LangGraph實戰開發AI Agent全攻略: 掌握AI模型×工作流程×設計應用, 從零打造智慧分工多代理協作系統 | 誠品線上

LangGraph實戰開發AI Agent全攻略: 掌握AI模型×工作流程×設計應用, 從零打造智慧分工多代理協作系統

內容簡介

內容簡介 本書改編自第16屆iThome鐵人賽生成式AI組優選系列文章《2024年用LangGraph從零開始實現Agentic AI System》。內容直擊生成式AI領域的痛點與實務需求，從基礎到進階完整掌握AI代理技術，幫助讀者在職涯道路上迅速脫穎而出。全書以目前生成式AI領域炙手可熱的LangGraph框架為主軸，搭配真實的企業專案案例，從核心觀念、設計模式到實戰應用逐步展開，讓讀者一步到位地學會如何設計、部署並管理高效的多代理系統。透過即學即用的程式碼範例與場景式實務指引，讀者能在短時間內提升技術實力，成為企業爭相搶奪的生成式AI專家。透過LangGraph框架，晉升企業爭相延攬的AI專家 兼具生成式AI理論深度與多代理實戰應用，助你從基礎走向職場競爭力的飛躍之路 【內容簡介】 ♚從入門到精通：由淺入深學習，奠定紮實的技術基本功 ♚實戰案例導向：精選真實操作案例，立即落實專案成果 ♚破解系統瓶頸：掌握高階開發技巧，降低知識學習門檻 ♚提升技術實力：全方位提升AI技能，成為AI專業人才 本書改編自第16屆iThome鐵人賽生成式AI組優選系列文章《2024年用LangGraph從零開始實現Agentic AI System》。內容直擊生成式AI領域的痛點與實務需求，從基礎到進階完整掌握AI代理技術，幫助讀者在職涯道路上迅速脫穎而出。 全書以目前生成式AI領域炙手可熱的LangGraph框架為主軸，搭配真實的企業專案案例，從核心觀念、設計模式到實戰應用逐步展開，讓讀者一步到位地學會如何設計、部署並管理高效的多代理系統。透過即學即用的程式碼範例與場景式實務指引，讀者能在短時間內提升技術實力，成為企業爭相搶奪的生成式AI專家。 【目標讀者】 ✪想要掌握生成式AI技術、提升職涯競爭力的初階及中階工程師。 ✪正在求職、轉職，極需具體實務經驗來增加求職籌碼的技術人員。 ✪想要快速落實AI專案並推動團隊轉型的產品經理、資料科學家與主管。 ✪希望在生成式AI熱潮中卡位、提升個人價值的職場人士。 ✪需要掌握AI Agent商業應用案例與導入流程、加速企業數位轉型的人員。

作者介紹

作者介紹 許恆修 畢業於美國喬治亞大學電腦科學研究所，專注於人工智慧與軟體開發技術的深度整合應用，長年致力於推動AI技術在產學界的知識傳承與實務落實。現任喬泰科技資深AI研究員，曾任微光國際軟體架構師以及逢甲大學創能學院業界講師，在逢甲大學的講台上，用最貼近學習者的語言，為數百名學生開啟通往技術世界的大門。這種雙重身分讓作者能將抽象的理論與具體的應用緊密結合，幫助學員建立紮實的基礎。過去多年，作者曾主導多項AI專案在企業與教育機構的導入應用，在跨領域技術整合與教學推廣上累積深厚的實務經驗。 【作者經歷】 ✪喬泰科技股份有限公司 資深AI研究員 ✪微光國際 軟體架構師 ✪逢甲大學業界講師 ✪工研院專業講師

產品目錄

產品目錄 【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

商品規格

試閱文字

推薦序 : 【專業推薦】
作者透過此書將他多年專業淬煉的精華與讀者分享，幫助讀者以最高效的學習路徑，獲得最大幅度的專業提升。
─ 賴毓敏，台灣先進智慧公司AI科學家
「含金量極高！」本書不僅是入門寶典，更是一位資深實踐者實戰經驗的結晶。從代理型AI核心概念出發，對比LangChain與LangGraph到前沿的Agentic RAG技術，清晰呈現技術演進的脈絡。書中的「作者觀點」更是精髓，時刻引導讀者避開思路誤區。無論想打造AI助理大軍，或優化內部流程提高生產力，本書都能一步步引導你，將AI技術轉化為事業成功的利器。
─ 江翊先，Google半導體工程師
作者以平鋪直敘而蘊含工業強度的實務分享，深入淺出地解釋「代理型框架」（Agentic AI）的核心概念，讓讀者直接體會AI如何從單純的「生成」邁向「自主行動、決策與自我精進」。書中透過建構「能思考、規劃、行動甚至自我修正」的智慧應用，以及養護好LLM應用的生命週期的實作，作者詳細展示了LangGraph、 Adaptive-RAG、LangFuse等強大的LLMOps方法論、框架組合。不用浪費時間踩雷，讀者們直接站上了LLM前沿實務經驗的肩膀上，看見全新的風景。
─ 鮑聖文，THXLAB架構師

最佳賣點

最佳賣點 : 本書改編自第16屆iThome鐵人賽生成式AI組優選系列文章《2024年用LangGraph從零開始實現Agentic AI System》。內容直擊生成式AI領域的痛點與實務需求，從基礎到進階完整掌握AI代理技術，幫助讀者在職涯道路上迅速脫穎而出。