會使用 AI，卻不知道如何開發應用

生成式 AI 工具越來越普及，若想將模型整合進網站、系統或工作流程，就需要了解程式如何呼叫模型、傳遞指令及處理回傳結果。從 Python 與大語言模型的整合 開始，建立 AI 應用開發所需的基礎。

企業資料很多，AI 如何找到正確資訊？

當應用需要讀取企業文件或內部資料時，如何透過資料切分、向量化與語意檢索，讓模型取得相關內容，是建構私有知識庫時需要理解的關鍵。透過 RAG 檢索增強生成，學習整合資料與模型的方式。

AI 能回答問題，還能執行任務嗎？

若希望 AI 進一步串接外部 API、呼叫工具或整合訊息服務，就需要理解模型如何選擇工具，以及程式如何接手執行。透過 Function Calling、AI Agent 與 MCP 等技術，認識 AI 任務自動化的開發方式。

01

認識 GPT、Claude、Gemini 等商用大語言模型，運用 LangChain 呼叫模型，學習 Tokens、Temperature、Top-k、Top-p 等參數，並透過提示詞工程與推理行為設計，了解模型回應的調整方式。

02

學習 Embedding、向量資料庫、文字切分與語意檢索，接觸 FAISS、Chroma、LlamaIndex 與 LangChain 等工具，認識 檢索增強生成的核心原理與建置流程。

03

學習函式定義、JSON Schema 與 Function Calling 機制，實作自訂函式及外部 API 串接，了解模型呼叫外部工具的技術方式，並認識 模型與外部服務之間的整合流程。

04

認識 AI Agent 決策流程、ReAct 架構及 Google ADK、AutoGen 等框架，並學習 LoRA、QLoRA、SFT、DPO 等模型微調相關技術。

05

學習 MCP Server／Client 架構、自建 MCP Server 與客製化工具，並接觸 LINE Messaging API，認識結合大語言模型、Function Calling 與 MCP 工具的應用整合方式，了解 不同服務的串接流程。

開發基礎

從 Python 語法、程式流程與邏輯控制開始，逐步理解模型、應用框架與工具之間的關係，建立 閱讀程式、理解架構及規劃開發工作 的基礎。

面對不同類型的文件與資料，可依據內容特性思考資料切分、向量化及檢索方式，評估如何讓 AI 應用取得相關資訊，作為 規劃企業知識庫與評估技術選型 的參考。

資料應用

流程整合

針對需要多步驟處理的工作，可進一步思考任務如何拆解、哪些工具適合串接，以及外部服務如何配合執行，評估 AI 導入既有系統與工作流程的可行性。

透過模型串接、MCP 與 LINE Bot 等技術概念，理解不同服務的整合關係，協助規劃應用原型的功能需求、測試方向與後續開發工作，為 驗證 AI 應用構想 建立技術基礎。

應用驗證

軟體開發與程式設計人員

系統整合與資料自動化人員

AI 產品與數位轉型相關人員