本地跑模型的最小環境：三個選擇與各自適合的人
不必先買顯示卡。依照你的目的，選對工具就能在筆電上開始。
該微調還是該寫提示：先跑完這四個檢查
微調是最後手段，不是第一步。這四個檢查能替你省下大量算力與標註成本。
推理延遲的組成：先知道時間花在哪裡
優化之前先拆解。多數團隊優化錯地方，是因為沒量過各段耗時。
工具呼叫的第一課：把函式描述寫得讓模型看得懂
Agent 不聽話，八成問題出在工具描述。這篇講清楚描述該寫什麼、不該寫什麼。
離線評測與線上評測：兩者各自能回答什麼問題
離線分數漂亮但線上出事，是因為兩種評測在測不同的東西。
提示詞的四段式結構：角色、任務、限制、輸出格式
大部分「模型不聽話」其實是提示沒有結構。用固定四段式改寫，同一個需求的輸出穩定度通常立刻提升一個檔次。
圖片進模型前該做什麼：解析度、格式與 token 成本
同一張圖，處理方式不同，成本可以差三倍。這篇講清楚前處理的取捨。
RAG 的最小可用架構：五個元件與它們的失敗模式
先把架構圖看懂，再談優化。這篇拆解 RAG 的五個元件，以及每個元件壞掉時使用者會看到什麼症狀。
讓模型只回 JSON：從提示約束到結構化輸出參數
要模型輸出 JSON，光在提示裡拜託是不夠的。這篇整理三個層次的做法，以及各自會在什麼情況下失效。
token 計算與成本估算：上線前先算清楚
幾個簡單的估算就能避免「上線第一週就燒掉整月預算」。
標註指南怎麼寫：一致率低通常不是標註者的問題
兩個人標同一批資料只有六成一致，多半是指南沒寫清楚邊界。
串流回應的正確實作：SSE 與中途中斷
串流不只是把字吐出來，還要處理中斷、錯誤與部分結果的保存。
系統提示與使用者提示：邊界該畫在哪裡
把該放系統提示的東西寫進使用者訊息，是最常見也最容易修的架構錯誤。
給團隊的 AI 使用規範：五條就夠的起手版本
落落長的規範沒人讀。這五條涵蓋了大部分實際風險。
視覺問答的提示技巧：讓模型看它該看的地方
同一張圖，問法不同結果差很多。這幾個技巧能明顯提升準確率。
給工具寫好回傳值：模型讀得懂的錯誤訊息
工具回傳 500 Internal Server Error，模型只能亂猜。錯誤訊息也是提示的一部分。
微調模型的版本管理：介面卡、底座與提示要對齊
微調上線後最容易出的事故是版本錯配。三個東西必須綁在一起管理。
嵌入模型怎麼選：維度、語言與成本的三角
嵌入模型換一次就要重建整個索引，所以第一次要選對。這篇整理實際的挑選順序。
文本清洗的常見陷阱：全形、零寬字元與 Unicode 正規化
看起來一樣的兩個字串，在程式眼中可能完全不同。中文資料尤其容易中招。
用小專案練習：五個能在一天內完成的 AI 實作題
學 AI 開發最快的方式是做完一個能跑的東西。這五個題目難度遞增。
把模型服務包成 Docker：一份可用的基礎設定
GPU 容器化有幾個固定要處理的點，這是可以直接改用的骨架。
溫度、top-p 與重複懲罰：三個參數的實際影響
調參數之前，先知道每個參數實際在改什麼。多數任務其實只需要動一個。
多模態應用的成本結構：圖片比文字貴在哪
一張圖等於多少 token？搞清楚計費邏輯，成本才控制得住。
微調前的資料脫敏：不要把個資訓進權重裡
資料進了權重就拿不出來。脫敏必須在訓練前完成，這是不可逆的一步。
從 Chatbot 到 Agent：三個要補上的東西
已經有一個能對話的機器人，要升級成能做事的 Agent，需要補的其實不多。
資料版本控制：讓每個分數都能追回當時的資料
程式碼有 git，資料常常只有一個資料夾叫 final_v3_new。這是最小可行的做法。
把需求寫成規格：用驗收條件取代形容詞
「寫得專業一點」對模型沒有意義。把形容詞換成可檢查的條件，輸出品質才會穩定。
文件更新怎麼同步：增量索引的基本設計
文件會改，索引不能每次都全量重建。這篇是最小可行的增量更新設計。
提示工程的除錯清單：輸出不對時依序檢查這七項
輸出怪怪的時候不要急著改提示。照順序檢查，通常前三項就能找到原因。