Agentic AI 路線圖

一句話：從會用 LLM，到能做有工具、有記憶、可協作、可上線的 Agentic AI 系統——分五階段推進。

本頁為免費公開路線圖。可搭配站內 Agentic AI、AI Prompt、Python、AI Engineer 路線圖 等頁深入。

1基礎：LLM、Prompt、Python、API

• LLM：理解模型能力與限制；可用雲端 API 或本地 Ollama。
• Prompt：結構、角色、範例與 Chain-of-Thought。見 AI Prompt 進階。
• Python：腳本、函式、環境變數。見 Python 入門。
• API：HTTP、金鑰管理、錯誤處理；不把金鑰寫進前端。

建議專案：用 Python 呼叫一個聊天 API（或 Ollama），做成 CLI 問答小工具。

2Agent 核心：ReAct、Tool Calling、Memory、RAG

• ReAct：Reason + Act 循環——思考、呼叫工具、觀察結果再決定下一步。見 Agentic AI。
• Tool Calling：讓模型呼叫搜尋、計算機、資料庫等函式，定義清楚參數與權限。
• Memory：短期對話上下文 + 長期摘要／向量記憶。
• RAG：文件切塊、embedding、向量檢索再生成，減少幻覺。

建議專案：「研究 + 摘要」Agent：可搜尋／讀檔，再輸出帶來源的摘要；或簡易知識庫問答（RAG）。

3框架與協定：LangChain、LangGraph、CrewAI、MCP

• LangChain：鏈式組合 LLM、工具與檢索的常用套件。
• LangGraph：用圖（節點／邊／狀態）組多步驟與多 Agent 工作流。對應 Loop／Graph Engineering 概念（見 Agentic 課）。
• CrewAI：角色分工的多 Agent 協作框架。
• MCP（Model Context Protocol）：標準化工具／資源介面，方便 Agent 接外部系統。

也可搭配 n8n、Dify 做低程式碼 Agent／工作流。

建議專案：用 LangGraph 或 CrewAI 做「研究員 + 寫手」雙 Agent；或用 n8n AI Agent 節點串郵件分類。

4系統化：多 Agent、評估、可觀測性、治理

• 多 Agent：分工、共享狀態、衝突與退出條件；先讓單一 Loop 穩定再組成 Graph。
• 評估（Eval）：測試集、正確性／引用／延遲指標，人工抽樣 + 自動評分。
• 可觀測性：追蹤每次 tool call、token、錯誤；方便除錯與優化。
• 治理：Guardrail、權限白名單、沙箱、人工審核；合規可參考 網絡安全進階 公開的香港 AI 指引摘要。

建議專案：為你的 Agent 加日誌與簡單評測腳本；加上工具白名單與危險操作需確認。

5上線：後端、Docker、CI/CD、監控

• 後端：包一層 API（驗證、速率限制、金鑰），前端只打你的服務。
• Docker：容器化 Agent 服務與相依環境。
• CI/CD：自動測試與部署（如 GitHub Actions）。
• 監控：延遲、錯誤率、成本／token 用量告警。

可對照 AI Engineer 路線圖 的 Deploy／Load Test／成本優化步驟，以及 Full Stack 路線圖 的 DevOps 區塊。

建議專案：把 Agent API Docker 化並部署到一處；接上基本健康檢查與用量日誌。