【Part 01 核心概念】
|Chapter 01| 駕馭未來：探索代理型框架的世界
1.1 從生成到行動：代理型AI的崛起
1.2 代理型工作流：組織AI代理的自主行動
1.3 引出實現代理型框架的利器：LangGraph
1.4 代理型框架的商用浪潮：LangGraph賦能的企業實例
1.5 小結：通往更加自主的AI道路

|Chapter 02| LangGraph核心元件：節點、邊與狀態
2.1 LangGraph介紹與核心亮點
2.2 為什麼LangGraph讓AI流程活起來？
2.3 LangChain vs. LangGraph：它們不一樣的地方在哪裡？
2.4 介紹LangGraph適用於多種場景
2.5 LangGraph的三大核心
2.6 LangGraph使用時可能遇到的挑戰
2.7 小結

|Chapter 03| 即時回饋的祕密：LangChain串流技術
3.1 為什麼串流如此重要？
3.2 深入了解AI回應的互動機制：invoke() vs. stream()
3.3 結合LangChain表達語言（LCEL）實現持續串流
3.4 小結：串流功能

|Chapter 04| 將串流應用到LangGraph流程中
4.1 LangGraph串流模式概覽
4.2 values()串流模式：觀察圖的完整狀態演變
4.3 updates()串流模式：精確追蹤節點的增量更新
4.4 多模式串流：設定範例
4.5 messages串流模式：即時取得LLM逐字輸出
4.6 小結

|Chapter 05| 記憶：掌握AI對話上下文與跨會話知識的關鍵
5.1 記憶類型概覽：短期與長期記憶
5.2 短期記憶：對話上下文的守護者
5.3 長期記憶：跨會話知識的傳承
5.4 記憶類型的概念類比
5.5 小結

|Chapter06| LangChainTools深度解析：打造AI的外掛能力
6.1 Tools建立指南：AI模型的外掛功能
6.2 從函式建立Tools：簡單又強大
6.3 工具錯誤處理：打造穩健的AI應用程式

|Chapter 07| LangGraph實戰應用：ToolNode與AI互動流程
7.1 LangGraph如何善用ToolNode：AI的行動中心
7.2 天氣查詢範例
7.3 小結

|Chapter 08| 人機迴圈：讓AI流程也能請示人類
8.1 什麼是人機迴圈？
8.2 為什麼需要人機迴圈？
8.3 核心魔法：interrupt函式與Command原語
8.4 啟動人機迴圈的關鍵步驟
8.5 人機迴圈的三大應用模式
8.6 實戰演練：示範「批准或拒絕」模式
8.7 小結

|Chapter 09| LangGraph的時間旅行與狀態深度解析
9.1 LangGraph的狀態：AI代理的記憶與軌跡
9.2 時間旅行：回溯、檢查與探索
9.3 小結：時間旅行與狀態管理的意義

|Chapter 10| LangGraph功能型API：用Python函式打造智慧AI工作流程
10.1 深入理解LangGraph的功能型API
10.2 功能型API的應用時機與優勢
10.3 實戰演練：自動化會議摘要與待辦事項生成
10.4 功能型API與圖形API的差異比較
10.5 小結

【Part 02 AI代理設計模式】
|Chapter 11| AI代理自我反思：深入探討Self-Refine
11.1 什麼是Reflection Agents？
11.2 Reflection機制的核心步驟
11.3 Reflection的核心價值與應用：為什麼需要AI自我反思？
11.4 Self-Refine：Reflection的基礎實踐與運作原理
11.5 動手實踐：使用LangGraph實現Self-Refine
11.6 小結

|Chapter 12| Planning：賦予AI自主規劃能力
12.1 Planning：AI自主規劃的關鍵
12.2 Planning的運作機制：AI如何計畫？
12.3 Plan-and-Solve：Planning Agent的核心框架
12.4 LangGraph實踐：打造具備規劃能力的智慧代理
12.5 小結

|Chapter 13| 多協作模式讓AI團隊實現智慧分工
13.1 多代理系統：新一代AI協作的基石
13.2 多代理系統有哪些優勢？
13.3 協作模式：智慧分工的藝術
13.4 實現高品質的多代理協作翻譯系統
13.5 小結

|Chapter 14| 多代理協作：監督者模式
14.1 監督者模式：核心原理
14.2 設計：台灣棒球與啦啦隊新聞處理系統
14.3 使用LangGraph框架實現工作流程
14.4 小結

【Part 03 RAG篇】
|Chapter 15| 從基礎到進階：掌握RAG與Agentic RAG
15.1 RAG的誕生：解決LLM固有挑戰的必然選擇
15.2 RAG的核心機制：資訊檢索與生成的完美結合
15.3 RAG的廣泛應用與顯著優勢
15.4 Agentic RAG：使用LangGraph打造智慧檢索系統
15.5 小結：RAG技術是提升AI系統效能的新方法

|Chapter 16| CRAG：檢索增強生成的糾錯機制
16.1 CRAG技術概述與理論基礎
16.2 檢索增強生成技術的演進：從傳統RAG到CRAG
16.3 傳統RAG的技術瓶頸：相關性低與資訊冗餘問題
16.4 CRAG的核心機制：突破傳統RAG的限制
16.5 CRAG提出什麼機制解決問題？
16.6 從理論到實踐：使用LangGraph實現CRAG
16.7 小結：CRAG如何讓AI問答系統更上一層樓

|Chapter17| Adaptive-RAG：動態檢索策略提高系統問答精準度
17.1 Adaptive-RAG的定義與核心理念
17.2 Adaptive-RAG與傳統RAG的比較
17.3 Adaptive-RAG的核心元件
17.4 Adaptive-RAG的實作關鍵
17.5 小結：Adaptive-RAG的革新意義與未來展望

【Part 04 工具篇】
|Chapter 18| Ollama初探與基礎使用
18.1 什麼是Ollama？
18.2 Ollama有哪些特點？
18.3 安裝Ollama
18.4 啟動Ollama服務
18.5 進階：想把Ollama的能力整合到你自己的程式裡嗎？（給開發者看）
18.6 Ollama支援的大型語言模型

|Chapter 19| 揮別命令列：用WebUI讓Ollama更好聊
19.1 運用Docker執行Ollama，讓環境更獨立乾淨
19.2 如何在Docker容器中執行模型？
19.3 在Google Colab上快速試玩Ollama（給喜歡嘗鮮的你）
19.4 打造友善介面：Ollama+ Web UI一站式懶人包

|Chapter 20| LangGraphStudio V2指南
20.1 為什麼採用LangGraphStudio作為Agent開發工具
20.2 LangGraphStudio：AI代理開發的三大必殺技
20.3 LangGraphStudio本地環境建立：啟動你的開發引擎
20.4 LangGraphStudio核心功能導覽：與你的AI代理互動與偵錯
20.5 小結

|Chapter 21| LangFuse：打造AI代理觀測系統
21.1 為何AI代理需要LangFuse？
21.2 自行託管LangFuse：資料掌控與高度定制
21.3 為你的LLM團隊增加評分系統
21.4 LangFuse提示管理：你的提示語中控台
21.5 LangGraph與LangFuse：實戰可觀測性
21.6 小結

【Part 05 專案篇】
|Chapter 22| 動手打造你的第一個AI應用程式：FastAPI、Streamlit、LangServe的實戰入門
22.1 專案先預覽：我們要一起做出什麼？
22.2 動手前準備：開發環境設定指南
22.3 後端開發：用FastAPI建構你的AI服務骨架
22.4 啟動程式：讓你的FastAPI服務跑起來！
22.5 部署API：善用LangServe輕鬆部署
22.6 前端開發：用Streamlit打造應用網頁介面

|Chapter 23| MCP：讓大模型更容易使用外部工具的技術
23.1 認識一下模型上下文協定
23.2 我們為什麼需要MCP？它解決了什麼痛點？
23.3 MCP和函式呼叫到底差別在哪？
23.4 MCP協定是怎麼連線的？
23.5 打造MCP的神兵利器：FastMCP

【Part 06 附錄】
|Appendix A| 當AI遇上軟體架構：狀態管理的新思考
A.1 狀態管理與流程控制
A.2 小結與思考：AI時代的狀態管理展望

|Appendix B| 在Ollama上執行你的模型
B.1 GGUF格式
B.2 小結asnd 【Part 01 核心概念】
|Chapter 01| 駕馭未來：探索代理型框架的世界
1.1 從生成到行動：代理型AI的崛起
1.2 代理型工作流：組織AI代理的自主行動
1.3 引出實現代理型框架的利器：LangGraph
1.4 代理型框架的商用浪潮：LangGraph賦能的企業實例
1.5 小結：通往更加自主的AI道路

|Chapter 02| LangGraph核心元件：節點、邊與狀態
2.1 LangGraph介紹與核心亮點
2.2 為什麼LangGraph讓AI流程活起來？
2.3 LangChain vs. LangGraph：它們不一樣的地方在哪裡？
2.4 介紹LangGraph適用於多種場景
2.5 LangGraph的三大核心
2.6 LangGraph使用時可能遇到的挑戰
2.7 小結

|Chapter 03| 即時回饋的祕密：LangChain串流技術
3.1 為什麼串流如此重要？
3.2 深入了解AI回應的互動機制：invoke() vs. stream()
3.3 結合LangChain表達語言（LCEL）實現持續串流
3.4 小結：串流功能

|Chapter 04| 將串流應用到LangGraph流程中
4.1 LangGraph串流模式概覽
4.2 values()串流模式：觀察圖的完整狀態演變
4.3 updates()串流模式：精確追蹤節點的增量更新
4.4 多模式串流：設定範例
4.5 messages串流模式：即時取得LLM逐字輸出
4.6 小結

|Chapter 05| 記憶：掌握AI對話上下文與跨會話知識的關鍵
5.1 記憶類型概覽：短期與長期記憶
5.2 短期記憶：對話上下文的守護者
5.3 長期記憶：跨會話知識的傳承
5.4 記憶類型的概念類比
5.5 小結

|Chapter06| LangChainTools深度解析：打造AI的外掛能力
6.1 Tools建立指南：AI模型的外掛功能
6.2 從函式建立Tools：簡單又強大
6.3 工具錯誤處理：打造穩健的AI應用程式

|Chapter 07| LangGraph實戰應用：ToolNode與AI互動流程
7.1 LangGraph如何善用ToolNode：AI的行動中心
7.2 天氣查詢範例
7.3 小結

|Chapter 08| 人機迴圈：讓AI流程也能請示人類
8.1 什麼是人機迴圈？
8.2 為什麼需要人機迴圈？
8.3 核心魔法：interrupt函式與Command原語
8.4 啟動人機迴圈的關鍵步驟
8.5 人機迴圈的三大應用模式
8.6 實戰演練：示範「批准或拒絕」模式
8.7 小結

|Chapter 09| LangGraph的時間旅行與狀態深度解析
9.1 LangGraph的狀態：AI代理的記憶與軌跡
9.2 時間旅行：回溯、檢查與探索
9.3 小結：時間旅行與狀態管理的意義

|Chapter 10| LangGraph功能型API：用Python函式打造智慧AI工作流程
10.1 深入理解LangGraph的功能型API
10.2 功能型API的應用時機與優勢
10.3 實戰演練：自動化會議摘要與待辦事項生成
10.4 功能型API與圖形API的差異比較
10.5 小結

【Part 02 AI代理設計模式】
|Chapter 11| AI代理自我反思：深入探討Self-Refine
11.1 什麼是Reflection Agents？
11.2 Reflection機制的核心步驟
11.3 Reflection的核心價值與應用：為什麼需要AI自我反思？
11.4 Self-Refine：Reflection的基礎實踐與運作原理
11.5 動手實踐：使用LangGraph實現Self-Refine
11.6 小結

|Chapter 12| Planning：賦予AI自主規劃能力
12.1 Planning：AI自主規劃的關鍵
12.2 Planning的運作機制：AI如何計畫？
12.3 Plan-and-Solve：Planning Agent的核心框架
12.4 LangGraph實踐：打造具備規劃能力的智慧代理
12.5 小結

|Chapter 13| 多協作模式讓AI團隊實現智慧分工
13.1 多代理系統：新一代AI協作的基石
13.2 多代理系統有哪些優勢？
13.3 協作模式：智慧分工的藝術
13.4 實現高品質的多代理協作翻譯系統
13.5 小結

|Chapter 14| 多代理協作：監督者模式
14.1 監督者模式：核心原理
14.2 設計：台灣棒球與啦啦隊新聞處理系統
14.3 使用LangGraph框架實現工作流程
14.4 小結

【Part 03 RAG篇】
|Chapter 15| 從基礎到進階：掌握RAG與Agentic RAG
15.1 RAG的誕生：解決LLM固有挑戰的必然選擇
15.2 RAG的核心機制：資訊檢索與生成的完美結合
15.3 RAG的廣泛應用與顯著優勢
15.4 Agentic RAG：使用LangGraph打造智慧檢索系統
15.5 小結：RAG技術是提升AI系統效能的新方法

|Chapter 16| CRAG：檢索增強生成的糾錯機制
16.1 CRAG技術概述與理論基礎
16.2 檢索增強生成技術的演進：從傳統RAG到CRAG
16.3 傳統RAG的技術瓶頸：相關性低與資訊冗餘問題
16.4 CRAG的核心機制：突破傳統RAG的限制
16.5 CRAG提出什麼機制解決問題？
16.6 從理論到實踐：使用LangGraph實現CRAG
16.7 小結：CRAG如何讓AI問答系統更上一層樓

|Chapter17| Adaptive-RAG：動態檢索策略提高系統問答精準度
17.1 Adaptive-RAG的定義與核心理念
17.2 Adaptive-RAG與傳統RAG的比較
17.3 Adaptive-RAG的核心元件
17.4 Adaptive-RAG的實作關鍵
17.5 小結：Adaptive-RAG的革新意義與未來展望

【Part 04 工具篇】
|Chapter 18| Ollama初探與基礎使用
18.1 什麼是Ollama？
18.2 Ollama有哪些特點？
18.3 安裝Ollama
18.4 啟動Ollama服務
18.5 進階：想把Ollama的能力整合到你自己的程式裡嗎？（給開發者看）
18.6 Ollama支援的大型語言模型

|Chapter 19| 揮別命令列：用WebUI讓Ollama更好聊
19.1 運用Docker執行Ollama，讓環境更獨立乾淨
19.2 如何在Docker容器中執行模型？
19.3 在Google Colab上快速試玩Ollama（給喜歡嘗鮮的你）
19.4 打造友善介面：Ollama+ Web UI一站式懶人包

|Chapter 20| LangGraphStudio V2指南
20.1 為什麼採用LangGraphStudio作為Agent開發工具
20.2 LangGraphStudio：AI代理開發的三大必殺技
20.3 LangGraphStudio本地環境建立：啟動你的開發引擎
20.4 LangGraphStudio核心功能導覽：與你的AI代理互動與偵錯
20.5 小結

|Chapter 21| LangFuse：打造AI代理觀測系統
21.1 為何AI代理需要LangFuse？
21.2 自行託管LangFuse：資料掌控與高度定制
21.3 為你的LLM團隊增加評分系統
21.4 LangFuse提示管理：你的提示語中控台
21.5 LangGraph與LangFuse：實戰可觀測性
21.6 小結

【Part 05 專案篇】
|Chapter 22| 動手打造你的第一個AI應用程式：FastAPI、Streamlit、LangServe的實戰入門
22.1 專案先預覽：我們要一起做出什麼？
22.2 動手前準備：開發環境設定指南
22.3 後端開發：用FastAPI建構你的AI服務骨架
22.4 啟動程式：讓你的FastAPI服務跑起來！
22.5 部署API：善用LangServe輕鬆部署
22.6 前端開發：用Streamlit打造應用網頁介面

|Chapter 23| MCP：讓大模型更容易使用外部工具的技術
23.1 認識一下模型上下文協定
23.2 我們為什麼需要MCP？它解決了什麼痛點？
23.3 MCP和函式呼叫到底差別在哪？
23.4 MCP協定是怎麼連線的？
23.5 打造MCP的神兵利器：FastMCP

【Part 06 附錄】
|Appendix A| 當AI遇上軟體架構：狀態管理的新思考
A.1 狀態管理與流程控制
A.2 小結與思考：AI時代的狀態管理展望

|Appendix B| 在Ollama上執行你的模型
B.1 GGUF格式
B.2 小結askw 【Part 01 核心概念】
|Chapter 01| 駕馭未來：探索代理型框架的世界
1.1 從生成到行動：代理型AI的崛起
1.2 代理型工作流：組織AI代理的自主行動
1.3 引出實現代理型框架的利器：LangGraph
1.4 代理型框架的商用浪潮：LangGraph賦能的企業實例
1.5 小結：通往更加自主的AI道路

|Chapter 02| LangGraph核心元件：節點、邊與狀態
2.1 LangGraph介紹與核心亮點
2.2 為什麼LangGraph讓AI流程活起來？
2.3 LangChain vs. LangGraph：它們不一樣的地方在哪裡？
2.4 介紹LangGraph適用於多種場景
2.5 LangGraph的三大核心
2.6 LangGraph使用時可能遇到的挑戰
2.7 小結

|Chapter 03| 即時回饋的祕密：LangChain串流技術
3.1 為什麼串流如此重要？
3.2 深入了解AI回應的互動機制：invoke() vs. stream()
3.3 結合LangChain表達語言（LCEL）實現持續串流
3.4 小結：串流功能

|Chapter 04| 將串流應用到LangGraph流程中
4.1 LangGraph串流模式概覽
4.2 values()串流模式：觀察圖的完整狀態演變
4.3 updates()串流模式：精確追蹤節點的增量更新
4.4 多模式串流：設定範例
4.5 messages串流模式：即時取得LLM逐字輸出
4.6 小結

|Chapter 05| 記憶：掌握AI對話上下文與跨會話知識的關鍵
5.1 記憶類型概覽：短期與長期記憶
5.2 短期記憶：對話上下文的守護者
5.3 長期記憶：跨會話知識的傳承
5.4 記憶類型的概念類比
5.5 小結

|Chapter06| LangChainTools深度解析：打造AI的外掛能力
6.1 Tools建立指南：AI模型的外掛功能
6.2 從函式建立Tools：簡單又強大
6.3 工具錯誤處理：打造穩健的AI應用程式

|Chapter 07| LangGraph實戰應用：ToolNode與AI互動流程
7.1 LangGraph如何善用ToolNode：AI的行動中心
7.2 天氣查詢範例
7.3 小結

|Chapter 08| 人機迴圈：讓AI流程也能請示人類
8.1 什麼是人機迴圈？
8.2 為什麼需要人機迴圈？
8.3 核心魔法：interrupt函式與Command原語
8.4 啟動人機迴圈的關鍵步驟
8.5 人機迴圈的三大應用模式
8.6 實戰演練：示範「批准或拒絕」模式
8.7 小結

|Chapter 09| LangGraph的時間旅行與狀態深度解析
9.1 LangGraph的狀態：AI代理的記憶與軌跡
9.2 時間旅行：回溯、檢查與探索
9.3 小結：時間旅行與狀態管理的意義

|Chapter 10| LangGraph功能型API：用Python函式打造智慧AI工作流程
10.1 深入理解LangGraph的功能型API
10.2 功能型API的應用時機與優勢
10.3 實戰演練：自動化會議摘要與待辦事項生成
10.4 功能型API與圖形API的差異比較
10.5 小結

【Part 02 AI代理設計模式】
|Chapter 11| AI代理自我反思：深入探討Self-Refine
11.1 什麼是Reflection Agents？
11.2 Reflection機制的核心步驟
11.3 Reflection的核心價值與應用：為什麼需要AI自我反思？
11.4 Self-Refine：Reflection的基礎實踐與運作原理
11.5 動手實踐：使用LangGraph實現Self-Refine
11.6 小結

|Chapter 12| Planning：賦予AI自主規劃能力
12.1 Planning：AI自主規劃的關鍵
12.2 Planning的運作機制：AI如何計畫？
12.3 Plan-and-Solve：Planning Agent的核心框架
12.4 LangGraph實踐：打造具備規劃能力的智慧代理
12.5 小結

|Chapter 13| 多協作模式讓AI團隊實現智慧分工
13.1 多代理系統：新一代AI協作的基石
13.2 多代理系統有哪些優勢？
13.3 協作模式：智慧分工的藝術
13.4 實現高品質的多代理協作翻譯系統
13.5 小結

|Chapter 14| 多代理協作：監督者模式
14.1 監督者模式：核心原理
14.2 設計：台灣棒球與啦啦隊新聞處理系統
14.3 使用LangGraph框架實現工作流程
14.4 小結

【Part 03 RAG篇】
|Chapter 15| 從基礎到進階：掌握RAG與Agentic RAG
15.1 RAG的誕生：解決LLM固有挑戰的必然選擇
15.2 RAG的核心機制：資訊檢索與生成的完美結合
15.3 RAG的廣泛應用與顯著優勢
15.4 Agentic RAG：使用LangGraph打造智慧檢索系統
15.5 小結：RAG技術是提升AI系統效能的新方法

|Chapter 16| CRAG：檢索增強生成的糾錯機制
16.1 CRAG技術概述與理論基礎
16.2 檢索增強生成技術的演進：從傳統RAG到CRAG
16.3 傳統RAG的技術瓶頸：相關性低與資訊冗餘問題
16.4 CRAG的核心機制：突破傳統RAG的限制
16.5 CRAG提出什麼機制解決問題？
16.6 從理論到實踐：使用LangGraph實現CRAG
16.7 小結：CRAG如何讓AI問答系統更上一層樓

|Chapter17| Adaptive-RAG：動態檢索策略提高系統問答精準度
17.1 Adaptive-RAG的定義與核心理念
17.2 Adaptive-RAG與傳統RAG的比較
17.3 Adaptive-RAG的核心元件
17.4 Adaptive-RAG的實作關鍵
17.5 小結：Adaptive-RAG的革新意義與未來展望

【Part 04 工具篇】
|Chapter 18| Ollama初探與基礎使用
18.1 什麼是Ollama？
18.2 Ollama有哪些特點？
18.3 安裝Ollama
18.4 啟動Ollama服務
18.5 進階：想把Ollama的能力整合到你自己的程式裡嗎？（給開發者看）
18.6 Ollama支援的大型語言模型

|Chapter 19| 揮別命令列：用WebUI讓Ollama更好聊
19.1 運用Docker執行Ollama，讓環境更獨立乾淨
19.2 如何在Docker容器中執行模型？
19.3 在Google Colab上快速試玩Ollama（給喜歡嘗鮮的你）
19.4 打造友善介面：Ollama+ Web UI一站式懶人包

|Chapter 20| LangGraphStudio V2指南
20.1 為什麼採用LangGraphStudio作為Agent開發工具
20.2 LangGraphStudio：AI代理開發的三大必殺技
20.3 LangGraphStudio本地環境建立：啟動你的開發引擎
20.4 LangGraphStudio核心功能導覽：與你的AI代理互動與偵錯
20.5 小結

|Chapter 21| LangFuse：打造AI代理觀測系統
21.1 為何AI代理需要LangFuse？
21.2 自行託管LangFuse：資料掌控與高度定制
21.3 為你的LLM團隊增加評分系統
21.4 LangFuse提示管理：你的提示語中控台
21.5 LangGraph與LangFuse：實戰可觀測性
21.6 小結

【Part 05 專案篇】
|Chapter 22| 動手打造你的第一個AI應用程式：FastAPI、Streamlit、LangServe的實戰入門
22.1 專案先預覽：我們要一起做出什麼？
22.2 動手前準備：開發環境設定指南
22.3 後端開發：用FastAPI建構你的AI服務骨架
22.4 啟動程式：讓你的FastAPI服務跑起來！
22.5 部署API：善用LangServe輕鬆部署
22.6 前端開發：用Streamlit打造應用網頁介面

|Chapter 23| MCP：讓大模型更容易使用外部工具的技術
23.1 認識一下模型上下文協定
23.2 我們為什麼需要MCP？它解決了什麼痛點？
23.3 MCP和函式呼叫到底差別在哪？
23.4 MCP協定是怎麼連線的？
23.5 打造MCP的神兵利器：FastMCP

【Part 06 附錄】
|Appendix A| 當AI遇上軟體架構：狀態管理的新思考
A.1 狀態管理與流程控制
A.2 小結與思考：AI時代的狀態管理展望

|Appendix B| 在Ollama上執行你的模型
B.1 GGUF格式
B.2 小結