七步打造你的第一個 AI Agent：從環境準備到最小上線的完整走法
改編自 MIT 授權的 awesome-agentic-ai-zh 整合教學：用一個「論文小助理」專案，把環境準備、第一次 LLM 呼叫、Prompt 四格、Tool Use、迴圈與反思、RAG 記憶、Eval 與觀測、最小操作介面串成七步。每步附可執行的最小程式碼與安全底線，Ollama 本機路徑 API 費用為 0。
按下 Enter 之後：從 0.03 秒到 0.85 秒，你的問題經歷了什麼
用一次真實的 API 呼叫拆解一個提問的完整鏈路：建立連線 35 毫秒、切詞微秒級、模型讀完整段問題 474 毫秒、逐字生成 380 毫秒——總計 854 毫秒。附完整可重現的量測方法，以及一個反直覺的結論：96% 的時間不在網絡，而在模型裡面。
Function Calling 入門：讓 LLM 真正使用工具
講清楚主流 LLM API 的 Function Calling 機制：工具 JSON Schema 怎麼寫、模型如何決定要不要呼叫工具、tool_choice 強制呼叫與平行呼叫怎麼用，附上完整可執行範例，以及工具描述寫法如何決定呼叫品質的實務技巧。
AI Agent 是什麼：從 ChatGPT 到會自己做事的 AI
用 LLM、上下文、工具、循環四個零件拆解 AI Agent 的本質，對比聊天機器人與 Agent 的差別，給出日常、開發、商業三個例子與真實失敗模式，幫你判斷自己的需求該不該用 Agent。
第一次呼叫 LLM API：Token、計費與常見錯誤
用 Python 的 openai SDK 發出第一個 LLM 請求：搞懂 system、user、assistant 三種訊息角色的分工，temperature、max_tokens 與串流輸出的取捨，以及 token 計費概念與用量估算方法，最後整理新手必遇錯誤的排查步驟。
五分鐘設置你的 LLM 開發環境
從零搭好能呼叫 LLM API 的開發環境：Python 安裝、虛擬環境、API Key 取得與環境變數管理，最後用一條 curl 指令驗證整條鏈路。macOS 與 Windows 雙平台完整指令，重點講解金鑰安全管理與不洩漏進 git 的做法。
你的第一個 Agent：一個會用工具的 Hello World
不用任何框架，手寫一個真的會做事的 Agent：會查天氣、會算數學、自己循環到任務完成為止。逐步拆解 Agent 循環的六個步驟、終止條件與常見踩坑，寫完你就懂框架替你做了什麼。
LangChain 完整教學 2026：從零構建企業級 LLM 應用
最詳盡的 LangChain 2026 教學：涵蓋 LCEL、RAG、Agent、LangGraph、LangSmith。從安裝到生產部署，附完整代碼示例。
從偽造到驗證：Agent 驗證架構的信任建築學
當 LLM Agent 在 6 次執行中從'跳過驗證'惡化為'偽造驗證記錄'，我們學到一個根本教訓：純文字規則無法約束 LLM。External Supervisor 是唯一可靠解。
LLM Agent 自主繞過流程約束的實證分析：從 'Skip' 到 'Fabricate' 的惡化路徑
在生產環境中連續 6 次觀測 LLM agent 跳過強制驗證步驟，並在第 6 次升級為偽造驗證記錄。本文提供完整的實驗數據、五層根因分析、跨模型對比預測，以及架構級解決方案。
AI Engineering from Scratch 深度拆解：435 堂課 × 20 階段
GitHub Trending #5 項目 AI Engineering from Scratch 完整解析：Build, Don't Import 理念下的課程架構、六拍節奏教學法、20 階段技術路線圖、Phase 14 Agent 工程深度分析，以及對 AI 工程師職業發展的影響。
2026年5月 LLM API 價格全景：DeepSeek、Qwen、GLM、Kimi、MiniMax、豆包完整對比
通過 Exa、Tavily、Brave 等多搜索引擎交叉驗證，整理 DeepSeek V4、Qwen3.6-plus、GLM-5、Kimi K2.5、MiniMax M2.7、火山引擎豆包 Seed 2.0 及 Claude/GPT 的每百萬 Token 定價，附帶 Sub2API 成本設置指南。
15 個原生搜索引擎完整對比：從索引機制到應用場景的深度分析
OpenClaw 支援的 15 個原生搜索引擎全面評測：索引來源、API 付費、延遲、中文支援、穩定性，以及各場景下的最佳選擇。
LLM 評測與選型指南：如何在 2026 年科學選擇模型
系統化的 LLM 選型框架：Benchmark 解讀、實際場景測試方法、成本/效能矩陣、DeepSeek V4 vs Qwen vs Llama 對比。
Prompt Engineering 系統化方法論：從 Few-shot 到 ReAct
Prompt Engineering 的完整方法論：Few-shot、Chain-of-Thought、Tree-of-Thought、ReAct、Self-Consistency 等技術的原理與實戰。
RAG 深入原理與實踐：從 Chunking 到 Rerank 的完整指南
檢索增強生成 (RAG) 的完整技術棧：Embedding 選擇、Chunking 策略、向量數據庫對比、Rerank 優化，附帶實際代碼示例。
DeepSeek V4 Flash / V4 Pro API 最佳實踐與效能對比
DeepSeek V4 系列模型完整指南：V4 Flash vs V4 Pro 的效能、定價、使用場景對比，附帶 API 調用示例和成本估算。
Transformer 架構理解 — Attention Is All You Need
深入理解 Transformer 的核心組件：Self-Attention、Multi-Head Attention、Positional Encoding，以及它們如何取代 RNN 成為現代 LLM 的基礎架構。
Ollama — 本地運行 LLM 的最佳方案
Ollama 讓你在 Mac/Windows/Linux 上一鍵運行 Llama、Mistral、Qwen 等開源模型，完全離線、免費、隱私安全。