防詐3要訣：不聽信、不操作、掛斷電話 
9
780702
查詢門市庫存
◎ 本書是「極簡 LLM 應用程式開發入門」的教材。
內容簡介
◎代理經銷 白象文化
本書是「極簡 LLM 應用程式開發入門」的教材。本書亦延續作者在 Node.js 系列著
作的風格，採用清楚的步驟式教學，並搭配語意導向的說明，讓 LLM 初學者了解每一
段程式碼背後的設計邏輯。
產品目錄
◎
第 1 章：LLM 大型語言模型概念
1.1 什麼是大型語言模型（LLM）
1.2 Transformer：語言模型的新架構
1.3 幻覺、偏見與語意系統的技術邊界
1.4 LLM 與 Node.js 的整合應用：語意邏輯成為應用模組
1.5 In-Context Learning：從參數訓練轉向語境操控
1.6 LLM 與軟體工程的整合應用：語言成為流程驅動器
1.7 LLM 應用於新創產品：生成式 AI 的語意引擎角色
第 2 章：打造第一個 LLM 應用程式
2.1 安裝 Node.js 與 OpenAI 套件
2.2 註冊 OpenAI 帳號並設定 API 金鑰
2.3 建立 Node.js 基本專案結構
2.4 透過 OpenAI SDK 發送基礎請求
2.5 設計 API 請求流程與錯誤處理
2.6 使用 Chat Completions
2.7 小結
第 3 章：打造多輪對話與上下文記憶
3.1 多輪對話的工程邏輯
3.2 多輪對話的核心概念
3.3 建立對話記憶模組：Conversation Manager 定義與最佳實踐
3.4 改寫請求流程，支援多輪對話
3.5 升級至 Chat Completion 模式
3.6 控制上下文長度：壓縮與裁剪策略
3.7 使用記憶壓縮策略，優化 Token 控制
3.8 實作多使用者對話記憶：分流與隔離機制
3.9 回顧：從訊息記憶到多輪對話的模組化設計
第 4 章：建構具資料記憶能力的語言模型應用
4.1 為什麼 LLM 需要外部記憶體？
4.2 什麼是 RAG 架構？
4.3 建立本地知識庫
4.4 向量化文本資料
4.5 Node.js 結合向量資料庫與語言模型的整合流程
4.6 向量資料庫選型與開發情境對應
4.7 Redis 作為語意向量快取：Node.js 整合實務
4.8 總結：RAG 架構與語意記憶的整合基礎
第 5 章：開發你的第一個 CLI 對話助理
5.1 為何選擇 CLI 作為起點？
5.2 使用 Inquirer.js 建立命令列互動
5.3 整合 GPT 回覆生成與顯示
5.4 對話邏輯與上下文維持
補充：conversationManager.js 初版範例
5.5 提示工程初探：加入系統角色（System Prompt）
5.6 執行與測試
5.7 整合 Redis：讓對話有記憶
第 6 章：設計可控語境：Prompt Engineering × RAG 整合
6.1 Prompt 是語境 API：設計有效提示的基本結構
6.2 四種關鍵技巧：提示詞的工程邏輯拆解
6.3 角色設定（System Prompt）：塑造 AI 的人格與知識邊界
6.4 格式控制與輸出結構
6.5 常見錯誤與優化策略
6.6 整合提示語與資料：建立可控且具知識邊界的語意回應架構
第 7 章：提示詞的學習性：In-Context Learning × MAML-en-LLM 導論
7.1 上下文就是訓練資料：In-Context Learning 的語意模型
7.2 提示設計的策略化發展：ICL 類型總覽與應用定位
7.3 從 Prompt 靜態模板邁向可學習提示模組：MAML-en-LLM 架構
7.4 在 Node.js 中實作提示學習架構：MAML-en-LLM 模擬流程
7.5 評估提示學習效能：如何讓 MAML-en-LLM 應用於產品開發
第 8 章：從語言到行動：Tool-Augmented Reasoning 架構與實作
8.1 為什麼 LLM 需要外部工具？
8.2 Prompt 內的記憶分配策略
8.3 Tool 回饋資料的融合技巧
8.4 與 RAG 架構的整合策略
8.5 延伸應用場景與案例設計
8.6 小結與展望：從 Tool-Augmented 到 Multi-Agent AI
第 9 章：記憶就是語境策略：選擇、壓縮與動態組裝技術
9.1 上下文長度限制的現實挑戰
9.2 記憶選擇：決定哪些內容值得保留
9.3 記憶壓縮：節省 token，保留意義
9.4 記憶選擇與工具引導：雙軌推理的實戰策略
9.5 策略型記憶控制與 API 對話整合
9.6 記憶策略的產品化與部署考量
9.7 記憶系統的總結與未來展望
第 10 章：整合系統思維：打造具備推理、記憶與檢索能力的 AI 助理
10.1 總覽：從模組到產品
10.2 模組整合實作與系統架構草圖
10.3 模型評估與 Prompt 策略調整
10.4 系統部署與持續優化
10.5 多模組維運與版本策略
10.6 模型與資料擴充：從 MVP 到大規模應用
10.7 本書總結
10.8 未來展望
第 1 章：LLM 大型語言模型概念
1.1 什麼是大型語言模型（LLM）
1.2 Transformer：語言模型的新架構
1.3 幻覺、偏見與語意系統的技術邊界
1.4 LLM 與 Node.js 的整合應用：語意邏輯成為應用模組
1.5 In-Context Learning：從參數訓練轉向語境操控
1.6 LLM 與軟體工程的整合應用：語言成為流程驅動器
1.7 LLM 應用於新創產品：生成式 AI 的語意引擎角色
第 2 章：打造第一個 LLM 應用程式
2.1 安裝 Node.js 與 OpenAI 套件
2.2 註冊 OpenAI 帳號並設定 API 金鑰
2.3 建立 Node.js 基本專案結構
2.4 透過 OpenAI SDK 發送基礎請求
2.5 設計 API 請求流程與錯誤處理
2.6 使用 Chat Completions
2.7 小結
第 3 章：打造多輪對話與上下文記憶
3.1 多輪對話的工程邏輯
3.2 多輪對話的核心概念
3.3 建立對話記憶模組：Conversation Manager 定義與最佳實踐
3.4 改寫請求流程，支援多輪對話
3.5 升級至 Chat Completion 模式
3.6 控制上下文長度：壓縮與裁剪策略
3.7 使用記憶壓縮策略，優化 Token 控制
3.8 實作多使用者對話記憶：分流與隔離機制
3.9 回顧：從訊息記憶到多輪對話的模組化設計
第 4 章：建構具資料記憶能力的語言模型應用
4.1 為什麼 LLM 需要外部記憶體？
4.2 什麼是 RAG 架構？
4.3 建立本地知識庫
4.4 向量化文本資料
4.5 Node.js 結合向量資料庫與語言模型的整合流程
4.6 向量資料庫選型與開發情境對應
4.7 Redis 作為語意向量快取：Node.js 整合實務
4.8 總結：RAG 架構與語意記憶的整合基礎
第 5 章：開發你的第一個 CLI 對話助理
5.1 為何選擇 CLI 作為起點？
5.2 使用 Inquirer.js 建立命令列互動
5.3 整合 GPT 回覆生成與顯示
5.4 對話邏輯與上下文維持
補充：conversationManager.js 初版範例
5.5 提示工程初探：加入系統角色（System Prompt）
5.6 執行與測試
5.7 整合 Redis：讓對話有記憶
第 6 章：設計可控語境：Prompt Engineering × RAG 整合
6.1 Prompt 是語境 API：設計有效提示的基本結構
6.2 四種關鍵技巧：提示詞的工程邏輯拆解
6.3 角色設定（System Prompt）：塑造 AI 的人格與知識邊界
6.4 格式控制與輸出結構
6.5 常見錯誤與優化策略
6.6 整合提示語與資料：建立可控且具知識邊界的語意回應架構
第 7 章：提示詞的學習性：In-Context Learning × MAML-en-LLM 導論
7.1 上下文就是訓練資料：In-Context Learning 的語意模型
7.2 提示設計的策略化發展：ICL 類型總覽與應用定位
7.3 從 Prompt 靜態模板邁向可學習提示模組：MAML-en-LLM 架構
7.4 在 Node.js 中實作提示學習架構：MAML-en-LLM 模擬流程
7.5 評估提示學習效能：如何讓 MAML-en-LLM 應用於產品開發
第 8 章：從語言到行動：Tool-Augmented Reasoning 架構與實作
8.1 為什麼 LLM 需要外部工具？
8.2 Prompt 內的記憶分配策略
8.3 Tool 回饋資料的融合技巧
8.4 與 RAG 架構的整合策略
8.5 延伸應用場景與案例設計
8.6 小結與展望：從 Tool-Augmented 到 Multi-Agent AI
第 9 章：記憶就是語境策略：選擇、壓縮與動態組裝技術
9.1 上下文長度限制的現實挑戰
9.2 記憶選擇：決定哪些內容值得保留
9.3 記憶壓縮：節省 token，保留意義
9.4 記憶選擇與工具引導：雙軌推理的實戰策略
9.5 策略型記憶控制與 API 對話整合
9.6 記憶策略的產品化與部署考量
9.7 記憶系統的總結與未來展望
第 10 章：整合系統思維：打造具備推理、記憶與檢索能力的 AI 助理
10.1 總覽：從模組到產品
10.2 模組整合實作與系統架構草圖
10.3 模型評估與 Prompt 策略調整
10.4 系統部署與持續優化
10.5 多模組維運與版本策略
10.6 模型與資料擴充：從 MVP 到大規模應用
10.7 本書總結
10.8 未來展望
作者介紹
◎作者 Jollen
Moko365 技術總監、 Flowchain 基金會（新加坡）創辦人，專精於 Embedded Linux、
Android Framework 與驅動程式開發，累積超過二十年研發與實務經驗。曾為Motorola、HTC、LG、OPPO、騰訊、廣達等五十餘家企業提供技術顧問、內訓與課程設計服務，擅長系統架構設計、軟硬整合開發與研發流程管理。
2016 年創辦 Flowchain 基金會，推動以 Node.js 為核心的物聯網區塊鏈作業系統，
實踐開源實作與跨域整合，並取得多項國際專利。多年來受邀於日本、加拿大、新加坡、斯洛維尼亞等地演講與授課，並多次在 Open Source Summit、OpenIoT Japan、
FOSSASIA Summit 等國際會議發表技術演說。其代表性研究《Devify: Decentralized
IoT Software Framework》曾於 AIoTAS’17 （加拿大）發表，並收錄於 ACM SIGBED
Review。
Jollen 著有十餘本技術書，涵蓋 Linux、Embedded Linux 與 PHP，具備深厚的技術
書寫與教材編撰經驗。近期聚焦於 WebAssembly 與語言模型整合開發，並主筆
《Node.js 與 LLM》系列教材。
Jollen's Blog：
https://jollen.org/blog
讀者服務：
www.jollen.org
Moko365 技術總監、 Flowchain 基金會（新加坡）創辦人，專精於 Embedded Linux、
Android Framework 與驅動程式開發，累積超過二十年研發與實務經驗。曾為Motorola、HTC、LG、OPPO、騰訊、廣達等五十餘家企業提供技術顧問、內訓與課程設計服務，擅長系統架構設計、軟硬整合開發與研發流程管理。
2016 年創辦 Flowchain 基金會，推動以 Node.js 為核心的物聯網區塊鏈作業系統，
實踐開源實作與跨域整合，並取得多項國際專利。多年來受邀於日本、加拿大、新加坡、斯洛維尼亞等地演講與授課，並多次在 Open Source Summit、OpenIoT Japan、
FOSSASIA Summit 等國際會議發表技術演說。其代表性研究《Devify: Decentralized
IoT Software Framework》曾於 AIoTAS’17 （加拿大）發表，並收錄於 ACM SIGBED
Review。
Jollen 著有十餘本技術書，涵蓋 Linux、Embedded Linux 與 PHP，具備深厚的技術
書寫與教材編撰經驗。近期聚焦於 WebAssembly 與語言模型整合開發，並主筆
《Node.js 與 LLM》系列教材。
Jollen's Blog：
https://jollen.org/blog
讀者服務：
www.jollen.org
規格
誠品貨碼 / 2683020103005
ISBN13 / 9786269983339
ISBN10 /
EAN貨碼 / 9786269983339
頁數 / 376
裝訂 / P:平裝
語言 / 1:中文/繁體
尺寸 / 23x17x1.9cm
級別 / N:無
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
