Node.js生成式AI應用開發實戰: 實作OpenAI API×LangChain×LangGraph×RAG, 打造從雲端到本地LLM的混合式安全架構 | 誠品線上

Node.js生成式AI應用開發實戰: 實作OpenAI API×LangChain×LangGraph×RAG, 打造從雲端到本地LLM的混合式安全架構

內容簡介

內容簡介 本書內容改編自第17屆iThome鐵人賽生成式AI組優選系列文章《用Node.js打造生成式AI應用：從Prompt到Agent開發實戰》。以Node.js打造生成式AI應用為主軸，透過完整的實戰範例，協助開發者快速熟悉AI工具鏈。本書分為五大篇章，循序漸進地帶領讀者掌握生成式AI應用開發的關鍵要素： ✪PART 1 OpenAI API基礎應用：瞭解LLM核心概念，掌握OpenAI API使用模式、提示工程與函式呼叫。 ✪PART 2 LangChain核心應用：掌握LangChain提示模板、結構化輸出、LCEL流程鏈與工具代理整合。 ✪PART 3 RAG實戰應用：實作文件載入與分割，整合嵌入模型與向量資料庫建構RAG問答系統。 ✪PART 4 LangGraph AI Agent實作：建構具備多代理協作、人機互動、記憶管理與MCP整合能力的AI Agent。 ✪PART 5 本地LLM部署與安全設計：整合Ollama與LiteLLM建構雲地混合模型架構，並涵蓋資安防護策略。 第一本Node.js開發者駕馭LLM的生成式AI應用實戰指南 OpenAI API × LangChain × LangGraph × RAG 從零開始打造專屬你的生成式AI應用！ 【專業推薦】 如果你拿到這本書，記得不要只是照做，多去思考作者的選擇邏輯。要知道半年、一年後，技術可能就變了，書裡的具體做法可能就過時了。但如果你學到的是一位資深工程師怎麼看待新技術、怎麼做選擇，那這個能力不會過期。 ─ 張天豪，永豐金控科技長 這不是一本「介紹AI有多厲害」的書。它在做的事情，是告訴你怎麼把LLM變成一個可以放進系統裡、可以維運、可以信任的元件。這是一條從一開始「能跑」走到最後「能上線」的完整路徑，而不只是把技術點攤開來的知識拼盤。 ─ 周立夫，永豐金控數位科技處副處長 【內容簡介】 ♚OpenAI API入門：LLM知識深入淺出，提示工程輕鬆上手 ♚LangChain實戰：模組化元件開箱即用，打造可組合的AI應用 ♚RAG與AI Agent：向量資料庫整合實作，建構企業級智慧系統 ♚本地LLM與資安：雲端與本地混合架構，AI應用安全防護實戰 本書內容改編自第17屆iThome鐵人賽生成式AI組優選系列文章《用Node.js打造生成式AI應用：從Prompt到Agent開發實戰》。以Node.js打造生成式AI應用為主軸，透過完整的實戰範例，協助開發者快速熟悉AI工具鏈。本書分為五大篇章，循序漸進地帶領讀者掌握生成式AI應用開發的關鍵要素： ✪PART 1 OpenAI API基礎應用：瞭解LLM核心概念，掌握OpenAI API使用模式、提示工程與函式呼叫。 ✪PART 2 LangChain核心應用：掌握LangChain提示模板、結構化輸出、LCEL流程鏈與工具代理整合。 ✪PART 3 RAG實戰應用：實作文件載入與分割，整合嵌入模型與向量資料庫建構RAG問答系統。 ✪PART 4 LangGraph AI Agent實作：建構具備多代理協作、人機互動、記憶管理與MCP整合能力的AI Agent。 ✪PART 5 本地LLM部署與安全設計：整合Ollama與LiteLLM建構雲地混合模型架構，並涵蓋資安防護策略。 【目標讀者】 ✪想從OpenAI API 起步進入AI應用開發的入門者。 ✪想使用JS生態圈工具打造生成式AI應用的Node.js開發者。 ✪想運用自有知識庫打造RAG應用的企業內部技術團隊。 ✪想掌握生成式AI系統設計原則、部署模式與安全風險評估的技術主管與架構師。 ✪想理解LangChain、LangGraph、Ollama等框架的獨立開發者與技術創作者。

作者介紹

作者介紹 王雋凱 現任永豐金控數位科技處研發工程師，專注使用JavaScript生態系打造可落地的應用，長期關注生成式AI、軟體工程與金融科技發展。具備Web前後端整合經驗，致力於將AI技術導入實務並轉化為可維運的系統設計。著有《Node.js量化投資全攻略：從資料收集到自動化交易系統建構實戰》。 【得獎紀錄】 ✪2025年 iThome（第17屆iThome鐵人賽）生成式AI組優選 ✪2022年 iThome（第14屆iThome鐵人賽）Software Development組冠軍 ✪2014年 經濟部技術處〈搶鮮大賽〉系統實作類佳作 ✪2011年 經濟部工業局（第16屆資訊服務創新競賽）IAP2資訊技術應用組第二名 ✪2011年 經濟部工業局（第16屆資訊服務創新競賽）IAP2智慧手持裝置應用主題獎 ✪2011年 經濟部工業局〈App Star高手爭霸戰市集應用軟體設計大賽〉入圍

產品目錄

產品目錄 【Part 01 OpenAI API基礎應用】 |Chapter 01| 理解大型語言模型的核心概念 1.1 生成式AI的時代：從規則到語言理解 1.2 大型語言模型的核心概念 1.3 大型語言模型的能力與限制 |Chapter 02| 掌握OpenAI API的使用模式 2.1 為什麼選擇OpenAI 2.2 為什麼要使用AP 2.3 OpenAI API功能模組概覽 2.4 OpenAI GPT系列模型 2.5 Chat Completions API：對話核心介面 2.6 Responses API：支援狀態管理的對話介面 2.7 申請與管理OpenAI API金鑰 2.8 測試Chat Completion API 2.9 API使用限制與開發注意事項 |Chapter 03| 使用OpenAI API建立第一個應用 3.1 建立第一個OpenAI專案 3.2 專案初始化與環境準備 3.3 實作：建立可互動的終端機聊天機器人 3.4 提升對話體驗：使用串流模式 3.5 實作：支援串流模式的終端機聊天機器人 3.6 理解多輪對話機制：上下文與訊息角色 3.7 實作：支援多輪對話的終端機聊天機器人 |Chapter 04| 運用提示工程打造可控的角色與回應 4.1 認識提示工程：讓模型更懂你的指令 4.2 掌握提示結構：結合角色、任務與上下文 4.3 提示設計技巧：常用的引導方法與模式 4.4 實作：讓終端機聊天機器人擁有角色意識 |Chapter 05| 調控取樣參數Temperature與Top-P 5.1 理解模型如何生成回應 5.2 為何需要隨機性：從穩定回應到創意輸出 5.3 Temperature：控制模型的創意程度 5.4 Top-P：限制模型的選詞範圍 5.5 實作：讓CLI聊天機器人支援隨機性參數調整 |Chapter 06| 使用Function Calling讓模型呼叫工具 6.1 理解Function Calling機制 6.2 建立並執行Function Calling 6.3 實作：打造支援網路搜尋的終端機聊天機器人 【Part 02 LangChain核心應用】 |Chapter 07| 理解LangChain的核心概念與生態系 7.1 為什麼需要LangChain：從模型能力到應用挑戰 7.2 認識LangChain：打造LLM應用的核心框架 7.3 LangChain生態系：完整的應用開發平台 |Chapter 08| 使用LangChain建立LLM應用程式 8.1 建立第一個LangChain專案 8.2 專案初始化與環境準備 8.3 建立可互動的終端機聊天機器人 8.4 打造支援多輪對話的聊天機器人 8.5 使用串流模式提升對話體驗 |Chapter 09| 設計LangChain提示模板 9.1 為什麼需要提示模板 9.2 PromptTemplate：建立文字提示模板 9.3 ChatPromptTemplate：建立多角色對話提示 9.4 MessagesPlaceholder：插入歷史對話脈絡 |Chapter 10| 解析LangChain結構化輸出 10.1 為什麼需要輸出解析器 10.2 LangChain輸出解析器的運作流程 10.3 StringOutputParser：解析純文字輸出 10.4 JsonOutputParser：解析JSON輸出 10.5 CommaSeparatedListOutputParser：解析逗號分隔清單 10.6 StructuredOutputParser：結構與型別驗證輸出 10.7 OutputFixingParser：自動修復輸出 10.8 使用模型原生的結構化輸出 |Chapter 11| 使用LCEL組合流程鏈 11.1 認識LCEL 11.2 Runnable：LCEL的基本組成 11.3 RunnableSequence：順序執行Runnable 11.4 RunnableParallel：多個Runnable平行執行 11.5 RunnableLambda：自訂處理邏輯 11.6 LCEL的適用場景 |Chapter 12| 整合LangChain工具與代理 12.1 從工具到代理：讓模型具備行動力 12.2 Tool：讓模型能執行外部任務 12.3 Agent：讓模型自主決策與行動 |Chapter 13| 實作LangChain應用案例：AI部落格寫手 13.1 打造具網路搜尋能力的AI部落格寫手 13.2 專案初始化與環境準備 13.3 實作：具搜尋能力的AI部落格寫手 |Chapter 14| 追蹤與觀測LangChain執行流程 14.1 LLM應用的流程追蹤與可觀測性 14.2 LangChain的流程追蹤工具 14.3 Verbose模式：開發階段的即時追蹤與除錯 14.4 LangSmith：適用生產環境的可觀測平台 14.5 Langfuse：可自部署的LLM可觀測平台 【Part 03 RAG實戰應用】 |Chapter 15| 理解檢索增強生成 15.1 認識RAG 15.2 RAG的核心概念 15.3 LangChain如何支援RAG |Chapter 16| 載入與分割文件 16.1 為什麼要載入與分割文件 16.2 文件載入器：將不同來源轉換為統一格式 16.3 文本分割器：將內容分割為可處理片段 |Chapter 17| 使用嵌入模型與向量資料庫 17.1 認識嵌入模型 17.2 語意向量的建立與查詢 17.3 認識向量資料庫 17.4 在LangChain中使用VectorStore |Chapter 18| 結合檢索與生成 18.1 Retriever：封裝語意搜尋流程 18.2 建立基本的RAG流程 18.3 建立RAG Agent |Chapter 19| 實作RAG應用案例：文件問答助理 19.1 打造可檢索公司年報的AI問答助理 19.2 專案初始化與環境準備 19.3 實作：可檢索公司年報的AI問答助理 【Part 04 LangGraph AI Agent實作】 |Chapter 20| 理解LangGraph的流程架構 20.1 為什麼需要LangGraph：從流程鏈到圖狀工作流 20.2 LangGraph的核心設計：以Graph描述Agent流程 20.3 State：LangGraph的核心資料結構 20.4 Nodes：LangGraph中的任務執行單位 20.5 Edges：決定流程要怎麼走 |Chapter 21| 使用LangGraph建立Agent流程 21.1 建立你的第一個LangGraph專案 21.2 專案初始化與環境準備 21.3 實作：建立基本的ReAct Agent |Chapter 22| 打造多代理協作系統 22.1 為什麼需要多代理系統 22.2 多代理系統的設計模式 22.3 使用LangGraph實作多代理系統 22.4 設計多代理架構的協作模式 |Chapter 23| 設計人機協作流程 23.1 為什麼需要人機協作 23.2 LLM應用中的人機協作場景 23.3 使用LangGraph實現人機協作 23.4 人機協作的設計模式 23.5 使用Agent Middleware實作人機協作 |Chapter 24| 管理AI Agent記憶 24.1 認識AI Agent的記憶 24.2 短期記憶與長期記憶 24.3 短期記憶：追蹤當前對話與任務狀態 24.4 短期記憶的管理策略 24.5 長期記憶：跨會話的偏好與知識保存 24.6 設計長期記憶時的考量 |Chapter 25| 透過MCP連接第三方工具與資源 25.1 認識MCP 25.2 建立你的第一個MCP Server 25.3 建立MCP Client並呼叫工具 25.4 在LangGraph中整合MCP工具 25.5 整合外部服務：連接第三方MCP Server |Chapter 26| 實作LangGraph應用案例：可審核與修訂的AI寫作Agent 26.1 打造具網路搜尋與人機協作能力的AI寫作Agent 26.2 專案初始化與環境準備 26.3 實作：具網路搜尋與人機協作能力的AI寫作Agent 26.4 建立CLI客戶端 |Chapter 27| 探索深度代理架構 27.1 認識深度代理 27.2 深度代理的四大核心支柱 27.3 打造並客製你的深度代理 【Part 05 本地LLM部署與安全設計】 |Chapter 28| 理解本地LLM的部署方案 28.1 為什麼需要在本地部署LLM 28.2 本地LLM部署的挑戰 28.3 常見的本地LLM部署方案 28.4 Hugging Face：模型生態與工具平台 28.5 常見的開放權重模型選擇 |Chapter 29| 使用Ollama管理本地模型 29.1 為什麼選擇Ollama 29.2 安裝Ollama 29.3 透過Ollama CLI管理模型 29.4 使用REST API 29.5 實作：使用LangChain建立終端機聊天機器人 |Chapter 30| 實作本地LLM應用案例：RAG文件問答助理 30.1 建構本地RAG應用 30.2 專案初始化與環境準備 30.3 實作：可檢索公司年報的AI問答系統 |Chapter 31| 使用LiteLLM建構多模型代理服務 31.1 從單一模型走向多模型架構 31.2 認識LiteLLM 31.3 部署LiteLLM 31.4 建立LiteLLM虛擬金鑰 31.5 測試LiteLLM API 31.6 使用LangChain存取LiteLLM API |Chapter 32| 強化生成式AI應用的資安防護 32.1 當語言模型成為系統的一部分：LLM資安的新挑戰 32.2 從標準看風險：OWASP LLM Top 10 32.3 生成式AI應用的主要攻擊面 32.4 提示注入：最常見也最危險的攻擊手法 32.5 LLM的資料來源與信任邊界 32.6 當模型開始行動：AI Agent的權限與行為風險 32.7 LLM應用的安全設計原則 32.8 安全設計思維：打造多層防禦的LLM架構 32.9 結語：讓AI的創造力在安全邊界內發揮 【Part 06 附錄】 |Appendix A| 安裝與設定開發環境

商品規格

最佳賣點

最佳賣點 : 本書內容改編自第17屆iThome鐵人賽生成式AI組優選系列文章《用Node.js打造生成式AI應用：從Prompt到Agent開發實戰》。以Node.js打造生成式AI應用為主軸，透過完整的實戰範例，協助開發者快速熟悉AI工具鏈。

活動

• 5/10前 全站滿$3,500折$380
• 5/10前 全站滿$2,600折$260
• 5/10前 全站滿$5,000折$600
• 5/10前 全站滿$1,600折$150