Getting Started

📄️ 快速起步

為了協助不同程度的使用者快速掌握本 Asgard 的核心功能，我們提供三種不同層級的入門資源，您可以依據自身需求選擇適合的起點：

📄️ 建立第一個工作流程：讓機器人說 "Hello"

本教學將帶你完成第一個自動化流程，從介面操作，到設定觸發條件與動作，並介紹兩項核心概念：「工作流程(Workflow)」與「表達式(Expressions)」，讓你輕鬆上手、立即啟用自動化。

📄️ 使用 Expression 建立 Echo 機器人

Expression 是 Asgard 中一種強大的資料處理方式，能讓你動態存取流程執行期間的 Runtime 資料（Payload）。

📄️ 對 AI 能做什麼感到好奇嗎？來學習製作一個 AI 聊天機器人吧

Asgard 能與 AI 模型整合，創造更強大的自動化流程。這篇教學將引導你建立一個簡單的 AI 聊天代理人，讓你了解如何連結 OpenAI 並發送提示語。

📄️ 以 Stream LLM Completion 打造即時回應的聊天機器人

在前一章中，我們已透過 LLM Completion 節點 建立了具備 AI 回應能力的聊天機器人。本章將進一步介紹更進階的節點 — Stream LLM Completion Message Processor，讓機器人的回應方式更加流暢，像「正在輸入文字」一樣逐字呈現。

📄️ 機器人整合：平台串接 vs. 自訂前端

整合方式

📄️ 介紹其他 Processor：情緒判斷助手

情緒判斷助手

📄️ 使用 SQL 查詢資料庫

不用帶入參數的簡單查詢

📄️ 生成 Embedding 進行向量化搜尋

傳統資料庫的LIKE搜尋需要文字完全一樣才能搜尋，跟自然語言可以透過相似度或相似的字句搜尋比較不同。使用RAG(Retrieval Augmented Generation)的技術將語意轉為自然語言向量，比較向量就可以比較語意相似度。注意比較不同向量時，需要使用相同的模型，在Asgard的平台內，提供了兩種實現向量搜尋的方式：

📄️ 案例研究

AI 常見的 Bot 聊天應用究竟是如何製作的呢？本章使用一個飯店的客服情境來幫助您快速了解，在實作完本章的案例研究後，您可以：

📄️ 案例研究 - 情境判斷客服

建立情境判斷客服

📄️ 案例研究 - 模組化 Workflow

模組化 Workflow

📄️ 案例研究 - 應用知識庫 Part 1

應用知識庫 Part 1

📄️ 案例研究 - 應用知識庫 Part 2

應用知識庫 Part 2

📄️ 案例研究 - 情境脫離

情境脫離

📄️ 案例研究 - 錯誤處理機制：有無 handle 的差異

錯誤處理機制

📄️ 案例研究 - 讓客服 AI 更聰明

讓客服 AI 更聰明