【Part 01 OpenAI API基礎應用】
|Chapter 01| 理解大型語言模型的核心概念
1.1 生成式AI的時代：從規則到語言理解
1.2 大型語言模型的核心概念
1.3 大型語言模型的能力與限制

|Chapter 02| 掌握OpenAI API的使用模式
2.1 為什麼選擇OpenAI
2.2 為什麼要使用AP
2.3 OpenAI API功能模組概覽
2.4 OpenAI GPT系列模型
2.5 Chat Completions API：對話核心介面
2.6 Responses API：支援狀態管理的對話介面
2.7 申請與管理OpenAI API金鑰
2.8 測試Chat Completion API
2.9 API使用限制與開發注意事項

|Chapter 03| 使用OpenAI API建立第一個應用
3.1 建立第一個OpenAI專案
3.2 專案初始化與環境準備
3.3 實作：建立可互動的終端機聊天機器人
3.4 提升對話體驗：使用串流模式
3.5 實作：支援串流模式的終端機聊天機器人
3.6 理解多輪對話機制：上下文與訊息角色
3.7 實作：支援多輪對話的終端機聊天機器人

|Chapter 04| 運用提示工程打造可控的角色與回應
4.1 認識提示工程：讓模型更懂你的指令
4.2 掌握提示結構：結合角色、任務與上下文
4.3 提示設計技巧：常用的引導方法與模式
4.4 實作：讓終端機聊天機器人擁有角色意識

|Chapter 05| 調控取樣參數Temperature與Top-P
5.1 理解模型如何生成回應
5.2 為何需要隨機性：從穩定回應到創意輸出
5.3 Temperature：控制模型的創意程度
5.4 Top-P：限制模型的選詞範圍
5.5 實作：讓CLI聊天機器人支援隨機性參數調整

|Chapter 06| 使用Function Calling讓模型呼叫工具
6.1 理解Function Calling機制
6.2 建立並執行Function Calling
6.3 實作：打造支援網路搜尋的終端機聊天機器人

【Part 02 LangChain核心應用】
|Chapter 07| 理解LangChain的核心概念與生態系
7.1 為什麼需要LangChain：從模型能力到應用挑戰
7.2 認識LangChain：打造LLM應用的核心框架
7.3 LangChain生態系：完整的應用開發平台

|Chapter 08| 使用LangChain建立LLM應用程式
8.1 建立第一個LangChain專案
8.2 專案初始化與環境準備
8.3 建立可互動的終端機聊天機器人
8.4 打造支援多輪對話的聊天機器人
8.5 使用串流模式提升對話體驗

|Chapter 09| 設計LangChain提示模板
9.1 為什麼需要提示模板
9.2 PromptTemplate：建立文字提示模板
9.3 ChatPromptTemplate：建立多角色對話提示
9.4 MessagesPlaceholder：插入歷史對話脈絡

|Chapter 10| 解析LangChain結構化輸出
10.1 為什麼需要輸出解析器
10.2 LangChain輸出解析器的運作流程
10.3 StringOutputParser：解析純文字輸出
10.4 JsonOutputParser：解析JSON輸出
10.5 CommaSeparatedListOutputParser：解析逗號分隔清單
10.6 StructuredOutputParser：結構與型別驗證輸出
10.7 OutputFixingParser：自動修復輸出
10.8 使用模型原生的結構化輸出

|Chapter 11| 使用LCEL組合流程鏈
11.1 認識LCEL
11.2 Runnable：LCEL的基本組成
11.3 RunnableSequence：順序執行Runnable
11.4 RunnableParallel：多個Runnable平行執行
11.5 RunnableLambda：自訂處理邏輯
11.6 LCEL的適用場景

|Chapter 12| 整合LangChain工具與代理
12.1 從工具到代理：讓模型具備行動力
12.2 Tool：讓模型能執行外部任務
12.3 Agent：讓模型自主決策與行動

|Chapter 13| 實作LangChain應用案例：AI部落格寫手
13.1 打造具網路搜尋能力的AI部落格寫手
13.2 專案初始化與環境準備
13.3 實作：具搜尋能力的AI部落格寫手

|Chapter 14| 追蹤與觀測LangChain執行流程
14.1 LLM應用的流程追蹤與可觀測性
14.2 LangChain的流程追蹤工具
14.3 Verbose模式：開發階段的即時追蹤與除錯
14.4 LangSmith：適用生產環境的可觀測平台
14.5 Langfuse：可自部署的LLM可觀測平台

【Part 03 RAG實戰應用】
|Chapter 15| 理解檢索增強生成
15.1 認識RAG
15.2 RAG的核心概念
15.3 LangChain如何支援RAG

|Chapter 16| 載入與分割文件
16.1 為什麼要載入與分割文件
16.2 文件載入器：將不同來源轉換為統一格式
16.3 文本分割器：將內容分割為可處理片段

|Chapter 17| 使用嵌入模型與向量資料庫
17.1 認識嵌入模型
17.2 語意向量的建立與查詢
17.3 認識向量資料庫
17.4 在LangChain中使用VectorStore

|Chapter 18| 結合檢索與生成
18.1 Retriever：封裝語意搜尋流程
18.2 建立基本的RAG流程
18.3 建立RAG Agent

|Chapter 19| 實作RAG應用案例：文件問答助理
19.1 打造可檢索公司年報的AI問答助理
19.2 專案初始化與環境準備
19.3 實作：可檢索公司年報的AI問答助理

【Part 04 LangGraph AI Agent實作】
|Chapter 20| 理解LangGraph的流程架構
20.1 為什麼需要LangGraph：從流程鏈到圖狀工作流
20.2 LangGraph的核心設計：以Graph描述Agent流程
20.3 State：LangGraph的核心資料結構
20.4 Nodes：LangGraph中的任務執行單位
20.5 Edges：決定流程要怎麼走

|Chapter 21| 使用LangGraph建立Agent流程
21.1 建立你的第一個LangGraph專案
21.2 專案初始化與環境準備
21.3 實作：建立基本的ReAct Agent

|Chapter 22| 打造多代理協作系統
22.1 為什麼需要多代理系統
22.2 多代理系統的設計模式
22.3 使用LangGraph實作多代理系統
22.4 設計多代理架構的協作模式

|Chapter 23| 設計人機協作流程
23.1 為什麼需要人機協作
23.2 LLM應用中的人機協作場景
23.3 使用LangGraph實現人機協作
23.4 人機協作的設計模式
23.5 使用Agent Middleware實作人機協作

|Chapter 24| 管理AI Agent記憶
24.1 認識AI Agent的記憶
24.2 短期記憶與長期記憶
24.3 短期記憶：追蹤當前對話與任務狀態
24.4 短期記憶的管理策略
24.5 長期記憶：跨會話的偏好與知識保存
24.6 設計長期記憶時的考量

|Chapter 25| 透過MCP連接第三方工具與資源
25.1 認識MCP
25.2 建立你的第一個MCP Server
25.3 建立MCP Client並呼叫工具
25.4 在LangGraph中整合MCP工具
25.5 整合外部服務：連接第三方MCP Server

|Chapter 26| 實作LangGraph應用案例：可審核與修訂的AI寫作Agent
26.1 打造具網路搜尋與人機協作能力的AI寫作Agent
26.2 專案初始化與環境準備
26.3 實作：具網路搜尋與人機協作能力的AI寫作Agent
26.4 建立CLI客戶端

|Chapter 27| 探索深度代理架構
27.1 認識深度代理
27.2 深度代理的四大核心支柱
27.3 打造並客製你的深度代理

【Part 05 本地LLM部署與安全設計】
|Chapter 28| 理解本地LLM的部署方案
28.1 為什麼需要在本地部署LLM
28.2 本地LLM部署的挑戰
28.3 常見的本地LLM部署方案
28.4 Hugging Face：模型生態與工具平台
28.5 常見的開放權重模型選擇

|Chapter 29| 使用Ollama管理本地模型
29.1 為什麼選擇Ollama
29.2 安裝Ollama
29.3 透過Ollama CLI管理模型
29.4 使用REST API
29.5 實作：使用LangChain建立終端機聊天機器人

|Chapter 30| 實作本地LLM應用案例：RAG文件問答助理
30.1 建構本地RAG應用
30.2 專案初始化與環境準備
30.3 實作：可檢索公司年報的AI問答系統

|Chapter 31| 使用LiteLLM建構多模型代理服務
31.1 從單一模型走向多模型架構
31.2 認識LiteLLM
31.3 部署LiteLLM
31.4 建立LiteLLM虛擬金鑰
31.5 測試LiteLLM API
31.6 使用LangChain存取LiteLLM API

|Chapter 32| 強化生成式AI應用的資安防護
32.1 當語言模型成為系統的一部分：LLM資安的新挑戰
32.2 從標準看風險：OWASP LLM Top 10
32.3 生成式AI應用的主要攻擊面
32.4 提示注入：最常見也最危險的攻擊手法
32.5 LLM的資料來源與信任邊界
32.6 當模型開始行動：AI Agent的權限與行為風險
32.7 LLM應用的安全設計原則
32.8 安全設計思維：打造多層防禦的LLM架構
32.9 結語：讓AI的創造力在安全邊界內發揮

【Part 06 附錄】
|Appendix A| 安裝與設定開發環境

【Part 01 OpenAI API基礎應用】
|Chapter 01| 理解大型語言模型的核心概念
1.1 生成式AI的時代：從規則到語言理解
1.2 大型語言模型的核心概念
1.3 大型語言模型的能力與限制

|Chapter 02| 掌握OpenAI API的使用模式
2.1 為什麼選擇OpenAI
2.2 為什麼要使用AP
2.3 OpenAI API功能模組概覽
2.4 OpenAI GPT系列模型
2.5 Chat Completions API：對話核心介面
2.6 Responses API：支援狀態管理的對話介面
2.7 申請與管理OpenAI API金鑰
2.8 測試Chat Completion API
2.9 API使用限制與開發注意事項

|Chapter 03| 使用Ope...