{itemname}
{itemname}
香港二樓書店 > 今日好書推介
秘密花園
定價93.00元
8
折優惠:
HK$74.4
●二樓推薦
●文學小說
●商業理財
●藝術設計
●人文史地
●社會科學
●自然科普
●心理勵志
●醫療保健
●飲 食
●生活風格
●旅 遊
●宗教命理
●親子教養
●少年讀物
●輕 小 說
●漫 畫
●語言學習
●考試用書
●電腦資訊
●專業書籍
JavaScript AI 系統設計實務:從模型、MCP Server 到 AI Agent
沒有庫存
訂購需時10-14天
9786264146630
盧建成
博碩
2026年11月23日
250.00 元
HK$ 212.5
詳
細
資
料
分
類
電腦資訊
>
概論/科技趨勢
>
人工智慧/機器學習
內
容
簡
介
<div class="bd">
<div class="content" style="height:auto;">
<p><br /><br /><strong>如何用 JavaScript 把 AI 真正做成系統?<br />
從模型、MCP Server 到 AI Agent,掌握 AI 系統設計與實作<br />
● 模型實作與部署▸ </strong>理解資料、模型與瀏覽器/Node.js 的工程取捨<br /><strong>● MCP Server 與 Tool ▸ </strong>建立清楚的工具邊界、Schema 與錯誤處理<br /><strong>● AI Agent 與 workflow ▸ </strong>掌握狀態、停止條件與執行流程控制<br /><strong>● 測試、除錯與整合 ▸ </strong>打造可理解、可維護、可持續演進的 AI 系統<br /> </p>
<p><br /><br /><br /><strong>專文推薦</strong><br />
本書最有價值的地方,不只是介紹各種 AI 工具的使用方法,而是透過循序漸進的實作案例,幫助 JavaScript 工程師建立 AI 系統設計觀念,理解背後的工程取捨。AI 技術快速演進,今天流行的模型或框架,幾個月後可能就有新的選擇。但軟體工程的基本原則,以及如何在彈性與控制、能力與成本、複雜度與可維護性之間做出取捨,都是值得長期累積的能力。<br /> </p>
<p style="text-align:right;"><strong>——愛好資訊科技有限公司負責人⦁ AI 應用開發顧問,張文鈿(ihower)</strong></p>
<p><br /><br /><br />
AI 能做的事還會越來越多,但 AI 說沒問題的時候,總得有人去確認。如果你是 JavaScript 工程師,正打算把 AI 功能放進自己的產品,那個人很可能就是你。想知道要怎麼確認模型給的結果靠不靠得住,推薦大家看看這本書。<br /> </p>
<p style="text-align:right;"><strong>——五倍學院,高見龍</strong></p>
<p><br /><br /><br />
讀到第 11 章談 Agent 的停止條件、重試與執行紀錄時,我甚至有種在讀 CI Pipeline 設計規範的錯覺。最大迭代次數、分層的時間限制、有邊界的重試、可追溯的紀錄,把名詞換一換,其實就是我們都曾處理過的 Timeout、Retry 與 CI Job Log。這樣看下來,導入 AI 並沒有完全脫離我們過去在軟體工程、軟體開發與系統規劃中累積的經驗。可觀測、可測試、可除錯,出事時能停下來並且說得出原因,這些老生常談的道理依舊管用。<br /> </p>
<p style="text-align:right;"><strong>——DevOps Taiwan Community 志工 & DevOpsDays Taipei Co-organizer,陳正瑋(艦長)</strong></p>
<p><br /><br /><br /><strong>內容介紹</strong><br />
生成式 AI、MCP 與 AI Agent 正快速進入軟體系統,但真正要讓 AI 能力穩定運作,並不只是接上一個模型 API 就完成了。資料如何進入模型、模型應該在哪裡執行、外部能力如何包裝成工具、Agent 如何使用工具與保存狀態,以及整個流程如何被測試、除錯與維護,這些都會成為實際開發時必須面對的問題。<br /><br />
因此,本書以 JavaScript 作為主要實作語言,從模型執行開始,逐步進入 MCP Server、AI Agent、workflow 與 multi-agent,再延伸到完整系統的整合、測試與錯誤分析。內容不只介紹相關技術如何使用,也著重說明模型、工具、Agent、狀態與流程在系統中的角色,以及彼此之間應該如何分工與配合。<br /><br />
透過本書,讀者可以從單一模型流程一路理解到完整 AI 系統,並建立面對不同需求時的工程判斷能力,知道哪些工作適合交給模型,哪些能力應該包裝成工具,哪些流程需要 Agent,以及哪些責任應該保留在明確的程式與 workflow 中。<br /><br />
▌ <strong>本書將協助你</strong><br />
▸ 理解 JavaScript 在 AI 系統中的角色,以及模型如何進入既有應用與流程。<br />
▸ 建立 MCP Server 與 MCP Tool,理解外部能力如何被整理成清楚的工具介面。<br />
▸ 理解 AI Agent 的工具使用、狀態、停止條件與執行控制。<br />
▸ 使用 workflow 與 multi-agent 拆分任務與責任,判斷何時真的需要 Agent。<br />
▸ 從模型、Tool、Schema 與 workflow 的執行路徑進行測試、除錯與錯誤分析。<br />
▸ 建立可理解、可控制、可測試、可維護並能持續演進的 AI 系統。<br /><br />
● 本書範例原始碼 : https://gitlab.com/cphtofficial/ai-in-js-examples<br /><br /><br /><br /><br /> </p>
</div><div class="type02_gradient" style="display:none;"></div>
</div></div><div class="mod_b type02_m057 clearfix">
<a name="AuthorP00a400020009"> </a>
目
錄
<div class="bd">
<div class="content more_off" id="M201105_0_getProdTextInfo_P00a400020009_h2">
<p><br /><br /><strong>PART I ◇ 基礎與起手做:JavaScript×AI 的工程定位</strong><br />
CHAPTER 01 ◇ 為什麼用 JavaScript 做 AI 系統(而不只用 Python)<br />
1.1 JavaScript 的位置:不是取代 Python,而是補上工程整合層<br />
1.2 從模型到系統:AI 不只是一次模型呼叫<br />
1.3 JavaScript 工程師在 AI 系統中的新責任<br /><br />
CHAPTER 02 ◇ 建立第一個 JavaScript AI 專案:從模型執行流程開始<br />
2.1 建立最小 JavaScript AI 專案<br />
2.2 跑起第一個模型執行流程<br />
2.3 從第一個模型流程看後續擴張方向<br /><br /><strong>PART II ◇ 模型實作:把模型從「能跑」變成「能用」</strong><br />
CHAPTER 03 ◇ 用 JavaScript 處理資料與張量(Tensor)<br />
3.1 資料從哪裡來?在 JavaScript 中的型態問題<br />
3.2 從 JavaScript 資料到 Tensor:結構與限制<br />
3.3 Tensor 基本操作:讓資料符合模型需求<br />
3.4 從資料到模型:tensor 在模型中的角色<br /><br />
CHAPTER 04 ◇ 在 JavaScript 中實作影像模型(CNN)<br />
4.1 建立第一個影像模型:從圖片到 CNN<br />
4.2 當模型遇到現實:為什麼 baseline 不夠<br />
4.3 用預訓練模型解決問題:遷移學習<br /><br />
CHAPTER 05 ◇ 在瀏覽器中運行文字與語言模型<br />
5.1 從影像到語言:模型使用方式的轉變<br />
5.2 語言模型如何處理文字:從字串到模型輸入<br />
5.3 在 JavaScript 中使用語言模型:載入與推論<br />
5.4 模型在瀏覽器中的角色:能力與限制<br /><br />
CHAPTER 06 ◇ 部署模型:瀏覽器 vs Node.js 的工程取捨<br />
6.1 模型完成後,下一步是什麼?<br />
6.2 瀏覽器 vs Node.js:模型放在哪裡?<br />
6.3 瀏覽器執行環境:WebGL/WebGPU/WASM 的角色<br />
6.4 如何選擇部署方式:常見情境與取捨<br /><br /><strong>PART III ◇ MCP Server:模型與工具的中介層</strong><br />
CHAPTER 07 ◇ 開始吧!最小可用的 MCP Server<br />
7.1 為什麼 AI 系統需要 MCP Server<br />
7.2 建立第一個 MCP Server<br />
7.3 MCP Server 的核心元素<br />
7.4 使用 MCP Inspector 觀察 Server<br />
7.5 MCP Server 的工程邊界<br /><br />
CHAPTER 08 ◇ 將外部能力實作為 MCP Tools<br />
8.1 實作一個完整的 MCP Tool<br />
8.2 設計 Tool 的輸入與 Schema<br />
8.3 Tool 的輸出設計與錯誤處理<br />
8.4 使用 MCP Inspector 驗證 Tool<br /><br />
CHAPTER 09 ◇ 讓 Agent 透過 MCP 使用工具(LangChain 整合)<br />
9.1 從「工具存在」到「工具被使用」:還缺了什麼,以及如何運作?<br />
9.2 讓 Agent 透過 MCP 使用 Tool:最小整合實作<br />
9.3 執行流程、觀察與除錯:看懂 Agent 是否真的在用 Tool<br /><br /><strong>PART IV ◇ AI Agent:從單一呼叫到可協作系統</strong><br />
CHAPTER 10 ◇ 什麼情況下需要 AI Agent,而不是單一模型呼叫<br />
10.1 單一模型呼叫能做什麼,不能做什麼<br />
10.2 Agent 出現的條件:工具選擇、狀態與迭代<br />
10.3 何時不該使用 Agent,何時才值得引入<br /><br />
CHAPTER 11 ◇ 讓單一 Agent 成為可控制的執行結構<br />
11.1 Agent Loop 的核心節奏:Reason、Action 與 Observation<br />
11.2 讓 Agent 不失控:停止條件、重試與保護機制<br />
11.3 一個可控制的 JavaScript Agent 範例<br />
11.4 當 Agent Loop 變複雜時:從迴圈到 workflow<br /><br />
CHAPTER 12 ◇ 多 Agent 協作:用 workflow 拆解任務與責任分工<br />
12.1 從 Agent Loop 到 workflow:任務如何被拆成節點<br />
12.2 用 LangGraph.js 實作可執行的 workflow<br />
12.3 從 workflow 節點到多 Agent:節點何時需要成為 Agent<br />
12.4 多 Agent 不一定比較好:協作結構的代價與判斷<br /><br /><strong>PART V ◇ 綜合應用與前瞻:系統整合與未來方向</strong><br />
CHAPTER 13 ◇ 整合案例:模型×MCP Server ×Agent<br />
13.1 系統目標與元件分工<br />
13.2 從請求到結果:完整流程串接<br />
13.3 從整合案例到可演進系統:哪些節點該固定,哪些節點可能 Agent 化<br /><br />
CHAPTER 14 ◇ 測試、除錯與錯誤分析的工程實務<br />
14.1 從最後答案回到執行路徑:AI Agent 系統的錯誤歸因<br />
14.2 讓錯誤可重現:工具、schema、workflow 與錯誤注入案例<br />
14.3 不只看答案對不對:功能測試、探索性評估與使用者驗收<br />
14.4 從除錯到演進:讓錯誤成為下一輪設計依據<br /><br />
CHAPTER 15 ◇ JavaScript AI 系統的下一步:工具協作、模型執行與 工程師角色<br />
15.1 工具協作與 Agent 能力邊界的演進<br />
15.2 模型的執行位置:遠端、瀏覽器、本地與邊緣環境<br />
15.3 JavaScript 工程師在 AI 系統時代的位置<br /><br /><br /><br /><br /> </p>
書
評
其 他 著 作