📚 Learning Flow
AI Agent 教學
快速開始（3 分鐘）
系統原理與基礎概念
用 Colab 執行（No Code）
自創 AI Agent
FAQ / 常見問題
hello
AI Agent 如何取回Insight?
你輸入「完整問題」，系統用 LLM 的理解能力判斷你要什麼資料，然後依序呼叫 五個 Agent：
找資料集 → 規劃欄位/圖表 → 決定查詢條件 → 執行查詢 → 產生洞見。
整個流程建在 RAG（先找資料、再生成） 與 向量語意檢索 之上。
五個 Agent（做什麼？輸入/輸出是什麼？）
- Dataset Search Agent（找資料集）
- 用語意檢索在多個 Planet（如 SDG、UN）找最相關的 datasets。
- 產出：候選資料集＋欄位資訊。
- Analytics Planning Agent（規劃分析）
- 決定 x 主軸、y 指標（含平均/加總等 calculation）、filter（年份/地理） 與欄位格式（如 year、admin_level_4）。
- Filter Decision Agent（定稿查詢條件）
- Analytics Execution Agent（執行查詢）
- 對選定資料集實際發出查詢，拉回資料，並對齊時間與地理。
- Interpretation Agent（產出洞見）
- 把對齊好的資料交給 LLM，產出精簡文字摘要（約 300 字），說清楚結論與限制。
名詞白話版
- LLM：會讀會寫的「文字助手」，解析人類輸入的語言，並依據語言與上下文的關係判斷回應的內容。
- RAG：先找文件/數據，再讓 LLM 根據找到的內容作為背景（Context)、前情提要而進行作答。
- 向量/語意檢索：把文字變成數學的向量（Vector)，為了能做到依據「語意內容像不像」來找資料，而非標準「關鍵字」的查詢。
- LangGraph：用節點（Nodes）和邊（Edges）把多步驟流程「畫成圖並執行」。
- Data Planet：Aralia 的資料宇宙（多個 Planet）。分散由不同的資料供應者所管理的數據集，內存個個資料供應者分享的專業內容。
小技巧：提出「完整問題」
- 測試用的AI Agent不會回頭問你補充，把問題界定清楚，能有助於AI Agent更有效地找到相關的insight。
- 若不確定口徑，用較「常見、明確」的統計名稱（例如 Gini coefficient），避免模糊縮寫。
- 一開始就說清楚「平均的定義」與「比較的時間點」。
完整性檢核表（複製後可打勾）
- 指標/標的：如 average GDP growth at purchasers’ prices（平均？年增率？名目/實質？）
- 時間：明確年份或區間（例：2021–2024；2024）
- 地理層級：國家／州／縣市／地區 + 範圍（例：Malaysia by state）
- 比較/關係：關聯、排序、差距、分組對比等
🧩 問題模板（可直接改字）
Is there a relationship between <Metric A> in <Time Range A> and <Metric B> in <Time/Year B> across <Geography Level/Scope>?
範例（可直接用）：
Is there a relationship between the average GDP growth at purchasers' prices from 2021 to 2024 and the Gini coefficient of each state in Malaysia in 2024?
🙅♂️ 反例（不可回答）
- “Is there a relationship between GDP and Gini in Malaysia?”（缺時間、缺地理層級）
- “Compare inequality.”（缺指標定義與年份）
歡迎來到下一章節，我們將帶你具體操作AI Agent，解開AI Agent背後的運作原理。
P.S. 操作的過程中不用自己準備環
← 上一章： [快速開始（3 分鐘）](<https://deciduous-centipede-9d7.notion.site/3-269ddf94fd1481beaa35dd45523a1570>) | 下一章：[**用 Colab 執行（No Code）**](<https://deciduous-centipede-9d7.notion.site/Colab-No-Code-269ddf94fd1481c8a8bacec1ee028227>) →