現代 AI 全景聖經：多模態生成 × Agentic AI，從 LLM 演化到 AI 工程實戰

擺擺脫碎片化學習，建立不退流行的演算法母語！

►直擊前沿範式 ｜ 深度解密 o1/R1 推理與 1M+ Context
►手刻 Agent 系統 ｜ 150+ 範例，從 MoE 手刻到 LangGraph
►階梯思考訓練 ｜ 全套 2,578 題庫，建構完整知識圖譜
►在地繁中評測 ｜ 大量對接司法院判決、健保 QA 等在地資料

【Part IV LLM 與生成式】 大模型技術全景
‧ 解密 GPT-4.5、Claude 4 與 DeepSeek MoE
‧ SFT、DPO 對齊與 QLoRA 輕量微調

【Part V & VI 前沿應用】 Agentic AI 與長上下文
‧ 企業級 RAG 知識庫與 GraphRAG 實戰
‧ Computer Use 螢幕操作與 LangGraph 多 Agent

【Part VII 工程與治理】 Production 落地防線
‧ vLLM 推理引擎、GGUF 量化與 MLOps
‧ Prompt Injection 防禦與端到端 Capstone

王彥文
現任明新科技大學教務長暨工業工程與管理系副教授，具逾 20 年高等教育、研究與產學實務經驗。曾主筆教育部大型競爭型計畫，累計爭取逾新臺幣 4 億元經費，並主持或參與多項國科會、教育部及企業產學合作計畫。長期投入 STEAM 跨域教育、人工智慧演算法與 ESG 永續發展，並以系統整合與跨域解題為核心，思考科技如何真正回應教育、產業與社會需求。
身為工業工程領域學者，重視系統思維、資源配置與流程整合，並始終相信：當 AI 工具愈來愈容易取得，真正能形成競爭力的，是對演算法原理、資料流動與工程取捨的理解。
本書延續此一理念，從技術原點與底層邏輯出發，期望協助讀者建立不隨套件與版本更迭而快速過時的 AI 核心素養，以及面對未來技術變革時持續思考與判斷的能力。

FB：
https://www.facebook.com/bryan.wang.9047
IG：
https://www.instagram.com/bryan.wang.9047

黃銀鵬
國立臺灣大學網路多媒體研究所博士候選人，國立成功大學電機工程研究所碩士。投身資訊教育多年，曾任國立臺灣大學資訊系統訓練班資深講師，並於多所大學任教，累積十餘年程式設計、資料處理、網路與多媒體技術教學經驗。
長期面對不同背景的學習者，始終相信：再困難的技術，都能找到讓人真正理解的入口。教學上重視從生活化情境切入，再透過實作逐步建立概念，讓學習者不只知道「怎麼做」，更理解「為什麼這樣做」。
本書延續這樣的教學節奏，由基礎出發、循序漸進，搭配實際範例，陪伴讀者從陌生走向理解，進而具備真正運用技術的能力。

專業推薦
林立生—新竹市政府教育處 處長/ 國立屏東大學教育學 博士
呂明峯—明新科技大學 教授/ 明新科技大學校長
馮美瑜—台北城市科技大學 教授/ 台北城市科技大學 校長
林義貴—國立陽明交通大學 終身講座教授/ 國立勤益科技大學 學術副校長/國科會傑出特約研究員獎得主/APIEMS Fellow/ 中國工業工程學會會士/三度榮獲國科會傑出研究獎
呂奇傑—輔仁大學 特聘教授/ 2020-2025 全球前2％科學家
林維昭—長庚大學 教授/ 校務研究中心 執行秘書/2021-2025 全球前2% 頂尖科學家

作者序

站在典範轉移的交會點：從演算法原點到大模型工程實戰

2022 年底ChatGPT 帶來技術震盪，到了2026 年的今天，AI 已演進至思考模型（Test-time Compute），多模態生成與自主Agent。面對狂飆的技術浪潮，許多學習者常面臨焦慮：套件迭代太快，網路文章碎裂，不懂背後原理與工程取捨，更疑惑LLM 時代是否還需學習經典演算法。
本書初衷正是提供一部「直擊技術本質」的權威指南。技術與API 或許會翻新，但數學幾何，優化邏輯與工程Trade-off 是歷久彌新的。工具會被取代，但讓你判斷工具好壞的素養不會；經典方法是現代方法的概念祖先，讀懂它們等於拿到了讀懂下一代演算法的母語。
本套書正文劃分為雙冊，合計2000+ 頁，另以獨立附錄冊收錄九份附錄，構成完整的現代AI 知識圖譜：
• 第一冊《現代AI 全景聖經：機器學習 x 神經網路，從數學原理到Transformer核心》（1008 頁）：從線性代數與機率論出發，跨越傳統ML，CNN/RNN，最終解剖現代AI 總樞紐Transformer。
• 第二冊《現代AI 全景聖經：從LLM 演化，多模態生成到Agentic AI工程實戰》（1168 頁）：涵蓋Scaling Laws，SFT/DPO 對齊，o1/R1 推理模型，Flow Matching，RAG，落腳於LangGraph 與Computer Use 智能體開發。

全書貫徹四大堅持：
• 嚴謹學術基石：引用434 篇論文與170 幅結構圖，進行第一原理推導。
• 龐大代碼體系：收錄246 個完整程式範例，全數真實執行，輸出如實呈現，手刻MoE，DPO Loss 至LangGraph；另備教師解答冊，收錄707段解題程式碼。
• 階梯式題庫：設計2,578 題練習題，提供概念，實作與衍生思考訓練。
• 在地實戰：引入96 組資料集，對齊國際標竿（SWE-bench）並大量對接台灣在地資料（如台股，判決書，健保QA）。
這套書的完成，是一趟漫長而艱辛的知識長征。感謝在寫作期間提供寶貴建議的學界與業界同仁，感謝各大開源社群無私的預訓練模型與套件貢獻，更要感謝始終支持我的家人與出版團隊。
人工智慧技術演進迅速，相關理論，工具與實務案例也持續更新。儘管本書在撰寫，驗證與校訂過程中力求嚴謹，仍難免有所疏漏。若讀者在閱讀或實作時發現內容錯誤，程式問題，或有任何可供改進之處，敬請不吝指正與告知，您的寶貴意見將成為本書後續修訂與持續完善的重要依據。
無論你是一位渴望為AI 領域打下最堅實基本功的大專院校學生，還是一位急需在工程現場落地大模型與Agent 系統的現職開發者，希望這套2000+ 頁，246 個範例，2,500+ 題庫的全景巨著，能成為你案頭最值得信賴的「技術地圖與戰略武器庫」！
讓我們一起站在典範轉移的交會點，看清AI 的來時路，並勇敢邁向由Agentic AI 所塑造的全新未來！

▍Part IV LLM 與基礎模型

第12 章 LLM 演化：從GPT-3 到Claude 4
12.1 Scaling Laws 與訓練範式
12.2 GPT 家族與OpenAI 路線
12.3 Claude 家族與 Anthropic
12.4 Llama 家族與開源生態
12.5 Mistral / DeepSeek / Qwen / Gemini
12.6 Mixture of Experts(MoE)
12.7 [深化] Emergent Abilities 與相變現象
12.8 Prompt 跨模型遷移性與中文 LLM 評測
本章重點回顧

第13 章 LLM 微調，對齊與參數效率
13.1 預訓練 → SFT → 對齊三階段
13.2 RLHF 全流程
13.3 DPO 與後續變體（2024 主流)
13.4 參數效率微調(PEFT)
13.5 RAG vs 微調：何時選哪個
13.6 RLAIF 與 Constitutional AI
13.7 實戰：用PyTorch+LoRA 微調Llama 3

第14章 推理模型與 Test-time Compute（2024-2026 新典範）
14.1 Chain-of-Thought 起源
14.2 推理增強技術
14.3 OpenAI o1 / o3 模型
14.4 Test-time Scaling Laws
14.5 開源推理模型
14.6 推理模型的失敗模式
本章重點回顧

第15 章 生成式AI——VAE/GAN/Diffusion/Flow Matching
15.1 VAE 變分自編碼器
15.2 GAN 生成對抗網路
15.3 Diffusion 擴散模型
15.4 Flow Matching（2024-2026 新典範）
15.5 條件生成
15.6 [深化] Diffusion 反向過程的隨機微分方程觀點
本章重點回顧

第16 章 多模態AI——圖文音影
16.1 圖文對齊：CLIP 與後繼
16.2 視覺語言模型(VLM)
16.3 圖像生成商業生態
16.4 影片生成
16.5 語音與音訊
16.6 統一多模態模型
16.7 [深化] CLIP 對比學習損失與嵌入幾何
本章重點回顧

▍Part V 進階主題

第17 章 強化學習與深度強化學習
17.1 RL 基礎：MDP 與Bellman
17.2 Value-based 方法
17.3 Policy-based 方法
17.4 Model-based RL 與 World Models
17.5 RL 在 LLM 中的應用
17.6 多智能體與遊戲 AI
本章重點回顧

第18 章 圖神經網路
18.1 圖資料表示
18.2 GNN 核心演算法
18.3 進階 GNN
18.4 應用實戰
18.5 [深化] GCN 與圖拉普拉斯譜域
本章重點回顧

第19 章 LLM 應用開發：RAG 與結構化輸出
19.1 Prompt Engineering 工程化
19.2 RAG 完整架構
19.3 結構化輸出
19.4 LangChain / LlamaIndex / Haystack
19.5 進階 RAG
19.6 [實戰] 完整 RAG 系統
本章重點回顧

第20 章 AI Agents 與Agentic AI
20.1 Agent 概念與演化
20.2 Agent 框架
20.3 Computer Use 與環境互動
20.4 Multi-Agent System
20.5 Agent 評估
20.6 Agent 失敗模式與安全
20.7 [實戰] 構建多步驟研究Agent（以ArXiv 論文回顧為主題）
本章重點回顧

第21 章 Code Generation 與AI 編程
21.1 Code LLM 演化
21.2 商業編程工具
21.3 Agentic 編碼工具
21.4 大型 Codebase 處理
21.5 SWE-bench 與真實 PR
21.6 [實戰 ] 用 Claude Code 完成中型專案（ 資料分析儀表板開源工具）
21.7 AI 協作守則總表
本章重點回顧

第22 章 長上下文與Context Engineering
22.1 Context Window 演進
22.2 長上下文 Attention 優化
22.3 Context Engineering
22.4 長上下文失敗模式
22.5 1M+ Context 應用
22.6 [深化] 長上下文計算複雜度與工程突破
本章重點回顧

▍Part VII 工程與治理

第23 章 模型優化，部署與 MLOps
23.1 模型壓縮
23.2 推理引擎
23.3 部署架構
23.4 MLOps 工具鏈
23.5 模型監控
23.6 GPU 資源規劃
本章重點回顧

第24 章 AI 倫理，安全，對齊與監管
24.1 演算法偏見與公平性
24.2 隱私保護
24.3 AI 安全
24.4 對齊研究
24.5 監管與治理
24.6 文件規範
本章重點回顧

第25 章 整合Capstone：端到端AI 系統實戰
25.1 專題類型選擇與規劃
25.2 視覺類專題
25.3 NLP / LLM 類專題
25.4 多模態類專題
25.5 Agent 類專題
25.6 部署與運營
本章重點回顧　全書 25 章學完之後該往哪走