本書以企業導入生成式人工智慧（Generative Artificial Intelligence, GenAI）與代理式人工智慧（Agentic Artificial Intelligence, Agentic AI）為主軸，從技術演進一路延伸到商業應用、架構、代理工作流、端到端實作、評估部署、責任治理與最佳實務。下表的「AI／Excel 角色」為依 00_提問詞 加入的教材分工整理；原書並未要求所有工作使用 Excel。
| 主要框架 | 可解決的問題 | 適合的資料類型 | AI／Excel 的角色 | 限制與風險 |
|---|---|---|---|---|
| AI 與 LLM 演進 | 理解生成式 AI 如何由符號式 AI、神經網路、機率推理、大數據、Transformer 演進而來 | 歷史事件、模型時間軸、參數與技術里程碑 | AI：解釋技術脈絡與比較方法；Excel：整理時間軸、數字與模型比較 | 不同年代的模型、硬體、參數量與能力不能用單一指標直接比較 |
| 生成式 AI 商業價值 | 辨識對話、洞察、內容生成、多模態與軟體開發的企業應用 | 文字、企業知識、客服紀錄、財務文件、影像、影片、程式碼與行為資料 | AI：搜尋、摘要、生成、分析與多模態處理；Excel：整理商業指標、成本與成效比較 | 生成結果仍需來源、人工審核、法規與品牌一致性控制 |
| 企業 GenAI 設計模式 | 把單一模型設計成可擴充、可測試、可部署、可監控的企業系統 | 資料管線、模型版本、測試結果、部署與監控紀錄 | AI：生成與分析系統輸出；Excel：整理 A/B、漂移、版本與監控指標 | 模式、架構原則與最佳實務不能混為一談；需同時處理隱私、安全與倫理 |
| 代理式 AI 工作流 | 讓系統感知、推理、規劃、選擇工具、採取行動並協調多代理 | 自然語言指令、工具輸入輸出、代理登錄、工作記憶與長期記憶 | AI：規劃、路由、工具選擇與結果整合；Excel：整理代理能力、門檻、成本與流程比較 | 並非所有代理都需要 LLM；代理愈多不代表系統愈好，還要處理授權、延遲與錯誤傳播 |
| 端到端企業實作 | 從商業問題、需求、架構、資料管線一路走到模型、提示、安全、評估與部署 | SQL／Oracle 物件、資料血緣、需求文件、向量、索引、提示版本與部署設定 | AI：重建資料流、檢索與解釋；Excel：需求矩陣、指標、成本、版本與 What-if 分析 | 目標值不等於實際成果；高複雜度或關鍵物件仍需領域專家驗證 |
| 評估與部署 | 同時衡量輸出品質、安全、效率、人類價值與正式環境營運能力 | 文字、程式碼、影像、延遲、吞吐、錯誤率、成本、可用性與安全測試資料 | AI：定性評估、錯誤分類與結果解釋；Excel：精確計算門檻、指標、成本與情境比較 | 生成內容具有非決定性；單一分數不能代表整體品質，部署策略也不存在單一最佳解 |
| 負責任 AI 與風險框架 | 把公平、透明、可靠、穩健、安全、隱私、問責、包容與永續納入生命週期 | 風險事件、控制證據、資料與模型生命週期紀錄、治理與稽核資料 | AI：協助分類風險、整理證據與找出缺口；Excel：風險清冊、控制矩陣與分級追蹤 | 責任原則可能互相衝突；風險可跨多個類別，不能只靠模型自動判斷 |
| 最佳實務與持續演進 | 判斷是否需要 LLM，並以模組化、安全、分層推論、RAG、可稽核、持續評估與主動學習維運 | 快取、資料庫、索引、文件版本、Prompt、模型版本、Token、回饋與商業 KPI | AI：分析品質、回饋與錯誤模式；Excel：成本、KPI、版本、回歸與 What-if 比較 | 技術上線不等於企業導入完成；還需信任、訓練、治理與變革管理 |
本書八個正式章節目前共整理為 214 個案例子頁。以下案例數是本教材在 Notion 中依原書範例、情境、表格與實作內容拆分後的頁數，不代表原書自行標示了 214 個正式 Case Study。
| 章節 | 主要實作能力 | 案例頁數 | 學習重點 |
|---|---|---|---|
| 01_AI 與大型語言模型的演進 | 技術時間軸、模型演進與方法比較 | 16 | 從圖靈機、符號式 AI、神經網路、大數據到 Transformer 與 LLM |
| 02_生成式 AI 在商業中的價值解鎖 | 商業應用辨識與價值判讀 | 28 | 對話、洞察、內容、多模態、軟體開發與跨部門應用 |
| 03_企業生成式 AI 應用的設計模式 | 架構、測試、部署、漂移、提問與安全模式 | 21 | 把模型轉成可維護、可擴充、可監控的企業系統 |
| 04_代理式 AI 入門 | 代理拓撲、登錄探索、工具、記憶、編排與自我反思 | 24 | 設計單代理與多代理工作流，並辨識何時不需要 LLM |
| 05_企業級實務案例的端到端實作 | 需求、資料管線、RAG、提示、安全、評估與部署 | 30 | 以 IDFE 示範從商業問題到正式環境的完整企業生命週期 |
| 06_評估與部署 | 品質、安全、效率、成本、維運與部署策略 | 32 | 建立多指標評估，並比較雲端、內部、混合與邊緣部署 |
| 07_負責任人工智慧與風險框架 | 責任原則、風險分類、生命週期控制與治理框架 | 38 | 把倫理、可信任、責任與 NIST AI RMF 等治理方法連結到實作 |
| 08_最佳實務 | 架構、安全、推論、RAG、新鮮度、稽核、評估與主動學習 | 25 | 把前七章濃縮成可持續營運與演進的企業最佳實務 |
原書的核心不是「如何呼叫一個大型語言模型」，而是如何把生成式人工智慧真正放進企業系統。作者在導論中強調，企業環境要求的不只是模型能力，還包括可擴充性、精準度、可解釋性與資料隱私；大規模導入同時也是規劃、風險意識與持續最佳化的跨領域工作。
全書因此形成一條連續路徑：先理解人工智慧與大型語言模型（Large Language Model, LLM）的技術來源，再辨識生成式 AI 的商業價值；接著用設計模式、資料管線、測試、部署與監控把模型轉成企業系統；代理式 AI 再加入規劃、工具使用、編排與多代理協作；最後透過端到端案例、評估、正式部署、負責任 AI、風險框架與最佳實務把系統帶入持續營運。
第 1 章從圖靈機、符號式 AI、自然語言處理、神經網路、專家系統、機率推理、運算能力、大數據一路走到 Transformer 與 LLM。這條歷史線說明現代生成式 AI 並不是突然出現的單一技術，而是演算法、資料與運算能力長期累積的結果。
第 2 章把焦點轉向商業價值。原書整理的主要能力包括通用對話、洞察發掘與資料分析、內容生成與草擬、多模態功能，以及軟體開發。企業導入的問題因此不只是「模型能做什麼」，而是「哪一個流程值得使用生成式 AI，以及如何把輸出連回企業資料、流程與商業結果」。
第 3 章把資料處理、模型訓練、測試、部署、監控與使用者互動視為連續生命週期。模型工廠、微服務、A/B 分流、影子測試、藍綠與金絲雀部署、監控與回饋迴路，都在回答同一個問題：如何讓系統可更新、可擴充、可回復並可長期維護。
原書也把安全、隱私與倫理納入架構，而不是等上線後才補做。聯邦式學習、差分隱私、零信任、偏誤緩解、可解釋性與內容審核都被放進完整系統設計之中。
第 4 章進一步加入代理式人工智慧。代理可以感知需求、規劃步驟、選擇工具、執行任務、整合結果並與其他代理協作。原書區分階層、平行與循序等拓撲，也討論代理登錄與探索、工作記憶與長期記憶、中央與分散編排、自我反思及模型脈絡協定（Model Context Protocol, MCP）。
這一章的重要限制同樣明確：代理不等於 LLM。規則、傳統演算法與機器學習模型也可以成為代理工具；應依任務需求選擇能力，而不是把所有步驟都交給大型模型。
第 5 章以智慧資料流探索器（Intelligent Data Flow Explorer, IDFE）示範企業級端到端方法。流程從商業與技術目標、功能性與非功能性需求開始，再進入責任矩陣、優先排序、需求追溯、架構、資料管線、向量化與索引、模型選擇、提示工程、隱私安全、評估與部署。