I5850A 教學大綱表

教學大綱表 (115學年度第1學期)

請遵守智慧財產權，勿使用非法影印教科書，避免觸法。

課程名稱 Course Title	(中文) 知識工程 (英文) Knowledge Engineering			開課單位 Departments	資訊工程研究所
				課程代碼 Course No.	I5850A
授課教師 Instructor	葉慶隆
學分數 Credit	3.0	必/選修 core required/optional	選修	開課年級 Level	研究所
先修科目或先備能力(Course Pre-requisites)：1. 程式設計與開發能力 (Programming Proficiency) Python 程式設計：本課程實作將大量使用 Python 相關套件（如 LangChain、CrewAI、Hugging Face Transformers）。學生需具備良好的 Python 撰寫能力，特別是熟悉物件導向設計與 API 調用。軟體工程基礎：具備基本的版本控制（如 Git）概念與專案開發流程的認知。 2. 人工智慧與機器學習基礎 (AI/ML Fundamentals) 機器學習導論：理解基本的監督式學習、模型訓練、評估指標（如 Precision/Recall）等概念。自然語言處理 (NLP)：
課程概述與目標(Course Overview and Goals)：本課程旨在橋接傳統知識工程方法論與當代人工智慧開發技術，引領學生深入探討如何建立具備可靠知識庫與推理能力的智慧代理人（Agent）系統。課程將以 CommonKADS 方法論為核心，結合大型語言模型（LLM）與代理人架構（Agentic Workflow），教授學生從系統分析、知識建模到落地實作的完整生命週期。課程概述 (Course Overview) 本課程旨在橋接傳統知識工程方法論與當代人工智慧開發技術，引領學生深入探討如何建立具備可靠知識庫與推理能力的智慧代理人（Agent）系統。課程將以 CommonKADS 方法論為核心，結合大型語言模型（LLM）與代理人架構（Agentic Workflow），教授學生從系統分析、知識建模到落地實作的完整生命週期。課程前半段將建立學生對 LLM 與 Agent 技術基礎（基於 Hugging Face Context Course）的認知，並探討生成式 AI 的局限與挑戰。後半段則引入 CommonKADS，指導學生如何運用結構化的模型（組織模型、任務模型、知識模型）來定義複雜領域的業務邏輯與知識結構，並將其轉化為具體的 LLM Agent 實作需求。本課程適合計畫深入鑽研 AI 系統設計、軟體架構與知識系統開發的研究所及大學部高年級學生。課程目標 (Course Goals) 修習本課程後，學生應能達成以下目標：具備系統化 AI 開發思維：掌握從定義複雜商業需求、知識需求分析（Knowledge-intensive Tasks）到系統架構設計的知識工程全流程。精通 LLM Agent 實作技術：熟悉 Prompt Engineering、RAG（檢索增強生成）及自主代理人（Autonomous Agent）設計模式，並能評估與調整模型的輸出品質。靈活運用知識建模工具：能運用 CommonKADS 框架，精確定義任務模型（Task Model）與知識模型（Knowledge Model），解決 LLM 在處理專業領域知識時可能出現的幻覺與不一致問題。連結理論與技術實現：學會將抽象的知識推理路徑映射至程式化的工具調用（Tool Use）與決策邏輯中，能夠獨立開發具備「結構化推理能力」的多代理人系統。導入螺旋式開發流程：具備運用快速原型（Prototyping）與反覆驗證方法，針對實際應用情境優化 Agent 系統的維護與效能能力。
教科書(Textbook)	Hugging Face. (2025). Context course. Hugging Face. https://huggingface.co/learn/context-course/ Schreiber, G., Akkermans, H., Anjewierden, A., de Hoog, R., Shadbolt, N., Van de Velde, W., & Wielinga, B. (2000). Knowledge engineering and management: The CommonKADS methodology. MIT Press.

課程大綱 Syllabus			學生學習目標 Learning Objectives	單元學習活動 Learning Activities	學習成效評量 Evaluation	備註 Notes
序 No.	單元主題 Unit topic	內容綱要 Content summary	學生學習目標 Learning Objectives	單元學習活動 Learning Activities	學習成效評量 Evaluation	備註 Notes
1	LLM 與 Agent 基礎	Hugging Face Context Course 導讀、LLM 架構、提示工程 (Prompt Engineering)	建立對 LLM 能力與限制的正確理解。	講授實作	作業
2	Agentic Workflow (一)	Agent 概念、規劃與推論 (ReAct, Planning)、代理人運作模式	掌握自動化代理人的運作邏輯。	講授實作	作業
3	Agentic Workflow (二)	多代理人協作 (Multi-Agent)、長期記憶與上下文管理	具備設計複雜 Agent 流程的能力。	講授實作	作業平時考
4	Context Engineering	RAG 進階應用、向量資料庫、上下文檢索與優化策略	學會如何為 Agent 提供高品質的知識上下文。	講授實作	作業
5	MCP (Model Context Protocol)	MCP 架構介紹、如何透過 MCP 連接各種資料源與工具	熟悉業界主流的 Agent 工具整合協定。	講授實作	作業
6	Agent 實作與挑戰	LLM Agent 的評估、常見挑戰（幻覺、權限控管）與除錯	具備評估與優化 Agent 系統效能的能力。	講授實作	作業期中考
7	CommonKADS 導論	知識工程與管理、CommonKADS 模型組件總覽	理解知識工程在大型系統中的重要性。	講授實作	作業
8	組織模型 (OM)	企業環境分析、任務與流程盤點、資源分析	學習如何從商業角度定義知識需求。	講授實作	作業
9	任務模型 (TM) (一)	任務分解、推理動作 (Inference)、知識角色的定義	將複雜的 Agent 任務拆解為結構化的推理動作。	講授實作	作業
10	任務模型 (TM) (二)	常見推理模式（分類、診斷、配置設計、計畫）	能選擇合適的推理模式來實作 Agent 的決策。	講授實作	作業平時考
11	知識模型 (KM) 建構	定義領域本體 (Ontology)、知識規則、實體關係	建立高品質的結構化知識庫，強化 AI 可解釋性。	講授實作	作業
12	模型映射實作 (Bridge)	關鍵課程：將 CommonKADS 的知識與推理角色映射至 MCP 工具與 Prompt 邏輯	具備將嚴謹的建模結果轉化為實作程式的能力。	講授實作	作業
13	系統驗證與優化	基於模型進行系統驗證、螺旋式迭代方法	學會如何以模型為基準對 Agent 進行測試與反覆修正。	講授實作	作業期末考
14	期末專案發表與總結	整合知識工程建模與 Agent 技術的專案成果發表	綜合運用知識工程與 LLM 開發技術解決實際問題。	實作心得發表協同教學個別或小組指導個案研究探索體驗

教學要點概述：
1.自編教材 Handout by Instructor：
■ 1-1.簡報 Slides
■ 1-2.影音教材 Videos
□ 1-3.教具 Teaching Aids
□ 1-4.教科書 Textbook
□ 1-5.其他 Other
□ 2.自編評量工具/量表 Educational Assessment
□ 3.教科書作者提供 Textbook

成績考核 Performance Evaluation：作業：30% 平時考：20% 專題：20% 期中考：15% 期末考：15%

教學資源(Teaching Resources)：
■ 教材電子檔(Soft Copy of the Handout or the Textbook)
■ 課程網站(Website)