104學習

JavaScript

JavaScript
關注
邀請朋友
邀請朋友

Line

Facebook

複製連結

取消
這項技能是前端開發的核心語言,負責網頁互動效果和動態內容呈現。擅長此技能能讓你打造使用者體驗佳的網站和應用程式,並且與後端系統有效溝通。隨著單頁應用(SPA)和跨平台開發需求增加,具備此技能在職場上競爭力高,廣泛應用於網路公司、科技新創與數位行銷產業。掌握相關框架如React、Vue或Angular,更能提升就業及專案開發機會。
關於教室
關注人數 964 人
104人力銀行從職缺中挑選出常見技能所成立的官方教室,提供大家進行共學互動。
學習主持人
持續分享知識,
有機會成為官方教室主持人
教室標籤
關於教室
關注人數 964 人
104人力銀行從職缺中挑選出常見技能所成立的官方教室,提供大家進行共學互動。
學習主持人
持續分享知識,
有機會成為官方教室主持人
教室標籤
Hi~ 歡迎分享學習資源,有學習問題可匿名向Giver發問!
我要分享
我要提問

JavaScript 學習推薦

C# ASP.NET CORE X 智能體工程 開發實戰線上課
過去幾個月,「Vibe Coding」與「Agentic Engineering」正在重塑矽谷的開發邏輯。軟體開發正從「手工業」轉向「指揮官模式」。
身為開發者,你是要繼續在語法細節中掙扎,還是要領先成為學會指揮 AI 智能體(Agent)作戰的架構師?
X School 再次突破業界框架,帶來【全台首創】的實戰課程。
我們不只單純教Vibe Coding,
更要帶你掌握智能體工程開發精髓。
將特斯拉前 AI 主管倡導的開發思維,深度植入日常的專案開發。
這不是實驗,這是即將發生的產業革命。
🚀 為什麼這堂課值得學習?
✨全台首創: 唯一整合 Vibe Coding 與智能體工程(Agentic Engineering)的系統化課程。
✨拒絕黑盒: 解決 AI 隨機生成的技術債,掌握可驗證、可管理的開發流程。
✨實戰導向: 從 建立 AI 協作開發思維、精通 AI 驅動的 SQL 資料庫技術、掌握最新 AI Coding 工具、開發具備執行力的 AI Agent 核心、實現 OCR 企業進銷存自動化到打造全天候 Line Bot 智能助理,5 件成品帶你直接對接產業需求。
✨小班精修: 為了確保教學品質,本班上限僅 15 人。
AI 不會取代工程師,但會取代不會用 AI 開發的工程師。
【60 小時掌握 AI 核心實力】
👉早鳥優惠實施中,現省 NT$14,400
👉名額僅 15 位,我們只留給最渴望掌握未來技術的人。
🔥 手刀搶佔先機,成為企業爭奪的頂尖人才!
立即報名👇
看更多
1 0 710 0
從 Vibe Coding 到 Agentic Engineering:定義 AI 時代的軟體工程新範式
回顧 2025 年,前 Tesla AI 總監 Andrej Karpathy 在社群平台上首次拋出 「Vibe Coding」 這個詞時,精準捕捉了當時開發者的集體情緒。那是一種憑藉自然語言提示、與大型語言模型(LLM)進行即時對話,進而拼湊出程式碼的過程。在那樣的時空背景下,開發者不再逐行撰寫邏輯,而是透過一種「氛圍(Vibe)」與直覺,快速催生出可運作的產品原型。
這種「以直覺替代語法」的模式迅速引爆了工具與新創的開發熱潮。從 AI 原生編輯器到全自動開發平台,資金如潮水般湧入:AI 程式編輯器 Cursor 在去年底完成 D 輪融資,年化收入(ARR)驚人地突破 10 億美元;而歐洲新創 Lovable 則以 66 億美元的估值完成 B 輪融資。
然而,當熱潮退去,我們必須直面一個核心問題:「感覺」能支撐起企業級的軟體工程嗎?
Vibe Coding 的天花板:實驗與專業的鴻溝
在 Vibe Coding 模式下,開發者雖然能獲得極高的初始速度,但這種「黑盒式」的開發卻隱藏著巨大的技術債。
當專案規模擴大,單純依賴單一模型的對話式修補會逐漸失控。生成的代碼可能存在隱蔽的安全漏洞,且缺乏一致性的架構邏輯。Karpathy 指出,當時的模型能力有限,Vibe Coding 多半用於實驗性專案,距離真正的專業軟體工程仍有明顯落差。
隨著 AI 模型能力的進化,我們正進入一個新的階段:Agentic Engineering(智能體工程)。這不僅僅是名稱的變更,更是從「感性驅動」向「理性系統」的範式轉移。
2. 建立品質關卡與審計軌跡
工程化的標誌在於其「可預測性」。在 Agentic Engineering 的框架下,工作流會內建品質關卡(Quality Gates)與自動化測試。這意味著 AI 產出的每一行代碼,都必須通過另一組 AI 代理或既定腳本的審查。這種「半自主系統」具備自我修復與反思的能力,大幅降低了 Vibe Coding 帶來的隨機性風險。
開發者角色的重定義:系統架構師與監督者
這場轉型對軟體工程師而言,是一次技能樹的劇烈重組。開發者的工作重心正發生以下移轉:
定義邊界而非代碼:工程師的核心能力不再是掌握特定程式語言的語法,而是定義系統的輸入輸出契約、安全性約束(Guardrails)以及業務邏輯的邊界。
掌握編排藝術:開發者必須學習如何設計「認知架構(Cognitive Architectures)」,例如如何運用多代理協作模式,讓 AI 能夠處理比以往更複雜、更長期的任務。
從實作者轉向監督者:這是一個將 AI 開發視為企業核心職能的過程。我們不再是即興打造工具的人,而是負責驅動一個可持續擴展、具備自我演進能力的半自主系統。
結語:進入自主開發的新紀元
Vibe Coding 是 AI 帶給我們的一場美夢,它讓我們看見了開發門檻崩塌的可能性;而 Agentic Engineering 則是將這份美夢轉化為工業化現實的必經之路。
正如 Glide 所言,Vibe Coding 代表的是早期工具帶來的震撼,而 Agentic Engineering 則更貼近企業級的實務需求。我們正站在軟體工程新紀元的門檻上——在那裡,人類負責定義願景與紀律,而 AI 代理則在嚴謹的框架下,將願景轉化為穩健的現實。
如果你感覺目前的 AI 開發流程讓你焦慮,或許缺的不是更強的模型,而是一套能駕馭 AI 的開發方法論。
【Vibe Coding 全端架構師養成:ASP.NET Core × AI LLM 企業級實戰】 現在就加入,成為定義規則的人。
想了解更多課程資訊請詳見連結👇
看更多
1 0 1351 0

104學習精選課程

看更多課程
想提升職場競爭力?專業技能課程看起來👇

熱門精選

104學習

產品

04/28 10:35

AI 工作流是什麼?上班族提升效率的入門指南
AI 工具越來越普及,許多上班族已經開始用 ChatGPT、Gemini、Claude、NotebookLM 等工具協助工作。但真正能提升效率的關鍵,不只是「會不會問 AI 問題」,而是能不能把 AI 放進日常工作流程裡,形成一套可重複使用的「AI 工作流」。
過去使用 AI,很多人可能是想到什麼就問什麼:請 AI 幫我寫一封信、改一段文案、摘要一篇文章。這些做法當然有幫助,但如果每次都從零開始,效率仍然有限。
真正的 AI 工作流,是把工作拆成幾個步驟,讓 AI 在不同環節協助你處理初稿、摘要、整理、分析與發想,再由人來判斷、修正與決策。
簡單來說,AI 工作流不是讓 AI 取代你,而是讓 AI 成為你的工作助理。它可以協助減少部分重複整理的時間,但最後的品質把關、事實查證與責任判斷,仍然需要由人完成。
一、什麼是 AI 工作流?
AI 工作流指的是:將 AI 工具整合進日常工作流程中,讓它在固定任務中扮演特定角色。
舉例來說,如果你每週都要寫週報,過去可能需要回想本週做了什麼、整理資料、歸納成果、撰寫文字。導入 AI 工作流後,你可以先把已確認可使用的工作紀錄、待辦清單、專案進度整理後提供給 AI,請它協助分類成:
本週完成事項、遇到的問題、下週計畫、需要主管協助的地方。
接著,你再檢查內容是否正確,補上實際成果、數字與自己的判斷。
這就是一個簡單的 AI 工作流:
資料整理 → AI 協助產出初稿 → 人工檢查與修正 → 完成正式內容
AI 負責加快整理與初稿產出,人則負責確認事實、補充脈絡、做出判斷。
二、為什麼上班族需要學 AI 工作流?
許多人學 AI 時,最常遇到的問題是:「我知道 AI 很強,但不知道工作上到底怎麼用。」
其實,上班族最需要 AI 協助的,通常不是非常高深的技術,而是每天都會遇到、但很耗時間的工作,例如:
會議紀錄整理、Email 回覆、簡報製作、報告撰寫、資料摘要、Excel 分析、SOP 整理、專案進度追蹤、週報月報撰寫、學習筆記整理等。
這些工作都有一個共同特色:它們不一定困難,但常常需要大量整理、歸納與文字產出。
如果能把 AI 放進這些流程中,就有機會減少部分重複工作時間。對新手來說,AI 可以協助建立架構;對資深工作者來說,AI 可以協助加快第一版產出;對主管來說,AI 可以協助整理資訊、統整進度與提高溝通效率。
但需要注意的是,AI 工作流的目的不是讓工作「完全自動化」,而是讓人把時間留給更重要的判斷、溝通與決策。
三、AI 最適合協助哪些工作?
AI 很適合處理「文字整理、資料歸納、初稿撰寫、格式轉換、初步分析」類型的任務。以下是上班族最常見的應用場景。
1. 會議紀錄整理
開會後最麻煩的事情,往往不是開會本身,而是會後整理。AI 可以協助把會議筆記、逐字稿或已取得同意的錄音內容,整理成會議重點、決議事項、待辦清單與負責人。
適合請 AI 協助的內容包括:
會議摘要、討論重點、行動項目、決策紀錄、下次會議追蹤事項。
不過,使用 AI 整理會議內容時,必須特別注意資安與隱私。若要錄音、轉逐字稿或上傳會議內容,應先確認參與者知情,並遵守公司內部規範。涉及客戶資料、薪資、人事、合約、未公開商業資訊時,不建議直接上傳到一般 AI 工具。
AI 整理後,也需要人工確認人名、日期、數字、決議內容與責任分工,避免錯誤資訊被當成正式紀錄。
2. Email 與商務訊息回覆
很多上班族每天都花不少時間在回信、回訊息。AI 可以幫你把口語想法改成正式語氣,也可以幫你將太長的回覆縮短,或將生硬的文字改得更有禮貌。
例如你可以輸入:
「請幫我把以下內容改成正式但不冷淡的商務信件。」
「請幫我回覆客戶,語氣要專業、清楚,並委婉說明目前無法提前交付。」
但 AI 不一定知道你公司的實際政策與承諾範圍。涉及價格、合約、交期、賠償、客訴、法律責任等內容時,務必由負責人確認後再寄出,避免產生誤解或過度承諾。
3. 報告與簡報製作
許多人做報告或簡報時,最卡的是「不知道怎麼開始」。AI 可以協助產出大綱、整理架構、優化標題,甚至把長篇資料濃縮成簡報頁面重點。
例如你可以請 AI:
「請把以下資料整理成 8 頁簡報大綱。」
「請幫我把這段內容改成主管簡報用語。」
「請依照問題、原因、建議、下一步的架構整理。」
AI 很適合協助完成第一版,但真正有說服力的簡報,仍需要你補上資料來源、商業判斷、實際案例與具體數據。
4. 資料蒐集與摘要
當你需要快速理解一個新主題時,AI 可以協助整理你提供的資料,摘要文章重點、比較不同觀點,或產出初步觀察方向。
不過,AI 不一定能取得最新資訊,也可能產生錯誤或過時內容。若是涉及新聞、數據、法規、價格、政策、職缺條件、產業趨勢等資訊,仍應回到官方網站、原始報告或可信來源查證,不建議只依賴 AI 的回答。
比較安全的做法是:先由人提供可靠資料,再請 AI 協助摘要與整理;最後由人確認內容是否適合使用。
5. Excel 與數據分析
不熟 Excel 公式的人,也可以用 AI 協助理解公式、產生函數、整理欄位、設計分析方向。例如你可以問:
「我想統計每個部門的平均銷售額,Excel 公式怎麼寫?」
「請根據這份表格欄位,建議我可以分析哪些指標?」
「請幫我解釋這張報表中可能代表的趨勢。」
AI 可以協助你更快理解資料,但不能取代你對資料來源、計算邏輯與商業背景的判斷。若牽涉財務決策、營運績效、人事評估或對外公布數字,仍需由負責人確認資料是否正確。
6. SOP 與知識管理
很多公司都有一種狀況:工作流程靠資深同事口頭傳授,真正要交接時才發現文件不足。AI 可以協助把零散說明整理成 SOP、檢查表、教學文件與新人訓練資料。
例如你可以把一段操作流程整理後提供給 AI,請它產出:
步驟說明、注意事項、常見錯誤、檢查清單、交接提醒。
這類工作流很適合行政、人資、客服、行銷、營運、專案管理等職能。只要搭配人工確認,就能讓知識更容易被保存與傳承。
四、建立 AI 工作流的 4 個步驟
想開始使用 AI 工作流,不需要一次學會所有工具,也不需要從複雜自動化開始。建議從最常遇到、最耗時間的任務切入。
步驟一:找出重複性高的工作
先觀察自己一週內最常做、最花時間的工作。
例如:每週寫週報、每天回信、每次開會都要整理紀錄、每月要做報表、常常要寫社群文案。
只要是「重複出現、格式類似、需要整理文字或資料」的工作,就很適合先嘗試導入 AI。
步驟二:把工作拆成小步驟
不要只對 AI 說:「幫我做報告。」這樣的指令太模糊,AI 產出的內容也容易不符合需求。
你可以把任務拆成:
先整理重點 → 再產出大綱 → 再寫初稿 → 再優化語氣 → 最後檢查是否有遺漏。
拆得越清楚,AI 越容易協助你完成真正需要的結果。
步驟三:建立固定 Prompt 模板
當你發現某個任務常常會重複出現,就可以把好用的指令存成模板。
例如會議紀錄模板:
「請根據以下會議內容,整理成:
1. 會議目的
2. 討論重點
3. 已決議事項
4. 待辦事項
5. 負責人
6. 截止日期
7. 需要追蹤的問題
請用條列式呈現,語氣清楚、適合寄給團隊成員。請特別標註不確定或需要人工確認的地方。」
最後一句很重要,因為它能提醒你不要把 AI 產出直接當成正式答案。
步驟四:人工檢查與優化
AI 產出的內容不能直接視為最終版本。使用前,建議檢查:
內容是否正確?
語氣是否符合公司文化?
數字、日期、人名是否有誤?
是否有過度承諾?
是否遺漏重要脈絡?
是否包含不該外流的資訊?
是否適合對外發布?
AI 工作流的核心不是「全自動」,而是「半自動加速」。人仍然要負責最後品質。
五、使用 AI 工作流前,先做 5 個安全檢查
在把資料丟給 AI 前,建議先問自己 5 個問題。
1. 是否包含個資?
例如姓名、電話、Email、身分證字號、薪資、病假紀錄、客戶資料等,都不建議直接輸入一般 AI 工具。若真的需要整理,應先去識別化,或依公司規範使用指定工具。
2. 是否包含公司機密?
例如未公開財報、合約條款、商業策略、產品 Roadmap、內部報價、客戶名單等,都應依公司規範處理,不應任意上傳。
3. 是否需要取得同意?
若要錄音、轉逐字稿或整理會議內容,應確認參與者知情,並遵守公司政策與相關規範。
4. 是否需要查證?
涉及新聞、法規、數據、價格、職缺條件、政策與專業建議時,都應查證原始來源。AI 可以協助整理,但不應被視為唯一依據。
5. 是否可以直接對外發布?
AI 產出的文字應經人工審稿,確認沒有錯誤資訊、過度承諾、侵權疑慮或不符合品牌語氣的內容。
六、上班族可以先從這 5 種 AI 工作流開始
如果你是 AI 新手,建議不要一開始就追求複雜工具串接,可以先從以下 5 種最容易看到成效的工作流開始。
1. 會議紀錄工作流
適合對象:專案經理、主管、業務、人資、行政、行銷。
流程:取得同意的會議內容 → AI 協助摘要 → 產出待辦 → 人工確認 → 發送團隊。
這是日常工作中很實用的場景,但務必注意錄音同意與資料保護。
2. Email 回覆工作流
適合對象:業務、客服、主管、行政、跨部門溝通者。
流程:輸入背景 → 說明對象與語氣 → AI 草擬 → 人工修改 → 寄出。
重點是要告訴 AI:收件人是誰、你的目的、希望語氣是正式、委婉、積極還是簡短。
3. 簡報大綱工作流
適合對象:企劃、行銷、產品、專案、主管。
流程:輸入主題與可使用資料 → AI 產出架構 → 補充案例與數據 → 轉成簡報頁面。
AI 很適合幫你打開第一步,避免卡在空白投影片前。
4. 週報與績效整理工作流
適合對象:所有需要回報工作成果的上班族。
流程:彙整任務清單 → AI 分類成果 → 整理成週報 → 補充數字與影響 → 送出。
這個工作流也能幫助你累積年度績效資料,避免年底考核時才回想自己做過什麼。
5. 資料摘要與學習工作流
適合對象:需要快速吸收新知、追蹤產業趨勢、準備提案的人。
流程:提供可信資料 → AI 摘要 → 請 AI 提出重點與應用方向 → 人工查證與判斷 → 形成自己的觀點。
這很適合用在閱讀產業報告、研究競品、整理課程筆記或準備內部分享。
七、AI 工作流不是工具問題,而是工作方法問題
很多人學 AI 時,會一直追最新工具。但對上班族來說,更重要的是先理解自己的工作流程。
同一個 AI 工具,在不同人手上會產生不同效果。差別不只在工具,而在你是否知道:
我想解決什麼問題?
我有哪些資料可以安全提供?
我希望 AI 幫我做到哪一步?
哪些內容需要我自己判斷?
產出後要用在什麼情境?
是否需要查證或主管確認?
當你開始用這些問題思考,就不只是單純「問 AI」,而是在設計自己的工作流。
把 AI 當成工作助理,而不是標準答案
AI 工作流的價值,不是讓工作完全自動化,而是幫助上班族從重複、瑣碎、耗時的工作中,找出可以被輔助的部分。
從今天開始,你可以先選一個最常見的工作場景,例如會議紀錄、Email 回覆、週報整理或簡報大綱,試著建立自己的第一套 AI 工作流。只要能把一個任務變得更清楚、更容易重複使用,就已經是很好的開始。
未來的職場競爭力,不一定是誰使用最多 AI 工具,而是誰能更有效率地結合 AI 與自己的專業判斷。
AI 可以幫你整理資訊、產出初稿、提供方向;但真正做出選擇、承擔責任、創造價值的人,仍然是你。
使用提醒
本文提供 AI 工具應用的學習建議,實際使用時仍應依公司資安規範、個資保護要求與工作情境調整。AI 產出內容可能有錯誤或過時資訊,重要資料、對外訊息與正式決策,仍需由使用者查證與確認。
看更多
1 0 1180 1
2026 開發者的身價保衛戰:在 Vibe Coding 浪潮中,拿回你的「定義權」
最近與許多技術團隊負責人和企業主聊天,大家不約而同提到一個現象:「開發軟體的門檻好像消失了,但系統崩潰的風險卻變高了。」
隨著前特斯拉 AI 主管 Andrej Karpathy 提出的 Vibe Coding(氛圍編程) 成為主流,我看到很多非技術背景的朋友,靠著與 AI 聊天就能生出亮眼的 App 介面;我也看到許多工程師開發速度提升了數倍,卻在「上線後」陷入了前所未有的技術債深淵。
當 Vibe Coding 已經普及,隨之而來的卻是嚴重的「開發斷層」。當開發者只靠氛圍、不靠邏輯時,系統將變得混亂無序。身為技術顧問,我想分享一個關於 2026 年開發範式的核心觀察:
「當程式碼變得廉價,你的『定義權』就是你的身價。」
__
為什麼「感覺(Vibe)」很好,系統卻會崩塌?
AI 可以根據你的「氛圍」快速產出代碼,但它無法替你思考複雜的商業邏輯,更無法預見潛在的安全威脅。如果缺乏結構與驗證,Vibe 出來的結果往往是:
* 需求斷層: AI 寫出的功能外表亮眼,卻與實際業務場景完全脫節。
* 安全性漏洞: AI 為了追求功能實現,常產出帶有 SQL Injection、跨站腳本 (XSS) 或缺乏權限驗證的程式碼。這些隱蔽的資安破口,在上線後將成為駭客進出的後門。
* 邏輯黑盒: 沒有人敢改 AI 寫的 Code,因為沒人知道邏輯邊界在哪。
* 擴充災難: 隨意生成的代碼導致耦合度爆炸,系統最終難逃「砍掉重練」的命運。
要駕馭這場技術海嘯,我們需要一套更人性化、也更嚴謹的**「數位防禦思維」**。
__
從 User Story 出發:找回軟體的「靈魂」
很多失敗的 AI 專案,問題都出在指令(Prompt)太過破碎。在 AI 時代,我們必須回歸本質,從 User Story (使用者故事) 開始:
「身為 [角色],我想要 [功能],以便於 [獲得價值]。」
這不只是文件,這是你與 AI 溝通的底層邏輯。如果你無法清晰定義需求與價值,AI 給你的只會是一堆華麗卻無用的廢碼。
__
建立 AI 時代的「鐵三角」品質防線
為了確保 AI 產出的結果不只是「看起來會動」,開發團隊必須導入以下框架,構築穩固的防線:
1. BDD (行為驅動開發):將需求變成「活的規格」
AI 容易產生幻覺,我們不能只給任務,要給「場景」。透過 BDD 的 Given/When/Then 格式描述行為,讓 AI 清楚知道「什麼樣的結果才算成功」,將開發轉變為**「目標導向工程」**。
2. TDD (測試驅動開發):建立不可穿透的「品質護欄」
在叫 AI 實作功能前,先叫它寫測試單元。TDD 是對付 AI 不確定性最強大的武器。透過先行的測試案例(Test Cases),強迫 AI 產出的程式碼必須通過斷言(Assertion),杜絕技術債。
3. DDD (領域驅動設計):建立邏輯的「護城河」
AI 懂語法但不懂你的生意。我們需要 DDD 定義 Bounded Context (邊界上下文),建立一套**「通用語言」**。這能確保複雜系統在規模化擴張時,邏輯依然清晰且不崩壞。
4. SDD (規格驅動開發):構築穩定「鋼骨」
在 ASP.NET Core 框架下,我們利用強型別與依賴注入 (DI),將上述行為轉化為不可違背的 Interface (介面)。這份「規格」就是 AI 必須遵守的施工圖,確保系統具備企業級的穩定度。
__
從「開發者」到「架構師」:定義未來的規則
2026 年,開發者的角色正經歷劇烈重塑。我們不再需要更多「只會寫 Code 的工程師」,而是需要更多**「具備領域洞察力、能編寫高品質規格、並能驗證 AI 品質的架構師」**。
__
這也是我在 X School 規劃 【Vibe Coding AI 工程師養成班】 的初衷。我們不走傳統的語法教學,而是教你:
* 從 User Story 挖掘核心商業價值。
* 透過 DDD 建立健壯的系統模型。
* 利用 SDD、BDD 與 TDD 建立 AI 無法穿透的品質護欄。
* 在 ASP.NET Core 的架構下,實現真正的**「精準開發」**。
這是一場關於「主導權」的訓練。在 AI 淹沒平庸之前,先讓自己成為規則的制定者。
如果你感覺目前的 AI 開發流程讓你焦慮,或許缺的不是更強的模型,而是一套能駕馭 AI 的開發方法論。
【Vibe Coding 全端架構師養成:ASP.NET Core × AI LLM 企業級實戰】 現在就加入,成為定義規則的人。
想了解更多課程資訊請詳見以下連結👇
看更多
0 0 3604 1
你可能感興趣的教室