四、課程主題地圖（Course Map）
標註說明： 🟢 入門 🟡 進階 🔴 專業
1. Foundations
1-1 Python programming 🟢
學習目標：掌握開發 AI 應用所需的 Python 程式語言基礎與環境架設。
適用情境：撰寫自動化腳本、處理數據資料。
1-2 API integration and data handling 🟢
學習目標：學會呼叫 LLM API 並處理輸入輸出的資料格式（JSON 等）。
適用情境：開發簡易聊天機器人、串接第三方服務。
1-3 Machine Learning fundamentals 🟢
學習目標：理解機器學習的核心概念、演算法與運作原理。
適用情境：數據分析、預測模型建立。
1-4 Model training, evaluation, and bias 🟢
學習目標：學習模型訓練流程、成效評估指標及如何識別偏差。
適用情境：優化模型準確度、確保 AI 系統公平性。
1-5 Essential math for AI 🟢
學習目標：補強線性代數、微積分與機率統計等 AI 數學基礎。
適用情境：研讀 AI 論文、理解演算法底層邏輯。
2. LLM Fundamentals
2-1 Foundations of large language models 🟡
學習目標：理解 LLM 的發展歷史、能力範疇與基本限制。
適用情境：評估導入 LLM 的可行性與選擇合適模型。
2-2 Transformer architecture 🟡
學習目標：深入理解 Transformer 架構及其 Attention 機制。
適用情境：閱讀技術文獻、進行模型架構優化。
2-3 Prompt engineering 🟢
學習目標：掌握提示詞設計技巧以引導模型產出高品質結果。
適用情境：優化使用者互動體驗、提升任務完成率。
2-4 Model adaptation and tuning 🔴
學習目標：學習微調（Fine-tuning）技術以適應特定領域任務。
適用情境：建立法律、醫療等專業領域的專屬模型。
2-5 Evaluation of LLM behavior 🟡
學習目標：建立評估框架以測試 LLM 的準確性與一致性。
適用情境：模型上線前的品質保證（QA）與基準測試。
2-6 Role of LLMs in agent systems 🟡
學習目標：理解 LLM 在代理系統中作為「大腦」的決策角色。
適用情境：設計能夠自主規劃任務的 Agent 系統。
3. Core Agent Concepts
3-1 What defines an agent 🟡
學習目標：明確定義 Agent 與傳統 Chatbot 的差異及其自主性特徵。
適用情境：Agentic AI 產品定義與架構規劃。
3-2 Agent architectures 🟡
學習目標：掌握 ReAct、Chain of Thought 等常見 Agent 架構設計模式。
適用情境：系統架構設計與選型。
3-3 Reasoning and decision-making 🔴
學習目標：強化 Agent 的邏輯推論與多步驟決策能力。
適用情境：處理複雜且非線性的任務流程。
3-4 Planning mechanisms 🔴
學習目標：學習如何讓 Agent 進行任務拆解與執行路徑規劃。
適用情境：專案管理自動化、複雜行程規劃。
3-5 Feedback and self-correction 🔴
學習目標：實作 Agent 的自我反思與錯誤修正機制。
適用情境：提升系統的穩健性與容錯率。
3-6 Agent limitations and failure modes 🟡
學習目標：識別 Agent 的幻覺、迴圈錯誤等常見失效模式。
適用情境：風險評估與防護機制設計。
3-7 Long-horizon autonomy (conceptual) 🔴
學習目標：探討 Agent 執行長週期任務的挑戰與解決方案。
適用情境：自主研究助理、長期專案監控。
4-1 Tool-augmented agent design 🟡
學習目標：設計能有效利用外部工具的 Agent 系統。
適用情境：擴充 LLM 能力（如計算機、搜尋引擎）。
4-2 Function calling mechanisms 🟡
學習目標：深入理解函數呼叫的技術細節與參數傳遞。
適用情境：精確控制 API 互動。
4-3 Custom tool development 🔴
學習目標：開發客製化工具供 Agent 調用以滿足特定業務需求。
適用情境：企業內部系統整合。
4-4 Tool orchestration and workflows 🔴
學習目標：學習編排多工具協作的流程與邏輯。
適用情境：複雜業務流程自動化。
4-5 Reliability and safety 🔴
學習目標：確保工具調用的安全性，防止誤操作或惡意攻擊。
適用情境：金融交易、資料庫寫入等高風險操作。
4-6 Observability and debugging 🔴
學習目標：建立監控機制以追蹤 Agent 的行為與工具使用狀況。
適用情境：系統維運與錯誤排查。
5. Memory & RAG Systems
5-1 Memory architectures 🟡
學習目標：理解短期與長期記憶在 Agent 系統中的設計架構。
適用情境：維持對話連貫性與上下文理解。
5-2 Memory representation and storage 🟡
學習目標：學習向量資料庫與記憶儲存的技術實作。
適用情境：知識庫建置與檢索優化。
5-3 Retrieval-Augmented Generation 🟡
學習目標：掌握 RAG 技術以增強 Agent 的知識獲取能力。
適用情境：企業知識問答、即時資訊查詢。
5-4 State and context management 🔴
學習目標：有效管理對話狀態與上下文窗口限制。
適用情境：長對話處理與複雜任務狀態追蹤。
5-5 Reliability and governance 🔴
學習目標：確保 RAG 系統的資訊準確性與引用來源管控。
適用情境：避免生成錯誤資訊、知識庫版控。
5-6 Privacy and data governance 🔴
學習目標：在 RAG 系統中落實資料隱私與存取權限控管。
適用情境：處理敏感個資或機密文件。
6. Frameworks & Implementation
6-1 Agent framework ecosystem 🟡
學習目標：認識主流 Agent 開發框架（LangChain, AutoGen 等）及其生態系。
適用情境：技術選型與開發工具評估。
6-2 Core agent components 🟡
學習目標：解析框架中的核心元件（Profile, Memory, Planner）實作方式。
適用情境：深入客製化開發。
6-3 Build vs framework trade-offs 🔴
學習目標：評估自建系統與使用既有框架的優缺點與成本效益。
適用情境：專案初期的技術決策。
6-4 Custom agent loop implementation 🔴
學習目標：實作 Agent 的核心控制迴圈（Control Loop）以精確掌控行為。
適用情境：需要高度客製化行為邏輯的場景。
6-5 Engineering best practices 🔴
學習目標：掌握 Prompt 版本管理、測試與 CI/CD 等工程化實踐。
適用情境：團隊協作開發與系統維護。
6-6 Deployment readiness 🔴
學習目標：評估系統部署前的效能、成本與安全準備度。
適用情境：產品上線前的最終檢核。
6-7 Interface and protocol standards 🔴
學習目標：了解 Agent 間通訊的協定標準與介面規範。
適用情境：跨系統整合與互操作性設計。
7. Multi-Agent Systems
7-1 Architectures: hierarchical, collaborative, swarm 🔴
學習目標：掌握階層式、協作式與蜂群式等多智慧代理系統架構。
適用情境：解決單一 Agent 無法處理的複雜大規模任務。
7-2 Agent communication protocols 🔴
學習目標：設計 Agent 之間的訊息傳遞與溝通機制。
適用情境：確保多智慧代理協作的效率與正確性。
7-3 Coordination and decision-making 🔴
學習目標：實作多智慧代理的協調機制與衝突解決策略。
適用情境：資源分配與共同決策。
7-4 Joint planning and execution 🔴
學習目標：讓多個 Agent 共同制定計畫並分工執行。
適用情境：複雜專案執行與團隊模擬。
7-5 Evaluation and control 🔴
學習目標：評估多智慧代理系統的整體效能與可控性。
適用情境：系統優化與風險監控。
7-6 Emergent behaviors and risks 🔴
學習目標：研究多智慧代理交互產生的新興行為及其潛在風險。
適用情境：高階 AI 安全研究。
7-7 Agent-to-Agent interaction (A2A) 🔴
學習目標：設計 Agent 對 Agent 的直接互動介面與協定。
適用情境：機器對機器的自動化交易與協商。
8. Evaluation, Safety & Governance
8-1 Agent evaluation methods 🟡
學習目標：掌握評估 Agent 能力與安全性的方法論與工具。
適用情境：建立 AI 產品驗收標準。
8-2 Safety risks and misuse 🟡
學習目標：識別 Agent 可能被濫用的風險與安全漏洞。
適用情境：紅隊測試（Red Teaming）與安全防護。
8-3 Human-in-the-loop systems 🟡
學習目標：設計「人類介入」機制以確保關鍵決策的安全性。
適用情境：高風險領域的輔助決策系統。
8-4 Governance, accountability, oversight 🔴
學習目標：建立 AI 系統的治理架構與問責機制。
適用情境：組織內部的 AI 政策制定。
8-5 Ethical, legal, societal implications 🔴
學習目標：探討 AI 代理對倫理、法律與社會的影響。
適用情境：法規遵循與科技倫理研究。
8-6 Enterprise and public-sector governance 🔴
學習目標：針對企業與公部門的特殊需求制定治理規範。
適用情境：政府機關與大型企業的 AI 導入策略。
9. Production & Capstone
9-1 System architecture and observability 🔴
學習目標：設計具備高可觀測性的生產級 Agent 架構。
適用情境：大型系統維運與效能優化。
9-2 Scaling and cost optimization 🔴
學習目標：優化大規模部署時的運算資源與成本效益。
適用情境：商業化產品運營。
9-3 Representative Agentic AI applications 🟡
學習目標：分析與實作具代表性的 Agentic AI 應用案例。
適用情境：專題製作與產品原型開發。
9-4 End-to-end system integration 🔴
學習目標：整合前端、後端與 AI 模型，完成端到端的系統開發。
適用情境：完整產品交付。
10. Advanced Topics
10-1 Coding agents 🔴
學習目標：開發能自動撰寫與修正程式碼的 Agent。
適用情境：輔助軟體開發與自動化測試。
10-2 Computer-use agents 🔴
學習目標：實作能操控電腦介面（UI）執行任務的 Agent。
適用情境：RPA（流程自動化）與桌面工作自動化。
10-3 Emerging protocols and standards 🔴
學習目標：追蹤並參與 Agentic AI 領域的新興協定與標準制定。
適用情境：前瞻技術研究與標準化工作。
10-4 World Foundation Models (WFM) 🔴
學習目標：了解具備物理世界理解能力的基礎模型。
適用情境：機器人控制與實體世界互動模擬。
10-5 Long-horizon autonomy 🔴
學習目標：研究實現長期自主運作 Agent 的關鍵技術挑戰。
適用情境：未來通用人工智慧（AGI）研究方向。
10-6 Emerging research 🔴
學習目標：跟進 Agentic AI 領域的最新學術發表與前沿技術。
適用情境：學術研究與創新應用開發。