Spark第二部曲： SQL輕鬆處理半結構化資料技巧
104學習
MS SQL
這項技能主要是指熟悉微軟關聯式資料庫系統，能夠設計、管理及優化資料庫。具備此能力的人能有效處理大量資料，寫出高效查詢語句，確保資料安全與完整性，並支援應用程式的資料需求。在台灣的資訊科技、金融、電商等產業中相當吃香，是資料庫管理、後端開發及資料分析等職位的重要基礎技能。擁有這項技能，代表具備良好的資料組織與問題解決能力，能提升工作效率並支援企業決策。
提升你的實力，朝專業更進一步
精選課程
充實自己，讓能力持續成長
教你完全掌握 SQL- 從資料庫建立到成為資料處理高手
快速活用 MySQL，精準設計關聯式資料庫
AI資料分析資料科學家必學！MySQL資料庫從零到高手：全面實作指南與應用案例
.NET開發資料庫應用系統全方位－ADO.NET與Entity Framework(.NET Core)攻略
NoSQL輕鬆學: 架構、設計與案例探討
C# 從零開始前進.NET物件導向程式全攻略
Linux Socket網路程式設計【本課程為線上課，報名後專員會提供上課資訊】
C# .Net Framework系統基礎實作攻略
精選證照
考取專業證照，讓能力被市場看見
MS-900 Microsoft 365 基礎認證
Microsoft Certified Fundamentals（簡稱 MCF），由微軟與國際專業認證機構 Certiport 合作推出，依雲端技術角色職能規劃認證類別，並透過引導式學習路徑，使應試者階段式全盤理解微軟雲服務在人工智能、大數據、資料科學、商業智慧和雲端運算等領域的實務應用，認證內容亦完整、準確地考核雲端技術，除作為專業技能上的有利佐證，更能充分展現個人在雲端時代職場上的競爭優勢。
即使是國際性的專業認證、英文證書，但是在試題上可以自由選擇語系，因此，在國內的MOS 認證考試亦提供有正體中文化試題，只要通過Microsoft的認證考試，即頒發全球通用的國際性證書。
取得Microsoft Certified Fundamentals 國際性專業能力認證，除了肯定您在雲端領域具備充分且專業的知識與能力外，亦可提昇您個人的競爭力、生產力與工作效率。在工作職場上更能獲得更多的工作機會、更好的升遷契機、更高的信任度與工作滿意度。
Microsoft
MySQL- Core
MySQL-Core證照驗證持有人具備MySQL資料庫的基本操作與管理能力，包含資料庫安裝設定、資料表建立與維護、資料查詢優化及基本安全設定，能有效運用SQL語法進行資料操作及問題排除，適用於資料庫管理、應用程式開發及資料分析等相關職務，提升職場競爭力。
Microsoft
MCDBA
MCDBA
「微軟認證資料庫管理員 (MCDBA)」懂得設計、實作及管理 Microsoft SQL Server™ 資料庫。
Microsoft
IBM DB2 Information Management
IBM DB2 Information Management證照驗證持有者具備使用IBM DB2資料庫管理系統進行資料庫設計、安裝、配置及維護的能力，能有效管理大型資料庫環境，確保資料安全性與完整性，並能運用SQL語言進行資料查詢與操作，提升資料庫效能與系統穩定性，適合從事資料庫管理、資料分析及系統開發相關工作。
IBM
Sybase Certified Associate -- Adaptive Server Enterprise Developer
Sybase Certified Associate -- Adaptive Server Enterprise Developer證照驗證持有者具備使用Sybase Adaptive Server Enterprise進行資料庫設計、開發與管理的基本能力，涵蓋SQL語法撰寫、資料庫物件建立、效能優化及故障排除等技能，適合從事資料庫開發與維護工作，提升職場競爭力與專業認證價值。
Sybase
Sybase Certified Associate -- Adaptive Server Anywhere Developer
Sybase Certified Associate -- Adaptive Server Anywhere Developer 證照驗證持有人具備使用 Sybase Adaptive Server Anywhere 資料庫系統進行開發的基本能力，涵蓋資料庫設計、查詢語言操作及應用程式整合等技能，適合從事嵌入式資料庫解決方案開發工作。此證照證明持有者能有效管理及優化輕量級資料庫，提升系統效能與穩定性，適合在企業內部資料管理及應用開發領域發展。
Sybase
精選貼文，掌握第一手知識
ChatGPT怎麼整理Excel資料？清理欄位、統一格式，樞紐分析不出錯｜8組提示詞範本
Excel或Google Sheets的欄位內容沒統一，樞紐分析被拆成好幾類、加總還算不出來？本文分享使用ChatGPT檢查欄位問題、建立清理規則、產生公式，並將混亂資料轉換成一致格式，附8組可直接複製的提示詞範本，同樣適用。本文節錄自《ChatGPT上工了! 最強AI活用術》。
文／施威銘研究室
本文目錄（點擊可快速前往）
請ChatGPT幫你清理Excel資料、統一欄位格式輸入指令請ChatGPT做檢查範例：清理訂單資料中的欄位與格式檢查資料、給予清理規則產生清理公式常見清理任務的指令範本：檢查欄位、金額、統一日期格式使用ChatGPT外掛時的注意事項
【在Excel或Google Sheets使用ChatGPT外掛】
工具：Excel或Google Sheets
外掛：ChatGPT for Excel／ChatGPT for Google Sheets
Excel安裝：常用→增益集→ 搜尋ChatGPT→ 新增
Google Sheets安裝：擴充功能→外掛程式→取得外掛程式→ 搜尋ChatGPT→安裝
登入：用OpenAI帳號登入。免費版及各訂閱方案皆可使用
注意：類似的外掛程式很多，下載時請確認公司名稱為「OpenAI」（圖／104職場力小編截圖）
請ChatGPT幫你清理Excel資料、統一欄位格式
資料表在進行排序、篩選、加總、查找或樞紐分析前，通常需要先確認欄位與格式是否一致。即使資料看起來可以閱讀，只要欄位內容不統一，後續分析就可能出現錯誤。例如，同一欄地區中同時出現「台北」、「臺北市」、「Taipei」；同一欄日期中混用「2026/1/5」、「1月5日」、「2026-0105」；同一欄金額中同時出現「1200」、「1,200」、「$1,200」、「1200元」。這些內容對人來說容易理解，但在試算表中可能被判斷為不同分類、不同格式，甚至不同資料型態。
ChatGPT可以協助使用者檢查欄位問題、建立清理規則、產生公式，並將混亂資料轉換成一致格式。用在資料整理的前置階段，幫助使用者判斷哪些欄位需要統一、哪些內容可能會影響計算，以及應該採用哪些功能來處理。
輸入指令請ChatGPT做檢查
使用這項功能時，可以先選取需要檢查的資料範圍，例如A1:F20，再於ChatGPT外掛中輸入清理指令。比較穩定的做法是先請外掛檢查問題，再請它建立規則，最後才請它產生公式或建議處理方式。可以在外掛中輸入：
【提示詞】請檢查目前選取的表格有哪些欄位與格式問題。請用表格列出欄位名稱、問題類型、可能影響與建議清理方式。請特別檢查日期、金額、分類名稱、空格與付款狀態是否一致。
如果已經知道要清理的欄位，也可以更精準地輸入：
【提示詞】金額欄位在（自行選取或填寫）欄，內容可能包含 $、,、元 等符號。請提供一個可以放在新欄位的公式，將這些內容轉成可加總的純數字。
先檢查問題以避免ChatGPT誤改資料；再建立清理規則可以讓我們確認標準；最後產生公式，則能把清理結果放在新欄位中檢查，而不是直接覆蓋原始資料。
範例：清理訂單資料中的欄位與格式
檢查資料、給予清理規則
假設工作表中有一份簡單的訂單資料：
訂單編號地區訂單日期金額付款狀態商品類別A001台北2026/01/051200已付款辦公用品A002臺北市1月6日850元已付辦公用品A003Taipei2026-01-07$2,300Paid電腦週邊A004新北2026.01.081,500未付款電腦週邊
這張表看起來仍然可以閱讀，但若要做統計，會出現幾個問題。地區欄位中「台北」、「臺北市」、「Taipei」可能代表同一地區，但在樞紐分析中會被拆成不同分類。訂單日期欄位混用斜線、中文日期、短橫線與句點格式，可能影響排序與月份統計。金額欄位混入「元」、「$」與逗號，可能造成加總失敗。付款狀態中的「已付款」、「已付」、「Paid」也需要統一。商品類別中的「電腦週邊」與「電腦周邊」雖然意思接近，但試算表會將它們視為不同類別。我們可以先選取這份資料，然後在ChatGPT外掛中輸入：
【提示詞】請檢查目前選取的訂單表有哪些資料清理問題。請用表格列出欄位、問題類型、可能影響與建議處理方式。請不要直接修改資料，先提出清理建議。
外掛可能回傳類似以下內容：
欄位問題類型可能影響建議處理方式地區同一地區有多種寫法樞紐分析或篩選時會被拆成不同分類建立對照表，將台北、臺北市、Taipei統一為臺北市訂單日期日期格式不一致可能無法正確排序、依月份統計或製作趨勢圖統一為 yyyy-mm-dd 格式金額數字混入符號與文字加總、平均或比較時可能出錯移除 $、,、元 後轉為純數字付款狀態分類命名不一致篩選與統計時結果分散將已付款、已付、Paid 統一為已付款商品類別同義分類用字不同分類統計會被拆成兩組將電腦週邊與電腦周邊統一為同一標準名稱
接著，可以在外掛中請ChatGPT建立清理規則：
【提示詞】請根據剛才檢查出的問題，建立一張清理規則表。欄位請包含：原始欄位、標準格式、建議方法、是否需要人工確認。
ChatGPT可能會回傳：
原始欄位標準格式建議方法是否需要人工確認地區台北市、新北市等標準縣市名稱建立對照表，再用XLOOKUP或VLOOKUP轉換是訂單日期yyyy-mm-dd使用日期轉換公式或先統一分隔符號部分需要金額純數字使用SUBSTITUTE、VALUE或REGEXREPLACE清除符號否付款狀態已付款、未付款建立對照表或使用SWITCH / IF統一否商品類別固定分類名稱建立對照表或使用取代功能是
這張規則表可以放在工作表旁邊，作為後續清理依據。需要人工確認的項目，通常是分類標準或語意判斷。例如「Taipei」是否一定要轉成「台北市」，要看資料來源是否可能包含「台北地區」或其他更寬的區域定義；「電腦週邊」與「電腦周邊」是否統一，也要看團隊採用哪一種標準用字。
產生清理公式
確認清理規則後，可以請ChatGPT 外掛針對特定欄位產生公式。比較推薦的做法，是在原始欄位旁新增「清理後」欄位，而不是直接覆蓋原始資料。例如可以新增「清理後金額」、「標準付款狀態」、「標準地區」等欄位，方便檢查公式結果是否正確。我們在這邊以「統一金額格式」、「統一付款狀態」為例子做示範。
1. 統一金額格式：若金額在D欄，可以在外掛中輸入：
【提示詞】金額欄位在D欄，可能出現1200、850元、$2,300、1,500這幾種格式。請提供一個可放在新欄位的公式，將它轉成可以加總的純數字。
Excel可能會出現以下公式：
=VALUE(SUBSTITUTE(SUBSTITUTE(SUBSTITUTE(D2,"$",""),"元",""),",",""))
這個公式用多層SUBSTITUTE逐一移除$、元與逗號，再用VALUE轉成數字。它的優點是容易理解，缺點是每新增一種要移除的符號，就需要增加一層替換。如果資料來源長期會出現不同格式，使用對照表、PowerQuery或更進階的清理工具可能更適合。
2. 統一付款狀態：原始資料中可能有「已付」「Paid」「未繳」「Unpaid」，我們希望統一成「已付款」或「未付款」。這時就可以先請ChatGPT建立一張對照表，再讓ChatGPT提供函數，把原始值轉成標準值。
【提示詞】請在原始資料旁建立一份「付款狀態對照表」，包含「原始值」與「標準值」兩個欄位，並依照下列規則填入：●「已付款」、「已付」、「Paid」統一對應為「已付款」。●「未付款」、「未付」、「Unpaid」統一對應為「未付款」。請保留原始資料，不要直接修改或覆蓋原欄位。
先請ChatGPT建立付款狀態的對照表（圖／旗標科技）
接著，請ChatGPT依照對照表寫的轉換規則，在原始資料旁新增「整理後的付款狀態」欄位，將E欄中格式不一致的付款狀態統一為標準值。對照表位於H2:I7，其中H欄為原始值，I欄為對應的標準值。
【提示詞】E欄為「付款狀態」，其中包含多種不同寫法。請參考H2:I7的對照表，提供一個可填入新欄位的公式，將 E 欄的付款狀態轉換為對應的標準值。若找不到相符的原始值，請顯示 "需確認"。
本次實際測試中，ChatGPT提供的公式如下：
=IFERROR(VLOOKUP(E2,$H$2:$I$7,2,FALSE),"需確認")
這個公式會先讀取E2儲存格中的付款狀態，並到H2:I7的對照表中尋找完全相同的原始值。找到後，會回傳對照表第二欄的標準值，例如將「已付」或「Paid」轉換成「已付款」。公式中的$用來固定對照表範圍，因此向下複製公式時，查找範圍不會跟著移動。如果找不到相符的付款狀態，IFERROR就會讓儲存格顯示「需確認」。
可以看到ChatGPT已經在G欄新增一個欄位，用來顯示統一判斷後的付款狀態（圖／旗標科技）
若使用的是Microsoft365或新版Excel，也可以使用XLOOKUP：
=XLOOKUP(E2,$H$2:$H$7,$I$2:$I$7,"需確認",0)
這個公式會取得E2的付款狀態，並在H2的「原始值」中尋找完全相同的內容；找到後，回傳同一列I2中的「標準值」。若找不到相符內容，就顯示「需確認」。最後的0代表必須完全符合，而$則用來固定對照表範圍，讓公式向下複製時不會移動。但是部分舊版Excel還有Google Sheets都不支援XLOOKUP，假如出現 #NAME?，就得改用VLOOKUP版本。
常見清理任務的指令範本：檢查欄位、金額、統一日期格式
在Excel或GoogleSheets中使用ChatGPT外掛清理資料時，可以依照問題類型輸入不同指令。若資料問題不明確，先要求外掛檢查；若問題已經明確，再要求它產生公式或清理規則。
使用需求可輸入到外掛的指令檢查欄位問題請檢查目前選取的表格有哪些欄位與格式問題，並指出哪些問題會影響排序、篩選、加總或樞紐分析建立清理規則請根據目前表格建立一份欄位清理規則表，包含欄位名稱、問題類型、標準格式與建議處理方法統一分類名稱請檢查目前選取欄位中哪些值可能代表同一意思，並建立標準化對照表。若不確定，請標註需要人工確認清理金額欄位請提供Excel與Google Sheets公式，將目前金額欄位中含有貨幣符號、逗號與文字單位的內容轉成純數字清理日期欄位請檢查目前日期欄位有哪些格式不一致，並建議如何統一為yyyy-mm-dd。若部分資料缺少年份，請標註需要補充規則清除多餘空格請提供公式，清除目前文字欄位中的前後空格、連續空格與不可見字元拆分混合欄位請根據目前欄位內容，判斷是否需要拆分成多個欄位，並提供Excel與Google Sheets可用方法檢查重複資料請根據目前表格欄位，建議應該用哪些欄位判斷重複紀錄，並說明理由
這些指令可以依表格內容調整。若外掛輸出的解法說明不明確，可以要求它「引用具體欄位名稱與範例值」；假如公式出錯又不知道怎麼調整，可以用「先用輔助欄位分步處理，再提供合併公式」提示詞處理。
使用ChatGPT外掛時的注意事項
使用ChatGPT 外掛清理欄位與格式時，應先保留原始資料。比較安全的做法，是新增「清理後」欄位，或另存一份工作表，再將公式結果放入新欄位中檢查。若直接覆蓋原始欄位，一旦清理規則有誤，就不容易回頭確認資料原貌。這一點在金額、日期、客戶資料、庫存資料與交易紀錄中特別重要。
清理後也建議進行抽樣比對。可以挑選幾筆正常資料、空白資料、格式特殊資料與找不到對應值的資料，檢查清理前後是否符合預期。例如付款狀態使用對照表轉換時，若某個原始值沒有出現在對照表中，公式最好顯示「需確認」，而不是直接保留原值或顯示空白。這樣可以讓尚未被清理規則涵蓋的資料浮現出來，方便後續補充對照表。
清理公式也需要測試，尤其是日期與金額欄位，只要資料中有少數特殊格式，公式就可能失效。例如金額欄位如果出現負數、括號表示負值、百分比、小數點或不同幣別，原本只移除符號的公式可能不夠用。日期欄位若出現缺少年份、民國年、西元年混用，或文字日期與數字日期混雜，也需要先確認轉換規則，不能只依賴單一公式。
如果試算表裡的資料會定期更新，建議把清理規則整理在工作表中，例如建立一張「對照表」或「清理規則」工作表，記錄原始值、標準值、處理方法與是否需要人工確認。ChatGPT外掛可以協助產生規則與公式，但清理規則最好留在試算表內，方便日後重複使用、檢查與交接。
節錄自：旗標科技《ChatGPT上工了! 最強AI活用術: ChatGPT Work×GPT 5.6》／施威銘研究室 著
用ChatGPT Work整理名片、簽到表！建立Excel聯絡人清單，統一格式、合併重複資料
收集到的名片、手寫簽到表、舊聯絡資料超難整理？作者示範用ChatGPT Work讀取名片、手寫簽到表與舊CSV，教你擷取聯絡人資料並建立Excel清單，逐步統一公司名稱、電話與職稱格式，合併重複資料，快速完成部門共用聯絡人名單。本文節錄自《ChatGPT AI Agent 工作術》。
文／施威銘研究室
本文目錄（點擊可快速前往）
名片、簽到表和舊CSV散一堆？整理成部門共用聯絡清單【步驟1】先擷取資料，不急著合併【步驟2】統一名稱與格式，並補上分類【步驟3】合併重複資料，建立共用清單3分鐘帶你一次看懂：完整動作影片教學！
名片、簽到表和舊CSV散一堆？整理成部門共用聯絡清單
活動、展會或客戶拜訪結束後，聯絡資料常常散在不同地方：有人拍了名片，有人留下手寫簽到表，資料夾裡還有一份很久以前整理過的聯絡人CSV。這些資料如果沒有統一整理，很容易出現同一家公司重複建檔、電話格式不一致、窗口資料缺漏，或找不到後續該聯絡誰的問題。
本節將透過ChatGPT讀取名片照片、簽到表照片與既有CSV，整理成一份部門共用的聯絡人清單。完成後，Excel會保留原始擷取結果、格式統一後的資料、共用聯絡清單，以及仍需人工確認的項目，方便後續查找、分類與分工。
名片、簽到表、既有聯絡人CSV資料示意圖。本文示範用ChatGPT讀取名片照片、簽到表照片與既有CSV，整理成一份部門共用的聯絡人清單。（圖／旗標科技《ChatGPT AI Agent 工作術》）
必備工具：
桌面版ChatGPT：切換至Work模式（免費版帳戶目前可以透過桌面版使用Work模式，但無法透過網頁版及手機版使用。）下載ChatGPT Windows桌面版>>
範例資料檔：此範例包含名片照片、手寫簽到表照片及既有的聯絡人CSV。
Spreadsheets外掛：用來建立Excel檔案。
Microsoft Excel：檢視外掛生成的檔案是否正確。
註：Spreadsheets外掛中包含兩種不同用途的技能：Spreadsheets與Excel Live Control。本例使用Spreadsheets技能，用來建立及整理試算表；另一項Excel Live Control則可直接操作目前桌機中開啟的Excel。
【步驟1】先擷取資料，不急著合併
面對格式不同的聯絡資料時，不建議一開始就要求ChatGPT同時清理、合併及刪除重複項目。一旦辨識錯誤，會很難判斷問題出在資料擷取還是後續整理。
首先，將名片照片、簽到表照片與舊聯絡人CSV集中放入同一個資料夾。接著在桌面版ChatGPT切換至Work模式，建立專案並選擇該資料夾作為工作資料夾，讓ChatGPT可以直接讀取其中的所有檔案。
這一步只先擷取各來源中的聯絡資訊，建立初步清單，不進行格式修改或重複資料合併。完成後，再檢查姓名、公司名稱、電話與Email是否讀取正確。
提示詞
@Spreadsheets請整理工作資料夾中的聯絡資料檔案，包含名片照片、手寫簽到表照片與舊聯絡人CSV，並先建立一份新的Excel初步清單。請先擷取以下欄位：姓名、公司名稱、職稱、電話、Email、網站、資料來源、備註。先不要合併重複資料，也不要更動資料格式。請列出你認為後續需要統一格式或人工確認的項目即可。
建立完成後，點擊Excel檔案即可直接在ChatGPT中預覽活頁簿內容；如果對特定欄位有疑問，可以選取儲存格後點擊Ask Codex，針對選定內容提問或要求修改（圖／旗標科技《ChatGPT AI Agent 工作術》）
注意！雖說可以直接在ChatGPT中檢視建立完成的Excel檔案，但因為顯示的視窗寬度有限，一旦檔案內容太多，就常會需要用到滑桿拖曳顯示被遮住的內容，建議直接使用Excel開啟檔案檢視內容。1. 右鍵點擊檔名後 2. 選擇在Default App中開啟，即可使用Excel開啟檔案。
「待確認項目」頁籤會集中列出無法辨識、格式不一致或可能需要人工判斷的內容，作為下一步整理資料的檢查清單（圖／旗標科技《ChatGPT AI Agent 工作術》）
確認初步清單沒有明顯的辨識錯誤後，就能根據這些問題統一資料格式。
【步驟2】統一名稱與格式，並補上分類
同一家公司在不同資料來源中，可能分別使用中文名稱、英文名稱或簡稱，例如華碩、ASUS與ASUSTeK Computer Inc.。電話也可能同時出現+886、區碼、分機或缺少區碼等不同寫法。
如果沒有先統一這些內容，後續篩選或合併資料時，同一家公司或聯絡人就可能被判斷成不同對象。
這一步除了整理公司名稱與電話，也會加入廠商分類、職稱中文說明及待確認欄位，讓聯絡清單更容易查找與分工。
提示詞
@Spreadsheets請根據前一步的「待確認項目」，將初步聯絡清單整理成一張新的「格式統一後清單」。請協助完成以下整理：1. 統一公司名稱，將同一家公司的不同寫法整理為一致名稱。2. 統一台灣電話格式；缺少區碼時，在備註標示「需確認區碼」；非台灣電話則保留原格式。3. 新增「廠商分類」欄位，依照公司性質分類。4. 新增「職稱中文說明」欄位，補充英文職稱的中文說明，不要覆蓋原始職稱。5. 新增「待確認」欄位，記錄無法判斷的姓名、公司名稱或電話。請保留原本的初步清單，另外建立新的工作表，不要直接覆蓋原資料。
活頁簿中會新增「格式統一後清單」，原始的初步清單仍會保留；公司名稱與電話會依規則統一，並新增廠商分類、職稱中文說明及待確認欄位（圖／旗標科技《ChatGPT AI Agent 工作術》）
格式統一後，原本寫法不同的公司、電話與職稱就有了共同的比對基準，接下來才能比較可靠地判斷重複資料。
【步驟3】合併重複資料，建立共用清單
這一步要根據公司名稱、姓名、電話與Email交叉比對。能明確判斷為同一人的資料才進行合併；資訊不足或比對結果不明確時，則保留到待確認清單，不直接刪除。
提示詞
@Spreadsheets請根據「格式統一後清單」，比對公司名稱、姓名、電話與Email，建立一份「共用聯絡清單」。能明確判斷為同一人的資料請合併，保留較完整的聯絡資訊，並記錄所有資料來源。如果無法確定是否為同一人，請移至「待確認資料」工作表，不要直接合併或刪除。
「共用聯絡清單」會合併已確認的重複資料，保留較完整的聯絡方式與所有資料來源；無法確認的相似資料會集中放在「待確認資料」，交由使用者進一步核對，不會直接刪除（圖／旗標科技《ChatGPT AI Agent 工作術》）
到這裡，散落在名片、簽到表與舊CSV中的聯絡資訊，就整理成一份可以共同維護的部門清單了！本例刻意將流程拆成「擷取資料、統一格式、合併重複資料」3個階段，讓每一步都能先確認結果，避免前面的錯誤一路帶進最終清單。
3分鐘帶你一次看懂：完整動作影片教學！
節錄自：旗標科技《ChatGPT AI Agent 工作術：87 個職場實作範例 | ChatGPT Work × Plugins × Skills》／施威銘研究室 著
如何成為後端工程師？精準掌握必備核心技能＆職涯精進攻略
你是否想轉職成為後端工程師，打造更穩定、具成長性的技術職涯？無論你是剛開始學習程式語言的新手，或正在尋找明確學習方向的職場工作者，這份後端學習地圖將幫助你掌握後端工程的核心技能、實戰經驗與職涯發展路徑。透過系統化的學習規劃與專案實作，你將更有信心地踏入後端領域，成為職場中真正被需要的技術人才。
文 /【104學習精靈】
本文目錄（點擊可快速前往）
後端工程師是什麼？和前端、全端工程師有什麼不同與優勢之處？掌握後端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能轉職後端工程師的學習策略後端工程師薪資行情與職涯發展後端工程師的挑戰與機會
後端工程師是什麼？和前端、全端工程師有什麼不同與優勢之處？
🎯 後端工程師工作內容
後端工程師（Backend Engineer）主要負責伺服器端的邏輯開發，包括資料庫管理、API 設計、伺服器架構以及系統效能優化。他們確保前端應用程式能夠順利與後端系統交互，並提供穩定的數據與服務。
🎯相近職類比較：DevOps、全端、前端、後端工程師差別
職位主要負責技術負責範圍後端工程師（Backend Engineer）伺服器架構、API 設計與串接、資料庫管理、效能優化負責後端邏輯、數據清理，確保前端能夠存取正確的資料前端工程師（Frontend Engineer）HTML、CSS、JavaScript、React、Vue負責 UI/UX 設計，開發與使用者互動的前端界面全端工程師（Full Stack Engineer）前端 + 後端技術能獨立開發完整應用，涵蓋 UI、後端 API、資料庫管理DevOps 工程師（DevOps Engineer）Docker、Kubernetes、CI/CD、自動化部署負責開發與運行環境的部署、監控與維護，提升開發效率
🎯 為什麼選擇後端開發？
後端開發是資訊產業中穩定且高度需求的領域，適合對邏輯、架構、系統思維有興趣的學習者投入：
就業市場穩定成長：隨著數位化轉型普及，後端開發職缺在各行各業皆有需求，從新創到大型企業都有穩定徵才。
強調邏輯與架構設計：後端工程著重資料儲存、伺服器溝通、API 設計等，適合喜歡系統設計與架構思考的人。
職涯彈性大：從初階後端工程師到系統架構師，甚至 DevOps、SRE、資安領域都有後續延伸路徑。
遠端與自由接案機會多：後端開發技能通用性高，較容易接國際案或轉為遠距工作者。
AI 與資料應用的基礎：資料庫管理、API 串接、運算效能等能力，也可延伸應用至 AI 系統部署或資料工程等新興領域。
🎯 誰適合轉職後端工程師？
後端開發適合各類背景者，關鍵在於邏輯思維、學習動機與持續投入：
✅ 設計/前端背景：具備良好使用者體驗與前端邏輯，轉後端可成為 Full-Stack 工程師，提升職涯彈性。
✅ 商管背景：邏輯能力佳且理解商業流程，適合轉後端結合業務邏輯，強化企業系統開發應用。
✅ 理工背景（如物理、數學）：邏輯與抽象能力強，容易掌握資料結構與演算法，是進入後端的優勢群體。
✅ 非資訊領域自學者：只要有堅強動機與自律力，透過系統性訓練與專題實作亦能成功轉職。
✅ 現職 IT 工程師（如測試、維運）：已具備技術背景，轉入開發領域有明顯加速效益。
✅ 資料分析師：熟悉資料處理與 Python，轉向後端可擴展資料處理與系統部署的完整技能鏈。
掌握後端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能
🧭 後端工程師技能、工具分類表
語言與工具資料處理與資料庫API 設計與架構DevOps 與部署基礎Python / JavaScript / Java / GoGit / GitHub / GitLabSQL（PostgreSQL / MySQL）資料庫基礎觀念REST APIHTTP 基礎了解部署概念核心*熟悉後端框(SpringBoot, Django, Express, Gin)*熟悉語言設計模式撰寫可讀性高的程式NoSQL（MongoDB / Redis）基本資料模型設計身分驗證（JWT / OAuth）API 文件設計（Swagger）*Docker 容器化*CI/CD 自動部署 進階*多語言協作力*程式效能優化*高效能資料庫設計*索引分片與備援策略GraphQL / gRPC微服務架構（CAP / CQRS / Event Sourcing）Kubernetes、服務網格（Service Mesh）監控與日誌系統認證*程式語言認證 (例如Python 程式設計證照PCAP）*個人作品集AWS Database SpecialtyMongoDB 認證*API 設計課程證*書專案開發經驗（如 Hackathon）*AWS Certified DevOps Engineer*CKA（Kubernetes Administrator）▲ 後端工程師應具備技能、工具能力、職涯指引表，點選不同技能會對應到相關課程。
後端工程師學習地圖與路徑（搭配AI工具）
🔰 初學者階段（0–6 個月）
✅ 目標：熟悉基礎程式語言與網路知識，能夠開發基本 API。
📌 學習內容：
選一門後端語言（Python / JavaScript / Java）：選一門主流語言打好程式基礎，進入開發世界。
Git 與版本控制（GitHub / GitLab）：讓你能有效保存、回朔與分享你的程式碼。
理解網路基礎與 HTTP 協議：理解網站如何運作與資料如何傳輸。
SQL 資料庫（PostgreSQL / MySQL）：學習資料查詢語言，管理網站背後的資料。
REST API 開發：學習建立網頁服務的後端接口。
Python 程式設計能力 - 線上免費檢測
📌 AI 工具應用：
ChatGPT 協助語法學習與除錯：快速解釋語法、找出 bug、提供程式碼建議。
GitHub Copilot 協助寫基礎 CRUD 程式碼：協助補上程式片段。
📌 備選學習：
Go 語言：效率高但語法嚴謹，對初學者略具挑戰。
Node.js（JavaScript 後端）：若未來想走全端路線可以學。
✅ 適合考取的證照：
Python 程式設計證照（PCAP）
ITS (Information Technology Specialist, IT 資訊科技專家認證
Oracle MySQL Database Developer
AWS Certified Cloud Practitioner（雲端基礎，有助於未來學 DevOps）
[course_plugin title='Python課程' keyword='Python 輕鬆上手學' amount=1]
[course_plugin title='後端工程師入門課程' keyword='成為後端工程師' amount=1]
🚀 中階階段（6–12 個月）
✅ 目標：熟悉進階 API 設計、資料庫優化，學習 DevOps 工具。
📌 學習內容：
學習後端框架 (Express、Spring Boot、Django、Gin) ：掌握常用的後端框架。
身份驗證與授權（JWT、OAuth）：幫使用者安全登入，讓資料不被偷看。
NoSQL 資料庫（MongoDB、Redis）：適合儲存彈性格式的資料或快取機制。
Docker 容器化：讓你的程式「打包好、帶著走」。
CI/CD 自動部署（GitHub Actions）：程式更新後自動上線，省時又省心。
📌 AI 工具應用：
使用 AI 幫你產生 Dockerfile 與 CI/CD 配置：不懂也能靠 AI 輔助上手。
協助設計 API 架構與資料庫 schema：加速設計與重構過程。
📌 備選學習：
GraphQL：適合複雜資料查詢，但非所有團隊使用。
gRPC：適合內部高效通訊場景，小型專案可暫不碰。
Jenkins（較舊型 CI/CD 工具）：學習成本高，可視需求使用。
HATEOAS（超媒體 API）：學術價值高，實務上較少見。
✅ 適合考取的證照：
MongoDB Developer Certification
Docker Certified Associate (DCA)
Microsoft Azure Fundamentals (AZ-900)
HashiCorp Terraform Associate（如學有餘力涉略基礎 IaC）
[course_plugin title='後端工程師中階課程' keyword='接案必學 ◆ 邁向更專業的App開發' amount=1]
🏆 進階階段（12 個月以上）
✅ 目標：學習架構設計，提升可擴展性與效能。
📌 學習內容：
微服務架構（CAP 理論、CQRS、Event Sourcing）：學會如何將大系統拆小管理，處理資料一致性問題。
Kubernetes 與服務網格（如 Istio）：讓多個服務能自動部署與協調運作。
高效能資料庫設計與分片策略：設計能承受高流量的資料系統。
系統監控與安全性實踐（如 Prometheus、Grafana）：確保系統穩定、安全運作。
📌 AI 工具應用：
AI 幫你設計 YAML 檔與架構圖：快速理解與部署分散式架構。
系統瓶頸分析助手：用 AI 分析 log 或效能資料，加快除錯與優化。
📌 備選學習：
Istio 等 Service Mesh 工具：適合大型微服務團隊，維護成本高。
Event Sourcing：較進階模式，建議有實務需求時再深入。
✅ 適合考取的證照：
Certified Kubernetes Administrator (CKA)
AWS Certified Solutions Architect – Associate
Google Cloud Professional Cloud Architect
DevOps Engineer Professional（AWS / Azure）
[course_plugin title='後端工程師進階課程' keyword='Java進階專業｜前後端整合開發與應用' amount=1]
5個後端工程師應具備的軟技能特質：
邏輯思維與問題解決能力
能夠理解業務需求並轉化為系統邏輯，並針對錯誤快速找到根本原因。
【小測驗】來測測看自己的問題解決技巧 👉 問題解決 - 職能檢測｜104學習精靈
溝通與跨部門協作能力
後端工程師需與前端、產品經理、DevOps 甚至業務單位協作，良好的溝通有助於準確理解需求與回報技術限制。
【小測驗】來測測看自己的溝通能力技巧 👉 溝通協調 - 職能檢測｜104學習精靈
學習與自我成長動能
後端技術（如框架、資料庫、API標準）快速演進，必須持續學習與更新知識。
細心與責任感
後端處理大量資料及邏輯，細節錯誤容易引發資安問題或系統錯誤。
時間管理與自我管理能力
在遠端工作日益普遍的環境下，自律與時程安排變得尤為重要。
轉職後端工程師的學習策略
🎯 初學者或轉職者的學習策略
轉職或初學後端工程，建議採取階段式、任務導向的學習策略，以下列點歸納：
設定明確學習階段：分為基礎語言（如 Python/JavaScript）、資料庫應用、框架學習（如 Django、Node.js）、部署維運。
專案導向學習：每學完一個階段，就進行小型專案驗證所學，例如 Todo List、部落格、會員系統等。
培養問題解決能力：鼓勵查文件、逛論壇、問 ChatGPT，建立獨立解決 bug 的習慣。
學習版本控制與團隊協作：掌握 Git、GitHub、簡單 CI/CD，增加求職競爭力。
善用 AI 工具輔助學習：例如用 ChatGPT 解釋程式碼、Copilot 寫樣板、Kaggle 或 LeetCode 練習邏輯。
參與社群與實戰活動：參加黑客松、Open Source 專案、小型 Freelancer 案，強化實務經驗與人脈。
建立個人學習履歷：記錄學習歷程、撰寫技術部落格、整理 GitHub 作品集。
🎯 不同領域的客製化學習策略對照表
學歷背景優勢可能挑戰調整建議資訊相關科系已具備基礎程式能力、學科知識缺乏實務經驗、專案規模小強化實作專案與部署經驗，參與社群或實習累積履歷非資訊理工（如數學、物理）邏輯與數學能力強，適應資料結構與演算法快缺乏開發環境熟悉度與應用場景理解著重環境建置、框架與資料庫應用，透過實作強化「業界語感」設計/前端背景了解 UI/UX 與前端邏輯，轉職成為全端潛力大對資料結構與後端語法較不熟悉從 API 串接、簡單後端框架入手，逐步學習資料庫與後端設計邏輯商管/人文背景商業邏輯與跨領域溝通力強，善於理解用戶需求技術門檻高、邏輯訓練少以高階語言（如 Python）為起點，結合專案題材（如 CRM、報表系統）學習效果更佳在職 IT 工程師（測試、維運）已熟悉技術工具與環境、具系統性思維缺乏開發流程與程式架構設計經驗透過轉任內部開發專案或小型 App 開發練習，搭配設計模式與框架學習資料分析/AI 轉職者熟悉資料邏輯與語言（如 Python）、了解資料流缺乏完整系統建構經驗補足後端架構設計與部署技巧，從資料處理串接 API、Flask、FastAPI 切入
後端工程師薪資行情與職涯發展
後端工程師薪資概況
📌台灣後端工程師薪資
初階（3年以下經驗）：月均薪約6.2萬。
中階（3- 5年經驗）：月均薪約 6.5 萬。
高階（5-10年經驗）：月均薪約7.3萬。（以上資料來源：104薪資情報）
📌影響薪資的因素
技術棧與專精程度熟悉高效能架構（如微服務、分散式系統）、熱門語言（如 Go、Rust）、或 DevOps/雲端技能者，薪資會更高。
產業領域與公司規模金融科技、AI、新創、外商薪資通常優於傳產與一般中小企業。
作品集與實戰經驗有實際上線專案、參與開源、或技術部落格者更具競爭力。
證照與專業認證（如 AWS Certified、Kubernetes、GCP）對某些企業或外商來說是加分項。
英語能力與跨國協作經驗能與國際團隊溝通的工程師更受青睞，也更容易爭取外派或海外遠端工作機會。
英文能力 - 線上免費檢測
後端工程師的職涯發展路徑
🔵 技術專精路線（Individual Contributor / IC Path）
從「後端工程師」起步，專注於技術深度與系統設計，逐步升級為具備橫向影響力的技術專家。
▶ 初階 / 中階後端工程師（Backend Engineer）
負責功能開發、資料庫操作、API串接與單元測試。
▶ 資深後端工程師（Senior Backend Engineer）
擁有跨模組開發與維護經驗，熟悉系統效能優化、API 設計規範。
✳️ 學習前端技術 → 全端工程師（Full-Stack Engineer）
技能補充： React/Vue、Node.js、前後端整合、RESTful/GraphQL。
應用情境： 適用於產品團隊需快速開發 MVP 或技術創業者。
✳️ 提升系統架構能力 → 系統架構師（Software/System Architect）
技能補充： 微服務設計、DDD、API Gateway、資料一致性、可觀測性（Observability）。
應用情境： 適用於中大型系統升級或技術重構專案。
✳️ 學習 DevOps → DevOps 工程師（DevOps Engineer）
技能補充： GitOps, Jenkins, GitHub Actions, Docker, Ansible。
應用情境：經由緊密的開發＋運營合作，使企業更高效推出高品質產品。
▶ 全端工程師（Full-Stack Engineer）
獨立開發從 UI 到 API 再到資料庫的完整功能。
▶ 系統架構師（System Architect）
負責設計全系統技術藍圖，定義模組邊界、資料流設計與技術選型。
✳️ 進階發展 → 技術總監 / Technical Director
職責： 統籌技術方向，領導技術專案與架構決策，跨部門協作。
技能補充： 領導力、溝通簡報、技術戰略思維、預算與風險管理。
▶ DevOps 工程師（DevOps Engineer）
專精於部署、CI/CD、環境自動化。
✳️ 進階發展 → 雲端工程師（Cloud Engineer）
職責： 能設計具備高可用性與彈性的雲端基礎架構。
技能補充： 深耕 AWS/GCP/Azure 架構與雲原生技術（如 K8s、Terraform）。
🟢 團隊管理路線（Team & People Management）
此路線適合有溝通、協調與人員培育熱情者，從帶小團隊到參與公司策略。
▶ 後端 Team Lead / 技術主管
同時參與開發與團隊管理，負責人力分配、專案交付與人員指導。
技能補充： Agile/Scrum、敏捷儀表板管理、1-on-1 輔導技巧。
▶ 技術經理（Engineering Manager）
管理多組技術團隊，協助產品規劃、技術優化與跨部門協作。
負責團隊招募、績效制度設計、技術資源管理。
▶ 技術總監（Technical Director）或 VP of Engineering
結合技術與策略視角，影響公司中長期技術方向。
需要具備技術深度 + 商業理解力。
🟠 技術轉職／橫向拓展路線（Cross-functional Path）
探索其他工程領域，發揮後端背景延伸價值，適合追求多元發展者。
▶ 資料工程師（Data Engineer）
優勢：
熟悉 API 設計＆模組化架構：資料平台的模組設計類似微服務設計邏輯。
熟悉系統效能：幫助處理大規模資料運算與資源調度。
熟練程式語言(如 Python、Java)：可快速上手資料工程工具
可有效打造 ETL 流程、管理資料倉儲、支援 AI/ML 任務。
技能補充：
資料處理：Spark、Kafka、Airflow、dbt
資料庫：PostgreSQL、ClickHouse、BigQuery、Snowflake
資料管線：ETL/ELT流程設計、Data Lake、Data Warehouse 架構
編程與基礎統計：Python、SQL、資料品質檢查
職涯發展路徑流程圖
🔹 總結路徑圖說明
(起點)
後端工程師
│
├── A. 學習前端 → 全端工程師
├── B. 提升架構能力 → 系統架構師
│ └── 技術決策 → 技術總監
└── C. 學習 DevOps → DevOps 工程師
└── 深入雲端架構 → 雲端工程師
哪些產業需要後端工程師？
後端工程師幾乎是「所有數位服務產業的基礎職位」，以下是常見產業範疇：
📌電商與零售：處理會員系統、購物流程、庫存管理、金流串接等核心後台邏輯。📌金融科技（FinTech）：開發支付、帳戶、交易、驗證等安全敏感的服務。📌社群與內容平台：如論壇、影音平台、交友 App，後端負責資料儲存、帳號系統與推薦演算法等。📌SaaS / B2B 企業服務：提供線上系統給其他企業使用，如 CRM、HR 系統。📌物流與運輸：如外送、倉儲、車隊派送，依賴大量 API 串接與資料即時處理。📌醫療與健康科技：處理病例、預約、穿戴裝置資料等，需高度資安與資料完整性。📌遊戲與娛樂產業：遊戲帳號、伺服器同步、排行榜、商城等核心功能皆由後端處理。📌政府與公部門資訊系統：如戶政、健保、交通資訊等數位服務。
後端工程師的挑戰與機會
🚀 6個常見的後端工程師挑戰
技術複雜度高：需同時掌握資料庫設計、系統效能、資安與架構邏輯。
看不見的貢獻：成果不如前端「有畫面」，但卻是維運的關鍵，常常被低估。
資安責任重大：系統若當機、資料異常，後端通常是第一個要排解問題的人，需確保數據安全，防止攻擊與資料洩漏。
需快速跟上技術演進：如容器化（Docker）、微服務架構、雲端部署等都不斷更新
高效能與擴展性要求：需設計能夠處理大量請求的系統，確保穩定性與效能。
跨團隊協作：需要與前端工程師、產品經理、DevOps 團隊密切合作，確保系統順利運行。
🌟 後端工程師4大機會
可轉職多種技術職：例如 DevOps、技術主管、架構師，或橫移到前端/全端。
全球需求穩定成長：任何需要「運作」的數位產品，都需要後端支撐。
遠端與海外機會多：因後端較少受地域限制，常見國際合作或海外招募。
進可攻、退可守：進可發展高階技術領域如 AI 後端、大數據平台，退可穩定就業於各類企業內部系統開發。
延伸閱讀：
產品經理 - 學習地圖(上)：技能養成篇
成為雲端工程師的攻略指南：核心技能＆職涯精進完整解析
轉職前端工程師│工作內容、技能、薪水與職涯發展指南
數據分析師工作內容是什麼？薪水高嗎？技術能力與職涯發展指南
想當資料工程師？工作內容、核心技能、薪水、職涯發展完整解析
[joblist_plugin title='更多104【後端工程師】工作機會' url='https://www.104.com.tw/jobs/search/?jobsource=index_s&keyword=%E5%BE%8C%E7%AB%AF%E5%B7%A5%E7%A8%8B%E5%B8%AB&mode=s&page=1' amount='3']
Obsidian知識庫怎麼建立？搭配ChatGPT快速整理筆記、串聯零散資料
Obsidian個人知識庫怎麼做？當資料越積越多，還分散在Google Drive、Google Sheets、Notion等處，想查一件事得開3個工具。作者示範請ChatGPT盤點散落檔案、規劃筆記架構，再匯進Obsidian，讓相關筆記連結成能搜尋、連結的個人知識庫。本文節錄自《ChatGPT AI Agent 工作術》。
文／施威銘研究室
本文目錄（點擊可快速前往）
【步驟1】請ChatGPT讀取先前累積的資料並規劃筆記架構【步驟2】依規劃架構產出每個角色的獨立筆記【步驟3】完整Obsidian筆記庫內容
前面幾個範例，我們陸續整理出規則摘要、翻譯的策略文章、名詞對照表、人數配置規則、對局數據統計，這些資料分別存在Google Drive、Google Sheets、Notion好幾個不同的地方，想要一次看到「跟某個角色有關的所有資料」，還是得分頭去不同工具裡找。這一節會示範怎麼用Obsidian，把這些分散的資料統一彙整進同一個知識庫，並且讓相關的筆記彼此連結，之後只要點進「梅林」這個詞，就能一次看到規則說明、策略文章、配置注意事項跟數據表現全部連在一起。
編按：本節是作者分享「把資料變成知識」的最後一個範例。前面幾節以桌遊「阿瓦隆」的規則書、攻略文章、名詞對照表與對局紀錄為素材，示範文件整理流程，本節承接那些成果做彙整。參照時可以把素材替換成你手上的專案文件、會議紀錄或產業資料，流程完全相同。
必備工具：
Obsidian：以純文字筆記為基礎的個人知識庫工具，支援筆記之間互相連結。下載Obsidian>>
桌面版ChatGPT：切換至Work模式（免費版帳戶目前可以透過桌面版使用Work模式，但無法透過網頁版及手機版使用。）下載ChatGPT Windows桌面版>>
Documents Skill：讀取先前散落在不同文件裡的內容，轉換成適合匯入Obsidian的筆記格式。
下載Obsidian並指定路徑：
先到Obsidian官方網站下載並安裝程式：https://obsidian.md/download
安裝後我們可以先把Obsidian放著，回到ChatGPT建立筆記。
選擇系統類型並下載Obsidian（圖／旗標科技《ChatGPT AI Agent 工作術》）
下載完畢後開啟安裝精靈，按照預設選項點選下一步並安裝Obsidian（圖／旗標科技《ChatGPT AI Agent 工作術》）
點選建立會直接在左上方所顯示的路徑下開啟新的筆記庫；點選開啟則會跳出選擇資料夾的視窗來指定開啟筆記庫的位置（圖／旗標科技《ChatGPT AI Agent 工作術》）
【步驟1】請ChatGPT讀取先前累積的資料並規劃筆記架構
先選擇一個合適的資料夾建立專案，本次範例路徑為[C:\Users\Admin\Desktop\Avalon]，請ChatGPT盤點目前散落在各處的資料，提出一個適合Obsidian的筆記分類架構，而不是一股腦全部塞進同一篇：
提示詞
請幫我讀取「阿瓦隆規則一頁摘要」「阿瓦隆策略攻略中譯版」「阿瓦隆名詞對照表」「阿瓦隆人數配置對照表」「阿瓦隆對局數據統計」這幾份文件，幫我規劃一個適合匯入Obsidian的筆記架構，例如是不是要幫每個角色各建立一篇獨立筆記、規則跟策略要不要分開資料夾，並說明這樣規劃的理由。
ChatGPT會先盤點所有既有資料，提出適合Obsidian的筆記分類架構供確認（圖／旗標科技《ChatGPT AI Agent 工作術》）
【步驟2】依規劃架構產出每個角色的獨立筆記
確認架構之後，請ChatGPT先以第二篇章02角色為範本，幫每個角色建立一篇整合式筆記，確認內容是我們想要的：
提示詞
請依照剛剛確認的架構，幫每個角色建立一篇獨立筆記，內容整合這個角色在規則摘要裡的能力說明、策略文章裡提到跟這個角色有關的技巧、這個角色目前在我們團裡的出場次數與勝率數據，並在筆記裡用雙方括號的方式標記出其他相關角色的名稱（例如在梅林的筆記裡標記〔〔派西維爾〕〕），方便之後產生連結。
ChatGPT會為每個角色整合出一篇獨立筆記，並用雙方括號標記關聯角色以建立連結；點開Obsidian角色資料夾，會跳出剛建立好的角色說明筆記庫（圖／旗標科技《ChatGPT AI Agent 工作術》）
將資料夾路徑複製下來（圖／旗標科技《ChatGPT AI Agent 工作術》）
回到Obsidian，點選開啟（圖／旗標科技《ChatGPT AI Agent 工作術》）
貼上剛剛複製下來的路徑，把\02角色刪除，點選選擇資料夾；Obsidian會開啟路徑下的資料夾並將筆記庫的資料呈現在左側欄（圖／旗標科技《ChatGPT AI Agent 工作術》）
點開02角色點選角色索引或陣營資料夾即可查閱剛剛ChatGPT建立的筆記資料；點選梅林可以直接跳至該角色的介紹內容，一併附帶角色規則與遊玩攻略（圖／旗標科技《ChatGPT AI Agent 工作術》）
（圖／旗標科技《ChatGPT AI Agent 工作術》）
第5步中，刪除02角色這個路徑是因為02角色資料夾只是整個筆記庫中的其中一個篇章，筆記庫的完整內容是建立在名為阿瓦隆的資料夾之下，我們可以先在此步驟把路徑設好，之後就不需要再更動他。
【步驟3】完整Obsidian筆記庫內容
確認角色的筆記都沒問題，我們就可以請ChatGPT把整份筆記庫完成，最後回到Obsidian即可隨時查閱這份匯集了所有資料精華的知識庫：
回到剛剛產生的筆記架構，點選加入聊天（圖／旗標科技《ChatGPT AI Agent 工作術》）
提示詞
1則註解幫我按照這個架構完成整個筆記庫。
（圖／旗標科技《ChatGPT AI Agent 工作術》）
等ChatGPT產出所有內容後，回到Obsidian便可以看見完整的筆記庫資料；點擊左側查看關聯圖圖示，能看到所有在筆記中互相關聯的名詞（圖／旗標科技《ChatGPT AI Agent 工作術》）
滑鼠移到某節點上可以看見單一筆記向外關聯的其他筆記（圖／旗標科技《ChatGPT AI Agent 工作術》）
從一開始那份落落長的規則書，到最後能直接產出一份知識庫，我們透過這9個範例，示範了怎麼把散落在各處、格式不一的文件、翻譯、影片、對局數據、討論心得一步步整理成一個真正可以查詢、可以互相連結的個人知識庫。
這個過程的核心，其實不是「阿瓦隆」這個題材本身，而是一套可以套用在任何領域的思路：先讓ChatGPT幫忙濃縮、翻譯、統一格式，把零散資料變成一致的結構，再透過Obsidian這類工具，讓這些資料彼此產生連結，最後才能真正從「一堆檔案」變成「一份隨時能查、能用的知識」。
不管你關心的是桌遊、工作專案，還是其他任何長期累積的興趣，這一整套流程都可以直接套用，讓你的資料庫真正為你所用。
節錄自：旗標科技《ChatGPT AI Agent 工作術：87 個職場實作範例 | ChatGPT Work × Plugins × Skills》／施威銘研究室 著
推薦閱讀：
用ChatGPT Work整理名片、簽到表！建立Excel聯絡人清單，統一格式、合併重複資料
ChatGPT怎麼整理Excel資料？清理欄位、統一格式，樞紐分析不出錯｜8組提示詞範本
ChatGPT幫你跑寄信流程！實測串Gmail、Google Drive，寫信、附檔、批次寄送都能做
「MECE」原則是什麼？頂尖企業菁英都推崇的思考方法│職場百科
「MECE」原則（Mutually Exclusive, Collectively Exhaustive）是麥肯錫顧問公司提出的經典邏輯思考與分析方法，被許多頂尖公司的菁英、企業顧問認為這種思考方式提供「降低大腦認知負載」與「建立團隊信任感」的最高效框架，能建立結構化思考、防止分析出現死角，在AI時代更是能提出正確提示詞、建立高質量底層邏輯的方式。
文／《104職場力》
本文導覽
「MECE」是什麼意思？「MECE」原則常會使用的5種拆解問題方法職場中常套用「MECE」原則的3大場景「MECE」原則可以運用在AI協作上嗎？
你知道什麼是「MECE」原則嗎？
「MECE」原則或稱「MECE」分析法，即所謂「不重不漏」，彼此之間獨立，但是互相加起來就沒有遺漏的思考方式，其核心精神是在分析或解決問題時，將複雜事項拆解成多個子項目，確保項目之間不重疊（不重複）、整體加總又不遺漏（無遺漏）。
「MECE」是什麼意思？
「MECE」其實是4個單字的縮寫：「Mutually（互相）、Exclusive（獨立）、Collectively（集體）、Exhaustive（詳盡）」，意義是「相互獨立，完全窮盡」。
核心原則
相互獨立（Mutually Exclusive, ME）：分解出的子項目或分類，彼此是互斥且獨立的。這意味著任何一項事物只能歸類在一個子項目中，沒有交叉重疊。
完全窮盡（Collectively Exhaustive, CE）：所有子項目的總和，涵蓋了整體的所有面向，沒有遺漏。
譬如以《Cheers快樂工作人》文章中所舉的案例，若談到方向，只提「東、西、南」就只做到互相獨立、但沒有「互無遺漏」（因為漏了「北」），必須同時提到「東、西、南、北」才是完全符合「MECE」原則的。
同理，當討論方向時提及「東、東南、南」也不合適，因為「東南」同時涵蓋了東與南，並不算完全獨立。
案例舉例
進一步以人力銀行常見的使用者輪廓來舉例：
符合「MECE」原則的分類：將台灣人口分成「20歲以下、21至45歲、46至65歲、65歲以上」，所有年齡層均不重疊，並且完整涵蓋所有年齡層，並無遺漏。
不符合「MECE」原則的分類：將使用者分成「男人、女人、年輕人」、「中高齡、兼職、正職」。因為「年輕人」中可能同時包含了男人與女人、「中高齡」也可能同時包含兼職員工和正職員工，分類項目發生了重疊。
延伸閱讀：用MECE原則寫工作Email：麥肯錫專家教你「複雜的事簡單說」
「MECE」原則常會使用的5種拆解問題方法
要在思考中應用 MECE，您可以透過以下常見的維度來分類或拆解問題：
二分法：最基礎的拆解，將事物分為相對的兩極。例如：「是／否」、「事實／非事實（感受）」、「線上／線下」、「內部／外部」。
流程法（階段法）：依據時間軸、步驟或生命週期拆解。例如：產品的「研發、製造、行銷、銷售、客服」。
公式法：利用數學或邏輯公式拆解。例如：「利潤 = 銷售額 - 成本」，或「營業額 = 流量 × 轉換率 × 客單價」。
利害關係人法：從不同受眾或相關者的角度切分。例如：學校專案的利害關係人可拆解為「學生、老師、家長、校方」。
矩陣／架構法：使用二維矩陣分類，能涵蓋各種情境。例如：知名的「波士頓矩陣」（將業務分為明星、金牛、問號、狗四類）。
職場中常套用「MECE」原則的3大場景
在現代職場的專案以及愈來愈活躍的AI運用上，「MECE原則」的思考方式能協助建立結構化思考、防止分析出現死角。 例如在專案流程中能幫助釐清各部門負責的權責，在與AI應用工具、如LLM的互動上，能夠更有效率的「餵給AI正確的提示詞（Prompt），藉此建立高質量數據模型的底層邏輯，省時省力的完成訓練工作。
很適合套用「MECE」原則的職場場景如下：
診斷問題（常見如「魚骨圖法」）當業績下滑時，利用 MECE 將原因拆解為內部因素（產品品質、定價策略）與外部因素（競爭對手打折、整體經濟衰退），確保沒有漏掉任何潛在病因。
工作分解（常見如「專案任務拆解」）籌備一場大型研討會時，將專案依流程法拆解為「前置宣傳、現場執行、善後收尾」三個互不重疊的階段，並明確指派負責人，避免多名員工在重複做同一件事，或是工作量過度集中在特定的人身上、卻有其他閒置人員。
目標管理（常見如「OKR」目標設定）利用公式法拆解關鍵結果（KR）。若公司目標是「提升營收」，可將 KR 拆解為「提高新客獲取率」與「提升舊客續約率」，兩者獨立不重疊，且加總即為總營收增長點。
「MECE」原則可以運用在AI協作上嗎？
絕對可以！而且比以往更重要。
儘管AI運算速度極快，但通常缺乏商業邏輯與脈絡，必須依賴人類透過「MECE原則」為其引路，才能激發給出更精確完整的回應，發揮最大的效能，建議可嘗試以下幾個方向來進行：
結構化提示詞（Prompt Engineering）：若直接請AI分析「如何提升產品銷量」，通常AI只能給你最保險、空泛而且淺層的「大眾化回答」。但如果改用「MECE」原則來提問，例如很精準的提出：「請從線上（社群、電商）與線下（實體零售、快閃店）兩個互斥維度，為我分析提升銷量的具體策略」，AI 產出的方案品質將大幅提升。
機器學習的特徵工程（Feature Engineering）：在建置AI數據模型時，如果輸入的數據特徵存在高度重疊（例如：同時輸入「出生年份」與「年齡」），會導致模型產生「共線性問題」而失準。可以運用「MECE」原則的相互獨立特性來篩選數據，確保機器學習模型更加精準。
AI生成結果的驗證與除錯（Debugging）：當AI產出一份市場調研報告後，使用者可以透過「MECE」原則來建立檢核表、審視資料內容與除錯，譬如給予指示：「這份報告是否完全窮盡了所有競爭對手？分類上是否有相互重疊的模糊地帶？」以此來彌補 AI 容易產生的「幻覺」或邏輯漏洞。
在資訊流通快速且人工智慧飛速發展的AI時代，MECE 原則看似只是簡單的「不重複、不遺漏」，代表的是能將混亂資訊梳理清晰的「結構化思考力」，背後蘊藏高效的商業邏輯與對策，能夠幫助我們在與人協作的「跨部門專案」，或是與AI工具之間的深度對話，都能快速精準的找到問題核心。
善用「MECE」原則，將能讓您在現代職場中建立條理分明的思緒，發現解決問題的捷徑。
延伸閱讀：
什麼是「MarTech」？為什麼企業需要行銷科技來輔助營運？│職場百科
冷啟動是什麼？PM行銷必學「從0到1」的破冰策略│職場百科
「同值同酬」是什麼？跟同工同酬不一樣嗎？│職場百科
微軟、Google、Meta擴AI基建…三巨擘搶買伺服器 台鏈吃補
2025-10-31 經濟日報編譯劉忠勇、記者吳凱中 由聯合新聞網授權轉載
微軟、Google、Meta三大北美雲端服務提供商（CSP）公布財報，看好AI需求強勁，同步上修未來資本支出預測，AI伺服器建置動能持續到明年，相關供應鏈鴻海（2317）、廣達、緯創、緯穎、英業達等後市看俏。但科技巨頭持續投入驚人資本支出，也開始考驗華爾街投資人的神經。
延伸閱讀：AI需求旺 掀搶電大戰…台廠積極布局
Google母公司Alphabet單季營收首度突破千億美元大關，公告今年的資本支出將達910億至930億美元，高於先前的850億美元，是今年第二度調高。微軟執行長納德拉則表示將「持續擴大AI領域的資本與人才投資，以把握前方龐大的機會」，高層並預測，明年資本開支接近1,400億美元。
▲ 圖片來源：聯合新聞網授權轉載
Meta財務長蘇珊・李指出，2026年資本支出將「顯著高於」2025年，明年的整體支出成長率也將「明顯加快」。Meta今年資本支出將達700億至720億美元，高於先前預估。
Alphabet、Meta和微軟上季資本支出總計達到780億美元，年增率高達89%，微軟上季資本支出349億美元更創新高，投資人對燒錢速度和回收時程感到不安，Meta和微軟在29日公布財報後盤後股價雙雙下跌，Alphabet盤後股價大漲。美股30日早盤，Alphabet上漲、Meta下跌，微軟下跌。
市場持續質疑AI是否正在醞釀另一大泡沫，Bernstein分析師Mark Moerdler在微軟高層的電話會議中提問，這些AI投資是否真能帶來回報，「或者坦白說，我們是不是正處在泡沫之中？」微軟財務長胡德重申，即使過去幾季投入數百億美元，仍無法滿足當前對AI及其他服務的需求。
因應北美四大CSP及中小型客戶AI算力需求，鴻海、廣達、緯創、緯穎、英業達、神達等伺服器大廠今年已大舉擴增美國伺服器產能。仁寶、和碩今年也有美國建設計畫，仁寶昨（30）日公告，董事會核准子公司Compal USA Technology Inc.在德州Taylor與Georgetown兩地簽署租賃協議，建置新據點，共投資9,410萬美元（約新台幣28.95億元）。
鴻海董事長劉揚偉日前指出，客戶需求持續強勁，鴻海過去一年擴大AI伺服器相關投資規模，已開始開發輝達下世代Vera Rubin NVL 144 MGX平台，預估出貨時程可能落在明年下半年。
[joblist_plugin title='最新【鴻海】職缺這邊看！' url='https://www.104.com.tw/company/233rv1s' amount='5']
廣達執行副總暨雲達總經理楊麒令先前表示，AI需求持續爆發，廣達訂單塞爆，今年以來已擴產八次，仍不敷使用。緯穎方面，法人預估，訂單能見度看到2027年，主要客戶都在加碼投資AI基礎設施，產業前景樂觀。
[joblist_plugin title='最新【廣達】職缺這邊看！' url='https://www.104.com.tw/company/ahfsoq0' amount='5']
分科測驗公布成績 依自我認識、探索資訊、落點分析三指標填志願
2025分科測驗成績公布，近4萬名考生將準備分發志願登記，怎麼填？104人力銀行職涯教育長王榮春建議從自我認識、探索資訊、落點分析三指標填志願。自我認識，可參考過去曾做過的大學學系探索量表，或是藉由104生涯興趣測驗，找到較適配的科系；探索資訊，可透過104落點分析，了解科系課程、學長姐對科系評價、畢業出路等資訊；落點分析，104人力銀行專為大學生和高中職打造的Podcast節目《青春通識課》，建議可從「保底校系」由下往上填，確保安全校系占填寫志願數一定比例，再進階到標準、挑戰、夢幻校系。
使用104落點分析
新鮮人僅3成第一份工作待滿一年 陷入透過換工作找方向困境
選擇大學就讀校系，首要評估指標為自我認識。104人力銀行數據顯示，新鮮人第一份正職工作僅3成待滿一年，可能原因在於目前社會新鮮人常透過換工作找方向，而非大學就確認方向並培養實力後再進入職場。建議準大學生可找出高中期間做過的大學學系探索量表，或是使用104生涯興趣測驗，透過情境式的互動測驗，找出個人的興趣類型，像是興趣類型為實作型，可對應到設計系、建築系等科系。
選填探索校系三大參考指標：科系課程、學長姐評價、未來出路
確認興趣所在後，可開始進行探索資訊，並針對科系課程、學長姐評價、未來出路三方面探索。104人力銀行提供104落點分析服務，除了預測錄取分數，並結合獨家即時動態落點，進一步幫助考生分析上榜率外，還提供1.大學連結科系課程介紹，幫助考生了解未來學習方向2. 學長姐評價，以過來的經驗，給予有意就讀者最實質的建議3. 畢業出路資訊，幫助了解畢業後最常從事的工作與薪資。
綜觀18學群未來出路，根據104人力銀行數據顯示，去年6至8月畢業季中，限定科系的工作機會工程學群5.5萬個最高、醫藥衛生學群則提供約2.2萬個第二、管理學群工作機會近1.8萬個第三；高薪職類如製程規劃2024年新鮮人薪資中位數4.5萬多念工程、資訊學群，營建施作4.5萬多就讀工程、建築與設計學群，醫療專業4.5萬多就讀醫藥衛生、生命科學群。
安全校系填一定比例避免落榜
100個志願該怎麼填？104人力銀行專為學生打造的Podcast節目《青春通識課》分享，可從「保底校系」落點分析安全的校系往上填，並填一定比例避免落榜，再進到標準、挑戰、夢幻校系。大學考試入學分發委員會也曾統計，去年有約2000名考生落榜，平均僅填46個志願，低於錄取生平均填寫59個志願，因此建議至少填60-70個以上的志願。免費領取輔導老師 x 台大學姐聯手整理填志願大補帖：https://tw104.pse.is/7xy3lh。
選填志願，你還會想看
「變動系青年」來了！52萬職缺招手，新鮮人薪資中位數3.6萬創新高｜畢業生找工作3對策
畢業生起薪排行榜公開！104：電金雙雄起薪中位數3.7萬，高於其他12%~15%
AI如何看穿客戶潛在需求？3招幫B2B業務找到商機
在AI時代，B2B業務真正的挑戰轉向了「資訊的處理與轉化」。作者為深耕產業超過20年的B2B業務專家，教你3招用AI判斷對方「現在為什麼需要你」。透過AI分析企業財報、法說會、徵才資訊與決策者的公開動態，業務可以從零碎訊號中找出客戶尚未明說的需求，掌握更精準的提案時機。本文節錄自《90%高級主管出身業務，B2B聖經》。
文／吳育宏
本文目錄（點擊可快速前往）
大海撈針已過去，精準打擊才是關鍵為什麼AI是B2B業務的最佳情報員？一、情報蒐集的第一步：建立客戶的「數位畫像」二、從法人說明會到財報：AI如何解讀「老闆的真心話」三、社交媒體的隱形情報：挖掘決策者的個人見解
大海撈針已過去，精準打擊才是關鍵
在B2B業務的世界裡，資訊就是力量，而「資訊不對稱」曾是業務人員獲利的來源。但在AI時代，資訊已經不再稀缺，真正的挑戰轉向了「資訊的處理與轉化」。
過去，一位資深業務可能需要花上10年，才能培養出對產業的敏銳嗅覺，但現在透過AI的輔助，即便是業務新人，也能在極短的時間內展現出專家級的洞察力。
本章將帶你深入探討如何運用AI建立一套精準的情報調查研究系統，從核心邏輯到實戰案例，全面重塑你的業務競爭力。
為什麼AI是B2B業務的最佳情報員？
在傳統的業務開發模式中，蒐集情報是一項極其耗費體力的工作。過去我們習慣「掃街」，或是在搜尋引擎輸入關鍵字，但得到的往往是成千上萬條零散的訊息。這種蒐集方式有3個致命傷：
第一，資訊破碎化，你看到的只是客戶的片段，難以拼湊出完整的商業全貌；
第二，解讀主觀化，人的大腦容易產生偏誤，只看自己想看的，忽略了潛藏的風險；
第三，時效滯後性，當你在報紙上看到客戶的新聞時，競爭對手可能早已採取行動。這種低效率的勞動，正是平庸業務與頂尖業務的分水嶺。
AI的出現，徹底翻轉了這場遊戲。首先，AI具備強大的「彙整力」，如同一具高效能的過濾器，能在短短幾秒內掃描全球的數位足跡，將繁雜的數據轉化為有意義的摘要。
其次，AI擁有強大的「邏輯解析力」，它能識別出資訊之間的隱性關聯。例如，它能從一家公司頻繁招募自動化工程師的動作中，推論出該公司即將進行大規模的數位轉型。
最後，AI具備「多維度聯想力」，它能幫你把看似無關的政策變動、技術突破與客戶需求串聯在一起。簡單來說，AI就像是一個24小時不休息、博學多聞且反應極快的「數位參謀」，它幫你完成了最枯燥的資料過濾，讓你將精力集中在最關鍵的策略判斷。
以下透過實戰案例進一步說明。
一、情報蒐集的第一步：建立客戶的「數位畫像」
在正式接觸客戶前，建立「數位畫像」是決定開發成功率的關鍵。這就像是在進行一場外科手術前的掃描影像，你必須清楚知道對方的組織結構、決策脈絡，以及目前的「健康狀況」。一個好的數位畫像應該具備三維深度：第一，財務體質，這決定了對方口袋的深度與結帳信用；第二，策略方向，這決定了你的產品是否在對方的優先清單上；第三，經營痛點，這就是你切入的缺口。
你可以利用具備強大聯網能力的AI（如ChatGPT或Perplexity），下達具備框架感提示詞：
請分析〔目標公司〕過去兩年的營運重心變化。重點關注： 1. 他們在哪些研發領域投入最多資金？ 2. 他們近期的人才招募偏好？ 3. 他們在社交媒體上最常被抱怨的點有哪些？
透過上述多維度交叉分析，AI能幫你生成一份比官網更真實的「企業性格報告」。你會發現，有些公司看似保守，實則在悄悄布局新技術；有些公司看似高調，實則面臨人才流失的危機。
【實戰案例A：傳產轉型的精準切入】
某位銷售自動化倉儲系統的業務，將一家國內老牌紡織大廠作為目標。過去他多次拜訪，對方總是回應「目前營運穩定，無更換需求」。後來，他利用AI進行深度的調查與研究，分析該紡織廠近3年的公開資訊，以及上游原料供應商的變動。結果發現一個關鍵訊號：該廠近期大幅縮減了國內倉庫的租賃面積，並頻繁與跨境電商平臺接觸。
業務員因此從中解讀出：該廠正從過去「大宗貿易模式」轉向「小量多樣的跨境直銷」，這也意味著，他們過去大面積的倉儲邏輯已不再適用，急需「高頻率、小包裝」的自動化揀貨系統。於是，他在提案時直接以此為題，精準命中對方老闆隱而未現的焦慮，在第一場會議就成功取得評估測試的機會。
二、從法人說明會到財報：AI如何解讀「老闆的真心話」
對於上市櫃公司，法人說明會（編按：又稱法說會，上市公司向機構投資人報告營運狀況、財務績效，及未來產業展望的正式會議）與財報是業務人員的「戰略地圖」。但問題在於，財報充滿了冷冰冰的會計數字，而法說會逐字稿動輒上萬字，內容充斥著官腔與專業術語。業務員往往因為看不懂或沒耐心，而錯過了最核心的銷售訊號。
事實上，老闆在法說會上對分析師說的話，往往隱藏著他們最真實的壓力來源，因為他們必須對股東負責。現在，你可以把AI當成你的「首席財務分析師」，將法說會的錄音轉成文字後，直接餵給AI，下達精準的提示詞：
請閱讀這份兩萬字的法說會紀錄，幫我回答3個問題： 1. 老闆對於明年預算撥款最謹慎的領域在哪？ 2. 哪些部門目前正面臨產能或成本的壓力？ 3. 老闆反覆強調的3個關鍵詞是什麼？
AI就能瞬間把冗長的報告濃縮成一張「商機表」。這種解讀力能讓你避開客戶的地雷區，直接針對對方的「獎金區」進行提案。
【實戰案例B：從招募資訊看穿採購需求】
一位IT系統整合商的業務員想開發一家中型製造商。他在AI的協助下，分析該公司在人力銀行的招募數據後發現，該公司過去3個月密集招募具備「雲端資訊安全」 背景的工程師，且應徵條件特別強調「混合雲架構管理」（編按：指用一套整合性的方式，去管理「同時使用公有雲＋私有雲＋本地機房」的IT系統與資源）。
業務員立刻判斷出，這家公司正處於從本地端主機遷移到雲端的過渡期，且內部非常擔心資安漏洞。他在開發信中避開了通用的軟體介紹，而是寫道：「針對製造業在遷移雲端過程中，如何確保舊有製程數據不外洩的實務分享」。這封信在發出後的兩小時內，就得到了該公司資訊長（Chief Information Officer，簡稱CIO）的親自回覆，因為這正是他當下最頭痛、最需要外部專家協助的課題。
三、社交媒體的隱形情報：挖掘決策者的個人見解
在B2B銷售中，訂單成敗往往取決於「決策圈」裡的那群人。這群人包含了使用者、影響者、採購者與最終決策者。每個人的喜好、價值觀與恐懼點都不同。以往我們只能透過碰面來觀察，但現在數位足跡讓每個人都變得「透明」。透過分析決策者在LinkedIn 或專業社群的公開言論，AI能幫你進行深度的「人物側寫」。
延伸閱讀：AI也能用來經營人脈！從零碎資訊看懂對方，找出溝通切入點
你可以請AI協助分析目標對象近期的公開互動。例如，某位技術長（Chief Technology Officer，簡稱CTO）最近頻繁轉發關於「邊緣運算」（編按：Edge Computing，將人工智慧的運算任務，從遙遠的雲端資料中心，轉移至更貼近使用者的終端裝置上執行）的文章，這代表他對於中央集權式的系統有疑慮；或者某位採購經理在專業論壇上抱怨過「供應商售後反應太慢」，這就是你突圍的機會。透過AI的情緒分析與偏好歸納，你能為每位決策者量身打造專屬的「溝通頻率」。這不是投其所好，而是真正的同理心展現，讓你的提案在對方心中產生共振。
【實戰案例C：用老闆的話，說服部屬】
某位銷售節能設備的業務，目標客戶是一家電子代工大廠。他原本的對口單位是總務部，對方總以「節電效果有限，回本太慢」為由推辭。後來，業務員改變策略，利用AI分析該集團董事長在股東會上的致詞，與年報中的ESG承諾。AI幫他抓出一個關鍵點：集團董事長已公開承諾「在兩年內達成15%的減碳目標，且此目標與各部門主管的年度績效考核掛鉤」。
業務員拿著這份資料，重新向總務部提案，標題改為：「如何協助貴部門達成董事長要求的15%減碳績效，確保部門KPI達標」。這一次，總務部主管不再推託，反而積極主動的向高層請購，因為這項提案直接關係到他的績效與升遷。
節錄自：大是文化《90%高級主管出身業務，B2B聖經：從跑客戶到利用AI問對問題，這是你薪水翻倍、卡位晉升、認識大老闆的最快成功捷徑！》／吳育宏 著
從數位工具到商務實戰──義民高中資料處理科：培養跨域競爭力的數位職人
如何讓學生在 AI 崛起與網路經濟爆發的時代脫穎而出？義民高中資料處理科給出了一個清晰的答案。這門兼具「資訊技術」與「商業管理」的學科，不僅教導學生如何操作電腦、考取證照，更著重於跨領域的邏輯思維與實務整合。在這裡，學生從最基礎的文書處理出發，逐步踏入會計、經濟與商業專題製作的殿堂，在數字與程式碼之間，編織出屬於自己的未來職涯藍圖。
跨域思維的先行者：結合資訊與商務的學科優勢
「資料處理科最核心的優勢，就在於它的『跨領域』。」義民高中資料處理科陳昭君主任在訪談中一針見血地指出。面對許多國中生與家長常將「資訊科」與「資料處理科」混淆的疑問，主任給出了一個簡單而明確的判別方式：「資訊科是工業類群，面對的是機器；而資料處理科（資處科）則是商業管理群，面對的是人。網路世界的基礎是電腦，當你具備了電腦操作能力，又懂得商業運作邏輯，就能直接跨入電子商務與現代商務的領域。」
在課程設計上，資處科將複雜的電腦應用與統整商管知識相結合。高一到高三的學科內容涵蓋兩大體系：
資訊技術： 電腦軟體應用（Word、Excel、PowerPoint）、中英文輸入、計算機概論與Python 程式語言。
商業類科： 會計學、經濟學、商業概論到專題製作。
這種雙軌並進的訓練，讓資處科的學生在面對複雜的商業環境時，既擁有清晰的邏輯思維，又具備資料處理的執行力。
圖：學生透過上機實作，培養文書能力
從基本功到高階應用：以證照檢定奠定實力自信
在義民高中資處科，學習成果不只體現在課堂的聽講上，更落實在具體的證照考取與技能檢定中。學校規劃了一套循序漸進的證照地圖，協助學生在三年內建立無可替代的硬實力。
「我們透過考取證照的過程，給孩子們建立信心。」主任分享，高一時學生會先從電腦軟體應用丙級、TQC 辦公室應用軟體（Word、Excel、PowerPoint）以及中英文輸入開始扎根；到了高二、高三，則進階挑戰高難度的「電腦軟體應用乙級」檢定，以及人工記帳會計丙級等專業證照。
目前就讀資處科的林同學與戴同學，便充分展現了這項環境帶來的專業實力。林同學在三年內考取了包括電腦軟體應用乙級與丙級、商教會會計一級檢定、人工記帳會計丙級等多張高含金量證照；戴同學也順利拿下了電腦軟體應用丙級及多張 TQC 證照。這些努力，成為他們畢業時最堅實的備忘錄。
圖：高中三年努力考取多張證照，展現學以致用的實力
理論與實務的交會：專題製作打開職涯的無限可能
隨著 108 課綱的推進，「專題製作」成為資處科高三學生最重要的核心課程。專題製作要求學生必須主動整合三年所學，從無到有地完成一項縮小版的商業研究或企劃報告。
主任分享，目前科大在競賽與專題上喜好的取向，多圍繞在 ESG（環境、社會與治理）、APP 應用、產品行銷企劃與活動企劃。因此，學生的專題主題也緊扣這些時代脈動，例如有組別便以「心理舒壓」為核心研發創意點子，完成了具備高度整合性的專題成果。
在專題製作的過程中，學生必須寫出完整的企劃書，內容涵蓋室內設計構想、成本預算控制、人力資源配置、行銷宣傳策略等。主任透露：「在討論行銷推廣時，學生提出想利用 Instagram作為宣傳通路。我不直接教他們怎麼進行推廣，但我會以過去做行銷的經驗挑戰他們：『你們的推廣策略就只有這樣嗎？要怎麼寫文案？文稿跟圖片要怎麼呈現？』」這種高互動性的引導，讓學生養成思考每一步驟背後的邏輯與效益。
圖：高三專題成果，榮獲商業類技藝競賽獎項，展現跨域整合與實作能力
多元進路與特質媒合：找到屬於自己的發光舞台
「讀資處科，最大的好處就是未來的出路非常寬廣。」主任驕傲地表示。由於兼具資訊與商管背景，資處科畢業生在統測升學時擁有極大的優勢，可選擇的落點涵蓋：資訊管理系、企業管理系、財務金融系、會計系、財稅系等…甚至是跨足跨域的工業管理、資訊工程系等。
對於有志於在高中畢業後直接投入職場的「實用技能班」學生，資處科也提供了充足的就業準備。林同學與戴同學便分享，身邊選擇直接就業的同學，多數能順利進入餐飲業、零售通路（如全聯）等服務產業服務。更有實用技能班的孩子在畢業後，一邊在知名科技公司（如緯創）上班，一邊在國立大學研究所繼續深造，實現了產學無縫接軌。
究竟什麼樣的孩子適合就讀資料處理科？主任與兩位學生的分享總結出了以下幾項人格特質：
樂於與人互動、不排斥溝通： 商管群的核心在於服務與協調，具備良好的文字與言語表達能力是重要基石。
對數字與細節具備敏感度： 不需要數學成績頂尖，但必須對數字有耐心，能從簡單的數據中發現脈絡。
喜好操作電腦、不排斥邏輯思考： 面對系統與程式工具，願意動腦思考其運作邏輯。
航向數位未來的羅盤：在多變環境中發光的跨域英才
在義民高中資料處理科的三年的時光裡，學生學到的從來不只是死板的軟體操作，而是一套與現代數位世界對話的方式。從高一敲擊鍵盤的生疏，到高三能在講台上自信展示專題成果；從面對數據的迷惘，到能用多元工具梳理資料邏輯。這群資處科的學生在細節中鍛鍊判斷力，在跨領域的碰撞中摸索自我，陪伴著他們走向未，在各自的領域裡閃閃發光。
開箱資料處理科學習日常！更多科系探索，歡迎追蹤104高職生IG
在 Instagram 查看這則貼文 104高職生（@104v.hs）分享的貼文
「數據／資料工程師」12個必備技能、推薦職缺、證照進修
大數據時代來臨，企業數位轉型的需求應運而生，因此數據工程師（資料工程師）在企業中所扮演的角色也日益重要。本文盤點要成為數據工程師，強烈推薦要學的 12 項必備技能。一起來看看【數據工程師】工作日常以及104人力銀行上有數據工程師工作機會。
成為數據工程師的 12 項必備技能（點擊可跳至章節）：
基本技能（程式語言與資料架構）
網路概念
資料庫 Database
數據湖 Data Lake 與物件存儲
數據倉儲 Data Warehouse
分散式系統
數據處理
機器學習 Machine Learning
作業編排管理
前端與儀表板
後端框架
自動化與部署
如何開始數據工程師之路？了解數據工程師工作日常
【數據／資料工程師】推薦職缺
【數據／資料工程師】職場常見證照整理
【數據／資料工程師】職場再進修課程推薦
文／LnData 麟數據科技
數據工程師的必備技能樹 (Source: Anuj Syal)
一、基本技能
首先，以下是最基本的必修技能，也是想進入這個行業需要的優先入手技能，包含：
SQL：SQL即「Structured Query Language」，也稱做「結構化查詢語言」，是一種用於管理和查詢關聯式資料庫的語言，用於處理和操作大量數據。它允許數據工程師對資料庫執行各種操作，如數據檢索、修改和定義，且幾乎所有資料庫和數據倉儲都使用SQL。
程式語言：數據工程師必備技能當然包括使用不同的程式語言來處理數據，如 R、Scala、Java等，但首推 Python，因為Python容易上手，並且擁有許多免費且開源的資料科學工具和資源，使其成為處理數據相關工作的理想選擇。不僅如此，Python還有豐富的開發者社群，讓你輕鬆找到相關的學習資源和解決問題的方法。
Git：即「Global Information Tracker」，Git是版本控制的重要工具，可以追蹤、保存和管理軟體代碼的所有更改和操作，幫助資料工程師協作開發數據工程項目，並確保團隊成員之間的協同工作，可避免有人亂改或誤刪代碼。
Linux指令和Shell腳本：Linux是一種常用的作業系統，數據工程師經常使用它來處理數據，常見的版本如Ubuntu、Fedora。熟悉Linux命令（例如cd、pwd、cp、mv等）和Shell腳本可以幫助數據工程師自動化任務、管理伺服器和處理大量數據。
資料結構和演算法：數據工程師需要對資料結構（Data Structures）和演算法（Algorithms）有足夠的理解和解決問題的技能，以優化數據處理和分析。初學者可透過初級到中難度的LeetCode問題進行練習。
二、網路概念
由於現在大半數據都在線上，因此工程師常需接觸與處理VM（虛擬機）、伺服器和 API（應用程式介面），而此時就需要對 IP（互聯網協議）、DNS（域名伺服器）、VPN 等基本網路概念有基本了解。
API（應用程式介面）概念示意( Source: Geeks For Geek)
三、資料庫
資料庫是按照數據結構來組織、存儲和管理數據的倉庫，相關概念包含：
基礎知識：資料庫是存儲數據的空間，包含表（Table）、行（Column）、列（Row）、鍵（Key）、連接（Join）、合併（Merge）和模式（Schema）等基本概念。
SQL：雖然前面提過了，但要知道在使用這些資料庫時，SQL可說是最泛用也最不可或缺的語法，因此這邊再提一次。。
ACID：是原子性（Atomicity）、一致性（Consistency）、隔離性（Isolation）、持久性（Durability）的縮寫，旨在確保數據操作的有效性和穩定性。
資料庫建模：指在設計資料庫時考慮如何組織資料的過程，包括星型模式、平面設計和雪花模式等不同方法。
資料庫擴展：包括垂直擴展和水平擴展，它們用於增加資料庫的性能和容量。
OLTP與OLAP：OLAP（在線分析處理）、OLTP（在線交易處理）是不同類型的數據處理系統。OLTP是設計用於處理日常業務交易和交互式操作的系統；OLAP則是設計用於分析和探索大量數據的系統。
關係型資料庫：Relational Database，是大多數應用程式使用的傳統資料庫，用於結構化數據。常用的資料庫有PostgreSQL和MySQL。
非關係型資料庫：Non-relational Database，也稱為NoSQL資料庫。跟傳統的關聯型資料庫不同，它們不使用固定的表格模式，而是以更靈活的方式存儲數據，適合處理大量非結構化數據。非關係型數據還可分為三種類型：
鍵值資料庫：如Redis、DynamoDB、FireBase
圖形資料庫：如Neo4j、ArangoDB
寬列資料庫：如Apache Cassandra、Google BigTable
常用的關係型資料庫 MySQL
四、數據湖 Data Lake 與物件存儲
數據湖是一種大規模集中式數據存儲系統，它允許組織以原始、半結構化或非結構化的形式存儲數據，而無需建立嚴格的資料結構。這意味著數據湖可以包含來自不同來源、不同格式和不同質量的數據，可以是文本、圖像、影音等，也包含報表、視覺化、資料分析、機器學習等轉換後資料。
數據湖通常使用分佈式或物件存儲（Object Storage）系統來存儲大量數據，如Hadoop HDFS、Amazon S3等。數據以原始文件或對象的形式存儲，每個對象都包含數據本身、元數據（metadata）和唯一識別子。這種方式使得數據能夠以平面結構組織，並且具有元數據以描述數據的特徵和用途，能夠更好地管理和查詢數據。
五、數據倉儲 Data Warehouse
數據倉儲（Data Warehouse）是一種專為組織和管理大量數據而設計的數據存儲和管理系統。它的主要目標是將來自不同來源的數據整合到一個統一的、易於查詢和分析的資料庫中，以支持企業的決策制定、報告和分析需求。例如 Google 的 BigQuery、AWS Redshift、Azure Synapse、Snowflake、ClickHouse 和 Hive。須了解的相關概念包含：
SQL（略）
規範化與非規範化：在數據倉儲中，數據可以以規範化（Normalized）或非規範化（Denormalized）的方式進行組織和存儲，具體選擇取決於業務需求和查詢性能的考慮。規範化主要為求消除數據中的冗余或不一致性；而非規範化則是將數據合併到一個表中以提高數據更改速度。
OLAP與OLTP（略）
六、分散式系統
包含大數據、Hadoop、分佈式文件系統、MapReduce等概念。在分散式系統中，多台機器（稱為節點或伺服器）組成叢集並共同協作，這些機器可以在不同的地方執行，彼此通信並共同完成任務。分散式系統的好處是可提高性能、可用性和擴展性，同時減少單點故障的風險。
由於其複雜性，這些系統擁有各自獨立的技術組件。因此，為了開發與佈署這些系統，數據工程師需要使用叢集管理技術或工具，如Kubernetes、Databricks，或者自行建立Hadoop叢集等。此外，還有許多開源技術可供利用。
Kubernetes 也稱為 K8s，是一個熱門的分散式系統開發和支撐平台(Source: DevOps Mojo)
七、數據處理
數據處理是指使用程式語言來轉換數據的過程，這包括清理數據以及驗證數據的準確性。在進行數據處理時，通常會使用各種工具和框架，具體選擇取決於任務的性質和規模。
以下是一些常用的數據處理工具和框架：
Pandas：Pandas是一個好用的Python套件，常被用於處理和分析數據。它提供了豐富的數據結構和函數，適合用於數據轉換和清理。
SQL：（沒錯，又是它）由於多數數據倉庫支持SQL語言，因此SQL是一個常用的工具，用於執行數據轉換操作，尤其適用於處理結構化數據。
Spark：Apache Spark是一個用於大數據處理的強大框架，它提供了分佈式數據處理和分析計算。Spark通常用於處理大規模數據轉換操作，性能高且具有可擴展性。
Spark Streaming：Spark Streaming是Spark的一個模塊，用於處理流式數據。它可以實時處理數據流，非常適合需要即時分析的應用。
Spark是常用於處理大數據的強大框架(Source: Data Mechanics)
八、機器學習 Machine Learning
機器學習（Machine Learning）是一種人工智慧（AI）的子領域，它教導電腦如何從數據中學習，以自動改進和做出決策，而不需要明確的程式指令。機器學習可以應用於多個領域，如圖像辨識、語音識別、自然語言處理、醫療診斷、金融預測以及自駕車技術等。
人工智慧、機器學習、深度學習都是資料科學中的熱門領域
對於數據工程師來說，了解機器學習的不同類型，包括監督學習、非監督學習和增強學習，以及相關的模型(如邏輯回歸、決策樹、K-最近鄰算法等)很重要。他們需要知道何時應該使用哪種模型，並學會處理數據、調整模型參數，以及評估模型的預測準確性。
操作機器學習的平台有Vertex AI、Kubeflow等，這些平台可以協助數據工程師輕鬆部署模型，並構建更準確的工作流程，幫助數據科學家做出更精確的決策。
Vertex AI 是Google Cloud上的一個機器學習平台
此外，還有一些集成平台可讓數據工程師將工作流程整合到一個地方，如AWS Sagemaker、Databricks和Hugging Face等。這些平台通過共用的應用程式接口和圖形界面，使應用軟體功能不受特定硬體、作業系統、網路協議或資料庫管理系統的限制。
AWS Sagemaker也是不少人的ML開發選擇(Source: AWS)
九、作業編排管理
編排（orchestration）是一種用於管理和協調組織各種任務和工作流程的方法。它幫助我們確保工作按照預定的順序執行，以達到我們的目標。
最佳的編排工具之一是Airflow。它使用基於Python的有向無環圖（DAG）來記錄工作流程，讓您可以清楚地定義和規劃工作。Airflow特別適用於複雜的工作流程，並且在大數據和數據工程領域中廣泛使用。
其他工具包含Luigi、Nifi和Jenkins。每個工具都有其獨特的特點和使用場景，可以根據你的項目需求來選擇適合的編排工具，可以幫助數據工程師自動化和管理各種任務，提高工作效率。
Airflow是開發時常用的工作流程管理工具(Source: Airflow)
十、前端與儀表板
前端和儀表板（dashboard）是用來展示數據結果和互動的工具。它們讓我們能夠以圖表、圖像和表格的形式呈現數據，並讓用戶與數據進行互動。
舉例來說，Jupyter Notebook 是一種常用的工具，它可以幫助數據科學家和分析師在筆記本中直接進行數據分析並建立視覺化圖表。
Jupyter Notebook是好用的互動式開發工具，是許多資料科學工作者選擇
此外，儀表板或所謂BI工具如 PowerBI 和 Tableau，以及 Python 套件如Dash 和 Gradio，也被廣泛使用。這些工具允許我們建立互動性強的儀表板，讓用戶輕鬆探索數據，查看不同的視覺化結果，並根據需求進行操作。
Tableau是業界常用的商業智慧(Business Intelligence)工具，建立企業數據儀表板
十一、後端框架
後端框架與軟體工程有關，它們有助於構建網站和應用程序的後端部分。舉例來說，如果您想建立一個網站或應用，可能需要一個後端框架來處理用戶發出的請求、管理資料庫，以及提供信息給前端顯示。
基於 Python 的後端框架包含 Flask、Django 和 FastAPI 等。Flask 是一個輕量級的框架、Django則提供了更多的內置功能、FastAPI 則專注於建立API。
除了這些，還有一些雲端技術可供使用，例如G oogle Cloud Platform（GCP）的 Vertex AI API 和 AutoML APIs，這些技術可以用於模型部署和機器學習應用。
Flask 是一個 Python 網頁應用程式框架，因輕量靈活而受許多開發者喜愛
十二、自動化與部署
自動化和部署是指使用不同的工具和技術，來讓程式碼的建立和執行過程更加自動化和簡化，有助於提高效率、降低錯誤，並讓應用程式更容易管理和維護。
這個過程包括以下幾個主要方面：
基礎設施即程式碼（Infrastructure as Code）：這是使用工具如Terraform、Ansible和Shell指令來管理和配置伺服器和基礎設施的過程。這些工具可讓你將基礎設施視為程式碼來處理，使其更易管理和自動化。
持續集成/持續部署（CI/CD）：指透過GitHub Actions和Jenkins等工具來自動化程式碼的測試、集成、部署和交付的過程。有助於確保程式碼的品質，並使新功能能夠快速部署到生產環境。
容器化：即使用Docker和Docker Compose等工具，將應用程式和其相關的依賴項打包成容器的過程，可使應用程式在不同環境中更容易部署和執行。
Docker工作流程示意
想當數據工程師，如何培養能力？
在學生可以學習統計、資工、資料科學等科系的課程，或是透過相關實習或競賽來摸索對此領域的興趣。此外，網路上有許多付費課程、YouTube上的免費資源，也可以在kaggle、LnData等平台取得更多練習與交流機會、相關知識、技巧或資源！
要記得，這些相關技術日新月異，即使是正在工作中的數據工程師也必須時時學習與了解最新技術。相對的，正因為技術不停在改變，你也不需要強求把上面所有技能練到精通，而是掌握重要的基本概念與保持開放的學習態度。
數據工程師可以為企業做什麼？
數據工程師日常就是與數據打交道，主要包含收集、讀取、清理，探勘與管理企業的資料，以抓取符合企業分析需求的數據。這些數據則能進一步透過機器學習、演算法，產生更有價值的結果或應用方式，幫助企業做出更好的決策、優化業務流程，例如降低成本、提高獲益、優化產品、留住熟客及開發新客群。因此，數據工程師對於企業的重要性不言而喻。
然而，企業想挖掘數據最大價值，並不能只靠數據工程師。一個完整的數據團隊，通常包含數據工程師、數據科學家、數據分析師三種角色，各司其職、專業分工。他們在日常工作流程中扮演各自的角色，互相協作，完成各種不同的專案——這也是為何我們最後要強調，除了技術以外，溝通與協作等軟技能也非常重要！
（原文標題：2023 年想成為數據工程師的 12 項必備技能）
[joblist_plugin title='推薦【數據／資料工程師】工作機會' url='https://www.104.com.tw/jobs/search/?ro=0&keyword=%E6%95%B8%E6%93%9A%E5%B7%A5%E7%A8%8B%E5%B8%AB&expansionType=area,spec,com,job,wf,wktm&jobsource=blogc&langFlag=0&langStatus=0&recommendJob=1&hotJob=0' amount='3']
【數據／資料工程師】職場常見證照整理：
序號證照證照介紹發照單位1DP-203 Azure資料工程師技術師身為此認證的應試者，您應該具備主題專業知識，能夠將各種結構化、非結構化和串流資料系統中的資料，整合...＜詳情＞Microsoft2Google專業資料工程師認證專業資料工程師透過收集、轉換和發布資料來實現以資料所驅動的決策。資料工程師應該能夠設計、建置、操作...＜詳情＞Google3SSE 大數據國際認證隨著有關大數據的程式語言、運算平台、基礎理論，以及虛擬化、容器化的技術成熟...＜詳情＞Silicon Stone Education4AWS認證的數據庫-專業級認證報考資格：1.接觸資料庫技術至少 5 年、2.實際使用 AWS 至少 2 年...＜詳情＞Amazon Web Services5台灣風險數據分析師除了相關法遵外，應具備在風險數據分析、質量方法運用、風險預測建模等高階專業...＜詳情＞社團法人台灣風險管理協會更多數據相關證照＜前往＞
【數據／資料工程師】職場再進修課程推薦：
課程名稱課程介紹【真人直播】零基礎Python數據分析與即時看板實作在這堂課程中，我們將帶你從學習基礎 Python 出發，了解各種常見資料檔案格式與編碼，透過 Python 進行資料表單或檔案的自動化彙整與分析...＜課程介紹＞GA4+GTM網站數據分析實戰課專業的教學設計，以第一線網站數據分析工作者角度，剖析 GA4 四大要領，從觀念的理解到上手實作，提升你的數據分析能力。…＜課程介紹＞成為數據分析師的第一把鑰匙：用Python實作三個資料分析專案以非工科生成功轉為數據分析師的經驗、第一線職場實戰角度出發，來設計這門課程，適合零基礎、初入門、想轉職作數據分析師的你!…＜課程介紹＞零基礎成為Python金融數據分析師｜金融資訊爬蟲X視覺化應用課程單元從 Python 程式基礎開始，包含變數、資料型態、流程控制、函式、例外處理等 金融主題的網路爬蟲程式教學，製作Python爬蟲工具…＜課程介紹＞更多數據相關課程＜前往＞
「Skill」和「提示詞」差在哪？6大差異與SKILL.md寫法一次看
Skill和提示詞差在哪？會寫提示詞還需要學Skill嗎？作者認為，提示詞就像便利貼，而Skill則像一本SOP手冊，以下從可複用性、穩定性、分享、跨平台、版控與自動化等6大面向比較，並以實例解析SKILL.md的5大結構與寫法。本文節錄自《10 倍速！AI Skill 全攻略》。
文／曾慶良（阿亮老師）
本文目錄（點擊可快速前往）
「提示詞」和「Skill」的6維度差異維度一：一次性 vs 可複用維度二：不穩定 vs 穩定維度三：無法傳承 vs 可分享維度四：單平台 vs 跨平台維度五：無版控 vs 有版控維度六：手動觸發 vs 自動觸發Skill怎麼寫？5個區塊快速解構SKILL.md1. 名稱2. Description（描述）3. Steps（步驟）4. Rules（規則）5. Example（範例）
「我用ChatGPT的提示詞不是也很好用嗎？為什麼還要學Skill？」
這是我在課堂上最常被問到的問題。每次我都會用一個比喻來回答。
提示詞就像便利貼。你在上面寫了一段很棒的指令，貼在螢幕旁邊。每次要用的時候，你看一眼便利貼，然後在AI的對話框裡重新打一遍。打完用完，那段文字就留在對話裡了—你關掉視窗，它就消失了。下次要用？再打一遍。換一台電腦？找不到了。想分享給同事？「你等一下，我翻一下之前的對話紀錄⋯⋯」
Skill則像一本裝訂好的SOP手冊。它不會丟、不會改、不會因為你換了電腦就消失。你把它放在一個固定的地方，AI每次都會翻開同一本手冊、照同一套流程做事，品質永遠一致。要分享？直接丟一個檔案過去，3秒鐘搞定。但差別不只是「便利貼 vs 手冊」這麼簡單。讓我從6個維度來做完整的比較，每個維度都配一個具體場景，讓你一次看透兩者的差異。
「提示詞」和「Skill」的6維度差異
維度一：一次性 vs 可複用
提示詞是一次性的。你在ChatGPT裡打了一段很精緻的提示詞，產出了一份完美的報告。太好了！但3天後你又需要寫一份類似的報告，你回頭翻對話紀錄—那段提示詞埋在100條對話之中，你翻了5分鐘才找到，然後發現它跟另一段提示詞混在一起，你搞不清楚到底哪段是你要的。
Skill是可複用的。你把「產出行銷月報」的流程寫成一個Skill。每個月月初，你只要說「幫我做這個月的行銷月報」，然後丟入數據，AI就照同一套格式、同一套邏輯跑出報告。第一個月花30分鐘寫Skill，之後每個月省2小時。用12個月，你省了23個半小時—整整3個工作天。
維度二：不穩定 vs 穩定
提示詞的輸出品質靠你的措辭。你今天心情好，打了一段很完整的提示詞，AI給你90分的答案。明天你趕時間，少寫了兩個條件，AI給你60分的答案。同一個任務，品質可以差出30分。更麻煩的是，你往往不知道品質下降是因為你的提示詞不一樣了—你以為自己打的「差不多」，但AI對措辭的敏感度超乎你的想像。
Skill的輸出品質被規則鎖住。SKILL.md裡的Rules區塊寫了「MUST：每段開頭要有bullet point摘要」和「NEVER：不可以使用超過3層的巢狀標題」，AI就會每次都遵守。你不需要記住這些規則，因為它們已經被寫進了系統裡。品質一致性從「看心情」變成「看規則」。
維度三：無法傳承 vs 可分享
提示詞是個人知識，藏在你的腦袋裡。你花了3個月才摸出一套高效率的AI工作方式。主管說：「太好了，教教其他人吧。」你開始教，講了1個小時。同事點頭如搗蒜，回去自己試—結果做出來的東西跟你的完全不一樣。因為你教的是「大方向」，真正決定品質的那些「眉角」（語氣怎麼拿捏、哪些詞要避開、先做A再做B的順序不能反），都是你自己也說不清楚的隱性知識。
Skill是一個檔案，誰拿到都能用。你把SKILL.md丟給同事，他花5分鐘讀完，對AI說「跑這個Skill」，出來的結果跟你做的品質一模一樣。隱性知識被「外化」成顯性知識，經驗不再只存在某個人的腦子裡。一個新人入職第一天就可以用資深員工花3個月磨出來的AI工作流—這在以前是不可能的事。
維度四：單平台 vs 跨平台
提示詞綁定在特定的AI平台上。你在ChatGPT裡養了一個好用的Custom GPT，有一天公司決定改用Claude，你的心血全部白費—Custom GPT的設定沒辦法直接搬到Claude上面。或者你在Gemini裡摸出一套好用的提示詞，但發現在ChatGPT上跑出來的結果完全不一樣，因為每個平台對提示詞的「理解方式」有微妙的差異。
Skill是一份純文字檔，不綁定任何平台。同一份SKILL.md，你可以在Claude Code裡用、在Gemini CLI裡用、在Codex CLI裡用。因為Skill的本質是自然語言寫的工作流程，任何能讀懂自然語言的AI都能執行。你今天用Claude，明天改用GPT，後天改用Gemini—Skill帶著走，不用重寫。
維度五：無版控 vs 有版控
提示詞沒有版本的概念。你改了一段提示詞，發現效果變差了，想回到上一版—抱歉，你已經覆蓋掉了。或者你跟同事各自改了同一段提示詞的不同部分，想合併—你得自己手動比對，一行一行看。
Skill是檔案，可以用Git做版本控制。每一次修改都有紀錄，你可以看到「上個禮拜三下午兩點誰改了什麼」。改壞了？一個指令回滾。多人協作？用Git的分支和合併機制，兩個人改同一份Skill也不怕衝突。這就是軟體工程師幾十年來管理程式碼的方式，現在你用同樣的方式管理AI的行為。
維度六：手動觸發 vs 自動觸發
提示詞需要你手動執行。你得打開AI介面、貼上提示詞、貼上輸入資料、按下送出、等待回覆、複製輸出、貼到目標位置。每一步都要你親自動手。如果你的工作流有10個步驟，你就要重複這套「開→貼→送→等→複製→貼」的動作10次。
Skill可以被自動觸發。在後面的章節你會學到Skill Chain（Skill串接），讓A Skill的輸出自動變成B Skill的輸入，中間完全不需要你動手。你甚至可以設定排程—每天早上9點自動跑「整理今日待辦事項」Skill，或者每次收到特定格式的Email就自動觸發「客戶回覆」Skill。從「人工一步一步做」變成「設定一次自動跑」。
如果用一句話總結整個對比：提示詞是即用即丟的紙條，Skill是裝訂成冊的工作手冊。
這6個維度的差距，不是功能多寡的差距，而是「工作方式」的差距—一種是每次從零開始，一種是把好的做法固定下來、持續複利。
Skill怎麼寫？5個區塊快速解構SKILL.md
你可能會好奇：一個SKILL.md到底長什麼樣子？裡面有哪些東西？
其實它的結構非常簡單。一個標準的SKILL.md有5大區塊：名稱（Name）、Description（描述）、Steps（步驟）、Rules（規則）、Example（範例）。每一塊的作用不同，但都是用自然語言寫的—你會打字就會寫，不需要任何程式背景。
讓我用一個完整的例子帶你走一遍。假設你是一個社群小編，每天要寫Facebook貼文。你想讓AI幫你寫，但又要確保風格一致、長度合適、不要踩到地雷。這就是一個非常適合做成Skill的任務。
先看完整的樣子：
# 社群貼文產生器## Description當使用者提供主題和素材，自動產出一篇適合Facebook粉絲頁的貼文。## Steps 1. 確認貼文主題和目標受眾2. 從素材中提取三個重點3. 用「故事→觀點→行動呼籲」的三段式結構撰寫4. 加入 3-5 個相關 Hashtag 5. 檢查字數是否在 150-300 字之間## Rules- MUST：開頭第一句話要有「鉤子」，引起好奇心- MUST：結尾要有明確的行動呼籲（留言、分享、點連結）- MUST：語氣親切自然，像朋友聊天- NEVER：不使用「最」「第一」「保證」等絕對性用語- NEVER：不提及競品名稱## Example** 輸入：** 主題是「新推出的線上課程」，受眾是 25-35 歲上班族** 輸出：**你有沒有過這種經驗？下班回家想學點新東西，打開線上課程卻不知道從何開始⋯⋯我們聽到了！全新的「AI工作術」系列課程，專門為忙碌的上班族設計。每堂課只要15分鐘，通勤的時候就能看完。3個月後，你會發現自己處理工作的速度快了一倍。想搶先體驗嗎？留言「+1」我們私訊你早鳥優惠連結 👇 #AI工作術 #線上學習 #下班後充電 #職場成長
編按：撰寫Skill不一定要從空白的SKILL.md開始，也可以藉由AI工具輔助，例如Claude的「skill-creator」可根據自然語言需求，協助產生Skill的檔案結構與內容，並進一步測試、比較及優化；OpenAI Codex也內建「$skill-creator」。需要注意的是，產生的Skill仍應由使用者親自檢查，因此了解下文拆解的SKILL.md相當重要。
現在讓我一塊一塊解說。
1. 名稱
讓AI知道「這是哪個Skill」。
2. Description（描述）
這是Skill的「自我介紹」。用一到兩句話說清楚：這個Skill在什麼情境下會被觸發，它會做什麼事。AI會根據這段描述來判斷「使用者現在的需求適不適合用這個Skill」。
寫得好的Description有3個特徵：第一，明確說出觸發條件（「當使用者提供主題和素材」）；第二，明確說出輸出結果（「產出一篇Facebook貼文」）；第三，不超過兩句話。你不需要在這裡塞太多細節—細節是 Steps 和 Rules 的事。
一個好Description的迷你範例：
當使用者貼上一段英文文獻摘要，自動翻譯成學術中文並標註關鍵術語。
一個不好的Description的反面教材：
這是一個很厲害的翻譯工具可以翻譯很多東西而且翻得很好。
差在哪？好的版本告訴AI「什麼時候用、輸入什麼、輸出什麼」；不好的版本只在自吹自擂，AI讀完還是不知道自己該做什麼。
3. Steps（步驟）
這是Skill的「工作流程」。用編號列表寫出AI應該依序完成的每一個步驟。AI會從第一步做到最後一步，不跳步、不亂序。
寫Steps的關鍵是「粒度」—每一步不能太粗（「寫一篇貼文」，那跟沒寫一樣），也不能太細（「先按下鍵盤上的A鍵」，那是在教幼兒園小朋友）。一個好的經驗法則是：每一步對應一個「可以獨立驗收的產出」。比如「從素材中提取3個重點」，做完這一步你可以看到3個重點，可以判斷對不對。
一個做會議紀錄的Steps迷你範例：
1. 讀取會議逐字稿2. 辨識所有參與者及其發言3. 歸納3到5個主要討論議題4. 為每個議題摘要結論和待辦事項5. 用表格格式整理成會議紀錄
4. Rules（規則）
這是Skill的「紅線」。用MUST（一定要）和NEVER（絕對不可以）來框住AI的行為。這是整個SKILL.md裡最重要的區塊—沒有之一。
為什麼？因為 AI 最大的問題不是「不會做」，而是「做過頭」或「做歪了」。它太聰明了，聰明到會自己加料。你請它寫一封客服回覆，它可能自作主張承諾退款；你請它寫一篇新聞稿，它可能自己加了虛構的數據。Rules就是用來「馴服」AI的—你畫出邊界，它在邊界裡自由發揮。
MUST和NEVER的寫法有一個要訣：越具體越好。「MUST：寫得好」是廢話；「MUST：每段不超過80字」是有用的規則。「NEVER：不要亂寫」是廢話；「NEVER：不引用未經確認的統計數據」是有用的規則。
一個寫學術摘要的Rules迷你範例：
- MUST：使用被動語態和第三人稱- MUST：保留所有數據和百分比- MUST：字數控制在 250 字以內- NEVER：不加入原文沒有的推論- NEVER：不使用口語化表達
5. Example（範例）
這是Skill的「示範教學」。你給AI看一組「輸入→輸出」的配對，讓它知道「做對了長什麼樣子」。這就像你訓練新員工：與其說一百條規則，不如直接拿一份做好的成品給他看—「就照這個標準來。」
Example不需要多，一到兩組就夠了。但要挑有代表性的例子。如果你的Skill會處理3種不同類型的輸入，最好每種類型各給一個範例。
一個寫產品文案的Example迷你範例：
** 輸入：** 產品名稱：極光藍芽耳機，特點：降噪、12小時續航、IPX5 防水** 輸出：** 城市再吵，你的世界可以很安靜。極光藍芽耳機搭載主動降噪技術，12小時超長續航陪你從早到晚，IPX5防水等級讓你運動時也能盡情享受音樂。
5大區塊就是這樣。名稱讓AI知道「這是哪個Skill」， Description告訴AI「什麼時候該啟動」，Steps告訴它「怎麼做」，Rules告訴它「什麼可以做、什麼不可以做 」， Example告訴它「做對了長什麼樣子」。5塊加在一起，你就完整地「教會」了AI一項技能。
記住：你不需要一次寫到完美。先寫一版，跑跑看，發現AI哪裡做不好就回去調整Rules或Steps。Skill是活的文件，會隨著你的使用而越來越精準。
節錄自：博碩《10 倍速！AI Skill 全攻略：建立 Skill 驅動 AI 系統，打造從學術研究到專案開發的自動化工作流》／曾慶良（阿亮老師） 著
推薦閱讀：
Claude Skills怎麼用？內建與個人Skill差異、適用情境及使用方式
Claude怎麼用？免費版有什麼限制？Chat、Cowork、Code及實用功能盤點
AI助攻學習大躍進，開啟英語學習新時代！
隨著全球化與AI技術快速發展，臺灣的英語學習環境正經歷重大轉變，各種線上學習工具與資源不斷推陳出新。為提升國人英語能力，財團法人語言訓練測驗中心（LTTC）與國家發展委員會（簡稱國發會）合作推出新的英語學習平台，希望能成為學習者的有力輔助工具。
本文導覽
國際人才磁鐵，英語力是關鍵結合AI技術，打造智能學習評量系統全方位學習體驗：聽讀說寫全面提升第一線使用者回饋：有效提升學習效率AI學習工具的未來發展
國際人才磁鐵，英語力是關鍵
在全球化浪潮下，臺灣面臨的人才競爭愈發嚴峻，加上少子化的衝擊，如何吸引並留住國際人才，已成為國家發展的重要課題。國發會綜合規劃處林麗貞處長指出，想要讓國際人才願意在臺灣長期發展，就必須讓他們在日常生活中溝通無礙，而提升全民英語能力正是關鍵因素，這也符合政府推動的雙語政策目標。
延伸閱讀：職場「英語力」是提升競爭力的關鍵，自主學習外更需專業助攻！
結合AI技術，打造智能學習評量系統
因此LTTC及國發會集結了語言測驗、教育與科技領域的專家，共同研發「全民英檢i學網」（GEPT iPrep）英語學習平台，以提供更符合臺灣學習者需求的工具。LTTC執行長李欣穎指出，該平台運用全民英檢25年來累積的考生應答數據與歷年試題資料庫，透過AI技術進行學習診斷與評量，使其更貼合本土學習者的需求。
LTTC副執行長吳若蕙補充說，透過AI技術，學習者可以透過標準化的測驗與即時回饋來了解自己的強弱項。這不僅能幫助教師在教學時提供更精準的指導，也能讓自學者更有效率地提升英語能力。她強調，AI的角色是輔助學習，而非取代真人教學，「人機協作」才是最佳學習模式。
◆ 全民英檢，求職加分最佳利器▶ 點我報名◆ 全民英檢備考課程，專業師資指點迷津▶ 點我報名◆ 全民英檢i學網，AI評分即時回饋▶ 點我練習
全方位學習體驗：聽讀說寫全面提升
長期以來，臺灣的英語學習者在口說與寫作的練習機會較少，尤其缺乏系統化的評量工具，使得學習者難以掌握自身的進步情況。此新學習平台提供完整的聽、說、讀、寫四大類練習，並透過AI分析學習者的表現，提供個人化回饋。例如，聽力與閱讀的評量包含能力指標、未精熟單字、文法與學習建議，而口說與寫作部分則提供語音與語法分析，幫助學習者針對弱點進行改善。
十二年國教英語科召集人張武昌教授表示，英語學習是一個持續累積的過程，不應只侷限於學校課程，而應該讓所有學習者都能獲得適合自己的學習資源。他強調，從紙本教材到線上學習工具的發展，都是為了幫助臺灣整體英語實力的提升，使國人能更順利地融入國際環境。
第一線使用者回饋：有效提升學習效率
曾在英語補教業工作的張小姐分享，過去學生在口說與寫作方面的進步往往仰賴與教師的互動或適合的學習環境，但這樣的機會有限。透過AI評量系統，學生即使在學校或補習班之外，也能隨時進行練習並獲得回饋，大幅提升學習自主性。
就讀臺大藥學系的洪同學也表示，這樣的學習平台讓他在口說與寫作的表達更加精準。AI不僅能協助刪除冗詞贅字，還能提供更自然、實用的語句建議，讓學習者能夠針對自身的表達進行微調。他認為，這比單純讓AI重寫一篇文章來得更有意義，因為能夠幫助使用者理解自己的錯誤並加以改進。
AI學習工具的未來發展
隨著科技進步，英語學習方式也在不斷演進。「全民英檢i學網」已於2025年1月開放全民使用，但仍持續優化中，期望未來能提供更精準的學習診斷與回饋機制，透過結合AI的個人化學習體驗，讓學習者更精準地掌握自身的學習狀況，並針對弱點進行強化。這不僅有助於提升臺灣的英語能力，更能讓學習者在國際舞台上發揮更大的競爭力。
★ 全民英檢i學網：https://prep.gept.org.tw
[joblist_plugin title='【全民英檢】讓求職競爭力更高！' url='https://www.104.com.tw/jobs/search/?jobsource=joblist_search&keyword=%E5%85%A8%E6%B0%91%E8%8B%B1%E6%AA%A2&mode=s&page=1&order=15&asc=0&searchJobs=1&sctp=M&scmin=50000&scstrict=1' amount='5']
強化語言能力，是提升職場競爭力的關鍵！
職場「英語力」是提升競爭力的關鍵，自主學習外更需專業助攻！
想進外商公司英文要多好？3件比考英文檢定更重要的事
學外語還是買股票有「錢」途？史蒂夫和戴夫告訴你
有任何收穫或想分享的，都來和大家一起聊聊吧！