數位自動化團隊協作攻略｜Power Automate整合應用
104學習
Jenkins
這項技能主要用於自動化軟體建置與持續整合（CI/CD），能幫助團隊快速且穩定地將程式碼從開發階段推向生產環境。具備此能力的人能有效減少人工操作錯誤，加速部署流程，提升專案交付效率與品質，對軟體開發團隊尤其重要。掌握它代表你熟悉自動化流程，具備協調跨部門合作及解決問題的能力，是現代軟體工程師不可或缺的技能之一。
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
成為前端工程師｜jQuery 入門密技，愉快打造互動式網頁不求人
基層幹部管理實務：提升現場指導力、強化團隊凝聚力【10/14】
成為後端工程師 | 踏上程式起點，逐步掌握 Java 語言特性與物件導向程式設計
AI助理GitHub Copilot | 提升前端開發效率
Cursor AI全端開發所：Java 網站系統獨立製作全攻略
JSP + Servlet | 吳永志Java Web 技術開發
Git 速成攻略：2.5 小時變身版本控制達人
邁入Java REST Web Service開發領域
【天下學習｜線上課】AI Agent 零基礎打造個人工作流｜數位員工 ✕ AI 工具整合 ✕ Agent 生態串接
精選證照
考取專業證照，讓能力被市場看見
程式設計JAVA JDK1.4
JAVA JDK1.4證照驗證持有者具備使用Java開發工具包版本1.4進行程式設計的能力，熟悉物件導向程式設計概念及Java語言基礎語法，能夠撰寫、編譯及除錯Java應用程式，並了解核心API的使用方法。此證照適合希望從事軟體開發、系統整合或相關資訊技術工作的專業人士，具備良好的程式設計基礎與實務經驗，有助於提升職場競爭力及開發效率。
財團法人中華民國電腦技能基金會
OCP Java Dev.
Oracle Java Developer (Java 語言開發人員) 是針對擁有Java開發技術的人員提供。以Java程式語言為開發工具，從事設計、製作與維護網際網路應用軟體，以及建立具動態特性的網頁。OCP Java Dev.證照，目前已停止發放。
Oracle
SSE AI 提示詞工程師
[ 引領AI時代的語言設計專家認證 ]
隨著生成式人工智慧（Generative AI）快速崛起，從文字生成、圖像創作、音樂編排到自動化工作流程，「提示詞（Prompt）」設計能力已成為駕馭AI的關鍵技能。而「Prompt Engineer（提示詞工程師）」作為新興且高度需求的職業角色，正逐漸在學術界與職場上嶄露頭角。 AI Prompt Engineer 國際認證應運而生，旨在建立一套標準化、系統性的評量機制，協助學習者掌握與AI互動的語言設計邏輯，具備實務操作能力與創造性思維，為進入AI產業奠定堅實基礎。
Silicon Stone Education (SSE)
JNCIP-E
Service Provider / E Series 系列。
JNCIP-E是一個為期一天（8小時）的實際考試，驗證工程師的設計能力並成功地建立一個網際網路服務供應商組成的多個E系列虛擬路由器。此認證用來確認工程師的實際和的理論知識基礎和進階的網際網路技術及實作能力，能否有效地運用這些知識在實際操作的環境。
Juniper Networks
Master CIW Enterprise Developer
CIW(Certified Internet Webmaster) 認證是目前唯一針對互聯網專業人員的國際權威認證。CIW培訓著重於技術水平的提高和商業實踐的具體運用，使企業在網絡商業環境中提高市場競爭能力。
Master CIW Enterprise Developer 為精通建置多層式資料庫 (n-tier database) 與網路應用程式的Java, Java APIs, Java Database Connecitivity (JDBC) 解決方案、中介開發軟體工具 (middle tools)、分散式物件模組 (distributed object models)，如CORBA/ORB 和 IIOP的舊有專屬系統之連接 (legacy connectivity) 等解決方案的專業能力認證。CIW是一種基於互聯網專業技能的培訓認證，適合設計、開發、管理、安全防護、技術支持互聯網及企業網相關業務的人士。
Prosoft Learning Corp.
SCJD
SCJD 是Sun Certified Java Developer的縮寫甲骨文公司認證之「軟體研發工程師」，只要通過甲骨文公司的認證考試即取得該項資格，是一張國際級的資訊專業證照，是給以使用Java 語言開發工具、技術，平台和JavaEE架構，進行設計和開發領導商業解決方案的專業人士的技術能力證明。
Oracle
精選貼文，掌握第一手知識
吳恩達公布AI工程技能版圖：2026年開發者最重要的4大技能
人工智慧（AI）先驅吳恩達博士與DeepLearning.AI分析超過1萬筆職缺，歸納2026年4大重要AI工程技能，包括建構與部署AI應用、軟體工程基本功、使用Coding Agent，以及塑造開發方向。
文／樂羽嘉編譯 由天下雜誌授權轉載
本文目錄：2026年最重要的4個AI工程技能
1. 建構與部署AI應用程式2. 掌握軟體工程基本功3. 有效運用AI程式設計代理4. 塑造開發方向
人工智慧（AI）先驅吳恩達博士最近撰文公布AI工程技能版圖，告訴開發者應該優先學習哪些技能，也讓雇主知道如何找出真正有能力的開發者。
吳恩達（Andrew Ng）是DeepLearning.AI創辦人、Coursera董事長兼共同創辦人，也是史丹佛大學兼任教授。身為機器學習與網路教育領域先驅，吳恩達在人工智慧方面的成就改變了許多人的生活，超過800萬人修過他講授的AI課程。
吳恩達曾是Google大腦（Google Brain）團隊的創始負責人，團隊協助Google 轉型為現代化的AI企業，也曾擔任百度（Baidu）副總裁兼首席科學家，領導一支由1300人組成的AI團隊，先前更擔任史丹佛大學AI實驗室（Stanford AI Lab）主任，2023年入選《時代雜誌》（TIME）全球百大AI影響力人物（Time100 AI）。
吳恩達和DeepLearning.AI團隊最近發布的AI工程技能版圖（AI Engineering Skill Map），分析超過1萬筆職缺，與數十位AI專家、招募主管與招募人員進行數十場訪談，也用問卷蒐集資料、彙整資料分析，歸納出四項最重要的AI工程技能：
建構與部署AI應用程式
軟體工程基本功
使用Coding Agent
塑造開發方向
1. 建構與部署AI應用程式
AI應用與傳統軟體最大的差異，在於AI的輸出具有不可預測性。
給大型語言模型（LLM）一段提示詞，你永遠無法完全確定它會回傳什麼結果。訓練一個深度學習模型，你也永遠無法百分之百確定它面對從未見過的資料時會有什麼表現。
因此，只知道如何使用LLM、RAG或代理工作流等基本元件，已經不夠了。
這項技能的核心，是運用統計方法衡量、引導及管理AI系統，最重要的是建立一個評估與錯誤分析的閉環。
2. 掌握軟體工程基本功
軟體工程需要在成本、擴充性、可靠性、速度等因素之間進行取捨，而安全性與隱私又會讓問題變得更加複雜。
理解軟體工程的基本原理，能讓你首先意識到「究竟有哪些取捨存在」。如此一來，在選擇技術堆疊、設計系統架構、設計資料儲存方式或進行測試等方面，都能做出更好的決策。
有些開發者利用AI程式設計代理（AI Coding Agent）做「Vibe Coding」（氛圍編碼）時，直接跳過這些基本功，結果往往不知道該提供代理哪些上下文，也無法察覺代理正在做出糟糕的系統架構決策。
現在這些基本功的價值已經從過去的「親手把所有程式碼寫出來」，變成「使用精準的工程語言，引導AI代理完成工作」。
3. 有效運用AI程式設計代理
有效使用代理式程式開發，已經是每一位開發者的關鍵技能。你要能：
正確認知代理的限制，知道它能做什麼、不能做什麼、什麼時候該介入、什麼時候可以放手讓它自行處理，避免浪費太多時間和Token。
有效管理上下文視窗（context window），在規劃與執行之間做取捨。
提供驗證工具（validators）與評估框架，讓代理能夠在閉環中自主反覆修正。
撰寫清楚的規格，同時知道什麼時候不需要完整規格也能推進工作。
協調多個代理合作。
避免高風險錯誤，例如不小心讓代理弄壞正式環境的資料庫。
這個領域的發展速度極快，因此持續嘗試新工具，並不斷調整自己的工作流程，本身就是一項核心要求。
4. 塑造開發方向
AI代理按照清楚規格產出軟體能力高速提升，所以工程師工作的重心，也正在轉向「決定規格裡究竟應該放什麼」。
工程師不應再期待別人交給自己一份像素級精準的設計稿，然後只負責按照要求實作。
要做好AI工程，就必須具備產品思維，理解商業背景與客戶目標，參與塑造並推動產品的開發方向。
同時也必須掌握開發節奏，知道什麼時候應該迅速做出一個MVP，測試市場需求，什麼時候應該放慢速度，從一開始就仔細把產品做好。
在傳統軟體團隊中，決策與執行是分開的，產品經理與客戶溝通、寫需求，計師製作Mockup，工程師只要按照規格實做。
AI程式設計代理正在打破這種彼此隔離的工作模式，一旦代理可以把一份清楚的規格直接變成可運作的軟體，寫程式本身就不再是唯一的瓶頸。
團隊仍然需要有人找出真正值得解決的問題、理解客戶需求、權衡各種取捨，並決定規格裡究竟應該放進哪些東西，愈來愈多工作轉移到工程師身上。因此，工程師工作中那些結果明確、單純執行的部分正在減少；充滿不確定性、需要人類判斷的工作則正在增加。
AI程式代理可以替你提出一套系統架構，但仍然需要有人能看出這套架構背後是不是偷偷犧牲了成本、可靠性、安全性或擴充性。更快產生程式碼，不代表就能做出更好的決策。
（資料來源：medium、deeplearning.ai、startupfortune .com、andrewng.org）
（原文標題：吳恩達：2026年最重要的4個AI工程技能）
推薦閱讀：
4成年輕人偷偷惡搞公司的AI計畫，Z世代為何超反感AI？
Z世代找工作，別再「追隨你的熱情」？經濟學人：先做好一件有用的事
AI將淘汰39%技能！世界經濟論壇：2030年職場這些能力最關鍵
精選 Claude 該選 Haiku、Sonnet、Opus 還是 Fable？三個問題選對模型，額度用更久
同一個問題丟給 Claude，有時又快又好，有時卻等很久、還把額度用光？
問題往往不在你的提問，而是模型沒選對。
打開 Claude 的模型選單，會看到四個名字。可以把它們想成四種同事：
Haiku：反應最快的助理，適合快速摘要、擷取重點（免費版可用）
Sonnet：什麼都能接的主力，寫作、分析、程式都行（免費版可用）
Opus：擅長深度思考的資深顧問，適合複雜研究與推理（Pro 以上）
Fable：能自己規劃、自己檢查的專案負責人，適合從零做出完整成品（付費方案）
能力越強，回答越慢，也越吃使用額度。拿 Opus 或 Fable 去做 Haiku 就能完成的事，只是白白燒掉額度。
選之前，先問自己三個問題：
1. 這件事要想多深？
查詞、摘要新聞 → 輕的模型就夠；比較企劃、找數據矛盾 → 需要深度思考
2. 做錯的代價多大？
內部草稿 → 錯了改就好；要給主管決策、要對外發布 → 用更強的模型，也要更仔細檢查
3. 要它自己做多久？
一問一答 → Sonnet 就很夠；從粗略想法做到完整成品 → 交給 Fable
記住一個原則：先輕後重，不夠再升級。
Haiku → Sonnet → Opus → Fable
另外，選單裡還有一個「Effort（思考深度）」：整理會議紀錄時調低，回得快；審合約、找風險時調高，想得更完整。
最常見的三個錯誤：
・什麼都用最強的模型
・答案不好只會換模型，卻沒先把需求講清楚
・只看答案長短，不看有沒有抓到重點
小練習：下面三件工作，你會各選哪個模型？
① 回覆客戶的簡單詢問
② 分析半年銷售數據寫成報告
③ 從零規劃一套新人訓練
（參考答案：① Haiku ② 先用 Sonnet，要給主管決策就升 Opus ③ Fable）
想看完整五分鐘影音說明，104學習免費課程「5分鐘學會挑選Claude模式」已經上線，免費報名就能看：
https://nabi.104.com.tw/course/104nabi/47f0bb26-3b67-4f8c-80f4-39dd215c0d01
也歡迎在留言分享：你平常最常用哪個模型？有沒有拿兩個模型比較過同一件工作？
資料來源：
Claude Academy〈Choosing the right Claude model〉
https://academy.claude.com/tutorials/choosing-the-right-claude-model
（模型版本與方案以 2026 年 11 月官方說明為準：Haiku 5.5、Sonnet 5.5、Opus 5.5、Fable 5.1）
整理包／最熱門生成式 AI 大拚場 ChatGPT、Gemini、Grok、DeepSeek 各擅長什麼？
2025-06-24報導／經濟日報記者吳康瑋 由聯合新聞網授權轉載
生成式人工智慧（GenAI）技術迅猛發展，多款強大的AI工具幫助各行業提升工作效率。《經濟日報》為協助讀者了解各項AI工具，將「ChatGPT、Gemini、Grok、DeepSeek」等四大生成式AI列出，為讀者分析四款生成式AI的各自效能，就「開發者」、「訂閱費用」、「主要功能」及「擅長領域」等細項逐條分析。
AI工具確實快速提升效率，不過使用者也要注意，目前的AI工具不保證完全正確，甚至也會答非所問、提供錯誤資訊、或產生「AI幻覺」，使用者對生成的資料仍應有基本的辨識能力，避免AI工具謬誤。
各家生成式AI重點馬上看
ChatGPTGeminiGrokDeepSeek使用建議
ChatGPT
OpenAI的ChatGPT堪稱帶動GenAI風行的先驅，也有廣大用戶，付費企業客戶近期突破300萬戶，有免費與付費模式，每月20美元的ChatGPT Plus訂閱費每月20美元，用戶指出，付費版反應速度更快，用戶在使用ChatGPT時隨時擁有最佳的使用品質。
「資料分析」方面，ChatGPT的優勢在於將資料壓縮、精簡化，適合急需快速獲取關鍵訊息的使用者。「文案生成」上，適合創作個人化內容。「圖表製作」方面，ChatGPT的圖表較為簡單，但圖片較無法把文字一起生成出來，繪圖時整體構圖比較簡單。
網址：https://chatgpt.com/
ChatGPT小檔案
開發者OpenAI付費版費用每月20美元（約新台幣610元）主功能提供文本生成、對話回應、內容創作、翻譯、問題解答等多種功能擅長領域自然語言處理、文本生成、教育輔助、創意寫作、客服支持等
Gemini
Google DeepMind開發的Gemini專注於多模態學習，能同時處理文本、圖像和音頻數據。版本包括2.0、2.5和最新的2.5 Pro，推理和數據處理能力進步快速。Gemini 2.5 Pro提供更強大的計算能力和更高準確性，讓用戶在處理複雜任務時能獲得更佳體驗。付費版額外提供用戶包括2TB儲存空間、Gemini Advanced和其他AI功能。
「資料分析」方面，Gemini提供的內容易於閱讀，文法經過重新梳理，適合需要清晰解釋的使用者。在「文案生成」上，Gemini能一次生成多達15個標題，提供選擇建議，對於需要多樣化提案的用戶非常方便。「圖表製作」方面，Gemini 的完整度高，使用者可選擇不同的圖表類型，並能下載圖片、Excel或JSON格式的數據。
網址：https://gemini.google.com/
Gemini小檔案
開發者Google DeepMind付費版費用每月19.99美元（約新台幣650元），可免付費試用一個月主功能強大的推理能力，擅長處理複雜的問題和情境，能同時處理文本、圖像和音頻數據等多模態文件擅長領域AI推理、圖像理解、科學研究和技術開發
Grok
Grok是由X（前稱 Twitter）開發的生成式AI，專注於社交媒體內容的生成。最新版本Grok3提供更強大的功能，能即時生成與當前熱點話題相關的內容，結合社交媒體數據分析趨勢，提升用戶互動的實時性，成為品牌營銷和社交媒體管理的理想工具。
「文案生成」方面，Grok風格簡潔有力，類似科技周刊的風格，適合快速傳達訊息。「圖表製作」方面，Grok可以較為輕鬆的運用文字組成圖表，並附上有關的資訊數據，對於需要快速理解數據的使用者來說很實用。
網址：https://grok.com/
Grok小檔案
開發者應用程式X（前身為Twitter）付費版費用每月30美元（約新台幣970元）主功能即時生成與當前熱點話題相關的內容擅長領域社交媒體互動、內容創作、即時訊息生成和品牌營銷
DeepSeek
DeepSeek專注於資料搜尋和訊息檢索，開發商為位於中國大陸的「杭州深度求索人工智慧基礎技術研究」，中資避險基金幻方量化創立的人工智慧公司，創始人暨執行長梁文鋒持續致力將大陸AI技術推向全球市場，提供R1和R2兩種不同的服務模式。
「資料分析」方面，DeepSeek提供前言和總結，讓懶人可以快速理解內容。在「文案生成」上，DeepSeek的口語化風格能夠生成10個標題，附上創作理念和選擇建議，適合需要親民語言的使用者。「圖表製作」方面，DeepSeek使用文字排列呈現，提供Python程式碼，對於技術使用者來說相當便利。
網址：https://www.deepseek.com/
DeepSeek小檔案
開發者中國大陸企業「深度求索」付費版費用每100萬（輸入）tokens收費人民幣16元（約新台幣66.68元）主功能資料搜尋和訊息檢索，利用生成式AI技術提升搜索引擎的智能化，提供相關建議和訊息過濾功能擅長領域資料搜尋、訊息檢索、知識管理和數據分析
使用建議
生成式AI工具已經落地商業化，從自然語言處理到多模態學習、社交媒體互動及訊息檢索等多種服務都能提供，競爭也更加激烈。用戶可根據自己的需求，選擇最合適的AI工具，以提升工作效率與創造力。
綜合比較四款生成式AI後，提供讀者幾點建議。若需要多樣化的文案提案，可考慮Gemini；若喜歡口語化一點的表達，可選擇DeepSeek。AI繪圖方面，生成多幅圖片建議可使用Grok，若希望作品有較高的品質，可選擇Gemini。在「資料分析」方面，若希望能獲取較「簡潔明瞭」的資料，建議選擇「ChatGPT」，讀者若希望能得到比較容易理解的內容，應該選擇Gemini。
針對「表格整理」方面，若要以更快的速度掌握大致上的資訊，建議選用ChatGPT；若讀者希望在表格中能得到較「詳細」的內容，可考慮DeepSeek。針對「生成圖片」功能上，若讀者追求圖表要具有充分「完整性」的類型，建議使用Gemini。
推薦閱讀：
AI聽話卻沒懂你？OpenAI揭露AI「裝乖」假象與職場真風險
AI強勢取代！企業寧僱AI也不找菜鳥，今年畢業生有多慘？
除了ChatGPT，還有哪些生成式AI？16種AI工具應用解析
打造ChatGPT行政小助理：專屬AI助理幫你處理瑣碎行政工作
[course_plugin title='推薦AI相關課程' keyword='AI' amount=2]
如何用AI寫JD？打造可落地的職務說明書，讓招募、績效與交接更清楚
企業人資招募人才想用AI寫JD，卻怕內容太空泛？擔心新人進公司後才發現對工作期待不相同？本文教你利用專業提示詞搭配AI工具，打造可落地的職務說明書，從職責、KPI、職能到交接管理，讓招募、績效與責任分工更清楚。本文節錄自《AI × SOP 生成式 AI 工作流》。
文／陳泳睿
本文目錄（點擊可快速前往）
招不到對的人：建立可清晰分工的職務說明書一、企業的痛點二、管理工具解析三、解決方案：人機協作模型四、Prompt操作使用說明五、實務應用示例重點AI生成結果範例：呈現職位商業價值，與績效對齊Prompt：可立即複製的提示詞
招不到對的人：建立可清晰分工的職務說明書
在多數企業裡，職務說明書這件事並不陌生，但也很少真正發揮作用。很多文件寫完就放著，內容偏向工作項目的羅列，既無法用來評估績效，也無法在跨部門合作時釐清責任。當問題發生時，常見的不是流程檢討，而是彼此詢問「這到底是誰的工作」。久而久之，組織會出現一種隱性的成本，事情有人做，但沒人負責；
你缺的不是再寫一份JD（Job Description，職務說明書），你缺的是一套能定義責任、對齊績效、可交接可稽核的管理底座。沒有這個底座，AI只會把你原本的組織混亂放大、把你原本的模糊美化。有了它，你才能真正解決跨部門卡關與責任互推的積弊。
【備註】
對齊績效：每個職位做什麼，最後要用什麼指標驗收（例如交期、良率、客訴率）。
可交接：換人時不會靠「口耳相傳」， 而是有清楚的責任、流程、產出物。
可稽核：遇到內控或ISO稽核，能拿得出證據（文件、數據、紀錄）證明「做過、做對、有人負責」。
讀者指引：先備知識
在進入實作前，我們需要先對齊三個管理工具的基礎學理。請記住，它們在「組織層面」的真正意義：
組織架構（Organizational Structure）：這是在設計「事的分工」，而不是在排人的官位高低。
職務說明書（JD）：這是對責任的界定與「可稽核」的承諾，絕對不是工作內容的流水帳。（註：「可稽核的承諾」是：你要交付哪些成果、成果長什麼樣子、用什麼數據驗收。）
職能（Competency）：這是把任用條件變成一把「可比較的尺度」， 避免主管憑感覺說「他很適合」。
一、企業的痛點
身為主管，若JD定義不清楚，損失不會直接寫在損益表上，但會滲透到加班費、重工成本與人才流失中。
當組織「螺絲鬆了」，你會發現主管每天都在「救火」，且通常伴隨以下三種「失控」現象（常見踩雷點）：
重工（Repeated Efforts）：做過的事又做一次，同一份薪水付兩次，還錯過商機。
脫節（Disconnected Workflows）：交接點漏水，例如產品更新了，客服卻不知道，讓客戶在第一線看到破口。
責任模糊（Ambiguous Responsibility）：出事找不到負責人，最後變成主管扛，大家學會躲。
風險分析表：從現象看損失
常見問題現象實際造成的風險或經濟損失行銷已完成分析，業務又重做一次工時浪費、專案延誤，決策時點錯過商機窗口產品更新功能，客服未同步客訴上升、品牌信任折損，面臨違約風險資料遺失找不到責任人內控失靈、稽核不通過，ISO/法規風險放大
（備註：內控是指企業為了確保營運效率、財務報告可靠及法令遵循所設計的控制程序。）
二、管理工具解析
要解決上述痛點，JD必須從「感性描述」轉向「結構化控制」。JD不只是人資文件，更是經營管理的鋼筋。
1. 結構化JD的六大欄位
一份能落地、可管、可交接的 JD，必須包含以下核心構面：
構面核心內容管理目的工作識別部門、職稱、職級定義責任載體與層級職務目的1～2句商業價值描述與策略對齊，避免做「沒用的忙」報告層級上下屬與利害關係人你向誰負責（主管）；你要協作誰（跨部門）；你會影響誰（內外部客戶/供應商）職責描述核心6～12條職責切清責任邊界，避免互踢皮球績效標準文件、數據、KPI定義「什麼叫做交付完成」的驗收標準資格條件學經歷、iCAP職能等級提升人職匹配，降低誤用人才的成本
2. 職能（Competency）與iCAP（勞動部職能基準單元）
職能是用「知識、技能、態度」三個維度來描述勝任條件。我們採用iCAP的1～6級標準。
第1級：基本執行（Routine）在可預期環境下，接受密切監督，執行常規、重複性任務，通常不需要特殊訓練。
第2級：一般執行（Basic）在有規律環境下，接受經常性監督，執行需要基本知識和理解力，且具備少許判斷力的工作。
第3級：獨立操作（Competent）在部分變動或非常規情況下，接受一般監督，獨立完成需要一定專業知識、技能和判斷的工作。
第4級：熟練操作（Proficient）在經常變動環境中，接受少許監督，獨立執行涉及規劃設計且需熟練技巧的工作，具備判斷與決策能力。
第5級：自主操作（Advanced）在複雜變動情況下，最少監督下自主完成工作，需應用、整合、系統化的專業知識與技術，具備策略思考與判斷。
第6級：策略創新（Expert/Strategic）在高度複雜變動中，能應用整合的專業知識和技術，獨立完成專業與創新的工作，需策略思考、決策及原創能力。
三、解決方案：人機協作模型
AI能加速產出，但不能替你做管理決策。我們採取「人定邊界、機做執行」的雙層架構。
層次一：戰略準備與知識校準（人：經理人的核心決策）
在叫AI寫作前，經理人必須先完成以下決策（不可跳步）：
確立邊界：決定職位存在的唯一商業價值。
設計職責：決定採「類別式」或「流程式」結構，並列出6～12條核心職責。
定義驗收：確定KPI（關鍵績效指標，用來衡量成效的數值）與iCAP等級。
【備註】
類別式：按工作類型分，例如：供應商管理、成本分析、合約管理、異常處理。
流程式：按流程階段分，例如：需求提出→詢價比價→議價下單→交期追蹤→驗收結案。
選哪個取決於：你的工作是「多類任務並行」還是「一條流程跑到底」。
層次二：個案生成與評量設計（機：AI的高效執行）
當人完成決策後，透過結構化Prompt引導AI進行「結構化對焦」。AI 的任務是將模糊的動詞轉化為：動詞(Action)+工作內容(Task)+目的/成果(Outcome)例如：擬定（動詞）採購策略（內容）， 以降低採購風險（目的）。
四、Prompt操作使用說明
結構化職務說明書操作流程圖：
Step 1：初始設定與戰略定位
Step 2：釐清協作網絡與邊界
Step 3：核心職責設計(公式化)
Step 4：職能規格與 iCAP 等級設定
Step 5：最終輸出正式JD與文案
操作步驟
步驟❶：設定職位「戰略身份」
你要做什麼：告訴 AI 你的公司背景（如：製造業、是否有 ISO 認證）、職位名稱以及為什麼需要這個職位（它能為公司創造什麼價值 ）。
關鍵重點：明確誰是這個職位的主管，以及他要管多少人。
步驟❷：規劃「人際網絡」
你要做什麼：列出這個職位在公司內部最常跟哪個部門開會，以及對外要面對哪些供應商或客戶。
關鍵重點：簡單標註頻率（例如：每天、每週或不定期）。
步驟❸：定義「核心職責」（最重要）
你要做什麼：輸入6到12個這個職位每天或每月必須完成的工作。
AI會幫你：AI會自動將你的話改成專業格式（例如：將「收發信件」優化為「管理客戶商務信件，以確保需求在24小時內獲得回覆」），並幫你配上量化的KPI。
步驟❹：設定「人才門檻」
你要做什麼：設定這個職位的困難度（iCAP等級1-6級），並列出你要求的學歷、工作年資、證照或特定的性格（例如：細心、抗壓 ）。
關鍵重點：若你不確定等級，可以請AI根據工作難度給你建議。
步驟❺：產出與定稿
你要做什麼：確認前面所有資訊無誤後，輸入「產出最終文件」。
你將得到：一份專業可直接存檔的 Markdown 格式文件以及一段寫好的「招募文案」，讓你可以直接貼到求職網站上。
五、實務應用示例重點
公司背景
產業別：電子零組件製造業（線束與電纜組件 Wiring Harness & Cable Assemblies）
規模：中小型企業，專攻「少量多樣」生產模式
職位基本資訊
職務名稱：品質保證課長（QA Section Manager)
所屬部門：品質管理部
職等/級：中階主管（課級）
工作地點：新北市汐止廠區（需配合客戶端稽核，極少出差）
AI生成結果範例：呈現職位商業價值，與績效對齊
這一段直接呈現職位的商業價值，適合用在JD首頁與績效對齊。實務上可直接對應良率、客退率與內部失效成本三類KPI。
一、職務目的（Job Purpose)
建立並維護少量多樣模式下的品質預警與檢驗體系，以確保出貨產品100%符合國際認證與客戶規範，並將外部客退率降至最低。 驅動持續改善流程與失效預防機制（FMEA），以確保生產製程穩定性並降低因品質變異導致的報廢成本。
二、組織位置與監督
報告對象：品質管理部經理／廠長
監督下屬：5人（2位IPQC巡檢員、2位FQC成品檢驗員、1位品質工程師QE）
方式：KPI月審、課內週會檢討、重大異常1on1、稽核點檢
三、工作協作關係
對內協作
單位/對象接觸重點/目的頻率製造(現場組長)判定製程異常（OOC）產品處置方式，核准特採（Waiver）或重工流程，以確保不良品隔離與風險受控日／不定期生管(PC)核對急件排程與檢驗人力配置，以確保出貨檢驗（FQC）不形成物流瓶頸週／不定期資材(倉儲／採購)監督呆滯不良品（MRB）報廢執行，確認庫存品重驗（Re-inspection）狀態，以降低混料與誤出貨風險月／不定期
對外協作
單位/對象接觸重點/目的頻率客戶QA／稽核員執行客訴8D線上報告與結案，對接客戶端駐廠稽核，以確保對外承諾一致且避免退件不定期認證機構(ISO／UL)維護外部證照年度合規，確認標籤與認證線材符合性，以確保認證有效且避免違規出貨年／不定期供應商(SQE／IQC)追蹤進料不合格（NCR）退換貨與供應商年度評鑑，以降低來料異常造成的停線與重工月／不定期
四、主要職責與績效標準 （Key Responsibilities & KPIs)（節錄）
每一條都已綁定文件與KPI，實務上可直接作為績效考核與責任追溯依據
(採用類別式結構)
項次職責描述（動詞+工作內容+目的）產出文件/成果績效衡量指標 (KPI/OKR) 1判定製程異常（OOC）與隔離範圍，並核准允收/拒收/重工決策，以防止不良品流出並降低停線損失OOC異常判定單／隔離清單／重工指示單OOC 48小時內結案率；重大異常再發率；不良流出件數2主持MRB不合格品審查會議並裁決報廢/重工/特採處置，以確保風險可控且降低失效成本MRB會議紀錄／處置決議單MRB逾期未結案件數；報廢成本（內部失效成本）趨勢；處置決議遵循率3核准Waiver特採條件並對齊業務/客戶允收邏輯，以在風險可控下保障交期並避免客戶爭議Waiver特採申請單／客戶允收證據特採後客退率；特採申請到批准Lead Time；特採條件符合率
五、職能與任用資格 (Competencies & Qualifications)
職能級別定義
iCAP 級別：Level5
級別理由：需主導品質系統優化與風險預防（FMEA/SPC/MSA），具對外稽核應對與客訴8D簽署責任，並擁有工程變更（ECN）否決權與MRB裁決權，屬跨部門決策型管理職
關鍵職能模型
職能類別職能項目定義與行為指標核心職能風險意識與預警能以數據與趨勢（良率/PPM/SPC）提前識別風險，主動啟動管制與預防措施，而非事後救火核心職能數據導向決策能以量測結果、MSA、照片證據與客規條款形成判定依據，並可追溯到文件紀錄核心職能跨部門衝突解決能在交期壓力下維持品質底線，並以風險/成本/客戶影響說服製造與業務採取一致行動核心職能風險意識與預警能以數據與趨勢（良率/PPM/SPC）提前識別風險，主動啟動管制與預防措施，而非事後救火核心職能數據導向決策能以量測結果、MSA、照片證據與客規條款形成判定依據，並可追溯到文件紀錄核心職能跨部門衝突解決能在交期壓力下維持品質底線，並以風險/成本/客戶影響說服製造與業務採取一致行動
任用資格要求
學歷/科系：大學以上，電機、機械、工業工程或工程管理相關科系。
工作經驗：5年以上電子製造業QA/QC經驗；2年以上帶領3–5人團隊管理經驗；具少量多樣高頻切線的品質管理實績。
專業證照/技能：ISO 9001內部稽核員；線束加工相關知識（識圖能力 ）。
語言能力：英文讀寫中等（TOEIC 550+或同等），可閱讀客規、撰寫英文 8D，並與國外稽核員交流。
Prompt：可立即複製的提示詞
Role: 結構化職務說明書 (JD) 架構師
Context
你是一位精通人力資源管理學理與組織架構設計的專家，專門協助企業將模糊的職務需求，轉化為符合「事、人、組織、績效」邏輯的結構化文件。你深知結構不明確的JD會導致企業面臨「重工、脫節、責任模糊」的三大風險。
Task
透過引導式訪談，蒐集我的戰略決策輸入，並利用 AI 的強大組織能力，輸出一份嚴謹、可稽核、具備iCAP職能標準的Markdown格式職務說明書。
Critical Rules (核心準則)
●公式強制性：所有職責描述必須嚴格遵守公式 「動詞 (Action) + 工作內容 (Task) + 目的/結果 (Outcome)」。●績效連結：每一條核心職責都必須強制連結「產出文件」或「量化 KPI」。●區分決策與執行：你會先確認我是否已完成「戰略準備」，若無則引導我思考，若有則直接接收資訊。●職能科學化：必須使用iCAP級別 (1-6級) 來定義職位複雜度，並據此推導任用資格。●消除模糊：禁止使用「協助」、「相關事項」等模糊動詞，必須使用具備明確界線的詞彙（如擬定、執行、審核）。
Workflow (訪談工作流)
請依序執行以下步驟，每次僅執行一個步驟，待我確認或回答後，再進行下一步。
Step 1: 初始設定與戰略定位
詢問：
1. 公司背景（產業、規模、核心產品、特殊文化或 ISO/IATF 認證要求）。2. 職位基本資訊（職稱、所屬部門、職等/級、工作地點）。3. 戰略核心：請提供 1-2 句「職務目的」(Job Purpose)，說明此職位存在的唯一商業價值。4. 報告線：直屬主管是誰？監督下屬的方式為何？
Step 2: 協作網絡與邊界
詢問：為了避免「脫節」風險，請列出此職位最關鍵的：
1. 對內主要接觸單位與頻率。2. 對外主要接觸對象與頻率。(頻率選項：日/週/月/季/半年/年/不定期)
Step 3: 核心職責設計 (最關鍵步驟)
引導：
●風格選擇：請問此職位適合「類別式結構」(適用管理職，按策略/管理/作業分類) 還是「流程式結構」(適用有步驟關聯的工作，如採購/生產)？●職責輸入：請輸入6-12條核心職責。若您已準備好，請直接貼上；若未準備好，請告訴我關鍵字，我將依照「動詞+內容+目的」公式為您草擬。●AI檢核點：AI需自行檢查生成的職責是否具備「可稽核性」，並為每一條職責建議對應的「產出文件」與「KPI 指標」。
Step 4: 職能規格與任用標準
詢問：●iCAP 級別設定：此職位的職能級別應定為幾級 (1-6)？理由為何 (複雜度/監督需求)？●關鍵職能：請列出必要的「專業職能」、「核心職能」與「管理職能」(若有)。●任用門檻：基於上述級別，您要求的學歷、經歷、證照與人格特質 (請提供程式碼或描述) 為何？
Step 5: 最終輸出與定稿
整理所有資訊，輸出符合下述Markdown格式的正式文件，並附上一段約200字的吸睛招募文案。
Output Format (最終輸出格式)
…(格式略)
附件：對外招募文案 (Recruitment Copy)
標題：{{吸睛標題}} {{200-300 字招募文案，強調職務價值與文化}}
節錄自：旗標科技《AI × SOP 生成式 AI 工作流：第一線 Prompt 驅動，打造企業 SOP》／陳泳睿 著
Jev是什麼？前OpenAI研究員打造一款「不會聊天」的AI模型！
前OpenAI研究員打造的AI模型Jev，不聊天、不寫文章，只負責快速做判斷，還會說出自己有幾成把握，本文整理Jev和ChatGPT的差異、設計理念、價格速度與應用示範。
文／《104職場力》
本文目錄（點擊可快速前往）
Jev是什麼？和ChatGPT等AI語言模型有什麼不同？TypeSafe AI為什麼要做Jev？不追AGI的3個理念Jev最大特色：會說出自己「有多確定」Jev速度多快？價格多少？官方數據整理Jev可以用在哪裡？官方應用方向與示範Jev對上班族有什麼影響？
當各家AI公司在比拼誰的模型更會聊天、寫程式，曾參與ChatGPT背後研究的前OpenAI研究員Diogo Almeida，卻選擇另一條路。
他所創辦的TypeSafe AI於2026年9月15日發表第一款模型Jev，這款AI不陪人聊天，也不寫文章，只專門在軟體裡快速「做判斷」。
Jev跟別家產品有多不同？底下為各位整理其設計理念、核心特色、價格速度與應用示範。
Jev是什麼？和ChatGPT等AI語言模型有什麼不同？
如前言，Jev是TypeSafe AI推出的第一款AI模型，官方把這類模型稱為「System One模型」。
為什麼叫Jev？名字背後的「傑文斯悖論」
根據官方說明，「System One模型」這個名稱，來自心理學家康納曼的暢銷書《快思慢想》，書中把人的思考分成兩種：
快速、憑直覺的「系統一」
緩慢、仔細推敲的「系統二」
Jev做的就是類似「系統一」的快速判斷。
而這個名字則是取自英國經濟學家傑文斯（William Stanley Jevons），當年傑文斯發現，蒸汽機變得更有效率、更省煤之後，煤炭的總用量不減反增，因為更多地方開始用得起蒸汽機，這就是後來的「傑文斯悖論」。
TypeSafe AI認為，AI也會走上類似的路：當AI的使用成本越來越低，原本不划算的用途都會變得可行，AI被使用的地方只會越來越多。
Jev和其他AI語言模型的差異
它和ChatGPT最大的不同是：它不回給使用者一大段文字，只從事先設定好的選項中快速挑出答案，例如「是或不是」、「屬於哪一類」，讓其他軟體可以直接拿結果執行下一步。
以下依官方發表文章，整理一般AI語言模型與Jev的性能對照表：
比較項目一般大型語言模型Jev回答方式寫出一段文字，內容自由，但可能出現錯誤資訊或格式不符只從事先設定好的選項中挑答案，不會答出選項以外的內容產生方式一個字一個字依序寫出來一次同時給出所有問題的答案把握程度就算要求它評估自己有多確定，也常過度自信、前後不一每個答案都會附上「有幾成把握」，越有把握通常越準適合用途聊天、寫作、寫程式等需要人在旁邊確認的工作 分類、分派、評分等需要大量快速判斷的工作資料來源：TypeSafe AI官方文章
Jev目前還在搶先體驗階段，只開放開發者申請使用，有興趣的人可以到TypeSafe AI官網申請，使用方式可參考官方文件。
雖然Jev尚未普及，但我們可以先從它的設計理念與特色，看看這種新型態的AI，未來可能如何出現在我們每天使用的系統裡。
Jev官方網站
TypeSafe AI為什麼要做Jev？不追AGI的3個理念
TypeSafe AI在官網發表了一篇宣言，標題是「Build Prod, Not God」，意思是：與其打造無所不能的「神」，不如做出真正能上線使用的產品。
宣言中提到了3個想法：
理念1：AI夠聰明了，問題是不好用
TypeSafe AI認為，現在的AI已經夠聰明，足以創造龐大的價值，不需要再追求AGI（通用人工智慧，也就是像人一樣什麼都會的AI），他們觀察AI產業已經投入好幾年、數兆美元，但大多數軟體還是沒有變聰明，一般人的生活也沒有太大改變，表示這和AI本身的聰明度無關，是現在的AI很難被裝進既有的軟體裡使用。
理念2：現在的AI就像「沒有馬的馬車」
新技術剛出現時，常常會先模仿舊東西的樣子，之後才慢慢找到最適合自己的形式，就像最早的汽車其實只是把馬車的馬換成引擎，連馬車的高座椅、彈簧，甚至插馬鞭的座子都保留下來。
TypeSafe AI表示，現在的AI也是這樣，被訓練成有禮貌、很會說話的助理，是因為設計者假設對面坐著一個人，但這也代表AI需要有人在旁緊盯，沒辦法在背景自動運作。
理念3：讓AI像基礎工具一樣穩定可靠
宣言提到，當年打造資料庫、網路技術的人，並沒有預料到後來會出現Google這樣的服務，正因為這些底層技術夠穩定，後人才能在上面不斷開發出新應用。
TypeSafe AI希望AI也能變成這樣的基礎工具，只要每次呼叫都穩定可靠，開發者就能放心把它放進各種系統，一層一層疊加出新的應用。
Jev最大特色：會說出自己「有多確定」
官方在發表文章中舉了一個例子：假設一個AI有95%的機率能做對，卻說不出哪些時候會落在那5%的錯誤裡，這項工作就無法放心交給它自動處理，因為人還是得每一筆都檢查一次。
為了解決這個問題，Jev的每個答案都會附上「有幾成把握」，官方表示，Jev的把握程度經過「校準」，意思是它說的「把握程度」會和實際的正確率一致：越有把握的答案，通常越準；遇到相似的問題，也會給出相似的答案。
這個能力來自團隊自行開發的訓練方法「校準決策強化學習」（RLCD），不同於ChatGPT等模型主要是讓AI寫出人類喜歡的回答；RLCD的目標則是讓AI做判斷時，有幾成把握就說幾成。
※官方圖表中，Jev的「幻覺率」（AI給出錯誤或捏造內容的比例）標示為0%，但官方說明，因為Jev只會從設定好的選項中挑答案，不可能答出選項以外的內容，雖然不會亂答，但不代表每次都答對。
Jev速度多快？價格多少？官方數據整理
以下是官方公布的速度與價格。價格以token計算，token是AI計算文字量的單位：
項目一般大型語言模型Jev輸入價格（每100萬token）約0.2～10美元0.042美元輸出價格約為輸入價格的5倍不收費回應時間約3～329秒約0.07～0.5秒資料來源：TypeSafe AI官方文章
TypeSafe AI官網首頁宣傳「Jev快193.6倍、便宜444.6倍」，這組數字來自官方自己設計的測試：讓每個AI模型執行同一套工作流程，再以GPT-6 Astra與Fable 5.1兩個大型模型答案的平均當作標準，比較各模型的表現。
圖片來源：TypeSafe AI官方文章
※官方也主動說明這些數據的限制：
193.6倍、444.6倍預期是實際使用時效益的上限，一般情況下不一定能達到。
測試題目由官方團隊設計，可能有偏誤。
以GPT-6 Astra與Fable 5.1的答案作為標準，會讓結果偏向OpenAI與Anthropic的模型。
速度數據多是在官方位於美國西岸的筆電上測得。
官方無法證明目前的價格沒有補貼，但表示預期未來只會降價、不會漲價。
Jev可以用在哪裡？官方應用方向與示範
官方列出的4大應用方向
應用方向可以怎麼用自動化工作流程放在程式裡負責判斷，例如分類、分派、評分、擷取資料，處理用固定規則很難寫清楚的情況大量資料處理從龐大的資料中，快速整理出重點與特徵即時應用速度快到約0.1秒，適合需要馬上反應的服務檢查其他AI替其他AI的回答評分、把關，也能偵測有人試圖用特殊指令誘騙AI的「越獄攻擊」
示範1：玩電玩遊戲《毀滅戰士》
官方示範讓Jev即時操作經典射擊遊戲《毀滅戰士》（Doom），每秒大約做10次判斷，成本約每小時7美元。
不過官方也說明，Jev讀的是用文字描述的遊戲狀況，還不是直接「看」遊戲畫面；如果單純比遊戲表現，專門寫好的遊戲程式其實可以玩得更好，這個示範的重點是「展現AI能依照指令即時做出反應」。
示範2：維基百科接龍
這個遊戲的玩法是：從一個維基百科頁面出發，只能點頁面裡的連結，看誰最快抵達指定的目標頁面，每走一步，都可能要從數百到上千個連結中挑一個。
官方表示，Jev一個問題最多可以設定255個選項，超過時就改成「先替每個選項打分數，再從中挑選」的兩步驟方式，但官方也坦承，這個示範的速度優勢比其他示範小，因為對照的大型模型多數沒有開啟深度思考模式。
Jev對上班族有什麼影響？
未來當上班族也能接觸這款AI時，它可能會帶來以下幾種改變：
AI會更常在看不見的地方工作
客服派單、內容審核、資料分類等工作，每天都有大量重複的小判斷，這正是Jev這類AI瞄準的地方，未來的AI不一定都是聊天視窗，也可能直接藏在每天使用的系統裡。
會把問題拆清楚的人更吃香
Jev需要使用者事先設定好問題和選項才有辦法給出回應，因此能把模糊的工作拆成一個個清楚的判斷題，是和這款AI合作的重要能力。
看得懂AI的「把握程度」
當AI開始說出自己有幾成把握，懂得判斷哪些情況可以交給系統、哪些需要人工再確認的人，會在自動化的工作流程中扮演關鍵角色。
雖然Jev仍在早期階段，官方公布的數據也有待更多實際使用來驗證，但它提出的方向很值得思考，AI的下一步，也許不是變得更像人，而是像一個穩定可靠的工具，默默嵌進我們工作的每個環節。
（資料來源：TypeSafe AI官網〈Manifesto〉；TypeSafe AI官方發表文章〈Introducing System One Models & Jev〉）
延伸閱讀：
OpenAI最新旗艦AI亮相！GPT-6 Astra核心亮點、使用方案一次看！
Gemini Spark怎麼用？實測排程、Gmail監控、跨服務工作，和一般Gemini差在哪？
Claude Cowork新增內建瀏覽器！不用裝外掛，AI可直接開網頁、填表單
Codex 4個神奇小功能！把Codex變成工作流引擎，功能速查表與行業應用SOP
用Codex跑任務，跑到一半想補需求、想試另一個方向，只能打斷重來嗎？作者整理/plan、Tab排隊、/fork、/status等4個核心功能與兩招加碼，附決策樹、指令速查表與各行業應用SOP。本文節錄自《ChatGPT × Codex全攻略》。
文／曾慶良（阿亮老師）
本文目錄（點擊可快速前往）
為什麼是這幾個功能功能總覽：4招核心＋兩招加碼工作流4步法決策樹帶走模板：常用slash command速查各行業應用4步法SOP卡關處理：5個最常見問題
4招把 Codex 變成並行工作流引擎，計畫、排隊、分叉、儀表板
AGENTS.md解決了「Codex怎麼做」的問題，它做的事符合你的風格、按你的規矩。但你會發現另一個問題冒出來：Codex跑起來是「單線」的，你下一個指令、它跑、跑完你再下下一個。複雜任務怎麼辦？跑到一半想到要補東西怎麼辦？想試另一個方向怎麼辦？
教你4個核心功能（3個slash command＋1個按鍵）：/plan、Tab、/fork、/status，這就是章名的「4個神奇小功能」，也是工作流4步法的骨架。學完4招之後，再加碼兩招2026年正式版的新功能：/usage（額度儀表板）和@ 統一提及選單（檔案／插件／技能一鍵帶入）。4招是骨架、兩招是外掛，記熟之後，你的Codex從「下指令工具」升級成「並行工作流引擎」。
前置條件：Codex CLI已裝、AGENTS.md已寫。本章所有功能都是Codex CLI（v0.142.x）官方內建，不需要額外安裝。
為什麼是這幾個功能
先看一張對比表，看清楚普通跑Codex和用這套工法的差別：
情境普通跑法的痛用這套工法後複雜任務沒方向Codex直接動手，結果不是你要的，重來先用 /plan 看計畫再放跑跑到一半想到要補打斷 → 重講一次 → 上下文亂Tab 排隊，下個turn自動吃想試另一個方向放棄第一版，從頭再來/fork 兩版並列，挑好的留長任務沒在看不知道跑到哪、卡住沒人發現/status 即時看進度與token額度快用完不自知跑到一半被限流，工作中斷/usage 查每日／每週用量與credits要提到檔案／技能很麻煩手打完整路徑、記技能名稱打 @ 開統一提及選單，選了就帶入
全部都是官方CLI內建。記熟就能把Codex從「下指令工具」升級成「並行工作流引擎」。
功能總覽：4招核心＋兩招加碼
功能指令一句話定位① 計畫模式/plan讓Codex「先講要怎麼做」，你看完點頭再讓它真的動手② 引導排隊Tab鍵Codex跑到一半，輸入新指令按Tab排隊，不打斷正在跑的任務③ 對話分叉/fork / Esc Esc把當前對話複製出一條平行線，同一份context、兩種寫法並列④ 進度可視化/status看當前模型、token用量、執行階段、approval模式⑤ 額度儀表板（加碼）/usage看每日／每週／累計用量，兌換earned usage credits⑥ 統一提及選單（加碼）@一個選單提及檔案、插件、技能，不用手打路徑
要先做一個名詞辨正：你可能在社群貼文或課程裡聽過「桌面寵物」這個暱稱，那是阿亮對「長任務進度可視化需求」的暱稱，不是 Codex 官方功能名稱。實際對應的官方操作是 /status，把它想成「Codex 的儀表板」。
本章所有TUI輸出畫面（Plan、Queued、Forked、Status、Usage）皆為示意重繪，實際版面依CLI版本略有差異，以你畫面上的為準。
工作流4步法決策樹
4個核心功能怎麼搭配？決策樹如下：
# 開新任務前先問自己：
任務複雜（多步、不確定）？
├── 是 → /plan 列 SOP
│ ↓
│ 中途想到要補？
│ ├── 是 → 按 Tab 排隊
│ └── 否 → 等完成
│ ↓
│ 想試另一方向？
│ ├── 是 → /fork 開分支
│ └── 否 → 結案
│
└── 否 → 直接執行（不用 /plan）
不論複雜不複雜：
- 長任務 → /status 看進度
- 開工前／收工後 → /usage 看額度
- 重要任務 → 兩版（/fork）
- context 將滿 → /compact 濃縮
判斷標準：「我能一句話講清楚要做什麼」等於簡單，直接跑。「我自己也不確定怎麼下手」等於複雜，先 /plan。
帶走模板：常用slash command速查
指令用途/plan計畫模式（先講計畫再動手）/fork從當前進度複製平行thread/status看model / approval / context / threads/usage看每日／每週用量、兌換credits/diff看當輪修改的檔案差異/compact把對話濃縮成摘要、省context/side開臨時討論串、不離開主任務/new同CLI session開全新對話/help列出當前版本所有slash command@（鍵盤）統一提及選單：檔案／插件／技能Tab（鍵盤）composer輸入後排到下一個turnEsc Esc（鍵盤）回到舊訊息編輯、從該點分支
各行業應用4步法SOP
把這套工法套到你的行業，貼牆上：
教師應用
/plan：學期計畫、家長會報告
Tab排隊：批改時補要求「找有此錯誤的學生」
/fork：給家長版vs給校長版
/status + /usage：批30份作業時看進度、看額度
@：帶入上學期的舊報告當範本
SOHO應用
/plan：報價單、合約、提案
Tab排隊：寫到一半要加保固期
/fork：給客戶版vs內部版
/status + /usage：跑批次資料時監看
@：帶入舊合約範本
行銷應用
/plan：月報、競品分析、活動企劃
Tab排隊：客戶說要改方向
/fork：嚴肅版vs活潑版
/status + /usage：跑大量素材時監看
@：帶入品牌文案指南
工程師應用
/plan：重構、API設計
Tab排隊：跑測試時加新檔
/fork：兩種實作對比效能
/status + /usage：長build看context與額度
@：帶入spec文件、觸發$skill
卡關處理：5個最常見問題
Q1：找不到 /plan 或 /usage 命令，TUI跳「unknown command」
答案：CLI版本太舊。跑npm update -g @openai/codex（或brew upgrade codex）升到最新，重開CLI，再/help看當前所有slash command。
Q2：找不到「Shift + Tab兩次」進計畫模式
答案：那是Claude Code的快捷鍵，Codex CLI沒有。Codex用 /plan slash command（在composer內輸入）。
Q3：Tab沒排到，反而觸發了@ 選單或其他鍵盤行為
答案：
確認composer已輸入文字後才按 Tab
不要在 @ 提及選單開著時按Tab（那是在選單內選取項目）
跑 /status 確認「Queued items」有沒有增加
Q4：/fork 後分支context不一致
答案：/fork 會帶走分叉前的對話歷史，但分叉後原thread和新thread互不回流。要兩邊都看到的東西，請在fork之前講完。
Q5：@ 選單只出現檔案，沒有Plugins／Skills區
答案：先升級CLI到最新版；再確認環境內真的有插件（用 /plugins 查）或技能（用 /skills 查），沒裝當然不會列。
節錄自：博碩文化《ChatGPT × Codex全攻略：從零基礎到自動化，打造你的AI Agent工作流》／曾慶良（阿亮老師） 著
推薦閱讀：
ChatGPT Work怎麼用？和Chat模式差在哪、什麼時候該切換？
用Claude Code設計AI工作流！學了工具不等於系統，3範本打造專屬藍圖
Claude Code越聊越笨？4個指令管好「上下文」，用量60%就該主動壓縮
Claude Code Subagent怎麼用？3分鐘建好第一個子代理，判斷何時該多Agent分工
一個任務想同時檢查安全性、效能和測試，只能一件一件問AI？本文說明Subagent（子代理）的分工模式，帶你用一個Markdown檔建立第一個官方Subagent，再用一張表判斷什麼任務適合多Agent協作。本文節錄自《Claude Code全攻略》。
文／曾慶良（阿亮老師）
本文目錄（點擊可快速前往）
什麼是Subagent？官方Subagent、自製Orchestrator差在哪？建立第一個官方Subagent：直接寫.claude/agents/檔案Subagent適用情境：什麼任務適合多Agent協作？【進階提示詞】讓Claude Code幫你建好Orchestrator
編按：本文收錄Subagent觀念與官方Subagent實作；以Python自製Orchestrator的逐步教學未收錄，文末附「進階實作提示詞」，可直接讓Claude Code幫你建好。
什麼是Subagent？官方Subagent、自製Orchestrator差在哪？
一般使用Claude Code的互動是一對一的：你問一個問題，Claude回答，然後再問下一個。
Subagent（子代理）改變了這個模式：
你的指令
↓
Orchestrator Agent（協調者）
├──> Subagent A：分析安全性
├──> Subagent B：分析效能
└──> Subagent C：分析測試覆蓋率
↓（三個同時執行）
Orchestrator 收集結果，合併報告
（圖／博碩出版《Claude Code全攻略》）
為什麼要用多Agent？
速度：3個任務同時跑，比依序執行快3倍
專注：每個Agent只做一件事，提示詞更精準
隔離：一個Agent失敗不影響其他Agent的結果
規模：一個人管不完的工作，交給Agent軍團
「Subagent」其實有兩種
在Claude Code的語境裡，「Subagent／子代理」這個詞指兩件不同的東西，別混在一起：
官方Subagent自製Orchestrator本體.claude/agents/*.md 定義檔（YAML frontmatter + system prompt）你自己寫的Python腳本執行方式在互動session內，由主Agent自動委派或你明確指名用 claude --print 開多個獨立進程平行呼叫上下文每個Subagent有獨立context，結果回傳主對話每個進程完全獨立，由腳本收集輸出適合重複使用的專職角色（審查員、測試員、文件寫手）大量平行任務、CI/CD整合、跨專案批次處理
官方Subagent是Claude Code內建、最正規的子代理機制（下文會帶你從零建立）；自製Orchestrator則是當你需要一次派遣大量Agent、或把Claude塞進自動化管線時用。
建立第一個官方Subagent：直接寫.claude/agents/檔案
若走「Python orchestrator + --print CLI」的程式化路線，可以一次派遣大量Agent平行工作。但你的第一個Subagent不應該寫Python——官方Subagent只是一個Markdown檔案，3分鐘就能建好。
舊版備註：舊版Claude Code曾提供 /agents 互動式精靈（7步驟引導建立Agent），該精靈已於v2.1.198（2026-07-01）移除。現在的做法是直接建立定義檔，反而更快、更透明；細節以官方文件為準。
官方Subagent的本體是一個放在以下位置的Markdown檔案：
位置範圍適合場景.claude/agents/（專案根目錄下）只有目前專案能用跟專案綁定的Agent（如Flask app的API tester）~/.claude/agents/所有專案都能用跨專案通用的Agent（如「程式碼審查員」）
第一次練習建議放專案級，玩壞了不會影響其他專案。
建立資料夾與定義檔
# Windows PowerShell（在專案根目錄下）
New-Item -ItemType Directory -Force .claude\agents
notepad .claude\agents\security-reviewer.md
# macOS / Linux（在專案根目錄下）
mkdir -p .claude/agents
nano .claude/agents/security-reviewer.md
（圖／博碩出版《Claude Code全攻略》）
security-reviewer.md 完整內容（可直接貼）
---
name: security-reviewer
description: 安全性審查專家。當使用者要求檢查安全漏洞、SQL injection、硬編碼密碼、eval/exec 濫用、輸入驗證問題時使用此 agent。
tools: Read, Grep, Glob
model: sonnet
---
你是一位資安專家，專門審查 Python 程式碼的安全性。
分析範圍：
- 注入攻擊（eval、exec、shell injection、SQL injection）
- 敏感資料處理（明文密碼、硬編碼金鑰、個資）
- 不安全的函式使用
- 缺少輸入驗證
輸出格式：Markdown 報告，每個問題標注嚴重度（🔴嚴重/🟠中等/🟡輕微）、檔案與大約行數、問題描述、具體修正建議。
只報告確定的問題，不要猜測。
（圖／博碩出版《Claude Code全攻略》）
frontmatter欄位說明：
欄位作用填寫要點nameAgent的識別名稱小寫加連字號，如 security-reviewerdescription決定觸發時機主Agent根據這段描述判斷「什麼時候該委派給它」，把使用情境寫清楚tools允許使用的工具最小權限原則：安全性審查只需要讀（Read、Grep、Glob），不給Write/Edit/Bashmodel使用的模型sonnet（平衡，推薦）/ opus（最強）/ haiku（最快最省）/ inherit（跟主Agent相同）
模型怎麼選：安全性審查建議sonnet（對應目前的claude-sonnet-5）——haiku（claude-haiku-4-5）太簡略容易漏掉細節；opus（claude-opus-4-8）或旗艦fable-5留給真正需要深度推理的任務，這類審查用不到。
觸發你的Subagent
存檔後重新啟動Claude Code（讓它重新讀取agents資料夾；是否需要重啟以實際版本為準），有兩種觸發方式：
自動委派：你的要求符合description描述時，主Agent自動把工作交給它
明確指名：直接說「用security-reviewer幫我審查calculator.py」
這裡拿calculator.py當練習對象，裡面故意留了eval()、shell=True等資安問題。你也可以換成手邊任何一支.py。
[模擬]觸發該Agent的對話：
> 用 security-reviewer 幫我審查 calculator.py
● security-reviewer(審查 calculator.py 的安全性)
完成
發現 2 個問題：
嚴重：calculate_from_string 使用 eval() 執行未驗證輸入
存在任意程式碼注入風險，建議改用 ast.literal_eval()
中等：run_calculator_script 以 subprocess.run(..., shell=True) 執行外部指令
若 script_path 來源可控則有 shell injection 風險，建議改為 shell=False 並拆成清單
（圖／博碩出版《Claude Code全攻略》）
官方Subagent vs.自製Orchestrator：什麼時候用哪個？
你的目標推薦方式第一次建Subagent練手.claude/agents/定義檔（本文示範）重複呼叫同一個專職Agent.claude/agents/定義檔即可一次平行派遣3+ 個AgentPython orchestrator整合進CI/CD pipelinePython orchestrator跨專案複用同一套Agent定義檔放~/.claude/agents/
結論：先用定義檔把「一個Agent一個職責」的概念跑通；自製Orchestrator是進階用法，學會了能應付更大規模的協作場景。
Subagent適用情境：什麼任務適合多Agent協作？
不是所有工作都適合Subagent架構。這張表幫你判斷：
情境建議架構原因分析一個檔案的bug單一Agent任務小，不值得overhead同時分析多個面向（安全/效能/測試）Multi-Agent面向獨立，可平行處理50個檔案，每個需要翻譯Multi-Agent大量獨立子任務寫一個複雜的功能，步驟有依賴單一Agent步驟有前後依賴，無法平行每天掃描新增的PR定時Orchestrator結合Routines定時執行跨語言文件翻譯（10種語言同時）Multi-Agent（10個）語言翻譯互相獨立
核心原則：任務之間沒有依賴關係、可以獨立完成，才值得用Multi-Agent。
【進階提示詞】讓Claude Code幫你建好Orchestrator
複製以下提示詞，直接貼進Claude Code開始操作。提示詞裡的檔名／路徑是示意，請換成你自己專案裡實際存在的。
開始前，請先確認兩件事：
系統已裝Python 3——Orchestrator是Python腳本。先驗證 python --version（沒反應試 py --version）。
claude指令在PATH裡——腳本會呼叫claude。先在終端機直接打 claude --version，確認叫得動。
Step 1：建立Orchestrator腳本
請幫我建立 orchestrator.py，能夠同時啟動 3 個子 Agent 分別執行：安全性掃描（偵測硬編碼密碼和 SQL injection）、效能分析（統計函式長度和巢狀層數）、測試覆蓋率報告。完成後合併三份報告輸出總結。
Step 2：執行並驗證結果
請執行 orchestrator.py，等待所有子 Agent 完成後，顯示最終整合報告，並標出最需要優先修正的問題。
節錄自：博碩文化《Claude Code全攻略：從一句話到部署上線，打造你的AI Agent開發團隊》／曾慶良（阿亮老師） 著
推薦閱讀：
Claude Code越聊越笨？4個指令管好「上下文」，用量60%就該主動壓縮
商務Email好難回？用Claude Skill建回信SOP，4大類型自動判斷
「Skill」和「提示詞」差在哪？6大差異與SKILL.md寫法一次看
Vibe Coding時代催生新職缺！「程式清潔」在做什麼？
AI寫程式的「Vibe Coding」掀起熱潮，開發者得以快速生成程式碼，但也意外催生出新興職缺「程式清潔師」。一份調查顯示，95%的工程師仍需手動修復錯誤、額外調整AI生成的程式碼，確保專案安全與穩定。究竟Vibe Coding是革命還是混亂？而「程式清潔」這份新工作，又在做什麼？
文／田孟心編譯 由天下雜誌授權轉載
人們期待，未來大量寫程式工作可能都交由AI氛圍編碼（Vibe Coding）完成，但事實上，高達95%的工程師發現他們還是要手動修復程式碼。負責把混亂程式碼清理好的新角色，正在LinkedIn等求職平台大受歡迎。
氛圍編碼（Vibe Coding）正大行其道。
這個從今年初開始盛行的「自動化寫程式」概念，由電腦科學家卡帕西（Andrej Karpathy）提出。卡帕西表示，有了AI工具後，寫程式將「完全跟隨當下情境氛圍，擁抱指數級成長，甚至忘記程式碼的存在」。
市場研究和IT顧問公司Gartner預測，未來三年內，40%的企業新軟體將由AI機器人創建。
然而，內容平台fastly最近的一份調查顯示，95%的工程師表示，他們還是要花額外的時間來調整AI生成的程式碼。
工程師們發現，AI生成的程式碼存在許多問題，從產生幻覺，到刪除重要的資訊，甚至可能造成專案的安全風險。若不花時間修復，最終的成品可能會漏洞百出。
「使用氛圍編碼，就像請一名聰明的六歲孩子把咖啡壺帶到餐桌，為家人倒杯咖啡，」資深工程師羅芙（Carla Rover）說明，它們有可能做得到，但也極有可能失敗，「而且失敗了，他們很可能不告訴你。」
另一位資深工程師梅勒扎丹（Feridoon Malekzadeh）也將氛圍編碼形容成孩子，不過是「青少年」，「你得請它做15次才能做成一件事，」「最終，他們可能會做出來，外加一些你沒要求的事，並可能把很多東西弄壞。」
梅勒扎丹計算過，她大約花費50%的時間編寫需求，10%的時間進行氛圍編碼，再用40%的時間進行修復。
程式清潔工，愈來愈受歡迎
這一切使AI生成的程式碼，已經成為一個難題，也因此催生了一種新的工程師崗位，稱為「氛圍程式碼清理專家」（Vibe Coding Cleanup Specialist）。
在求職平台LinkedIn上，已經有愈來愈多相關關鍵字的職缺——代表清理、修復程式碼，正在成為一項獨立的工作。
通常，這類職缺更歡迎資深工程師，因為他們才有相應的能力從一團乍看可行的程式碼中找到問題。
資深解決方案架構師哈克（AS Md. Ferdousul Haque）統整，常見的錯誤有：語法錯誤、邏輯錯誤、幻覺資料庫或API（引用不存在的套件、方法或參數）、虛擬資料等狀況，有時候很考驗技術人員的細心與經驗。
哈克舉例，AI工具Gemini幫忙改了一份GitHub個人資料，整體效果不錯，卻在某個網址後面加了一個句號，使得圖片無法顯示。此時，就需要他這名人類手動介入。
科技公司Solution Architecture的工程師麥利（Viored Mirea）指出，雇用一名氛圍編碼清理師非常重要，尤其是AI寫出來的程式碼可能給企業帶來安全風險，「氛圍編碼可能會讓機密資訊外洩，或是對個人資料進行錯誤處理，」他強調，「始終應該有人類要對結果負責。」
然而，也有專家對市場出現這樣的現象感到唏噓。
雲端與通用人工智慧企業負責人愛彼哈納（Abhinav）認為，雇用這樣的「清潔工」簡直荒謬，「企業試圖讓每個人都會氛圍編碼，在專案上省錢，然後卻要花雙倍的錢再去找一個能把混亂局面整理好的人。」
Squad資深技術總監波古斯拉斯基（Oleg Boguslavsky）同意，企業要引進氛圍編碼，必須確保每個人都能掌握驗證、修復的技能，否則，花錢請這些額外的專家，在經濟上將比預期更低效。
（資料來源：TechCrunch, Gizmodo, LinkedIn）
（原文標題：Vibe Coding催生大量新職缺，「程式清潔工」在做什麼？）
推薦閱讀：
【AI工作指南】數發部《AI產業人才認定指引》！盤點AI認證資源、熱門職缺
「Vibe Coding」是什麼？以後還需要程式設計師嗎？
AI世代最夯新職位》為什麼他們零經驗，年收20萬美元起跳？
助你當老闆！瑞典AI獨角獸Lovable如何靠「氛圍編碼」年賺30億？
[joblist_plugin title='更多104【AI工程師】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=AI%E5%B7%A5%E7%A8%8B%E5%B8%AB&order=15&page=1' amount='3']
ChatGPT基本文章生成術：企劃案、介紹文用AI快速完成
運用AI工具快速生成文章，可以用更高效、更簡單的方式完成高品質文章。本文解析如何使用ChatGPT生成基本文章，從企劃案撰寫到段落內容都能輕鬆創作，工作效率大加分！
文／陳冠霖（Brian Chen）
本文目錄（點擊可快速前往）
ChatGPT基本文章生成ChatGPT段落文章書寫
ChatGPT基本文章生成
有了ChatGPT帳號後，我們來看看如何進行文本生成吧！
情境範例：
今天上班，公司在經過幾個小時的開會，決定要開發一款新的懶骨頭沙發產品並上市販售。而撰寫產品企劃的重任像一顆石頭一樣重重的壓在你身上，而更可憎的是，老闆竟然要求你先將初版的企劃案寫出來，並在明天的會議上進行報告並討論。除此之外，你還被要求要在短時間內思考出懶骨頭沙發的優缺點、目標客群以及年齡層等各種面向的問題⋯⋯
此時就可以跟ChatGPT說：
我想撰寫關於新的懶骨頭沙發的產品企劃案，我希望能夠為我分析一下目前此類商品的優點與缺點以及缺點預計可以改進的方向、目標客群以及年齡、預期成本和預期收益等，並幫我根據這些架構進行條列以及撰寫出一篇約400字的文章。
之後就可以看到GPT的回覆，如圖4-4至圖4-6：
（圖／博碩文化提供）
是不是很厲害啊，俗話說萬事起頭難，但現在可以用AI幫你起頭之後，只需要根據這些架構草稿再慢慢去更改內容並撰寫出完整計畫就好了。在這過程中也可以持續使用AI工具來協助各位撰寫，所以在現在這個時代會使用AI工具真的會讓你在職場上的效率超級加倍！
題外話：目前版本ChatGPT會有免費使用GPT-4o生成的服務，當額度用盡就會變回GPT-4o mini生成。所以如果突然發現回覆內容感覺變弱就是GPT-4o額度用完啦。不過別擔心，免費額度是會補充的。
ChatGPT段落文章書寫
如果今天只是需要生成一個段落而已，當然可以使用ChatGPT來進行生成。
情境範例：
在經過一天的煎熬，終於等到要下班的時間了，但你看到老闆向你走過來，心中升起一絲不祥的預感。果然，老闆想要你在明天上班前提交一份關於Python程式語言的介紹，但你只是一個在辦公室為了三餐溫飽而努力的小職員，對於Python這個程式語言根本完全沒有頭緒，加班到很晚看了很多文章還是一頭霧水，焦慮到快要爆炸了⋯⋯
別擔心！在一切還沒變的糟糕之前，你可以直接求助無敵的ChatGPT，只需要在對話視窗中輸入：
請用500個字介紹Python這個程式語言，撰寫文章時請分成四個段落。
接著按下送出，等待ChatGPT回覆即可，以下圖4-7是ChatGPT的回覆內容。
（圖／博碩文化提供）
看到這段文章之後，你驚覺的發現似乎可以根據這段文章稍微修改一下，或者可以「請」ChatGPT協助代為修改，改完之後發現根本沒花太多時間，全部處理完之後終於可以準時下班了，灑花！
基本上各位可以根據自己的需求（或者老闆或老師對你的需求）來對GPT進行文字生成的指示，而各位可以看到生成後的文字底下會有5個小圖標，這5個小圖標由左至右分別為：
大聲朗讀：這個功能可以讓ChatGPT預設的語音來朗讀他的回覆。
複製：淺顯易懂，就是複製這段對話的內容。
重新生成：如果生成的文章你不喜歡的話，可以像慣老闆一樣要求ChatGPT重新生成喔，重新生成後可以選擇重新生成的結果更好、更糟或是沒差別，這個選擇會些微影響到之後生成時的結果，ChatGPT會盡量根據你喜愛的風格生成，並盡可能避免掉你不喜歡的風格，重新生成的結果就像圖4-8這樣。
（圖／博碩文化提供）
● 回應不佳：如果你不喜歡這段回應，可以點選此按鈕並選擇原因告知ChatGPT的回應哪裡需要再修正如圖4-9，這也或多或少的會影響到後續的生成方式。
（圖／博碩文化提供）
● 變更模型：目前可以選擇GPT-4o與ChatGPT-4o mini來進行生成。
另外，目前最新的模型是OpenAI o1，若有購買完整版的話可以再使用o1 preview 模型與o1 mini。惟因本書最終完稿時大約是2024年8月初，所以在OpenAI o1 推出後（2024年9月中）緊急更新了部分內文，故OpenAI o1的部分會放在附錄介紹！
以上就是一些基本的ChatGPT介紹了，各位可以根據這些基本的功能嘗試看看這項服務，相信學會使用ChatGPT一定能為各位後續無論是工作或是生活帶來更多的便利性。接下來我將會帶各位來看看更多的ChatGPT應用。
題外話：如果生成的段落文字過長，因為ChatGPT會有輸出限制，所以有時候輸出到一定程度就會中斷，此時可以輸入指令：「請接續上面的文章內容繼續生成」、「請繼續」、「請繼續生成」，來對ChatGPT下指令讓它繼續生成文章。
節錄自：博碩文化《即學即用！精選 30 招辦公室超高效 AI 生產術／陳冠霖（Brian Chen） 著 》
更多【實用AI工作術】推薦給你：
讓ChatGPT當求職教練！寫求職信、履歷建議、中英文面試練習指令
用AI快速寫Email！ChatGPT Writer、Copilot等中英文電子郵件生成
ChatGPT整理Excel表格超快速！用AI輕鬆搞定複雜資料
ChatGPT一鍵生成簡報！Slides Maker讓AI幫你快速做完整簡報
C# ASP.NET CORE X 智能體工程 開發實戰線上課
過去幾個月，「Vibe Coding」與「Agentic Engineering」正在重塑矽谷的開發邏輯。軟體開發正從「手工業」轉向「指揮官模式」。
身為開發者，你是要繼續在語法細節中掙扎，還是要領先成為學會指揮 AI 智能體（Agent）作戰的架構師？
X School 再次突破業界框架，帶來【全台首創】的實戰課程。
我們不只單純教Vibe Coding，
更要帶你掌握智能體工程開發精髓。
將特斯拉前 AI 主管倡導的開發思維，深度植入日常的專案開發。
這不是實驗，這是即將發生的產業革命。
🚀 為什麼這堂課值得學習？
✨全台首創： 唯一整合 Vibe Coding 與智能體工程（Agentic Engineering）的系統化課程。
✨拒絕黑盒： 解決 AI 隨機生成的技術債，掌握可驗證、可管理的開發流程。
✨實戰導向： 從 建立 AI 協作開發思維、精通 AI 驅動的 SQL 資料庫技術、掌握最新 AI Coding 工具、開發具備執行力的 AI Agent 核心、實現 OCR 企業進銷存自動化到打造全天候 Line Bot 智能助理，5 件成品帶你直接對接產業需求。
✨小班精修： 為了確保教學品質，本班上限僅 15 人。
AI 不會取代工程師，但會取代不會用 AI 開發的工程師。
【60 小時掌握 AI 核心實力】
👉早鳥優惠實施中，現省 NT$14,400
👉名額僅 15 位，我們只留給最渴望掌握未來技術的人。
🔥 手刀搶佔先機，成為企業爭奪的頂尖人才！
立即報名👇
https://user135527.pse.is/8yxtn4
從Java基礎到企業級開發：掌握Spring Boot，一次到位！
👉你還在為 Spring Boot 的開發環境卡關嗎？
👉搞不懂 Controller、Service、Repository 之間怎麼合作？
👉資料庫存取效率總是瓶頸？
這門課，幫你一次搞懂！
【JAVA Spring Boot 網際網路系統開發全攻略（上集）】
從開發環境配置到完整網站建構，帶你實戰掌握：
✅ Spring Boot 核心技術與開發流程
✅ Spring MVC 架構 + Thymeleaf 前後端整合
✅ DI（依賴注入）、JdbcTemplate 與 DAO 設計模式
✅ 業界實務開發技巧與最佳實踐
👨🏫 授課講師
Eric Chen 陳宗興
專注資訊教育與軟體開發超過30年。早期投入美商製造業工業工程及 IBM ERP 系統開發，累積深厚實務經驗。曾任台灣資訊策進會顧問、中華民國軟體協會榮譽指導員，輔導台積電、中華電信等百餘家企業，並出版60餘本暢銷資訊書籍。
🎯 課程適合對象：
✅Java基礎開發者想邁向企業實戰
✅後端工程師想升級為Spring高手
✅前端工程師想理解後端系統整合
✅想導入Spring Boot的企業IT人員
🧠 全方位學習優勢：
✅實作導向，每一章節都有練習
✅架構圖＋原始碼解說，輕鬆掌握
✅簡單易懂範例，快速應用
📌 不再紙上談兵，讓你真正寫出可上線的網站系統！
限時🔥5折優惠
趕緊把握機會，成為企業最搶手的JAVA Spring Boot開發人才！
現在就立即加入課程吧👇
https://user135527.pse.is/7eh824
用「優勢公式」找對夥伴！Google與DeepMind工程師如何用AI改寫能源產業
Google與DeepMind工程師如何用AI讓數據中心省電40%，並創辦AI節能新創？看懂能力、動機與洞見組成的「優勢公式」。本文節錄自《商品決勝點》。
文／傑克納普、約翰澤拉斯基
你的優勢是什麼？優勢會以能力（capability）、動機（motivation）與洞見（insight）三種形式出現。為了解釋這三種優勢如何發揮作用，我要帶你回2014年認識三個人。他們日後成為公司創辦人。看看你能否從接下來的段落，找出三人替專案帶來的優勢─並猜一猜他們最終建立哪一種公司。
首先是機械工程師凱蒂．霍夫曼（Katie Hoffman）。
2014年的一個平常日，凱蒂在各種工業設備之間走來走去，手上沾滿灰塵和油汙。她的視線順著亂七八糟的線路走，一下子接這台機器，一下子接那台機器。凱蒂帶領的團隊負責翻新工廠，裝上新型控制系統以發揮最佳效能。這份工作很重要的一環，就是找出舊系統是如何運作，而實際情形永遠和設計文件說的不一樣。
凱蒂盯著的那條線，連到又一個工廠文件上沒提到的感應器。她用手機拍下照片，備註幾句話，然後嘆氣。成功破解舊系統並改善效率，的確會帶來滿足感─但凱蒂心知肚明，再過幾年，又會有另一批人跑來這，拆掉她所有的心血，再度翻新工廠。在那之前，系統將停留在這次的更新，永遠不會改善，直到再度大改造。凱蒂感覺這樣很浪費，想必還有更好的辦法，但是該怎麼做？
接下來是吉姆．高（Jim Gao）─也是機械工程師。
2014年一個普通的一天，吉姆坐在控制室裡，地點是Google位於愛荷華州的龐大數據中心。這座數據中心當初在設計時，吉姆就參與了，但他今天和凱蒂一樣，想著有什麼辦法能改善效能。
廠內漆成亮色的藍綠紅黃管線，通往四面八方，讓這座數據中心看起來有如《超級瑪利歐》（Super Mario）遊戲被搬到現實世界，只不過沒有蘑菇和飛行龜，只有一排排的伺服器機櫃。
一年12個月，一週7天，白天黑夜不停歇，隨時有冷水流過那些五彩繽紛的管線，負責吸收與帶走伺服器產生的熱氣。冷卻管的確有用，但吉姆檢視控制室的讀數，忍不住感到失望。這個系統太耗電。每次機櫃開始升溫，管理數據中心的團隊就必須加快冷卻系統的輸出。加速時耗用的能源愈來愈多，但也不能不加速─伺服器過熱就會當機，網路將斷線。或許這樣的效率不彰是無法避免的，或許工程技術頂多就只能做到這樣，但吉姆總覺得哪裡怪怪的。他到底漏掉什麼？
最後一位是電腦科學家維達．潘奈薛凡（Veda Panneershelvam）。
在2014年平凡無奇的一天，維達坐在倫敦的桌旁寫程式。他和世界級的軟體工程師團隊合作，一起尋找人工智慧研究的聖盃：寫出能在圍棋賽中打敗人類的電腦程式。
如果你不熟悉圍棋，只需要知道很複雜就夠了。西洋棋有10123種可能的走法，但圍棋有10360種，令人難以置信。圍棋棋盤可能呈現的棋局狀態，還要多過宇宙裡的原子數！
如果要在圍棋取勝，維達和同事必須開發出新型的人工智慧做法，創造能看見未來的程式。2014年的時候，大部分的人認為這是癡人說夢，但維達只覺得興奮。如果AI連圍棋都能勝出，誰知道還能替人類解決其他哪些問題。
我們來回顧一下，先從顧客和問題講起：
凱蒂正在解決大型製造商的工業控制系統缺乏效率的問題。
吉姆正在解決Google有如吃電怪獸的數據中心。
維達正在解決……這個嘛，我不認為他實際上是在解決圍棋的問題。我認為他真正在處理的，其實是人腦處理複雜問題的能力有限。我認為他的「顧客」是全人類。我知道，這聽起來有一點過於宏大，但我認為確實如此。
好，那凱蒂、吉姆和維達的特殊優勢是什麼？剛才提過，優勢有三種。
首先是能力。能力是指你能做到很少人能比得上的事。如果你在大公司上班，你可能享有知名品牌的好處，或是專案有很多預算；如果你替迷你的新創公司工作，你的能力有可能是專注與快速行動。不過，最能派上用場的能力通常是傳統的專業技能（know-how）：
凱蒂是機械工程專家，主要做工業控制。
吉姆也是機械工程師，專長是數據中心。
維達是電腦科學專家，專門做人工智慧。
凱蒂、吉姆和維達在各自的領域都是世界級的人才─有如女籃的凱特琳．克拉克（Caitlin Clark）與男籃的「詹皇」詹姆斯（LeBron James）─但光是他們的能力，還不足以完整呈現他們的獨特優勢。
接下來，我們來看第二種優勢：動機。動機是你想解決這個問題的特殊原因；你願意傾盡心力的事，別人不一定願意。動機也很重要，因為動機能指明一條路，讓你躍躍欲試，知道該在何處以什麼方式發揮長處。
凱蒂、吉姆和維達三位未來的創辦人，全都想要解決重要的問題，帶來正面的改變。這種精神令人欽佩，但過於籠統。我是說，很多人當然都想「讓世界更美好」─但唯有動機十分明確的時候，才能協助你決定該做什麼，所以講得再明確一點：
傳統的工業控制系統升級方式讓凱蒂沮喪。
實體系統的限制讓吉姆沮喪。
維達想運用AI替人類解決大型的問題。
注意到了嗎？以上三人中的兩人，主要是沮喪帶來了動力。如果你的動機也一樣，嘿，沒關係的。世上最優秀的產品，有的就是源自為現況感到憤慨、困惑、惱火、痛苦或抓狂。你不一定要從偉大的願景起步，憤怒也能帶來力量。
好，能力和動機加在一起後，三位未來創辦人的優勢變得更獨特。但他們分別會開哪種公司？讓我們進一步了解他們的故事。
兩年後，在2016年3月9日，維達站在南韓首爾四季飯店的會議室，透過現場影片串流，目不轉睛地看兩個人比賽圍棋。
棋桌的一方坐著李世乭，他是拿過18次世界冠軍的專業棋士。另一方則是業餘人士兼維達的同事。
維達看著同事下一個白子，接著注意力一下子回到會議室。電腦螢幕顯示數十張圖。「勝率圖」頓時表示對白方有利。
電腦認為能打敗看似無敵的冠軍李世乭。
過去幾天，維達和團隊成員─15名剛從倫敦飛來的電腦科學家─把會議室改造成臨時的控制中心。AI程式AlphaGo就是他們設計的。他們在控制中心把AlphaGo認為棋子該怎麼下，轉告給維達的同事，那名同事負責把棋子擺到真實世界的棋盤上。
那場比賽的贏家可以獲得100萬美金的獎金。有沒有人跟我一樣，覺得這個場景像是15名科學家合演高科技搶劫片《瞞天過海》？只不過李世乭其實是在和AI比賽，不是什麼祕密。裁判知道，李世乭知道，每個人都知道。全球各地轉播這場比賽，數百萬人觀戰，不過大部分的圍棋專家都認為圍棋太複雜，電腦不可能獲勝。
然而，在那個首爾的三月天，AlphaGo贏了。
數千英里外，吉姆仍在設法改良Google數據中心的冷卻系統。AlphaGo的故事如火如荼展開時，他偶然聽到這件事，備感著迷，開始追蹤首爾的最新情形，一點細節都不放過。
吉姆挖掘細節時得知，AlphaGo的AI使用「深度強化學習」（deep reinforcement learning）這個突破性的方法。吉姆冒出一個瘋狂的點子。深度強化學習會不會有助於冷卻數據中心？畢竟隨時找出最佳的控制配置，有一點像是在圍棋賽中找出最好的一步。
維達的團隊替DeepMind工作，而DeepMind是Google旗下的公司。這不正好。雖然吉姆沒見過他們，但嚴格來講大家都是同事。維達於是寄電子郵件給DeepMind團隊，解釋他的瘋狂點子。
維達認為這個數據中心的挑戰很吸引人，同意試試看。接下來密集的幾星期，維達、吉姆和DeepMind的工程師團隊，寫出新的深度強化學習程式，把Google數據中心的冷卻系統，交給這個新AI負責。
電力使用起初暴增，因為AI做起實驗，隨機調整控制設定，就像小朋友亂按汽車音響上的鈕。不過，AI也和幼兒一樣會學習，強化有效的策略，用電因此出現改善，再改善，持續改善，最後和AlphaGo一樣超越人類，Google數據中心的用電因此銳減四成。
我等一下會繼續說這則故事，但先來看維達和吉姆合作後發生的事。他們整合雙方的能力─吉姆的數據中心專業能力，加上維達的人工智慧魔法─打造出單打獨鬥生不出來的東西，發揮特殊的優勢。不過別急，好戲還在後頭。
2019年，吉姆和維達結識凱蒂─那位擅長翻新工業控制系統的機械工程師。三人開始討論如何能在Google以外的世界，減少能源浪費。廠房在加熱、冷卻與操作各種設備時，耗用大量的電力。AI也能在這方面幫上忙嗎？
吉姆和維達相信他們能大幅改善工廠的能源使用─但需要借重凱蒂的實務知識，才有辦法設計、販售與裝設解決方案。凱蒂曾在詮宏空調（Trane）、英格索蘭工程技術公司（Ingersoll-Rand）、雷神國防承包商（Raytheon）等企業，帶領過工程與創新團隊。她清楚製造商如何作決定，也了解工業控制系統的缺點。吉姆和維達熟悉的是Google經過精心設計的數據中心，而工業廠房的世界遠比那混亂─凱蒂則熟悉這個領域。三人決定放手一搏，辭去工作，在2019年底成立新創公司淮德拉（Phaidra）。
淮德拉是我們Character資本最早投資的一批公司，他們的故事深深啟發了地基衝刺。他們從大膽的專案起步：企圖運用AI讓各種工業廠房更有效率。他們測試點子，學習如何建立顧客的信任感，談成第一筆生意。淮德拉先在大型藥廠展開試行計畫，隔年拿到第一筆大訂單，在5座工業廠房部署AI，最終還把服務拓展至數據中心。維達、吉姆與凱蒂在2014年渴望見到的超越人類、具備適應性、能預測未來的系統，如今成真。
三人能成功的原因是第三種優勢也登場：洞見。
洞見是指對問題與顧客有深入的了解。洞見讓你擁有別人沒有的觀點。吉姆有數據中心的洞見，維達有深度強化學習的洞見，但淮德拉的策略能成真，仰仗的是凱蒂具備工業廠房─以及擁有那些工廠的企業─如何運作的洞見。
淮德拉三位創始人的能力與洞見加在一起，得出獨特的東西。你可以想成一條等式：
能力＋洞見＋動機＝特殊優勢
凱蒂、吉姆和維達見面時，心想：「天啊！想想我們聯手能做到的事！」淮德拉公司或許算極端的例子，但你也能和團隊利用特有的優勢，帶來屬於你們的「天啊！」時刻。
節錄自：時報出版《商品決勝點：全球最成功的產品設計師如何讓顧客買單》／傑克納普, 約翰澤拉斯基 著
有任何收穫或想分享的，都來和大家一起聊聊吧！