生成式AI應用系統與工程
Generative AI Application Systems and Engineering
| 節 | 週三 |
|---|---|
6 14:20–15:10 | 生成式AI應用系統與工程 3 節連堂 |
7 15:30–16:20 | |
8 16:30–17:20 |
* 根據陽明交大上課時間表所列
課程概述 本課程以「生成式 AI 應用系統」開發為核心,帶領學生從需求分析、系統設計,到實作與部署,完成一個生成式 AI Web服務。內容涵蓋軟體工程SDLC、前後端技術、資料流程與工作流、開源CI/CD與 MLOps/LLMOps工具、AWS 雲端環境、分散式 AI Infra、LLM 微調與 local LLM 評測、Agent 工作流與 MCP/ADK/agent-to-agent架構、LiteLLM/OpenRouter 等模型代理工具,以及 token 經濟學、Prompt 優化、多輪對話設計、幻覺減少與 LLM 資安議題。 學生將透過至少六次程式作業與期末專題,實作一個具完整工程思維的生成式AI應用系統 課程目標 修課學生預期能達成: ● 理解生成式 AI 應用系統的整體架構,包括前端、後端、LLM 層、Agent 工作流與資料流。 ● 熟悉SDLC在生成式AI專案中的實務流程,能撰寫系統需求與高階架構設計。能運用 Web架構、AWS平台、資料庫與向量檢索技術,可建構具RAG能力的應用系統。 ● 了解並整合 MLOps/LLMOps toolchain,包括 CI/CD、模型部署、評估與觀測。 ● 掌握 Agent workflow、MCP、ADK 與 agent-to-agent 等概念,並透過callbacks 實作安全與審計邏輯。 ● 理解 token 經濟學、多輪對話設計與幻覺減少策略,並融入系統設計中。 ● 能設計與實作基本的 LLM 資安防護,包括 prompt injection 防禦與 response auditing。 ● 完成一項可展示的生成式 AI 應用系統期末專題。
● 具備基本程式設計能力。 ● 具備基本Web 技術(HTML/CSS/JS)與GitHub使用經驗。 ● 對雲端服務有初步認識者佳(不為必要條件)。
● HW 1-6:10% each HW ● Final Project:40% ○ Ranking based on 系統架構圖(含微服務拆分、Agent workflow)、服務流程圖與 API 設計、Demo Presentation and Slides、GitHub Source and Technical Report
| 週次 | 主題 |
|---|---|
| 第 1 週 | 課程介紹、修課要求與評分方式: 生成式AI應用系統典型架構:前端、後端、LLM 層、Agent workflow、資料流、系統觀測機制等介紹。 |
| 第 2 週 | SDLC、需求分析與系統架構設計概念: ● SDLC 在生成式 AI 專案中的應用。 ● 撰寫 System Requirement、UseCase ● Microservice、高階架構圖規劃、服務邊界與模組切分 |
| 第 3 週 | 前端 Web 技術與生成式介面設計: ● Next.js / React / Tailwind ● gen-AI UI patterns ● SSE/WebSocket streaming |
| 第 4 週 | 後端架構、微服務設計與 LLM Proxy Gateway: ● API Server:FastAPI / ode.js ● REST / WebSocket / SSE 實作 ● Microservice 架構核心 ● GenAI 微服務拆分 ● LLM Gateway核心微服務:Routing、Token Logging |
| 第 5 週 | 事件驅動資料流架構: ● ETL / background tasks ● Airflow DAG、Task、Scheduler ● Kafka → Airflow → Iceberg 的典型資料處理流程 ● Iceberg Data Lake ● Microservice 與 BackgroundWorker 整合 |
| 第 6 週 | CI/CD、MLOps、LLMOps: ● GitHub Actions/GitLab CI ● Docker化、環境建置 ● MLflow/promptfoo ● 模型行為監控、Regression Test ● Microservice deployment pipeline |
| 第 7 週 | 清明連假 |
| 第 8 週 | AWS 開發與部署、AWS Kiro介紹: ● AWS EC2 / ECS / Lambda ● IAM、S3、RDS ● Kiro 架構 ● 成本估算與auto scaling ● CDN/Cache |
| 第 9 週 | 資料庫系統與向量資料庫: ● Embedding、HNSW、Retrieval ● RAG pipeline:chunking、index、rerank ● Retrieval microservice |
| 第 10 週 | 模型微調、Local LLM、行為檢測: ● Fine-tuning ● vLLM、Ollama 本地部署 ● promptfoo / eval harness 進行模型行為檢測 ● Model Service as Microservice |
| 第 11 週 | 分散式 AI Infra 與工作流程: ● Ray tasks、actors ● Ray Serve + scaling ● 多檔案、多任務平行LLM pipeline ● Ray Worker microservice |
| 第 12 週 | Agent Workflow、MCP、ADK、Agent-to-Agent 協作: ● Agent 架構:Planner、Tool、Critic ● MCP:工具抽象層與資源管理 ● ADK / Vertex AI Agent Builder ● agent-to-agent workflow |
| 第 13 週 | ADK Callbacks與Sanitize/Policy Check/Audit Middleware: ● ADK Agent生命周期與callback流程 ● 使用ADK callbacks做安全防護與審計 |
| 第 14 週 | Other LLM Security、Jailbreak、與Response Auditing: ● Prompt Injection ● Jailbreak 防禦 ● ADK-based Policy Engine ● API key 保護與最小權限原則 |
| 第 15 週 | Observability: ● LLM UX/error recovery ● 延遲優化、Queue ● logs / metrics / distributed tracing ● token 成本/效能指標 ● Online A/B testing |
| 第 16 週 | Project Demo |
| 第 17 週 | (Optional) Supplementary Materials |
| 第 18 週 | (Optional) Supplementary Materials |
● 講義、程式碼示例、AWS 教材 ● MCP、LLMOps、Ray 等官方文件