第三篇，這篇談的是 LLM 應用程式處理資料的做法，也是我摸索過程的心得。

這篇，我開發了第二個 GPTs 機器人 - 安德魯的部落格，你想詢問任何跟我文章相關的問題都能直接問他。而這背後的目的，就是為了搞懂 AI 應該怎麼檢索資料的技巧..

過去這一個月，用了下班時間，還有週末，把過去片斷學來的 RAG，認真的從頭到尾實作了一次。用的案例就是把我自己的部落格過去 20 年寫的 327 篇文章，都向量化並且用 Microsoft Kernel Memory 建立一個我專用的檢索服務，掛上 Chat GPT, 這個 GPTs 搖身一變，變成我的代言人了。你可以問他我寫過的文章內容，用你的方式詢問，中文英文都可以通，不好意思問我本人的也沒關係 (別在意，我看不到你們問什麼)。

接下來這段話，我也寫在文章的最後一段，就當作我這三個月來寫的這三篇文章的總結:

– AI 對我來說，已經是另一個世代了，而新的世代的資訊科學，基礎技能也應該往上翻一輪了。

我求學的那個年代，大家在談的是 “ 程式 = 資料結構 x 演算法 “；進階的抽象分析，大概就是物件導向分析 (OOP / OOA / OOD) 的層面。後來加了很多部署環境跟維運的題目，CI / CD, Cloud Native, Public Cloud / SaaS / PaaS / IaaS 層面的知識。

現在，回歸到應用程式需要有智慧的話 (就是 LLM 應用程式開發)，整個基礎就往上提升，你開始要掌握圍繞在 LLM 周圍的各種知識了，從 prompt engineering, function calling, embedding, vector search 等等，都變成是必要的技能，要懂這些才有辦法設計這些 “智慧化” 的應用程式。

要在未來十年繼續擔任架構師，就必須靈活運用這些 “基礎” 知識才行，所以我現在寫的這些內容，都是我自己在惡補這些技能的路上。比起速成，比起你多快能用 AI 寫出一段 code, 或是用 AI 產生一張圖，對我來說，搞清楚背後的運作模式，想清楚那些地方能用到它，該怎麼用，有哪些替代方案可以選擇等等…，這些在 AI 世代做出正確技術選擇，正確組合這些威力強大的武器，對資深人員來說更為重要。

因為你的角色不應該是跟 AI “競賽” (如果你心裡想著一直是不要被取代，那就是競賽了)，因為時間不會站在你這邊，長期下來競賽結果一定是輸掉的 XDD，正確的站位，應該是你如果有了威力強大的武器 (AI) 或是部屬 (還是 AI)，你要讓它做什麼才能讓你發揮更大的價值，那才是重點。我是個架構師，我該思考的就是如何善用 AI，才會花了時間研究這些題目，同時也寫了這三篇文章。

這三個月 (剛好一季)，買了 Chat GPT plus 訂閱，用了 MVP 的一些資源，花了周末 & 下班時間，嘗試這些 PoC / Side Project，我覺得很值得。整理的這三篇文章，也希望對大家有幫助

最後再擺一次這三篇的連結 (各位往前翻就有了)，歡迎分享轉貼，也歡迎在底下留言給我回饋 :D

https://columns.chicken-house.net/2024/03/15/archview-int-blog