104學習

104人力銀行 / Phison Electronics Corp_群聯電子股份有限公司 / 高效能分散式 AI 系統工程師(MCP Agent/GPU 優化) / 符合度分析
高效能分散式 AI 系統工程師(MCP Agent/GPU 優化) Phison Electronics Corp_群聯電子股份有限公司
履歷符合度:
登入計算

性格適合度:

職缺要求技能

未具備

NPU

CI

MCP

Kubernetes

Redis

Kafka

Docker

LLM

已具備

Python

測驗

Github

測驗

PostgreSQL

測驗

tensorflow

測驗

軟體工程

PyTorch

測驗
有已符合的經歷忘了填寫嗎?記得定期 更新履歷

學習推薦

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 0 184 0
吳振興 Jeff 知識長

管理主管

02/09 12:00

【隱藏在效率的背後,AI是否正在扼殺你的思考?】
隨著AI的使用越來越普遍,越來越多人已經順利訓練出自己的AI好幫手,不管是工作、生活、學習新知識,甚至是情感交友,每天都有需要詢問AI的問題,也體會到AI帶來的便利性,整體來說是有大大的效益。
可是近幾年,越來越多人發現一件事:AI 用得越順,生活跟工作確實變快了,但思考的節奏,卻好像變得有點單一。
當「我問問題、AI回答,然後結束」變成習慣,思考反而慢慢被收窄,因為只要丟一個問題進去,很快就有一個「看起來合理」的答案出現。這時不少人可能會在心裡默默想:「這樣應該就夠了吧。」
過往我們可能要花好幾個小時才能完成的工作,如今只要幾分鐘就能搞定,但我們卻仍在多花幾分鐘去深入思考上,覺得是一種浪費時間?
【思考懈怠其實不是沒有動腦,而是太快就停止了】
從心理學角度來看,人本來就偏好「確定性」。在不確定、壓力大的環境裡,大腦會自然傾向選擇一個看起來最合理、最省力的答案,來降低焦慮。
AI 出現後,問題一丟出去,答案立刻回來,而且多半「看起來很有道理」。
在那個一瞬間,大腦會出現一種熟悉的感覺:
「喔,我好像懂了。」
「好像就是這樣沒錯。」
「這答案比我自己想的還完整。」
回答清楚、結構完整、語氣肯定,久了之後,人會不自覺把 AI 當成「標準答案提供者」,而不是「思考的輔助工具」。
那怕身處於AI幻覺之中。問題不在於用 AI,而在於自己的思考上已經被簡化成與AI的一條直線。
【幾個自我小測試,了解自己是否已經有出現思考懈怠】
1. 發問後看完AI的答案,很少再問第二題
以前查資料時,會邊看邊冒出新問題,然後發現原本是學一個單字,卻不自覺了學了很多延伸資料,現在卻常常只是「看到一個合理的完整回答,就直接結束」。
2. 覺得「AI給的答案已經比我想得好,我不用再多想」
這個思維本身已經很危險,因為AI給的回饋是基於你的Prompt,有時候下的情況有落差,AI 通常給的答案會是平均狀況,而你的情境通常不是,甚至很多細節也會不同,所以變成會出現乍聽起來好像算合理,但細問後就漏洞百出的狀況。
3. 開始習慣用「完全照做」取代「理解+思考」
像是當AI給出一個做法,你可能還不理解但你選擇照做,並沒有嘗試了解背後的源由,當腦袋中不再去思考「為什麼」,你可能先快速的通過了這一關,也取得了基本或是不錯的分數,但事實上你對於這個問題還是沒有了解。
當習慣單一答案,就會慢慢不耐煩多元說法,甚至覺得「這些不同意見好像只是浪費時間」。但很多關鍵性的突破,其實正是從那些「看起來很浪費時間」的地方蹦出來的。
4. 面對複雜問題時,甚至對AI開始沒有耐心
AI是自己的協作者,以前沒有AI時會需要花一整晚去拆解問題收集資料,現在卻會覺得:「為什麼AI更快一點給出結論?或是AI怎麼會這麼笨?」,而事實上這也是對自己學習耐心的容忍度持續下降。
5. 拿掉了AI,自己好像就什麼都不會了
因為習慣了AI給的種種答案,一旦離開了AI就好像被遮住了眼睛,對於很多問題就會感到遲疑及困惑,也會擔心自己的回覆會不會被人恥笑,其實這些都是很明顯的思考懈怠。
【直線思維可以很有效快速,但不夠應付整個面的現實世界】
直線思維的特點是:「問題 → 解法 → 執行。」在單一穩定可預期的情境下,這樣的快速思維非常好用。
但現實世界,尤其是職場裡的多數問題,往往是:#條件不完整、#資訊不對稱、#人的變動因素很多
這時候,如果只有用單一解決方法時風險反而會被放大。所以真正有彈性的思考,往往不是找「最快的答案」,而是先把思考從一條線,擴展成一個面。
把AI「給我答案」改成「幫我擴散思維」,讓自己回到專注問題而不是答案
像是「請列出 3 種完全不同的觀點去比對」
「如果站在反對方,會怎麼質疑這個結論?」
「有哪些情境下,這個回覆答案可能會不適用?」
2. 不要習慣遇到問題第一時間就問AI,先自己思考一下
很多資深工作者會有一個習慣,在使用AI工具前,先自己思考一輪。或是建立基礎的架構及項目,一方面是讓自己習慣先思考,另一方面也是為了讓腦袋有材料可以與AI進行對照、修正、深化。
【AI 真正適合扮演的角色,不是答案提供器,而是思考刺激器】
當 AI 被用來「給出答案」,這時候思考容易受影響而收斂;但當 AI 被用來「快速整理不同觀點及延伸」,這時思考反而會被打開。
所以當遇到問題時,我們可以試著這樣做
第一步:先自己想一版,不求完整,哪怕很粗糙,至少保留原始思考。
第二步:用 AI 做擴散,而不是收斂,請它提供多版本、多角度,而不是當作是最佳解。
第三步:仔細去比較這幾個版本的差異,而不是直接選一個,重點在於要問自己:為什麼這些解法不同?
第四步:回到實際情境面去做判斷,結合現實條件、人、風險,而不是只看架構完整,邏輯漂亮就真的適用。
第五步:保留調整空間,好的思考通常不是一次到位,而是需要多次的修正補充,而AI最大的優勢就在於縮短修正及補充的時間,而不是取代思考。
【一旦交出思考的主控權,AI就已經在扼殺自己】
AI 的出現,確實讓人變得更有效率。我們也不可能因為擔心被AI影響自己的思考,就拒絕去使用AI、接受AI,這只會讓自己更快被社會所淘汰。
但如果因此讓人習慣放棄「想多一點」、「想深一點」、「用不同角度去驗證」。這是非常危險的。真正成熟的使用方式,不是不用 AI,而是清楚知道:思考的主控權,始終在自己手上。
有時候那些看起來有點浪費時間的發散、比較與懷疑,正是展現我們思考的重要性,避免被單一解綁住、避免判斷失誤的關鍵。
當一個人能把 AI 當成輔助,而不是答案來源,思考就不會被壓扁成自己與AI之間的一條線,而是能幫助自己慢慢延伸思考拓展出一個有厚度的面。
看更多
1 0 745 0
104學習

產品

01/31 12:02

轉職首選!3 週從零到上手的數據分析師養成營 —— 104人力銀行 × 104學習 × 緯育 TibaMe 聯合推出
想跨入高薪、有前景,又能左右商業決策的數據分析師職涯,但擔心自己沒有程式背景、時間不夠嗎?
這堂【數據分析師學習營】或許是你理想的起點。
✨ 首次跨界合作,更強大資源整合✨
這次由 104學習精靈 首度攜手 緯育 TibaMe 聯合打造。
⚡104人力銀行 × 104學習精靈:深耕職涯數據多年,最了解台灣企業用人需求,課程更貼近市場實際職缺。
⚡緯育 TibaMe:累積多年產業培訓經驗,專注於 IT、數據、AI 等熱門技能轉職養成,培訓模式完整,輔導成效有口碑。
這樣的合作,讓學員享有真實的培訓經驗,學習效果與轉職落地率都更具保障。
課程亮點一次看
🔥3 週密集實戰:短短三週密集訓練,快速掌握職場必備技能,不必耗費半年、一年時間啃課表。
🔥零基礎設計:無需工程背景,也不用寫程式,由淺入深帶你學會資料庫查詢(SQL)與數據視覺化工具 Power BI。
🔥實戰作品累績履歷實力:課程設計強調實務操作,結訓不僅懂工具,更手上有完成的作品,讓履歷直接升級。
🔥專屬平台與支援:透過共學社群與專業助教協助,學習不再孤單。
為什麼你該報名?
🟢快速起步,快速看成果:三週聚焦提速進展,是在職或時間有限者的最佳選擇。
🟢具備市場需求核心技能:SQL 與 Power BI,完全符合企業當前的數據分析需求。
🟢履歷實力落地具體化:實作作品比起只學理論更能打動雇主眼光。
🟢104 × 緯育 TibaMe 強強聯手:把資源與專業結合,讓學習不只停留在課程,而是直通「就業」與「轉職」。
【名額倒數中,不要錯過現正優惠】
看更多
3 0 22044 2
林尚能

執行長

01/29 10:39

您的企業轉型,只差一堂對的AI課!
您是在尋求 企業整體效能提升的老闆,還是渴望業績翻倍的業務菁英?無論您的目標是什麼,戰國策戰勝學院都有為您量身打造的AI實戰課程。
由擁有超過25年企業經營實戰經驗、輔導近三萬家企業的戰國策創辦人林尚能親自授課,我們將複雜的AI技術,轉化為您能立即上手的實用策略。這不僅是AI課程推薦,更是由頂尖AI講師為您設計的企業AI培訓與導入企業訓練課程。
【專為管理者打造】企業AI轉型實戰:用生成式AI打造高績效、低成本團隊
這堂課專為企業主、高階主管與部門經理設計,我們將透過100%的實戰操作,教您如何運用生成式AI進行企業轉型,從優化內部流程、提升決策品質,到開拓全新商業模式,打造一支高績效、低成本的夢幻團隊,讓AI成為您最強大的競爭武器。
👉課程詳情與報名:https://www.nss.com.tw/product/ai0327
【專為業務菁英設計】AI 業務即戰力:六小時學 AI,高效成交工作坊
面對名單開發困難、溝通成本高、重複性工作繁瑣的業務痛點,這堂課將教您如何用AI重建銷售流程。從開發潛在客戶、製作動人提案、跟進客戶到成交轉化,我們將帶您實戰演練,讓AI成為您的超級業務助理,高效成交不再是難事。
👉 課程詳情與報名:https://www.nss.com.tw/product/ai-6-
立即行動,為您的企業與團隊注入AI超能力!
聘請頂尖顧問,從來都不是一筆開銷,而是對企業未來最明智的投資。
立即預約諮詢,讓我們的課程顧問為您的企業進行一場「人才發展健檢」。這或許就是引領您企業邁向下一波成長的開端。
現在報名,立即免費獲得三本獨家電子書:
《100個老闆最頭痛的問題》
《生成式AI時代的品牌生存指南》
《戰國策SEO策略優化全攻略電子書下載》
我25年來輔導近3萬家企業,最懂老闆經營的痛點。讓戰國策戰勝學院,成為您企業邁向勝利的戰略夥伴!
諮詢與聯繫:
LINE ID : @119m
免費諮詢專線 : 0800-003-191
戰勝學院官網 : mo.com.tw
看更多
0 0 284 0
職涯診所

01/29 00:05

0 0 959 0