第一部分 生成式 AI 基礎知識

第一章 生成式人工智慧
1.1 傳統型人工智慧的定義與基本概念
   1.1.1 專家系統
   1.1.2 機器學習與深度學習引入
1.2 生成式 AI 的誕生
   1.2.1 什麼是生成式 AI？
   1.2.2 生成式 AI 的歷史背景
1.3 傳統型人工智慧和生成式人工智慧的差異
1.4 生成式 AI 的核心重點
   1.4.1 極大量資料：模型學習的基礎
   1.4.2 生成式對抗網路（GAN）
1.5 生成式 AI 的應用場景
   1.5.1 自然語言生成
   1.5.2 影像生成
   1.5.3 音樂與聲音合成
   1.5.4 其他應用
1.6 生成式 AI 的優勢與挑戰
   1.6.1 導入生成式 AI 的優勢
   1.6.2 導入生成式 AI 的挑戰
1.7 本章小結

第二部分 大型語言模型介紹

第二章 大型語言模型
2.1 大型語言模型介紹
2.2 大型語言模型的歷史
   2.2.1 深度學習的應用
   2.2.2 Transformer 結構的突破
   2.2.3 詞向量模型的起源
2.3 大型語言模型的應用場景
   2.3.1 自然語言生成
   2.3.2 情感分析與文本處理
   2.3.3 資料生成與輔助學習
2.4 開源與閉源語言模型的比較
   2.4.1 開源語言模型
   2.4.2 閉源語言模型
2.5 指令調整模型與原始模型差異
   2.5.1 原始模型的特徵
   2.5.2 指令調整模型的特徵
   2.5.3 原始模型與指令調整模型的差異比較
   2.5.4 應用差異
2.6 大型語言模型與多模態模型
   2.6.1 單模態模型（LLM）
   2.6.2 多模態模型（LMM）
   2.6.3 大型推理模型（LRM）
   2.6.4 應用差異
2.7 本章小結

第三章 閉源式模型的介紹與使用方法
3.1 閉源式生成式 AI 模型概述
   3.1.1 主流閉源式生成式 AI 模型介紹
   3.1.2 模型選擇策略與實際應用場景
3.2 閉源式模型的使用方法    
   3.2.1 使用模型的多種方式
   3.2.2 使用流程與實作細節
   3.2.3 Prompt Engineering 介紹
3.3 使用閉源式模型的注意事項
   3.3.1 資料隱私與安全性
   3.3.2 法律與合規性
   3.3.3 效能與穩定性
   3.3.4 成本效益管理
3.4 本章小結

第四章 開源式模型的介紹與使用方法
4.1 開源模型概述
4.2 主流開源模型介紹
   4.2.1 Llama
   4.2.2 Gemma
   4.2.3 Mistral
   4.2.4 Phi
   4.2.5 DeepSeek
4.3 繁體中文開源語言模型介紹
   4.3.1 Project TAME
   4.3.2 Breeze 系列模型
   4.3.3 TAIDE
4.4 開源模型的選擇與應用
   4.4.1 模型選擇標準
   4.4.2 部署與整合方法
4.5 開源模型的未來發展
4.6 本章小結

第三部分 模型服務上線

第五章 模型選擇與評估模型能力
5.1 模型選擇的重要性
   5.1.1 為什麼模型選擇是成功的關鍵
   5.1.2 模型選擇的影響範疇
5.2 常用的基準資料集介紹
   5.2.1 Benchmarks 的用途與局限性
   5.2.2 主要的 Benchmark 資料集分類與特點
   5.2.3 如何選擇適合的 Benchmark 測試模型
5.3 自行準備的資料及評估方式
   5.3.1 手動評估方法
   5.3.2 自動化評估方法
   5.3.3 使用大模型評估小模型能力值
5.4 閉源模型和開源模型怎麼選
   5.4.1 閉源模型的優勢與限制
   5.4.2 開源模型的優勢與挑戰
   5.4.3 選擇策略
5.5 如何找出閉源模型適合的專案
   5.5.1 閉源模型的官方文件與能力描述
   5.5.2 透過測試資料評估閉源模型
   5.5.3 依賴 Benchmark 評估閉源模型
5.6 開源模型怎麼評估
   5.6.1 模型評估的關鍵指標
   5.6.2 開源模型的測試方法
   5.6.3 評估工具與框架
   5.6.4 特殊場景的開源模型測試
5.7 本章小結

第六章 生成式人工智慧模型即服務的方法
6.1 生成式 AI 即服務（GenAI Model as a Service）介紹
   6.1.1 生成式 AI 即服務定義與基本概念
   6.1.2 生成式 AI 即服務架構
6.2 讓 GenAI 模型服務化的好處
   6.2.1 靈活選擇與替換生成式 AI 模型
   6.2.2 減少提供給模型廠商的資料量
   6.2.3 長期成本效益：自建模型的優勢
   6.2.4 提高彈性與擴展性
6.3 Ollama GenAI MaaS 工具介紹
   6.3.1 介紹 Ollama 工具
   6.3.2 如何開始使用 Ollama
   6.3.3 Ollama Embedding：可以將人類語言轉譯成機器語言
6.4 生成式 AI 模型的部署與維運
   6.4.1 部署過程
   6.4.2 持續維運的關鍵
6.5 生成式 AI 模型即服務的安全性與隱私考量
   6.5.1 安全性問題
   6.5.2 隱私保護
   6.5.3 道德與法律風險
6.6 本章小結

第四部分 透過 DevOps 進行生成式 AI 專案的流程再造

第七章 DevOps 與 MLOps 簡介
7.1 DevOps 與 MLOps 介紹
   7.1.1 DevOps 簡述
   7.1.2 MLOps 簡述
7.2 DevOps 的核心理念與流程
   7.2.1 持續整合（CI）
   7.2.2 持續交付（CD）
7.3 MLOps 的特點與挑戰
   7.3.1 MLOps 的目標與重要性
   7.3.2 MLOps 的關鍵挑戰
7.4 DevOps 與 MLOps 的差異性比較
7.5 MLOps 工作流的主要階段
   7.5.1 資料工程（Data Engineering）
   7.5.2 特徵工程（Feature Engineering）與模型訓練（Model Training）
   7.5.3 模型部署（Model Deployment）與監控（Model Monitoring）
7.6 MLOps 工具與框架
   7.6.1 Kubeflow
   7.6.2 MLflow
7.7 本章小結

第八章 LLMOps - LLM for DevOps 方法與流程
8.1 什麼是 LLMOps？
   8.1.1 LLMOps 的核心構成
   8.1.2 LLMOps 的實務操作要點
8.2 為什麼需要 LLMOps？
8.3 LLMOps 的核心組成
   8.3.1 資料收集與準備
   8.3.2 模型訓練與模型微調
   8.3.3 模型部署與優化
   8.3.4 持續監控與管理
   8.3.5 安全性與法規遵循
8.4 LLMOps 與 MLOps 的關係
8.5 LLMOps 的優勢
   8.5.1 提升效能
   8.5.2 提高效率
   8.5.3 增強穩定性與安全性
8.6 LLMOps 的最佳實踐
   8.6.1 確保資料品質
   8.6.2 監控訓練進度
   8.6.3 選擇適合的部署環境
   8.6.4 實施全面監控
8.7 小結

第五部分 檢索增強生成（RAG）與模型微調（Fine-Tune）

第九章 檢索增強生成和模型微調介紹
9.1 檢索增強生成和模型微調
   9.1.1 RAG 介紹
   9.1.2 Fine-Tuning 介紹
   9.1.3 RAG 和 Fine-Tune 之間的比較表
9.2 決策因素：何時使用 RAG？何時使用 Fine-Tune？
   9.2.1 RAG 的適用情境
   9.2.2 Fine-Tune 的適用情境
   9.2.3 單獨與混合策略
9.3 RAG 和 Fine-Tuning 流程設計與實務建議
   9.3.1 RAG 專案整合流程
   9.3.2 Fine-Tune 專案整合流程
   9.3.3 RAG + Fine-Tune 混合方案流程
9.4 RAG 和 Fine-Tuning 在專案時程與維運上的考量思考
   9.4.1 成本衡量
   9.4.2 時程規劃
   9.4.3 維運策略
9.5 本章小結

第十章 嵌入向量 Embedding Vector
10.1 什麼是 Embedding？
    10.1.1 定義與概念
    10.1.2 Embedding Vector 的核心特性
10.2 Embedding 的數學基礎
    10.2.1 向量空間與線性代數回顧
    10.2.2 距離衡量方法
    10.2.3 維度縮減的技術
10.3 Embedding 的應用場景
    10.3.1 自然語言處理（NLP）
    10.3.2 計算機視覺（CV）
    10.3.3 其他應用領域
10.4 嵌入技術的生成方式
    10.4.1 基於詞袋模型（Bag of Words）
    10.4.2 Word2Vec 與 GloVe
    10.4.3 深度學習與新一代 Embedding 模型
    10.4.4 Word Embedding 與 Sentence Embedding
10.5 如何衡量與評估 Embedding 的效果？
    10.5.1 平均倒數排名（MRR）的基本定義
    10.5.2 直觀理解 MRR 與實際意義
    10.5.3 MRR 的計算範例
    10.5.4 MRR 的優缺點
10.6 本章小結

第六部分 建置 RAG 知識庫服務系統流程

第十一章 文章字塊切分 Chunking
11.1 Chunking 的基本概念與重要性
    11.1.1 Chunking 的核心概念
    11.1.2 Chunking 與文本表示的關係
    11.1.3 Chunking 的理論基礎
11.2 Chunking 策略與方法分類
    11.2.1 固定長度的 Chunking
    11.2.2 基於語意單位的 Chunking
    11.2.3 混合式 Chunking 策略
    11.2.4 分層 Chunking 方法
11.3 Chunking 過程中的關鍵挑戰
    11.3.1 Chunk 大小與語意資訊的平衡
    11.3.2 語意連續性與上下文保留
    11.3.3 Chunking 與文本結構整合
    11.3.4 多語言與特殊文本處理
11.4 Chunking 的進階理論
    11.4.1 Chunking 的數學模型
    11.4.2 語意密度與文本分割
    11.4.3 Chunking 策略的理論評估
11.5 Chunking 與上下游流程的整合
    11.5.1 Chunking 與 Embedding
    11.5.2 Chunking 與檢索索引架構
    11.5.3 Chunking 與動態更新
11.7 本章小結

第十二章 RAG 知識點的 Metadata 介紹
12.1 什麼是中繼資料（Metadata）
12.2 Metadata 所帶來的好處
    12.2.1 文件詳情
    12.2.2 來源識別
    12.2.3 搜索增強
12.3 Metadata 的挑戰與重要性
    12.3.1 過多匹配（Too Many Matches）
    12.3.2 重要資訊的遺失（Loss of Important Information）
12.4 Metadata 與混合搜索策略
    12.4.1 混合策略（Hybrid Strategy）
    12.4.2 過濾選項（Filtering Options）
12.5 LLM 的語義搜尋與 Metadata 的智慧檢索
    12.5.1 語義搜尋的實現（Semantic Search Implementation）
    12.5.2 Metadata 在提示模板化（Prompt Templating）中的應用
12.6 本章小結

第十三章 RAG 知識資料庫
13.1 什麼是 RAG 知識資料庫？
13.2 RAG 知識資料庫的建構流程
    13.2.1 知識資料準備
    13.2.2 嵌入向量生成
    13.2.3 Metadata 設計
    13.2.4 測試與部署
13.3 知識資料庫的查詢與應用
    13.3.1 查詢機制與流程
    13.3.2 Metadata 在查詢中的作用
    13.3.3 常見的應用場景與查詢案例
13.4 地端知識資料庫 ChromaDB
    13.4.1 ChromaDB 的知識資料庫介紹
    13.4.2 ChromaDB 優點
13.5 RAG 知識資料庫的雲端服務
13.6 RAG 知識資料庫的優化
    13.6.1 提高檢索效率
    13.6.2 提升檢索準確性
    13.6.3 性能監控與調整
13.7 本章小結

第十四章 實作 RAG 知識庫服務系統
14.1 RAG 知識庫服務的概念與挑戰
14.2 RAG 系統架構與核心技術
    14.2.1 向量嵌入技術
    14.2.2 高效檢索機制
    14.2.3 上下文增強與提示設計
14.3 RAG 系統實作流程與細節
    14.3.1 知識庫構建階段
    14.3.2 查詢應答階段
14.4 系統效能與優化策略
    14.4.1 提升檢索效率
    14.4.2 降低模型幻覺與提升答案可信度
14.5 實際應用案例
    14.5.1 法律領域：智慧法規助理
    14.5.2 企業知識管理：內部智慧知識助理
14.6 結論

第七部分 進階型 RAG 服務介紹

第十五章 進階 RAG 知識庫檢索方法
15.1 基礎 RAG 檢索會遇到的盲點
    15.1.1 知識庫整理困難
    15.1.2 Embedding Model 的長度限制
    15.1.3 LLM API 的成本優化
15.2 句子窗口檢索介紹（Sentence Window Retrieval）
    15.2.1 Sentence Window Retrieval 的概念
    15.2.2 核心流程與技術細節
    15.2.3 句子窗口檢索的優勢與限制
15.3 自動合併檢索介紹（Auto-merging Retrieval）
    15.3.1 核心思路：先細分後合併
    15.3.2 Auto-merging 的流程與演算法
    15.3.3 範例與實際應用場景
15.4 相關段提取介紹（Relevant Segment Extraction）
    15.4.1 Relevant Segment Extraction 的意義
    15.4.2 技術原理與步驟
    15.4.3 高階優化技巧
15.5 進階 RAG 檢索方法比較
15.6 本章小結

第十六章 KAG 和 GraphRAG 概念
16.1 知識圖譜與生成式 AI 的關聯
    16.1.1 知識圖譜（Knowledge Graph）的基本概念
    16.1.2 知識圖譜的典型應用
    16.1.3 為何生成式 AI 需要知識圖譜
16.2 KAG（Knowledge-Aware Graph）概念
    16.2.1 KAG 的核心特徵
    16.2.2 KAG 的優勢
    16.2.3 KAG 的技術挑戰
16.3 GraphRAG（Graph-based Retrieval-Augmented Generation）
    16.3.1 GraphRAG 的工作流程
    16.3.2 GraphRAG 的應用場景
    16.3.3 GraphRAG 的技術挑戰
16.4 KAG 與 GraphRAG 的比較與整合
    16.4.1 主要差異
    16.4.2 整合場景
16.5 本章小結

第十七章 CAG 概念
17.1 CAG 介紹
17.2 CAG 技術細節
    17.2.1 CAG 的核心架構
    17.2.2 為何 CAG 能夠避免檢索錯誤？
17.3 結果分析
17.4 CAG 優缺點分析
    17.4.1 CAG 優勢分析
    17.4.2 局限性與未來改進
17.5 本章小結

第八部分 生成式 AI 模型服務與 RAG 系統的評估

第十八章 LLM 模型評估
18.1 LLM 模型評估概念與定位
    18.1.1 為何進行 LLM 評估
    18.1.2 現行評測方法的演進與背景
18.2 模型評估 vs. 任務評估
    18.2.1 模型評估（LLM Model Evals）的核心指標與方法
    18.2.2 任務評估（LLM Task Evals）的應用場景與限制
    18.2.3 兩者互補與差異化解讀
18.3 現有評測指標與基準工具
    18.3.1 MMLU╱MMLU-Pro
    18.3.2 MT-Bench
    18.3.3 GPQA
    18.3.4 MATH
    18.3.5 MMMU
    18.3.6 評測工具與數據分析：從 OpenAI Simple-Eval 到 Langchain Auto-Evaluator
18.4 新興評估框架與技術趨勢
    18.4.1 MixEval 與 Open LLM Leaderboard 的實戰啟示
    18.4.2 HuggingFace Evaluation Guidebook 的落地實例
    18.4.3 LLM 作為評審：利用模型自我評估與互評的潛力
18.5 本章小結

第十九章 RAG 系統評估
19.1 RAG 評估重要性
19.2 RAG 評估指標與衡量方法
    19.2.1 基本指標：精確度、召回率與上下文相關性
    19.2.2 自動化無參考評估方法
    19.2.3 定性與定量指標的整合
    19.2.4 Top-k 知識搜尋評估
19.3 評估工具與框架解析
    19.3.1 RAGAS 介紹
    19.3.2 RAG Triad：設計理念與應用限制   
    19.3.3 RAGChecker
19.4 Benchmark 與資料集構建
    19.4.1 RAG Benchmark 介紹與設計原則
    19.4.2 常用資料集與標準流程
    19.4.3 Benchmark 結果解析與數據對比
19.5 本章小結

第九部分 AI Agent 與 RAG 結合之應用

第二十章 AI Agent
20.1 什麼是 AI Agents？
20.2 生成式 AI Agents 的核心組成
    20.2.1 模型：AI Agent 的智慧核心
    20.2.2 工具：連接內外世界的橋樑
    20.2.3 指揮層（Orchestration Layer）：Agent 的指揮中心
20.3 模型與 Agent 的區別
    20.3.1 單步驟與多步驟的思考差異
    20.3.2 外部工具與持續上下文管理
    20.3.3 何時需要 Agent
20.4 Agent 的運作方式
    20.4.1 以主廚為例的比喻
    20.4.2 迭代式的規劃與執行
    20.4.3 實務應用與挑戰
    20.4.4 動態調整與長期目標追蹤
20.5 如何增強 Agent 的能力
    20.5.1 情境學習
    20.5.2 檢索式學習
    20.5.3 模型微調學習
20.6 本章小結

第二十一章 Agentic AI Workflow 的概念
21.1 Agentic AI Workflow 的核心概念
    21.1.1 定義與特性
    21.1.2 傳統自動化與 Agentic AI Workflow 的對比
21.2 Agentic AI Workflow 技術結構與組成
    21.2.1 自動化設定平台
    21.2.2 工作拆解
    21.2.3 自動化驅動方式
    21.2.4 自動化工作模式
    21.2.5 輸出目標
21.3 Agentic AI Workflow 平台與實踐方式
    21.3.1 工具介紹：Make
    21.3.2 工具介紹：n8n
    21.3.2 Make 和 n8n 的差異性
21.4 Agentic AI Workflow 的優勢與要注意的地方
    21.4.1 整體效益
    21.4.2 商業價值
    21.4.3 導入後的缺點
21.5 本章小結

第二十二章 RAG-base AI Agent 應用
22.1 RAG-base AI Agent 概述
    22.1.1 定義與背景
22.2 RAG-base AI Agent 的核心模組
    22.2.1 檢索模組
    22.2.2 生成模組
    22.2.3 代理模組
    22.2.4 系統整合與部署考量
22.3 RAG-base AI Agent 的工作流程
    22.3.1 初始查詢處理
    22.3.2 資訊檢索
    22.3.3 回應生成
    22.3.4 行動決策與執行
    22.3.5 迭代優化
22.4 RAG-base AI Agent 的應用場景
    22.4.1 智慧客服
    22.4.2 醫療診斷
    22.4.3 教育輔助
22.5 RAG-base AI Agent 的挑戰
    22.5.1 技術挑戰
    22.5.2 倫理與隱私
    22.5.3 風險管控與合規策略
22.6 本章小結

第十部分 AI 技術導入專案的未來思考方向

第二十三章 導入 GenAI 技術的未來可能性方向
23.1 回顧 – 整體 GenAI 的發展狀況
23.2 未來技術發展的四大可能方向
    23.2.1 模型的多模態進化與參數優化
    23.2.2 專業模型建立
    23.2.3 AI Agents 與自主工作流程
    23.2.4 知識驅動的跨領域應用 asnd 第一部分 生成式 AI 基礎知識

第一章 生成式人工智慧
1.1 傳統型人工智慧的定義與基本概念
   1.1.1 專家系統
   1.1.2 機器學習與深度學習引入
1.2 生成式 AI 的誕生
   1.2.1 什麼是生成式 AI？
   1.2.2 生成式 AI 的歷史背景
1.3 傳統型人工智慧和生成式人工智慧的差異
1.4 生成式 AI 的核心重點
   1.4.1 極大量資料：模型學習的基礎
   1.4.2 生成式對抗網路（GAN）
1.5 生成式 AI 的應用場景
   1.5.1 自然語言生成
   1.5.2 影像生成
   1.5.3 音樂與聲音合成
   1.5.4 其他應用
1.6 生成式 AI 的優勢與挑戰
   1.6.1 導入生成式 AI 的優勢
   1.6.2 導入生成式 AI 的挑戰
1.7 本章小結

第二部分 大型語言模型介紹

第二章 大型語言模型
2.1 大型語言模型介紹
2.2 大型語言模型的歷史
   2.2.1 深度學習的應用
   2.2.2 Transformer 結構的突破
   2.2.3 詞向量模型的起源
2.3 大型語言模型的應用場景
   2.3.1 自然語言生成
   2.3.2 情感分析與文本處理
   2.3.3 資料生成與輔助學習
2.4 開源與閉源語言模型的比較
   2.4.1 開源語言模型
   2.4.2 閉源語言模型
2.5 指令調整模型與原始模型差異
   2.5.1 原始模型的特徵
   2.5.2 指令調整模型的特徵
   2.5.3 原始模型與指令調整模型的差異比較
   2.5.4 應用差異
2.6 大型語言模型與多模態模型
   2.6.1 單模態模型（LLM）
   2.6.2 多模態模型（LMM）
   2.6.3 大型推理模型（LRM）
   2.6.4 應用差異
2.7 本章小結

第三章 閉源式模型的介紹與使用方法
3.1 閉源式生成式 AI 模型概述
   3.1.1 主流閉源式生成式 AI 模型介紹
   3.1.2 模型選擇策略與實際應用場景
3.2 閉源式模型的使用方法    
   3.2.1 使用模型的多種方式
   3.2.2 使用流程與實作細節
   3.2.3 Prompt Engineering 介紹
3.3 使用閉源式模型的注意事項
   3.3.1 資料隱私與安全性
   3.3.2 法律與合規性
   3.3.3 效能與穩定性
   3.3.4 成本效益管理
3.4 本章小結

第四章 開源式模型的介紹與使用方法
4.1 開源模型概述
4.2 主流開源模型介紹
   4.2.1 Llama
   4.2.2 Gemma
   4.2.3 Mistral
   4.2.4 Phi
   4.2.5 DeepSeek
4.3 繁體中文開源語言模型介紹
   4.3.1 Project TAME
   4.3.2 Breeze 系列模型
   4.3.3 TAIDE
4.4 開源模型的選擇與應用
   4.4.1 模型選擇標準
   4.4.2 部署與整合方法
4.5 開源模型的未來發展
4.6 本章小結

第三部分 模型服務上線

第五章 模型選擇與評估模型能力
5.1 模型選擇的重要性
   5.1.1 為什麼模型選擇是成功的關鍵
   5.1.2 模型選擇的影響範疇
5.2 常用的基準資料集介紹
   5.2.1 Benchmarks 的用途與局限性
   5.2.2 主要的 Benchmark 資料集分類與特點
   5.2.3 如何選擇適合的 Benchmark 測試模型
5.3 自行準備的資料及評估方式
   5.3.1 手動評估方法
   5.3.2 自動化評估方法
   5.3.3 使用大模型評估小模型能力值
5.4 閉源模型和開源模型怎麼選
   5.4.1 閉源模型的優勢與限制
   5.4.2 開源模型的優勢與挑戰
   5.4.3 選擇策略
5.5 如何找出閉源模型適合的專案
   5.5.1 閉源模型的官方文件與能力描述
   5.5.2 透過測試資料評估閉源模型
   5.5.3 依賴 Benchmark 評估閉源模型
5.6 開源模型怎麼評估
   5.6.1 模型評估的關鍵指標
   5.6.2 開源模型的測試方法
   5.6.3 評估工具與框架
   5.6.4 特殊場景的開源模型測試
5.7 本章小結

第六章 生成式人工智慧模型即服務的方法
6.1 生成式 AI 即服務（GenAI Model as a Service）介紹
   6.1.1 生成式 AI 即服務定義與基本概念
   6.1.2 生成式 AI 即服務架構
6.2 讓 GenAI 模型服務化的好處
   6.2.1 靈活選擇與替換生成式 AI 模型
   6.2.2 減少提供給模型廠商的資料量
   6.2.3 長期成本效益：自建模型的優勢
   6.2.4 提高彈性與擴展性
6.3 Ollama GenAI MaaS 工具介紹
   6.3.1 介紹 Ollama 工具
   6.3.2 如何開始使用 Ollama
   6.3.3 Ollama Embedding：可以將人類語言轉譯成機器語言
6.4 生成式 AI 模型的部署與維運
   6.4.1 部署過程
   6.4.2 持續維運的關鍵
6.5 生成式 AI 模型即服務的安全性與隱私考量
   6.5.1 安全性問題
   6.5.2 隱私保護
   6.5.3 道德與法律風險
6.6 本章小結

第四部分 透過 DevOps 進行生成式 AI 專案的流程再造

第七章 DevOps 與 MLOps 簡介
7.1 DevOps 與 MLOps 介紹
   7.1.1 DevOps 簡述
   7.1.2 MLOps 簡述
7.2 DevOps 的核心理念與流程
   7.2.1 持續整合（CI）
   7.2.2 持續交付（CD）
7.3 MLOps 的特點與挑戰
   7.3.1 MLOps 的目標與重要性
   7.3.2 MLOps 的關鍵挑戰
7.4 DevOps 與 MLOps 的差異性比較
7.5 MLOps 工作流的主要階段
   7.5.1 資料工程（Data Engineering）
   7.5.2 特徵工程（Feature Engineering）與模型訓練（Model Training）
   7.5.3 模型部署（Model Deployment）與監控（Model Monitoring）
7.6 MLOps 工具與框架
   7.6.1 Kubeflow
   7.6.2 MLflow
7.7 本章小結

第八章 LLMOps - LLM for DevOps 方法與流程
8.1 什麼是 LLMOps？
   8.1.1 LLMOps 的核心構成
   8.1.2 LLMOps 的實務操作要點
8.2 為什麼需要 LLMOps？
8.3 LLMOps 的核心組成
   8.3.1 資料收集與準備
   8.3.2 模型訓練與模型微調
   8.3.3 模型部署與優化
   8.3.4 持續監控與管理
   8.3.5 安全性與法規遵循
8.4 LLMOps 與 MLOps 的關係
8.5 LLMOps 的優勢
   8.5.1 提升效能
   8.5.2 提高效率
   8.5.3 增強穩定性與安全性
8.6 LLMOps 的最佳實踐
   8.6.1 確保資料品質
   8.6.2 監控訓練進度
   8.6.3 選擇適合的部署環境
   8.6.4 實施全面監控
8.7 小結

第五部分 檢索增強生成（RAG）與模型微調（Fine-Tune）

第九章 檢索增強生成和模型微調介紹
9.1 檢索增強生成和模型微調
   9.1.1 RAG 介紹
   9.1.2 Fine-Tuning 介紹
   9.1.3 RAG 和 Fine-Tune 之間的比較表
9.2 決策因素：何時使用 RAG？何時使用 Fine-Tune？
   9.2.1 RAG 的適用情境
   9.2.2 Fine-Tune 的適用情境
   9.2.3 單獨與混合策略
9.3 RAG 和 Fine-Tuning 流程設計與實務建議
   9.3.1 RAG 專案整合流程
   9.3.2 Fine-Tune 專案整合流程
   9.3.3 RAG + Fine-Tune 混合方案流程
9.4 RAG 和 Fine-Tuning 在專案時程與維運上的考量思考
   9.4.1 成本衡量
   9.4.2 時程規劃
   9.4.3 維運策略
9.5 本章小結

第十章 嵌入向量 Embedding Vector
10.1 什麼是 Embedding？
    10.1.1 定義與概念
    10.1.2 Embedding Vector 的核心特性
10.2 Embedding 的數學基礎
    10.2.1 向量空間與線性代數回顧
    10.2.2 距離衡量方法
    10.2.3 維度縮減的技術
10.3 Embedding 的應用場景
    10.3.1 自然語言處理（NLP）
    10.3.2 計算機視覺（CV）
    10.3.3 其他應用領域
10.4 嵌入技術的生成方式
    10.4.1 基於詞袋模型（Bag of Words）
    10.4.2 Word2Vec 與 GloVe
    10.4.3 深度學習與新一代 Embedding 模型
    10.4.4 Word Embedding 與 Sentence Embedding
10.5 如何衡量與評估 Embedding 的效果？
    10.5.1 平均倒數排名（MRR）的基本定義
    10.5.2 直觀理解 MRR 與實際意義
    10.5.3 MRR 的計算範例
    10.5.4 MRR 的優缺點
10.6 本章小結

第六部分 建置 RAG 知識庫服務系統流程

第十一章 文章字塊切分 Chunking
11.1 Chunking 的基本概念與重要性
    11.1.1 Chunking 的核心概念
    11.1.2 Chunking 與文本表示的關係
    11.1.3 Chunking 的理論基礎
11.2 Chunking 策略與方法分類
    11.2.1 固定長度的 Chunking
    11.2.2 基於語意單位的 Chunking
    11.2.3 混合式 Chunking 策略
    11.2.4 分層 Chunking 方法
11.3 Chunking 過程中的關鍵挑戰
    11.3.1 Chunk 大小與語意資訊的平衡
    11.3.2 語意連續性與上下文保留
    11.3.3 Chunking 與文本結構整合
    11.3.4 多語言與特殊文本處理
11.4 Chunking 的進階理論
    11.4.1 Chunking 的數學模型
    11.4.2 語意密度與文本分割
    11.4.3 Chunking 策略的理論評估
11.5 Chunking 與上下游流程的整合
    11.5.1 Chunking 與 Embedding
    11.5.2 Chunking 與檢索索引架構
    11.5.3 Chunking 與動態更新
11.7 本章小結

第十二章 RAG 知識點的 Metadata 介紹
12.1 什麼是中繼資料（Metadata）
12.2 Metadata 所帶來的好處
    12.2.1 文件詳情
    12.2.2 來源識別
    12.2.3 搜索增強
12.3 Metadata 的挑戰與重要性
    12.3.1 過多匹配（Too Many Matches）
    12.3.2 重要資訊的遺失（Loss of Important Information）
12.4 Metadata 與混合搜索策略
    12.4.1 混合策略（Hybrid Strategy）
    12.4.2 過濾選項（Filtering Options）
12.5 LLM 的語義搜尋與 Metadata 的智慧檢索
    12.5.1 語義搜尋的實現（Semantic Search Implementation）
    12.5.2 Metadata 在提示模板化（Prompt Templating）中的應用
12.6 本章小結

第十三章 RAG 知識資料庫
13.1 什麼是 RAG 知識資料庫？
13.2 RAG 知識資料庫的建構流程
    13.2.1 知識資料準備
    13.2.2 嵌入向量生成
    13.2.3 Metadata 設計
    13.2.4 測試與部署
13.3 知識資料庫的查詢與應用
    13.3.1 查詢機制與流程
    13.3.2 Metadata 在查詢中的作用
    13.3.3 常見的應用場景與查詢案例
13.4 地端知識資料庫 ChromaDB
    13.4.1 ChromaDB 的知識資料庫介紹
    13.4.2 ChromaDB 優點
13.5 RAG 知識資料庫的雲端服務
13.6 RAG 知識資料庫的優化
    13.6.1 提高檢索效率
    13.6.2 提升檢索準確性
    13.6.3 性能監控與調整
13.7 本章小結

第十四章 實作 RAG 知識庫服務系統
14.1 RAG 知識庫服務的概念與挑戰
14.2 RAG 系統架構與核心技術
    14.2.1 向量嵌入技術
    14.2.2 高效檢索機制
    14.2.3 上下文增強與提示設計
14.3 RAG 系統實作流程與細節
    14.3.1 知識庫構建階段
    14.3.2 查詢應答階段
14.4 系統效能與優化策略
    14.4.1 提升檢索效率
    14.4.2 降低模型幻覺與提升答案可信度
14.5 實際應用案例
    14.5.1 法律領域：智慧法規助理
    14.5.2 企業知識管理：內部智慧知識助理
14.6 結論

第七部分 進階型 RAG 服務介紹

第十五章 進階 RAG 知識庫檢索方法
15.1 基礎 RAG 檢索會遇到的盲點
    15.1.1 知識庫整理困難
    15.1.2 Embedding Model 的長度限制
    15.1.3 LLM API 的成本優化
15.2 句子窗口檢索介紹（Sentence Window Retrieval）
    15.2.1 Sentence Window Retrieval 的概念
    15.2.2 核心流程與技術細節
    15.2.3 句子窗口檢索的優勢與限制
15.3 自動合併檢索介紹（Auto-merging Retrieval）
    15.3.1 核心思路：先細分後合併
    15.3.2 Auto-merging 的流程與演算法
    15.3.3 範例與實際應用場景
15.4 相關段提取介紹（Relevant Segment Extraction）
    15.4.1 Relevant Segment Extraction 的意義
    15.4.2 技術原理與步驟
    15.4.3 高階優化技巧
15.5 進階 RAG 檢索方法比較
15.6 本章小結

第十六章 KAG 和 GraphRAG 概念
16.1 知識圖譜與生成式 AI 的關聯
    16.1.1 知識圖譜（Knowledge Graph）的基本概念
    16.1.2 知識圖譜的典型應用
    16.1.3 為何生成式 AI 需要知識圖譜
16.2 KAG（Knowledge-Aware Graph）概念
    16.2.1 KAG 的核心特徵
    16.2.2 KAG 的優勢
    16.2.3 KAG 的技術挑戰
16.3 GraphRAG（Graph-based Retrieval-Augmented Generation）
    16.3.1 GraphRAG 的工作流程
    16.3.2 GraphRAG 的應用場景
    16.3.3 GraphRAG 的技術挑戰
16.4 KAG 與 GraphRAG 的比較與整合
    16.4.1 主要差異
    16.4.2 整合場景
16.5 本章小結

第十七章 CAG 概念
17.1 CAG 介紹
17.2 CAG 技術細節
    17.2.1 CAG 的核心架構
    17.2.2 為何 CAG 能夠避免檢索錯誤？
17.3 結果分析
17.4 CAG 優缺點分析
    17.4.1 CAG 優勢分析
    17.4.2 局限性與未來改進
17.5 本章小結

第八部分 生成式 AI 模型服務與 RAG 系統的評估

第十八章 LLM 模型評估
18.1 LLM 模型評估概念與定位
    18.1.1 為何進行 LLM 評估
    18.1.2 現行評測方法的演進與背景
18.2 模型評估 vs. 任務評估
    18.2.1 模型評估（LLM Model Evals）的核心指標與方法
    18.2.2 任務評估（LLM Task Evals）的應用場景與限制
    18.2.3 兩者互補與差異化解讀
18.3 現有評測指標與基準工具
    18.3.1 MMLU╱MMLU-Pro
    18.3.2 MT-Bench
    18.3.3 GPQA
    18.3.4 MATH
    18.3.5 MMMU
    18.3.6 評測工具與數據分析：從 OpenAI Simple-Eval 到 Langchain Auto-Evaluator
18.4 新興評估框架與技術趨勢
    18.4.1 MixEval 與 Open LLM Leaderboard 的實戰啟示
    18.4.2 HuggingFace Evaluation Guidebook 的落地實例
    18.4.3 LLM 作為評審：利用模型自我評估與互評的潛力
18.5 本章小結

第十九章 RAG 系統評估
19.1 RAG 評估重要性
19.2 RAG 評估指標與衡量方法
    19.2.1 基本指標：精確度、召回率與上下文相關性
    19.2.2 自動化無參考評估方法
    19.2.3 定性與定量指標的整合
    19.2.4 Top-k 知識搜尋評估
19.3 評估工具與框架解析
    19.3.1 RAGAS 介紹
    19.3.2 RAG Triad：設計理念與應用限制   
    19.3.3 RAGChecker
19.4 Benchmark 與資料集構建
    19.4.1 RAG Benchmark 介紹與設計原則
    19.4.2 常用資料集與標準流程
    19.4.3 Benchmark 結果解析與數據對比
19.5 本章小結

第九部分 AI Agent 與 RAG 結合之應用

第二十章 AI Agent
20.1 什麼是 AI Agents？
20.2 生成式 AI Agents 的核心組成
    20.2.1 模型：AI Agent 的智慧核心
    20.2.2 工具：連接內外世界的橋樑
    20.2.3 指揮層（Orchestration Layer）：Agent 的指揮中心
20.3 模型與 Agent 的區別
    20.3.1 單步驟與多步驟的思考差異
    20.3.2 外部工具與持續上下文管理
    20.3.3 何時需要 Agent
20.4 Agent 的運作方式
    20.4.1 以主廚為例的比喻
    20.4.2 迭代式的規劃與執行
    20.4.3 實務應用與挑戰
    20.4.4 動態調整與長期目標追蹤
20.5 如何增強 Agent 的能力
    20.5.1 情境學習
    20.5.2 檢索式學習
    20.5.3 模型微調學習
20.6 本章小結

第二十一章 Agentic AI Workflow 的概念
21.1 Agentic AI Workflow 的核心概念
    21.1.1 定義與特性
    21.1.2 傳統自動化與 Agentic AI Workflow 的對比
21.2 Agentic AI Workflow 技術結構與組成
    21.2.1 自動化設定平台
    21.2.2 工作拆解
    21.2.3 自動化驅動方式
    21.2.4 自動化工作模式
    21.2.5 輸出目標
21.3 Agentic AI Workflow 平台與實踐方式
    21.3.1 工具介紹：Make
    21.3.2 工具介紹：n8n
    21.3.2 Make 和 n8n 的差異性
21.4 Agentic AI Workflow 的優勢與要注意的地方
    21.4.1 整體效益
    21.4.2 商業價值
    21.4.3 導入後的缺點
21.5 本章小結

第二十二章 RAG-base AI Agent 應用
22.1 RAG-base AI Agent 概述
    22.1.1 定義與背景
22.2 RAG-base AI Agent 的核心模組
    22.2.1 檢索模組
    22.2.2 生成模組
    22.2.3 代理模組
    22.2.4 系統整合與部署考量
22.3 RAG-base AI Agent 的工作流程
    22.3.1 初始查詢處理
    22.3.2 資訊檢索
    22.3.3 回應生成
    22.3.4 行動決策與執行
    22.3.5 迭代優化
22.4 RAG-base AI Agent 的應用場景
    22.4.1 智慧客服
    22.4.2 醫療診斷
    22.4.3 教育輔助
22.5 RAG-base AI Agent 的挑戰
    22.5.1 技術挑戰
    22.5.2 倫理與隱私
    22.5.3 風險管控與合規策略
22.6 本章小結

第十部分 AI 技術導入專案的未來思考方向

第二十三章 導入 GenAI 技術的未來可能性方向
23.1 回顧 – 整體 GenAI 的發展狀況
23.2 未來技術發展的四大可能方向
    23.2.1 模型的多模態進化與參數優化
    23.2.2 專業模型建立
    23.2.3 AI Agents 與自主工作流程
    23.2.4 知識驅動的跨領域應用askw 第一部分 生成式 AI 基礎知識

第一章 生成式人工智慧
1.1 傳統型人工智慧的定義與基本概念
   1.1.1 專家系統
   1.1.2 機器學習與深度學習引入
1.2 生成式 AI 的誕生
   1.2.1 什麼是生成式 AI？
   1.2.2 生成式 AI 的歷史背景
1.3 傳統型人工智慧和生成式人工智慧的差異
1.4 生成式 AI 的核心重點
   1.4.1 極大量資料：模型學習的基礎
   1.4.2 生成式對抗網路（GAN）
1.5 生成式 AI 的應用場景
   1.5.1 自然語言生成
   1.5.2 影像生成
   1.5.3 音樂與聲音合成
   1.5.4 其他應用
1.6 生成式 AI 的優勢與挑戰
   1.6.1 導入生成式 AI 的優勢
   1.6.2 導入生成式 AI 的挑戰
1.7 本章小結

第二部分 大型語言模型介紹

第二章 大型語言模型
2.1 大型語言模型介紹
2.2 大型語言模型的歷史
   2.2.1 深度學習的應用
   2.2.2 Transformer 結構的突破
   2.2.3 詞向量模型的起源
2.3 大型語言模型的應用場景
   2.3.1 自然語言生成
   2.3.2 情感分析與文本處理
   2.3.3 資料生成與輔助學習
2.4 開源與閉源語言模型的比較
   2.4.1 開源語言模型
   2.4.2 閉源語言模型
2.5 指令調整模型與原始模型差異
   2.5.1 原始模型的特徵
   2.5.2 指令調整模型的特徵
   2.5.3 原始模型與指令調整模型的差異比較
   2.5.4 應用差異
2.6 大型語言模型與多模態模型
   2.6.1 單模態模型（LLM）
   2.6.2 多模態模型（LMM）
   2.6.3 大型推理模型（LRM）
   2.6.4 應用差異
2.7 本章小結

第三章 閉源式模型的介紹與使用方法
3.1 閉源式生成式 AI 模型概述
   3.1.1 主流閉源式生成式 AI 模型介紹
   3.1.2 模型選擇策略與實際應用場景
3.2 閉源式模型的使用方法    
   3.2.1 使用模型的多種方式
   3.2.2 使用流程與實作細節
   3.2.3 Prompt Engineering 介紹
3.3 使用閉源式模型的注意事項
   3.3.1 資料隱私與安全性
   3.3.2 法律與合規性
   3.3.3 效能與穩定性
   3.3.4 成本效益管理
3.4 本章小結

第四章 開源式模型的介紹與使用方法
4.1 開源模型概述
4.2 主流開源模型介紹
   4.2.1 Llama
   4.2.2 Gemma
   4.2.3 Mistral
   4.2.4 Phi
   4.2.5 DeepSeek
4.3 繁體中文開源語言模型介紹
   4.3.1 Project TAME
   4.3.2 Breeze 系列模型
   4.3.3 TAIDE
4.4 開源模型的選擇與應用
   4.4.1 模型選擇標準
   4.4.2 部署與整合方法
4.5 開源模型的未來發展
4.6 本章小結

第三部分 模型服務上線

第五章 模型選擇與評估模型能力
5.1 模型選擇的重要性
   5.1.1 為什麼模型選擇是成功的關鍵
   5.1.2 模型選擇的影響範疇
5.2 常用的基準資料集介紹
   5.2.1 Benchmarks 的用途與局限性
   5.2.2 主要的 Benchmark 資料集分類與特點
   5.2.3 如何選擇適合的 Benchmark 測試模型
5.3 自行準備的資料及評估方式
   5.3.1 手動評估方法
   5.3.2 自動化評估方法
   5.3.3 使用大模型評估小模型能力值
5.4 閉源模型和開源模型怎麼選
   5.4.1 閉源模型的優勢與限制
   5.4.2 開源模型的優勢與挑戰
   5.4.3 選擇策略
5.5 如何找出閉源模型適合的專案
   5.5.1 閉源模型的官方文件與能力描述
   5.5.2 透過測試資料評估閉源模型
   5.5.3 依賴 Benchmark 評估閉源模型
5.6 開源模型怎麼評估
   5.6.1 模型評估的關鍵指標
   5.6.2 開源模型的測試方法
   5.6.3 評估工具與框架
   5.6.4 特殊場景的開源模型測試
5.7 本章小結

第六章 生成式人工智慧模型即服務的方法
6.1 生成式 AI 即服務（GenAI Model as a Service）介紹
   6.1.1 生成式 AI 即服務定義與基本概念
   6.1.2 生成式 AI 即服務架構
6.2 讓 GenAI 模型服務化的好處
   6.2.1 靈活選擇與替換生成式 AI 模型
   6.2.2 減少提供給模型廠商的資料量
   6.2.3 長期成本效益：自建模型的優勢
   6.2.4 提高彈性與擴展性
6.3 Ollama GenAI MaaS 工具介紹
   6.3.1 介紹 Ollama 工具
   6.3.2 如何開始使用 Ollama
   6.3.3 Ollama Embedding：可以將人類語言轉譯成機器語言
6.4 生成式 AI 模型的部署與維運
   6.4.1 部署過程
   6.4.2 持續維運的關鍵
6.5 生成式 AI 模型即服務的安全性與隱私考量
   6.5.1 安全性問題
   6.5.2 隱私保護
   6.5.3 道德與法律風險
6.6 本章小結

第四部分 透過 DevOps 進行生成式 AI 專案的流程再造

第七章 DevOps 與 MLOps 簡介
7.1 DevOps 與 MLOps 介紹
   7.1.1 DevOps 簡述
   7.1.2 MLOps 簡述
7.2 DevOps 的核心理念與流程
   7.2.1 持續整合（CI）
   7.2.2 持續交付（CD）
7.3 MLOps 的特點與挑戰
   7.3.1 MLOps 的目標與重要性
   7.3.2 MLOps 的關鍵挑戰
7.4 DevOps 與 MLOps 的差異性比較
7.5 MLOps 工作流的主要階段
   7.5.1 資料工程（Data Engineering）
   7.5.2 特徵工程（Feature Engineering）與模型訓練（Model Training）
   7.5.3 模型部署（Model Deployment）與監控（Model Monitoring）
7.6 MLOps 工具與框架
   7.6.1 Kubeflow
   7.6.2 MLflow
7.7 本章小結

第八章 LLMOps - LLM for DevOps 方法與流程
8.1 什麼是 LLMOps？
   8.1.1 LLMOps 的核心構成
   8.1.2 LLMOps 的實務操作要點
8.2 為什麼需要 LLMOps？
8.3 LLMOps 的核心組成
   8.3.1 資料收集與準備
   8.3.2 模型訓練與模型微調
   8.3.3 模型部署與優化
   8.3.4 持續監控與管理
   8.3.5 安全性與法規遵循
8.4 LLMOps 與 MLOps 的關係
8.5 LLMOps 的優勢
   8.5.1 提升效能
   8.5.2 提高效率
   8.5.3 增強穩定性與安全性
8.6 LLMOps 的最佳實踐
   8.6.1 確保資料品質
   8.6.2 監控訓練進度
   8.6.3 選擇適合的部署環境
   8.6.4 實施全面監控
8.7 小結

第五部分 檢索增強生成（RAG）與模型微調（Fine-Tune）

第九章 檢索增強生成和模型微調介紹
9.1 檢索增強生成和模型微調
   9.1.1 RAG 介紹
   9.1.2 Fine-Tuning 介紹
   9.1.3 RAG 和 Fine-Tune 之間的比較表
9.2 決策因素：何時使用 RAG？何時使用 Fine-Tune？
   9.2.1 RAG 的適用情境
   9.2.2 Fine-Tune 的適用情境
   9.2.3 單獨與混合策略
9.3 RAG 和 Fine-Tuning 流程設計與實務建議
   9.3.1 RAG 專案整合流程
   9.3.2 Fine-Tune 專案整合流程
   9.3.3 RAG + Fine-Tune 混合方案流程
9.4 RAG 和 Fine-Tuning 在專案時程與維運上的考量思考
   9.4.1 成本衡量
   9.4.2 時程規劃
   9.4.3 維運策略
9.5 本章小結

第十章 嵌入向量 Embedding Vector
10.1 什麼是 Embedding？
    10.1.1 定義與概念
    10.1.2 Embedding Vector 的核心特性
10.2 Embedding 的數學基礎
    10.2.1 向量空間與線性代數回顧
    10.2.2 距離衡量方法
    10.2.3 維度縮減的技術
10.3 Embedding 的應用場景
    10.3.1 自然語言處理（NLP）
    10.3.2 計算機視覺（CV）
    10.3.3 其他應用領域
10.4 嵌入技術的生成方式
    10.4.1 基於詞袋模型（Bag of Words）
    10.4.2 Word2Vec 與 GloVe
    10.4.3 深度學習與新一代 Embedding 模型
    10.4.4 Word Embedding 與 Sentence Embedding
10.5 如何衡量與評估 Embedding 的效果？
    10.5.1 平均倒數排名（MRR）的基本定義
    10.5.2 直觀理解 MRR 與實際意義
    10.5.3 MRR 的計算範例
    10.5.4 MRR 的優缺點
10.6 本章小結

第六部分 建置 RAG 知識庫服務系統流程

第十一章 文章字塊切分 Chunking
11.1 Chunking 的基本概念與重要性
    11.1.1 Chunking 的核心概念
    11.1.2 Chunking 與文本表示的關係
    11.1.3 Chunking 的理論基礎
11.2 Chunking 策略與方法分類
    11.2.1 固定長度的 Chunking
    11.2.2 基於語意單位的 Chunking
    11.2.3 混合式 Chunking 策略
    11.2.4 分層 Chunking 方法
11.3 Chunking 過程中的關鍵挑戰
    11.3.1 Chunk 大小與語意資訊的平衡
    11.3.2 語意連續性與上下文保留
    11.3.3 Chunking 與文本結構整合
    11.3.4 多語言與特殊文本處理
11.4 Chunking 的進階理論
    11.4.1 Chunking 的數學模型
    11.4.2 語意密度與文本分割
    11.4.3 Chunking 策略的理論評估
11.5 Chunking 與上下游流程的整合
    11.5.1 Chunking 與 Embedding
    11.5.2 Chunking 與檢索索引架構
    11.5.3 Chunking 與動態更新
11.7 本章小結

第十二章 RAG 知識點的 Metadata 介紹
12.1 什麼是中繼資料（Metadata）
12.2 Metadata 所帶來的好處
    12.2.1 文件詳情
    12.2.2 來源識別
    12.2.3 搜索增強
12.3 Metadata 的挑戰與重要性
    12.3.1 過多匹配（Too Many Matches）
    12.3.2 重要資訊的遺失（Loss of Important Information）
12.4 Metadata 與混合搜索策略
    12.4.1 混合策略（Hybrid Strategy）
    12.4.2 過濾選項（Filtering Options）
12.5 LLM 的語義搜尋與 Metadata 的智慧檢索
    12.5.1 語義搜尋的實現（Semantic Search Implementation）
    12.5.2 Metadata 在提示模板化（Prompt Templating）中的應用
12.6 本章小結

第十三章 RAG 知識資料庫
13.1 什麼是 RAG 知識資料庫？
13.2 RAG 知識資料庫的建構流程
    13.2.1 知識資料準備
    13.2.2 嵌入向量生成
    13.2.3 Metadata 設計
    13.2.4 測試與部署
13.3 知識資料庫的查詢與應用
    13.3.1 查詢機制與流程
    13.3.2 Metadata 在查詢中的作用
    13.3.3 常見的應用場景與查詢案例
13.4 地端知識資料庫 ChromaDB
    13.4.1 ChromaDB 的知識資料庫介紹
    13.4.2 ChromaDB 優點
13.5 RAG 知識資料庫的雲端服務
13.6 RAG 知識資料庫的優化
    13.6.1 提高檢索效率
    13.6.2 提升檢索準確性
    13.6.3 性能監控與調整
13.7 本章小結

第十四章 實作 RAG 知識庫服務系統
14.1 RAG 知識庫服務的概念與挑戰
14.2 RAG 系統架構與核心技術
    14.2.1 向量嵌入技術
    14.2.2 高效檢索機制
    14.2.3 上下文增強與提示設計
14.3 RAG 系統實作流程與細節
    14.3.1 知識庫構建階段
    14.3.2 查詢應答階段
14.4 系統效能與優化策略
    14.4.1 提升檢索效率
    14.4.2 降低模型幻覺與提升答案可信度
14.5 實際應用案例
    14.5.1 法律領域：智慧法規助理
    14.5.2 企業知識管理：內部智慧知識助理
14.6 結論

第七部分 進階型 RAG 服務介紹

第十五章 進階 RAG 知識庫檢索方法
15.1 基礎 RAG 檢索會遇到的盲點
    15.1.1 知識庫整理困難
    15.1.2 Embedding Model 的長度限制
    15.1.3 LLM API 的成本優化
15.2 句子窗口檢索介紹（Sentence Window Retrieval）
    15.2.1 Sentence Window Retrieval 的概念
    15.2.2 核心流程與技術細節
    15.2.3 句子窗口檢索的優勢與限制
15.3 自動合併檢索介紹（Auto-merging Retrieval）
    15.3.1 核心思路：先細分後合併
    15.3.2 Auto-merging 的流程與演算法
    15.3.3 範例與實際應用場景
15.4 相關段提取介紹（Relevant Segment Extraction）
    15.4.1 Relevant Segment Extraction 的意義
    15.4.2 技術原理與步驟
    15.4.3 高階優化技巧
15.5 進階 RAG 檢索方法比較
15.6 本章小結

第十六章 KAG 和 GraphRAG 概念
16.1 知識圖譜與生成式 AI 的關聯
    16.1.1 知識圖譜（Knowledge Graph）的基本概念
    16.1.2 知識圖譜的典型應用
    16.1.3 為何生成式 AI 需要知識圖譜
16.2 KAG（Knowledge-Aware Graph）概念
    16.2.1 KAG 的核心特徵
    16.2.2 KAG 的優勢
    16.2.3 KAG 的技術挑戰
16.3 GraphRAG（Graph-based Retrieval-Augmented Generation）
    16.3.1 GraphRAG 的工作流程
    16.3.2 GraphRAG 的應用場景
    16.3.3 GraphRAG 的技術挑戰
16.4 KAG 與 GraphRAG 的比較與整合
    16.4.1 主要差異
    16.4.2 整合場景
16.5 本章小結

第十七章 CAG 概念
17.1 CAG 介紹
17.2 CAG 技術細節
    17.2.1 CAG 的核心架構
    17.2.2 為何 CAG 能夠避免檢索錯誤？
17.3 結果分析
17.4 CAG 優缺點分析
    17.4.1 CAG 優勢分析
    17.4.2 局限性與未來改進
17.5 本章小結

第八部分 生成式 AI 模型服務與 RAG 系統的評估

第十八章 LLM 模型評估
18.1 LLM 模型評估概念與定位
    18.1.1 為何進行 LLM 評估
    18.1.2 現行評測方法的演進與背景
18.2 模型評估 vs. 任務評估
    18.2.1 模型評估（LLM Model Evals）的核心指標與方法
    18.2.2 任務評估（LLM Task Evals）的應用場景與限制
    18.2.3 兩者互補與差異化解讀
18.3 現有評測指標與基準工具
    18.3.1 MMLU╱MMLU-Pro
    18.3.2 MT-Bench
    18.3.3 GPQA
    18.3.4 MATH
    18.3.5 MMMU
    18.3.6 評測工具與數據分析：從 OpenAI Simple-Eval 到 Langchain Auto-Evaluator
18.4 新興評估框架與技術趨勢
    18.4.1 MixEval 與 Open LLM Leaderboard 的實戰啟示
    18.4.2 HuggingFace Evaluation Guidebook 的落地實例
    18.4.3 LLM 作為評審：利用模型自我評估與互評的潛力
18.5 本章小結

第十九章 RAG 系統評估
19.1 RAG 評估重要性
19.2 RAG 評估指標與衡量方法
    19.2.1 基本指標：精確度、召回率與上下文相關性
    19.2.2 自動化無參考評估方法
    19.2.3 定性與定量指標的整合
    19.2.4 Top-k 知識搜尋評估
19.3 評估工具與框架解析
    19.3.1 RAGAS 介紹
    19.3.2 RAG Triad：設計理念與應用限制   
    19.3.3 RAGChecker
19.4 Benchmark 與資料集構建
    19.4.1 RAG Benchmark 介紹與設計原則
    19.4.2 常用資料集與標準流程
    19.4.3 Benchmark 結果解析與數據對比
19.5 本章小結

第九部分 AI Agent 與 RAG 結合之應用

第二十章 AI Agent
20.1 什麼是 AI Agents？
20.2 生成式 AI Agents 的核心組成
    20.2.1 模型：AI Agent 的智慧核心
    20.2.2 工具：連接內外世界的橋樑
    20.2.3 指揮層（Orchestration Layer）：Agent 的指揮中心
20.3 模型與 Agent 的區別
    20.3.1 單步驟與多步驟的思考差異
    20.3.2 外部工具與持續上下文管理
    20.3.3 何時需要 Agent
20.4 Agent 的運作方式
    20.4.1 以主廚為例的比喻
    20.4.2 迭代式的規劃與執行
    20.4.3 實務應用與挑戰
    20.4.4 動態調整與長期目標追蹤
20.5 如何增強 Agent 的能力
    20.5.1 情境學習
    20.5.2 檢索式學習
    20.5.3 模型微調學習
20.6 本章小結

第二十一章 Agentic AI Workflow 的概念
21.1 Agentic AI Workflow 的核心概念
    21.1.1 定義與特性
    21.1.2 傳統自動化與 Agentic AI Workflow 的對比
21.2 Agentic AI Workflow 技術結構與組成
    21.2.1 自動化設定平台
    21.2.2 工作拆解
    21.2.3 自動化驅動方式
    21.2.4 自動化工作模式
    21.2.5 輸出目標
21.3 Agentic AI Workflow 平台與實踐方式
    21.3.1 工具介紹：Make
    21.3.2 工具介紹：n8n
    21.3.2 Make 和 n8n 的差異性
21.4 Agentic AI Workflow 的優勢與要注意的地方
    21.4.1 整體效益
    21.4.2 商業價值
    21.4.3 導入後的缺點
21.5 本章小結

第二十二章 RAG-base AI Agent 應用
22.1 RAG-base AI Agent 概述
    22.1.1 定義與背景
22.2 RAG-base AI Agent 的核心模組
    22.2.1 檢索模組
    22.2.2 生成模組
    22.2.3 代理模組
    22.2.4 系統整合與部署考量
22.3 RAG-base AI Agent 的工作流程
    22.3.1 初始查詢處理
    22.3.2 資訊檢索
    22.3.3 回應生成
    22.3.4 行動決策與執行
    22.3.5 迭代優化
22.4 RAG-base AI Agent 的應用場景
    22.4.1 智慧客服
    22.4.2 醫療診斷
    22.4.3 教育輔助
22.5 RAG-base AI Agent 的挑戰
    22.5.1 技術挑戰
    22.5.2 倫理與隱私
    22.5.3 風險管控與合規策略
22.6 本章小結

第十部分 AI 技術導入專案的未來思考方向

第二十三章 導入 GenAI 技術的未來可能性方向
23.1 回顧 – 整體 GenAI 的發展狀況
23.2 未來技術發展的四大可能方向
    23.2.1 模型的多模態進化與參數優化
    23.2.2 專業模型建立
    23.2.3 AI Agents 與自主工作流程
    23.2.4 知識驅動的跨領域應用