什麼是 Agentic AI？ Agentic AI 是能夠自主規劃步驟、使用工具、記憶上下文並完成複雜任務的 AI 系統。不同於傳統 LLM 只回答單一問題，Agentic AI 可像助手一樣執行多步驟工作流。
做 embedding、注意力與向量檢索前，先建立直覺：
建議搭配 3Blue1Brown 線性代數精華 建立幾何直覺。
本地：Ollama + Open Source 框架（零成本）
雲端：OpenAI / Claude / Gemini API + 托管（按用量計費）
登入後可看：ReAct 範例、多代理比較、世界模型、向量資料庫、Agent Harness、Loop／Graph、個人 AI Agent、可視化、運動學、物理模擬、PyBullet／MuJoCo、強化學習、果蠅 Connectome、PyBullet+Gym 等。
立即登入 成為會員 HK$50/月示範帳號：demo@cyberai.hk / demo123
以下為會員專屬內容。
ReAct = Reason + Act：先思考再呼叫工具，觀察結果後再思考。
# 概念流程（偽碼）
while not done:
thought = llm("思考下一步…")
action, args = parse_tool_call(thought)
observation = run_tool(action, args) # 搜尋、計算、讀檔等
memory.append(observation)
if should_finish(observation): done = True
answer = llm("根據觀察給出最終答案")實戰專案建議：自動研究 + 摘要 Agent（搜尋 → 讀頁 → 摘要 → 輸出報告）。
世界模型是 AI 對環境的內部模擬，預測「採取行動後接下來會發生什麼」。
學習建議：先理解「預測未來狀態」概念，再研究具體架構。
儲存與檢索 embedding，是 RAG 與 AI 記憶的核心。
用途：文件問答、知識庫搜尋、長期記憶。Dify、LangChain、Spring AI 均可串接。
圍繞語言模型的執行環境與工具框架：執行環境、工具整合、上下文管理、安全控制。
常見實作：Claude Code、Codex CLI、OpenHands、Hermes Agent、Pi。重點在系統設計，讓模型能可靠完成任務。
建議先讓單一 Loop 穩定，再組成 Graph。 Graph 不是取代 Loop，而是把多個 Loop 有組織地連接。
多為官方產品，通常下載 App 或登入網站即可開始。
把資料轉成圖表或互動介面。常見：Matplotlib、Plotly。可用於 Agent 輸出報告、監控訓練曲線。
應用：機械手臂、移動機器人；可與世界模型結合做動作規劃。練習環境：PyBullet、MuJoCo。
pip install pybullet
import pybullet as p
import pybullet_data
p.connect(p.GUI)
p.setAdditionalSearchPath(pybullet_data.getDataPath())
p.loadURDF("plane.urdf")
robot = p.loadURDF("kuka_iiwa/model.urdf", [0,0,0], useFixedBase=True)
# 正向：設定關節角度 → 讀取末端位姿
# 逆向：p.calculateInverseKinematics(robot, end_link, target_pos)
for j in range(p.getNumJoints(robot)):
p.resetJointState(robot, j, 0.3)
input("Enter 結束")先載入 URDF，練習 FK（給角度看位姿）再試 IK（給目標算角度）。
在虛擬環境模擬重力、碰撞、摩擦力。引擎：PyBullet、MuJoCo、NVIDIA Isaac Sim。用途：機器人訓練、世界模型驗證、自動駕駛模擬。
官方： pybullet.org · bullet3 · mujoco.org · MuJoCo docs · DeepMind MuJoCo
學習順序：官方 Colab／範例 → 本地 pip 安裝 → 自訂 URDF／MJCF。
pip install pybullet官方連結： pybullet.org · GitHub bulletphysics/bullet3
建議：先跑官方範例／Colab（若有），再本地練習 URDF。
pip install mujoco透過試錯與獎勵學習策略：在環境中採取行動，根據回報調整行為。
# 概念：CartPole 迴圈（偽碼）
# pip install gymnasium
import gymnasium as gym
env = gym.make("CartPole-v1")
obs, info = env.reset()
for _ in range(1000):
action = env.action_space.sample() # 之後換成學到的 policy
obs, reward, terminated, truncated, info = env.step(action)
if terminated or truncated:
obs, info = env.reset()與世界模型／物理模擬結合後，可在安全虛擬環境大量試錯，再部署到真實機器人。
Google Research 與 HHMI Janelia 釋出的雄果蠅中樞神經系統完整連接組 MaleCNS v1.0：約 166,700 個神經元、約 1.25 億（125M）突觸連結。
注意：此為研究資料與簡化模型，非完整生物大腦的即時複製；僅供合法科研與教育用途。
延伸：可與世界模型、強化學習、物理模擬結合，探索「生物電路 → 人工控制策略」的啟發路徑。
pip install pybullet gym
# 新專案亦可用：pip install gymnasium建議路徑：
import gym
env = gym.make("CartPole-v1")
obs = env.reset()
done = False
while not done:
action = env.action_space.sample()
obs, reward, done, info = env.step(action)
env.close()
# PyBullet：GUI 觀察機器人，或 DIRECT 做高速訓練
import pybullet as p
import pybullet_data
p.connect(p.GUI) # 或 p.DIRECT
p.setAdditionalSearchPath(pybullet_data.getDataPath())
plane = p.loadURDF("plane.urdf")
robot = p.loadURDF("r2d2.urdf", [0, 0, 1])
for _ in range(240):
p.stepSimulation()與強化學習章節搭配：先穩定 CartPole policy，再遷移到 PyBullet 機器人行走任務。
官方連結：PyBullet · Gymnasium · 教材 Spinning Up in Deep RL
登入會員後可標記完成並同步至儀表板。