AI 應用架構師實戰指南：Prompt、Workflow、RAG 與 Evaluation

R.T.C.F. × LangChain/LangGraph × RAG 的端到端實戰指南。

很多人第一次接觸 LLM，是從 prompt 或 API call 開始。但如果目標是做出能交付、能除錯、能持續改善的 AI 應用，真正的工作不只是在 prompt 裡找到漂亮句子，而是把模型能力放進一套可維運的工程系統。

我會把 AI 應用架構師的能力拆成四層：Prompt 負責定義互動契約，Workflow 負責管理任務流程，RAG 負責接上可驗證的知識來源，Evaluation 負責讓系統知道自己是否真的變好。這四層能力串起來，才是從「會用 LLM」走向「能設計 AI 應用」的分水嶺。

一個最小可維運流程可以先長得像這樣：

def answer(question: str) -> dict:
    context = retrieve_relevant_docs(question)
    draft = generate_with_prompt(question=question, context=context)
    score = evaluate_answer(question=question, context=context, answer=draft)

    return {
        "answer": draft,
        "evidence": context.sources,
        "quality_score": score,
    }

這段程式碼不是完整架構，但它提醒我們：生成只是其中一步。真正重要的是輸入如何被定義、外部知識如何被引用、輸出如何被檢查，以及這些訊號如何回到下一輪改進。

本書將帶領您克服以下三大核心挑戰：

挑戰一：如何提升 AI 回應的穩定性與精確度？

當輸入的微小差異導致輸出結果天差地遠，應用程式的可靠性便無從談起。為此，本書將深入「提示語工程 (Prompt Engineering)」，提供一套清晰的框架（R.T.C.F.），幫助您建立與 AI 之間明確的溝通協定，從根本上提升指令的有效性與輸出結果的一致性。

挑戰二：如何管理日漸複雜的應用邏輯？

隨著任務需求的增加，簡單的線性鏈式呼叫很快就會變得難以維護。本書將引導您使用 LangChain 進行模組化建構，將複雜流程拆解為可管理的組件。在此之上，您將學習運用 LangGraph 的圖形結構，來實現需要條件判斷、循環修正與多代理協作的進階工作流，為您的應用程式賦予更彈性的流程控制能力。

挑戰三：如何解決模型的知識限制與事實準確性問題？

LLM 的「幻覺現象」與「知識截止日期」是將其導入嚴肅應用的主要障礙。本書將重點解析 檢索增強生成 (RAG) 框架的完整生命週期。您將學會如何載入外部文件、進行有效的文本切割與向量化，並建立一個基於外部事實的知識庫，讓您的 AI 應用在提供答案時，能做到有據可查，顯著提升其可信度。

除了核心框架，本書亦涵蓋了從開發環境的高效設定 (Google Colab)、敏感資訊的安全管理，到互動介面 (Gradio) 的快速原型設計等實戰議題。

這是一本為實踐者而寫的指南，專注於解決真實世界的問題。如果您準備好超越淺層的 API 應用，開始構築更為成熟與專業的 AI 解決方案，這裡有您需要的藍圖與工具。

若您準備好開始這趟旅程，可在此處深入了解本書詳情：https://www.tenlong.com.tw/products/9786267757420