|
|||||||||||||||||||||||||||||
日期：115年4月22日(三)時間：下午 1:30 – 4:30地點：Google meet雲端教室課程名稱：B5-1 生成式AI與教育應用工作坊講師：海山國小吳瑞福老師公文與附件：課程內容：
相關連結：【上一次三重區資訊組長會議】【新北市資訊組長手冊】日期：115年4月21日(二)時間：9:00-16:00地點：三民高中圖書館2樓電腦教室公文與附件：會議流程：
例會報告：研習：
Goodnotes操作教學資源與指南：
教學影片：
相關連結：新北 Google AI Pro教育推動說明與操作指南
相關連結：日期：115年3月21日、4月18日、5月9日、6月27日(六)時間：9:00 – 16:00地點：新北市雲端智慧科技中心講師：Apple Swift coding 訓練師潘聖文(Michael)公文與附件：課程大綱：一、3月21日：
二、4月18日： |
|||||||||||||||||||||||||||||
| 特性 | Context (上下文) | Memory (記憶) |
| 比喻 | 辦公桌的大小 | 圖書館的檔案櫃 |
| 功能 | 決定管理員現在桌上能攤開多少本書來參考。 | 決定管理員下班後，還能不能記住你的名字。 |
| 時效 | 桌面清空（對話結束）就沒了。 | 寫進檔案，下次你來他還記得。 |
| 關鍵指標 | Token 數量 (例如 128k Tokens)。 | 向量資料庫 (Vector DB) 或 關鍵點提取。 |
這就是技術結合的奇妙之處：
Context 擴充： 透過 MCP (Model Context Protocol)，AI 可以從外部（如你的本地檔案）抓取更多資料塞進 Context 裡，讓它的「工作桌面」瞬間變得很豐富。
檢索增強生成 (RAG)： 這是一種結合技術。當 Context 放不下所有資料時，系統會去長期的 Memory (通常是向量資料庫) 裡搜尋最相關的片段，再精準地丟進 Context 供 AI 參考。
簡單來說： Context 是 AI 「現在正在想什麼」；而 Memory 是 AI 「關於你，它記住了什麼」。
關於這兩者的運作，你是對如何擴大 AI 的「工作桌面」(Context)，還是對如何讓 AI 擁有真正的「長久記性」(Memory) 更感興趣呢？
在人工智慧（特別是大語言模型，LLM）的領域中，Function Calling（函數呼叫） 是一項突破性的技術，它賦予了 AI 連接外部世界的能力。
如果說傳統的語言模型是一個被關在房間裡、只能依靠過去記憶（訓練資料）回答問題的「大腦」，那麼 Function Calling 就是給了這個大腦一套「工具箱」或「雙手」，讓它能夠主動透過外部工具來獲取最新資訊或執行任務。
Function Calling 並不是指 AI 自己直接執行程式碼，而是 AI 具備了「理解何時需要使用工具，並給出正確指令」的能力。整個流程通常包含以下五個步驟：
定義工具 (Provide Tools)： 開發者在向 AI 提問時，會同時附上一份「可用函數列表」。這份列表會詳細說明每個函數的名稱、用途以及需要的參數（例如：有個函數叫 get_weather，需要提供 location 參數）。
使用者提問 (User Prompt)： 使用者問 AI：「台北今天天氣如何？」
AI 判斷與輸出 (Model Decision)： AI 分析後發現自己的資料庫沒有今天的即時天氣，但它知道可以使用 get_weather 這個工具。於是，AI 會暫停生成一般對話，轉而輸出一串結構化資料（通常是 JSON 格式），例如：{"name": "get_weather", "arguments": {"location": "Taipei"}}。
系統執行 (Execution)： 開發者的應用程式接收到這串 JSON 後，真正在背後去呼叫氣象局的 API，並獲得結果（例如：25°C, 晴天）。
統整回覆 (Final Answer)： 系統將這個結果送回給 AI，AI 接著根據這個結果，生成自然流暢的人類語言回答使用者：「台北今天的天氣是晴天，氣溫約為 25 度。」
在 Function Calling 出現之前，AI 有幾個致命的弱點，而這項技術完美地解決了它們：
解決「幻覺」與「資訊過時」： AI 無法知道訓練資料截止日之後發生的事。透過 Function Calling，AI 可以隨時呼叫 Google 搜尋、新聞 API 或公司內部資料庫，提供最新、最準確的資訊。
彌補數學與邏輯運算的弱點： 語言模型本質上是在「預測下一個字」，並不擅長複雜的數學計算。現在，AI 可以呼叫計算機程式 (calculator) 來幫它算出精確答案，而不是瞎猜。
從「純聊天」進化為「採取行動」： AI 不再只能陪你聊天，它可以幫你寄電子郵件、在日曆上新增行程、甚至操控智慧家電（例如：呼叫 turn_on_lights 函數）。
| 情境 | 沒有 Function Calling 的 AI | 擁有 Function Calling 的 AI |
| 問：今天台積電股價多少？ | 「我的資料只更新到 2023 年，無法提供今天的即時股價…」 | (呼叫財經 API) 「今天台積電的收盤價為 XXX 元，上漲了 X%。」 |
| 問：幫我訂明天下午兩點的餐廳。 | 「這是一個很好的主意！但身為 AI，我無法為您訂位…」 | (呼叫訂位系統 API) 「沒問題，已經為您預訂完成，訂位代號為 12345。」 |
| 問：54321 乘以 98765 是多少？ | (AI 嘗試硬算，可能會給出一個看起來很像但完全錯誤的數字) | (呼叫計算機函數) 準確回答：「5 |
如果您最近在關注 AI 發展，MCP 指的絕對是這個由 Anthropic（開發 Claude 的公司）在 2024 年底推出的開源標準。
它是什麼： MCP 是一個標準化的連接協議，你可以把它想像成 AI 的「通用 USB 接口」。
解決了什麼問題： 過去，AI 助手（如 Claude、ChatGPT）是被隔離在自己的世界裡的。如果你想讓 AI 讀取你的 Google Drive、本地電腦裡的程式碼檔案，或公司的私有資料庫，開發者必須為每一個工具寫客製化的串接程式碼。MCP 打破了這個限制，提供了一套統一的標準。
運作方式： 它採用主從式架構（Client-Server）。AI 應用程式（如 Claude Desktop）作為「客戶端」，而連接各種資料源的程式稱為「MCP 伺服器（MCP Server）」。只要資料源支援 MCP，AI 就可以直接安全地讀取裡面的資料。
