Intelligent Agent 實作研習 / 多頁教材版
Chapter 7｜Workshop 實作教材
依需求規格整理 8 個實作主題，讓研習從理論落到真正可操作的教材。
教師研習
理論 + 架構 + 實作
RWD + 深色模式
Mermaid + 程式碼範例
學習目標
- 完成 8 個最小可教學的實作主題。
- 讓學員真正動手跑過雲端 API、本地模型與多角色 workflow。
- 為課後延伸專題留下可複用的範例。
- 安裝 Node.js（建議 nvm 或 mise）。
- 依官方文件安裝 Claude Code。
- 確認帳號登入與 CLI 可執行。
npm install -g @anthropic-ai/claude-code
claude --help常見錯誤：Node 版本不符、權限不足、未登入。
練習：請學員用 Claude Code 描述當前資料夾結構。
- 準備 Node 與對應帳號環境。
- 安裝 Codex CLI。
- 測試 help 與基本模型連線。
npm install -g @openai/codex
codex --help練習：請學員比較 Claude Code 與 Codex CLI 的第一印象與使用情境。
- 閱讀官方 Getting Started。
- 確認 Docker / Python 等需求。
- 啟動服務並測試主要通道。
# 依官方文件操作，常見做法為 docker compose up -d練習：請學員說明 OpenClaw 比較像「平台」還是「單一工具」。
def simple_agent(task: str):
plan = ["理解任務", "判斷是否要查資料", "產出結果"]
return {"task": task, "plan": plan}說明：這是最小概念版；真正 agent 還會加入模型、工具與狀態。
練習：請學員再加一個「查詢 API」或「寫檔」步驟。
from google import genai
client = genai.Client(api_key="YOUR_GEMINI_API_KEY")
print(client.models.generate_content(
model="gemini-2.5-flash",
contents="請產生一段 AI Agent 課程介紹"
).text)常見錯誤：API Key 未設定、額度不足、model 名稱錯誤。
ollama serve
ollama pull qwen3:8bimport requests
r = requests.post("http://localhost:11434/api/generate", json={
"model": "qwen3:8b",
"prompt": "請解釋 RAG 與 Agent 的關係",
"stream": False
})
print(r.json()["response"])from openai import OpenAI
cloud_client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.openai.com/v1")
local_client = OpenAI(api_key="ollama", base_url="http://localhost:11434/v1")重點是理解 client 介面與 provider / base_url 的抽象邊界。
workflow = {
"planner": "拆解教學任務",
"researcher": "找資料與案例",
"writer": "整理教材草稿",
"reviewer": "檢查正確性與教學可用性"
}
print(workflow)練習：請將自己的課程主題代入，例如 IoT、機率或半導體製程。
授課建議與評量方式
最低完成標準
至少完成一個雲端 API 呼叫、一個本地模型呼叫，並能說明兩者差異。
進階完成標準
能將某一門課的教學任務改寫成 planner / researcher / writer / reviewer 流程。
課後延伸
以自己的課程資料實作最小 RAG 系統或最小多角色 agent 專題。
課堂評量建議
- 口頭說明：解釋雲端與本地模型切換原理。
- 實作展示：現場跑通一個 API 或 Ollama 範例。
- 流程設計：畫出一個自己的 Agent 或 Multi-Agent workflow。
- 教學轉化：描述如何把今天內容帶回自己的課堂。