日期

課程單元

課程內容

時數

9/3(三)

單元一

大語言模型基礎

1. 大語言模型原理與簡介

    －認識大語言模型LLM發展歷程與背景

    －Transformer 架構核心概念

    －LLM 的訓練方式（預訓練與微調）

    －大語言模型的應用場景與限制

2. 大語言模型的操作

    －控制生成行為

       （temperature、top-k、top-p 等參數介紹）

    －Token 與輸出長度的概念與限制

    －使用 API 操作語言模型（Gemini）

    －Hugging face模型操作

    －本地端的大語言模型部屬平台

       （Ollama、LM-Studio）

6hr

9/10(三)

單元二

檢索增強生成RAG

3. 提示詞工程

    －提示詞設計原則

    －常見提示詞技巧

    －多輪對話中的提示詞設計

    －提示詞調試技巧

4. RAG基本概念

    －為何需要RAG：語言模型與知識庫關聯

    －檢索型模型 vs 生成型模型

    －RAG 的工作流程

    －向量資料庫簡介

    －RAG系統實作

5. Langchain簡介

    －LangChain 框架概述

    －使用LangChain建立RAG系統示範

6hr

9/17(三)

單元三

大語言模型

微調與實戰

6. 大語言模型微調

    －LoRA（Low-Rank Adaptation）、PEFT

       等輕量化微調技術介紹

    －開源模型微調流程

      （使用 Hugging Face Transformers）

    －訓練資料準備與格式

      （Instruction Tuning / SFT）

    －實作：微調小型語言模型進行特定任務

7. 大語言模型動手實作

   －本單元將以工作坊形式進行，鼓勵學員將

       前兩日所學整合，利用Grdaio來親手打造

       一個具體的大語言模型應用系統

6hr

9/24(三)

單元四

Tools/Function

功能擴充

8. LLM工具功能擴充概念

   －工具使用（Tools）與函式調用（Function

       Calling）的應用背景

   －為什麼語言模型需要工具：LLM 的推論限

       制與外部功能需求

   －工具調用 vs 插件系統 vs Agent

       Framework

9. Function Calling 機制實作

   －Google Gemini Tool Use 概念解析

   －函式定義與 JSON Schema 規範介紹

   －範例實作：自定義函式供模型呼叫

   －多工具整合技巧與錯誤處理設計

10.工具應用場景實作

   －串接外部 API

   －搭配Gradio建立互動式多功能應用介面

   －動手練習：建構一個支援多工具呼叫的智慧助手

6hr

10/1(三)

單元五

AI Agent

11.AI Agent 核心概念

   －什麼是 AI Agent：從單一回應到自主行動

       的轉變

   －ReAct（Reasoning + Acting）架構與

       Agent Thought 模型解析

   －Agent 與工具的整合：計劃、決策與執行

       流程

   －知識記憶與狀態管理概念

      （Short-term vs Long-term memory）

12.MCP

   －MCP 簡介與核心概念

   －MCP 架構與元件解析

   －MCP 的實作與開發

13.實作與綜合演練

   －分組實作一個具備多工具與任務管理能力的 AI Agent

6hr

 ※ 主辦單位保留講師及課程變更之權利