課程介紹
課程簡介
AI Agent 不只是進行智慧決策與流程自動化的關鍵技術，同時也是組織邁向高效率與高靈活度的重要推手。本課程從基礎原理入門，讓學員先掌握 AI Agent 的核心概念與應用優勢，再透過 AutoGen 框架進行多代理人協作系統的開發實作，全面涵蓋從設計、建置到部署的實務技巧。此外，還將深入探討 AI Agent 在不同行業的潛力與未來發展趨勢，幫助初學者與有經驗的專業人士，利用 AI Agent 高效解決工作痛點與優化決策流程，為組織與自身創造更寬廣的成長空間。
課程名稱
AI Agent 實戰應用工作坊：從基礎、工具應用到案例實作
課程內容與師資
第一部分：AI Agent 概念與應用前景
- AI Agent 與人工智慧基礎
- AI、機器學習、深度學習的差異與關聯
- 為何「代理人（Agent）」在企業應用中日漸重要
- 企業常見痛點與 AI Agent 應用案例
- 客服、行銷、銷售、財務、人資等部門痛點
- AI Agent 在流程自動化、決策支援、數據分析的實際應用
- AI Agent 帶來的效益與機會
- 成本降低、效率提升、決策優化
- 新營收模式與創新服務
第二部分：AI Agent 的開發流程與工具
- AI Agent 開發生命周期概述
- 需求收集 → 概念驗證（POC） → 開發 → 部署 → 運維優化
- AI Agent 相關技術架構
- 前端（使用者介面）與後端（AI 模型與服務）
- 常用第三方平台或框架（如對話式 AI 平台、RPA、AutoML 等）
- 資料管理與數據準備
- 企業數據來源與蒐集
- 數據清理、前處理與標註技巧
- 資料治理與隱私權問題
第三部分：AI Agent 核心模型與關鍵技術
- 自然語言處理（NLP）技術
- 文字理解（NLU）與文字產生（NLG）簡介
- 關鍵詞抽取、意圖辨識、實體辨識實務
- 對話式 AI 與意圖管理
- 對話流程設計（Dialog Flow）
- 自訂意圖與情境判斷
- 回應生成策略與多輪對話管理
- 機器學習模型選擇與訓練
- 常見預訓練模型（GPT、BERT等）的應用
- AutoML 與自建模型的權衡與方法
第四部分：實務案例與操作演練
- 場域案例解析
- 企業客服機器人
- 財務助理與自動報表
- 人資助理（如自動招聘預篩）
- 行銷推廣與客戶關係管理
- 教學示範：從零打造簡易 AI Agent
- 選定一個企業痛點（如客服），確立需求
- 挑選平台或框架（如對話式 AI 平台）
- 資料整備與模型訓練
- 雛型驗證與迭代優化
- 專案實作：團隊協作分組練習
- 各組選擇不同痛點（包含財務、人資、行銷等）
- 建立需求規格書、設計對話流程與資料蒐集
- 完成基礎 AI Agent 雛型並進行簡易測試
第五部分：部署、整合與效益評估
- 部署策略與技術考量
- 雲端 vs. 本地部署
- API 介接、串接 ERP/CRM 等內部系統
- DevOps 與 CI/CD 運維流程
- 效益評估與 ROI 分析
- 如何衡量專案成功指標（KPI）
- 成本與人力效益的量化
- 風險與問題處理策略
- 打造全面落地的環境與文化
- 組織變革與員工培訓
- 持續優化與更新模型
- 數據回饋機制與策略調整
第六部分：進階應用與未來趨勢
- 多模態 AI Agent 發展
- 圖像辨識、語音辨識與文字結合
- 更多情境的互動模式
- 自動化工作流程與 RPA 結合
- RPA + AI Agent，打造端到端自動化流程
- 實際案例分享
- 長期維運與安全合規考量
- 安全風險與資安策略
- 法規遵循、GDPR 與個資保護等
- 持續監控與模型再訓練
- 趨勢前瞻：大語言模型（LLM）與企業客製化
- LLM（例如 GPT、BERT 大型語言模型）新應用
- 企業特化訓練與領域知識庫整合
- 資深用戶案例分享
楊傑年｜泛亞數位科技執行長
楊傑年，現任泛亞數位科技執行長，並擔任 Yisun Capital 等多家公司總經理，專注於 AI 技術應用、數位轉型與品牌策略。擁有機器學習（ML）、深度學習（DL）、生成式 AI（Generative AI）、強化學習（RL）、LLM API 與 AI Agent 專案經驗，致力於推動企業 AI 化與數據驅動決策。在 AI 技術領域，具有大型語言模型（LLM）訓練與優化（RAG、RLHF）、AI 圖像生成（Stable Diffusion、A1111 WebUI）、多模態 AI（Multimodal AI）與自動語音辨識（ASR）等實作經驗。輔導百餘家企業導入 AI 技術與數位轉型，提供 AI 解決方案、數位行銷與品牌策略顧問，助力企業取得競爭優勢。業師同時積極推動 AI 技術發展，參與 AI 軟體開發、流程自動化與智能應用專案，並擔任 AI 教學與講座講師，專注於技術推廣與人才培育，推進 AI 在產業中的創新應用。
課程資訊
課程資訊
。課程業師：楊傑年
。課程時間：2025/02/27 四 09:30-16:30
。課程型態：實體工作坊
。課程長度：約 6 小時
。課程費用：3,880 元（原價 7,200 元，限量名額，若遇額滿依報名優先順序決定）
。授課地點：IEAT 會議中心（臺北市中山區松江路 350 號）
#主辦單位有權做課程場地調整，最終授課場地以開課通知 email為準
。課程時間：2025/02/27 四 09:30-16:30
。課程型態：實體工作坊
。課程長度：約 6 小時
。課程費用：3,880 元（原價 7,200 元，限量名額，若遇額滿依報名優先順序決定）
。授課地點：IEAT 會議中心（臺北市中山區松江路 350 號）
#主辦單位有權做課程場地調整，最終授課場地以開課通知 email為準
課程費用
課程費用：10,000元（原價 28,800 元。限量名額，若遇額滿依報名優先順序決定。）
瞭解系列專案
本課程為 TWMG 2025 年專屬學習方案之推廣計畫。若欲瞭解更多，可點選瞭解【天地人財富管理會員方案】
主辦單位
天地人學堂
執行單位
TWMG（TIANDIREN WEALTH MANAGEMENT GROUP）
活動注意事項
。本課程為 TWMG 2025 年專屬學習方案之推廣計畫，活動期間限定。此為活動優惠價，不得與其他優惠同步使用。此案限額，若遇額滿則依報名優先順序做錄取，不另行通知。
。主辦單位有權做課程內容增減修與調整優惠適用對象與活動最終解釋權和裁量權。
。主辦單位有權做課程內容增減修與調整優惠適用對象與活動最終解釋權和裁量權。
。報名前敬請詳閱 天地人活動報名延／轉／退規則，報名者視為已確認並同意規則。
其他課程，您可能喜歡
AI App 開發實戰班：用 Codex 從零打造 AI iPhone App 到 App Store 上架
#限量額滿截止 不要錯過！ 不要錯過！原價 14,400 元。用 Codex 開發 iOS APP工具如何做？跟傳統「問一句答一句」的 ChatGPT 不一樣，透過 Codeing 指令會自動從架構、拆解任務、寫程式、除錯、優化到代理整合原生功能。對於程式與系統開發者而言，如何從環境建置、AI 智慧記帳 Web App 開發、Capacitor 轉 iOS原生能力，到整合 Apple Foundation Models 讓 AI 跑在手機端，一路走到 TestFlight 與 App Store 正式上架，想要更跳躍式的降本提速，就是不可忽視的技術能力趨勢。
今日加碼折扣碼：輸入【P1649HUE】現抵599元
AI 影片與字幕生成實戰班｜生成式 AI ChatGPT 客製化校正字幕與語音轉錄工具 實作課
AI Agent 多代理人工具與工作流程開發實作課
#限量額滿截止 不要錯過！原價 14,400 元。AI Agent 代理是什麼？如何運用 AI Agent 制定計畫並完成任務解決問題？這是一堂從 0 到 1 學習 AI Agent 專業線上實戰課程。天地人規劃「AI Agent 多代理人工具與工作流程開發實戰應用」，邀請數位科技課程研發企劃業師親授，業師將手把手以實際演練引導學員掌握 AI Agent 概念與 Auto Gen 框架應用開發三大核心關鍵：（1）基礎概念：AI Agent 基礎定義與應用場景，以及具備能力與能解決的問題；（2）工具與技巧：透過 Auto Gen 框架，設計應用實例學習如何開發多代理人系統；（3）AI Agent未來趨勢：解析多代理人系統不同領域應用前景。
課前搶先發問
AI Agent 是一種能夠自主執行任務、感知環境並根據數據做出決策的人工智能系統。它可以是軟體（如聊天機器人）或硬體（如機器人），通常用於模擬人類行為或解決特定問題。
AI Agent 通過感知輸入數據（例如文字、圖像或感測器數據），使用算法（如機器學習模型）處理信息，並根據預設目標或訓練結果輸出行動或建議。
常見類型包括：
- 簡單反射型（如自動調溫器）
- 基於模型的反射型（考慮內部狀態）
- 目標導向型（專注於達成目標）
- 效用導向型（優化結果）
- 學習型（如我這樣的系統，通過數據改進）。
AI Agent 的架構通常基於感知-行動循環（Sense-Act Cycle），包括以下核心組件：
- 感知層：利用傳感器或數據接口（如 API）收集環境數據，可能涉及預處理技術（如特徵提取或降噪）。
- 決策模塊：採用強化學習（Reinforcement Learning, RL）、深度神經網絡（DNN）或規則引擎，根據狀態空間和獎勵函數生成行動策略。例如，基於 Q-Learning 的 Agent 會通過價值迭代優化長期回報。
- 執行層：將決策轉化為具體行動，可能涉及自然語言生成（NLG）或機械控制指令。
- 學習反饋：通過在線學習或離線訓練（如經驗回放）更新模型，適應環境變化。例如，多智能體系統（Multi-Agent Systems, MAS）可能使用分佈式協調算法（如協商協議）來處理競爭或合作場景。
性能評估通常依賴多維指標：
- 準確性與效率：使用基準測試（如任務完成率、響應時間）或領域特定指標（如醫療診斷中的 ROC 曲線）。
- 魯棒性：通過壓力測試（如輸入異常數據或環境突變）驗證其穩定性。
- 可擴展性：評估系統在數據量或並發用戶增加時的表現，通常採用分佈式架構（如基於 Kubernetes 的容器化部署）並測量吞吐量（Throughput）和延遲（Latency）。
- 實例：一個基於 Transformer 的對話 Agent 可通過 BLEU 分數評估語言生成質量，並使用負載測試工具（如 Apache JMeter）模擬萬級用戶請求，確保雲端推理的低延遲。
挑戰：
- 資源限制：邊緣設備的計算能力、內存和能耗有限，難以運行複雜模型（如大型語言模型）。
- 延遲敏感性：實時應用（如自動駕駛）要求極低推理延遲。
- 數據隱私：本地處理需確保敏感數據不洩露。
解決方案：
- 模型壓縮：使用知識蒸餾（Knowledge Distillation）或 Pruning 技術，將模型輕量化，例如將 175B 參數的 GPT 模型壓縮至適用於嵌入式系統的數百 MB 規模。
- 聯邦學習：在邊緣設備上進行本地訓練，僅上傳模型更新而非原始數據，保護隱私並減少帶寬需求。
- 硬體加速：利用專用晶片（如 NVIDIA Jetson 或 Google TPU Edge）提升推理速度，例如在 5G 網絡中實現毫秒級響應。
- 掌握生成式 AI 在多代理人系統中的應用與開發流程。
學習如何透過多代理工具提升工作自動化與協作效率。
實作範例程式，了解生成式 AI 的實際運行模式與未來應用可能。
- 掌握 AutoGen 框架，構建多代理人系統，實現複雜 AI 應用。
- 將生成式 AI 應用於多代理架構中的關鍵技術
- 學習四大代理設計模式：反思（Reflection）、工具使用（Tool Use）、規劃（Planning）和多代理協作（Multi-Agent Collaboration）。
