大家都在問「怎麼讓 AI 更懂我的 Codebase」，但問題往往不只是模型能力，而是系統裡存在大量沒被文件化的隱性知識，以及需求用語、程式命名與模組關係之間的落差。

這場 Workshop 會帶大家實際使用 Graphify 建立 Codebase 的 Index 與 Knowledge Graph，觀察 Coding Agent 如何透過 Graph 縮小 Context Retrieval 範圍、避免一開始就搜尋錯方向。

更重要的是，我們會把 Graph 不準當成診斷訊號：找出缺文件、命名不一致、關係缺失，以及需要 Domain Knowledge 才能理解的地方，再回頭補強並重新驗證 Agent 的搜尋結果。

最後建立一套 Agent First 的 Context Workflow：不只增加 Prompt，而是透過可查詢、可驗證的工程機制，持續提升 Agent 對系統的理解。

- 理解為什麼 Coding Agent 找不到正確 Context，不一定是模型能力問題，而可能反映 Codebase 中存在文件缺失、命名不一致或隱性 Domain Knowledge。

- 親手將既有 Codebase 建立成可供 Agent 使用的 Index 與 Knowledge Graph，理解 Module、Symbol、Dependency 與 Domain Relation 如何協助 Context Retrieval。

- 學習如何把「Knowledge Graph 不準」轉變成 Codebase 診斷訊號，系統化找出 Missing Documentation、Naming Gap 與 Domain Knowledge Gap。

- 實際補充 Domain Knowledge、Alias 或 Architecture Relation，重新建立 Index，並驗證 Agent 是否能更準確找到相關 Context。

- 建立一套可以帶回團隊的 Agent First Context Workflow：不只是增加 Prompt，而是透過可查詢、可驗證的工程機制改善 Agent 對系統的理解。

Workshop 將包含 Terminal、Git、Coding Agent CLI (Pi Coding Agent / Claude Code / Codex / Github Copilot) 工具的實際操作，需要請學員準備好環境和一些 LLM 額度再操作時使用

- 基本 Git 操作能力

- 基本的 Terminal / CLI 操作

- 理解基本 LLM 概念 (context/tool/skill)

- 曾使用過 Pi Coding Agent / Claude Code / Codex / Github Copilot 或其他 Coding Agent 工具

不需要具備 Knowledge Graph、Graph Database 或 Neo4j 等相關經驗。

Workshop 的重點不是 Graph DB 技術，而是如何利用 Codebase Structure 與 Knowledge Graph 改善 Coding Agent 的 Context Retrieval。

為了將 Workshop 時間集中在實作與觀察，而不是環境安裝，建議學員於課前完成以下準備：

- 安裝 Git 和你熟悉的 Coding Agent 工具

- 準備可正常使用的 Terminal 環境

- 需要預留一些 LLM 額度提供 Coding Agent 使用

建議可以帶自己的小專案來做現場實作，如果沒有小專案，課堂上也會提供一個簡單 OpenSource 專案讓大家操作。