倉儲作業與庫存管制技巧
104學習
資訊設備操作檢修
具備此技能代表能熟悉各類電腦、網路及周邊設備的操作流程，並能有效排除故障，確保系統穩定運作。能快速判斷問題原因，進行維護或修復，減少設備停擺時間，提高工作效率。此外，了解設備安全規範與操作標準，降低風險。此能力在IT支持、企業內部技術維護及相關產業非常實用，是維持資訊系統順暢不可或缺的專業技能。
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
你的部屬不好做？ – 流程改善篇
不瞎忙!職場達人必修課(一)：工作目標的制訂
生產計畫與進度管制技巧
專案計畫與進度管制技巧
見招拆招，問題分析與解決(上)
生產現場作業與管理實務
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
問題原因分析與解決技巧
專案矩陣分析與應用技巧
精選貼文，掌握第一手知識
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
越來越多企業投入數據分析領域，也讓資料工程師的職缺需求大增，根據104薪資情報網站，資料工程師薪資中位數甚至高於一般研發工程師。本文就帶你一探有資料工程師需要的技能專長以及完整職涯發展。
文 /【104學習精靈】
本文目錄（點擊可快速前往）
什麼是資料工程師？需要哪些技能？資料工程師工作內容資料工程師技能與工具能力分析資料工程師軟技能養成：4大特質有助職涯發展更順利資料工程師薪水行情：掌握技術專長是加薪關鍵1. 台灣資料工程師薪資範圍 2. 提升資料工程師薪水幅度的關鍵資料工程師職涯路徑：邁向高階技術職的進階指南1. 軟體工程師2. 數據分析師3. 演算法工程師｜資料科學家資料工程師的挑戰
什麼是資料工程師？需要哪些技能？
資料工程師工作內容
資料工程師又稱為數據工程師，主要工作內容是與數據相關的技術支援，建置系統或使用外部平台幫助企業數據收集、儲存與整理，確保數據傳輸管道暢通、安全、精準且可被預測。
延伸推薦課程 👉 資料工程師養成班
資料工程師技能與工具能力分析
基礎Python網路爬蟲SQL 基礎Java核心R語言SQL 進階資料庫AWS應用進階資料探勘認證微軟 Azure雲端應用認證職涯資料工程師AI資料科學家▲ 資料工程師師應具備技能、工具、職涯指引表，點選不同技能會對應到相關課程。
[course_plugin title='資料工程師面試入門課程' keyword='破解資料工程師' amount=1]
1. 資料工程師基礎技能
資料工程師需熟悉網路爬蟲技術，精通Python與SQL語言，具備Java基礎能力，能有效處理ETL流程，管理資料庫，支援業務分析需求。
Python：常用於數據處理與自動化管道建設。
網路爬蟲：從網頁自動蒐集數據，將網頁數據轉換為可用的結構化格式
SQL（基礎）：資料工程師必備技能，用於查詢與操作結構化數據。
Java：用於大數據處理框架（如Spark）的高效運算實現。
資料工程師基礎工具推薦課程
線上
Python 新手村｜練就扎實基本功
5538人感興趣
了解課程＞
線上
Python 網路爬蟲 | 數據分析的第一步就是要學會爬
6276人感興趣
了解課程＞
線上
快速活用 MySQL，精準設計關聯式資料庫
15855人感興趣
了解課程＞
線上
學程式也能很好玩：不背語法寫Java
6625人感興趣
了解課程＞
延伸推薦課程 👉 Python 輕鬆上手學👉 成為 AI 科學家｜快速闖關 Python 語法世界，程式實作不頭痛👉 Python新學法 - 實作6個Terminal APP快速入門👉 Python 基礎程式設計｜開外掛勇闖 Python 異世界👉 ETL網路爬蟲實戰技巧👉 吳永志Java入門保證班 - 初學者最佳選擇
2. 資料工程師核心技能
資料工程師核心技能涵蓋精通R語言與進階SQL操作，具備優化大型資料庫管理的能力，熟練運用雲端應用及大數據技術，專注於高效處理複雜數據流程。
R語言：常用於統計分析、數據探勘和機器學習建模的程式語言，適合進行各類數據處理與運算。
SQL進階／NoSQL：進階的SQL技能有助於高效處理和管理大型結構化數據。除了關聯式資料庫（如 MySQL、PostgreSQL），還需熟悉 NoSQL 資料庫（如 MongoDB、Cassandra）以處理非結構化數據。
資料庫管理與建置：除了熟悉各種資料庫工具管理與操作，資料工程師還需具備建置資料庫架構等關鍵性知識。
雲端應用能力：掌握雲端應用相關的技能，熟悉AWS、Azure等雲端服務平台來進行大規模數據的存儲和處理。
資料工程師核心工具推薦課程
線上
R語言/R-Studio入門─統計分析、資料探勘與機器學習的原理與實戰演練
4057人感興趣
了解課程＞
線上
教你完全掌握 SQL- 從資料庫建立到成為資料處理高手
4148人感興趣
了解課程＞
線上
資料庫設計原理
2567人感興趣
了解課程＞
線上
AWS雲端架構規劃｜建置實務應用
3169人感興趣
了解課程＞
延伸推薦課程👉 NoSQL輕鬆學: 架構、設計與案例探討👉 成為 AWS 達人第一步！打造你的第一個 AWS 架構！👉 AWS雲環境的架構優化-彈性化自動擴展👉 雲端資料工程師在職遠距班
3. 資料工程師進階技能與證照：資料探勘與雲端應用認證
資料探勘是從已知的數據中，挖掘數據背後的價值與趨勢，提供企業數據洞察報告。為此，資料工程師必須熟悉大數據框架或引擎技術，搭配程式語言、機器學習模組（如：MLlib）及統計分析方法，將數據處理轉化為具體分析結果或預測模型。
Apache Spark：Spark是一個開源的大數據處理框架，支援多種程式語言和機器學習模組，能高效分析與挖掘大規模數據，是資料探勘不可或缺的強大系統。
雲端應用證照：資料工程師在雲端應用領域可藉由取得認證證照來提升專業性，例如Microsoft Azure相關認證，資料工程師可透過自我學習與認證以強化職業競爭力，也為自己提供更加寬廣的職涯發展路徑。
資料工程師進階工具認證課程推薦
線上
微軟Azure超級入門實務與AZ-900認證攻略
19721人感興趣
了解課程＞
[course_plugin title='雲端資料工程師進階課程推薦' keyword='雲端資料工程師在職遠距班' amount=1]
延伸推薦課程👉 Spark首部曲：實務基礎入門篇👉 Spark第二部曲： SQL輕鬆處理半結構化資料技巧👉 Spark第三部曲： MLlib完成資料挖掘與機器學習實戰👉 微軟Azure超級入門實務與AZ-900認證攻略👉 微軟 Azure｜通關 AZ-104 認證攻略，邁向雲端 IT 管理之路👉 AZ-204 認證攻略Ｉ從Azure著手雲端開發解決方案👉 DP-900 認證攻略 l 基礎資料庫混合雲建置與管理
資料工程師軟技能養成：4大特質有助職涯發展更順利
1. 溝通與跨部門協作能力：
資料工程師需與資料分析師、產品經理和開發團隊緊密合作，清晰表達技術需求與限制，確保數據管道設計與業務目標一致，並有效傳達複雜技術內容以促進團隊協作效率。
2. 問題解決與批判性思維：
在面對數據品質問題、流程瓶頸或系統錯誤時，資料工程師需具備冷靜分析的能力，快速定位問題根源，提出創新解決方案，並從長遠角度優化系統的穩定性與效率。
3. 時間管理與專案執行能力：
面對多項並行任務與緊迫期限，資料工程師需能有效規劃工作進度，分配資源，確保ETL流程、數據清洗與系統開發在限定時間內按時完成，提升團隊交付成果。
4. 持續學習與技術適應能力：
資料工程師需要不斷學習新興工具、框架與雲端技術，快速掌握業界趨勢，適應大數據與人工智慧時代的變化，確保自身技能能支持企業的數據基礎設施發展需求。
資料工程師薪水行情：掌握技術專長是加薪關鍵
隨著大數據與人工智慧的快速發展，資料工程師成為企業中不可或缺的重要角色，但影響薪資的關鍵，往往取決於工程師本身的技術專長與實務經驗。
1. 台灣資料工程師薪資範圍
初階（3年以下經驗）：月均薪約5.9萬。
中階（3-5年經驗）：月均薪約 6.4萬。
高階（5-10年經驗）：月均薪約6.6萬。（以上資料來源：104薪資情報）
2. 提升資料工程師薪水幅度的關鍵
掌握大數據與雲端技術是高薪關鍵：熟悉大數據工具（如Spark）及雲端平台（如AWS、Azure）是資料工程師的核心技能。企業對處理大規模數據的需求不斷增加，具備分散式運算能力的工程師在薪資談判中更具優勢。
程式語言與專業認證提升競爭力：Python與SQL是基礎技能，而掌握Java、R語言及進階資料庫技術（如NoSQL）能顯著提高薪資。此外，取得AWS、Azure等專業認證，能彰顯技術專業性，是升職與加薪的重要籌碼。
資料工程師職涯路徑：邁向高階技術職的進階指南
資料工程師需要強大的技術專才，在數據處理、雲端應用與大數據技術上展現出不可或缺的價值，建議資料工程師可藉由自我學習、累積實務經驗及考取專業認證等管道，優化現有技能，就有機會轉往更高階技術職務，實現職涯進階與薪資提升，資料工程師職涯路徑發展如下：
1. 軟體工程師
資料工程師轉職軟體工程師，除了程式開發與現有數據基礎專業上，擴充軟體開發能力，技術層面也需涉及更多樣的程式語言、系統設計、開發流程與測試技巧等。
技能需求：需掌握多樣化技術，精通主流程式語言如Java、C++；熟悉相關框架（如Spring、Node.js、React）；具備系統設計能力；掌握版本控制工具如Git，並適應敏捷開發流程；能進行自動化測試以確保軟體品質。此外，基礎前端開發技術（HTML、CSS、JavaScript）與實務經驗（如參與開源專案或個人作品集）也是必要條件，以全面應對軟體開發需求。
學習指南：前端工程師學習地圖、後端工程師學習地圖
2. 數據分析師
位於同樣的數據產業鏈中，資料工程師轉職數據分析師需強化數據解讀與分析能力，熟悉各種報表可視化工具與分析方法，以深度挖掘數據製作洞悉報告。
技能需求：屬於後段數據資料庫建置的資料工程師，在轉職前線的數據分析師，需要更深度與產品、業務單位溝通，了解組織需求，並在已具備數據專業技術的前提下，需要熟悉使用工具如Excel、Tableau、Power BI進行可視化，掌握統計學基礎與分析方法（回歸分析、A/B測試）。實戰專案經驗與清晰的數據展示能力是能否轉職成功的重要條件。
學習指南：數據分析師學習地圖
課程推薦：數位分析師入門實戰
3. 演算法工程師｜資料科學家
就分工而言，資料工程師搭建數據管道，確保數據準確、安全、流向正確位置；演算法工程師專注於開發演算法或模型，處理數據並生成有用的輸出（如預測、推薦結果）；資料科學家分析數據與模型效果，找到問題並提出解決方案。部分企業因規模不同，資料工程師、演算法工程師、AI資料科學家三者的工作內容可能有所重疊。
演算法工程師：高效演算法工具的製造者，著重數據模型的建構。需熟練掌握Python與C++等程式語言，並熟悉TensorFlow、PyTorch等深度學習框架，用於開發與訓練模型。
AI 資料科學家：透過數據模型分析、預測，並透過不斷驗證與統計分析能力，監控並優化數據模型結果提出精準分析。
課程推薦：AI資料科學家全方位學程班
資料工程師的挑戰
數據處理最大的挑戰，就是保持數據的一致性，這是非常需要耐心與抗壓性的工作內容，尤其在時間壓力之後，必須處理包括數據的異常與缺失，數據清洗與校正等。因此，資料工程師必須有對數據工具的熟悉度，以及知道如何高效處理大數據需求的能力。
除了技術層面，隨著技術的快速更新，資料工程師需要不斷學習新工具與技術，如雲端平台和大數據框架，充滿好奇與保持學習力是資料工程師必須保持的態度。因此，面對多方面的挑戰，具備紮實的技術實力、解決問題的能力以及高適應力，才能滿足不斷變化的業務需求。
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
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
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
[joblist_plugin title='更多104【資料工程師】工作機會' url='https://www.104.com.tw/jobs/search/?order=15&page=2&indcat=1001001000,1001000000&ro=1&jobsource=joblist_search&jobcat=2007001022' amount='3']
精選 推薦 : 豈止證照而已！跨域知識大串聯，打造屬於自己的能力系統
這段Podcast 是專訪Nabi iPAS 證照講師 陳正健（CCChen）如何透過經濟部 iPAS 產業人才能力鑑定，成功建立跨領域的專業系統。他至今已累積取得涵蓋 AI 應用、淨零碳規劃、智慧生產、食品保穫及品牌企劃等五大領域共 14 張證照。
CCChen強調，證照不應僅是孤立的紙本證明，而是應將所學知識與工作實務及數位工具深度結合，以提升解決複雜問題的職場競爭力。他分享了運用 AI 工具輔助學習與時間管理的策略，並以此帶動家人參與，展現出自主學習的正面能量。
他鼓勵專業人士打破學科框架，藉由跨域考證建構個人能力地圖，從而因應智慧化與永續轉型的產業趨勢。這些內容不僅記錄了他的轉型歷程，也為求職者與企業提供了關於人才培育及職涯成長的實務參考。
歡迎收聽▼
https://youtu.be/bUZXvx9eZk0?si=6a4q234WUnAABWiQ
CCChen 老師課程 :
【直播課程＋限時回放】iPAS AI應用規劃師（初級）- 第三梯考前衝刺班｜8/5（三）20:00–21:30 線上直播講座｜104獨家iPAS AI考證衝刺 https://nabi.104.com.tw/course/104nabi/4f6e498b-dee3-4fab-935d-64c781840c9c
【2026年－考試筆記(V1版本)】iPAS AI應用規劃師初級｜全科攻略ｘ考點精華ｘ擬真題庫｜104學習
https://nabi.104.com.tw/course/104nabi/07779700-a980-43d2-8b34-bae808edea61
iPAS AI應用規劃師【中級】衝刺班｜命題精析 × 實戰解題 × AI刷題｜104獨家iPAS AI考證衝刺
https://nabi.104.com.tw/course/104nabi/3987ebea-3686-4f67-a292-c46c3cc2128e
前端工程師是什麼？薪水怎破100萬？完整攻略，附：台積電前端工程師工作心得
前端(Frontend)： 給人看的（介面、使用者體驗），網頁的畫面、按鈕、圖片、排版。
前端 (Frontend)是什麼？
這是使用者直接與之互動的部分，包括網頁的設計、佈局和內容。前端開發使用的技術包括HTML、CSS和JavaScript。
舉例來說：當你打開 104人力銀行，看到的畫面就是前端工程師控制的，包含不同裝置的畫面呈現～從電腦、平板或手機觀看，都是前端工程師需要留意的。
重要元素舉例
搜尋欄：讓你輸入「軟體工程師」並按下搜尋
職缺列表：顯示各種公司和薪資範圍
登入按鈕：點擊後彈出登入視窗
應徵按鈕：點了之後，系統會幫你送出履歷
前端工程師的薪水與薪水天花板
台灣整體而言前端工程師薪水中位數落在66.8萬~81萬間，天花板推估是91.3~101.6萬。
工作年資年薪中位數推估薪水天花板職缺1年以下66.8萬94.1萬1~3年71萬91.3萬3~5年78.1萬96.7萬5~10年81萬101.6萬資料來源 104薪資情報 有效樣本：575 資料更新：2025年02月10日
如何突破前端工程師的薪水天花板
選擇對的公司/產業
選擇薪水中位數高的公司：上市櫃公司年薪中位數、外商公司，公司獲利能力好，自然同樣的時間成本，能有更好的薪水保障。
選台灣重點產業：半導體業、科技業、金融業
台積電前端工程師工作心得
以下為講座精華節錄
薪水區間？年薪約30個月，新鮮人月薪約6萬。
加班很兇嗎？加班時數看跟的專案，配合專案前進。去年自己未超過100小時
公司內用的語言較多，不同的系統專案或對接的單位不同，要學習不同的語言
怎麼進台積電？平常就有寫技術部落格、每年參加IT鐵人賽、在104經營個人品牌(SEO權重優)
同事都是哪些人？（免費領取台積電工作心得與QA精華）
看懂遊戲規則：深耕5大能力，擁有更多選擇權
1.技術能力（Technical Skills），能否寫出高品質、可維護、效能優化的前端程式，並快速學習新技術應用在工作上，也能夠帶領內部技術前進（內部 Tech Talk 或自建部落格）
程式品質：乾淨、結構清晰、DRY、KISS、SOLID
效能最佳化：頁面載入時間、CDN快取、前端壓縮技術、降低不必要的 re-render
技術廣度與深度：獨立處理 CSS、JavaScript、框架（React, Vue, Angular）等核心技術、熟悉 TypeScript、State Management（Redux, Vuex）、處理前端安全問題（如 XSS, CSRF, CORS）
2.產品與專案影響力（Project & Product Impact），能有效率地完成任務，並確保產品的品質，過程中主動優化現有系統，提出新的技術方案，提升開發效率。
專案完成度：照時程交付、主動發現並解決問題、處理緊急問題
產品價值：功能是否真的提升了使用者體驗、A/B 測試或數據分析、減少技術債，提高長期維護性
3.開發效率（Development Efficiency），高效產出高品質的程式，主動提出更有效率的開發工具或流程，寫出自動化測試（如 Jest、Cypress），減少回歸測試時間。
時間管理：需求評估準確度、根據需求合理拆分任務，安排優先順序
程式碼管理：Pull Request（PR）清楚易讀、Code Review 積極參與給出建設性回饋
Debug 能力：利用 Log、DevTools、Profiler 進行高效率的問題解決
４.團隊合作與溝通（Collaboration & Communication），與其他工程師、PM、設計師、QA、數據分析師等合作單位順暢合作。指導新人、撰寫開發文件，幫助團隊快速上手。
跨部門溝通與 PM 討論需求，提供技術可行性建議與設計師合作，確保 UI/UX 最佳化與後端工程師協作，確保 API 串接順暢Code Review幫助同事提升程式碼品質接受別人的建議，改進自己的程式碼主動性主動提出問題或改善建議在團隊會議中有效表達技術方案前端工程師 團隊合作與溝通的重要性
5.創新與影響力（Innovation & Leadership），完成自己的工作外，帶來更大的影響。有能力也主動推動團隊技術決策，如選擇新框架、優化開發流程。
技術創新：引入新技術來提升開發效率、開發內部工具，幫助團隊節省時間
技術影響力：技術社群內分享知識、開源專案或貢獻
技術領導：在團隊中擔任技術導師、帶領技術專案
關鍵重點：績效不只是寫多少行程式，而是對產品和團隊的影響
開發速度：平均完成一個 Story（使用者故事）的時間
Bug 數量：新功能上線後的 Bug 率
PR 參與度：Code Review 的次數與回饋價值
前端效能：Google Lighthouse 分數、First Contentful Paint（FCP）
使用者行為變化：某個 UI 改版後，點擊率是否提升？
能力方法技術能力深入學習前端框架、優化效能、提升可維護性產品影響力確保開發的功能有助於提升使用者體驗開發效率提高 Debug 能力、善用自動化工具團隊合作提高溝通能力、參與 Code Review、幫助同事創新影響力參與技術社群、提出技術改進方案前端工程師的5大能力
前端用的技術
HTML 負責畫出網頁結構（像骨架）
CSS 負責排版與設計（讓它變美）
JavaScript 負責互動（讓按鈕能點、內容會變）
框架和庫：如React、Vue.js和Angular，這些工具可以幫助你更高效地開發複雜的應用程式。
響應式設計：確保網站在各種裝置上都能良好顯示，通常使用CSS框架如Bootstrap。
版本控制：如Git，用於管理和協作開發
前端工程師主要合作的夥伴
1. 後端工程師（Backend Developer）
👉 負責提供 API，讓前端能夠拿資料，確保功能運作
合作範例：你要做一個「應徵按鈕」，但這個按鈕要能讓使用者點了後，系統能自動送出履歷，這時候前端需要跟後端拿 API。討論 API 的格式：你問：「我這邊需要傳哪些資料才能應徵？」後端說：「你傳 user_id、job_id 給我，我幫你送出履歷」你：「那回應結果是什麼？我要顯示成功或失敗」後端：「如果成功，我回 status: success，失敗的話會給錯誤碼」💡 前端 + 後端 = 讓網站不只是畫面，而是能「動」起來！
3. 產品經理（PM, Product Manager）👉 負責規劃產品功能，確保開發方向符合商業目標合作範例：你做完了「應徵按鈕」，但 PM 突然跟你說：「我們希望這個按鈕能讓用戶自訂求職信」這時候你得確認：「這功能會影響到後端嗎？需要修改 API 嗎？」「這會不會影響現在的 UI 設計？」「會不會讓使用者體驗變得更複雜？」💡 前端 + PM = 確保開發出來的功能，真的是「使用者需要的」！
4. 測試工程師（QA, Quality Assurance）👉 負責測試系統，確保功能正常、不出 Bug合作範例：你開發完「應徵按鈕」，但 QA 測試時發現：BUG 1： 在 iPhone 上點擊按鈕沒反應？BUG 2： 送出履歷後沒有顯示成功提示？BUG 3： 按太快的話會連送兩次履歷？💡 前端 + QA = 確保使用者「真的能順利使用」功能！
5. 數據分析師（Data Analyst）👉 負責分析使用者行為，讓前端能做出更好的優化合作範例：你做了一個「首頁推薦職缺」功能，但數據分析師告訴你：「這個區塊的點擊率只有 5%！」 → 代表 UI 可能需要調整「使用者停留時間太短」 → 可能要加上動畫或更清楚的標題「A/B 測試顯示紅色按鈕比藍色好」 → 你需要調整設計💡 前端 + 數據分析師 = 讓 UI/UX 變得更直覺、更有效！
6. 運維/系統工程師（DevOps / SRE）👉 負責網站伺服器的運行與最佳化合作範例：你的前端代碼已經寫好了，現在要部署到正式環境可能遇到的問題：網頁載入速度太慢？ → DevOps 可能會幫你設定 CDN 加速按鈕點擊後沒反應？ → 可能是伺服器資源不足，需擴充某些用戶看不到最新版本？ → DevOps 需要清理快取💡 前端 + DevOps = 確保你的程式能「穩定、安全」地運行！
夥伴主要合作內容影響前端的地方後端工程師提供 API，讓前端可以拿到資料決定資料怎麼傳遞UI/UX 設計師設計畫面，確保用戶體驗影響網頁排版、按鈕設計產品經理（PM）決定功能需求與優先順序決定要做什麼、怎麼做測試工程師（QA）測試功能，找出 Bug確保程式正常運行數據分析師提供使用者數據，幫助優化 UI影響 UI 設計與功能調整運維/系統工程師（DevOps）負責部署、效能優化確保網站運行順暢前端工程師的合作夥伴
「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＞
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']
好的報告不能缺少這項「關鍵要素」！工作報告兩大類別重點解析
一份好的工作報告能幫助你精準傳遞資訊，但許多人卻經常忽略關鍵要素「數字」。為什麼報告一定要用數字？究竟如何讓你的報告更具說服力？本文節錄自《解決問題快10倍的數字工作法》，解析工作報告的兩大類型，並分享讓報告更具說服力的數字思維！
文／盧泫兌
週五10:00A工廠的意外狀況報告雖然是臨時提交，但有些部分好像還可以再完善。我覺得已經做得很好了。這是緊急報告，能準確傳達當前情況就已經很有價值了。而且能在短時間內整理出意外規模和受損情況的數據，真的很不簡單。不過還是有些遺憾。如果能補充對狀況的持續監控及後續處理進展，報告就會更加完善。
只要有職場經驗的人，應該都深刻體會過報告的重要性。一份出色的報告能滿足所有需求，但拙劣的報告卻可能製造原本不存在的問題，甚至讓主管不安到坐立難安。為什麼報告這麼難做呢？
根據字典定義，報告是「向他人告知事情的結果或狀況」。雖然這個定義看似有些抽象，但只要將報告簡化為「向主管傳遞所有與工作相關的資訊」就容易理解了。甚至像是因病無法上班，向公司請假也是一種報告。
然而，報告的定義中缺少了一個關鍵要素，那就是「How to」，也就是「如何傳遞這些資訊的方式」。如果將「How to」納入考量，重新定義報告，可以歸納出以下的結論。
報告的定義
我們所知悉的報告我們應該做的報告What事情的結果與狀況Who主管與同事When狀況報告－（即時、期限內）結果報告－成果報告How to-用數字來傳達或解釋報告
在將近20年的職場生涯中，我做過無數次報告，即使到了現在，仍然每天都要進行。而這些報告的核心始終如一，那就是「數字」。如果一份報告中缺少數字，或者對數字的解釋和邏輯不足，即便其他內容再怎麼完善，也難免會被要求重新確認後再次報告。請記住，報告的本質在於用數字清晰地呈現事情的結果或狀況，並能夠讓對方充分理解這些數字的意義。
為什麼報告一定要用數字？原因在於，每個人在工作中使用的語言和解讀方式都有所不同，也就是說，每個人會根據自身的思維框架去理解對方的話語。而在純粹依靠語言交流的報告中，溝通誤解的風險自然就會提高。
如果你已經透過工作經驗，充分了解主管和同事的溝通習慣，或許能準確捕捉他們的語言重點。但如果你在有限的時間內無法做到這一點，那麼使用明確、直觀的數字來進行報告，就成了不可或缺的方法。
以下舉例說明，假設報告中以「困難」、「很難」或「不可能」等模糊詞彙來描述，若改以數字表達，其內容將變得更具體明確，修改後的結果如下：
達成目標有一定難度。→目前距離目標還差30％
按照現在的情況，幾乎不可能達成目標。→距離目標營業額還差15億韓元。若要100％達標，接下來每個月至少需要達成5億韓元的營業額。
因為銷售狀況不如預期，很難達標。→距離目標銷售量還差2,500個
工作報告的兩大類別
依照目的不同，工作報告可以分為兩類：一類是「緊急通報」，另一類是「計畫報告」。
緊急通報：突發事件、事故或無法預測的狀況
緊急通報通常針對突發的事件、事故或不可預測的狀況，要求快速傳遞核心資訊。例如，假設某工廠發生火災，若因追求完美的報告內容，花時間整理起火原因、分析詳細數據或提出防範對策，工廠可能在這期間就已燒毀殆盡。在這種情況下，「迅速」才是通報的核心，最重要的是用最少的資訊快速回報當前狀況。然而，追求快速並不代表可以省略數據支撐。
即使是緊急通報，也需要包含一些關鍵數字，例如：是否有人員傷亡？火災規模有多大？火勢大約需要多久才能撲滅？這些可以立即掌握的數據，哪怕簡單，也應列入報告，以解答主管的疑問並協助決策。
計畫報告：公司內的日常報告
計畫報告則涵蓋了公司內大部分的日常報告類型，包括預測、分析、業績、應對方案等內容。這類報告的核心重點在於「準確」和「邏輯」。
在公司中，經常需要透過報告來分享進度或匯報成果。例如，假設收到指示要評估某項業務的可行性，或預測某產品的銷售與生產量，在收到指示時，通常也會被告知報告完成的期限。此時，比起快速完成，準確的數據和合理的邏輯才是計畫報告的關鍵。計畫報告需要提出精準的數據，並透過清晰的邏輯進行詳細解釋。
為了提升計畫報告的品質，建議回顧STEP1，檢視自己是否已經建立起良好的數字思考力，這將成為計畫報告成功的基礎。
節錄自：采實文化《解決問題快10倍的數字工作法：韓國三星經理教你4步驟用數據思考，從企劃、分析、決策到報告都事半功倍，獲得賞識和成就感》／盧泫兌 著
推薦閱讀：
你的KPI是什麼？工作也要像背九九乘法，2招牢記「關鍵指標」重要數字
寫工作報告，別只想當「好孩子」！掌握「2個要領」寫出主管想看的
亞馬遜開會為何禁用PPT？貝佐斯談「6頁報告」如何提升效率
辛苦做報告卻被「整份退件」？學會「3成確認法」，避雷又省工時
辛苦完成報告卻被主管打槍，甚至被要求重做？拒絕做白工，你得學會「30%確認法」，在草稿階段就對齊方向，工作效率大提升。本文節錄自《節省工時的100種方法》。
文／森田幸（森田ゆき）
避免報告重做！資料完成3成，就先確認
有沒有人曾經發生過，拚命完成了一份資料，交給主管確認後，卻被挑出好幾個錯誤，甚至被要求重做？如果你曾有這樣的苦澀經驗，那麼從下次開始，請務必在完成大約3成時，就先拿去給主管過目吧！這時候，你可以加上「我打算用這樣的感覺製作，您覺得如何？」這句話來請他確認。
所謂完成3成，是指已有大致架構與配置概念，也就是處於草稿、雛形的狀態。即使文字或數據還是空白的也沒關係。總而言之，在設計圖的階段，就先請主管確認方向與是有否遺漏。在這個階段請主管看，他一定會提出某些建議，例如「這個內容也要加進去」、「那份數據最好也放進來」等。你再依主管意見，將文字或數據填入，逐步完成細節。
就算被主管說「完全不對」、「重做」，只要還在3成的階段，損失也有限，反而應該慶幸：「幸好在最後完成前就知道老闆的想法了！」相反的，如果你是交辦任務的一方，請團隊成員或部屬製作資料時，為節省彼此的時間與精力，一定要在初期就確實的共享這份資料的目的或目標。
舉例來說，這份資料是以獲得客戶為目的？還是為了向公司內部高層展示，並取得專案的核准？目的不同，所需的資訊、呈現方式也將有所差異。只要確實的共享目標，就不容易出現大幅偏離方向的結果。
同時，如果你有可作為基礎的過去資料或範例，也應提供給對方。節省對方的心力、避免無謂浪費，就是幫助你自己省心又省力。此外，為了避免因電腦作業系統不同而導致文字亂碼，完成的資料請別忘了轉存為PDF的格式。
POINT：確認目標後，再開始製作資料。
節錄自：大是文化《節省工時的100種方法：我在巴克萊銀行、AIG、安聯等外商主管身邊學會，品質與速度兼顧的時短工作術，不用拚命就有高績效。》／森田幸（森田ゆき） 著
轉職前端工程師│工作內容、技能、薪水與職涯發展指南
你是否想過轉職前端工程師，或是想提升技術實力，而能在競爭激烈的職場脫穎而出？無論你是零基礎的學習者，還是正在尋找更明確學習路徑的開發者，這篇文章將幫助你理解前端工程師的核心技能、職涯發展方向，並提供高效的學習策略。透過系統化的學習與實踐，你將能夠更順利地進入前端開發領域，甚至進一步拓展你的職業選擇！
文 /【104學習精靈】
本文目錄（點擊可快速前往）
什麼是前端工程師？與後端、全端差別是什麼？前端工程師無經驗者可入門嗎？掌握前端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能轉職前端工程師的學習策略前端工程師薪資行情與職涯發展前端工程師的挑戰與機會
什麼是前端工程師？與後端、全端差別是什麼？前端工程師無經驗者可入門嗎？
前端工程師工作內容
前端工程師（Frontend Developer）負責網站或應用程式的「前端」部分，也就是使用者直接看到並與之互動的使用者界面（UI）。前端工程師的工作涵蓋範圍廣泛，從網頁的版面設計、動態效果，到與後端 API 的串接，確保使用者有良好的互動體驗，且需要結合設計思維與程式邏輯。
他們的主要工作內容包括：
HTML、CSS、JavaScript 來構建網頁結構、樣式與行為。
與設計師合作，將 UI/UX 設計轉化為可用的前端介面。
與後端工程師協作，透過 API 取得數據並呈現在頁面上。
🎯相近職類比較：前端 vs. 後端 vs. 全端
類別主要技術主要負責範圍前端工程師HTML, CSS, JavaScript, React/VueUI/UX 介面開發，確保網頁互動與使用體驗後端工程師Node.js, Python, Java, Databases處理伺服器邏輯、數據庫與 API全端工程師前端 + 後端技術負責整體開發，能獨立完成前後端架構
🎯 為什麼前端工程師職缺變多？
近年來前端技術的發展迅速，市場對前端工程師的需求持續增加，讓許多轉職者與求職者開始關注這個領域，並發現它具有以下優勢：
市場需求大：企業對於使用者體驗的重視，使得前端工程師的價值不斷提升。
入門門檻適中：相比於後端開發或全端開發，前端技術較容易上手，適合作為進入 IT 產業的第一步。
創造力與技術並重：前端工程師不僅需要技術實力，還能發揮設計與創意，讓開發的產品更具吸引力。
遠端與自由工作機會多：前端開發適合自由接案與遠端工作，為職涯發展提供更多彈性。
🎯 誰適合轉職前端工程師？
✅ 無技術背景者：對網頁開發有興趣，願意學習技術。
✅ 人文社科背景者：如行銷、設計、心理學等，能結合設計與技術。
✅ 理工科背景者：資訊、數學、電機，具邏輯思維優勢。
✅ 現職工程師：希望提升技術，拓展職場競爭力。
掌握前端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能
前端工程師技能與工具能力分析
基礎技能 HTML、CSS、JavaScript 基礎、Git / GitHub、RWD、Bootstrap、jQuery 核心技能 JavaScript 進階、API 與非同步處理、前端框架（React / Vue）、CSS 進階 進階技能狀態管理（Redux / Pinia）、前端測試（Jest / Cypress）、SSR / SSG（Next.js / Nuxt.js）、效能優化 專業技能TypeScript、Web 安全性、PWA / 桌面應用開發、後端基礎（Node.js / ASP.NET） AI 技能ChatGPT、GitHub Copilot、Figma AI 插件、Lighthouse（效能分析）、Codeium（智能補全）、Tabnine（代碼建議）認證AWS Developer、Azure Developer、Google Cloud Developer職涯全端工程師、前端架構師、技術產品經理、UI/UX 工程師▲ 前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。
成為前端工程師的學習路徑（搭配AI工具）
🔹 第一階段：基礎入門（建議學習時長：1-3 個月）
📌 學習內容：
HTML & CSS：學習網頁的基本結構與樣式設計。
JavaScript 基礎：學習變數、函式、條件判斷、迴圈等基本概念。
Git / GitHub：學會版本控制，方便管理與共享程式碼。
RWD（響應式設計）：學習如何讓網頁適應不同裝置（手機、平板、電腦）。
Bootstrap：使用現成的 CSS 框架，加速開發美觀的網頁。
基礎專案：製作個人靜態網頁，實踐所學內容。
📌 AI 工具應用：
ChatGPT / Claude：語法解釋與錯誤排查。
Webflow / Framer AI：低程式碼網站設計。
📌 備選學習：
jQuery：雖有逐漸被原生 JavaScript 與前端框架取代之趨勢，但仍在許多重要專案中使用。
[course_plugin title='前端工程師入門課程' keyword='前端' amount=2]
[course_plugin api_type='course_id' title='前端工程師入門課程' id='6e43b10e-45e7-40e2-92c0-1b4d6aeb955c, 9e6b7b79-2849-4f24-80ef-a620b94471a5']
🔹 第二階段：前端開發進階（建議學習時長：1-3 個月）
📌 學習內容：
JavaScript 深入：學習 DOM 操作、ES6+ 語法，增強互動效果。
CSS 進階：掌握 Flexbox、Grid、SCSS，提升排版與樣式管理能力。
API 與非同步處理：學習 Fetch API / Axios，讓網頁與伺服器互動。
前端框架（React / Vue 擇一）：學習現代前端框架，提高開發效率。
小型專案（如 To-Do List）：實作互動型應用，提升技能。
📌 AI 工具應用：
GitHub Copilot：代碼補全與最佳化。
Figma AI 插件：設計 UI 組件。
📌 備選學習：
與後端整合（Node.js / ASP.NET）：可視職涯發展需求學習適合的後端技術。
[course_plugin title='前端工程師JavaScript課程' keyword='JavaScript 入門' amount=1]
🔹 第三階段：前端專業化（建議學習時長：3-6 個月）
📌 學習內容：
狀態管理（Redux / Pinia）：管理大型應用的資料狀態。
前端測試（Jest / Cypress）：確保應用程式的穩定性與可靠性。
SSR / SSG（Next.js / Nuxt.js）：提升網站的 SEO 與效能。
效能優化（Lighthouse、RAIL 模型）：讓網站載入更快、使用者體驗更好。
開發完整 SPA 專案：整合所學技術，完成一個獨立的應用程式。
📌 AI 工具應用：
Codeium / Tabnine：自動化程式碼建議。
Lighthouse + DevTools：網站效能分析。
📌 備選學習：
GraphQL：較新穎的 API 查詢方式，可視專案需求學習。
[course_plugin title='前端工程師專業課程' keyword='前端工程師專業技術養成班' amount=1]
🔹 第四階段：專業與進階（建議學習時長：6個月+）
📌 學習內容：
TypeScript：強化 JavaScript 的類型安全性，提高開發效率。
Web 安全性（CORS、OAuth）：學習網站安全機制，避免資安漏洞。
後端基礎（Node.js / ASP.NET）：學習如何建立簡單的後端 API。
PWA / 桌面應用開發：學習如何開發離線可用的 Web 應用。
參與開源項目或企業級專案：提升實戰經驗，增加履歷亮點。
📌 AI 工具應用：
自動生成測試案例。
智能除錯與最佳化建議。
📌 專業證照（可選）：
AWS Certified Developer – Associate（雲端應用開發）
Microsoft Certified: Azure Developer Associate（微軟雲端應用開發）
Google Professional Cloud Developer（Google Cloud 平台開發）
成為前端工程師應具備的7個特質 (軟技能)
除了技術能力外，優秀的前端工程師還需要具備以下軟技能，在職場上更具競爭力：
溝通能力 💬
需與 UI/UX 設計師、後端工程師、PM、行銷團隊協作，確保產品需求清楚且可落實。
能解釋技術限制，提出可行的解決方案。
【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
細心與耐心 🔍
HTML、CSS、JavaScript 有許多細節，例如語法錯誤、CSS 權重、事件冒泡等，都可能導致 bug。
需耐心測試各種邊界案例，確保產品品質。
美感與使用者體驗意識 🎨
前端開發不只是把 UI 轉成程式碼，還需要理解基本設計原則，如色彩搭配、排版、可讀性、可用性等。
瞭解 WCAG 無障礙設計標準，確保網站對所有用戶友好。
團隊合作與開源精神 🤝
需與團隊協作開發、使用 Git 進行版本控制，並撰寫良好的 commit message 讓團隊易於理解。
參與開源社群或分享技術文章，提升個人影響力並獲取更多學習機會。
問題解決與邏輯思維能力 🧠
前端開發經常遇到跨瀏覽器相容性、效能最佳化等問題，需要有條理地分析並解決。
具備 debug 能力，能有效利用 DevTools、Lighthouse、瀏覽器 Console 等工具排查問題。
【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
自主學習與適應能力 📚
前端技術發展快速（如 React、Vue、Svelte 等框架的變遷），需具備持續學習與適應新技術如 Web3、AI 應用於前端（如 Chatbot UI）等的能力，保持競爭力。
熟悉不同開發模式（如 CSR、SSR、ISR），能因應不同需求選擇適合技術方案。
時間管理能力 ⏳
前端開發通常需要處理多個功能或專案，具備良好時間管理能力能提升工作效率。
推薦課程 👉 成為前端工程師｜透過 HTML 與 CSS 認識網頁設計，從 0 到 1 打造實用介面 (上集)👉 成為前端工程師｜透過 HTML 與 CSS 認識網頁設計，從 0 到 1 打造實用介面 (下集)👉 Git 速成攻略：2.5 小時變身版本控制達人👉成為前端工程師｜jQuery 入門密技，愉快打造互動式網頁不求人
轉職前端工程師的學習策略
🎯 初學者或轉職者的學習策略：
建立系統化學習計畫
規劃每日或每週的學習時間，確保穩定進步。
先掌握 HTML、CSS、JavaScript，然後再學習框架與工具。
實作專案，提高實戰經驗
透過小型專案練習，如個人履歷頁面、簡單的 To-Do List 應用。
參與開源專案，提升協作能力。
持續關注業界動態
追蹤技術社群（如 Dev.to、Medium）。
觀看 YouTube 教學或參加線上課程。
打造個人作品集與 GitHub
將學習過程中的專案上傳至 GitHub，展示技術能力。
部署個人網站，建立個人品牌形象。
🎯 不同領域的客製化學習策略
學歷背景優勢可能挑戰調整建議理工科（資訊、數學）強邏輯、程式基礎佳設計美感較弱快速進入框架學習，額外學習 UI/UX人文社科（行銷、語言）擅長內容與設計需強化邏輯與程式概念先學 UI/UX，搭配 AI 減少語法負擔無技術背景無前端基礎需學習從 0 到 1先用 Webflow 製作網站，再逐步學習代碼
前端工程師薪資行情與職涯發展
📌台灣前端工程師薪資
初階（3年以下經驗）：月均薪約5.5萬。
中階（3- 5年經驗）：月均薪約 6.1萬。
高階（5-10年經驗）：月均薪約6.3萬。（以上資料來源：104薪資情報）
📌影響薪資的因素
技術能力與熟悉的技術棧
精通 JavaScript / TypeScript、React、Vue、Next.js、Node.js 等熱門技術，薪資相對較高。
具備 Full-Stack 能力（如後端 Node.js、雲端技術 AWS/GCP），薪資更有競爭力。
專案經驗與解決問題能力
曾參與大型系統開發，或有獨立解決技術難題的經驗，加分。
具備效能最佳化經驗（如 Web Performance、Lighthouse 分數優化），市場價值更高。
業界與產業別
AI、Fintech、區塊鏈 相關公司，通常薪資較高。
新創公司 vs. 大型企業：大公司（如 Google、Meta、Apple）薪資較高，但競爭激烈；新創可能提供股票期權作為額外報酬。
地區與遠端工作機會
台灣近年開放遠端前端工程師職位增加，若能找到國外遠端機會（如美國、新加坡公司），薪資可能大幅提升。
英語能力與國際市場競爭力
能用英語與國際團隊溝通、參與開源專案，或申請海外遠端工作，薪資通常較高。
英文能力 - 線上免費檢測
前端工程師的職涯發展路徑
📌 全端工程師：
學習後端技術（Node.js、MongoDB）與其他核心程式語言提升競爭力。
課程推薦：
微軟智慧應用C#全端開發工程師養成班
全端工程師必修-Python迅速開發網站實戰
📌 前端架構師：
專注於大型專案的架構設計與效能優化。
課程推薦：
資安與雲端架構工程師養成班
📌 技術產品經理：
結合技術與產品管理，創造更大價值。
課程推薦：
PM產品經理｜入門致勝攻略：打造最強怪物新人的實戰課｜
📌 UI/UX 工程師：
結合前端與使用者體驗設計，打造更直覺的介面。
課程推薦：
【安卓最新版】Android 9開發首部曲-UI與多頁面設計
哪些產業需要前端工程師
前端工程師的需求不僅限於軟體或網路公司，幾乎所有有數位產品的產業都需要前端開發人員。以下是幾個主要的產業：
📌 科技與軟體開發業（SaaS、雲端服務） 🌐
企業內部管理系統（ERP、CRM）
SaaS 產品（如 Notion、Figma、Slack）
API 服務平台、開發者工具
📌 電子商務（E-commerce） 🛒
電商平台（如 Shopee、Amazon）
直播購物、行動支付系統
會員系統、推薦系統的 UI 設計與優化
📌 金融科技（Fintech） 💳
銀行、線上支付系統（如 PayPal、Stripe）
投資交易平台（如 Robinhood、幣安）
區塊鏈 / Web3 項目（去中心化金融 DeFi、NFT 交易平台）
📌 遊戲產業（Gaming） 🎮
遊戲 UI 設計與開發（如 Unity WebGL、Web3 遊戲）
遊戲社群平台、直播互動功能
📌 醫療與健康科技（HealthTech） 🏥
線上醫療預約系統
遠端醫療應用（如 Telemedicine）
健康數據儀表板、可穿戴設備 UI
📌 教育科技（EdTech） 📚
線上學習平台（如 Coursera、Udemy）
互動學習工具、AI 自適應學習系統
📌 媒體與娛樂（Streaming & Social Media） 🎥
影音串流平台（如 YouTube、Netflix）
社群媒體（如 Twitter、TikTok）
內容管理系統（CMS）
📌 智慧製造與物聯網（IoT） 🏭
智能家居控制面板（如 Home Assistant）
工業自動化數據儀表板
📌 政府與非營利組織（GovTech） 🏛️
公家機關網站、數位政務服務
開放數據可視化應用
延伸推薦課程👉 RWD響應式網頁設計入門👉 （最新版.NET 6）ASP.NET Core MVC 無痛快速上手👉 工程師救星-用Bootstrap速成響應式網頁開發👉 Let’s Vue! 前端開發入門到實戰
前端工程師的挑戰與機會
🚀 成為前端工程師的挑戰
技術變化快，需持續學習
前端框架（React、Vue、Svelte）與技術棧更新快，需定期學習新技術。
前端生態系龐雜（Webpack、Vite、Bun 等工具），選擇適合的技術不容易。
效能與跨平台相容性
須考慮不同裝置、瀏覽器（Chrome、Safari、Edge）兼容性，避免出現顯示問題。
需優化效能，確保頁面載入速度快，提升使用者體驗。
與設計、後端的協作挑戰
需與 UI/UX 設計師合作，確保設計可行性。
與後端 API 串接時，可能遇到資料格式、CORS 限制等問題。
安全性風險
需防範 XSS、CSRF 等前端攻擊，確保網站安全。
🌟 成為前端工程師有哪些機會？
遠端工作機會多，薪資提升潛力大
許多國際公司提供遠端前端工程師職位，可爭取更高薪資（如美國、新加坡市場）。
跨領域發展機會
可向 Full-Stack 方向發展（學習後端 Node.js、雲端技術）。
若具備 UI/UX 設計能力，可轉型為前端設計師或產品開＝發相關角色。
AI & Web3 趨勢帶來新機會
AI 生成 UI（如 ChatGPT Plugin、Copilot）可能改變前端開發方式。
Web3 項目（如去中心化應用 dApp）對前端工程師需求增加。
開源貢獻與技術影響力
參與開源專案（如 Vue、React），可增加個人影響力，甚至吸引企業挖角。
延伸推薦課程👉 前端工程師專業技術養成班
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
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
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【前端工程師】工作機會' url='https://www.104.com.tw/jobs/search/?jobsource=index_s&keyword=%E5%89%8D%E7%AB%AF%E5%B7%A5%E7%A8%8B%E5%B8%AB&mode=s&page=1' amount='3']
成為雲端工程師的攻略指南：核心技能＆職涯精進完整解析
隨著企業加速數位轉型、雲端原生應用（Cloud Native）成為主流，雲端工程師（Cloud Engineer）已從少數科技巨頭的專職角色，擴展成各產業數位基礎建設的關鍵人才。無論是新創、傳產還是政府機關，從資料備份、伺服器遷移、服務部署到跨雲架構設計，處處都仰賴具備雲端技能的工程人才。 本篇將帶你從「學習地圖」出發，建立入門到進階的技術藍圖，並說明適合對象與轉職建議，協助你掌握未來 5–10 年的高潛力職涯方向！
文 /【104學習精靈】
本文目錄（點擊可快速前往）
☁️ 雲端工程師是什麼？為何成為熱門職業？ 掌握雲端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能轉職雲端工程師的學習策略 雲端工程師薪資行情與職涯發展 雲端工程師的挑戰與機會
☁️ 雲端工程師是什麼？為何成為熱門職業？
🎯 雲端工程師工作內容
雲端工程師（Cloud Engineer）是企業數位轉型的關鍵推手，負責設計、部署、維護雲端基礎架構，確保系統的安全性、可擴展性與高可用性。隨著企業加速上雲，這個角色在全球 IT 市場的需求持續攀升。
根據 Research.com 的報告，雲端工程市場預計從 2023 年的 147.6 億美元成長至 2032 年的 398 億美元，年均成長率達 11.65%。
🎯雲端工程師與相近職類比較表
職類 工作重點 常見技能 與雲端工程師發展關係 雲端工程師 Cloud Engineer 雲端架構設計、部署與管理，自動化基礎架構 AWS / GCP / Azure、Terraform、Kubernetes、CI/CD 本職角色，聚焦基礎設施與平台服務，是運維與開發之橋樑 雲端架構師 Cloud Architect 架構規劃與成本效益優化，安全設計與多區部署 架構設計模式、資源規劃、資安合規 雲端工程師進階角色，需具備橫向整合與設計思維 DevOps 工程師 DevOps Engineer 開發與維運整合、自動化流程與版本管理 Jenkins、GitLab CI、Docker、Ansible、GitOps 高度交集，雲端工程師常延伸學習 DevOps 流程進階 SRE 工程師 Site Reliability Engineer 系統穩定性、可用性維持、故障應變流程 Monitoring、Incident Response、SLI/SLO、Prometheus 與 DevOps、雲端工程師具重疊，偏向服務層維運監控 雲端安全工程師 Cloud Security Engineer 雲端安全防護與存取控制、風險偵測與稽核 IAM、VPC、防火牆設計、SOC 工具 雲端工程師可進階專精此方向，聚焦於資安與防護策略 平台工程師 Platform Engineer 打造團隊內部工具與平台，支援自助式部署 Internal Dev Tools、Infrastructure Platform、K8s Operators 著重於團隊工程效能提升，與雲端工程師互補合作 後端工程師 Backend Engineer 伺服器端邏輯、資料庫整合、API 設計 Java / Python、SQL、RESTful API、Redis 若參與部署與 CI/CD，可跨足雲端工程與平台設計 全端工程師 Full Stack Engineer 前端介面整合與後端邏輯開發 React / Vue、Node.js、DB 操作 若自行部署應用，可延伸學習基礎雲端與 DevOps 技能 系統管理員 / 維運工程師 SysAdmin / Ops 傳統伺服器與網路維護、資源監控與修復 Linux、Nagios、Shell Script、Log 管理 若學習 IaC 與雲端平台，可轉型為雲端工程師或 SRE
🎯 為什麼選擇雲端開發？三大關鍵原因
需求穩定且持續成長： 雲端轉型已是企業共識，雲端工程師幾乎每年都是 LinkedIn、104 等人才平台的「高薪搶手職缺榜首」。
跨產業技能： 從金融科技、電商、製造、醫療到教育，幾乎所有行業都需要雲端部署與維運能力，具備高度橫向轉職能力。
職涯路徑多元： 可橫向發展為 DevOps 工程師、SRE、資安工程師，或縱向升遷為 Cloud Architect、技術經理等管理職，不怕卡關、發展空間大。
此外，結合 Serverless、AI 工具、IoT、邊緣運算等新技術，也讓雲端職涯保持高度創新與學習挑戰，是工程師長線發展的黃金選項。
🎯 誰適合轉職雲端工程師？四大族群建議
剛起步的工程新手： 想培養工程職涯但還在觀望 Web、AI、App 開發的入門者，雲端工程是 硬底子技術起點，往後轉職彈性大。
已有開發經驗的前/後端工程師： 熟悉應用開發後，若對部署、架構、效能優化有興趣，可向雲端或 DevOps 跨足，提升系統設計與大局觀能力。
系統維運、MIS、SRE 人員： 習慣處理伺服器與網路系統，若願意學習 IaC 與自動化部署，可自然轉職為雲端工程師，掌握更現代的技術框架。
對跨技術整合有興趣的工程師： 雲端工程師需要結合程式語言、網路、部署與資安知識，適合喜歡「橫向整合、縱向打通」的技術人。
🎯轉職步驟建議
6 個月內：完成雲端平台入門課程 + 自建部署作品（可用 Skill Boost Lab）
取得初階認證：如 Google Cloud Digital Leader / AWS Practitioner
參與實作專案：GitHub 實作範例、雲端部署過程記錄 Blog
申請實習／外包任務：Freelancer 或 Cloud Intern 累積經驗
中階前進路線：加入 DevOps / Cloud Engineer 團隊，進一步考取 Associate / Professional 等級證照
掌握雲端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能
🧭雲端工程師技能 × 學習階段 對照表格
系統操作與基礎程式 雲端平台與部署實務 架構自動化與維運 監控、資安與成本優化 基礎 Linux CLI、Python、Git 初階操作 GCP/AWS 免費帳號開通、VM/靜態網站部署 手動建立雲端資源、JSON/YAML 入門 IAM 初探、Log 查看、成本報表基礎 核心 Shell 腳本自動化、Git 流程、Python 系統應用 Docker 容器化、Kubernetes 部署、CI/CD 實作 Terraform 實作 IaC、自動建置、CI/CD 流程 Prometheus/Grafana、ELK Stack、IAM 權限控管 進階 跨平台整合腳本、進階錯誤追蹤 Serverless（如 Lambda）、多雲整合、邊緣運算部署 HA 架構、多區部署、事件導向與資料管線設計 FinOps 成本優化、雲端安全策略、防火牆與金鑰管理 認證 Linux Foundation、Python PCAP 認證 AWS/GCP/Azure Cloud Engineer 認證 Terraform Associate、CKA AWS Security、FinOps Practitioner 認證 ▲ 雲端工程師應具備技能、工具能力、推薦認證，點選不同技能會對應到相關課程。
☁️ 雲端工程師學習地圖與路徑（搭配AI工具）
⛩ 初階學習（0–6 個月）：奠定技術基礎
📌 學習內容（技能 ＆ 實作）
Linux 系統操作（shell 指令、vim、權限管理）
網路基礎：IP、DNS、HTTP、TCP/IP
程式語言入門：Python 或 Shell script
雲端平台操作：建立並熟悉 AWS/GCP 免費帳號
基礎雲端資源管理（Compute Engine / EC2）
版本控制：Git 與 GitHub 基本操作
CLI 工具使用（如：gcloud, aws-cli）
實作練習：
在 GCP/AWS 上部署靜態網站
撰寫 Bash + CLI 工具的自動部署腳本
IAM 權限設定與防火牆規則實作
📌 AI 工具應用
使用 Google Cloud Console 智慧建議功能
使用 Gemini in Google Cloud 協助命令產出與錯誤修正
Copilot for CLI：快速生成 YAML 設定檔與指令
📌 備選學習（延伸）
推薦資源：
GCP Skill Boost Labs – 初學者路徑
AWS Cloud Practitioner Essentials（適合無經驗者）
Linux Journey（互動式學習網站）
雲端工程師入門推薦課程 👉Python 基礎程式設計｜開外掛勇闖 Python 異世界👉快速活用 MySQL，精準設計關聯式資料庫👉 Git 速成攻略：2.5 小時變身版本控制達人
⚙ 中階學習（6–12 個月）：掌握自動化與部署核心
📌 學習內容（技能 ＆ 實作）
Docker 容器化部署與映像檔建立
Kubernetes（GKE、EKS）叢集管理與應用部署
CI/CD 流程設計：GitHub Actions、GitLab CI/CD
Infrastructure as Code（IaC）：Terraform 或 Pulumi
Logging / Monitoring 工具整合：Prometheus、Grafana、Cloud Logging
IAM 精細權限控管與資源標記（Labeling）
實作挑戰：
使用 Terraform 建立 GKE 叢集並自動部署應用
建立一套 CI/CD pipeline，自動部署至 GCP/AWS
部署一個內部 Wiki 系統至 Kubernetes 並加入監控功能
📌 AI 工具應用
用 Gemini API / ChatGPT 協助生成 Terraform、K8s YAML、CI/CD pipeline 配置
以 Cloud Monitoring 整合 AI 偵測異常行為（AI-based anomaly detection）
使用 Cloud Deploy 的 AI 效能預測功能進行部署前模擬
📌 備選學習（延伸）
Google Cloud – Infrastructure Modernization Track
課外專案建議：
建立雲端部屬的部落格服務
模擬企業環境建置內部開發者平台（Internal Dev Platform）
Kubernetes the Hard Way（挑戰進階網路知識）
雲端工程師中階推薦課程 👉成為 AWS 達人第一步！打造你的第一個 AWS 架構！👉微軟Azure超級入門實務與AZ-900認證攻略👉AWS雲端架構規劃｜建置實務應用
🚀 高階學習（12 個月以上）：架構設計與商業導向
📌 學習內容（技能 ＆ 實作）
跨區高可用架構（Multi-zone HA、Failover、Load Balancing）
多雲與混合雲架構管理（GCP + AWS + On-Prem）
FinOps 成本優化與預算控管工具使用（如 Billing Report + BigQuery 分析）
雲端資安策略設計：VPC Service Controls、IAM Conditions、Cloud Armor
Serverless 應用設計（Cloud Functions、Cloud Run）
IoT + 雲端串接架構設計（Edge computing）
進階實作：
架設可擴充、高可用的企業級平台
使用 Cloud Storage + Dataflow + BigQuery 建立數據湖架構
整合第三方 SaaS（如 Stripe、Slack、Salesforce）進行 API 資料整合
📌 AI 工具應用
使用 Vertex AI 設計並部署機器學習模型（如預測負載）
整合生成式 AI API（如 Gemini、Claude）於產品功能中
應用 Gemini Code Assist 協助維護大型 Terraform 專案
📌 備選學習（延伸）
Google Professional Cloud Architect Certification
雲原生運算與 CNCF 專案探索（如 Istio、Envoy、Knative）
建議實習專案：
IoT 裝置即時資料流處理平台
架構具資料治理能力的 Data Lakehouse
雲端工程師高階推薦課程 👉AWS雲環境的架構優化-彈性化自動擴展👉微軟 Azure｜通關 AZ-104 認證攻略，邁向雲端 IT 管理之路
🛠成為雲端工程師應具備的軟技能
雲端工程師不僅需要技術實力，更需要具備與角色高度契合的「軟實力」，才能真正勝任跨部門協作與快速變動的工作環境：
🧠 系統性思維：
面對分散式系統、跨區部署與資源配置，需具備架構整合、效能預測與風險管控能力。
🛠 問題解決力：
遇到部署錯誤、資源衝突或自動化失敗時，需能快速定位問題、擬定可行方案並有效執行。
【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
📚 持續學習動能：
雲端技術快速演進，需持續掌握新工具（如 Serverless、Cost Explorer、Spot Instance）、框架與平台特性，提升作業效率與創新能力。
🗣 溝通協調力：
需與開發、資安、業務等部門密切合作，說明技術選擇、協調需求優先順序，推動系統最佳化。
【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
🔧 成本洞察與技術節流智慧：
企業導入雲端後，常因錯誤配置導致成本居高不下。雲端工程師需具備資源規劃與預算優化的敏感度，善用 Auto Scaling、Load Balancer、IAM Policies 等工具，在維持穩定性與可用性的同時，有效降低長期支出，回應業務單位的效益期待。
🔋 壓力耐受力與責任感：
系統維運過程中需面對線上環境的高可用性要求與突發事件處理壓力，具備冷靜應變、精準決策與承擔風險的心態，是成為資深雲端人才的必要特質。
轉職雲端工程師的學習策略
🎯 初學者或轉職者的學習策略：
對於沒有工程背景者，切入點可循序漸進：
建構基礎觀念：從 Linux、網路基礎、程式語言入門、指令操作與雲端概念入手。
選擇一個平台專精（GCP、AWS、Azure），開始練習帳號申請與部署操作。
實作為導向學習：每學一個新技術就搭配小專案，例如用 GCP 建一個靜態網站並開通 HTTPS。
證照作為里程碑：初階考取 Cloud Practitioner、Cloud Digital Leader，有助於簡歷加分。
Python 程式設計能力 - 線上免費檢測
🎯 不同領域的客製化學習策略：
背景 適合學習切入點 優勢 建議補強 系統管理員 Infrastructure as Code、CI/CD 熟悉作業系統與維運邏輯 編程能力與雲平台知識 資料分析師 BigQuery、Cloud Storage、Dataflow 對資料處理與 ETL 熟悉 雲端部署與自動化工具 前端工程師 Firebase、Serverless Functions 熟悉前後端整合 容器化與系統監控 專案管理/PM 雲端架構設計、FinOps 熟悉產品流程與商業目標 技術基礎與平台實操能力
[course_plugin title='推薦課程' keyword='雲端資料工程師在職遠距班' amount=1]
雲端工程師薪資行情與職涯發展
雲端工程師薪資概況
📌 台灣雲端工程師薪資
初階（3年以下經驗）：月均薪約6.6萬。
中階（3- 5年經驗）：月均薪約 7.2 萬。
高階（5-10年經驗）：月均薪約7.2萬以上。（以上資料來源：104薪資情報）
📌 薪資影響因素
證照認證：擁有 AWS、GCP、Azure 等專業認證可顯著提升薪資級距。
年資與專案經驗：實務經驗越豐富，薪資越具彈性與談判空間。
技術栈能力：熟練容器化、IaC、自動化部署與監控工具者更受企業青睞。
平台熟悉度：具多雲（Multi-Cloud）經驗與架構設計能力者加分。
產業與公司規模：FinTech、SaaS、外商與顧問公司提供較高薪資範圍。
英文與國際協作力：能用英文參與文件撰寫、會議與跨國專案者更具競爭力。
團隊角色與責任：主導 CI/CD、導入雲架構、跨部門協作者薪資更高。
地區與工作模式：北部/Remote/海外接案機會多，國際行情可參考薪資上限。
英文能力 - 線上免費檢測
雲端工程師職涯發展路徑總覽
雲端工程師的職涯擁有高度彈性與多元出路，不僅可持續深化技術實力，也能橫向轉職至顧問、資安或管理等專業領域。以下分為兩大主軸：「技術專精路線」與「管理 / 顧問 / 專業轉軌路線」。
📈 技術專精路線：從工程師到架構大師
這條路線適合對系統部署、基礎建設自動化與雲端架構設計具高度興趣者。
Cloud Engineer（雲端工程師） 掌握雲平台部署、資源管理與自動化基礎技能。
Senior Cloud Engineer（資深雲端工程師） 具備跨專案經驗與高效監控、故障排除、成本優化能力。
Cloud Architect（雲端架構師） 專注於設計大型雲端架構，兼顧穩定性、安全性與擴展性。
🔄 交叉技術進階路線：DevOps / SRE / 平台工程
DevOps Engineer（開發營運工程師） 整合開發與維運流程，導入 CI/CD 與基礎設施即程式（IaC）。
SRE（Site Reliability Engineer） 專注於系統可用性、容量規劃、容錯設計與自動化修復。
Platform Engineer（平台工程師） 為內部團隊打造平台工具與運行環境，優化開發者體驗與交付效率。
🧭 管理與顧問發展路線
Tech Lead / Cloud Team Lead（技術主管 / 雲端團隊領導） 統整技術方向、團隊管理與資源分配，牽引大型專案落地。
Cloud Consultant / Pre-sales（雲端顧問 / 技術顧問） 結合業務與技術，負責客戶雲端架構規劃、導入與 PoC 驗證。
🔐 專業分支發展
Cloud Security Engineer（雲端資安工程師） 負責雲端環境的安全性設計、合規控管與風險評估。
Data Platform Engineer / Data Engineer（數據平台或數據工程師） 轉向數據領域，聚焦於資料湖、大數據平台建置與處理流程。
[course_plugin title='推薦課程' keyword='資安與雲端架構工程師養成班' amount=1]
職涯發展路徑圖
雲端工程師（Cloud Engineer）
│
├── A. 深化雲端部署與設計 → 資深雲端工程師（Senior Cloud Engineer）
│ └── 架構設計專精 → 雲端架構師（Cloud Architect）
│
├── B. 學習維運與自動化 → DevOps 工程師（DevOps Engineer）
│ └── 穩定性與監控進階 → SRE 可靠性工程師（Site Reliability Engineer）
│
├── C. 打造開發平台與工具 → 平台工程師（Platform Engineer）
│
├── D. 發展團隊協作與領導 → 技術主管 / 團隊領導（Tech Lead / Cloud Team Lead）
│ └── 與客戶對接與規劃 → 雲端顧問（Cloud Consultant / Pre-sales）
│
└── E. 特化技能延伸：
├── 雲端資安工程師（Cloud Security Engineer）
└── 資料平台工程師（Data Platform Engineer）
哪些產業需要雲端工程師
幾乎所有中大型企業皆正在進行數位轉型，以下為最仰賴雲端技術的產業：
金融科技（FinTech）：如數位銀行、支付平台，需高可用性與資安規範的雲端架構。
電子商務與零售：需支撐高流量網站、彈性資源與後端整合。
遊戲與多媒體產業：使用雲端作為即時伺服器平台與玩家資料同步。
製造業與 IoT：使用混合雲處理邊緣裝置數據，結合數據湖與 AI 模型部署。
教育與遠距工作平台：採用 Serverless 或容器架構支撐大量即時互動與內容傳遞。
醫療與生技產業：處理敏感數據的雲端儲存與運算，須結合合規與安全設計。
雲端工程師的挑戰與機會
💣 面對的挑戰：
技術變動快、需持續學習：新工具、新架構層出不窮，需投入大量時間學習與實作。
平台廠商鎖定效應（Vendor Lock-in）：企業使用單一雲端平台，限制多雲選擇與遷移彈性。
維運壓力大、責任重大：雲端系統一旦出錯影響層面廣，尤其是電商或金融系統。
安全與法規要求提升：需考量資安事件、資料合規（如 GDPR、HIPAA）與營運韌性。
🚀 成長的機會：
企業數位轉型需求大：2025 年起預計全球 70% 的企業核心應用將遷移至雲端。
AI 與數據導向加速雲端應用：模型訓練與資料儲存強化對雲資源的需求。
高階職位人才稀缺：具備架構設計、資安合規能力的雲端專家仍供不應求。
Freelancer 與 Remote Job 蓬勃：全球雲端工程需求讓自由接案與遠距工作成為常態。
[joblist_plugin title='更多104【雲端工程師】工作機會' url='https://www.104.com.tw/jobs/search/?jobsource=index_s&keyword=%E9%9B%B2%E7%AB%AF%E5%B7%A5%E7%A8%8B%E5%B8%AB&mode=s&page=1' amount='3']
延伸閱讀：
產品經理 - 學習地圖(上)：技能養成篇
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
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
專家工作都怎麼用「AI搜尋」？3招高效提問讓AI工具幫你找資料
生成式AI的搜尋功能既直觀又有效率，還可以提出後續問題深入探討。本文示範關於AI搜尋網路知識、公司內部知識庫、專家知識的提示詞，幫助升級AI搜尋技巧，為你找到更有價值的答案。本文節錄自《職場人的生成式AI工作法》。
文／艾麗莎．法瑞、賈布里．羅薩尼
本文目錄：讓AI幫你做資訊搜尋（點擊可快速前往）
1. 網路知識2. 公司知識3. 專家知識
所有管理者必須取得資訊，才能做出好決策。你還記得過去在圖書館翻找書籍的日子嗎？搜尋引擎和關鍵字觸發網路革命，做研究變得容易許多，而且更快。現在，生成式AI再次改變這個典範。管理者可以向生成式AI提問，獲得以自然語言呈現的詳盡資訊。這種方式既直觀又有效率，還可以提出後續問題深入探討。現在，不只網路搜尋可做到這點，管理者也可藉由生成式AI驅動的聊天介面，在搜尋公司內部知識庫時，獲得更多互動和個人化的體驗。生成式AI不只會找出內部文件或資料夾的連結，還能直接回答問題或是提供摘要。
將生成式AI當作助理，可以改變傳統上檢索資訊的方法，你可以利用它來取得：
1. 網路知識
與傳統瀏覽器整合時，你可以請生成式AI瀏覽網路資料，擷取重點，並於回應中直接標示出處。你可以提出複雜的問題，不只是使用關鍵字，還可把搜尋範圍縮小到特定來源，例如：新聞文章、產業報告或YouTube影片。生成式AI不但可以瀏覽多個網站的資料，甚至能快速生成摘要，大大加快你的搜尋速度。
試試看：請生成式AI就過去一年供應鏈管理技術[請自行指定技術]的最新發展做摘要，並把焦點放在優勢、挑戰和實際應用。請引用來自可靠來源[請自行指定來源]的重要研究和文章。
提醒：務必查證引用來源的可靠性
生成式AI系統有一個明顯缺點，尤其在早期階段很明顯，也就是常會捏造引用、來源，甚至整個研究和論文都是子虛烏有。為了因應這個問題，一些專門的生成式AI系統納入「謙虛」的護欄，這些機制讓AI識別並承認其局限性，明確表示找不到相關資訊或無法提供確切答案。這種方法有助於減少錯誤資訊，確保接收資訊的可靠程度和來源。然而，最終的檢查和驗證仍然是人類的責任。
另一個有用的策略是，在你的提示詞中加入「請不要捏造來源」等指示；雖然這個指示仍然無法完全消除風險。
2. 公司知識
如果生成式AI連接到公司的內部知識庫，就能快速搜尋公司內部資料庫、文件和報告。除了提供來源或連結列表，還能歸納重點，並從現有資源找出其中的關聯和發現。管理者可輸入：「就這個問題[請自行指定問題]，過去嘗試過哪些解決方案？」生成式AI會根據已有的文件找出相關資訊，並將發現精簡為條列式的重點或短文。
試試看：就技術面[請自行指定技術]的應用，要求生成式AI列出過去三年的相關項目，歸納做法上的共同點和差異。
試試看：有關[請自行指定主題]，要求生成式AI找出過去一個月內與[請自行指定對象]分享的所有檔案。
試試看：要求生成式AI找出你的同事[請自行指定指定]評論過的所有檔案。
3. 專家知識
你可以要求生成式AI把聊天紀錄和虛擬團隊討論中共享的大量訊息，轉化為有系統且易於使用的資源。如果你必須監督、參與某些專家社群或群組，共享大量有價值的知識，這一點會對你特別有幫助。你可以要求生成式AI依照副標將資訊歸類，並做總結。生成式AI可以辨識趨勢和廣泛討論問題，提供你可能想要聯絡或追蹤的活躍貢獻者名單。
生成式AI如何幫助社群管理者？
每個組織都有專家社群或群組，由一群樂於分享知識、對某個主題懷抱熱情的人組成。如果你是社群管理者，內建於軟體產品中的生成式AI模型（如Microsoft 365 Copilot for Office和Google Gemini for Workspace）可以在很多層面上幫忙：
擷取對話。要求生成式AI監控社群聊天內容，擷取其中最好的見解和學習內容。你可以在每週摘要或通訊中分享這些內容。
偵測主題。要求生成式AI識別重複出現的主題、趨勢和問題，包括拆解對話，藉此了解上下文並對訊息進行分類。
整理知識。指導生成式AI把識別出來的主題整理成有條理的表格。無論是撰寫知識庫文章、摘要報告或資料庫條目，AI都可以加入重要見解和專家意見，快速供使用者參考。
提高查找方便性。要求生成式AI將整理好的知識整合到公司內部知識庫中，使員工得以透過關鍵詞或主題輕鬆搜尋。
專家地圖。建立主題與相關專家之間的連結。要求生成式AI識別且標記在某個主題提供有價值見解的成員，以建立內部專業知識地圖。如此一來，特定主題或查詢結果可直接連結該社群中的專家。
節錄自：天下文化《職場人的生成式AI工作法：《哈佛商業評論》提升生產力、團隊創意和決策品質的35堂課》／艾麗莎．法瑞、賈布里．羅薩尼 著
推薦閱讀：
打造ChatGPT行政小助理：專屬AI助理幫你處理瑣碎行政工作
用AI快速寫Email！ChatGPT Writer、Copilot等中英文電子郵件生成
NotebookLM更新影片摘要、中文Podcast怎麼做？3步驟生成AI語音摘要
除了ChatGPT還有哪些生成式AI？16種AI工具應用解析
【Graphy AI教學】AI自動生成圖表、數據分析4技巧
AI寫Excel公式這樣最省時！ChatGPT、Copilot描述需求、生成函數、錯誤修正一次學會
不會寫Excel函數也沒關係！本文教你如何運用ChatGPT、Copilot、Gemini等AI工具，從描述需求開始，生成函數公式、修正錯誤結果，快速完成資料整理任務，超實用的新手與職場工作者必備Excel AI技巧教學！本文節錄自《超有料！職場第一高效的 Excel ✕ AI 自動化工作術》。
文／施威銘研究室
本文目錄（點擊可快速前往）
請AI生成函數、公式，輔助整理資料描述需求、請AI生成函數、公式，不懂還可以繼續問！實用技巧：貼上AI生成的函數、公式後執行失敗？實用技巧：描述問題時，截圖給AI最快！
請AI生成函數、公式，輔助整理資料
使用AI：AI聊天機器人（ChatGPT、Copilot、Gemini…都可以）
Excel函數可以說是整理表格資料的利器，延續上一節的「檢查資料漏填」例子，在Excel上普遍的做法是用函數檢查每一列是否有漏填的欄位，例如本例可以用設定條件判斷的IF函數和用來計算範圍內非空值數量的COUNTA函數，組合成公式來做檢查，然後在最後的「確認結果」欄顯示檢查的結果。
但萬一您對Excel不是很熟，光知道該挑這兩個函數出來、進一步撰寫公式，可能就會花一大堆時間，來看AI如何「顛覆」以往的Excel函數學習法吧！
描述需求、請AI生成函數、公式，不懂還可以繼續問！
怎麼開始呢？您不用傷腦筋該如何提供AI方向 （例如提示它「請用函數來解決」)，都不用！只有一個重點，就是跟AI聊天機器人描述清楚我們的需求，這非常重要，包括表格的資料範圍、以及我們希望在哪個目標儲存格得到什麼樣的結果都要講清楚。想更萬無一失的話，能截圖給AI聊天機器人參考最好。
【1】我們先試著用文字來描述需求（截圖的做法最後再試，因為有些免費的AI聊天機器人會限制單日的圖片上傳用量，不是您隨時想用都可以用）。先回顧一下本例的需求。
希望確認每一格是否都有填寫，若有一項沒填就在F欄留下註記
解決問題的環境若回到Excel（而不是餵給AI自動處理），也不用擔心表單樣式會受影響了（圖／旗標出版提供）
【2】以本例來說，是使用以下的提示語（prompts）：
（圖／旗標出版提供）
檢查B3~E27欄位是否都有輸入資料。若有空白的儲存格，在F3~F27標示「有資料未填寫」
⬆儘量描述清楚欄位的位置
或者
使用Excel函數，檢查B3~E27欄位是否都有輸入資料。如有空白的儲存格，需要在F3~F27標示「有資料未填寫」
⬆若您大概知道可以用函數來解決，可以加這段，這樣AI的回答就會鎖定在函數，不會回答的很廣泛，導致一時不知該用哪個解法
【TIP】撰寫提示語時，務必清楚描述欄位範圍與條件，例如明確指出「檢查B3:E27範圍內的每個儲存格」，而非模糊的「我想判斷F欄前面的資料有沒有漏」敘述。同時，也要清楚說明判斷條件（例如要找出有空白的格子）與執行動作（例如「在對應F欄標示『有資料未填寫』」），確保AI可以正確理解並執行任務。
（圖／旗標出版提供）
上圖讀者也看到了，AI聊天機器人不只給我們答案，還貼心地提供函數和公式的說明（就是怕您不會用），完美取代了以往Excel函數書、網路上函數教學文的地位（而且不懂還可以繼續問！）
很多AI聊天機器人都會提供複製功能，找到後並點擊就可以複製公式（若沒有，手動複製網頁上的公式也很快）。
【TIP】以上圖AI生成的公式來說，因為每一列都是4格（B、C、D、E這4欄），AI的解法是判斷哪些列「有資料」的儲存格小於4個，小於4個就表示該列有空白的儲存格（資料未填）。本書的精神是優先解決Excel問題，AI給的函數、公式細節讀者可以再慢慢研究。也再次提醒讀者，AI回答的內容不是100%正確喔！AI聊天機器人最擅長的就是生成文字，但也有生成虛構、錯誤內容的可能。如果AI所生成的函數、公式失效了，有時候執行後並不會有什麼錯誤訊息（只是你要的結果沒出現），此時最快的做法就是請AI生成另一個公式給我們試試。
【3】而AI聊天機器人在提供解法時，也可能以「純文字」來做回應，但慢慢讀文字沒什麼效率，可以請AI給出函數／公式。如下圖：
但慢慢讀文字沒什麼效率，可以請AI給出函數／公式（圖／旗標出版提供）
【4】此外，由於AI聊天機器人給的公式可能跟本書示範的不一樣，甚至您每次操作時得到的答案也可能不一樣，不過只要試過能完成任務就沒差。若您問AI聊天機器人有沒有其他的函數解法，它也會提供你新的公式：
本例筆者重新發問後，ChatGPT給了其他的公式解法，所用的函數都不太一樣（圖／旗標出版提供）
老話一句，我們先不用管公式是長是短、內容為何，能解決問題就好！本例先試AI給的這個公式。把公式貼到F3儲存格，按住填滿控點「+」，往下拉到F27儲存格，瞄一下左圖的F欄，看起來公式是OK的。選擇填滿但不填入格式，以保留原儲存格的樣式，這樣就完成操作了！
（圖／旗標出版提供）
實用技巧：貼上AI生成的函數、公式後執行失敗？
上圖在AI生成函數的幫助下，缺資料的那一列最後面都做了註記。但AI提供的公式絕對有可能會出錯（特別是在範圍設定或條件判斷的細節上），當出錯時，當然可以請AI修正，或者詢問是否有其他解法。例如：
這個公式不對，請幫我檢查錯誤或提供替代公式
依經驗，單只有給AI文字提示語最容易遇到公式出錯，因為描述需求時容易有遺漏或模糊不清，此時當然可以自行檢查公式內容，有時候或許不難除錯，例如F3改成F4這樣的小問題。但自行檢查有時很花時間，這時不如回頭檢查提示語是否有清楚說明欄位範圍（例如B3:E27），以及明確列出條件與目標（例如「檢查是否有空白儲存格」並「在F欄標註」）。
實用技巧：描述問題時，截圖給AI最快！
面對Excel資料整理需求時，如果prompt描述的夠到位，其實問題就解決一半了。但關鍵就在用文字描述需求有時候很花時間，也容易描述得不夠精確、甚至寫錯…
依筆者經驗，最省時省力的方式就是直接截圖給AI，大部分AI聊天機器人的圖片辨識能力都很強（中英文都通），能快速解析圖片中的內容理解問題。比起繁瑣的文字描述，傳截圖給AI的問題分析準確性高，還能大幅節省時間。
準備好截圖給AI，重點在於，Excel上面和左邊的編號，以及和您的目標欄位（例如F欄）一定要包含在圖片內。（圖／旗標出版提供）
【TIP】針對電腦畫面該怎麼截下來，Windows上有提供Print Screen鍵抓全螢幕畫面，但這樣就得再手動截取範圍，有點麻煩。筆者通常是額外安裝FastStone、HyperSnap等專用來截圖的軟體，利用裡面的「截取區域」功能把要的範圍截下來。若您用的是Mac電腦，內建的Shift+Command+4組合鍵就可以截您指定範圍的畫面了。
截圖備妥後，拉曳到對話框就可以附給AI（這裡是以免費版ChatGPT來操作），再輸入提示語描述需求，因為有附上圖，可以描述的更簡潔（圖／旗標出版提供）
【TIP】現階段無論是ChatGPT、Copilot、Gemini...等都可以接收圖檔來做判讀，讀者要用哪個AI聊天機器人來操作都可以。不過前面提過，免費版的ChatGPT用戶雖然可以使用圖檔上傳功能，但會有用量的限制，當您對話到一半時，可能會出現無法繼續使用的訊息。若真的被限用了也沒關係，免費的AI聊天機器人多的是。不過，建議也要多熟悉文字的描述技巧，以備不時之需！
當不是請AI聊天機器人自動整理資料，而是請它「輔助」生成函數來解決Excel問題時，筆者最喜歡附上截圖方便AI理解prompt 。AI解析圖片的速度很快，幾秒鐘就可完成，依經驗，提供截圖的AI出錯機率比單用文字prompt低非常多喔！
節錄自：旗標出版《超有料！職場第一高效的 Excel ✕ AI 自動化工作術：生成公式 + 函數、做自動化，用 AI 解決所有 Excel 難題！》／施威銘研究室 著
推薦閱讀：
Excel公式讓ChatGPT幫你寫！輸入指令就能懂的Excel公式教學
ChatGPT整理Excel表格超快速！用AI輕鬆搞定複雜資料
ChatGPT生成Excel圖表不卡關！xy軸設定、中文顯示問題輕鬆搞定
[course_plugin title='推薦Excel相關課程' keyword='excel' amount=2]
【2026最新】AI產業人才認定指引3.0更新！5大能力評估、AI證照及學習資源、工作機會盤點
數發部2026年5月最新公布「AI產業人才認定指引3.0」，本次重要更新包括「AI治理素養」與「AI協作與開發」兩項能力，以及新增「推薦學習資源」幫助強化人才AI能力。本文帶你一次看懂AI三大人才類型、必備技能與證照資源推薦，並盤點AI人才職涯發展以及最常見的AI工作機會，幫助找到最適合自己的AI職涯起點。
※更新日期：2026/05/21
文／《104職場力》
本文目錄（點擊可快速前往）
你屬於哪種AI人才？研究、開發、應用3大類一次看想進入AI領域，5大能力你具備了嗎？AI能力如何認證和提升？新版推薦學習資源、證照整理AI人才職涯發展路徑圖及轉職跨領域建議AI產業人才常見職稱及104工作機會一覽投入AI領域3大建議：要具備哪些核心技術和軟實力？數發部「AI產業人才認定指引」電子書下載
2026.05更新：數發部2026年5月19日發布「AI 產業人才認定指引3.0」，兩項重要更新包括：1.因應2026年1月公布《人工智慧基本法》，新增「AI治理素養」能力，協助人才建立人工智慧應用風險的框架與意識；2.順應Vibe Coding與Agentic AI發展趨勢，新增「AI協作與開發」能力，強化人才與AI工具協作及開發的實務能力。並將指引從企業與求職者、培訓與認證機構參考的共通基準，進一步落實到產業工作場景。
想進入AI領域要做哪些準備？工作上如何認證自己的AI能力？為了協助國內人才掌握AI就業趨勢，數位發展部《AI產業人才認定指引》指出AI產業人才可分為研究、開發、應用3大類型，不論你是工程師、行銷人，還是剛準備跨領域轉職的上班族，都能在AI產業找到自己的角色！
指引中明確列出AI產業的人才分類、能力架構與專業認證方向，並提供職涯發展路徑及跨域建議。《104職場力》幫大家濃縮重點，整理懶人包，讓你一篇就看懂！
完整內容請參考數發部【AI產業人才認定指引】：因應AI技術與應用的快速變革，數發部指出，為了協助企業快速識別、應用與培育AI人才，並為個人職涯發展、培訓規劃及專業認證提供明確依據，特別制定本指引。並將隨著產業趨勢持續動態更新指引內容，強化AI人才標準與產業需求接軌。● 下載數發部《AI產業人才認定指引》（115年5月）>>● 數發部AI產業人才認定指引專區>>
延伸閱讀：搶攻12.1萬個AI工作！104運用AWS技術推「AI人才就緒計畫」目標首年培育逾3萬人
你屬於哪種AI人才？研究、開發、應用3大類一次看
根據指引定義，AI產業人才是指具備人工智慧相關知識、技能與能力，並在各行各業中，從事人工智慧相關之技術研究、開發、應用、管理，或使用AI工具於生產、服務或行政管理相關工作流程的從業人員。
指引依據產業應用現況和專家建議，將AI產業人才分為「AI應用人才」、「AI開發人才」、「AI研究人才」等3大類別：
AI研究：AI技術的源頭，從事AI基礎研究與發表論文。
AI開發：AI技術的實現者，負責訓練出新的AI模型或開發新的AI應用工具。
AI應用：AI應用的使用者，將AI應用於各行各業，使用AI工具提高生產力。
AI產業人才分為3大類：AI研究、AI開發、AI應用（資料來源／AI產業人才認定指引）
本文整理將聚焦於「AI開發人才」及「AI應用人才」的相關資訊，包括AI認證資源、AI人才常見職缺及最新工作機會，還有職涯發展路徑，提供有意求職轉職、或即將進入職場的新鮮人參考！
想進入AI領域，5大能力你具備了嗎？
依據產業現況，指引列出「AI開發人才」及「AI應用人才」所需的5大類核心能力。（詳細說明請見下表）
AI應用人才：要能使用現有AI工具，提升執行中工作的生產力、管理能力、行政效率、加速流程、縮短時效與產生企業價值的能力。所需的能力類型包括「AI應用素養」、「AI工具應用」及「AI協作與開發」能力，將其應用於行銷、製造、醫療、教育、法律、金融等不同領域。
AI開發人才：需具備數學、機率、電腦科學相關知識背景，其內涵不僅限於模型開發，更關注將AI技術落實於產品和服務，所需的能力包括「AI程式語言應用」、「AI模型訓練」與「AI服務開發」。
AI產業人才5大類能力類型、11細項
人才類別能力類型細項能力說明AI應用人才AI應用素養AI素養瞭解AI基本知識、道德倫理、應用及限制AI治理素養能瞭解AI衍生的AI系統、人機互動、社會衝擊等風險AI工具應用文書應用能用AI工具進行文字內容產生、修改、翻譯及整理圖文應用能用AI工具進行圖像內容產生、擷取與修改影像應用能用AI工具進行影像內容產生、擷取與修改音源應用能用AI工具進行音源內容產生、擷取、翻譯及整理自動化應用能使用AI代理或相關自動化工具，實現工作流程自動化AI程式語言應用AI協作與開發能以自然語言引導AI協作撰寫程式AI開發人才程式應用能使用AI輔助程式開發AI模型訓練AI模型訓練能用模型訓練和學習（如ML、RL）等工具、技術及方法，訓練AI模型AI服務開發NLP/LLM/CV工程能用NLP、LLM、CV工具，結合AI工作流或提出新服務
11項AI能力類型對應哪些工具應用？相關AI工具資源參考
能力類型參考工具AI素養台灣人工智慧學校、Meta AI、好好用AI素養計畫AI治理素養EU Artificial Intelligence Act、NIST AI RMF、ISO 42001、AI literacy frameworkAI文書應用ChatGPT、Copilot、Gemini、ClaudeAI圖文應用Midjourney、Canva、Adobe FireflyAI影像應用Runway、ideogramAI音源應用ElevenLabs、MURF AIAI自動化應用n8n、Zapier、Power AutomateAI協作與開發Lovable、Claude、n8nAI程式應用GitHub Copilot、CursorAI模型訓練TensorFlow、PyTorch、scikit-learn、Amazon SageMaker、Azure AI Foundry、Vertex AINLP/LLM/CV工程OpenAI、Hugging Face、OpenCV、MediaPipe
AI能力如何認證和提升？新版推薦學習資源、證照整理
清楚AI人才需要具備的關鍵能力後，想學習或提升相關AI能力，可以參考數位產業署官網提供的相關培訓課程及AI能力認證內容，並透過相關資源來強化自己的AI競爭力。
以下整理素養類、工具類及專案類3種AI認證資源。
（資料來源／AI產業人才認定指引）
AI產業能力認證參考：素養類
AI素養類認證主要為「建立AI基本認知與倫理觀念」，著重培養非技術背景者對AI的理解與應用概念，不要求實作能力或程式操作。相關認證包括：經濟部iPAS AI應用規劃師、資策會生成式AI能力認證、AIA的AI素養級認證等。
點擊「認證名稱」可查看更多認證資訊及歷屆試題資源：
國際AI素養認證名稱辦理單位AI-901:Azure AI FundamentalsMicrosoftAWS Certified AI PractitionerAWS
國內AI素養認證名稱辦理單位iPAS AI應用規劃師初級經濟部產業發展署AI 素養級認證台灣人工智慧學校AI 工程級認證：LLM 的行政任務應用台灣人工智慧學校生成式AI能力認證財團法人資訊工業策進會人工智慧工程素養認證財團法人資訊工業策進會AI+ 行銷科技專業人員財團法人資訊工業策進會TQC生成式AI應用與技術（實用／進階／專業）財團法人中華民國電腦技能基金會TQC人工智慧應用與技術（實用／進階／專業）財團法人中華民國電腦技能基金會EEC企業電子化人工智慧應用師財團法人中華民國電腦技能基金會
AI產業能力認證參考：工具類
AI工具類認證聚焦在「熟悉並應用AI工具完成任務」，要求能使用特定AI平台、工具或模型進行應用實作。常見任務例如影像生成、資料自動化分析、ChatGPT應用等，適合企業內部技能轉型或職能補強。
點擊「認證名稱」可查看更多認證資訊及歷屆試題資源：
國際AI工具應用認證名稱辦理單位NVIDIA Certified Associate: Multimodal Generative AINVIDIANVIDIA Certified Associate: Generative AI & LLMsNVIDIA
國內AI工具應用認證名稱辦理單位iPAS AI應用規劃師中級經濟部產業發展署生成式AI美術設計能力認證初級財團法人資訊工業策進會生成式AI美術設計能力認證中級財團法人資訊工業策進會生成式AI辦公室應用能力認證財團法人資訊工業策進會TQC+ GenAI 輔助資料擷取與分析 Python中華民國電腦技能基金會
AI產業能力認證參考：專案類
專案類認證聚焦在「具備完成AI專案的實戰能力」，對應如資料工程師、機器學習工程師等技術職務。用於評估技術人員是否具備立即上手企業AI任務的能力。包括：IBM AI Engineering Professional Certificate、AI-103: Azure AI Engineer Associate等。
點擊「認證名稱」可查看更多認證資訊及歷屆試題資源：
國際AI服務開發認證名稱辦理單位AWS Certified Generative AI Developer - ProfessionalAWSAI-103: Azure AI Engineer AssociateMicrosoft
國際AI模型訓練認證名稱辦理單位AWS Certified Machine Learning Engineer (Associate)AWSAWS Certified Machine Learning (Specialty)AWSIBM AI Engineering Professional CertificateIBMGoogle Cloud Professional Machine Learning EngineerGoogle Cloud
認證名稱辦理單位TQC＋人工智慧：機器學習財團法人中華民國電腦技能基金會
104學習－課程推薦：
AI資料科學家全方位學程（緯育）
AI醫學影像分析實作直播學程（緯育）
AI學習資源專區｜AWS免費課程系列，完課自動同步學習紀錄到履歷表！
更多認證及培訓課程資訊，可至數位產業署官網查詢參考最新附表：AI產業人才認定指引專區
AI人才職涯發展路徑圖及轉職跨領域建議
不同科技背景的人，想成為3大類AI人才，職涯路徑要怎麼走？《AI產業人才認定指引》提供一份「AI人才職類與發展路徑圖」，整理「理工相關科系」及「其他科系」發展成為3大類AI人才（AI應用／開發／研究）的可能路徑。
資料來源：數發部《AI產業人才認定指引》
1. 以「AI應用人才」為例：
適合非理工背景，包括來自商管、行銷、設計等，或具備跨領域行動力者，可以透過學習AI工具的使用及AI素養，將AI應用於自身專業領域。
職涯發展路徑：AI工具使用能力與素養→AI加值型／AI導入型→AI產品經理
→AI應用人才跨域指引：未來若想轉向開發，需補足軟體工程及演算法知識，可跨域至「軟／硬體工程師」路徑。
2. 以「AI開發人才」為例：
AI開發人才有2條主要的發展路徑：AI工程師、資料專業人員，共同負責AI系統的建構和資料驅動。
AI工程師路徑：軟／硬體工程師→AI工程師→AI技術主管／AIOps工程師。
→ 轉資料途徑：若軟／硬體工程師或AI工程師對資料品質、資料策略有興趣，可加強統計學和資料治理知識，跨域至「資料科學家」路徑。→ 轉管理途徑：AI工程師或技術主管若具備良好溝通與領導力，可轉向「AI產品經理」或更高階的技術管理職位。
資料專業路徑：資料分析師→資料科學家。
→ 轉工程師途徑：資料科學家補足軟硬體工程技術後，也可以轉向「AI工程師」途徑。
3. 以「AI研究人才」為例：
職涯發展路徑為：深入數學／統計、演算法研究→AI科學家／研究員→研發主管
→ 跨域指引：AI科學家／研究員的成果是應用源頭，若能理解市場需求，可將研究成果轉化為實際產品。可跨域與「AI專案產品管理」合作，或轉向至該路徑。
AI產業人才常見職稱及104工作機會一覽
AI應用人才常見職稱及專業技能
《AI產業人才認定指引》指出，目前AI應用人才的職稱命名仍具有彈性和過渡性，需要依照產業特性和職務內容來判斷。以下整理參考職稱、角色定位、專業技能及最新工作機會。
點擊職稱或工作機會，可查看職缺：
參考職稱角色定位工作機會既有職稱（行銷專員、行政助理、人資專員等）AI工具的高效終端使用者和應用者看職缺>AI應用規劃師AI導入顧問流程優化專員協助企業規劃導入AI的數位轉型流程看職缺>AI產品經理技術與業務的橋樑，推動AI專案執行看職缺>資料標註師連接原始數據與AI模型理解的橋樑看職缺>資料分析師轉譯數據為可執行的洞察，支援AI導入成效評估與商業優化決策看職缺>
1. 既有職稱（行銷專員、行政助理、人資專員等）
角色定位：AI工具的高效終端使用者和應用者
核心職責：於既有職務範圍內，透過熟練使用既有AI工具、應用程式或軟體，來提升個人工作效率、優化工作成果、輔助決策或拓展創意。
專業技能：核心專業仍是其原本的職務領域，此外對AI工具具備理解與判斷，熟悉多種AI工具的操作、Prompt編寫能力、生成式應用技巧。
工作機會：行銷專員、行政助理、人資專員、看更多應用AI工具職缺>
[joblist_plugin title='更多104【應用AI工具】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=AI%E5%B7%A5%E5%85%B7&order=15' amount='1']
2. AI應用規劃師／AI導入顧問／流程優化專員
角色定位：協助企業規劃導入AI的數位轉型流程
核心職責：建構AI導入藍圖、評估痛點與效益、推動變革管理、企業訪談、現況盤點、需求分析、技術評估與導入建議。
專業技能：商業策略思維、資料治理、AI趨勢與工具理解、跨域分析、商業架構、數位工具評估與推進能力。
工作機會：AI應用規劃師、AI導入顧問、流程優化專員、看更多AI應用規劃職缺>
[joblist_plugin title='更多104【AI應用規劃】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=ai%E6%87%89%E7%94%A8%E8%A6%8F%E5%8A%83&order=15' amount='1']
3. AI產品經理
角色定位：技術與業務的橋梁，推動AI專案執行
核心職責：
整合使用者需求與AI功能，設計應用情境與流程，與技術團隊協作落地應用。
負責規劃與管理以AI驅動產品或服務的設計、開發與市場導入，常需與技術、設計與業務單位密切合作。
專業技能：商業分析、AI應用理解、需求分析、技術溝通
工作機會：看更多AI產品經理職缺>
[joblist_plugin title='更多104【AI產品經理】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=AI%E7%94%A2%E5%93%81%E7%B6%93%E7%90%86&order=15' amount='1']
4. 資料標註師
角色定位：連接原始數據與AI模型理解的橋樑
核心職責：
根據專案要求和標註規範，對文本、圖像、音訊、影片等各類型原始數據進行清洗、標註與分類。
確保標註數據的準確性和一致性，作為AI模型訓練的基礎。
識別數據中的潛在問題（如偏見、不足），並進行反饋。
專業技能：專案基礎領域知識與數據理解、標註工具操作、重複性工作效率與抗壓性
工作機會：看更多AI標註職缺>
[joblist_plugin title='更多104【AI標註】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=AI%E6%A8%99%E8%A8%BB&order=15' amount='1']
5. 資料分析師（介於AI應用與AI開發之間）
角色定位：轉譯數據為可執行的洞察，支援AI導入成效評估與商業優化決策
核心職責：運用資料分析工具與統計方法，進行資料整理與清洗、探索性資料分析、視覺化報表製作、KPI指標追蹤、洞察報告撰寫、跨部門需求溝通、支援策略分析與AI導入績效評估。
專業技能：SQL、Excel、Tableau、Power BI、統計分析、Python/R（進階）、資料視覺化、問題拆解與商業邏輯思維
工作機會：看更多AI數據分析職缺>
[joblist_plugin title='更多104【AI數據分析】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=AI%E6%95%B8%E6%93%9A%E5%88%86%E6%9E%90&order=15' amount='1']
AI開發人才常見職稱及專業技能
AI開發人才常見職稱，在不同公司或組織也可能會有所差異。例如，「AI工程師（AI Engineer）」是最常見的職稱，泛指負責建構AI系統的人員。以下整理參考職稱、角色定位、專業技能及最新工作機會。
常見職稱角色定位工作機會自然語言處理（NLP）工程師專注於開發能夠理解和生成或人類語言的AI系統看職缺>大型語言模型（LLM）工程師專注於設計、開發與調校大型語言模型（LLM），使其能夠理解、生成並應用人類語言於各種場景中看職缺>電腦視覺（CV）工程師專注於開發能夠理解和分析圖像與影片的AI系統看職缺>機器學習（ML）工程師AI領域的核心角色，專注於設計、開發、訓練和部署機器學習模型看職缺>資料科學家擅長從巨量資料中提取有價值的洞察，並利用這些洞察為企業提供決策支持。看職缺>
1. 自然語言處理（NLP）工程師
角色定位：專注於開發能夠理解和生成或人類語言的AI系統。
核心職責：
運用NLP技術，實現文本分析、語言識別、機器翻譯、聊天機器人等功能。
廣泛應用於客服、輿情分析、內容生成等領域。主要工作在於使AI可以理解以及生成類人類的語言。
專業技能：
熟悉NLP相關演算法和技術（如詞向量、語言模型、transformer）。
熟練使用NLP函式庫（如NLTK、spaCy）。
具備深度學習框架的使用經驗。
大型語言模型 (LLM) 工程師
工作機會：看更多NLP相關職缺>
[joblist_plugin title='更多104【NLP】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=NLP&order=15&page=4&jobcat=2007000000' amount='1']
2. 大型語言模型 (LLM) 工程師
角色定位：專注於設計、開發與調校大型語言模型（LLM），使其能夠理解、生成並應用人類語言於各種場景中。
核心職責：
負責建置與優化語言模型架構（如Transformer），訓練與微調模型以符合特定應用需求，並解決模型生成偏誤、知識更新等問題。
應用範圍包含智慧客服、知識問答、語意理解、內容生成、程式輔助撰寫等，也需參與模型部署與效能評估。
專業技能：
熟悉自然語言處理技術與演算法（如詞嵌入、命名實體辨識、語意分析、知識蒐集）。
精通語言模型架構（如GPT、BERT、T5）與其訓練原理，熟練使用深度學習框架。
具備資料清洗、標註與語料管理能力，並能處理多語言或特定領域語料。
工作機會：看更多LLM相關職缺>
[joblist_plugin title='更多104【LLM】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=LLM&order=15&jobsource=blog&page=1&jobcat=2007000000' amount='1']
3. 電腦視覺（CV）工程師
角色定位：專注於開發能夠理解和分析圖像與影片的AI系統。
核心職責：
運用圖像處理和深度學習技術，實現圖像識別、物件檢測、影像分割等功能。
廣泛應用於自動駕駛、安全監控、醫療影像分析等領域。主要工作在於開發出讓電腦可以辨識圖像，以及影片的相關應用。
專業技能：
熟悉圖像處理和深度學習演算法。
熟練使用電腦視覺函式庫（如OpenCV）。
具備深度學習框架的使用經驗。
工作機會：看更多電腦視覺相關職缺>
[joblist_plugin title='更多104【電腦視覺】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=CV+%E9%9B%BB%E8%85%A6%E8%A6%96%E8%A6%BA&order=15&page=2&jobcat=2007000000' amount='1']
4. 機器學習（ML）工程師
角色定位：AI領域的核心角色，專注於設計、開發、訓練和部署機器學習模型。
核心職責：
研究各式機器學習演算法，並利用演算法解決商業問題。
透過大量數據處理與特徵工程，持續優化模型以提升性能。主要工作在於利用機器學習，使得AI應用可以達成預期的目標。
專業技能：
精通機器學習演算法（如監督式學習、非監督式學習、強化學習）。
熟練使用機器學習框架，具備資料處理和分析能力。
工作機會：看更多機器學習相關職缺>
[joblist_plugin title='更多104【機器學習】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92+ML&order=15&page=1&jobcat=2007000000' amount='1']
5. 資料科學家
角色定位：擅長從巨量資料中提取有價值的洞察，並利用這些洞察為企業提供決策支持。
核心職責：
運用統計分析、機器學習和資料可視化等技術，探索資料中的模式和趨勢。
需具備良好的商業理解能力，能夠將資料分析結果轉化為可執行的商業建議。主要工作在於分析資料，並且產出具有價值的資訊，輔助企業做出正確判斷。
專業技能：
精通統計分析和機器學習演算法。
熟練使用資料分析工具（如Python、SQL）。
具備資料視覺化和報告撰寫能力。
工作機會：看更多資料科學家職缺>
[joblist_plugin title='更多104【資料科學家】工作機會' url='https://www.104.com.tw/jobs/search/?order=15&page=1&jobcat=2007001021' amount='1']
投入AI領域3大建議：要具備哪些核心技術和軟實力？
對於有興趣投入AI領域發展的人，《AI產業人才認定指引》最後給出3個建議：1.根據個人興趣及專業背景選擇自己的AI職涯起點（參考AI人才職涯發展路徑圖），2.需具備核心技術基礎、3.培養關鍵軟實力和終身學習態度。
其中列出的4個核心技術基礎，對AI開發人才和AI研究人才來說是必備的；至於AI應用人才雖不要求具備開發能力，但若能對於基礎知識有一定了解，將能更有效運用AI工具，與技術團隊的溝通協作也會更順暢。
程式語言： 專精Python，並熟悉其在AI領域的函式庫（如NumPy, Pandas, Scikit-learn, TensorFlow/PyTorch）。
數學與統計：掌握線性代數、微積分、機率統計，是理解AI模型運作的基礎。
資料基礎：理解數據庫（SQL）、資料清洗、資料前處理、資料可視化等基本技能。
軟體工程：熟悉版本控制（Git）、基礎軟體開發流程。
而在軟實力方面，不論選擇哪種AI職涯都需具備以下能力：
解決問題能力：能分析問題、提出解決方案並有效執行
溝通協作能力：AI專案通常需跨部門協作，溝通要清晰有效
批判性思維與創新：不盲從、敢於質疑，並能提出創新想法
適應變化與終身學習：AI技術發展訊續，需保持好奇心，持續學習新知和新工具
專案實戰：透過參與開源專案、Kaggle競賽、校內外專案或實習，累積經驗並建立作品集
數發部「AI產業人才認定指引」電子書下載
本文由《104職場力》整理重點懶人包，完整內容請參考數發部《AI產業人才認定指引》：
【電子書下載】AI產業人才認定指引(115年5月)下載
（資料來源：數發部AI產業人才認定指引）
有任何收穫或想分享的，都來和大家一起聊聊吧！