104學習

軟體程式設計

軟體程式設計
關注
邀請朋友
邀請朋友

Line

Facebook

複製連結

取消
具備此技能代表能運用程式語言撰寫、測試及維護軟體系統,解決實際問題並提升工作效率。在數位轉型浪潮中,能快速理解需求並設計符合規範的程式碼,協助企業自動化流程及創新服務。此能力不僅限於寫程式,更包含邏輯思考、問題分析與團隊協作,對跨部門溝通與專案推進至關重要。隨著科技持續進步,具備此技能能提升職場競爭力,拓展多元發展機會。
關於教室
關注人數 811 人
104人力銀行從職缺中挑選出常見技能所成立的官方教室,提供大家進行共學互動。
學習主持人
持續分享知識,
有機會成為官方教室主持人
教室標籤
關於教室
關注人數 811 人
104人力銀行從職缺中挑選出常見技能所成立的官方教室,提供大家進行共學互動。
學習主持人
持續分享知識,
有機會成為官方教室主持人
教室標籤
Hi~ 歡迎分享學習資源,有學習問題可匿名向Giver發問!
我要分享
我要提問

軟體程式設計 學習推薦

104學習

產品

05/20 11:21

Google 推出 Gemini Omni能將任何輸入素材轉化為內容創作的全新模型
去年,Nano Banana 將 Gemini 的智慧導入影像生成與編輯領域。從那時起,這項技術已經幫助了數百萬名使用者修復老照片、將草圖化為設計,並以過去無法想像的方式實現腦中的創意想法。
Google 正式推出 Gemini Omni,這是一款結合 Gemini 邏輯推理與創作能力的全新模型,能以任何的輸入素材創造出任意形式的內容,並率先支援影片生成。透過 Omni,你可以自由混搭圖片、音訊、影片和文字素材等輸入內容,結合 Gemini 基於現實世界的知識,進一步生成高品質的影片。你甚至可以透過像聊天一樣的簡單對話,輕鬆編輯你的影片。
即日起,Gemini Omni Flash 已正式上線,所有 Google AI Plus、Google AI Pro 及 Google AI Ultra 的訂閱用戶,都能在 Gemini 應用程式和 Google Flow 中搶先體驗
完整訊息 請見官方blog :
看更多
1 1 300 1
104學習

產品

05/13 09:40

Claude Code 推出 Agent View:AI 編碼助手,正在從「幫你寫程式」變成「幫你跑任務」
AI 編碼工具又往前走了一步。
Anthropic 於 5 月 11 日為旗下 AI 編碼助手 Claude Code 推出新功能 Agent View。簡單來說,它讓開發者可以在同一個命令列介面中,同時管理多個正在執行的 Claude Code 工作階段,不必再開一堆終端機分頁、tmux 視窗,或靠腦袋記住每個 AI 任務做到哪裡。
這項功能目前是 Research Preview,開放給 Pro、Max、Team、Enterprise 與 Claude API 方案使用者。官方文件也提到,使用者需要 Claude Code v2.1.139 或更新版本。
Agent View 是什麼?
過去使用 AI 編碼工具,多半是一個任務配一個對話視窗。
你請 Claude Code 修一個 bug,就在一個終端機裡看它分析、改檔、測試;如果又想同時請它檢查另一個 pull request,可能就要再開一個視窗。
Agent View 想解決的,就是這種「多任務切換成本」。
官方說明中,Agent View 可以用以下指令開啟:
claude agents
進入後,開發者會看到一個集中管理畫面:哪些 session 正在工作、哪些需要輸入決策、哪些已經完成。每個背景 session 都是一段完整的 Claude Code 對話,可以在背景持續執行。
換句話說,Agent View 不是單純把畫面整理得更漂亮,而是讓 Claude Code 更像一個「AI 任務控制台」。
開發者可以怎麼用?
假設一位工程師早上打開專案後,可以同時交代 Claude Code 幾件事:
第一,調查某個測試為什麼不穩定。
第二,檢查一個 pull request 是否有潛在問題。
第三,修正一個前端頁面的小 bug。
第四,針對某段舊程式碼提出重構建議。
過去這些任務可能需要在多個終端機之間切換,確認每個 AI 助手是不是卡住、做到哪一步、是否需要回覆問題。現在透過 Agent View,可以在同一張清單裡查看狀態;如果某個 session 需要使用者決定下一步,也可以直接查看最近回覆並快速回應,不一定要進入完整對話。
這代表 AI 編碼工具的使用方式,正在從「一問一答」變成「派工、追蹤、驗收」。
Agent View 帶來的工作流改變
Agent View 的重點,不只是同時開多個 AI session,而是讓開發者能更有系統地管理 AI 代理任務。
對開發工作來說,這會帶來三個明顯變化。
第一,平行處理變得更容易
修 bug、看 log、整理 PR、跑測試,過去可能要依序處理。現在開發者可以把任務拆開,讓多個 Claude Code session 平行執行,再集中查看結果。
這對大型專案、複雜 repo 或需要頻繁切換上下文的工程團隊來說,能降低不少操作負擔。
第二,開發者角色更接近任務管理者
AI 編碼工具不再只是等待指令的聊天助手,而是可以被分派任務、在背景執行、等待使用者介入的工作單位。
這也意味著開發者需要更清楚地拆解任務:哪一個問題可以交給 AI 先調查?哪一段程式可以讓 AI 嘗試重構?哪些修改需要人工審查後才能合併?
工具能力提升後,真正關鍵的反而是任務設計與驗收能力。
第三,品質控管變得更重要
Agent View 可以讓多個 AI session 同時進行,但平行工作也代表風險可能同時擴大。
AI 可以協助分析問題、修改程式、提出建議,但不代表所有輸出都能直接上線。尤其是牽涉資料安全、權限、核心流程、使用者資料或架構調整的程式修改,仍然需要工程師檢查、測試與 code review。
因此,Agent View 提升的是「多工管理效率」,不是取消開發者的判斷責任。
使用 Agent View 需要注意什麼?
官方文件也提醒,Agent View 不是無成本地開啟多個 AI 任務。
每個背景 session 都會消耗使用者的訂閱配額;如果同時啟動多個代理任務,token 使用量可能快速增加。
此外,背景 session 仍是在本機執行。如果電腦進入睡眠、關機或環境中斷,正在執行的任務也可能停止。
在檔案修改方面,Claude Code 會透過 worktree 隔離平行工作,降低不同 session 互相覆蓋檔案的風險。不過,開發者仍需要確認要保留的變更是否已正確合併或推送,避免誤刪工作成果。
AI 編碼工具正在進入「多代理工作流」階段
Claude Code 推出 Agent View,代表 AI 編碼工具正在從「單一對話助手」走向「多代理任務控制台」。
它的價值不只是讓開發者少開幾個終端機視窗,而是讓多個 AI 編碼任務可以被集中管理:哪些正在執行、哪些需要回覆、哪些已完成、哪些失敗,都能在同一介面中掌握。
這也反映出 AI coding assistant 的下一個發展方向:不只是協助產出程式碼,而是參與更完整的開發流程,包括任務拆解、背景執行、狀態追蹤、結果回報與人工驗收。
對開發團隊來說,Agent View 帶來的不是「讓 AI 自動完成所有工作」,而是讓工程師能更有效地管理多條 AI 協作工作線。未來 AI 編碼工具的競爭,可能不只在模型能力,也會在誰能更好地融入真實開發流程、降低切換成本,並讓人類更容易掌控 AI 產出的品質與風險。
官方資料來源
1. Anthropic 官方公告:Agent view in Claude Code
2. Claude Code 官方文件:Manage multiple agents with agent view
3. Claude Code 中文官方文件:Agent View 說明
4. Claude Code Changelog
看更多
1 0 741 1

104學習精選課程

看更多課程
想提升職場競爭力?專業技能課程看起來👇
104學習

產品

03/26 14:14

想轉職 AI 工程師,該先學什麼?6 個月學習路線圖整理企業真正要的能力
最近,X 上一篇題為 《How to become an AI Engineer in 6 months》的文章引發不少關注。這份路線圖之所以被討論,不是因為它鼓吹速成,而是它提出了一個很貼近當前職場需求的觀點:現在企業需要的 AI 工程師,很多時候不是從零訓練大型模型的研究員,而是能把現有模型、API、資料與工具整合起來,做成可用產品與工作流程的人。
根據這份整理,AI 工程師的核心工作,通常包括串接 LLM API、設計 prompt 與上下文流程、建立聊天或搜尋系統、整合資料庫與外部工具、處理結構化輸出,以及優化成本、速度與穩定性。換句話說,這份角色更接近軟體工程、產品開發與流程自動化的交會點。
這份 6 個月路線圖,最重要的不是「學更多」,而是「學對順序」。第 1 個月先把 Python、Git/GitHub、CLI、HTTP/API、JSON、基本 SQL、Pandas 與 FastAPI 打底,因為原文認為 AI 工程首先仍是軟體工程;如果連基本程式、API 與資料處理能力都還不穩,後面的 AI 應用很容易只停在 demo 階段。
第 2 個月,重點進入 LLM 應用開發,包括 prompt 設計、結構化輸出、tool calling、streaming responses、對話狀態管理、成本與 token 概念、失敗處理與 prompt injection 基本意識。第 3 個月則聚焦在 RAG,也就是讓模型能根據自己的文件與資料回答問題,這也是客服機器人、企業知識庫、文件搜尋等場景最常見的核心能力之一。
第 4 個月開始,路線圖進一步談到 agent、工具、workflow 與 evals。原文特別提醒,不是每個問題都需要 agent;有時一個 prompt 就夠,有時 workflow 比 agent 更穩。真正重要的,是知道該怎麼選擇,以及如何用評估機制去判斷系統是否真的變好。第 5 個月則轉向部署、可靠性與產品化,包括 Docker、背景任務、queue、驗證與 API key 管理、logging、observability、prompt/version management、成本監控、rate limits 與 caching。
到了第 6 個月,這份路線圖建議學習者開始選定方向,往三種角色收斂:AI Product Engineer、Applied ML / LLM Engineer,以及 AI Automation Engineer。前者偏向使用者產品與 AI 功能開發,後兩者則更接近模型效果優化或企業流程自動化。對求職者來說,這一步的意義在於:不能只停留在「我有在學 AI」,而要把能力整理成職缺看得懂、作品集也講得清楚的樣子。
如果把這篇路線圖放回台灣職場來看,它最大的提醒其實不是「6 個月能不能成功轉職」,而是:AI 時代的競爭力,越來越像是把技術、工具與工作場景整合起來的能力。 企業不一定每一家都在找模型研究員,但會愈來愈需要懂 API、懂資料流、懂自動化,也懂得把 AI 接進產品與流程的人。這段屬於本文根據原始路線圖內容做的職場延伸整理。
A還有一個很務實的提醒:一定要做作品。 作者多次強調,不管是 Python 練習、API 串接、RAG 還是 agent,都不能只停留在看教學,而要真的做出專案、放上 GitHub、部署出去,讓別人能試用。對轉職者來說,這點尤其關鍵。因為當市場上很多人都說自己「會用 AI」,真正能拉開差距的,往往不是上過多少課,而是有沒有做出一個可被驗證的作品。
說到底,這篇路線圖最值得記住的一點是:未來企業需要的,不只是會使用 AI 工具的人,而是能把 AI 做成工作成果的人。對想轉職、想加值、想提升職場競爭力的人來說,與其一開始追逐最新工具,不如先建立一條能走完、也能做出作品的學習路。
---
資料來源
看更多
3 0 7502 3
你可能感興趣的教室