104學習

104人力銀行 / 飛騰雲端系統股份有限公司 / AI 應用開發工程師 / 系統架構師 (Vibe Coding 導向) / 符合度分析
AI 應用開發工程師 / 系統架構師 (Vibe Coding 導向) 飛騰雲端系統股份有限公司
履歷符合度:
登入計算

性格適合度:

職缺要求技能

未具備

RDBMS

Node.js

Django

Cloud

vue.js

tuning

LLM

Prompt

測驗
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

林尚能

執行長

3小時前

GPT-5.4 正式發布:AI正在從工具變成「數位員工」,AI 開始能操作電腦
OpenAI 近期正式推出最新模型 GPT-5.4。這次的更新不只是單純的模型升級,而是一個很重要的訊號:AI 正在從「輔助工具」逐漸進化為可以 實際參與工作流程的數位員工,AI 開始能操作電腦
過去幾年,大多數人對 AI 的理解仍停留在幾個功能:寫文章、回答問題、翻譯、寫程式、整理資料。但 GPT-5.4 的推出,代表 AI 已經開始具備真正幫人完成工作的能力。
一、AI開始可以直接操作電腦
GPT-5.4 的一個關鍵突破,是 AI 可以操作電腦與軟體系統。
也就是說,AI 不只是提供建議,而是能夠 直接完成任務。
例如:
* 開啟網站並執行操作
* 填寫線上表單
* 操作 Excel 或企業後台
* 執行程式流程
* 透過畫面理解任務並完成操作
這意味著 AI 的角色正在改變。
從聊天機器人,變成可以 執行工作的 AI代理人(AI Agent)。
二、處理複雜工作的能力提升
GPT-5.4 在企業應用場景上的能力明顯加強,尤其是在資料處理與任務規劃方面。
首先是 長內容理解能力。
新的模型可以同時閱讀與分析大量資料,例如整份研究報告、長篇文件或完整程式碼。
其次是 多步驟任務能力。
AI 可以按照流程完成複雜工作,例如:
* 撰寫完整商業分析
* 建立財務模型
* 整理跨來源資料
* 規劃行銷策略
這使 AI 在企業管理、顧問分析與商業決策上變得更加實用。
三、準確度持續提升
OpenAI 也強調這一代模型在可靠度上的進步。
與上一代模型相比:
* 事實錯誤率降低約 33%
* 整體回答錯誤率降低約 18%
對企業來說,這件事非常重要。
因為 AI 若要真正進入工作流程,最重要的不只是能力,而是 穩定與可靠。
四、不同版本對應不同需求
GPT-5.4 同時推出多種版本:
GPT-5.4
標準通用版本,適合多數應用情境。
GPT-5.4 Thinking
強化推理能力,適合策略分析與複雜問題。
GPT-5.4 Pro
企業級版本,提供更高性能與 API 整合能力。
這些模型也逐步整合進 ChatGPT 與開發者平台。
五、AI產業的競爭正在改變
從 GPT-3 到 GPT-4,再到 GPT-5.4,可以看到一個非常明顯的趨勢。AI 的競爭焦點,已經不是誰比較會聊天。真正的差異會是:
* 誰能用 AI 提升企業效率
* 誰能讓 AI 自動完成工作流程
* 誰能用 AI 建立新的商業模式
未來幾年,AI 產業會圍繞三個關鍵字發展:
AI代理人(AI Agents)
AI自動化(AI Automation)
AI工作流程(AI Workflow)
我的觀察
AI 正在從「輔助工具」走向「生產力引擎」。以前 AI 可能只是幫忙寫一篇文章、做一張簡報。接下來 AI 會開始:
* 自動處理客服
* 自動營運網站
* 自動產生內容
* 自動分析市場
* 自動執行行銷流程
也就是說,AI 不再只是工具,而是 企業的一部分人力。未來幾年的差距不會是誰有 AI。而是誰真的會用 AI。
看更多
0 0 10 0
林尚能

執行長

3小時前

OpenClaw:開源 AI Agent 的崛起與產業應用新機遇
最近收到一家金控公司的邀請,
將進行一場主題為 「OpenClaw:開源 AI Agent 的崛起與產業應用新機遇」 的專題演講。
這場分享將聚焦在OpenClaw自動化與企業系統整合,內容包含技術架構、產業應用案例,以及未來 AI 自動化市場的發展趨勢。隨著 AI 技術快速成熟,許多大型企業已開始思考如何從「使用 AI 工具」,進一步升級到「打造 AI 生產力系統」,讓 AI 能真正參與企業的營運流程。
本次演講將深入探討幾個核心議題:
一、LLM、Workflow 與 Agent 架構的演進,以及 AI 從問答工具走向自主行動系統的趨勢。
二、OpenClaw 的技術架構解析,包括 Hub-and-Spoke 架構、記憶系統、安全防護與 API 整合。
三、企業導入 AI Agent 的實務部署方式,例如 Docker 容器化、雲端部署與企業系統串接。
四、金融、電商、醫療與企業營運等不同產業的 AI 應用案例。
五、AI 自動化與 Agent Marketplace 未來可能帶來的產業變化。
對我而言,能受邀到金融產業分享 AI Agent 的技術與應用趨勢,也代表大型企業已開始高度關注 AI 自動化與企業數位轉型 的下一個階段。
未來企業的競爭力,很可能不再只是人力與資本,而是 AI 與自動化系統的整合能力。
當 AI 能夠 24 小時運作、協助處理資訊與流程時,企業的效率與決策速度將出現非常大的差異。
如果未來有企業或組織,也希望深入了解 AI Agent、OpenClaw 或企業 AI 自動化導入,
歡迎與我們聯絡,洽談 企業內訓、顧問輔導或專題演講合作。...
看更多
0 0 8 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 0 289 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 0 785 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 23334 2