Build Your Own AI

Build Your Own AI是什麼

《Build Your Own AI》是由Sebastian Wessel所撰寫的AI應用開發相關書籍及配套學習計畫。透過TypeScript以及實際範例，該書說明了如何打造聊天機器人、RAG系統、工具調用功能，以及AI智能體。

它不是輸入一句話就能生成應用的無代碼平台，也不提供託管模型訂閱服務。官網主要用於閱讀目錄、預覽章節、查看範例專案以及購買電子書。

一句話介紹

Build Your Own AI是一套面向開發者的LLM實戰教學，強調理解底層模式並用少量依賴建構可控制的AI應用。

作者與學習定位

作者Sebastian Wessel將此書定位為「開發者寫給開發者的實用指南」，適合初學者、已有一定基礎的程式設計師，以及對AI應用感興趣的人士。其內容並非以科學研究或訓練基礎模型為主要目標。

範例中使用TypeScript、Bun以及直接網路請求的方式，盡量減少框架的抽象層次。讀者可以將其中的核心思路應用到Python、Java、Go或其他語言上。

主要學習內容

大語言模型基礎

基礎章節解釋了語言模型、知識儲存、Tokenization以及上下文等概念。其目的是幫助應用開發者理解模型的輸入與輸出，而非深入探討數學推導。

本地運行模型

書中介紹了LM Studio和Ollama，協助讀者在自己的電腦上運行免費的模型。這樣一來，就能減少對外部介面的依賴，並能了解硬體、速度與模型大小之間的權衡關係。

第一個AI應用

讀者會從基礎請求開始，逐步加入聊天歷史、系統提示和行為控制。範例避免隱藏邏輯，便於理解每個請求欄位的作用。

提示工程

內容涵蓋系統提示、推理、自我反思和代碼助手提示等模式。提示只是系統的一部分，不能替代數據、評估、權限和錯誤處理。

RAG檢索增強生成

RAG章節包括知識庫的建立、向量搜尋、答案評估以及檢索方式的改進。讀者將學習如何讓模型根據自身的文件來回答問題，而非僅依賴參數記憶。

知識圖譜與數據構建

書中進一步解釋了知識抽取、知識圖譜、問答資料集以及資料審查的相關內容。適合那些需要將非結構化內容轉換為可檢索知識的開發者。

模型選擇與評估

教學內容比較了Llama和Qwen等模型，並探討了溫度、上下文以及任務效果等因素。由於模型版本變化很快，讀者應將此方法視為評估的參考，而非用來判斷模型的永久性排名。

工具調用

工具調用章節展示如何讓模型觸發函數並與外部環境互動，同時介紹現代工具調用與簡化實作。重點在於結構化參數、權限及結果回傳。

AI編程環境Buddy

配套Buddy專案演示瀏覽器內由AI驅動的IDE，包含代碼生成、檔案系統工具以及專案相關知識。它是用於教學示範之用，不應直接視為成熟的商業開發環境。

AI智能體

後續章節將說明檢查清單智能體、事實智能體以及智能體的擴展方式。讀者可以了解任務拆分、循環、工具以及停止條件是如何相互結合的。

微調與RAG選擇

書中提供微調基礎，並比較微調與RAG的適用場景。多數知識更新問題更適合RAG，格式和行為穩定性問題才可能需要微調。

章節結構概覽

適合哪些讀者

• 前端與全堆疊開發者：想理解AI應用而非僅調用封裝框架。
• 後端開發者：需要實現聊天、RAG和工具調用接口。
• TypeScript用戶：希望用熟悉語言學習LLM應用。
• Python以外的開發者：想掌握可遷移的通用模式。
• 獨立開發者：準備開發本地或雲端AI原型。
• 技術負責人：需要評估RAG、智能體和微調方案。

不適合哪些需求

• 希望無需編程直接生成網站或智能體的使用者。
• 需要完整數學推導和基礎模型訓練研究的讀者。
• 只想購買託管聊天機器人服務的企業。
• 需要現成企業權限、審計和服務保障的團隊。
• 希望複製代碼後直接投入生產而不做安全改造的項目。

購買與價格

官網提供作者商店及其他書店的購買連結。截至2026年8月24日，作者商店頁面會進行安全驗證，公開頁面上並未顯示可直接核對的統一售價。

不同的商店、國家、貨幣、電子書格式以及促銷活動都可能導致價格變動。購買前，應以最終商店頁面上顯示的金額、稅費、檔案格式、下載次數以及退款規則為準。

購買書籍並不包含雲端模型額度，也不代表範例中的第三方服務是免費的。若要使用本地模型，則需要考慮硬體、電力及儲存方面的成本；而若要使用商業模型，則需依照供應商的定價來支付費用。

學習前的環境要求

• VS Code、Zed或其他程式碼編輯器。
• Bun運行時與包管理器。
• 現代網頁瀏覽器。
• Docker運行環境。
• 用於本地模型的足夠磁碟空間。
• 建議至少16GB記憶體，32GB以上體驗更好。
• 本地大模型建議使用RTX 3080或更強的GPU。

沒有高效能顯卡也可以學習介面與架構，但本地推論速度會受到限制。讀者可以選用較小的量化模型或外部介面來完成部分章節。

推薦學習路線

1. 先閱讀模型、Token和上下文基礎章節。
2. 安裝Bun、Docker與Ollama，運行一個小模型。
3. 完成基礎聊天請求，並保存多輪歷史。
4. 練習系統提示和結構化輸出。
5. 用少量文件構建第一個RAG知識庫。
6. 建立測試問題，比較檢索和答案準確率。
7. 加入一個只讀工具，驗證參數和錯誤處理。
8. 運行Buddy範例，理解檔案工具與專案知識。
9. 實現簡單智能體，並設定最大步數和停止條件。
10. 最後比較RAG、提示和微調的適用範圍。

如何使用配套代碼

1. 進入官方GitHub組織並選擇書籍範例倉庫。
2. 閱讀README、環境要求與許可證。
3. 複製環境變數範例，不要提交真實金鑰。
4. 按章節運行最小示例，確認本地模型和資料庫連接。
5. 修改一項參數並觀察輸出變化。
6. 為RAG和智能體建立自己的測試樣本。
7. 不要直接把演示代碼暴露到公網。
8. 用於商業專案前重新檢查許可證和依賴許可。

官方GitHub專案

代碼許可要特別注意

書籍範例倉庫的許可證為Creative Commons署名、非商業、禁止演繹4.0國際版。該許可證允許非商業性質的分享，但禁止用於商業目的，同時也限制公開散布經修改的版本。

因此，「倉庫公開」並不等同於符合常見開源軟體的定義，也不能直接用於商業產品。若需修改、發布或用於商業用途，必須取得作者的另行授權。

許可含義

• 查看和學習代碼通常沒有問題。
• 分享原始材料需要保留署名和許可資訊。
• 不得把許可材料主要用於商業獲利。
• 修改後的資料不能按該許可公開分享。
• 第三方依賴仍適用各自許可證。
• 商業專案應向作者確認單獨許可。

項目優勢

• 以實際應用為中心，不停留在提示詞示例。
• 覆蓋本地模型、RAG、工具調用和智能體完整鏈路。
• 使用TypeScript，適合Web開發者。
• 減少框架抽象，便於理解底層網路與資料結構。
• 示例代碼公開，方便按章節調試。
• 強調評估檢索答案和比較不同模型。
• 不绑定單一模型、雲平台或編程語言。

使用限制與注意事項

• 內容更新速度可能落後於快速變化的模型和介面。
• 示例側重教學，不等於生產級安全與擴展方案。
• 本地模型對GPU、記憶體和磁碟的要求較高。
• 部分工具和模型版本可能與書中不同。
• 代碼許可證限制商業使用及衍伸作品的發行。
• Buddy沒有正式發布版本，不適合作為關鍵開發環境。
• 電子書目前的官方售價無法在公開頁確認。
• 讀者仍需補充身份驗證、權限、監控和資料保護。

從示例到生產需要補什麼

• 帳戶、組織及角色權限。
• 金鑰管理、速率限制和費用預算。
• 提示注入、越權工具調用和資料洩露測試。
• 日誌脫敏、追蹤、告警和審計。
• 離線評估集與持續品質監控。
• 模型不可用時的重試、回退和降級。
• 資料保留、刪除及用戶權利流程。
• 依賴清單、許可證審查和供應鏈掃描。

隱私與安全

本地運行模型可以減少傳送給雲端供應商的文字量，但應用程式仍可能將資料寫入日誌、向量資料庫和瀏覽器儲存空間。開發者需要檢查完整的資料流路。

學習時，請勿將客戶文件、個人資訊及產品密鑰放入範例專案中。在使用外部模型介面時，應仔細閱讀供應商的資料保留與訓練規則。

API與產品形態

BuildOwn.AI會教導人們如何調用模型介面，但它本身並非模型API的供應商。其目錄分類更適合用於「AI學習資源」或「開發者教學」，而非「AI應用生成器」。

基本資訊

常見問題

Build Your Own AI是AI工具嗎？

它主要是一套開發者用書及相關的程式碼，並非可直接用來創建應用的線上平台。讀者需要自行編寫程式並運行模型。

需要會Python嗎？

不需要，書中以TypeScript作為解說工具，並強調核心模式可遷移到其他語言。具備基礎程式設計經驗會更容易學習。

必須有高端顯卡嗎？

並非所有章節都需如此，但在本地運行較大的模型時會明顯受到硬體的影響。建議至少擁有 16GB 的記憶體，並使用適當的量化模型。

電子書多少錢？

目前作者商店受到安全驗證保護，公開頁面沒有顯示可確認的統一售價。應以實際商店和結算頁面為準。

代碼可以商用嗎？

不能默認用於商業用途，範例倉庫採用非商業且禁止演繹的許可。商業專案應獲得作者的單獨授權並檢查相關許可證。

項目是開源的嗎？

代碼可公開查看，但限制許可並不符合常見開源軟體自由使用和修改的條件。應準確標示為公開源碼學習專案。

總結

Build Your Own AI適合那些希望真正了解LLM應用結構的開發者，尤其是具有TypeScript和Web技術背景的讀者。它的優點在於有完整的學習路線，且示例清晰易懂。不過，其購買價格、硬體要求、程式碼授權以及生產環境的相關設定，都需事先確認。