AI ENGINEERING · 從 DEMO 到正式上線
AI Agent 做得出來之後，怎麼真的上線？
我是 Bobo，做了 20 年 cloud 與 backend。這幾年開始把 AI agent 接進工作流程後，我最常想的不是 demo 能不能跑，而是公司敢不敢真的用：它能不能碰客戶資料？出錯時查不查得到原因？ 成本會不會突然失控？這個頁面整理的，就是我一路研究和實作後留下的答案。
能力地圖 Competency Map
RAG Architecture RAG 架構 文件怎麼整理、切段、檢索和重排，最後讓每個答案都找得到原始出處。 深入閱讀 → Vector DB & Embeddings 向量檢索與 embedding 從 pgvector 和專用向量庫怎麼選，一路談到 embedding、混合搜尋與索引調校。 深入閱讀 → Tool Use & MCP Tool use 與 MCP Agent 開始會動手之後，哪些事能直接做、哪些事一定要先問過人。 深入閱讀 → Agent Memory & State Agent 記憶與狀態 哪些資訊該記、要記多久，以及如何避免不同使用者的記憶混在一起。 深入閱讀 → Multi-Agent Orchestration 多代理協作 多個 agent 怎麼分工、交接與隔離錯誤，也談哪些情況其實一個 agent 就夠。 深入閱讀 → Eval & Observability 評估與可觀測性 用固定題庫、trace 和成本紀錄，看清楚每次改動到底讓系統變好還是變差。 深入閱讀 → Governance & Security 治理與資安 把資料權限、工具清單、操作紀錄和人工確認，整理成能落地的安全邊界。 深入閱讀 → Latency / Reliability / Cost 延遲、可靠性、成本 回得快、撐得住又不能太貴，看看 streaming、retry 和模型路由怎麼搭配。 深入閱讀 → Technical Leadership 技術領導 小團隊如何安排交付和 review，也把技術成果說成業務聽得懂的影響。 深入閱讀 →
旗艦系列
《從 PoC 到 Production：企業 AI Agent 系統工程》· 12 篇
呼叫 API、做出會回答問題的 demo，其實不算太難。真正麻煩的是後面：資料怎麼管、權限怎麼守、 答錯了怎麼查、更新後怎麼知道有沒有退步。這 12 篇就是把這段路完整走一次。
- 01. 從 demo 到正式上線，中間少了什麼？
- 02. 正式上線前要補齊哪些元件
- 03. 文件怎麼變成有來源可查的答案
- 04. 向量資料庫與 embedding 怎麼選？
- 05. 別讓不該看的內容進入 context
- 06. Agent 能動手之後，怎麼守住操作邊界
- 07. 該記什麼，也要知道何時該忘
- 08. Multi-agent 該不該用？
- 09. 每次改動都要知道有沒有退步
- 10. 延遲、可靠性與成本，該怎麼取捨？
- 11. 資料、權限、工具與持續監督
- 12. 把交付做成固定節奏
延伸閱讀 Selected Writing
如果想看更多實作過程，這幾個系列可以接著讀。
Agentic Engineering 實戰手冊 我把 AI coding 用進日常工作後，從個人習慣、系統設計到團隊導入的實際心得。 Claude API & Agent SDK 完全指南 從基本 API 一路做到 multi-agent 和 MCP server，適合想跟著實作的人。 15 分鐘打造你自己的 MCP server 用一個小範例把工具接給模型，也順便看懂 MCP 為什麼方便管理。 MCP 與 A2A 協定：實務者指南 MCP 和 A2A 各自解決什麼問題，什麼時候該用哪一個。 一個人做產品：AI 時代 Solo Builder 全棧實戰 一個人怎麼從驗證點子、開發產品，一路做到部署、收費和維運。 多代理協作的真實世界案例 用實際案例看多個 agent 怎麼拆工作、交換結果，再把答案收回來。