Node.js&LLM 原理與實務：AI 應用程式開發

第 1 章：LLM 大型語言模型概念
1.1 什麼是大型語言模型（LLM）
1.2 Transformer：語言模型的新架構
1.3 幻覺、偏見與語意系統的技術邊界
1.4 LLM 與 Node.js 的整合應用：語意邏輯成為應用模組
1.5 In-Context Learning：從參數訓練轉向語境操控
1.6 LLM 與軟體工程的整合應用：語言成為流程驅動器
1.7 LLM 應用於新創產品：生成式 AI 的語意引擎角色

第 2 章：打造第一個 LLM 應用程式
2.1 安裝 Node.js 與 OpenAI 套件
2.2 註冊 OpenAI 帳號並設定 API 金鑰
2.3 建立 Node.js 基本專案結構
2.4 透過 OpenAI SDK 發送基礎請求
2.5 設計 API 請求流程與錯誤處理
2.6 使用 Chat Completions
2.7 小結

第 3 章：打造多輪對話與上下文記憶
3.1 多輪對話的工程邏輯
3.2 多輪對話的核心概念
3.3 建立對話記憶模組：Conversation Manager 定義與最佳實踐
3.4 改寫請求流程，支援多輪對話
3.5 升級至 Chat Completion 模式
3.6 控制上下文長度：壓縮與裁剪策略
3.7 使用記憶壓縮策略，優化 Token 控制
3.8 實作多使用者對話記憶：分流與隔離機制
3.9 回顧：從訊息記憶到多輪對話的模組化設計

第 4 章：建構具資料記憶能力的語言模型應用
4.1 為什麼 LLM 需要外部記憶體？
4.2 什麼是 RAG 架構？
4.3 建立本地知識庫
4.4 向量化文本資料
4.5 Node.js 結合向量資料庫與語言模型的整合流程
4.6 向量資料庫選型與開發情境對應
4.7 Redis 作為語意向量快取：Node.js 整合實務
4.8 總結：RAG 架構與語意記憶的整合基礎

第 5 章：開發你的第一個 CLI 對話助理
5.1 為何選擇 CLI 作為起點？
5.2 使用 Inquirer.js 建立命令列互動
5.3 整合 GPT 回覆生成與顯示
5.4 對話邏輯與上下文維持
補充：conversationManager.js 初版範例
5.5 提示工程初探：加入系統角色（System Prompt）
5.6 執行與測試
5.7 整合 Redis：讓對話有記憶

第 6 章：設計可控語境：Prompt Engineering × RAG 整合
6.1 Prompt 是語境 API：設計有效提示的基本結構
6.2 四種關鍵技巧：提示詞的工程邏輯拆解
6.3 角色設定（System Prompt）：塑造 AI 的人格與知識邊界
6.4 格式控制與輸出結構
6.5 常見錯誤與優化策略
6.6 整合提示語與資料：建立可控且具知識邊界的語意回應架構

第 7 章：提示詞的學習性：In-Context Learning × MAML-en-LLM 導論
7.1 上下文就是訓練資料：In-Context Learning 的語意模型
7.2 提示設計的策略化發展：ICL 類型總覽與應用定位
7.3 從 Prompt 靜態模板邁向可學習提示模組：MAML-en-LLM 架構
7.4 在 Node.js 中實作提示學習架構：MAML-en-LLM 模擬流程
7.5 評估提示學習效能：如何讓 MAML-en-LLM 應用於產品開發

第 8 章：從語言到行動：Tool-Augmented Reasoning 架構與實作
8.1 為什麼 LLM 需要外部工具？
8.2 Prompt 內的記憶分配策略
8.3 Tool 回饋資料的融合技巧
8.4 與 RAG 架構的整合策略
8.5 延伸應用場景與案例設計
8.6 小結與展望：從 Tool-Augmented 到 Multi-Agent AI

第 9 章：記憶就是語境策略：選擇、壓縮與動態組裝技術
9.1 上下文長度限制的現實挑戰
9.2 記憶選擇：決定哪些內容值得保留
9.3 記憶壓縮：節省 token，保留意義
9.4 記憶選擇與工具引導：雙軌推理的實戰策略
9.5 策略型記憶控制與 API 對話整合
9.6 記憶策略的產品化與部署考量
9.7 記憶系統的總結與未來展望

第 10 章：整合系統思維：打造具備推理、記憶與檢索能力的 AI 助理
10.1 總覽：從模組到產品
10.2 模組整合實作與系統架構草圖
10.3 模型評估與 Prompt 策略調整
10.4 系統部署與持續優化
10.5 多模組維運與版本策略
10.6 模型與資料擴充：從 MVP 到大規模應用
10.7 本書總結
10.8 未來展望

推薦序

　　本書是「極簡 AI 入門系列」的教材，延續「Node.js Fullstack 原理與實務」一書，希望讓初學者有效率入門 AI 應用程式，也能修練 LLM 的思惟內功；讀完本書後，就能讓你的Node.js 應用程式具備「思惟能力」。

　　這本書是為 LLM 初學者設計的入門教材，這是一份幫助初學者，從零開始、逐步建立 LLM應用程式實作能力的學習指南。閱讀本書，您將學會：

　　1. 理解 LLM（大型語言模型）的基本概念
　　2. 如何用 Node.js 建立基本的 LLM 應用程式
　　3. 建立良好的 Node.js + LLM 應用程式架構（可擴充性）
　　4. 開發第一個 AI 對話程式
　　5. 導入外部資料庫，讓你的 LLM 應用程式更聰明，並降低成本
　　6. 能導入簡單的 In-Context Learning 與 MAML-en-LLM 大幅提升 LLM 的「腦力」
　　7. 使用 TAR 與 RAG 技術，打造「極簡 AI Agent」

　　本書延續 Node.js 系列著作的風格，採用清楚的步驟式教學，並搭配語意導向的說明，讓LLM 初學者了解每一段程式碼背後的設計邏輯。這是一本實務導向的Node.js + LLM 入門教科書，本書並不是一本操作手冊，而是一本在鍛練 AI 軟體開發內功的祕笈。

作者序

　　思考是什麼？何謂「思考」？人工智慧（AI）真的會像人類一樣「思考」嗎？特別是在體驗過像是 ChatGPT 等 AI 後，每個人的心中不免會產生這樣的疑問。

　　要能想通這個問題，能了解 LLM 的原理，就是重要的第一步，這也是本書第一章的寫作宗旨。

　　在閱讀完本書後，這個問題也可以更具體化：人類的思考，通常先有一個「目的」、有「主題」，即「動腦」。然後再根據自身的知識，運用大量知識，進行邏輯組識，這就是「思考」。思考是一個運用知識，來進行推理的過程。而 LLM 具備更大量的知識，以及更精密的推論能力，這正能「輔助」我們來進行品質更好的「思考」。

　　所以，人工智慧的角度不在取代人類，反而是君臣相輔的角色。軟體工程領域的 PairProgramming，便是一種君臣相輔的開發模式；將此模式結合 LLM 後，便是 VibeCoding。

　　在 AI 時代，人類更要多動動腦，讓 LLM 更好地輔佐我們，人類（君主）才會更強大。學習LLM 應用軟體開發，就是在指導 LLM 這個大臣，「如何好好地輔佐我」。

　　此外，寫程式要畫流程圖，是筆者過去接受資訊科學訓練，被教導的知識；開發軟體前的行前工作，例如：系統分析、架構設計、軟體工程方法等，幾乎可以說是「常識」。然而，有了 LLM 等人工智慧技術後，現今的軟體開發方法論，跟過去還是一樣嗎？以前，我們注意程式碼的「邏輯」，然而，在讀完本書，並且自行試作第一個「極簡 LLM應用程式後」，你就會發現，「邏輯已經是其次」，我們首要注意的是「語境」，以及「語意」。此外，更關心 LLM 生成文字的「語氣」是否符合心中的預期。簡而言之，「輸出結果的內容正確性」，正被「輸出結果的語氣是否符合預期」的模式取代。這正是過去典型的「應用軟體」開發，轉移到現念的 「LLM 應用軟體」開發，最主要的「思惟」轉換之一。

　　因此，先理解 LLM 的本質，再親自動力打造 LLM 應用程式後，就能開始解答「AI 是不是真的會思考」的疑問；並且，也能開始體會 LLM 的軟體開發方法論，與過去典型方法論「思惟」上的差異。這也是本書的寫作理念，注重 LLM 的軟體思惟，而不是 API 與語法；讓本書帶您進入「君臣相輔」的全新軟體開發時代。