第一階段｜Day 01–05：從聊天到企業 AI
先從企業知識工作的問題開始，而不是從框架開始。這五天會釐清聊天機器人與企業 AI 的差異、FUDAT 知識工作框架、模型的企業知識邊界，以及為什麼提示詞（Prompt）無法取代工作流程（Workflow）。Day 05 會把這些觀念收斂成 Data Machi 的完整產品地圖。第二階段｜Day 06–10：讓 AI 找到企業知識
第二階段集中處理檢索增強生成（RAG）。從基本概念開始，接著理解 PDF 如何經過解析（Parse）、文件切割（Chunking）、向量化（Embedding）與建立索引（Index），並比較關鍵字搜尋與語意搜尋。Day 09 會處理掃描 PDF、表格與圖片等真實文件問題，Day 10 則完成第一個能引用來源的 PDF RAG。第三階段｜Day 11–15：從文件檢索走向工具使用
RAG 可以查文件，但無法自然處理最新數字與外部系統狀態。這五天會從 RAG 的能力邊界進入工具使用（Tool Use），理解 LangChain 在工具整合中的角色，再實際建立 Google Sheets 資料工具。最後畫出企業知識地圖，並完成一次試算表與文件的跨來源查詢。第四階段｜Day 16–20：從工具走向代理
當工具變多，就不可能永遠靠固定條件判斷。這一段會說明什麼時候工具使用才真正變成代理（Agent），再用推理與行動（ReAct）理解「判斷 → 行動 → 觀察」的循環，並釐清路由器（Router）與協調者（Coordinator）的差異。Day 19 會建立 Data Machi 協調者，Day 20 再加入多來源、平行與順序執行的設計。第五階段｜Day 21–25：把代理變成可控工作流程
代理可以自主決策，但企業不能只追求自主性。這五天會依序加入記憶（Memory）、問題釐清（Clarification）與答案驗證（Verification），再說明黑箱式代理循環為什麼難以控制。接著介紹 LangGraph 的狀態（State）、節點（Node）與連線（Edge），最後把協調者改造成一條可以觀察、驗證與重試的工作流程。第六階段｜Day 26–30：從展示原型走向產品
最後五天不再增加更多代理名詞，而是處理真正上線會遇到的問題。逾時（Timeout）、重試（Retry）與備援（Fallback）讓系統在外部服務失敗時有退路；代理使用者體驗讓使用者知道系統正在做什麼；安全與治理則處理 API 金鑰、權限與資產所有權。Day 29 會把後端部署到 Render、前端部署到 Vercel，Day 30 再回顧整套系統並完成驗收與交接。如何閱讀這套系列
每一篇都盡量維持一致的閱讀節奏：先用真實工作情境提出問題，再解釋核心概念，接著回到 Data Machi 的設計或實作，最後整理實務踩坑與今天最重要的一個結論。文章以完整段落為主，進階工程細節則放在「進階理解」「實務踩坑」或「延伸閱讀」中，讓非工程背景讀者可以先掌握核心概念，再依需要深入。如果你第一次接觸企業 AI，建議從 Day 01 依序閱讀。這套系列真正想教的不是某一個框架，而是如何從工作問題出發，逐步決定什麼應該交給檢索增強生成、什麼交給工具、什麼交給代理，以及什麼必須由工作流程與人來控制。