104學習

104人力銀行 / 旭辰資訊股份有限公司 / AI工程師-10510ZBL03 / 符合度分析
AI工程師-10510ZBL03 旭辰資訊股份有限公司
履歷符合度:
登入計算

性格適合度:

職缺要求技能

未具備

技術文件

人工智慧

測驗

Microsoft SQL Server

資安

測驗

Kubernetes

Docker

LLM

Prompt

測驗
已具備

Python

測驗

Github

測驗

PostgreSQL

測驗

新產品開發

測驗

產品生命週期

tensorflow

測驗

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

詹翔霖

商學院兼任副教授

02/28 23:59

組織行為學總結與未來趨勢 高苑科技大學企管系 組織行為學
第十八章 組織行為學總結與未來趨勢 高苑科技大學企管系 組織行為學
一、組織行為學的核心概念回顧
組織行為學(Organizational Behavior, OB)研究個人、團隊與組織在工作環境中的行為與互動。核心概念包括:
1. 個人層面
o 動機、態度、價值觀、人格、情緒與壓力管理
2. 團隊層面
o 團隊動力、領導、衝突、溝通與協作
3. 組織層面
o 組織文化、結構、變革、創新與績效管理
教學提示:組織行為學強調理論與實務結合,為管理決策提供科學依據。
________________________________________
二、關鍵理論與應用總結
層級 核心理論 主要應用
個人 馬斯洛需求層次理論、目標設定理論、認知與情緒理論 動機管理、績效提升、壓力管理
團隊 社會交換理論、團隊角色理論、Thomas-Kilmann衝突模式 團隊協作、衝突管理、溝通策略
組織 Lewin變革模型、Kotter八步驟、平衡計分卡、組織文化理論 組織變革、文化塑造、創新推動、績效管理
實務啟示:
• 理論為管理提供分析框架
• 案例驗證理論在真實組織中的應用
• 成功組織會整合個人、團隊與組織層面的管理策略
________________________________________
三、未來組織行為學趨勢
1. 數位化與人工智慧影響
o 遠距工作、虛擬團隊、AI輔助決策
o 對領導方式、溝通模式與績效管理提出新挑戰
2. 員工幸福感與心理健康
o 工作生活平衡、心理安全、彈性制度成為核心關注
o 組織文化與人本管理的重要性提升
3. 多元化與跨文化管理
o 全球化組織需管理文化差異與多元團隊
o 提升跨文化溝通、包容性領導與團隊績效
4. 創新與敏捷組織
o 組織需快速應對市場變化
o 敏捷管理、開放式創新、雙元創新成為常態
5. 資料導向管理(Data-Driven Management)
o 大數據與分析支援人力資源決策
o 精準招聘、績效評估、員工發展規劃
________________________________________
四、實務案例
案例1:微軟文化轉型與敏捷創新
• 由傳統命令式管理轉型為「成長型心態」(Growth Mindset)文化
• 引入敏捷方法與跨部門合作
分析:
• 結合文化變革、領導力與創新策略
• 提升員工學習能力與產品迭代速度
• 成效:創新成果增加,員工滿意度與組織績效提升
案例2:遠距工作與數位協作
• 多國企業實施遠距工作與虛擬團隊
• 使用AI協作工具與線上回饋系統
分析:
• 個人層面:自主性與自律需求提升
• 團隊層面:溝通與協作模式改變
• 組織層面:績效評估與文化管理調整
• 成效:提高靈活性與員工幸福感,但需管理資訊過載與團隊凝聚力
________________________________________
五、章節小結
1. 組織行為學整合個人、團隊與組織層面理論,提供管理實務科學依據。
2. 理論與實務案例結合,能有效提升組織績效、員工滿意度與創新能力。
3. 未來趨勢包括數位化、人工智慧、心理健康、多元化與敏捷創新,要求組織具備更高適應力。
4. 組織行為學的學習不僅是理論掌握,更需培養分析能力、應變能力與領導力,以應對快速變化的工作環境。
看更多
0 0 107 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 0 119 0
詹翔霖

商學院兼任副教授

02/21 21:22

AI與人生的知識學習
AI與人生的知識學習
知道自己知道
不知道自己知道
知道自己不知道
不知道自己不知道
AI 讓一切變得更快,也更容易。但對正在學習與工作的我們來說,真正困難的,反而是如何不在便利中迷失方向。
我越來越相信,AI 不會淘汰人。
它真正淘汰的,是對學習失去渴望的人。
在這個什麼都能被快速生成的時代,我選擇站在「我還不知道」的那一邊。
因為只要還願意學習,人就仍然走在路上。
當人工智慧成為工作與學習的日常工具,真正拉開差距的,不再是誰用得比較快,而是誰還保有持續學習的能力。
剛開始大量使用 AI 的時候,我其實很興奮。
報告寫得更快、想法整理得更順,很多以前卡很久的問題,幾分鐘就有答案。那一刻,我真心覺得:學習好像變得輕鬆多了。
直到有一天,我突然發現,自己越來越少問「為什麼」。
不是因為沒有疑問,而是因為答案來得太快,快到我來不及懷疑,也懶得深究。那一瞬間,我意識到一件有點可怕的事,我好像正在用效率,換掉學習本身。
後來我想到一個老概念:
知道自己知道、不知道自己知道、知道自己不知道、不知道自己不知道。
它聽起來像哲學,但其實每天都在職場與學習中上演。
會用 AI,很容易;但那只是開始
對很多年輕工作者來說,會用 AI 幾乎已經是基本能力。
懂得下指令、整理資料、生成內容,確實能讓人看起來很有效率。
但我慢慢發現,會用,不等於真的會。
如果只是把問題換個形式交給 AI,而自己不再理解背景、不再判斷結果是否合理,那能力其實沒有成長,只是被暫時遮住了。
AI 很容易讓人誤以為,自己已經站在「知道自己知道」的位置,但實際上,可能只是「用得很順」。
其實,我們比自己想像的更有能力
另一個常被忽略的狀態,是「不知道自己知道」。
很多時候,我們能感覺出一份內容不太對勁、一個決策風險很高,卻說不清理由。那不是不專業,而是因為有些能力,本來就來自經驗、觀察與累積。
在 AI 給出漂亮答案的同時,這些直覺與判斷很容易被忽略,甚至被懷疑。但我越來越確定,它們不是多餘,而是正在成形的專業感。
最重要的能力,是知道自己還差什麼
如果要我說,年輕職場人最值得培養的能力是什麼,我會選「知道自己不知道」。
能夠清楚說出「這我還不懂」、「這我需要再學」,不是扣分,而是加分。那代表你知道自己的位置,也願意往前走。
真正危險的,其實是「不知道自己不知道」——以為有工具就夠了,以為答案等於理解,最後卻在不知不覺中停止成長。
AI 不會讓人變弱,但會放大差距
我越來越相信,AI 不會淘汰年輕人。
它只會加速分開兩種人:
一種是願意持續學習、反覆校正自己理解的人;
另一種是只追求快速完成,卻慢慢失去判斷力的人。
在 AI 成為日常配備的時代,真正的競爭力,或許不是誰會用更多工具,而是誰還保有好奇心,願意為「還不會的部分」付出時間與耐心。
對我來說,承認「我還不會」,不再是一件丟臉的事,那反而是我提醒自己:我還在路上。
看更多
0 0 387 0
詹翔霖

商學院兼任副教授

02/16 15:11

行為改變技術的未來趨勢與創新應用 行為改變技術 大葉大學國企系
行為改變技術的未來趨勢與創新應用 行為改變技術 大葉大學國企系
一、章節導言
行為改變技術隨科技進步、社會需求與文化演變而不斷創新。未來趨勢不僅涉及數位化與遊戲化進一步深化,還包括 人工智慧(AI)、大數據分析、虛擬實境(VR)與元宇宙(Metaverse)應用,以及跨領域整合與個人化策略。本章將介紹行為改變技術的前沿發展,幫助學生了解未來研究與實務方向。
二、人工智慧與大數據在行為改變中的應用
1. 人工智慧輔助行為分析
o 利用機器學習分析行為模式、預測行為偏差,提供個人化建議。
o 範例:健康管理 App 根據運動與飲食資料,智能生成每週運動計畫。
2. 大數據支持策略設計
o 收集大量行為、社群互動與環境數據,分析有效策略。
o 可進行群體行為模式分析,優化干預設計。
3. 個人化干預(Personalized Interventions)
o AI 可依據使用者行為特徵、動機與偏好,調整提醒頻率、激勵方式與挑戰難度。
o 優勢:提升行為改變效率與持續性。
三、虛擬實境(VR)與擴增實境(AR)應用
1. 沉浸式行為訓練
o VR 提供真實情境模擬,增加行為練習與學習效果。
o 範例:模擬安全行為、減壓訓練、運動課程。
2. 互動式環境設計
o AR 可將行為目標融入現實環境,提供即時互動與反饋。
o 範例:AR 手機應用提示垃圾分類或節能行為。
四、元宇宙與沉浸式社群行為改變
1. 元宇宙環境特點
o 虛擬世界提供沉浸式社群互動、角色扮演與模擬任務。
2. 應用於行為改變
o 健康生活遊戲:虛擬角色運動任務與團隊挑戰
o 教育與學習:虛擬課堂、互動學習任務
o 社會環保活動:虛擬任務與實際行為結合,如回收兌換積分
3. 優勢與挑戰
o 優勢:高度互動、可跨地域實施、激發社群動機
o 挑戰:技術成本、數據隱私、行為轉移到現實的可持續性
五、跨領域整合與創新應用
1. 健康 × 教育 × 環境跨界專案
o 將健康運動、飲食、學習與環保行為結合,設計全方位生活改善方案。
o 例:校園生活平台,結合運動打卡、健康餐點選擇與低碳出行積分系統。
2. 智慧城市與行為改變
o 利用 IoT、智慧裝置與大數據,設計城市層級行為干預。
o 範例:智慧垃圾桶、自動步行計數與能耗監控,提供個人與社區反饋。
3. 心理學與神經科學結合
o 採用腦波、情緒監測技術設計行為干預,提升自我效能與內在動機。
六、章末重點整理
1. 行為改變技術正向數位化、遊戲化、AI 與元宇宙方向發展。
2. 人工智慧與大數據可提供個人化、精準化干預。
3. VR、AR 與元宇宙提供沉浸式體驗與社群互動,提高學習與行為改變效果。
4. 跨領域整合是未來行為改變技術創新應用的重要方向。
5. 技術創新需考慮可持續性、文化適配、隱私與倫理挑戰。
七、討論題
1. 討論人工智慧與大數據如何提升行為改變專案的精準化與效率,並分析可能的風險。
2. 設計一個元宇宙或 VR 應用專案,用於提升健康或教育行為,並說明其可行性與限制。
3. 如何結合跨領域資源(健康、教育、環境、數位科技),設計全方位行為改變方案?
八、案例分析
案例 8-1:AI 與遊戲化結合的校園健康生活專案
• 背景:某大學希望提升學生運動與健康餐飲行為。
• 專案設計:
1. 數位化與 AI:運動與飲食 App,自動分析學生行為模式,提供個人化提醒
2. 遊戲化元素:積分、徽章、排行榜、任務挑戰
3. 沉浸式社群互動:線上挑戰與虛擬角色扮演任務
4. 跨領域整合:健康運動、飲食選擇、低碳出行積分系統
• 效果:三個月後,學生運動次數平均提升 40%,健康餐點選擇率提升至 75%,社群互動活躍。
• 分析重點:AI、遊戲化與跨領域整合有效提升行為改變效果,但需持續監測行為維持與文化適配。
看更多
0 0 396 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 0 718 0