Skip to content

Commit 4c8d3e5

Browse files
PeterDaveHelloPeterDaveHello
committed
Add Traditional Chinese version
1 parent 8edb887 commit 4c8d3e5

157 files changed

Lines changed: 13341 additions & 1 deletion

File tree

Some content is hidden

Large Commits have some content hidden by default. Use the searchbox below for content that may be hidden.

‎next.config.js‎

Lines changed: 1 addition & 1 deletion
Original file line numberDiff line numberDiff line change
@@ -6,7 +6,7 @@ const withNextra = require('nextra')({
66

77
module.exports = withNextra({
88
i18n: {
9-
locales: ['en', 'zh', 'jp', 'pt', 'tr', 'es', 'it', 'fr', 'kr', 'ca', 'fi', 'ru','de', 'ar'],
9+
locales: ['en', 'zh', 'tw', 'jp', 'pt', 'tr', 'es', 'it', 'fr', 'kr', 'ca', 'fi', 'ru','de', 'ar'],
1010
defaultLocale: 'en',
1111
},
1212
webpack(config) {

‎pages/_meta.tw.json‎

Lines changed: 55 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,55 @@
1+
{
2+
"index": "提示詞工程",
3+
"introduction": "簡介",
4+
"techniques": "提示詞技巧",
5+
"agents": "AI Agents",
6+
"guides": "指南",
7+
"applications": "應用",
8+
"prompts": "Prompt Hub",
9+
"models": "模型",
10+
"risks": "風險與誤用",
11+
"research": "LLM 研究",
12+
"papers": "論文",
13+
"tools": "工具",
14+
"notebooks": "Notebooks",
15+
"datasets": "資料集",
16+
"readings": "延伸閱讀",
17+
"courses": {
18+
"title": "🎓 課程",
19+
"type": "menu",
20+
"items": {
21+
"intro-prompt-engineering": {
22+
"title": "提示詞工程入門",
23+
"href": "https://dair-ai.thinkific.com/courses/introduction-prompt-engineering"
24+
},
25+
"advanced-prompt-engineering": {
26+
"title": "進階提示詞工程",
27+
"href": "https://dair-ai.thinkific.com/courses/advanced-prompt-engineering"
28+
},
29+
"intro-ai-agents": {
30+
"title": "AI Agents 入門",
31+
"href": "https://dair-ai.thinkific.com/courses/introduction-ai-agents"
32+
},
33+
"agents-with-n8n": {
34+
"title": "用 n8n 建構 AI Agents",
35+
"href": "https://dair-ai.thinkific.com/courses/agents-with-n8n"
36+
},
37+
"rag-systems": {
38+
"title": "建構 RAG 系統",
39+
"href": "https://dair-ai.thinkific.com/courses/introduction-rag"
40+
},
41+
"advanced-agents": {
42+
"title": "建構進階 AI Agents",
43+
"href": "https://dair-ai.thinkific.com/courses/advanced-ai-agents"
44+
},
45+
"all-courses": {
46+
"title": "查看全部 →",
47+
"href": "https://dair-ai.thinkific.com/pages/courses"
48+
}
49+
}
50+
},
51+
"about": {
52+
"title": "關於",
53+
"type": "page"
54+
}
55+
}

‎pages/about.tw.mdx‎

Lines changed: 17 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,17 @@
1+
# 關於
2+
3+
Prompt Engineering Guide 是由 [DAIR.AI](https://github.com/dair-ai) 發起的專案，目標是協助研究人員與實務工作者深入理解提示詞工程、脈絡工程、RAG 與 AI Agents 等主題。
4+
5+
DAIR.AI 致力於讓更多人能接近並運用 AI 研究、教育與技術。使命是啟發並幫助下一代 AI 創新者與創作者。
6+
7+
## 贊助
8+
9+
我們樂於與有意共同行動的夥伴合作，透過贊助持續維護與擴充本指南的內容。若有贊助意願，歡迎透過電子郵件 [hello@dair.ai](mailto:hello@dair.ai) 與我們聯絡。
10+
11+
## 貢獻
12+
13+
非常歡迎社群參與貢獻內容與修正。頁面上會顯示可用的編輯按鈕，方便協作。
14+
15+
授權相關資訊請見：[這裡](https://github.com/dair-ai/Prompt-Engineering-Guide#license)。
16+
17+
本指南的許多想法來自多個開放資源的啟發，例如 [OpenAI Cookbook](https://github.com/openai/openai-cookbook)、[Pretrain, Prompt, Predict](http://pretrain.nlpedia.ai/)、[Learn Prompting](https://learnprompting.org/) 等等。

‎pages/agents.tw.mdx‎

Lines changed: 12 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,12 @@
1+
# Agents 代理系統
2+
3+
import { Callout } from 'nextra/components'
4+
import ContentFileNames from 'components/ContentFileNames'
5+
6+
在本節中，會先從整體角度介紹以大型語言模型（LLM）為核心的代理系統（agents），說明常見的設計模式、實作要點、使用技巧，以及典型的應用情境與案例。
7+
8+
<Callout type="info" emoji="📚">
9+
本節內容整理自我們的新課程「[Building Effective AI Agents with n8n](https://dair-ai.thinkific.com/courses/agents-with-n8n)」，課程中提供更完整的說明、可下載的範本、提示詞範例，以及設計與實作代理系統的進階技巧。
10+
</Callout>
11+
12+
<ContentFileNames section="agents" lang="tw"/>

‎pages/agents/_meta.tw.json‎

Lines changed: 9 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,9 @@
1+
{
2+
"introduction": "AI Agents 入門",
3+
"components": "Agent 的核心組成",
4+
"ai-workflows-vs-ai-agents": "AI Workflows vs. AI Agents",
5+
"context-engineering": "脈絡工程（Context Engineering）",
6+
"context-engineering-deep-dive": "脈絡工程深入實戰：打造 Deep Research Agent",
7+
"function-calling": "函式呼叫",
8+
"deep-agents": "Deep Agents"
9+
}

‎pages/agents/ai-workflows-vs-ai-agents.tw.mdx‎

Lines changed: 229 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,229 @@
1+
# AI Workflows vs. AI Agents
2+
3+
import { Callout } from 'nextra/components'
4+
5+
![AI Workflows vs. AI Agents](../../img/agents/task-planner-agent.png)
6+
7+
代理式系統（agentic systems）代表了一種新的典範：如何把大型語言模型（Large Language Models, LLMs）與工具協作編排，用來完成更複雜的任務。本篇會說明 **AI workflows** 與 **AI Agents** 的核心差異，協助在 AI 應用中判斷何時該採用哪一種做法。
8+
9+
<Callout type="info" emoji="📚">
10+
本篇內容整理自我們的新課程 ["Building Effective AI Agents with n8n"](https://dair-ai.thinkific.com/courses/agents-with-n8n)，課程中提供更完整的洞見、可下載範本、提示詞、以及設計與實作代理式系統的進階技巧。
11+
</Callout>
12+
13+
## 什麼是代理式系統？
14+
15+
代理式系統大致可以分成兩種類型：
16+
17+
### 1. AI Workflows（AI 工作流程）
18+
19+
**AI workflows** 指的是：用 **事先定義好的程式路徑（predefined code paths）** 來編排 LLM 與工具的系統。整體流程會依照結構化的步驟順序執行，並具有明確的控制流（control flow）。
20+
21+
**主要特徵：**
22+
23+
AI workflows 的典型特性包括：
24+
25+
- 事先定義好的步驟與執行路徑
26+
- 可預測性高、控管容易
27+
- 任務邊界清楚
28+
- 編排邏輯明確（由程式掌握）
29+
30+
**適用情境：**
31+
32+
建議在這些情境優先使用 AI workflows：
33+
34+
- 任務定義清楚、需求明確
35+
- 需要可預測性與一致性
36+
- 需要明確掌握執行流程
37+
- 正式環境（production）中可靠性至關重要
38+
39+
### 2. AI Agents
40+
41+
**AI agents** 指的是：讓 LLM **動態主導自己的流程** 與工具使用方式，並在完成任務的過程中維持一定程度的自主控制（autonomous control）。
42+
43+
**主要特徵：**
44+
45+
AI agents 的典型特性包括：
46+
47+
- 動態決策
48+
- 自主選擇與使用工具
49+
- 具備推理與反思能力
50+
- 自主規劃並執行任務
51+
52+
**適用情境：**
53+
54+
建議在這些情境優先使用 AI agents：
55+
56+
- 任務較開放、執行路徑會隨情境改變
57+
- 情境複雜，事前難以明確定義步驟數量與分支
58+
- 需要自適應推理（adaptive reasoning）
59+
- 彈性的重要性高於可預測性
60+
61+
## 常見的 AI 工作流程模式
62+
63+
### Pattern 1: Prompt Chaining
64+
65+
66+
67+
Prompt chaining 指的是：把複雜任務拆成一連串依序執行的 LLM 呼叫，並讓每一步的輸出作為下一步的輸入。
68+
69+
**範例：文件產生工作流程**
70+
71+
![Prompt Chaining](../../img/agents/prompt-chaining.png)
72+
73+
這個 workflow 示範了用 prompt chaining 來產生文件的模式：當收到 chat 訊息後，系統先用 GPT-4.1-mini 產生初稿大綱，再把大綱拿去和預先定義的標準比對。接著透過人工的 "Set Grade" 步驟評估品質，再由條件式的 "If" 節點根據分數決定下一步。如果大綱符合檢核標準，就用 GPT-4o 擴寫各段落，並進一步精修與潤飾最終文件；若未符合檢核標準，workflow 會分支到 "Edit Fields" 讓人為調整後再繼續，確保多階段產出流程中能持續做品質控管。
74+
75+
**Prompt Chaining 使用情境：**
76+
- 內容產生管線
77+
- 多階段文件處理
78+
- 逐步驗證（sequential validation）流程
79+
80+
### Pattern 2: Routing
81+
82+
Routing 會先對請求做分類，並根據分類結果把不同的請求導向專門的 LLM chain 或 agent。
83+
84+
**範例：客服路由器**
85+
86+
![Routing](../../img/agents/routing.png)
87+
88+
這個 workflow 示範了在客服系統中如何做智慧分流：當收到 chat 訊息後，先由 Query Classifier 使用 GPT-4.1-mini 搭配 Structured Output Parser 來判斷請求類型。接著 "Route by Type" switch 會把問題導向三條專門的 LLM chain：General LLM Chain 用於一般問題、Refund LLM Chain 用於付款／退款相關、Support LLM Chain 用於技術支援。這樣既能維持統一的回覆系統，也能針對不同問題提供更適切的處理方式，進而提升客服效率與準確性。
89+
90+
**Routing 使用情境：**
91+
- 客服系統
92+
- 跨領域問答
93+
- 請求優先排序與委派
94+
- 透過路由到合適模型來提升資源使用效率
95+
96+
**優點：**
97+
- 更有效率地使用資源
98+
- 針對不同問題類型提供專門處理
99+
- 透過選擇性使用模型來控制成本
100+
101+
### Pattern 3: Parallelization
102+
103+
Parallelization 會同時執行多個互相獨立的 LLM 操作，以提升效率。
104+
105+
**範例：內容安全管線**
106+
107+
![Parallelization](../../img/agents/parallelization.png)
108+
109+
**Parallelization 使用情境：**
110+
- 內容審查系統
111+
- 多準則評估
112+
- 併行資料處理
113+
- 獨立驗證任務
114+
115+
**優勢：**
116+
- 降低延遲
117+
- 更有效率地使用資源
118+
- 提升吞吐量
119+
120+
## AI Agents：自主任務執行
121+
122+
AI agents 結合 LLM 與自主決策能力，讓系統能透過推理、反思，以及動態工具使用來完成複雜任務。
123+
124+
**範例：任務規劃 Agent**
125+
126+
**情境**：使用者詢問「明天下午 2 點加一場和 John 的會議」
127+
128+
129+
![Task Planning Agent](../../img/agents/task-planner-agent.png)
130+
131+
這個 workflow 示範了一個自主的 Task Planner agent，展現具備動態決策能力的 agent 行為：當收到 chat 訊息後，系統會把請求導向 Task Planner agent；這個 agent 可存取三個關鍵元件：用於理解與規劃的 Chat Model（Reasoning LLM）、用於跨互動維持脈絡的 Memory 系統，以及 Tool 集合。agent 會從多個工具中自主挑選，例如 add_update_tasks（把任務新增或更新到 Google Sheets）以及 search_task（讀取與搜尋既有任務）。與事先寫死流程的 workflow 不同，agent 會根據使用者請求自行決定要用哪些工具、何時使用、以及使用順序，展現出 AI agents 相較於傳統 AI workflows 的彈性與自主性。
132+
133+
<Callout type="warning" emoji="💡">
134+
**重點洞見**：agent 會根據請求脈絡決定要用哪些工具、以及使用順序──不是照著預先定義的規則。
135+
</Callout>
136+
137+
**AI Agent 使用情境：**
138+
139+
- 深度研究系統
140+
- Agentic RAG 系統
141+
- 程式撰寫 agents
142+
- 資料分析與處理
143+
- 內容產生與編修
144+
- 客服支援與協助
145+
- 互動式聊天機器人與虛擬助理
146+
147+
148+
**核心元件：**
149+
150+
以下整理建構 AI Agents 的幾個核心元件：
151+
152+
1. **Tool Access**：與外部系統整合（Google Sheets、search APIs、資料庫）
153+
2. **Memory**：跨互動保留脈絡，維持連續性
154+
3. **Reasoning Engine**：用於工具選擇與任務規劃的決策邏輯
155+
4. **Autonomy**：不仰賴預先定義的控制流，自主完成執行
156+
157+
### Agents 與 Workflows 的差異
158+
159+
| 面向 | AI Workflows | AI Agents |
160+
|--------|-------------|-----------|
161+
| **控制流程** | 事先定義、明確 | 動態、自主 |
162+
| **決策方式** | 以程式邏輯寫死 | 由 LLM 推理驅動 |
163+
| **工具使用** | 由程式編排 | 由 agent 自行選擇 |
164+
| **適應性** | 路徑固定 | 執行彈性 |
165+
| **複雜度** | 較低、較可預測 | 較高、能力更強 |
166+
| **適用情境** | 任務定義清楚 | 問題開放、探索性高 |
167+
168+
169+
## 設計考量
170+
171+
### 如何在 Workflows 與 Agents 之間做選擇
172+
173+
**以下情況適合使用 AI Workflows：**
174+
- 任務需求清楚且穩定
175+
- 可預測性是必要條件
176+
- 需要明確掌握執行流程
177+
- 除錯與監控是優先事項
178+
- 成本控管至關重要
179+
180+
**以下情況適合使用 AI Agents：**
181+
- 任務開放或具探索性
182+
- 彈性比可預測性更重要
183+
- 問題空間複雜且變因很多
184+
- 類人推理有助於解題
185+
- 需要隨情境變化做調整
186+
187+
### 混合式作法
188+
189+
許多正式環境系統會同時結合兩種作法：
190+
- **用 workflows 提供結構**：把可靠、定義清楚的元件放在 workflow
191+
- **用 agents 提供彈性**：在需要自適應決策的地方使用 agents
192+
- **範例**：先用 workflow 把請求路由到不同專門 agents，再由各 agent 處理開放式子任務
193+
194+
未來文章會提供一個具體範例。
195+
196+
## 最佳實務
197+
198+
### 適用於 AI Workflows
199+
200+
1. **清楚定義步驟**：把 workflow 中每個階段寫清楚
201+
2. **錯誤處理**：為失敗情況準備 fallback path
202+
3. **驗證關卡**：在關鍵步驟之間加入檢查
203+
4. **效能監控**：追蹤每一步的延遲與成功率
204+
205+
### 適用於 AI Agents
206+
207+
1. **工具設計**：提供目的明確、文件清楚的工具
208+
2. **記憶管理**：實作有效的脈絡保留策略
209+
3. **防護欄**：對 agent 行為與工具使用範圍設下邊界
210+
4. **可觀測性**：記錄 agent 的推理與決策過程
211+
5. **迭代測試**：在多元情境下持續評估 agent 表現
212+
213+
未來文章會更深入討論這些主題。
214+
215+
## 結論
216+
217+
理解 AI workflows 與 AI agents 的差異，是建構有效代理式系統的關鍵。workflows 適合任務定義清楚的場景，能提供控制性與可預測性；agents 則適合複雜且開放式的問題，提供更高的彈性與自主性。
218+
219+
選擇 workflows、agents，或兩者混合，取決於具體 use case、效能需求，以及對自主決策的容忍度。只要讓系統設計與任務特性對齊，就能建構更有效率、更可靠的 AI 應用。
220+
221+
<Callout type="info" emoji="📚">
222+
本篇內容整理自我們的新課程 ["Building Effective AI Agents with n8n"](https://dair-ai.thinkific.com/courses/agents-with-n8n)，課程中提供更完整的洞見、可下載範本、提示詞、以及設計與實作代理式系統的進階技巧。
223+
</Callout>
224+
225+
## Additional Resources
226+
227+
- [Anthropic: Building Effective Agents](https://www.anthropic.com/research/building-effective-agents)
228+
- [Prompt Engineering Guide](https://www.promptingguide.ai/)
229+
- [Building Effective AI Agents with n8n](https://dair-ai.thinkific.com/courses/agents-with-n8n)

‎pages/agents/components.tw.mdx‎

Lines changed: 55 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,55 @@
1+
# Agent 的核心組成
2+
3+
import { Callout } from 'nextra/components'
4+
5+
要讓 AI Agent 能夠處理真正複雜的任務，通常至少需要三種能力：**規劃（planning）**、**工具使用（tool utilization）**、以及 **記憶管理（memory systems）**。以下分別說明這三個面向如何彼此配合，構成一個實用的代理系統。
6+
7+
![Agent Components](../../img/agents/agent-components.png)
8+
9+
## 規劃：Agent 的「大腦」
10+
11+
一個有效的 Agent 核心是它的規劃能力，而這通常是由大型語言模型（LLM）所驅動。現代 LLM 可以在規劃上提供多種關鍵能力，例如：
12+
13+
- 透過鏈式思考（chain-of-thought）進行任務分解
14+
- 針對過往動作與資訊進行自我反思（self-reflection）
15+
- 根據新資訊調整策略、持續學習
16+
- 檢查目前進度，評估是否需要調整方向
17+
18+
雖然現階段的規劃能力還不完美，但如果沒有足夠好的 planning，Agent 就很難穩定地自動完成複雜任務，也會失去引入 Agent 的意義。
19+
20+
<Callout type= "info" emoji="🎓">
21+
若想系統化學習如何設計與實作 AI Agents，可以參考我們的課程。[立即加入！](https://dair-ai.thinkific.com/courses/introduction-ai-agents)
22+
結帳時輸入 PROMPTING20 可享 8 折優惠。
23+
</Callout>
24+
25+
## 工具使用：延伸 Agent 的能力邊界
26+
27+
第二個關鍵組成，是 Agent 與外部工具互動的能力。設計良好的 Agent 不只需要「能接上工具」，還要**知道何時、如何使用哪些工具**。常見的工具類型包括：
28+
29+
- 程式碼直譯器與執行環境
30+
- 網路搜尋與爬蟲工具
31+
- 數學計算或符號推理工具
32+
- 影像產生或辨識系統
33+
34+
這些工具讓 Agent 能把規劃步驟真正落實成具體行動，從抽象策略走向實際結果。
35+
LLM 是否能正確選擇工具、合理安排使用時機，往往決定了 Agent 在複雜任務中的上限。
36+
37+
## 記憶系統：保留與運用資訊
38+
39+
第三個不可或缺的元件是記憶管理，大致可以分成兩類：
40+
41+
1. **短期（工作）記憶**
42+
- 作為目前對話與任務的上下文緩衝區
43+
- 支援 in-context learning
44+
- 對多數短期任務已經足夠
45+
- 幫助在多輪互動中保持連貫性
46+
47+
2. **長期記憶**
48+
- 通常透過向量資料庫等外部系統實作
49+
- 能快速檢索過去的重要資訊
50+
- 對未來任務與長期關係管理特別有價值
51+
- 目前在實務上仍相對少見，但被廣泛認為會是未來的重要方向
52+
53+
良好的記憶系統讓 Agent 能把從工具或環境中取得的資訊儲存下來，重複利用，逐步累積經驗，而不是每次都從頭開始。
54+
55+
總結來說，**規劃能力、工具使用與記憶管理的協同運作**，構成了有效 AI Agent 的基礎。即使每個部分目前都有各自的限制，理解並善用這三大支柱，仍是設計與實作 Agent 架構時最重要的起點。隨著技術演進，可能會出現更多類型的記憶與推理模組，但這三個面向很可能會持續扮演核心角色。

0 commit comments

Comments
 (0)