三天課程(共18小時)
- LLM 基礎與提示工程
- LLM 運作原理概觀 (Tokens, Temperature)。
- 基礎 Prompting 技巧
- Few-shots Prompting
- Prompt Engineering 的概念與最佳實踐
- 思考鏈 (Chain of Thought, CoT)
- ReAct Prompting
- RAG 檢索增強生成
- Embeddings 概念簡介
- Vector Stores 介紹
- 本地 Vector Store 選擇：FAISS
- 建立索引與儲存 Embeddings
- 相似度搜尋 (similarity_search)
- 檢索（retrieval）與 re-ranking
- LangChain 核心與地端 LLM
- LangChain 中的 LLMs vs Chat Models
- 整合 Ollama，使用地端LLM
- 微調 vs Prompting vs RAG
- Full Fine-tuning vs. 參數高效微調 (PEFT) 原理 (LoRA, QLoRA)
- PromptTemplate 的設計與使用
- 探索 LangChain Hub 上的 Prompt 範例
- PydanticOutputParser 強制輸出格式
- 基礎鏈 (LLMChain)
- LangChain 表達式語言 (LCEL) 基礎。
- Agentic Design（代理人設計）與Multi-Agents（多代理人）
- Agent 核心：LLM 推理引擎 + Tools
- ReAct 框架在 Agent 中的應用
- Tool added and tool calling
- LangGraph and Agent Router
- Agent 與記憶
