JavaScript AI 系統設計實務：從模型、MCP Server 到 AI Agent
盧建成
- 出版商: 博碩
- 出版日期: 2026-11-23
- 定價: $750
- 售價: 7.8 折 $585
- 語言: 繁體中文
- 頁數: 488
- ISBN: 6264146633
- ISBN-13: 9786264146630
-
相關分類:
Large language model、LangChain、JavaScript
尚未上市，歡迎預購
相關主題
商品描述
如何用 JavaScript 把 AI 真正做成系統？
從模型、MCP Server 到 AI Agent，掌握 AI 系統設計與實作
● 模型實作與部署▸ 理解資料、模型與瀏覽器／Node.js 的工程取捨
● MCP Server 與 Tool ▸ 建立清楚的工具邊界、Schema 與錯誤處理
● AI Agent 與 workflow ▸ 掌握狀態、停止條件與執行流程控制
● 測試、除錯與整合 ▸ 打造可理解、可維護、可持續演進的 AI 系統
專文推薦
本書最有價值的地方，不只是介紹各種 AI 工具的使用方法，而是透過循序漸進的實作案例，幫助 JavaScript 工程師建立 AI 系統設計觀念，理解背後的工程取捨。AI 技術快速演進，今天流行的模型或框架，幾個月後可能就有新的選擇。但軟體工程的基本原則，以及如何在彈性與控制、能力與成本、複雜度與可維護性之間做出取捨，都是值得長期累積的能力。
——愛好資訊科技有限公司負責人⦁ AI 應用開發顧問，張文鈿（ihower）
AI 能做的事還會越來越多，但 AI 說沒問題的時候，總得有人去確認。如果你是 JavaScript 工程師，正打算把 AI 功能放進自己的產品，那個人很可能就是你。想知道要怎麼確認模型給的結果靠不靠得住，推薦大家看看這本書。
——五倍學院，高見龍
讀到第 11 章談 Agent 的停止條件、重試與執行紀錄時，我甚至有種在讀 CI Pipeline 設計規範的錯覺。最大迭代次數、分層的時間限制、有邊界的重試、可追溯的紀錄，把名詞換一換，其實就是我們都曾處理過的 Timeout、Retry 與 CI Job Log。這樣看下來，導入 AI 並沒有完全脫離我們過去在軟體工程、軟體開發與系統規劃中累積的經驗。可觀測、可測試、可除錯，出事時能停下來並且說得出原因，這些老生常談的道理依舊管用。
——DevOps Taiwan Community 志工 & DevOpsDays Taipei Co-organizer，陳正瑋（艦長）
內容介紹
生成式 AI、MCP 與 AI Agent 正快速進入軟體系統，但真正要讓 AI 能力穩定運作，並不只是接上一個模型 API 就完成了。資料如何進入模型、模型應該在哪裡執行、外部能力如何包裝成工具、Agent 如何使用工具與保存狀態，以及整個流程如何被測試、除錯與維護，這些都會成為實際開發時必須面對的問題。
因此，本書以 JavaScript 作為主要實作語言，從模型執行開始，逐步進入 MCP Server、AI Agent、workflow 與 multi-agent，再延伸到完整系統的整合、測試與錯誤分析。內容不只介紹相關技術如何使用，也著重說明模型、工具、Agent、狀態與流程在系統中的角色，以及彼此之間應該如何分工與配合。
▌ 本書將協助你
▸ 理解 JavaScript 在 AI 系統中的角色，以及模型如何進入既有應用與流程。
▸ 建立 MCP Server 與 MCP Tool，理解外部能力如何被整理成清楚的工具介面。
▸ 理解 AI Agent 的工具使用、狀態、停止條件與執行控制。
▸ 使用 workflow 與 multi-agent 拆分任務與責任，判斷何時真的需要 Agent。
▸ 從模型、Tool、Schema 與 workflow 的執行路徑進行測試、除錯與錯誤分析。
▸ 建立可理解、可控制、可測試、可維護並能持續演進的 AI 系統。
● 本書範例原始碼 : https://gitlab.com/cphtofficial/ai-in-js-examples
作者簡介
盧建成
鑽研軟體工程並接軌實務經驗二十年，領域涵蓋軟體設計、流程、雲端運算與人工智慧，並歷練新產品開發與交付、跨國團隊建立及企業營運等議題，同時深耕變革管理、DevOps、資訊安全與隱私保護等領域，是一名創業者、審查員與教育者。
著有《駕馭組織 DevOps 六面向：變革、改善與規模化的全局策略》；譯有《非監督式學習｜使用 Py thon》、《Python for DevOps｜學習精準有效的自動化》、《 AI 策略｜人與企業的數位轉型》、《敏捷開發的藝術， 第二版》；另參與合著《軟體測試實務 I》、《軟體品質全面思維：從產品設計、開發到交付，跨越 DevOps、安全與 AI的實踐指南》。
目錄大綱
PART I ◇ 基礎與起手做：JavaScript×AI 的工程定位
CHAPTER 01 ◇ 為什麼用 JavaScript 做 AI 系統（而不只用 Python）
1.1 JavaScript 的位置：不是取代 Python，而是補上工程整合層
1.2 從模型到系統：AI 不只是一次模型呼叫
1.3 JavaScript 工程師在 AI 系統中的新責任
CHAPTER 02 ◇ 建立第一個 JavaScript AI 專案：從模型執行流程開始
2.1 建立最小 JavaScript AI 專案
2.2 跑起第一個模型執行流程
2.3 從第一個模型流程看後續擴張方向
PART II ◇ 模型實作：把模型從「能跑」變成「能用」
CHAPTER 03 ◇ 用 JavaScript 處理資料與張量（Tensor）
3.1 資料從哪裡來？在 JavaScript 中的型態問題
3.2 從 JavaScript 資料到 Tensor：結構與限制
3.3 Tensor 基本操作：讓資料符合模型需求
3.4 從資料到模型：tensor 在模型中的角色
CHAPTER 04 ◇ 在 JavaScript 中實作影像模型（CNN）
4.1 建立第一個影像模型：從圖片到 CNN
4.2 當模型遇到現實：為什麼 baseline 不夠
4.3 用預訓練模型解決問題：遷移學習
CHAPTER 05 ◇ 在瀏覽器中運行文字與語言模型
5.1 從影像到語言：模型使用方式的轉變
5.2 語言模型如何處理文字：從字串到模型輸入
5.3 在 JavaScript 中使用語言模型：載入與推論
5.4 模型在瀏覽器中的角色：能力與限制
CHAPTER 06 ◇ 部署模型：瀏覽器 vs Node.js 的工程取捨
6.1 模型完成後，下一步是什麼？
6.2 瀏覽器 vs Node.js：模型放在哪裡？
6.3 瀏覽器執行環境：WebGL/WebGPU/WASM 的角色
6.4 如何選擇部署方式：常見情境與取捨
PART III ◇ MCP Server：模型與工具的中介層
CHAPTER 07 ◇ 開始吧！最小可用的 MCP Server
7.1 為什麼 AI 系統需要 MCP Server
7.2 建立第一個 MCP Server
7.3 MCP Server 的核心元素
7.4 使用 MCP Inspector 觀察 Server
7.5 MCP Server 的工程邊界
CHAPTER 08 ◇ 將外部能力實作為 MCP Tools
8.1 實作一個完整的 MCP Tool
8.2 設計 Tool 的輸入與 Schema
8.3 Tool 的輸出設計與錯誤處理
8.4 使用 MCP Inspector 驗證 Tool
CHAPTER 09 ◇ 讓 Agent 透過 MCP 使用工具（LangChain 整合）
9.1 從「工具存在」到「工具被使用」：還缺了什麼，以及如何運作？
9.2 讓 Agent 透過 MCP 使用 Tool：最小整合實作
9.3 執行流程、觀察與除錯：看懂 Agent 是否真的在用 Tool
PART IV ◇ AI Agent：從單一呼叫到可協作系統
CHAPTER 10 ◇ 什麼情況下需要 AI Agent，而不是單一模型呼叫
10.1 單一模型呼叫能做什麼，不能做什麼
10.2 Agent 出現的條件：工具選擇、狀態與迭代
10.3 何時不該使用 Agent，何時才值得引入
CHAPTER 11 ◇ 讓單一 Agent 成為可控制的執行結構
11.1 Agent Loop 的核心節奏：Reason、Action 與 Observation
11.2 讓 Agent 不失控：停止條件、重試與保護機制
11.3 一個可控制的 JavaScript Agent 範例
11.4 當 Agent Loop 變複雜時：從迴圈到 workflow
CHAPTER 12 ◇ 多 Agent 協作：用 workflow 拆解任務與責任分工
12.1 從 Agent Loop 到 workflow：任務如何被拆成節點
12.2 用 LangGraph.js 實作可執行的 workflow
12.3 從 workflow 節點到多 Agent：節點何時需要成為 Agent
12.4 多 Agent 不一定比較好：協作結構的代價與判斷
CHAPTER 13 ◇ 整合案例：模型×MCP Server ×Agent
13.1 系統目標與元件分工
13.2 從請求到結果：完整流程串接
13.3 從整合案例到可演進系統：哪些節點該固定，哪些節點可能 Agent 化
CHAPTER 14 ◇ 測試、除錯與錯誤分析的工程實務
14.1 從最後答案回到執行路徑：AI Agent 系統的錯誤歸因
14.2 讓錯誤可重現：工具、schema、workflow 與錯誤注入案例
14.3 不只看答案對不對：功能測試、探索性評估與使用者驗收
14.4 從除錯到演進：讓錯誤成為下一輪設計依據
CHAPTER 15 ◇ JavaScript AI 系統的下一步：工具協作、模型執行與 工程師角色
15.1 工具協作與 Agent 能力邊界的演進
15.2 模型的執行位置：遠端、瀏覽器、本地與邊緣環境
15.3 JavaScript 工程師在 AI 系統時代的位置
