庫存狀況
「香港二樓書店」讓您 愛上二樓●愛上書
我的購物車 加入會員 會員中心 常見問題 首頁
「香港二樓書店」邁向第一華人書店
登入 客戶評價 whatsapp 常見問題 加入會員 會員專區 現貨書籍 現貨書籍 購物流程 運費計算 我的購物車 聯絡我們 返回首頁
香港二樓書店 > 今日好書推介
   
區政新角度
  • 定價64.00元
  • 8 折優惠:HK$51.2
  • 放入購物車
二樓書籍分類
 
LangGraph實戰開發AI Agent全攻略:掌握AI模型 × 工作流程 × 設計應用,從零打造智慧分工多代理協作系統(iThome鐵人賽系列書)

LangGraph實戰開發AI

沒有庫存
訂購需時10-14天
9786264142915
許恆修
博碩
2025年9月04日
220.00  元
HK$ 187  






ISBN:9786264142915
  • 規格:平裝 / 320頁 / 17 x 23 x 2.06 cm / 普通級 / 單色印刷 / 初版
  • 出版地:台灣


  • 電腦資訊 > 概論/科技趨勢 > 人工智慧/機器學習

















    透過LangGraph框架,晉升企業爭相延攬的AI專家

    兼具生成式AI理論深度與多代理實戰應用,助你從基礎走向職場競爭力的飛躍之路



      ?從入門到精通:由淺入深學習,奠定紮實的技術基本功

      ?實戰案例導向:精選真實操作案例,立即落實專案成果

      ?破解系統瓶頸:掌握高階開發技巧,降低知識學習門檻

      ?提升技術實力:全方位提升AI技能,成為AI專業人才



      本書改編自第16屆iThome鐵人賽生成式AI組優選系列文章《2024年用LangGraph從零開始實現Agentic AI System》。內容直擊生成式AI領域的痛點與實務需求,從基礎到進階完整掌握AI代理技術,幫助讀者在職涯道路上迅速脫穎而出。



      全書以目前生成式AI領域炙手可熱的LangGraph框架為主軸,搭配真實的企業專案案例,從核心觀念、設計模式到實戰應用逐步展開,讓讀者一步到位地學會如何設計、部署並管理高效的多代理系統。透過即學即用的程式碼範例與場景式實務指引,讀者能在短時間內提升技術實力,成為企業爭相搶奪的生成式AI專家。



      【目標讀者】

      ?想要掌握生成式AI技術、提升職涯競爭力的初階及中階工程師。

      ?正在求職、轉職,極需具體實務經驗來增加求職籌碼的技術人員。

      ?想要快速落實AI專案並推動團隊轉型的產品經理、資料科學家與主管。

      ?希望在生成式AI熱潮中卡位、提升個人價值的職場人士。

      ?需要掌握AI Agent商業應用案例與導入流程、加速企業數位轉型的人員。



    專業推薦



      作者透過此書將他多年專業淬煉的精華與讀者分享,幫助讀者以最高效的學習路徑,獲得最大幅度的專業提升。─ 賴毓敏,台灣先進智慧公司AI科學家



      「含金量極高!」本書不僅是入門寶典,更是一位資深實踐者實戰經驗的結晶。從代理型AI核心概念出發,對比LangChain與LangGraph到前沿的Agentic RAG技術,清晰呈現技術演進的脈絡。書中的「作者觀點」更是精髓,時刻引導讀者避開思路誤區。無論想打造AI助理大軍,或優化內部流程提高生產力,本書都能一步步引導你,將AI技術轉化為事業成功的利器。─ 江翊先,Google半導體工程師



      作者以平鋪直敘而蘊含工業強度的實務分享,深入淺出地解釋「代理型框架」(Agentic AI)的核心概念,讓讀者直接體會AI如何從單純的「生成」邁向「自主行動、決策與自我精進」。書中透過建構「能思考、規劃、行動甚至自我修正」的智慧應用,以及養護好LLM應用的生命週期的實作,作者詳細展示了LangGraph、 Adaptive-RAG、LangFuse等強大的LLMOps方法論、框架組合。不用浪費時間踩雷,讀者們直接站上了LLM前沿實務經驗的肩膀上,看見全新的風景。─ 鮑聖文,THXLAB架構師


     





    【Part 01 核心概念】

    |Chapter 01| 駕馭未來:探索代理型框架的世界

    1.1 從生成到行動:代理型AI的崛起

    1.2 代理型工作流:組織AI代理的自主行動

    1.3 引出實現代理型框架的利器:LangGraph

    1.4 代理型框架的商用浪潮:LangGraph賦能的企業實例

    1.5 小結:通往更加自主的AI道路



    |Chapter 02| LangGraph核心元件:節點、邊與狀態

    2.1 LangGraph介紹與核心亮點

    2.2 為什麼LangGraph讓AI流程活起來?

    2.3 LangChain vs. LangGraph:它們不一樣的地方在哪裡?

    2.4 介紹LangGraph適用於多種場景

    2.5 LangGraph的三大核心

    2.6 LangGraph使用時可能遇到的挑戰

    2.7 小結



    |Chapter 03| 即時回饋的祕密:LangChain串流技術

    3.1 為什麼串流如此重要?

    3.2 深入了解AI回應的互動機制:invoke() vs. stream()

    3.3 結合LangChain表達語言(LCEL)實現持續串流

    3.4 小結:串流功能



    |Chapter 04| 將串流應用到LangGraph流程中

    4.1 LangGraph串流模式概覽

    4.2 values()串流模式:觀察圖的完整狀態演變

    4.3 updates()串流模式:精確追蹤節點的增量更新

    4.4 多模式串流:設定範例

    4.5 messages串流模式:即時取得LLM逐字輸出

    4.6 小結



    |Chapter 05| 記憶:掌握AI對話上下文與跨會話知識的關鍵

    5.1 記憶類型概覽:短期與長期記憶

    5.2 短期記憶:對話上下文的守護者

    5.3 長期記憶:跨會話知識的傳承

    5.4 記憶類型的概念類比

    5.5 小結



    |Chapter06| LangChainTools深度解析:打造AI的外掛能力

    6.1 Tools建立指南:AI模型的外掛功能

    6.2 從函式建立Tools:簡單又強大

    6.3 工具錯誤處理:打造穩健的AI應用程式



    |Chapter 07| LangGraph實戰應用:ToolNode與AI互動流程

    7.1 LangGraph如何善用ToolNode:AI的行動中心

    7.2 天氣查詢範例

    7.3 小結



    |Chapter 08| 人機迴圈:讓AI流程也能請示人類

    8.1 什麼是人機迴圈?

    8.2 為什麼需要人機迴圈?

    8.3 核心魔法:interrupt函式與Command原語

    8.4 啟動人機迴圈的關鍵步驟

    8.5 人機迴圈的三大應用模式

    8.6 實戰演練:示範「批准或拒絕」模式

    8.7 小結



    |Chapter 09| LangGraph的時間旅行與狀態深度解析

    9.1 LangGraph的狀態:AI代理的記憶與軌跡

    9.2 時間旅行:回溯、檢查與探索

    9.3 小結:時間旅行與狀態管理的意義



    |Chapter 10| LangGraph功能型API:用Python函式打造智慧AI工作流程?

    10.1 深入理解LangGraph的功能型API

    10.2 功能型API的應用時機與優勢

    10.3 實戰演練:自動化會議摘要與待辦事項生成

    10.4 功能型API與圖形API的差異比較

    10.5 小結



    【Part 02 AI代理設計模式】

    |Chapter 11| AI代理自我反思:深入探討Self-Refine

    11.1 什麼是Reflection Agents?

    11.2 Reflection機制的核心步驟

    11.3 Reflection的核心價值與應用:為什麼需要AI自我反思?

    11.4 Self-Refine:Reflection的基礎實踐與運作原理

    11.5 動手實踐:使用LangGraph實現Self-Refine

    11.6 小結



    |Chapter 12| Planning:賦予AI自主規劃能力

    12.1 Planning:AI自主規劃的關鍵

    12.2 Planning的運作機制:AI如何計畫?

    12.3 Plan-and-Solve:Planning Agent的核心框架

    12.4 LangGraph實踐:打造具備規劃能力的智慧代理

    12.5 小結



    |Chapter 13| 多協作模式讓AI團隊實現智慧分工

    13.1 多代理系統:新一代AI協作的基石

    13.2 多代理系統有哪些優勢?

    13.3 協作模式:智慧分工的藝術

    13.4 實現高品質的多代理協作翻譯系統

    13.5 小結?



    |Chapter 14| 多代理協作:監督者模式

    14.1 監督者模式:核心原理

    14.2 設計:台灣棒球與啦啦隊新聞處理系統

    14.3 使用LangGraph框架實現工作流程

    14.4 小結



    【Part 03 RAG篇】

    |Chapter 15| 從基礎到進階:掌握RAG與Agentic RAG

    15.1 RAG的誕生:解決LLM固有挑戰的必然選擇

    15.2 RAG的核心機制:資訊檢索與生成的完美結合

    15.3 RAG的廣泛應用與顯著優勢

    15.4 Agentic RAG:使用LangGraph打造智慧檢索系統

    15.5 小結:RAG技術是提升AI系統效能的新方法



    |Chapter 16| CRAG:檢索增強生成的糾錯機制

    16.1 CRAG技術概述與理論基礎

    16.2 檢索增強生成技術的演進:從傳統RAG到CRAG

    16.3 傳統RAG的技術瓶頸:相關性低與資訊冗餘問題

    16.4 CRAG的核心機制:突破傳統RAG的限制

    16.5 CRAG提出什麼機制解決問題?

    16.6 從理論到實踐:使用LangGraph實現CRAG

    16.7 小結:CRAG如何讓AI問答系統更上一層樓



    |Chapter17| Adaptive-RAG:動態檢索策略提高系統問答精準度?

    17.1 Adaptive-RAG的定義與核心理念?

    17.2 Adaptive-RAG與傳統RAG的比較?

    17.3 Adaptive-RAG的核心元件?

    17.4 Adaptive-RAG的實作關鍵?

    17.5 小結:Adaptive-RAG的革新意義與未來展望



    【Part 04 工具篇】

    |Chapter 18| Ollama初探與基礎使用

    18.1 什麼是Ollama?

    18.2 Ollama有哪些特點?

    18.3 安裝Ollama

    18.4 啟動Ollama服務

    18.5 進階:想把Ollama的能力整合到你自己的程式裡嗎?(給開發者看)

    18.6 Ollama支援的大型語言模型



    |Chapter 19| 揮別命令列:用WebUI讓Ollama更好聊

    19.1 運用Docker執行Ollama,讓環境更獨立乾淨

    19.2 如何在Docker容器中執行模型?

    19.3 在Google Colab上快速試玩Ollama(給喜歡嘗鮮的你)

    19.4 打造友善介面:Ollama+ Web UI一站式懶人包



    |Chapter 20| LangGraphStudio V2指南

    20.1 為什麼採用LangGraphStudio作為Agent開發工具

    20.2 LangGraphStudio:AI代理開發的三大必殺技

    20.3 LangGraphStudio本地環境建立:啟動你的開發引擎

    20.4 LangGraphStudio核心功能導覽:與你的AI代理互動與偵錯

    20.5 小結



    |Chapter 21| LangFuse:打造AI代理觀測系統

    21.1 為何AI代理需要LangFuse?

    21.2 自行託管LangFuse:資料掌控與高度定制

    21.3 為你的LLM團隊增加評分系統

    21.4 LangFuse提示管理:你的提示語中控台

    21.5 LangGraph與LangFuse:實戰可觀測性

    21.6 小結



    【Part 05 專案篇】

    |Chapter 22| 動手打造你的第一個AI應用程式:FastAPI、Streamlit、LangServe的實戰入門

    22.1 專案先預覽:我們要一起做出什麼?

    22.2 動手前準備:開發環境設定指南

    22.3 後端開發:用FastAPI建構你的AI服務骨架

    22.4 啟動程式:讓你的FastAPI服務跑起來!

    22.5 部署API:善用LangServe輕鬆部署

    22.6 前端開發:用Streamlit打造應用網頁介面



    |Chapter 23| MCP:讓大模型更容易使用外部工具的技術?

    23.1 認識一下模型上下文協定?

    23.2 我們為什麼需要MCP?它解決了什麼痛點??

    23.3 MCP和函式呼叫到底差別在哪??

    23.4 MCP協定是怎麼連線的??

    23.5 打造MCP的神兵利器:FastMCP?



    【Part 06 附錄】

    |Appendix A| 當AI遇上軟體架構:狀態管理的新思考?

    A.1 狀態管理與流程控制?

    A.2 小結與思考:AI時代的狀態管理展望?



    |Appendix B| 在Ollama上執行你的模型?

    B.1 GGUF格式?

    B.2 小結



    ?




    其 他 著 作
    1. 用LangChain打造生成式AI創新應用:從 LangGraph到LangSmith