從 PoC 到 Production：企業 AI Agent 系統工程
AI agent 的 demo 做出來之後，怎麼變成公司敢用的系統？這 12 篇從 RAG、權限與工具串接，一路談到觀測、成本、治理和團隊交付。
- 1
企業 AI Agent 為什麼卡在 PoC？正式上線前要補的六件事
AI agent 的 demo 兩天就能做出來，正式上線卻可能卡上半年。問題通常不在模型，而在正確性、評估、觀測、權限、成本與失敗處理都還沒準備好。
2026-04-21 · 10min read - 2
AI Agent 系統架構：正式上線前要補齊哪些元件
一套能正式上線的 AI agent，除了模型之外還需要哪些東西？這篇用一張參考架構，說明身分、工具、檢索、記憶、模型路由與觀測要怎麼接在一起。
2026-04-25 · 12min read - 3
RAG 架構實作：文件怎麼變成有來源可查的答案
RAG 不只是把 PDF 切一切丟進向量庫。這篇從文件整理、切段和檢索講到重排與來源引用，看看每一步怎麼影響最後的答案。
2026-04-29 · 13min read - 4
向量資料庫與 embedding 怎麼選？多數情況 pgvector 就夠用
做 RAG 一定要先上專用向量資料庫嗎？這篇從資料量、權限與維運成本出發，比較 pgvector 和專用服務，也整理 embedding、混合搜尋與索引的選法。
2026-05-03 · 5min read - 5
企業 RAG 的權限怎麼做？別讓不該看的內容進入 context
同一個問題交給同一個 agent，不同身分的人本來就可能得到不同答案。這篇談權限要在哪一層過濾、多租戶怎麼隔離，以及權限收回後有哪些快取也得一起清。
2026-05-07 · 10min read - 6
Tool use 與 MCP：Agent 能動手之後，怎麼守住操作邊界
Agent 一旦能改資料、下單或寄信，風險就不只是一句話答錯。這篇從 function calling 和 MCP 講起，再看人工確認、重複執行與失敗復原怎麼設計。
2026-05-11 · 8min read - 7
Agent memory 與狀態管理：該記什麼，也要知道何時該忘
Agent 所謂的記憶，其實是系統替它保存並挑選過去資訊。這篇整理短期、長期與任務記憶各自該放什麼，也提醒你別讓 A 的資料跑進 B 的對話。
2026-05-15 · 8min read - 8
Multi-agent 該不該用？先看任務能不能真的拆開
多放幾個 agent 不一定比較聰明，通常只會先變貴、變難查。這篇整理幾種常見分工方式，也說明什麼任務值得拆、交接時又該留下哪些資訊。
2026-05-19 · 8min read - 9
生產級 LLM 的評估與可觀測性：每次改動都要知道有沒有退步
Prompt 改一句、模型換一版，結果可能整批跟著變。這篇介紹怎麼用黃金題庫做回歸，再用 trace、token 與成本紀錄找出問題發生在哪一步。
2026-05-23 · 10min read - 10
AI agent 的延遲、可靠性與成本，該怎麼取捨？
AI agent 要回得快、撐得住，帳單又不能失控，三件事很難同時做到最好。這篇用 streaming、retry、快取與模型路由，整理幾種實際可用的取捨方式。
2026-05-27 · 10min read - 11
企業 AI Agent 治理：資料、權限、工具與持續監督
資料怎麼分級、誰能用哪些工具、哪些動作要人工確認，出了事又怎麼追？這篇把前面談過的安全做法整理成一套能和資安、法遵一起討論的治理框架。
2026-05-31 · 11min read - 12
帶領 3–8 人 AI 工程小隊：把交付做成固定節奏
帶一支 3 到 8 人的 AI 工程小隊，最花力氣的通常不是選框架，而是把交付和 review 變成固定節奏。這篇也談怎麼向主管說清楚產品帶來的實際影響。
2026-06-04 · 10min read