本地端 Ollama × LangChain × LangGraph × LangSmith 開發手冊：打造 RAG、Agent、SQL 應用

目錄:
第 1 章 本地化低硬體門檻的 LLM 應用開發

1-1 解決高昂的 API 成本與硬體需求
API 成本的負擔
硬體需求的挑戰
免費與本地化運算的崛起
1-2 對雲端的依賴與資料安全性
雲端依賴的挑戰
資料安全性的考量
在本地運行模型以減少對雲端的倚賴
1-3 為什麼選擇免費的本地化運算
成本效益
自主性與可客製化
技術可行性
1-4 LangChain、Ollama 和 LangGraph 的特色與優勢
LangChain
Ollama
LangGraph
最低硬體需求與資源建議

第 2 章 環境建置與模型量化技術

2-1 低硬體需求的環境準備與 Ollama 模型選擇
本書撰寫時使用之硬體環境
本書推薦之大型語言模型
2-2 模型選擇指南與量化技術解析
模型的命名慣例
模型挑選方式
Ollama 模型尋找教學
2-3 如何在本地環境中運行 LangChain 和 Ollama
使用 Docker 快速部署
手動配置本地環境 (適合不方便使用 Docker 的讀者)
Colab 雲端部署
Ollama 版本相容性提醒
本書實作範例採用的量化模型說明
程式碼中更換模型的方法

第 3 章 LangChain 基礎入門

3-1 認識 LangChain 生態系統的架構與組成
3-2 認識 LangChain 底層模組
Base Packages (基礎套件群)
Integrations (整合模組群)
3-3 可執行單元 (Runnables)
最核心的 Runnable 元件：LLM 生成
提示模板 (Prompt Templates)
RunnableLambda
3-4 表達式語言 LCEL (LangChain Expression Language)
RunnableSequence
RunnableParallel
3-5 回呼 (Callbacks)
回呼事件 (Callback Events)
回呼處理器 (Callback Handlers)
回呼添加方式 (Passing Callbacks)
StreamingStdOutCallbackHandler
3-6 避免數字幻覺：用 Prompt 確保 LLM 只根據提供的數據回答
LLM 會如何產生數字幻覺？
提示詞 (Prompt)：避免 LLM 生成錯誤數值
temperature (溫度)
結合 Prompt 與 LLM，驗證是否能有效抑制數字幻覺
3-7 建立多國語言翻譯助手應用
步驟 1：定義提示模版 (Prompt Template)
步驟 2：接收用戶輸入
步驟 3：建立流程鏈並在執行時傳入回呼
執行結果展示
3-8 建立搜尋引擎最佳化 SEO 標題產生器
步驟 1：定義提示模版 (Prompt Templates)
步驟 2：接收用戶輸入
步驟 3：建立流程鏈
步驟 4：使用 .stream() 實現串流輸出
執行結果展示

第 4 章 SQL：結合資料庫打造自然語言查詢系統

4-1 如何透過 LLM 達到 SQL 查詢自動化
認識 SQLite 資料庫
自然語言轉 SQL 查詢
4-2 建立 SQL 人資小幫手問答機器人
步驟 1：初始化模型與連接資料庫
步驟 2：獲取資料庫結構
步驟 3：執行 SQL 查詢的函式
步驟 4：SQL 查詢語句生成 (自然語言輸入 → SQL 語句)
步驟 5：執行 SQL 查詢，並將查詢結果轉換為自然語言回答
步驟 6：主程式
執行結果展示
4-3 跨資料表 SQL 查詢：讓 LLM 理解關聯資料並生成查詢語句
程式碼修改說明
執行結果展示

第 5 章 向量資料庫：基礎 RAG 與語義相似性檢索

5-1 認識檢索增強生成 (RAG)
RAG 使用檢索系統帶來的優勢
幫 LLM 擴展知識並減少幻覺 (Hallucination)
5-2 嵌入向量與語義相似性檢索流程
嵌入向量 (Embedding Vector)
語義相似性檢索 (Semantic Similarity Retrieval)
5-3 FAISS 向量資料庫與相似度計算方式
FAISS 的記憶體特性
FAISS 索引類型概覽
相似度計算方式介紹
5-4 OllamaEmbeddings 嵌入模型
在 Ollama 尋找、更換與下載嵌入模型的方法
正規化測試
嵌入模型測試與相似性檢索
5-5 設定相似度閾值：控制語義檢索範圍
L2 距離 (歐幾里得距離, Euclidean Distance)
使用 MAX_INNER_PRODUCT 實現餘弦相似度
(Cosine Similarity)
5-6 將 FAISS 向量資料庫本地化：實現持久化儲存與載入
向量資料庫本地化流程
檢索本地向量資料庫流程
建立與檢索本地 FAISS 向量資料庫
整合 LLM 來回答問題

第 6 章 進階 RAG：記憶、數據向量化、檔案載入器與多資料來源

6-1 認識檢索、生成與數據向量化流程
RAG 詳細運作流程
RAG 數據向量化流程
6-2 建立 RAG 向量化檢索泛用聊天機器人
步驟 1：初始化 LLM
步驟 2：儲存向量並初始化檢索器
步驟 3：建立提示模板
步驟 4：建立檢索鏈與檔案處理鏈
步驟 5：啟動對話系統
執行結果展示
常見觀念誤區整理
6-3 建立相似度閾值機制：本地 RAG 球員戰績問答機器人
步驟 1：新增 SIMILARITY_THRESHOLD 與準備數據
步驟 2：檢查數據是否需要更新
步驟 3：建立 FAISS 向量資料庫
步驟 4：建立檢索與問答系統
執行結果展示
6-4 文本分割 (Chunking)
短片段 vs. 長片段
分割時需要考量的因素
常見的文本分割策略
文本分割的實I建議
6-5 檔案載入器 (Document Loaders)
LangChain 的檔案載入器
檔案載入器用法介紹
6-6 建立 PDF、網頁爬蟲、JSON 檢索問答機器人
PDF 檢索問答機器人
執行結果展示
網頁爬蟲檢索問答機器人
執行結果展示
JSON 檢索問答機器人
執行結果展示
6-7 LangChain 記憶 (Memory)
LangChain 記憶類型介紹
LangChain 記憶執行流程
6-8 建立有記憶能力的檢索問答機器人
保留完整對話的 ConversationBufferMemory
執行結果展示
保留對話摘要的 ConversationSummaryMemory
執行結果展示

第 7 章 Agent × Memory：讓模型自己選擇工具並擁有對話記憶

7-1 認識代理 (Agent)
AgentExecutor (代理執行器)
AgentType (代理類型)
initialize_agent (初始化代理)
7-2 工具 (Tool)
使用 LangChain 提供的搜尋引擎查詢工具 (Tool)
建立函式當作自訂工具 (Tool)
7-3 建立有記憶的泛用電腦助手 Agent：密碼生成 × 網頁爬蟲 × 搜尋引擎
步驟 1：初始化 Ollama LLM
步驟 2：建立密碼生成函式當工具
步驟 3：建立網頁爬蟲函式當工具
步驟 4：加入搜尋引擎查詢工具 (DuckDuckGoSearchRun)
步驟 5：組成工具清單
步驟 6：設定 Prompt
步驟 7：加入記憶機制 (Memory)
步驟 8：建立代理 (Agent)
步驟 9：建立主程式
執行結果展示

第 8 章 LangGraph：用狀態、節點、邊建構圖結構流程

8-1 認識 LangGraph 圖結構流程控制原理
LangChain AgentExecutor 與 LangGraph 的差異
圖結構 (Graph)
節點與邊 (Nodes and Edges)
8-2 LangGraph 狀態與其更新機制 (State + Reducer)
狀態 (State)
Reducer：控制狀態的更新機制
8-3 建立圖結構條件邏輯 Agent：日期查詢 × 數學計算
步驟 1：初始化模型
步驟 2：定義狀態類別
步驟 3：定義節點函式
步驟 4：建構圖
步驟 5：添加節點與邊
步驟 6：編譯圖與主程式
執行結果展示
8-4 建立圖結構網路查詢助手 Agent：維基百科 × 搜尋引擎
步驟 1：定義狀態類別
步驟 2：初始化工具
步驟 3：定義節點函式
步驟 4：構建圖
步驟 5：執行主程式
執行結果展示
8-5 LangGraph 記憶：Checkpointer
Checkpointer (檢查點保存器)
Thread (執行緒) 與 Checkpoint (檢查點)
檢查點的獲取：get_state 與 get_state_history
8-6 建立有記憶的圖結構泛用聊天機器人
步驟 1：定義狀態類別
步驟 2：定義節點函式
步驟 3：構建圖
步驟 4：建立 Checkpointer 和初始化狀態
步驟 5：執行主程式
執行結果展示

第 9 章 LangSmith：視覺化追蹤與分析 LLM 工作流的每一步

9-1 LangSmith 核心功能與API 金鑰設定
LangSmith 使用教學
探索 LangSmith 的核心功能
9-2 追蹤 SQL、RAG、Agent、Memory 與 LangGraph 等執行流程
基礎執行流程
SQL 執行流程
RAG 執行流程
Agent × Memory 執行流程
LangGraph 執行流程