學習摘要
在這個章節中，我們一起動手剖析 AI 工作流運作原理。
我們提供的 AI 工具庫是運用 Python 程式語言撰寫的，一般要跑 Python 得安裝很多東西（解譯器、套件、權限…）。我們在教學的過程中，使用 Colab，它是一個 Google 提供的服務。幫你把執行環境準備好，你只要開瀏覽器 → 連線到雲端 → 依序按「播放」即可。
這樣不會卡在安裝，也不需要寫程式，非常適合課堂或第一次接觸。
在Colab教學中，主要分成三個區塊
打開教學 https://colab.research.google.com/drive/1GPllPWemvxodlIkomXqeCWXZon4_9UTF Notebook
點頁面右上角或左上方的 Connect / 連線到代管的執行階段（讓 Colab 幫你開機）。
跟著 Notebook 的提示，先在「Secrets／金鑰」的欄位貼上：
Client ID / Client Secret（申請 Aralia 帳號與密鑰 ）
LLM API Key（LLM API Key 可先用 Gemini；之後可換 OpenAI/Anthropic）
依序按每個程式格左側的 ▶（播放 icon）：
安裝與匯入
初始化（OAuth 登入、設定 Planet）
貼上你的完整問題（可先用「馬來西亞 GDP × Gini」）到程式碼中
你會看到：
‣ SDK 已公開在GitHub上，你可以用任何 Git 工具（如 SourceTree）把專案拉下來，閱讀與練習。
https://github.com/araliadata/AraliaOpenRAG
Aralia OpenRAG SDK 中使用 LangGraph 作為核心協調框架，實作了一個 AI 工作流的數據分析系統。LangGraph 提供狀態管理和工作流協調，該管道處理使用者的提問並使用 Aralia 數據平台生成數據驅動的洞察。
有別於以往的SDK，開發者無需詳細理解SDK內部運執行細節，而是委由LangGraph中引用的AI (LLM)來協助“理解” SDK運作方式，並自動決策該怎麼運用SDK（諸如給定參數、解析處理完的結果）。
開發者需要做的事項如下：
系統會依照LangGraph中定義好一步步的順序，完成Tool的使用與呼叫。
過程中間，使用者不需要理解Tool該怎麼呼叫，僅需要知道Tool的功能即可。
LangGraph 的定義可參閱下方範例：
主要工作流使用 LangGraph 的 StateGraph 實現：
https://github.com/araliadata/AraliaOpenRAG/blob/main/core/graph.py#L59-L85
你輸入「完整問題」，系統用 LLM 的理解能力判斷你要什麼資料，然後依序呼叫五個工具節點：
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。
graph LR
A[Question] --> B["Aralia<br/>Search<br/>Node"]
B --> C["Analytics<br/>Planning<br/>Node"]
C --> D["Filter<br/>Decision<br/>Node"]
D --> E["Analytics<br/>Execution<br/>Node"]
E --> F["<br/>Interpretation<br/>Node"]
F --> G[Answer]
subgraph "Workflow"
B
C
D
E
F
end
style A fill:#e1f5fe
style G fill:#e8f5e8
style B fill:#fff3e0
style C fill:#fff3e0
style D fill:#fff3e0
style E fill:#fff3e0
style F fill:#fff3e0
A：確認 Key 是否正確、未過期、配額足夠
A：檢查三點：