第一章 使用 LangChain 必備的 LLM 基礎知識 設置 LangChain 環境 在 LangChain 中使用 LLM 讓 LLM 的指示詞可以重複使用 從 LLM 取得特定格式的輸出 組合 LLM 應用程式的各個部分第二章 RAG 首部曲：為你的資料建立索引 目標：為 LLM 挑選相關的脈絡 embedding：將文字轉換成數值 將文件轉換成文字 將文字拆成小段落 產生文字embedding 將 embedding 存入向量庫 追蹤文件的變更 索引最佳化第三章 RAG 二部曲：與你的資料對話 Retrieval-Augmented Generation 簡介 查詢句轉換 查詢句路由 建構查詢句第四章 使用 LangGraph 來為聊天機器人加入記憶功能 建立聊天機器人記憶系統 介紹 LangGraph 建立 StateGraph 為 StateGraph 加入記憶功能 修改聊天歷史第五章 LangGraph 與認知架構 架構 #1：LLM 呼叫 架構 #2：鏈式架構 架構 #3：路由器第六章 agent 架構 Plan-Do 迴圈 建立一個 LangGraph agent 始終先呼叫某一個工具 使用大量工具第七章 Agents 第二集 反省 LangGraph 的 subgraph 多 agent 架構第八章 善用 LLM 的設計模式 結構化輸出第九章 部署：將 AI 應用程式部署到正式環境 先決條件 瞭解 LangGraph Platform API 在 LangGraph Platform 上部署 AI 應用程式 安全第十章 測試：評估、監控與持續改進 在 LLM app 開發週期中的測試技巧 設計階段：能自我修正的 RAG 預備上線階段 正式上線階段第十一章 使用 LLM 來建構應用程式 互動式聊天機器人 與 LLM 合作編輯 環境式運算（ambient computing）
AI輔助程式開發｜從規劃到部署全流程高效升級 GitHub Copilot學習手冊｜效率倍增的AI程式設計力 生成式AI提示工程｜以前瞻性的設計打造穩定、可信任的AI解決方案