防詐3要訣：不聽信、不操作、掛斷電話 
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
出版社：
出版日期：
2025/09/07
9
660594
查詢門市庫存
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。
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。
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
|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
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
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
規格
誠品貨碼 / 2682980035005
ISBN13 / 9786264142915
ISBN10 /
EAN貨碼 / 9786264142915
頁數 / 320
裝訂 / P:平裝
語言 / 1:中文/繁體
尺寸 / 17X23X2.06CM
級別 / N:無
重量(g) / 449.2
退貨說明
退貨須知：
- 依照消費者保護法的規定，您享有商品貨到次日起七天猶豫期(含例假日)的權益(請注意！猶豫期非試用期)，辦理退貨之商品必須是全新狀態(不得有刮傷、破損、受潮)且需完整(包含全部商品、配件、原廠內外包裝、贈品及所有附隨文件或資料的完整性等)。
- 請您以送貨廠商使用之包裝紙箱將退貨商品包裝妥當，若原紙箱已遺失，請另使用其他紙箱包覆於商品原廠包裝之外，切勿直接於原廠包裝上黏貼紙張或書寫文字。若原廠包裝損毀將可能被認定為已逾越檢查商品之必要程度，本公司得依毀損程度扣除回復原狀必要費用(整新費)後退費；請您先確認商品正確、外觀可接受，再行拆封，以免影響您的權利；若為產品瑕疵，本公司接受退貨。
依「通訊交易解除權合理例外情事適用準則」，下列商品不適用七日猶豫期，除產品本身有瑕疵外，不接受退貨：
- 易於腐敗、保存期限較短或解約時即將逾期。(如:生鮮蔬果、乳製品、冷凍冷藏食材、蛋糕)
- 依消費者要求所為之客製化給付。(如:客製印章、鋼筆刻字)
- 報紙、期刊或雜誌。
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。(如:電子書)
- 已拆封之個人衛生用品。(如:內衣褲、襪類、褲襪、刮鬍刀、除毛刀等貼身用品)
- 國際航空客運服務。
若您退貨時有下列情形，可能被認定已逾越檢查商品之必要程度而須負擔為回復原狀必要費用(整新費)，或影響您的退貨權利，請您在拆封前決定是否要退貨：
- 以數位或電磁紀錄形式儲存或著作權相關之商品(包含但不限於CD、VCD、DVD、電腦軟體等) 包裝已拆封者(除運送用之包裝以外)。
- 耗材(包含但不限於墨水匣、碳粉匣、紙張、筆類墨水、清潔劑補充包等)之商品包裝已拆封者(除運送用之包裝以外)。
- 衣飾鞋類/寢具/織品(包含但不限於衣褲、鞋子、襪子、泳裝、床單、被套、填充玩具)或之商品缺件(含購買商品、附件、內外包裝、贈品等)或經剪標或下水或商品有不可回復之髒污或磨損痕跡。
- 食品、美容/保養用品、內衣褲等消耗性或個人衛生用品、商品銷售頁面上特別載明之商品已拆封者(除運送用之包裝外一切包裝、包括但不限於瓶蓋、封口、封膜等接觸商品內容之包裝部分)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 家電、3C、畫作、電子閱讀器等商品，除商品本身有瑕疵外，退回之商品已拆封(除運送用之包裝外一切包裝、包括但不限於封膜等接觸商品內容之包裝部分、移除封條、拆除吊牌、拆除貼膠或標籤等情形)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 退貨程序請參閱【客服專區→常見問題→誠品線上退貨退款】之說明。
付款/配送
