這個系列記錄 Local Engineering Knowledge Assistant 的 30 天實作。內容從本地模型與 Chat Runner 開始，逐步加入文件轉換、檢索、context 預算、附來源回答、工具驗證，並在 Day 22 開始使用 Kubernetes 官方文件作為真實語料。
目前已整理至 Day 22。每篇文章使用共同的「AI Engineering 研究前線」標籤，列表依 Day 次序排列；點選下方篇目標題即可直接閱讀；每篇開頭也能返回這份導讀索引。
系列篇目
Day 1–7｜本地模型與 Chat Runner
- Day 1：LLM本質上就是一個接龍遊戲
- Day 2：與本地模型第一次對話
- Day 3：讓模型可以連續處理多個問題
- Day 4：Prompt 到底改變了什麼？先從 system message 開始
- Day 5：讓模型回答固定 JSON 格式
- Day 6：模型真的記得上一題嗎？把對話歷史放回每次 request
- Day 7：第一週交付前，先讓本地聊天程式跑完一次驗收
Day 8–14｜知識整理、檢索與 RAG
- Day 8：為本地知識庫打地基
- Day 9：將知識文件送入本地模型前要思考的事
- Day 10：資料分段後的查詢手法
- Day 11：知識庫不能只是關鍵字搜尋
- Day 12：同一個問題，三種資料搜尋路徑的差異在哪裡？
- Day 13：Context 預算控管
- Day 14：將知識庫與模型結合，做出有來源的 RAG
Day 15–21｜工具、安全邊界與評估
- Day 15：告訴模型能用哪些工具，程式再決定怎麼執行
- Day 16：依文件 ID 讀取受限的內容片段
- Day 17：知識庫找不到答案時，讓使用者挑來源再匯入
- Day 18：驗證模型使用工具的準確率
- Day 19：調用工具有固定格式，如果參數錯誤怎麼辦？
- Day 20：MCP 解決了什麼問題？
- Day 21：第三週回顧：模型提議工具，Python 決定能不能執行