Ai-agent

從設計圖到真實程式碼。本篇完整實作 Day 20 規格書中的 Mode A 單一決策 Agent：Pydantic AI + FastAPI 五層架構全部串通，並說清楚前後端為何必須分離、API 如何成為唯一橋樑。

有了強大的後端 Agent 大腦，我們需要一個相稱的舞台。本篇文章我們將脫離單純的聊天視窗，探討如何利用開源的 next-shadcn-dashboard-starter 打造出具備前後端分離、高度視覺化的企業級戰情室。

相同的問題，不同層級的主管想看的重點完全不同。本篇文章帶你進入第 2 層「User Context / Memory Layer」，透過注入使用者特徵與偏好設定，讓 AI Agent 展現真正的職場讀心術。

延續五層式架構，本篇帶你實作第 3 層「Agent Tool Layer」。我們將示範如何為不同的業務需求（毛利分析、訂單預測）編寫獨立的方法，並透過強型別與 Docstring，完美封裝成 AI Agent 專用的工具。

在正式撰寫 Agent 程式碼之前，我們需要一份嚴謹的「系統規格書」。本篇文章定義了鞋墊廠訂單決策系統的目標、雙模式決策機制（直接決策 vs 多人討論），以及核心的技術選型與架構圖。

延續鞋墊廠訂單專案，這篇文章我們將使用 FastAPI 為 PostgreSQL 建立一層 REST API，將關聯式資料庫的查詢結果轉換為標準的 JSON 格式，為 AI Agent 的串接做好萬全準備。

開啟 12 天的企業訂單 Agent 實戰！第一步，我們探討如何安全地從 Oracle ERP 撈取鞋墊廠的原始訂單，進行客戶個資的去識別化，並轉存入 PostgreSQL 作為 AI 專屬的乾淨中介庫。

探討 Pydantic AI 如何透過 Type-Safe（型別安全）、結構化輸出與依賴注入，將 AI Agent 的開發從鬆散的文字拼接，提升到具備 FastAPI 等級開發體驗的生產級軟體工程。

探討 NVIDIA 如何解決 AI Agent 進入企業的安全性挑戰。認識 NemoClaw 架構，看它如何透過 OpenShell 建立安全沙盒，並結合本地端 Nemotron 模型，在不犧牲自主能力的前提下，確保資料隱私與存取安全。