Chapter 01 生成式 AI 與 RAG 的核心概念
1-1 生成式 AI（Generative AI）與大型語言模型（LLM）簡介
    生成式 AI 簡介
    大型語言模型簡介
    LLMs 的應用與挑戰
    生成式 AI 與 LLMs 的比較
    LangChain：開發 LLM 應用的框架
    向量（Embedding）技術
1-2 LLMs 的幻覺與知識更新問題
    LLMs 產生幻覺的原因
    幻覺在問答、法律、醫療等應用中的嚴重性
1-3 RAG的基本介紹
    檢索增強生成（RAG）的原理與降低幻覺的方法
    RAG 對 LLM靜態知識限制的補足與動態應用支持
    RAG 的發展階段
    LangChain 與 RAG 的整合應用
1-4 章節回顧

Chapter 02 環境架設與金鑰申請
2-1 開發環境架設（ Python、PyCharm 以及虛擬環境）
2-2 OpenAI 金鑰申請
2-3 Mongo Atlas 服務申請
2-4 章節回顧

Chapter 03 LangChain 操作教學：從基礎到進階
3-1 LangChain 快速入門
    LangChain 設定 OpenAI API Key 的方式
    LangChain 中的 BaseChatModel 與 LLM 的串接
    LangChain 中常見的 Message 類型與結構
    LangChain 中的 PromptTemplate
    LangChain 中的 VectorStore 與 InMemoryVectorStore
    LangChain 中的 Document 與 Metadata
3-2 LangChain 進階功能實作
    鍊式操作（Chain）進階應用
    LangChain 內建的 RAG Chain 實作
    Agent 概念與實務應用
    LangChain 內建對話紀錄管理器
3-3 Mongo Atlas 資料及向量的寫入與查詢
    使用 Mongo Atlas VectorStore 的寫入與查詢向量
3-4 章節回顧

Chapter 04 環境架設與金鑰申請
4-1 設計專案架構
4-2 資料及向量的寫入
4-3 設計查詢與對話模組
4-4 設計前台頁面
4-5 建立對話紀錄
4-6 建立問診紀錄區塊
4-7 使用 Fly.io 部署站台
4-8 章節回顧

Chapter 05 智慧問診機器人實作演練
5-1 LLM as a Judge 利用大型語言模型對回覆進行評分
    為何我們需要「AI裁判」？
    該如何撰寫讓 LLM 充當裁判的提示語（Prompt）？
    LLM as a Judge 的主要應用場景
    LLM as a Judge 的可靠性：它真的「公平」且「準確」嗎？
    如何在實務中運用 LLM as a Judge？搭建你的自動評估流程
5-2 DeepEval 工具介紹
5-3 該如何準備 DeepEval 中的測試案例？
    回顧基本的 RAG 流程
    建立測試案例：使用 LLMTestCase 類別
    執行測試的方式
5-4 常用檢索評估指標：文本精確度、文本召回率與文本關聯性
    文本精確度（Context Precision）
    文本召回率（Context Recall）
    文本關聯性（Context Relevancy）
    重點整理
5-5 常用生成評估指標：關聯性與忠實性
    關聯性（Answer Relenvacy）
    忠實性（Faithfulness）
    重點整理
5-6 自定義測試 Prompt
5-7 章節回顧

Chapter 06 提升 RAG 系統的準確度
6-1 Chunking 策略
    常見的 Chunking 策略與實作範例
6-2 檢索策略（Retrieve Strategy）
6-3 重排序（Re-rank）
6-4 提示工程 Prompt Engineer
6-5 章節回顧

Chapter 07 RAG 在不同行業的應用與挑戰
7-1 企業知識庫 AI：如何運用 RAG 提升內部 FAQ 回答準確性？
7-2 法律 AI 助理：讓 AI 提供合規建議與文件檢索能力
7-3 醫療 AI 應用：如何確保 AI 在醫療領域提供可靠建議？
7-4 章節回顧asnd Chapter 01 生成式 AI 與 RAG 的核心概念
1-1 生成式 AI（Generative AI）與大型語言模型（LLM）簡介
    生成式 AI 簡介
    大型語言模型簡介
    LLMs 的應用與挑戰
    生成式 AI 與 LLMs 的比較
    LangChain：開發 LLM 應用的框架
    向量（Embedding）技術
1-2 LLMs 的幻覺與知識更新問題
    LLMs 產生幻覺的原因
    幻覺在問答、法律、醫療等應用中的嚴重性
1-3 RAG的基本介紹
    檢索增強生成（RAG）的原理與降低幻覺的方法
    RAG 對 LLM靜態知識限制的補足與動態應用支持
    RAG 的發展階段
    LangChain 與 RAG 的整合應用
1-4 章節回顧

Chapter 02 環境架設與金鑰申請
2-1 開發環境架設（ Python、PyCharm 以及虛擬環境）
2-2 OpenAI 金鑰申請
2-3 Mongo Atlas 服務申請
2-4 章節回顧

Chapter 03 LangChain 操作教學：從基礎到進階
3-1 LangChain 快速入門
    LangChain 設定 OpenAI API Key 的方式
    LangChain 中的 BaseChatModel 與 LLM 的串接
    LangChain 中常見的 Message 類型與結構
    LangChain 中的 PromptTemplate
    LangChain 中的 VectorStore 與 InMemoryVectorStore
    LangChain 中的 Document 與 Metadata
3-2 LangChain 進階功能實作
    鍊式操作（Chain）進階應用
    LangChain 內建的 RAG Chain 實作
    Agent 概念與實務應用
    LangChain 內建對話紀錄管理器
3-3 Mongo Atlas 資料及向量的寫入與查詢
    使用 Mongo Atlas VectorStore 的寫入與查詢向量
3-4 章節回顧

Chapter 04 環境架設與金鑰申請
4-1 設計專案架構
4-2 資料及向量的寫入
4-3 設計查詢與對話模組
4-4 設計前台頁面
4-5 建立對話紀錄
4-6 建立問診紀錄區塊
4-7 使用 Fly.io 部署站台
4-8 章節回顧

Chapter 05 智慧問診機器人實作演練
5-1 LLM as a Judge 利用大型語言模型對回覆進行評分
    為何我們需要「AI裁判」？
    該如何撰寫讓 LLM 充當裁判的提示語（Prompt）？
    LLM as a Judge 的主要應用場景
    LLM as a Judge 的可靠性：它真的「公平」且「準確」嗎？
    如何在實務中運用 LLM as a Judge？搭建你的自動評估流程
5-2 DeepEval 工具介紹
5-3 該如何準備 DeepEval 中的測試案例？
    回顧基本的 RAG 流程
    建立測試案例：使用 LLMTestCase 類別
    執行測試的方式
5-4 常用檢索評估指標：文本精確度、文本召回率與文本關聯性
    文本精確度（Context Precision）
    文本召回率（Context Recall）
    文本關聯性（Context Relevancy）
    重點整理
5-5 常用生成評估指標：關聯性與忠實性
    關聯性（Answer Relenvacy）
    忠實性（Faithfulness）
    重點整理
5-6 自定義測試 Prompt
5-7 章節回顧

Chapter 06 提升 RAG 系統的準確度
6-1 Chunking 策略
    常見的 Chunking 策略與實作範例
6-2 檢索策略（Retrieve Strategy）
6-3 重排序（Re-rank）
6-4 提示工程 Prompt Engineer
6-5 章節回顧

Chapter 07 RAG 在不同行業的應用與挑戰
7-1 企業知識庫 AI：如何運用 RAG 提升內部 FAQ 回答準確性？
7-2 法律 AI 助理：讓 AI 提供合規建議與文件檢索能力
7-3 醫療 AI 應用：如何確保 AI 在醫療領域提供可靠建議？
7-4 章節回顧askw Chapter 01 生成式 AI 與 RAG 的核心概念
1-1 生成式 AI（Generative AI）與大型語言模型（LLM）簡介
    生成式 AI 簡介
    大型語言模型簡介
    LLMs 的應用與挑戰
    生成式 AI 與 LLMs 的比較
    LangChain：開發 LLM 應用的框架
    向量（Embedding）技術
1-2 LLMs 的幻覺與知識更新問題
    LLMs 產生幻覺的原因
    幻覺在問答、法律、醫療等應用中的嚴重性
1-3 RAG的基本介紹
    檢索增強生成（RAG）的原理與降低幻覺的方法
    RAG 對 LLM靜態知識限制的補足與動態應用支持
    RAG 的發展階段
    LangChain 與 RAG 的整合應用
1-4 章節回顧

Chapter 02 環境架設與金鑰申請
2-1 開發環境架設（ Python、PyCharm 以及虛擬環境）
2-2 OpenAI 金鑰申請
2-3 Mongo Atlas 服務申請
2-4 章節回顧

Chapter 03 LangChain 操作教學：從基礎到進階
3-1 LangChain 快速入門
    LangChain 設定 OpenAI API Key 的方式
    LangChain 中的 BaseChatModel 與 LLM 的串接
    LangChain 中常見的 Message 類型與結構
    LangChain 中的 PromptTemplate
    LangChain 中的 VectorStore 與 InMemoryVectorStore
    LangChain 中的 Document 與 Metadata
3-2 LangChain 進階功能實作
    鍊式操作（Chain）進階應用
    LangChain 內建的 RAG Chain 實作
    Agent 概念與實務應用
    LangChain 內建對話紀錄管理器
3-3 Mongo Atlas 資料及向量的寫入與查詢
    使用 Mongo Atlas VectorStore 的寫入與查詢向量
3-4 章節回顧

Chapter 04 環境架設與金鑰申請
4-1 設計專案架構
4-2 資料及向量的寫入
4-3 設計查詢與對話模組
4-4 設計前台頁面
4-5 建立對話紀錄
4-6 建立問診紀錄區塊
4-7 使用 Fly.io 部署站台
4-8 章節回顧

Chapter 05 智慧問診機器人實作演練
5-1 LLM as a Judge 利用大型語言模型對回覆進行評分
    為何我們需要「AI裁判」？
    該如何撰寫讓 LLM 充當裁判的提示語（Prompt）？
    LLM as a Judge 的主要應用場景
    LLM as a Judge 的可靠性：它真的「公平」且「準確」嗎？
    如何在實務中運用 LLM as a Judge？搭建你的自動評估流程
5-2 DeepEval 工具介紹
5-3 該如何準備 DeepEval 中的測試案例？
    回顧基本的 RAG 流程
    建立測試案例：使用 LLMTestCase 類別
    執行測試的方式
5-4 常用檢索評估指標：文本精確度、文本召回率與文本關聯性
    文本精確度（Context Precision）
    文本召回率（Context Recall）
    文本關聯性（Context Relevancy）
    重點整理
5-5 常用生成評估指標：關聯性與忠實性
    關聯性（Answer Relenvacy）
    忠實性（Faithfulness）
    重點整理
5-6 自定義測試 Prompt
5-7 章節回顧

Chapter 06 提升 RAG 系統的準確度
6-1 Chunking 策略
    常見的 Chunking 策略與實作範例
6-2 檢索策略（Retrieve Strategy）
6-3 重排序（Re-rank）
6-4 提示工程 Prompt Engineer
6-5 章節回顧

Chapter 07 RAG 在不同行業的應用與挑戰
7-1 企業知識庫 AI：如何運用 RAG 提升內部 FAQ 回答準確性？
7-2 法律 AI 助理：讓 AI 提供合規建議與文件檢索能力
7-3 醫療 AI 應用：如何確保 AI 在醫療領域提供可靠建議？
7-4 章節回顧