個人報名
教室租借
學員須知
上課地點
證書申請
會員註冊
回首頁
自強課程
課程名稱
【假日線上】Claude Code & Agentic RAG 實戰：打造工業級自主開發系統與企業知識庫
熱烈招生中
全線上
課程代碼：
15W337
上課時間：
9/5、9/12，星期六，09:30-16:30，共二週12小時。
上課時數：
12 小時
上課地點：
網路線上
課程費用：
12000元
(符合超值優惠價格者需送出報名表後，系統發出報名成功回函確認金額。)
課程目標：
1. 自動化駕馭：駕馭 Claude Code CLI 操作與模型切換策略 。
2. 品質提升：掌握 CLAUDE.md + Spec Driven 方法論，提升 AI 產出品質 。
3. 工作流客製：開發自訂 Skills 與 Hooks，建立可複用的自動化工作流 。
4. 多代理協作：運用 Subagent 與 Agent Teams 實現多代理平行協作 。
5. CI/CD 整合：整合 GitHub Actions，讓 Claude 自動進行程式碼審查（Review PR）。
2. 品質提升：掌握 CLAUDE.md + Spec Driven 方法論，提升 AI 產出品質 。
3. 工作流客製：開發自訂 Skills 與 Hooks，建立可複用的自動化工作流 。
4. 多代理協作：運用 Subagent 與 Agent Teams 實現多代理平行協作 。
5. CI/CD 整合：整合 GitHub Actions，讓 Claude 自動進行程式碼審查（Review PR）。
課程特色：
本課程將帶領你完成三大技術：
●從「下指令」到「定規範」：利用 CLAUDE.md 與 Spec Driven 方法論，讓 AI 第一次就寫對代碼，減少 80% 的重構成本 。
●從「單兵作戰」到「代理人團隊」：實戰 Subagent 與 Agent Teams 架構，讓 AI 自動化執行程式碼審查（Code Review）與安全審核 。
●從「傳統 RAG」到「Agentic RAG」：整合 MCP 與 Hooks 閘門，打造具備自我修正能力、能直接落地企業內部的知識庫系統 。
●最新 A2A 跨框架互通：不只侷限於 Claude，更教你如何讓 Claude Code 與 Google 的系統透過 Protocol 對話。●自律型 Corrective RAG：實作當檢索資訊不足時，AI 會「自主思考」並觸發 Web Search 補強的進階邏輯。
●從「下指令」到「定規範」：利用 CLAUDE.md 與 Spec Driven 方法論，讓 AI 第一次就寫對代碼，減少 80% 的重構成本 。
●從「單兵作戰」到「代理人團隊」：實戰 Subagent 與 Agent Teams 架構，讓 AI 自動化執行程式碼審查（Code Review）與安全審核 。
●從「傳統 RAG」到「Agentic RAG」：整合 MCP 與 Hooks 閘門，打造具備自我修正能力、能直接落地企業內部的知識庫系統 。
●最新 A2A 跨框架互通：不只侷限於 Claude，更教你如何讓 Claude Code 與 Google 的系統透過 Protocol 對話。●自律型 Corrective RAG：實作當檢索資訊不足時，AI 會「自主思考」並觸發 Web Search 補強的進階邏輯。
修課條件：
必備條件：
• 具備 Python實務開發經驗
• 熟悉 Terminal 操作與 Git 基本流程
• 擁有 Anthropic API Key 或 Claude Pro/Max 訂閱，需安裝Node.js 18+
加分條件：
• 有 GitHub Actions 或 CI/CD 基本概念
• 建議先修前兩門課程（Cursor 實戰 + Google AI 生態系）
• 具備 Python實務開發經驗
• 熟悉 Terminal 操作與 Git 基本流程
• 擁有 Anthropic API Key 或 Claude Pro/Max 訂閱，需安裝Node.js 18+
加分條件：
• 有 GitHub Actions 或 CI/CD 基本概念
• 建議先修前兩門課程（Cursor 實戰 + Google AI 生態系）
課程大綱：
1.上手：安裝、CLI 操作與模型策略
(1)安裝設定與 API Key 配置
(2)Slash Commands 核心指令（/init, /model, /compact,/skills, /hooks）
(3)模型切換策略：Opus 深度思考 vs Sonnet 快速迭代，何時切換-p 非互動模式與管線串接（自動化基礎）
⭐實作：用 Claude Code 從零完成一個 CLI 工具
2.CLAUDE.md 與 Spec Driven 開發
(1)CLAUDE.md 撰寫最佳實踐：專案級 / 使用者級 / 全域設定
(2)@ 引用系統：精準引用檔案、資料夾、截圖
(3)Spec Driven 方法論：需求 → 規格 → 實作 → 驗證
⭐實作：為一個現有專案撰寫 CLAUDE.md + Spec，實測產出品質差異
3.Skills 開發實戰 + Hooks 防護
(1)Skills 原理：SKILL.md 結構、自動發現機制、觸發條件設計
(2)從零開發一個完整 Skill（含腳本、範本、參考文件）
(3)Hooks 實戰：用 PreToolUse 做防洩漏閘門、自動格式化
⭐實作：打造「程式碼品質檢查」Skill + 防洩漏 Hook
4.Subagent 與 Agent Teams 多代理協作
(1)Subagent 定義與實戰：建立 code-reviewer / security-auditor 專責代理
(2)Agent Teams（2026/2 實驗功能）：Team Lead + Teammates 平行協作 Demo
(3)何時用 Subagent vs Agent Teams 的選擇策略
⭐實作：用 Subagent 拆解一個中型功能的開發任務
5.實戰：用 Claude Code 打造 AgenticRAG 和企業知識庫
(1)Agentic RAG 架構解析：從傳統 RAG 到 Agentic RAG 的演進
（Self-Correction、Adaptive Routing、Multi-Agent 協作）
(2)用 Spec Driven 撰寫系統規格：定義 Router Agent、Retriever Agent、Evaluator Agent 的職責分工
(3)用 Skills 封裝 RAG 工作流：文件解析 Skill、向量檢索 Skill、答案品質評估 Skill
(4)用 Subagent 實作多代理架構：Query Router → 檢索代理 → 品質自我修正 → 最終回答
(5)MCP 串接實戰：連接向量資料庫（Qdrant / ChromaDB）與企業文件來源
(6)用 Hooks 建立品質閘門：檢索結果低於信心閾值時自動觸發 Web Search 補強（Corrective RAG 模式）
(1)安裝設定與 API Key 配置
(2)Slash Commands 核心指令（/init, /model, /compact,/skills, /hooks）
(3)模型切換策略：Opus 深度思考 vs Sonnet 快速迭代，何時切換-p 非互動模式與管線串接（自動化基礎）
⭐實作：用 Claude Code 從零完成一個 CLI 工具
2.CLAUDE.md 與 Spec Driven 開發
(1)CLAUDE.md 撰寫最佳實踐：專案級 / 使用者級 / 全域設定
(2)@ 引用系統：精準引用檔案、資料夾、截圖
(3)Spec Driven 方法論：需求 → 規格 → 實作 → 驗證
⭐實作：為一個現有專案撰寫 CLAUDE.md + Spec，實測產出品質差異
3.Skills 開發實戰 + Hooks 防護
(1)Skills 原理：SKILL.md 結構、自動發現機制、觸發條件設計
(2)從零開發一個完整 Skill（含腳本、範本、參考文件）
(3)Hooks 實戰：用 PreToolUse 做防洩漏閘門、自動格式化
⭐實作：打造「程式碼品質檢查」Skill + 防洩漏 Hook
4.Subagent 與 Agent Teams 多代理協作
(1)Subagent 定義與實戰：建立 code-reviewer / security-auditor 專責代理
(2)Agent Teams（2026/2 實驗功能）：Team Lead + Teammates 平行協作 Demo
(3)何時用 Subagent vs Agent Teams 的選擇策略
⭐實作：用 Subagent 拆解一個中型功能的開發任務
5.實戰：用 Claude Code 打造 AgenticRAG 和企業知識庫
(1)Agentic RAG 架構解析：從傳統 RAG 到 Agentic RAG 的演進
（Self-Correction、Adaptive Routing、Multi-Agent 協作）
(2)用 Spec Driven 撰寫系統規格：定義 Router Agent、Retriever Agent、Evaluator Agent 的職責分工
(3)用 Skills 封裝 RAG 工作流：文件解析 Skill、向量檢索 Skill、答案品質評估 Skill
(4)用 Subagent 實作多代理架構：Query Router → 檢索代理 → 品質自我修正 → 最終回答
(5)MCP 串接實戰：連接向量資料庫（Qdrant / ChromaDB）與企業文件來源
(6)用 Hooks 建立品質閘門：檢索結果低於信心閾值時自動觸發 Web Search 補強（Corrective RAG 模式）
課程師資：
講師：羅子嘉老師
專長：GenAI、大型語言模型應用、Agent代理人部署
現任:國立台灣大學專任GenAI工程師暨強化學習開發主任
專長：GenAI、大型語言模型應用、Agent代理人部署
現任:國立台灣大學專任GenAI工程師暨強化學習開發主任
主辦單位:
財團法人自強工業科學基金會
學員須知：
注意事項
