CAVEDU教育團隊技術部落格 / CAVEDU 課程與研習

NVIDIA DLI 講師實作坊 [建立以大語言模型為基礎的代理 AI 應用]

✍ CAVEDU 阿吉 - 雜工📅 2026-09-14👁 334

課程介紹

透過大型語言模型(Large Language Models, LLMs)全面掌握代理式人工智慧(Agentic AI)的核心開發方法。本課程是一場為期兩天、強調實作的工作坊,專為 AI 工程師、軟體開發人員、應用研究人員,以及希望將生成式 AI 導入實際工作流程的技術團隊所設計。在課程結束時,學員將具備實際操作經驗,能夠建構具備推理、工具使用、資訊檢索、狀態管理與多代理協作能力的 AI Agent,從單純的 LLM 應用進一步走向可執行複雜任務的 Agentic AI 系統。

✅ 認證資訊:完成本課程評量後 *,即可取得 NVIDIA DLI 完課證明。

🌐 版本說明:本課程原文名稱為 [Building Agentic AI Applications with LLMs],相關資訊皆以原廠為準。

建立以大語言模型為基礎的代理 AI 應用 - 完課證明樣張
建立以大語言模型為基礎的代理 AI 應用 - 完課證明樣張

課程定位

  • 🟢 程度:技術 - 中級
  • 🟢 主題:生成式 AI / LLM / Agentic AI / RAG / Multi-Agent
  • 🟢 完課證明:有
  • 🟢 考試方式:實作評量
  • 🟢 課程先修條件:熟悉 Python 語法,並對大型語言模型、Prompt Engineering 與生成式 AI 有基礎理解
  • 🟢 所需軟體:Python、Jupyter Notebook、LangChain / LangGraph 與相關 AI 開發工具(已安裝於課程虛擬機)
  • 🟢 所需硬體:可連上網際網路的筆記型電腦,用於連入 DLI 雲端虛擬機執行課程。筆記型電腦無須另外安裝程式
  • 🟢 相關資訊:請參考 NVIDIA DLI Generative AI 與 Large Language Models 相關學習資源
  • 🟢 課程定位:本課程聚焦於 Agentic AI 應用開發,適合已具備 LLM 基礎,希望進一步掌握 Tool Calling、RAG、Agent Workflow 與 Multi-Agent System 的開發者

學習目標

    • 🎯 了解大型語言模型 (LLMs) 的優勢與限制,以及代理 (Agent) 典範為何能協助我們在現代軟體環境中賦能這些模型
    • 🎯 學習產生結構化輸出,以實現機器可解析的函式呼叫 (function calls) 或 API 整合
    • 🎯 探索檢索機制與知識圖譜,藉此獲取特定領域知識
  • 🎯 使用 LangGraph 等框架,進行多代理協作編排 (multi-agent orchestration) 的實驗

課程特色

    • 🚀 從 Chatbot 進階到 Agentic AI:從大型語言模型出發,理解如何讓 AI 從回答問題進一步發展成可以規劃、執行與完成任務的 Agent。
    • 🚀 實作 Structured Output 與 Tool Calling:學習如何讓 LLM 產生可由程式可靠解析的輸出,並串接 API、資料庫與外部工具。
    • 🚀 RAG × Agent 深度整合:透過 Vector Retrieval 與外部知識來源,讓 Agent 能夠自主搜尋、取得並整理所需資訊。
    • 🚀 LangGraph × Multi-Agent Workflow:建立具有狀態管理、條件路由、任務分派與多代理協作能力的 Agentic AI 系統。
    • 🚀 業界最新 Agentic AI 技術落地:從 Agent Architecture、RAG 到 Multi-Agent System,建立可應用於企業與實際專案的 AI 工作流程。
    • 🚀 原廠認證:完成課程評量驗證學習成效,通過即可取得完課證明。

第一天課程表:Agentic AI 與 LLM Agent 基礎

時間 內容摘要
10:00 – 10:30 DLI 簡介與 Agentic AI 入門 - 簡介 NVIDIA DLI 深度學習學院與生成式 AI 技術 - 註冊 NVIDIA 開發者帳號 - 從 Generative AI、LLM 到 Agentic AI 的技術演進 - AI Agent 典型應用案例
10:30 – 12:00 Agent Abstraction 與 LLM 基礎 - 理解大型語言模型的能力與限制 - Agent、Task、State 與 Environment - 將複雜任務拆解為可執行步驟 - 建立第一個 LLM Agent
12:00 – 13:00 午餐時間
13:00 – 14:40 Structured Output 與 Tool Calling - Structured Output 與 JSON Schema - Function Calling / Tool Calling - 建立可被 LLM 呼叫的外部工具 - 串接 API 與外部服務
15:00 – 16:40 Agent Workflow 與狀態管理 - Stateful LLM Application - Agent Routing 與條件式工作流程 - Memory 與 Context 管理 - 使用 LangChain / LangGraph 建立 Agent Workflow - 避免 Agent Derailing 與提升執行可靠性
16:40 – 17:00 Q&A 與複習 - 回顧本日學習內容並解答問題

第二天課程表:RAG 與 Multi-Agent AI

時間 內容摘要
10:00 – 12:00 Retrieval Mechanisms 與 Agent Tooling - Retrieval-Augmented Generation (RAG) 複習 - Vector Database 與語意檢索 - 將 Retrieval 建立為 Agent Tool - API、資料庫與外部知識來源整合 - Agent 如何自主判斷何時需要檢索資訊
12:00 – 13:00 午餐時間
13:00 – 15:20 Multi-Agent Systems 與 Agent Orchestration - Multi-Agent System 基本架構 - 將複雜工作拆分給不同專業 Agent - Agent Communication 與任務協作 - 使用 LangGraph 進行 Agent Orchestration - Sequential、Parallel 與 Conditional Workflow - Multi-Agent 系統設計與實作
15:30 – 16:30 課程評量 - 綜合使用 Agent、Tools 與 Retrieval 完成指定任務 - 建立具備多步驟推理能力的 Agentic AI 應用 - 完成課程評量並取得 NVIDIA 原廠完課證明
16:30 – 17:00 結尾與後續資源 - Agentic AI 技術發展與企業應用方向 - 講師解題分享、完成工作坊問卷調查

立即洽詢與報名

CAVEDU 教育團隊 (翰尼斯企業) 是國內執行課程經驗最豐富的 NVIDIA 教育合作夥伴。 歡迎洽詢企業包班、技術顧問與客製化課程:

我們的專業團隊(2025 全球第一白金級大使領軍)將為您提供專屬的 NVIDIA DLI 原廠認證課程 規劃。

* 須完成該課程所指定之課程評量,難度根據各課程而有不同。

** 翰尼斯企業有限公司(29070497)為正式註冊之法人,CAVEDU 為其教育部門。

本文發表於CAVEDU 課程與研習、NVIDIA DLI 深度學習學院,並標記AI代理、AI認證、DLI認證、LLM。

相關文章 📎

NVIDIA DLI 講師實作坊 [為大型語言模型注入新的知識]

2026-09-14

NVIDIA Physical AI 一日課程:SO-101 機器人模擬、VLA 訓練與部署

2026-07-01

SO-101 Sim-to-Real 兩日課程:NVIDIA Isaac 模擬訓練與實體部署

2026-04-25

NVIDIA DLI 擴散模型工作坊:U-Net、降噪擴散與 CLIP 文字生成圖像

2026-04-08

留言 💬 (0)

還沒有留言,來當第一個。