 Middleware
      8. 23.8 LangSmith 監控 — 追蹤客服品質與回覆準確度
        1. 為什麼需要監控？
        2. 基本追蹤設定
        3. 自定義 Metadata 追蹤
        4. 品質評估 Dataset
      9. 23.9 部署上線 — LangGraph Platform API 服務
        1. 組裝完整的 Agent
        2. 加入 MCP 工具的非同步版本
        3. 部署為 LangGraph Platform API
        4. Docker 部署
      10. 本章小結
    26. 第 24 章：實戰專案二 — 企業文件問答系統
      1. 本章學習目標
      2. 24.1 專案架構設計 — 多源文件整合方案
        1. 需求分析
        2. 系統架構總覽
        3. 專案初始化
      3. 24.2 文件處理管線 — 多格式文件的統一載入與切割
        1. 統一文件載入器
        2. 文字切割策略
        3. 完整的文件處理 Pipeline
      4. 24.3 知識圖譜建構 — LLMGraphTransformer + Neo4j
        1. 為什麼需要知識圖譜？
        2. 使用 LLMGraphTransformer 自動建構圖譜
        3. 建構知識圖譜的實際操作
      5. 24.4 混合檢索 — Vector Search + Graph Traversal
        1. 三種檢索策略的互補
        2. 建立向量存儲
        3. 圖譜檢索器
        4. 混合檢索器 — 三劍合璧
      6. 24.5 引用追蹤 — 回答附帶來源文件標注
        1. 為什麼引用追蹤很重要？
        2. 實現引用追蹤的 Agent
      7. 24.6 權限控制 — 不同使用者存取不同文件範圍
        1. 權限模型設計
        2. 權限控制的實現
        3. 帶權限的問答流程
      8. 24.7 增量更新 — 文件新增 / 修改的即時索引更新
        1. 為什麼需要增量更新？
        2. 增量更新策略
      9. 24.8 評估與改善 — LangSmith 評估 RAG 品質
        1. RAG 品質的三大指標
        2. 使用 LangSmith 建立評估管線
        3. 解讀評估結果
      10. 本章小結
        1. 學到的核心技術
    27. 第 25 章：實戰專案三 — 自動化工作流系統
      1. 本章學習目標
      2. 25.1 專案架構設計 — 事件驅動的 Agent 工作流
        1. 整體系統概觀
        2. 環境初始化
        3. 定義工作流狀態
      3. 25.2 郵件處理節點 — 使用 MCP 連接 Gmail
        1. MCP Gmail 連線設定
      4. 25.3 分類與路由 — 條件邊界 (conditional edges) 實現智能分流
        1. 郵件分類節點
        2. 路由函式 — 用 conditional edges 實現智慧分流
        3. 各類別處理節點
      5. 25.4 報表產生 — Structured Output 轉換為 Excel/PDF
        1. 報表資料結構化
      6. 25.5 審批流程 — Multi-Agent Supervisor 模式
        1. 為什麼需要審批？
        2. 通知發送節點
      7. 25.6 排程執行 — Cron Job 與背景任務
        1. 組裝完整的 LangGraph 工作流
        2. 執行工作流
        3. 使用 LangGraph Platform 排程
      8. 25.7 錯誤恢復 — Durable Execution 的實際效用
        1. 為什麼需要 Durable Execution？
        2. Checkpointer 的運作原理
        3. 在生產環境中使用 PostgresSaver
        4. 搭配 Middleware 實現重試邏輯
      9. 25.8 監控面板 — LangSmith 工作流追蹤
        1. 設定 LangSmith 追蹤
        2. LangSmith Insights — 長期趨勢分析
      10. 本章重點摘要
    28. 第 26 章：實戰專案四 — 電商智能助理
      1. 本章學習目標
      2. 26.1 專案架構設計 — 電商場景的 Agent 需求
        1. 場景分析：一位 AI 店員需要什麼能力？
        2. 系統架構圖
        3. 專案初始化
      3. 26.2 商品知識庫 — 結構化商品資料的向量化與圖譜化
        1. 準備商品資料
        2. 向量化商品資料（Vector Store）
        3. 圖譜化商品資料（Neo4j Knowledge Graph）
      4. 26.3 商品推薦 Agent — 基於使用者偏好的智能推薦
        1. 設計推薦工具
        2. 推薦策略的秘密武器：GraphRAG 混合搜尋
      5. 26.4 銷售數據分析 — Deep Agent 進行多步驟數據分析
        1. 準備銷售數據
        2. 使用 Deep Agent 分析銷售數據
      6. 26.5 訂單查詢工具 — MCP Server 連接訂單系統
        1. 用 FastMCP 建立訂單查詢 Server
        2. 在 Agent 中連接 MCP Server
      7. 26.6 多語言支援 — 繁體中文 / 英文的自動切換
        1. 自定義多語言 Middleware
        2. 測試多語言切換
      8. 26.7 A/B 測試 — 使用 LangSmith 比較不同推薦策略
        1. 為什麼需要 A/B 測試？
        2. 設定 A/B 測試
      9. 26.8 整合：組裝完整的電商智能助理
        1. 主控 Agent — 統一入口
        2. 對話示範
      10. 本章摘要
        1. 關鍵設計原則
    29. 第 27 章：實戰專案五：企業知識庫管理系統
      1. 本章學習目標
      2. 27.1 專案架構設計 — 企業知識管理的全景
        1. 需求分析：企業知識管理的痛點
        2. 系統架構全景圖
        3. 技術棧選型
        4. 專案結構
        5. 環境初始化
      3. 27.2 文件管理模組 — 上傳、解析、自動摘要
        1. 文件資料模型
        2. 多格式文件載入器
        3. 智慧文字切割
        4. AI 自動摘要
      4. 27.3 自動索引管線 — 增量式 RAG 索引更新
        1. 向量索引管理
        2. 知識圖譜索引
        3. 增量索引管線
      5. 27.4 智能問答介面 — Streamlit + create_agent
        1. 問答 Agent 設計
        2. 安全 Middleware 配置
        3. 問答 Agent 組裝
        4. Streamlit 智能問答介面
      6. 27.5 知識圖譜可視化 — Neo4j 圖形化介面
        1. Neo4j Browser 的基本使用
      7. 27.6 協作功能 — 多使用者的 Thread 與對話管理
        1. Thread 管理的重要性
        2. PostgreSQL Checkpointer 設定
        3. 對話管理 API
      8. 27.7 安全層 — 完整 Guardrails 配置
        1. 多層防禦架構
        2. PII 偵測增強
        3. 權限控制系統
      9. 27.8 管理後台 — 文件審核、使用統計、品質監控
        1. 管理後台介面
      10. 27.9 完整部署 — Docker Compose + LangGraph Platform
        1. Docker Compose 配置
        2. Dockerfile
        3. LangGraph Platform 配置
        4. 一鍵啟動
      11. 本章總結
      12. 你還可以再加強：
        1. 1：擴充文件格式支援
        2. 2：實作文件相似度推薦
        3. 3：整合 LangSmith 自動評估
        4. 4：實作增量知識圖譜更新
    30. 附錄 A：Gemini 與 Claude API 快速參考
      1. A.1 Gemini API — 模型列表、參數、免費額度
        1. 目前可用的主要模型
        2. Embedding 模型
        3. 定價一覽（Paid Tier）
        4. 免費額度（Free Tier）
        5. API Key
        6. 常用 API 參數速查
      2. A.2 Claude API — 模型列表、參數、定價
        1. 目前可用的主要模型
        2. 定價一覽
        3. Extended Thinking（延伸思考）
        4. API Key
        5. 常用 API 參數速查
      3. A.3 langchain-anthropic 設定參考
      4. 模型選擇決策指南
    31. 附錄 B：常用 Prompt Engineering 技巧
      1. B.1 System Prompt 設計模式
        1. System Prompt 在 create_agent 中的角色
        2. 五大 System Prompt 設計模式
          1. 模式一：角色定義法（Role-Playing Pattern）
          2. 模式二：約束邊界法（Boundary Pattern）
          3. 模式三：流程指引法（Workflow Pattern）
          4. 模式四：輸出格式法（Output Format Pattern）
          5. 模式五：多角色協作法（Multi-Persona Pattern）
        3. System Prompt 撰寫的黃金法則
      2. B.2 Few-shot 範例格式
        1. 什麼是 Few-shot Prompting？
        2. 在 LangChain v1 中使用 Few-shot
        3. Few-shot 範例的設計技巧
      3. B.3 Chain-of-Thought 提示
        1. 什麼是 Chain-of-Thought（CoT）？
        2. 三種 CoT 策略
          1. 策略一：Zero-shot CoT（最簡單）
          2. 策略二：Few-shot CoT（最可靠）
          3. 策略三：自我一致性 CoT（Self-Consistency CoT）
        3. CoT 在 Agent 場景中的應用
      4. B.4 Tool 描述的最佳化技巧
        1. 為什麼 Tool Description 如此重要？
        2. Tool Description 的結構
        3. 七個 Tool Description 最佳化技巧
          1. 技巧一：明確描述「何時使用」和「何時不使用」
          2. 技巧二：在參數描述中提供範例值
          3. 技巧三：使用 snake_case 命名工具
          4. 技巧四：描述回傳值的格式
          5. 技巧五：利用 Pydantic 的 Field 描述強化參數說明
          6. 技巧六：當工具之間容易混淆時，使用「對比描述」
          7. 技巧七：善用 v1.2+ 的 extras 屬性
        4. Tool Description 自我檢查清單
      5. 本章摘要

    購買說明

    根據台灣現行法規，數位內容（ 如電子書、音樂、影片、遊戲、App ）形式之商品，不受「網購服務需提供七日鑑賞期」的限制。為維護您的權益，建議您先使用「試讀」功能後再付款購買。

    試讀