讓每個概念都有下一步。
依下列路線學習,會先遇到每篇所需的先備內容。主題系列方便查找;文章 ID 是固定標籤,不是閱讀順序。閱讀到一個頁面不代表已完成先備練習。
只想學推論基礎設施,可讀完 00-1、00-2 後跳至 I-00。應用系統讀者則可在 10 完成後結束,再視需求進入推論路線。每篇開頭標示要帶入的前作、新增產物與後續用途。
建議閱讀路線
00-1 語言模型如何生成文字
先讀:無
00-2 提示詞、Token 與上下文
先讀:00-1
00-3 為何流暢的回答仍會出錯
00-4 從模型輸出到受控動作
01 設計一套 AI 系統
02 可靠的管線與驗證
先讀:01
04 記憶、狀態與知識
05 如何選擇工作流程與代理
03 用 RAG 為回答建立證據依據
11 評估 AI 系統
12 代理的身分與授權
06 代理迴圈與工具可靠性
07 混合檢索與證據資料包
08 超越 OCR 的文件理解
先讀:03
09 多模態證據的定位與查核
00-5 實作:可靠的客服工作流程
10 實作:建立受控的旅行 Copilot
I-00 拆解一次 LLM 推論請求
I-01 連續批次處理
先讀:I-00
I-02 管理 KV 快取
先讀:I-00
I-06 將模型分配到多張 GPU
I-04 前綴快取與請求路由
I-03 分離預填充與解碼
I-05 部署混合專家模型
先讀:I-06
I-07 量測推論容量
選讀練習:來源檢查與重試處理
這份教學用 Python 範例以虛構旅行資料,示範來源檢查、關鍵字檢索與逾時後的查核。英文與繁體中文的詞彙對應來自手寫字典;模擬供應商只會在本機 SQLite 資料庫建立紀錄。
身分與核准皆由程式模擬;不會執行語言模型、呼叫訂房服務或付款。它適合觀察程式流程與重複操作的處理,無法證明正式 AI 系統的品質或安全性。
python3 lab.py all --out out
python3 -m unittest discover -s . -v需要 Python 3.9+。解壓縮後,在 travel-copilot 目錄執行。程式輸出 JSON;confirmed 僅表示本機模擬紀錄已建立。使用同一個 out 目錄再執行一次,可檢查是否仍只有一筆紀錄。
