電腦視覺演算法之人臉辨識實戰【本課程為線上課，報名後專員會提供上課資訊】
104學習
機器學習建模
透過資料分析與演算法設計，將大量數據轉換成可預測結果的模型，幫助企業做出更準確決策。這項技能能提升自動化程度，優化流程，並挖掘潛在商機，廣泛應用於金融風控、行銷推薦、醫療診斷等領域。擁有此能力的人才在科技、金融與製造業等產業需求高，具備良好的數學、統計基礎與程式設計能力是成功關鍵。
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
人工智慧-機器學習【本課程為線上課，報名後專員會提供上課資訊】
成為 AI 科學家｜機器學習好簡單，輕鬆讓你一手掌握資料科學實作 10 大技巧
最快入門與實作大型語言模型（LLM、DeepSeek）！做中學更輕鬆！
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
AI 商業數據與工作應用實戰：分析、報表與決策支援【09/30】
Power BI 資料清理與建模
AI快速完成專業簡報
人資與採購必學！ AI 流程自動化應用實戰工作坊【10/20】
AI邊緣運算實作TensorFlowLite for MCU【本課程為線上課，報名後專員會提供上課資訊】
精選證照
考取專業證照，讓能力被市場看見
NNCSE
NNCSE（國際神經網路與計算科學工程師證照）專為具備人工智慧與神經網路技術應用能力的人才設計，涵蓋機器學習、深度學習及數據分析等核心技能，強調理論與實務結合，適合從事AI系統開發、資料科學及智能自動化領域的專業人士。透過此證照，持有者可展現其在神經網路架構設計、模型訓練與優化的專業素養，提升職場競爭力及跨領域整合能力，符合現今產業數位轉型需求。
Nortel Networks
Google專業級機器學習工程師認證
專業級機器學習工程師利用 Google Cloud 功能與機器學習方法的知識，來建立、評估、生產和優化AI解決方案。機器學習工程師處理大型、複雜的資料集，並建立可重複、可重複使用的程式碼。 根據基礎模型設計，同時實施生成式AI解決方案。
機器學習工程師著重AI實踐，與其他職位密切合作，以確保AI應用程式的穩定與成功。
機器學習工程師具有扎實的程式設計能力、資料平台以及分散式資料處理工具的經驗。精通模型架構、資料和機器學習管道創建、生成式 AI 和指標解釋等領域。
機器學習工程師須熟悉MLOps、應用程式開發、基礎架構管理、資料工程和資料治理的基礎概念。 幫助團隊有效運用AI解決方案。透過訓練、再訓練、部署、調度、監控和改進模型。
Google
實體設計 (Creo Parametric/SolidWorks)
實體設計證照主要驗證持有者在Creo Parametric或SolidWorks軟體操作上的專業能力，涵蓋三維建模、零件設計、組件裝配及工程圖繪製等技能，能有效運用軟體完成產品設計與修改，提升設計效率與精確度，適用於機械、電子及工業設計等多種產業，具備此證照者具備良好的CAD工具應用能力，能協助企業加速產品開發流程，提升競爭力。
尚未查核發照單位
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)
人工智慧：機器學習 Python
人工智慧研究如何使機器具有類似人類學習及解決複雜問題、抽象思考、展現創意等能力，是能讓事物變更聰明的科技。其研究範圍包含了：電腦視覺、語音工程、自然語言處理、移動與控制等。做為人工智慧體系的一部分，「機器學習」是一種資料科學的技術，也是實現人工智慧的一種方式，從資料中學習，獲得辨識或預測新進資料的技能，以協助電腦預測未來的行為、結果和趨勢，其技術廣泛應用在不同領域。
財團法人電腦技能基金會TQC+人工智慧：機器學習的題目設計包含：「監督式學習」、「非監督式學習」、「機器學習應用」等必備的知識及技術，運用不同機器學習方法進行實際案例之分析預測。
財團法人中華民國電腦技能基金會
生成式 AI 技術開發技能證書
AWS 為協助個人突破職涯新價值，推出「AI 人才就緒計畫 」(AI-Ready Talent Development Program)，針對不同角色免費提供系列生成式 AI 課程、專業 AI 認證備考資源、AWS 生成式 AI 服務試用，更進一步協助您取得 AI 認證！
學習本課程，您將能了解提示工程、檢索增強生成與微調的最佳實踐、掌握生成式 AI 端到端流程建溝以及驅動 AI 流程須考量的數據、儲存與運算等基礎架構。還能進一步了解如何將 AWS生成式AI服務應用在實際營運情境。
AWS
精選貼文，掌握第一手知識
如何用AI分析主管性格？用DISC模型改善向上溝通，應對不同類型上司
用AI分析主管的溝通風格可行嗎？本文介紹如何運用DISC性格模型，判斷主管偏好的溝通方式，並調整彙報、回饋與向上管理策略，讓職場溝通更順暢。節錄自《AI職場溝通力》。
文／紀菲
本文目錄（點擊可快速前往）
懂性格分析的AI，幫你輕鬆應對「百變」上司用AI工具分析主管DISC性格及應用步驟一：蒐集資訊步驟二：利用AI進行分析與回饋步驟三：理解上司的性格步驟四：調整彙報方式步驟五：應用並觀察步驟六：持續改進想分析上司性格，要提供哪些資訊給AI？
懂性格分析的AI，幫你輕鬆應對「百變」上司
在職場上，我們會遇到各種各樣的上司：有的喜歡直來直往，有的喜歡拐彎抹角；有的熱情如火，有的冷靜如水。要想和這些上司打好交道，首先得懂他們！
我有個朋友叫Sam，他在一家公司做專案助理。他的上司王總是個典型的「工作狂」，對工作要求極高。Sam剛就職那陣子，每次彙報工作都小心翼翼地，生怕出一點差錯。但王總似乎總是不太滿意，Sam為此頭疼不已。
有一天，Sam在為一個重要的項目彙報做準備，他知道這將是一次大考。於是，他加班到深夜，把彙報資料做得盡善盡美。第二天，他信心滿滿地走進會議室，結果王總聽了不到5分鐘，就皺起眉頭說：「這些細節我都知道了，直接說重點！」Sam當場就傻眼了，他辛辛苦苦準備的內容就這麼被一句話帶過了。
你看，如果我們不能準確把握上司的性格和溝通風格，那麼我們的努力很可能就會付之東流。
在探索和瞭解他人方面，人類的智慧是無窮的。學者們提出了多種性格分類方法，這些方法可以幫助我們更好地理解他人，更好地與他人溝通。而在職場溝通中，我想給大家介紹一個非常實用的性格分析工具—DISC性格分類模型。這個模型把人的性格分成4種類型：D型（Dominance，支配型）、I型（Influence，影響型）、S型（Steadiness，穩健型）和C型（Compliance，服從型），如下圖所示：
我們可以簡單地這樣記：D老大、I小太陽、S暖寶寶和C小偵探。
D老大：就是那種走路帶風、說一不二的上司。他們目標明確，行動迅速，喜歡掌控全域、直截了當，不喜歡拖泥帶水。
I小太陽：這種人熱情開朗，總是笑容滿面。他們喜歡和人打交道，善於帶動團隊氛圍，鼓勵發揮創意和自由表達。
S暖寶寶：這種人性格溫和，耐心細緻。他們總是默默付出，為團隊提供溫暖和支持，這類上司則更注重團隊的和諧與穩定。
C小偵探：他們邏輯性強，注重細節，總是能發現別人忽略的問題，是團隊中的「糾錯專家」。他們追求完美，對工作品質有極高的要求。
說到這4種性格的人，我腦海裡立刻浮現出《西遊記》。孫悟空就是D老大，戰鬥力「爆表」，喜歡獨當一面；豬八戒就是I小太陽，總能逗大家開心；沙僧則是S暖寶寶，默默付出，不求回報；唐僧就像C小偵探，追求完美、講究細節，如下頁圖所示。
那我們如何應對這幾種性格的上司呢？
遇到D老大，你就得直接點，別繞圈子，有什麼說什麼，別拖拖拉拉的，他們喜歡有決斷力的下屬。
遇到I小太陽，你就得熱情點，多誇誇他們。他們喜歡被人關注和認可，所以你的回饋要及時。
遇到S暖寶寶，你就得耐心點，多聽聽他們的想法。他們雖然話不多，但心裡都有數。
遇到C小偵探，你就得嚴謹點，別出錯。他們眼睛裡容不得一粒沙子，所以你的報告不但要詳細，還需要有深度。
你可能會說：「我知道不同的人有不同的性格，但我不擅長分析別人的性格啊，這可怎麼辦？」不用擔心，有AI幫你，它就像一位高情商的人際管理專家。
用AI工具分析主管DISC性格及應用
比如Adam，他以前總是搞不懂上司的心思。但自從他使用了AI性格分析工具後，一切都發生了翻天覆地的變化。
那Adam具體是怎麼做的呢？
步驟一：蒐集資訊
Adam開始蒐集上司在溝通方面的資訊，包括：上司在團隊郵件中的回覆、上司在會議上的發言、上司寫的報告或工作指導文件。
步驟二：利用AI進行分析與回饋
他將蒐集到的資訊提供給AI，讓AI透過自然語言處理技術來分析上司的語言風格和行為模式。
比如，他可以這樣問AI：
「我們現在面臨的挑戰非常嚴峻。專案進度已經比原計畫落後了整整兩週，這對我們整個季度的業績都有影響。我需要大家立即行動起來，展現出我們團隊的執行力和決心。首先，我要求專案經理立即提供一個詳細的趕工計畫，包括每天的具體任務和預計完成時間。其次，我需要所有團隊成員對自己的工作負責，確保每一步都精確無誤。我們沒有時間再犯錯誤。我不希望再聽到任何關於問題的討論，我需要的是解決方案。如果你遇到障礙，給我一個明確的計畫，告訴我你打算如何解決它。我們的目標是在下個月底前完成這個專案，不要有任何藉口。最後，我需要看到資料，看到進度。每個部門的負責人都要向我報告你們部門的進展情況，以及你們如何確保按時完成任務。我期待大家的表現，讓我們行動起來！」這是我的上司在會議上的發言，請基於這段發言幫我分析上司的DISC性格。
AI回答：
基於您提供的上司在會議上的發言，我們可以嘗試對他的DISC性格進行分析。DISC性格分類模型是一個廣泛使用的性格分析工具，它根據四個主要面向來評估一個人的性格傾向：D（支配型）、I（影響型）、S（穩健型）和C（服從型）。從發言中，我們可以觀察到以下特點：D（支配型）：●強調專案的緊迫性和重要性；●要求立即行動，展現出對結果和效率的重視；●不希望聽到問題，而是直接見到解決方案；●設定明確的目標和期望，即在下個月底前完成專案。I（影響型）：●在這段發言中，上司並沒有特別展現出強烈的影響型特徵，如熱情或鼓勵性的言辭。S（穩健型）：●雖然上司強調了專案的緊迫性，但他並沒有表現出典型的穩健型特徵，如耐心、合作或考慮他人的情感。C（服從型）：●要求專案經理提供詳細的趕工計畫，並需要每個部門報告進展情況；●強調工作推動精確無誤，這反映他對細節和準確性的關注。
基於上述分析，我們可以推斷這位上司的性格傾向於D（支配型）和C（服從型）。他展現出強烈的任務導向性，要求迅速行動、設定明確目標，並關注細節和準確性。他不太注重情感因素或團隊合作等軟性方面，而是更關注結果和效率。
需要注意的是，這種分析是基於一段特定的發言進行的，而人的性格是複雜的，可能在不同情境下展現出不同的特點。因此，這種分析應該被視為一種初步和大致的評估。
在反覆提供不同資訊和AI進行分析討論後，Adam判斷上司很可能是D型。
步驟三：理解上司的性格
Adam又問AI：針對D型上司，如何溝通更有效率？
AI回答：
針對D型上司，要實現高效率溝通，可以考慮以下幾點策略：1.直接和簡潔。D型上司通常喜歡直接、簡潔的溝通方式。因此，在彙報工作、提出問題或尋求回饋時，你應儘量避免冗長和複雜的表述，直接陳述要點，用資料和事實支持你的觀點。2.突出結果和解決方案。D型上司往往關注結果和行動。在與D型上司溝通時，應優先展示你已經取得的成果或計畫達成的目標，並針對問題準備好相應的解決方案，不要只是抱怨或尋求同情。3.尊重上司的時間。D型上司通常時間觀念很強，不喜歡浪費時間。因此，在與其溝通前要確保你的請求或問題是緊急且重要的。同時，在會議或討論中，你應儘量保持高效率和專注，避免進行無關緊要的閒聊。4.保持積極和自信。D型上司通常欣賞下屬積極、自信的態度。在與其溝通時，要表現出你的專業性和自信，同時避免發表過於消極或自我否定的言論。即使你面臨困難或挑戰，也要展現出你正在積極尋找解決方案的態度。5.提供明確和具體的回饋。當D型上司向你提出要求或建議時，你要給予明確和具體的回饋。這有助於他們瞭解你的進展情況和需要的支援。同時，如果你對他們的要求有任何疑問，也要及時提出並尋求澄清。6.瞭解並適應上司的溝通風格。瞭解並適應上司的溝通風格可以幫助你更有效地與他們溝通。透過觀察他們的行為、語言和溝通習慣，你可以逐漸理解他們的期望和需求，並據此調整自己的溝通方式。7.尋求共同點。在溝通中，嘗試找到與D型上司的共同點。這有助於建立聯繫和信任，並使他們更願意聽取你的意見和建議。綜上，要記住，高效率溝通是一個雙向的過程。在努力適應D型上司之溝通風格的同時，也要保持自己的專業性和自信，勇於提出自己的觀點和建議。
步驟四：調整彙報方式
根據AI的回饋，Adam開始調整自己的彙報方式。他學會了在彙報前總結關鍵點，確保每個要點都簡潔有力；他避免進行冗長的解釋，而是直接提供結果和必要的資料支持。在提出問題時，他會同時提供幾個解決方案，並闡述每個方案的利弊。
步驟五：應用並觀察
在下一次與上司的一對一會議中，Adam採用了新的彙報方式。他直接彙報了項目的關鍵成果，並提出了幾個明確的後續行動計畫。Adam注意到上司對他的彙報反應積極，沒有像以前那樣頻繁打斷他，而是認真聽完了他的彙報，並給予了建設性的回饋。
步驟六：持續改進
Adam意識到溝通是一個持續的過程，他決定繼續使用AI來監測上司的反應，並根據需要調整自己的溝通策略。
時間一晃就過去了好幾個月，Adam在這段時間裡截然不同。他和上司的溝通越來越順暢，這讓自己在職場上的形象煥然一新。上司看他這麼能幹，不僅經常找他商量事情，還把更多的重擔交給了他，對他既信任又看重。
想分析上司性格，要提供哪些資訊給AI？
那我們可以蒐集哪些資訊提供給AI，讓AI幫助我們分析上司的性格呢？我幫你整理了一下，具體如下：
郵件：上司在郵件中呈現的語言風格、決策指令和溝通方式都是分析上司性格的關鍵線索。
會議發言：如果可能，蒐集上司在會議中的發言，包括開場白、提出的問題、做出的會議總結等。
工作文件：例如主管撰寫的工作報告、專案計畫書或績效評估報告等文件，能夠體現上司的專業風格和性格傾向。
決策案例：記錄上司在特定情境下做的決策，包括決策的速度、風格和偏好等。
回饋和評價：上司在工作中給予的回饋和評價，尤其是上司提出的批評和建議。
日常交流內容：在日常工作中，上司與同事的非正式交流內容，如休息時的聊天內容。
演講：上司公開演講的影片也能為分析上司的性格提供線索。
任務分配方式：上司分配任務的方式也能反映其性格特徵。
最後，溫馨提示一下，人的性格複雜多變，不是一兩個詞就能概括的。比如，一個人平時看起來挺果斷，做事雷厲風行，但處理一些講究細節的問題時，他又能慢得下來。所以，借助AI分析上司的性格時，別指望一次就能分析得徹底，可以多分析幾次，嘗試不同的AI工具。
跟上司打交道，別急著給他們貼標籤，我們得多觀察，多瞭解他們的性格，然後據此調整我們說話做事的方式。要是覺得與上司的溝通不太順暢，就要及時改變溝通策略，在不斷調整的過程中，我們和上司的溝通肯定能越來越順暢。
節錄自：商周出版《AI職場溝通力：讓你在彙報、面試、提案中一開口就說服人．AI時代不被淘汰的職場溝通學》／紀菲 著
AI工作專區｜工程師、PM、行銷的AI應用人才，企業AI徵才技能整理
AI時代來臨，企業對AI應用與自動化人才的需求不斷成長。從軟體工程師、產品經理、專案經理（PM）到行銷人才，懂得使用AI工具：RPA自動化流程、n8n無程式的工作流程整合，在就業市場已開出新的人才賽道，成為企業招募新一代人才的重要加分條件。
本文目錄（點擊可快速前往）
AI技能找工作機會｜RPA、n8n、Vibe CodingRPA（Robotic Process Automation，機器人流程自動化）n8n（開源的工作流程自動化工具）Vibe Coding（氛圍程式設計）職務結合AI工作機會AI行銷人才AI應用管理師 Project Manager、AI PMAI產品經理（AI Product Manager）AI設計師（UI/UX）AI應用軟體工程人才AI、演算法工程師FAQ：AI工作常見問題AI＋自動化技能能提高薪資嗎？學AI可以做什麼工作？
AI技能找工作機會｜RPA、n8n、Vibe Coding
RPA（Robotic Process Automation，機器人流程自動化）
透過軟體「機器人」來模擬人類在電腦上執行重複性、規則化任務的技術，無需改變原有系統或進行複雜開發。
職缺舉例：RPA Business Development Specialist、HR數位轉型專案管理師、業務管理師、通路服務規劃人員
[joblist_plugin title='【RPA】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=3&keyword=RPA&order=15' amount='3']
n8n（開源的工作流程自動化工具）
可幫助工作者自動化重複性任務，整合各種應用服務，類似Zapier或Make.com，擁有更高的彈性。
使用範例
每日定時抓取某API數據→整合→發送Email報表
當表單送出→整理資料→寫入Google Sheet→發Slack通知
自動化CRM建立客戶資料 + 產生任務 + 發送開通信件
[joblist_plugin title='【n8n】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=2&keyword=n8n&order=15' amount='3']
Vibe Coding（氛圍程式設計）
工作者運用語言模型（ChatGpt、copilot）等AI技術，透過自然語言與AI對話，讓AI自動生成所需程式碼，大幅降低開發門檻。只需描述想要達成的功能，AI便能撰寫程式，無需深入理解底層程式運作原理，可以不透過工程師達到將網頁、APP快速送入市場驗證的開發模式。
[joblist_plugin title='【Vibe Coding】精選職缺' url='https://www.104.com.tw/jobs/search/?keyword=vibe+code&order=15&page=1' amount='3']
看不夠？來去逛逛 104數位與科技人才專區
職務結合AI工作機會
AI工具的應用，讓專業工作者能提高工作效率（避免耗時的行政流程）、創意創新的競爭力（給予AI思考框架，提出不同的創新想法）、決策支援（藉由數據資料的匯入，與AI協作預測商業策略執行優勢與須備風險管理的地方）。
AI行銷人才
企業期待新一代的行銷人將專業的行銷know-how結合AI與MarTech的技術，能更精確的了解市場、找到用戶痛點、制訂與執行更有效的行銷策略。
必備技能：AI工具（ChatGPT）、RPA與n8n自動化排程、GA4。
加分條件：懂MarTech串接與數據驅動行銷策略。
[joblist_plugin title='【AI Martech 行銷】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=3&keyword=AI+Martech&order=15&jobcat=2004001000' amount='3']
AI應用管理師 Project Manager、AI PM
結合PJM對組織流程、利害關係人的了解，提升決策效率與資源運用，並在複雜多變的環境中，精準規劃、協調跨部門團隊，確保專案按時、高品質交付，創造更高的商業價值。
[joblist_plugin title='【AI專案經理】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=1&keyword=AI+n8n&order=15&jobcat=2004003006' amount='3']
AI產品經理（AI Product Manager）
產品經理需要能精準識別使用者需求，將AI能力轉化為實際功能，並制定策略與路線圖，協調跨部門資源，確保AI產品從概念到落地，能創造最大化的商業價值與使用體驗。
必備技能：敏捷開發、數據分析、RPA流程設計、n8n工作流自動化。
加分條件：懂Prompt Engineering，能規劃AI產品MVP
[joblist_plugin title='【AI專案經理】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=2&keyword=AI+n8n+%E7%94%A2%E5%93%81%E7%B6%93%E7%90%86&order=15&jobcat=2004003005' amount='3']
AI設計師（UI/UX）
結合AI技術與使用者行為洞察，打造人性化的產品體驗。需要理解AI產品的運作邏輯，將複雜的演算法結果轉化為直覺且易於使用的介面，在設計過程中融入個人化體驗與數據驅動的設計思維，確保產品兼具美感與功能。
[joblist_plugin title='【AI UI/UX 設計師】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=1&keyword=AI+&order=15&jobcat=2013001015,2013001016,2013001006,2013001020' amount='3']
AI應用軟體工程人才
幫助提升公司營運效率，工作內容包含開發與推進AI自動化應用，包括文件生成、知識查詢、任務建議與流程輔助，提升日常作業效率。
[joblist_plugin title='【AI應用工程師】精選職缺' url='https://www.104.com.tw/jobs/search/?jobsource=joblist_search&mode=s&page=1&keyword=AI+%E6%87%89%E7%94%A8&order=15&jobcat=2007001000' amount='3']
AI、演算法工程師
邊緣運算、LLM、AI/ML 演算法、生成式AI、影像辨識、資料科學……等專業技術領域
[joblist_plugin title='【AI、演算法工程師】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=1&order=15&jobcat=2007001020,2007001012' amount='3']
FAQ：AI工作常見問題
AI＋自動化技能能提高薪資嗎？
能，降低人工成本，幫企業節省大量時間。幫助公司快速決策，提升專案 ROI。具備跨領域競爭力，在數位轉型浪潮中更具優勢。
學AI可以做什麼工作？
學AI可以應用在與數據、軟體、流程優化相關的工作中。例如：行銷人多會了AI，可以不透過工程師快速架設行銷活動網站、PM會AI，可以自動化縮短寫規格書的時間、透過Vibe Coding方式加速MVP的推出，工程師可以透過AI協作，更快產出80%的程式碼，將時間投入優化code的過程。
看不夠？來去逛逛 104數位與科技人才專區
4個不該再用AI工具做報告的真相！推薦AI Agent生成簡報，自動化任務：找資料、圖表分析、PPT設計
文 /職迷不霧
用 AI 工具像 Gamma 、 ChatGPT 做報告是多數人的推薦💻 雖然可以快速生成簡報 PPT ，但內容和資料的品質真的有符合你的標準嗎？是不是還要花很多時間編輯？終於，全球首款 AI 代理 Manus 來了👏 你有更專業的選擇！這篇文章要用 AI 簡報工具的 4 大真相來對比 AI Agent 厲害的自動化任務
4 個不該再用 AI 工具做報告的真相（點擊快速抵達）
真相1. AI 簡報工具內容完整度不足
真相2. AI 生成的圖片與報告關聯性低
真相3. 文筆「AI味」暴露不像人寫的
真相4. 下載PPT會跑版，還有浮水印
剛好迷編我這週要做競業分析，我就用一樣的指令，同時請 AI 簡報工具與 AI Agent 幫我製作簡報 請幫這個IG：https://www.instagram.com/career_noloss?igsh=eHI0cnYwd2JqaXo1&utm_source=qr 做競業IG分析，比較對象要有3個IG帳號 先來看看第一個血淋淋的比較👇👇👇
真相1. AI 簡報工具內容完整度不足
為了讓看報告的人可以快速理解，通常簡報一開始的目錄與前言說明是很重要的！可以很明顯的看到 AI 簡報工具（左）只有粗淺的一段話介紹，而 AI Agent（右） 能寫出有邏輯的目錄，還幫我自動生成研究背景、研究目標與方法🔍，沒想到只要我一句簡單的話，然後附上 IG 連結，他就可以寫得這麼詳細！在沒有讓他接管登入我 IG 帳號的情況下，可以做到這種程度真的很厲害呢👏
而且我確認過了， AI Agent 找出來的資料都是最新、正確的數據！
同時我也測試了其他 AI 簡報工具...超殘酷......有些甚至沒有讀取 IG 網址的能力😭😭😭
點擊快速回目錄⤴
真相2. AI 生成的圖片與報告關聯性低
這一頁是在分析我經營的職迷不霧 IG 與其他競業 IG 的比較，AI 簡報工具（左）用 AI 繪圖生成了一張意義不明的照片，看似漂亮實則沒有幫助👎。在簡報中，放圖片是為了幫助讀者理解和加強記憶，是文字很重要的視覺輔助，別為了填滿空白而塞進與主題無關的圖片～這樣會讓簡報扣分喔～反觀，AI Agent（右）不僅圖文相符，還畫出了可參考的數據圖表，我一眼就能看出重點👀：四個帳號的比較分析、內容特性差異與綜合洞察
這是 Manus 在簡報中自動幫我生成不同款式的圖表，資料給的很完整，就是我需要的！資訊也都正確，我可以直接拿來用不用改！
點擊快速回目錄⤴
真相3. 文筆「AI味」暴露不像人寫的
聊天機器人剛問世的時候，許多人都在擔心作家、文案寫手會被取代，但透過這一年間人們的大量使用，已經有專家盤點出用 ChatGPT 寫文的特徵，比如：重複出現相同的句型、過多不必要的連接詞、立場太過於中立...等等，這些缺陷就是我們常說的「 AI 味」 🤖。就算不是專家，只要每天在社群刷貼文的人，或多或少都能識別出某些貼文是 AI 寫的還是真人寫的。
而目前 AI 簡報工具也存在這樣的問題，以優劣分析這頁來說，就看到固定格式的句型「專業度高」、「實用性強」、「更新頻率高」，雖然 AI Agent 也是有一點點這種感覺，但至少看得出來他有在換句話說了，比如：，還會加上一點人類會說的字詞「可能」、「找出」...等等，讓文法看起來不那麼生硬✏️，不過迷編還是建議要自己再做潤飾調整喔～
點擊快速回目錄⤴
真相4. 下載PPT會跑版，還有浮水印
請 AI 幫忙做報告就是要省時省力，但往往 AI 簡報工具將檔案轉換成 PPT 格式後就嚴重跑版，甚至還有些投影片直接變成一張無法編輯的 JPG 圖片😭 最後反而花了更多時間做修修改改。改用 AI Agent 之後，輸出 PPT 跑版的問題減少很多，簡報中的 icon 圖示、色塊、頁碼都還可以再自己編輯調整，重點是沒。有。浮。水。印！
點擊快速回目錄⤴
看完 AI 工具和 AI Agent 的殘酷比較後，對 AI 代理的認識是不是又更進一步了呢😊 如果你對迷編使用的 AI Agent 很感興趣，可以試試 Manus AI ～ 現在就拿它來做報告吧！如果今天的文章有幫助到你，點這裡追蹤職迷不霧💗 我們是分享 AI & 職場成長內容的 IG ，幫助你天天偷學一點！加薪多一點！
其實在經營社群之前......原本我對工作很迷惘，後來因為好玩學 AI ，練就 AI 技能！！沒想到有天，我在網路上看到自己的職涯地圖...就這樣換到超讚😍薪水更高的新工作 現在每天上班都好開心！！如果你想換工作的話，可以試試看我用的 職涯規劃工具🧚～目前還不用錢，趕快用！！
作者：職迷不霧點我追蹤職迷不霧 IG ❤️❤️❤️
延伸閱讀：【AI做報告】4個超推薦AI報告工具！幫你生成報告、找文獻、做簡報PPT、套設計模板必備【AI聊天機器人】推薦選哪個？4大AI比較！馬上找到適合的AI助手：ChatGPT、Grok、Gemini、Deepseek【AI懶人包】看這篇就夠！2025推薦AI免費vs訂閱工具大全，提高工作生產力&職場競爭力！（持續更新)
「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＞
告別制式勞動，迎向 AI 時代人才的變革與重構
從 AI、大數據到雲端運算，智慧科技持續重塑企業運作模式，也同步改變科技人才的能力結構與職涯路徑。當技術不再只是工具，而是開始參與決策、流程與協作機制的設計時，企業對人才的期待，也隨之快速被改寫。隨著生成式 AI 進入科技研發現場，產業競爭的焦點，逐漸從單純的效能與技術規格面，轉向研發流程、協作效率與人才結構的重新配置。
文／104人力銀行
立即下載《2026科技業人才報告書-人才版》
本文導覽：
先定義後拆解，掌握工具且能同時進化的優勢
AI 不是取代能力，而是重新設計組織的槓桿
AI 改變的不只是工具，而是人才競爭的基準
無論是深耕資安領域的趨勢科技、由單點工具轉向 AI 驅動工作流程的KDAN 凱鈿、將服務版圖延伸至「新商務」場景的騰雲科技，亦或是持續推動流程優化的技嘉科技，皆不約而同指出：AI 並不是單一技術的導入，而是從根本上，重新定義工程師的工作方式與企業的選才邏輯。
先定義後拆解，掌握工具且能同時進化的優勢
趨勢科技指出，在資安產業中，AI 的導入不僅提升效率，更放大了攻防的速度與規模。企業真正需要的，已非能單純完成任務的工程師，而是要能理解問題、拆解問題，並知道如何運用 AI 讓產品與防禦能力持續進化的人才。「企業現在看的人才，不再是會不會寫 code，而是能不能用 AI 定義問題、拆解問題，並把它真正放進工作流程裡。」
這樣的轉變，使「會寫程式」逐步從門檻條件，轉變為一種基本能力。
KDAN 凱鈿則觀察到，企業選才的標準明顯被翻轉。過去對工程師的面試，多半以程式語言的熟悉度為主，然而當 AI 加入成為日常工具，真正拉開差距的，反而是思考邏輯和問題拆解的能力。「以前我們面試工程師，程式語言熟悉度大概佔六、七成，思考能力佔三、四成；現在幾乎倒過來。」甚至可以說，判斷能力及邏輯架構，已遠勝單一技術的掌握。能力結構之外，AI 也在重新設計工作流程本身。
AI 不是取代能力，而是重新設計組織的槓桿
面對 AI 帶來的轉型壓力，騰雲科技則是認為，企業需要的人才，除了熟悉新工具，得要能解構既有的流程與模式，並予以重新加以設計。「頂尖的人才必須完備能解構問題的智慧，將經年累月結痂的既有工作流程無情拆解，再結合新工具進行徹底重構，以此創造出破局的商業價值。」在如此框架之下，AI 並非取代既有能力，反倒成為推動組織再造的重要槓桿。
相較之下，在硬體與韌體研發領域，AI 帶來的影響則呈現不同面貌。
AI 的導入並非突然出現，而是建立在長期流程自動化與知識共享文化的基礎之上。技嘉科技表示，當標準化與重複性的工作逐步由工具接手，企業在選才的課題上，反而更回到人才的本質。「AI 並沒有讓工程師變得不重要或被取代，反而讓一件事變得更加清楚——當工具越來越強，人真正不可取代的，仍然是持續學習、理解問題，以及把經驗轉化為能被團隊延續的知識。」
也因此，雖分處不同產業與戰略位置的四家企業，卻給出近乎一致的答案——AI 確實已改變你我的工作流程與內容，也對工程師的角色重新定位，然而企業真正關注的，不是誰會被取代，而是誰能定義出與 AI 協作的新方式。
AI 改變的不只是工具，而是人才競爭的基準
當 AI 已能協助完成大量數據的整理、流程文件撰寫及程式生成，甚至是輔佐當下決策的研判時，隨之浮現的是一個跨越產業和領域的深層叩問——AI 會不會取代人類？
觀察四家受訪的企業，答案竟出乎意料地一致：AI 並不會讓「人」變得不重要，而是讓人才的價值重新排序。但首先被改變的是，企業對工程師角色的認知與理解。當標準化、重複性的工作逐步由工具接手，真正拉開差距的，不是技術的熟練度，而是能否理解問題、拆解流程，並持續與新工具共同進化的能力。
正如受訪者所指出：「不是 AI 會取代人，而是會用 AI 的人，會取代不會用 AI 的人。」對企業而言，這意味著選才邏輯正在改變；對求職者而言，也代表未來職場的競爭力，將來自於跨領域理解問題的能力，以及在變動之中持續重塑自身角色的位置。
立即下載《2026科技業人才報告書-人才版》
掌握更多科技業人才趨勢，大家都在看這些：
告別制式勞動、迎向職能重構：騰雲科技在 AI 時代的破局商業學
AI 時代，寫程式不再是護身符——KDAN 凱鈿重新定義「好人才」
AI 時代的研發現場：回歸人才特質，技嘉如何重新定義工程師的工作方式
在趨勢科技，唯一的競爭對手是駭客：AI 時代下，資安人才與研發現場的真實變化
問卷設計用AI怎麼做？Gemini輔助6步驟完成Google表單、自動分析結果
市場調查是很專業的工作，不過如果只是小規模的市調，也可以用AI工具幫忙設計，好處是可以快速獲得方向跟靈感，節省憑空構思問題的時間！作者以Gemini示範如何快速完成Google表單問卷，以及運用AI統計問卷結果並加以分析。本文節錄自《最強！Google AI 工作術》。
文／蔡宜坦、施威銘研究室
本文目錄（點擊可快速前往）
問卷設計快速生成！請AI幫忙設計問卷內容如何把準備好的問卷題目製作成Google表單？Google問卷表單回覆怎麼看？讓AI幫你深入分析問卷結果
企業若能掌握消費者的消費意向，便能推出更符合需求的產品或服務。想要了解消費者的需求與意願，最常見的方法就是做「市場調查」，例如新品試用調查、滿意度調查等，這些方式都能獲取消費者最真實的意見回饋。
然而，市場調查是很專業的工作，涉及問題分析、抽樣方法、樣本規模、問卷設計、問卷發放、問卷回收與結果分析等，每個環節都要謹慎處理，以免誤差影響分析結果。市面上有許多公司提供線上市調服務，但是大部分都需要付費。其實如果只是小規模的市調，也可以用AI工具幫忙設計，不僅如此，AI還能統計問卷結果並加以分析，會成為你的市調好幫手！這一節我們就要實做用AI協助做線上市調問卷的過程。
使用AI：
Gemini：https://gemini.google.com/
問卷設計快速生成！請AI幫忙設計問卷內容
假設你已經想好問卷的目標，例如想要問消費者對新產品的購買意願、想要調查某活動的滿意度等，在設計問卷時，就可以透過提示詞告訴AI你想做什麼，讓AI協助生成相關的問題。
下面就以「市集活動滿意度調查」為例，我們要請AI擬出10個問題，詢問消費者對活動中每個環節的滿意度，作為下次辦活動的參考：
【提示詞】幫忙設計〔問卷主題〕問卷要收集〔填入收集資料〕，可以參與問卷填寫後的〔填寫後提供獎勵或進一步互動方式〕我想知道〔描述目標使用者〕的顧客對於〔可輸入更多想提問的項目〕的滿意度和印象好（或不好）的地方請設計〔指定生成數量〕個題目
圖／旗標科技《最強！Google AI 工作術》
輸入提示詞後，AI馬上就做出一份問卷，包含問卷標題、問卷前言、還有10個題目的問答項目。像這樣請AI製作問卷，好處是可以快速獲得方向跟靈感，而且AI整理的問題有明確的架構，例如它先問活動體驗，再問回饋建議，最後才是填寫抽獎資料，這已經具備基本的問卷架構，可以節省憑空構思問題的時間。你也可以再請AI調整或是自行增減項目，製作出更符合需求的問卷。
【問卷設計】GEMINI生成結果：
包括：問卷標題、問卷前言（簡介問卷內容和說明獎勵機制），可提升受訪者的參與意願
圖／旗標科技《最強！Google AI 工作術》
擬出十個問題（節錄）
圖／旗標科技《最強！Google AI 工作術》
如何把準備好的問卷題目製作成Google表單？
假設AI產生的問卷題目大致符合需求，接著就要將題目製作成可正式發布的問卷。目前大多數線上市調都是以Google表單製作的，如果你從來沒有製作問卷的經驗，也可以請AI教你製作步驟，下面就為你示範（如果你對Google表單已經很熟悉，即可略過此部份的說明）。
1. 直接請AI教我們做：AI馬上列出操作步驟，跟著步驟即可將問卷內容建立成Google表單。由於前面已經請AI準備好題目，可以在設定題目時派上用場。
【提示詞】可以教我如何將問卷內容轉換成Google表單嗎？
圖／旗標科技《最強！Google AI 工作術》
2. 登入並新建Google表單：試著按照AI第1個步驟的說明，進入Google表單網頁：https://docs. google.com/forms/。進入Google表單後，會看到一個「+」鈕，按下此鈕就可以建立新表單，要在登入狀態才能使用這功能。
圖／旗標科技《最強！Google AI 工作術》
3. 輸入表單標題及說明：接著會進入「未命名表單」的填寫畫面，請依序輸入表單標題與問題/答案。只要將剛剛AI寫的內容依序複製過來即可。
選取並複製問卷標題，貼到表單標題欄位（可再自行修改）
選取並複製問卷前言，貼到表單說明欄位（可再自行修改）
圖／旗標科技《最強！Google AI 工作術》
4. 輸入表單問題及答案：接著開始輸入問卷中的問題／答案。之前AI已經幫我們把問題列好，直接複製到Google表單中即可，你當然也可以繼續視狀況調整。
複製AI寫好的問卷問題，將問卷的問題貼到表單中
選擇「評分」，就會自動出現五個星等的選項
按此「+」按鈕可以繼續新增下一個問題
圖／旗標科技《最強！Google AI 工作術》
5. 完成後選擇發布：請繼續依照相同的操作，陸續以AI生成的問卷內容為基礎，複製到Google表單，並視需求修改文字內容，表單內容會自動儲存在Google的雲端硬碟裡。最後，按下右上角的發布鈕，即可完成問卷的製作。
按下「發布」按鈕
目前設定是只有知道連結的使用者才能進入問卷頁面，再次按下「發布」鈕即可
圖／旗標科技《最強！Google AI 工作術》
6. 取得問卷連結：問卷發布後，我們只要取得這份問卷的連結，即可分享出去，比如將問卷網址置入社群網站或是電子報，邀請別人來填寫這份問卷。
已經發布的表單，這裡的發布鈕會變成「已發布」鈕，請按一下
圖／旗標科技《最強！Google AI 工作術》
按「複製作答者連結」按鈕。你可以勾選縮短網址項目，讓網址更簡短好記。按複製即可複製此問卷的連結，接下來就可以把這個連結分享給目標消費者了。最後按「儲存」鈕。
圖／旗標科技《最強！Google AI 工作術》
Google問卷表單回覆怎麼看？讓AI幫你深入分析問卷結果
延續前一節的內容，當顧客填完問卷後，可以等累積到一定的量（樣本數），再開始統計資料，以便從數據中統整出有價值的資訊。本節我們要先從Google問卷表單中取出顧客的回覆資料，接著就可以請AI來統計和分析問卷的結果了。
瀏覽Google問卷結果並另存新檔
問卷調查進行一段時間後，當你登入Google表單，切換到回覆頁次，即可瀏覽顧客的回覆。為了方便後續用AI分析結果，我們要將問卷結果匯出成Excel試算表檔案。
切換到「回覆」頁次可查看顧客的回覆。按下「在試算表中查看」即可自動將問卷結果匯出成試算表，點擊「建立」。
接著會自動開啟Google試算表，請執行「檔案 / 下載 / Microsoft Excel（.xlsx）」命令，將檔案儲存成Excel格式，並下載到電腦裡
圖／旗標科技《最強！Google AI 工作術》
提醒：如果下載的是逗號分隔值檔案（.csv），表單中有些中文字會變成亂碼，因此建議儲存為Excel檔。
請AI分析問卷結果
前面我們已經準備好問卷回覆的統計表（Excel 格式 /.xlsx），接下來只要把檔案丟給AI，就可以請AI幫我們分析了，非常方便！
【提示詞】協助分析活動的優缺點
直接把檔案丟給AI，請AI分析活動的優缺點。AI馬上做出優缺點分析報告，你可以看到整體評分、優缺點、改進建議等細節，也可以繼續發問，和AI討論怎麼做會更好
圖／旗標科技《最強！Google AI 工作術》
從這一章就可以知道，以前需要想破頭的文案，還有費時費力的問卷調查與分析工作，現在已經可以靠AI節省大把時間囉！就連研究報告也可以讓AI助你一臂之力喔！
節錄自：旗標科技《最強！Google AI 工作術：以 Gemini 3 為核心，串聯 NotebookLM 與滿滿 AI 工具, 搞定資料分析、簡報製作、 教育訓練等日常工作》／蔡宜坦、施威銘研究室 著
推薦閱讀：
搞定會議紀錄！AI語音轉逐字稿怎麼做？NotebookLM、Gemini操作解析
AI生成簡報工具怎麼選？Gamma、Felo、NotebookLM等6大AI工具推薦
如何用AI準備證照考試？NotebookLM學習備考超實用5步驟完整解析
數位化行為改變技術與遊戲化應用 行為改變技術 大葉大學國企系
數位化行為改變技術與遊戲化應用 行為改變技術 大葉大學國企系
一、章節導言
隨著數位科技與行動裝置普及，行為改變技術已廣泛結合 數位工具與遊戲化元素，以提高參與度、動機與持續性。本章將介紹數位化行為改變技術的概念、遊戲化設計原則、應用方法與實務案例，幫助學生理解如何在數位環境中有效促進行為改變。
二、數位化行為改變技術概念
1. 數位化行為改變技術（Digital Behavior Change Techniques, DBCT）
o 將傳統行為改變技術（如自我監控、社會支持、目標設定）轉化為數位形式，例如 App、穿戴裝置或線上平台。
o 優勢：可即時追蹤、提供反饋、低成本、擴散速度快。
2. 核心功能
o 即時監控：App 或穿戴裝置記錄行為數據，如步數、運動時間、睡眠時長。
o 反饋提示：根據數據提供個人化建議或提醒。
o 社群互動：線上社群、排行榜、分享功能增強社會支持。
o 目標設定與追蹤：數位平台可設定階段目標與進度追蹤。
o 激勵與獎勵：數位徽章、積分、排名或兌換獎勵。
三、遊戲化應用原則
1. 遊戲化（Gamification）定義
o 在非遊戲情境中，運用遊戲設計元素來提高行為參與與動機。
2. 主要遊戲化元素
o 積分（Points）：行為完成後累積積分，建立成就感。
o 徽章（Badges）：達成特定行為或目標時獲得徽章，提供象徵性認可。
o 排行榜（Leaderboards）：社群內行為比較，激發競爭或合作動機。
o 任務與挑戰（Quests & Challenges）：設計階段目標與挑戰，增加目標感與挑戰感。
o 即時反饋（Immediate Feedback）：即時告知使用者行為結果，增強自我效能感。
3. 遊戲化設計原則
o 目標明確：每個遊戲元素應與行為改變目標直接相關。
o 動機匹配：結合內在動機（自我成長）與外在動機（積分、獎勵）。
o 可持續性：設計長期挑戰與階段目標，避免初期興奮消退後流失。
o 社群互動：設計排行榜、團隊任務或社群互動，強化社會支持。
四、數位化行為改變技術應用流程
（一）需求分析
1. 確定目標行為（如運動、飲食、學習、環保行為）。
2. 調查目標族群使用數位平台的習慣、偏好與可接受性。
（二）技術選擇與遊戲化設計
1. 選擇數位化技術工具：App、穿戴裝置、線上平台。
2. 設計遊戲化元素：積分、徽章、排行榜、任務挑戰、即時反饋。
3. 確保元素與行為目標對齊，並結合內外在動機。
（三）實施計畫
1. 時間安排：階段性目標與長期挑戰規劃。
2. 資源配置：開發或選用數位平台、設定社群管理與數據分析。
3. 執行方式：線上推播通知、App 推薦、社群互動引導。
（四）效果評估
1. 數據追蹤：使用者行為次數、完成率、挑戰達成率、社群互動數據。
2. 問卷與心理指標：動機、自我效能、滿意度調查。
3. 前後測對比與控制組設計，分析干預效果。
五、章末重點整理
1. 數位化行為改變技術能將傳統技術轉化為可即時追蹤、互動與激勵的數位形式。
2. 遊戲化透過積分、徽章、排行榜、任務與即時反饋，提升參與動機與行為持續性。
3. 設計數位化專案需結合需求分析、技術選擇、遊戲化元素、實施計畫與效果評估。
4. 社群互動與內外在動機匹配是數位化行為改變成功的重要因素。
六、討論題
1. 選擇一個日常行為（如運動、學習或飲食），設計數位化干預方案，並納入至少三種遊戲化元素。
2. 討論內在動機與外在動機在數位化遊戲化設計中的作用與平衡。
3. 如何利用社群互動與排行榜設計，提高亞洲大學生對數位化行為改變專案的參與率？
七、案例分析
案例 6-1：校園健康運動 App 與遊戲化干預專案
• 背景：某大學學生運動不足，平均每週運動次數低於 1 次。
• 專案設計：
1. 數位化技術：運動打卡 App，結合穿戴裝置步數監控
2. 遊戲化元素：
積分：完成每日運動任務累積積分
徽章：達成週運動目標獲得徽章
排行榜：班級間比賽排行榜，激發團隊互動
任務挑戰：設定階段性目標，完成小挑戰獲得額外獎勵
3. 社群互動：App 內留言與分享功能
• 效果評估：
o 八週後平均運動次數提升至 3.5 次/週
o 自我效能問卷得分提升 28%
o 社群互動頻率與運動完成率呈正相關
• 分析重點：數位化技術與遊戲化設計結合，可提升行為參與度與持續性；社群互動在亞洲文化中增強了集體動機效果。
用FoxBrain學老師傅看家本領！鴻海打造的AI模型如何幫省8成基礎工？
鴻海自研語言模型FoxBrain，靠著自建算力與產線數據優勢，讓生成式AI走進工廠現場，不只學會老師傅的技術，更預告未來產品開發流程將全面加速，這背後藏著什麼關鍵技術和策略？一起來揭開鴻海智慧製造的秘密。
文／鄧凱元 由天下雜誌授權轉載
本文導覽
AI上工！鴻海FoxBrain讓人機對話成為工廠日常從租用到自建算力，鴻海砸近億成本訓練FoxBrain從DeepSeek缺陷學經驗：FoxBrain強化推理、聰明又節能老師傅「教」AI！「擷取增強生成」讓FoxBrain懂業內知識AI應用下一步，協助新品開發時間減半
地表最大代工廠鴻海，靠著自建算力，打造出繁體中文AI大型語言模型「FoxBrain」，把當今最具話題的AI代理人運用到工廠第一線，省下80%基礎工，它怎麼做到？
AI上工！鴻海FoxBrain讓人機對話成為工廠日常
今年5月的台北國際電腦展（Computex），鴻海董事長劉揚偉拋出一個驚人的數字：鴻海內部測試結果顯示，在生成式AI協助下，80%的基礎工作可以由AI代勞，剩下20%的困難工作，才是人類的天下。
劉揚偉口中，產線人員與AI代理人互動的實況長這樣：
AI代理：已完成熔膠階段參數推薦。
員工：確認並下一步。
AI代理：已完成射出階段參數推薦。如果沒有出現缺陷，請點擊「先保加壓」。如果當前出現缺陷，請選擇是先解決缺陷還是先保加壓。
員工：先解決缺陷。
AI代理：請告知缺陷類型。
員工：射紋。
靠AI代理推薦、優化機台參數，省下八成基礎的調機工作，這對擁有90萬名員工的鴻海來說，是個巨大的改變。源頭是鴻海自行開發的大型語言模型FoxBrain。
主導FoxBrain開發的鴻海研究院人工智慧研究所所長栗永徽，在接受《天下》專訪時信心滿滿地表示，「FoxBrain有潛力成為台灣推理能力最強的繁體中文大型語言模型。」
從租用到自建算力，鴻海砸近億成本訓練FoxBrain
但開發自家的大型語言模型，對硬體起家的鴻海，是一條崎嶇之路。
栗永徽回憶，3年前在鴻海科技日，董事長要他分析AI的未來，他講的主題是當時學界已經熱烈討論的AI訓練與生成式AI大突破，「我們已經看到大型語言模型就是未來的趨勢。」不過，當時熱潮還沒起，在鴻海內部尚未獲得太多迴響，之後ChatGPT很快橫空出世，AI在集團內開始獲得重視。
一開始，鴻海開發大型語言模型是以租用算力的方式進行，但計算後發現，自建算力還比較划算，成本算得很精的鴻海，開始花錢建構自家算力，建立訓練大型語言模型需要的彈藥。
▲鴻海積極用AI實現智慧工廠，圖為富士康深圳龍華廠。（攝／謝佩穎，由天下雜誌授權轉載）
「算力是所有的基礎，沒有算力談模型，也是空談，」他坦言。
算力也是財力，一張100多萬台幣的輝達H100 GPU，鴻海用了上百張，短短4個月，栗永徽帶團隊餵了大量的繁體中文資料，完成模型的先期訓練。
栗永徽當時就認為，鴻海來自台灣，當然希望FoxBrain不但要繁體中文、能理解在地知識與意識形態，同時還讓模型開源，幫助社會大眾。
另外，FoxBrain在接受一般性資料的先期訓練後，真正要落地，還要透過被稱為擷取增強生成（RAG）的方法，餵入企業的專業知識，「才能準確回到企業需要知道的答案，而不是不懂裝懂亂答，」栗永徽強調。
從DeepSeek缺陷學經驗：FoxBrain強化推理、聰明又節能
FoxBrain有個其他模型沒有的鴻海DNA：成本撙節能力強。內部實測中國年初火爆全球的DeepSeek時，栗永徽察覺到這個當紅模型竟然常過度思考，也就是在回答一個問題時，反覆使用不同的邏輯打斷推理過程，這會吃掉非常多「token」（語言模型的基礎單位）。
若把token想像成「字的積木」，AI模型就是用這些積木一個一個拼出回答，而不是一次就說出整句話。答案愈長、內容愈複雜，用掉的token就愈多，這意味著推理的時間變長，運算成本也更高。
「吐出每個token都要花錢，吐愈多花愈多，」栗永徽直言。
DeepSeek實測，啟發了栗永徽和團隊在發展FoxBrian時，設計出在推論前，先告知推論方法，以及要花多少運算資源，再由人為判斷要採取哪種模式展開，節省不必要的浪費。
另外，FoxBrain也加入了推理能力，能把複雜問題拆成多個小問題，分頭解決後再組成最終答案，透過這樣的方法讓AI變得更聰明。
一位與輝達合作開發模型應用的AI公司開發主管觀察，先前由台灣學界開發全球首創繁體中文專家模型的Project TAME，餵入的繁中資料廣度更多，但受限學界的資源，模型本身不容易持續疊加新發展。而FoxBrain有鴻海的企業資本奧援，模型才有本錢持續更新維護。
鴻海已對外揭露，FoxBrain推出後，將逐步用在智慧製造、智慧電動車、智慧城市三大關鍵應用場景。
實際怎麼用在三大平台？在一場由輝達主辦的論壇上，鴻海首度對外揭露，FoxBrain在製造產線落地的實況。
老師傅「教」AI！「擷取增強生成」讓FoxBrain懂業內知識
身為全球最大的代工製造廠，塑膠成型機擔綱重要角色，必須把塑膠粒子加熱後，射出至模具上定型，製作出筆電、手機、連接器、電視、遊戲機用到的塑膠件。
要把塑膠表面做得光滑、結構扎實又沒有毛邊，必須靠老師傅控制塑膠加熱的溫度與射速等關鍵參數。不過，新人上手時間長、缺工與經驗難傳承等，一直是問題。
所以，AI派上用場了。
鴻海董事長辦公室智能系統研發處長郭錦斌透露，鴻海把訪談現場老師傅的經驗、機台參數、研究等資料餵給FoxBrain，經過短短5個月的訓練，AI已經學會80%的基礎調機工作。
栗永徽解釋，這是透過擷取增強生成的方法，把企業擁有的行業知識傳授給AI，讓模型可以針對特定問題，從資料庫裡精確回答。
透過這樣的方法，AI把老師傅的經驗建構成「知識圖譜」，讓產線人員如同使用ChatGPT般，和AI對話。「這種協作方式以後會是我們產線上的標配，」郭錦斌表示。
▲「知識圖譜」讓老師傅經驗得以傳承。（攝／鄧凱元，由天下雜誌授權轉載）
這樣的應用，也代表大型語言模型搭配AI代理，已經從雲端落地到企業實戰。
相較剛開始反應冷淡，現在每天都有很多單位寫email或傳訊給栗永徽，「都是要來找我們討論FoxBrain怎麼開發、應用，」他笑著說。
AI應用下一步，協助新品開發時間減半
鴻海發展AI應用，有個難以複製的優勢：模型、現場數據、應用到算力的開發者生態圈，正逐步成形。
最快今年第三季，鴻海採用輝達的四櫃AI伺服器GB200 NVL72就有可能落地，屆時GPU數將增加一倍以上。劉揚偉更在Computex宣布，和輝達、台積要新建的AI工廠，GPU的張數有可能增加至萬張以上。
「這個建起來之後，算力絕對是台灣最大，」栗永徽說。
因此，AI除了用來調整機台參數，後續還有更多的工作要做。下一個應用，將是縮短從接單、模具開發到產線參數調整所需的時間。
「新產品開發要花不少時間，所以我們透過生成式AI，提供模具設計的建議，接著再讓AI調整參數，」郭錦斌估計，開發時間可省下將近一半。
未來，鴻海也將逐步把這樣的方法論，導入其他製程。
從塑膠射出產線，再落地到其他製程產線，甚至導入其他事業部的應用場域及平台，鴻海還需要更多時間。但AI這場競賽，已經從雲端高閣，漸漸落地到現場。一場比數據、比算力、比應用的競賽正式展開。
（原文標題：鴻海AI大腦FoxBrain，包下廠內八成基礎工作 如何連老師傅經驗也吸收？）
[joblist_plugin title='更多104【鴻海】精選職缺' url='https://www.104.com.tw/company/233rv1s' amount='5']
延伸閱讀：
AI時代的資工人何去何從？專家：向「文組」取經是條出路
AI會取代工程師嗎？寫程式不再是門檻，如何打造不可替代的能力？
文組生3個月轉職半導體工程師、年薪翻倍！陽明交大為何免費幫上千人轉職？
3張圖看懂AI工廠｜機械手臂從「滿笨的」變好同事，頂大畢業生不用再顧機台
獨家開箱鴻海深圳3大關燈現場 圖解：AI排程、機器人上工，一人能管全球6萬機台
直擊台達黃埔基地祕密武器 AI產線經理：要讓工程師在台灣，操作美國產線
AI會議紀錄整理技巧！6步驟活用Gemini Notebook與指令模板，語音轉文字、中英夾雜也不怕
會議記錄整理總是很花時間，如何運用AI來提高效率？作者分享「AI會議整理術」，6步驟包括運用AI語音轉文字工具，以及活用Gemini Notebook（原NotebookLM）等AI工具來解決中英夾雜、專有名詞一堆等AI會議紀錄常見痛點。搭配AI指令模板，將雜亂逐字稿自動轉譯為「三段式摘要」與「行動清單」，省下60%時間，讓團隊溝通更精準、決策更高效！本文節錄自《高效職場生存法圖解》。
文／趙胤丞、電腦玩物站長Esor
本文目錄（點擊可快速前往）
讓AI用固定模板，把會議討論變成清楚的紀錄與待辦AI會議整理操作教學！6步驟分享，節省60%時間的協作術AI提示詞分享：快速把逐字稿轉成會議筆記、會後郵件AI會議筆記方法論反思與實踐AI會議筆記實戰QA：AI工具怎麼選？轉錄出錯怎麼辦？
（編按：NotebookLM於2026年7月更名為Gemini Notebook。以下為原始文章：）
讓AI用固定模板，把會議討論變成清楚的紀錄與待辦
AI工具不是拿來取代我們，而是為了讓我們能把時間花在「真正要我們思考的地方」。我們都知道，一場會議不只是一場會議，它可能是團隊協作的決策過程，也可能是專案卡關的突破時刻，所以會議過後真正困擾我們的其實是「後續花時間釐清專案未來策略」、「確認接下來要做哪些待辦行動」。
但是，我們卻常常把最多時間花在會議後的資料、記錄整理，結果為了會議筆記拖延了那些真正要馬上去做的下一步行動，這樣的行為無異是「買櫝還珠」。
只是傳統的會議紀錄方式充滿了各種痛點：主持人講得飛快，你無法跟上；對話來回跳躍，記錄順序亂七八糟；會議過程與會者講了一堆，還得再花時間整理報告與Email。這些都是消耗我們寶貴的時間。其實整理不好，這不是你能力問題，而是訊息密度過高、人力處理的效率太低。
這正是AI可以切入協助支援的痛點，幫我們「釐清會議中的決策與行動訊號」。
概念說明關鍵效益自動化轉錄AI將語音自動轉換成文字節省人工聽打時間，不錯過任何細節智慧化摘要AI根據內容自動生成重點與結論快速掌握會議核心，不必重聽錄音行動化轉譯AI從文字紀錄中提取任務與責任人加速「討論」到「行動」的轉換，強化執行效率
資安前提：在使用任何AI工具時，特別是涉及公司內容，務必確認公司、平台的隱私安全規範，以保護你與組織的資料安全。
（圖／創意市集《高效職場生存法圖解》）
AI會議整理應用情境：適用需高效溝通的場合、專案會議、跨部門會議
這套方法適用於所有需要高效溝通的場合，特別是討論內容多且複雜的專案會議，或是需要精準追蹤行動的跨部門會議。無論你是團隊主管、專案經理、還是需要同時處理多項任務的個人工作者，都能透過AI協作來確保會議的討論能確實轉化為可執行的成果。
AI會議整理技巧提醒：加速你的決策行動，而非取代你的判斷
AI是你的副駕駛助手，AI雖然能大幅節省時間，但它的價值在於「加速你的決策與行動」，而非取代你的判斷（畢竟AI無法幫你的錯誤判斷背黑鍋）。最終的行動清單仍需由你人工確認與校對，進而確保共識沒有落差。
AI會議整理操作教學！6步驟分享，節省60%時間的協作術
【Step 1】為什麼需要AI會議記錄工具？
這套AI協作流程不是要你變得更依賴工具，而是讓你學會用工具放大自己的效能，讓每一場會議都能更快進入「創造價值的行動階段」。
傳統會議記錄的痛點AI可以做什麼主持人語速過快、資訊密度高，難以跟上自動語音轉文字，完整保留內容對話跳躍、紀錄順序混亂快速生成會議摘要，還原討論脈絡討論時混雜了資訊、交辦、想法、疑問，清理要花許多時間協助整理任務清單與待辦事項會後還需整理郵件回報輔助產出主管回報Email
當我們試圖用低效方式處理高密度資訊時，就會被迫卡在「文書助理」的角色裡。AI讓我們能專注在會議中的決策、協調與判斷，真正成為「決策轉譯者」。
【Step2】挑選對自己最方便的AI轉錄工具
AI語音轉文字（甚至是會議錄音專用AI工具）已經多如雨後春筍，甚至大多數線上視訊會議工具也都內建錄音與AI轉錄功能。這邊我們沒有要對工具做太多深入解析，而是針對常見的三種會議情境，分享對一般用戶來說最簡單易上手的選擇。
工具應用情境功能簡述PLAUD.ai硬體裝置，方便啟用錄音檔案儲存在本地裝置，內建AI自動處理工作流程雅婷逐字稿手機App，即時轉錄當下即時轉錄，對於台灣用語有相對較在地的處理NotebookLM自行錄音，交由AI轉錄與處理可以建立會議錄音資料庫，由自己的指令決定轉錄的處理方式
【Step 3】如何處理多語混雜與專有名詞挑戰
中英夾雜、專有名詞頻繁，是台灣公司很常見的會議現場情境。現在大多數的AI語音轉錄工具，對於多語內容的辨識已經有一定水準（不過台灣常用的台語，還是有侷限），這部分大家可以實際試試看即可。
而「專有名詞」的部分，例如專案特有的名稱、人物、技術、術噢，可以製作一份「專有名詞表」，在AI要轉錄前，先提供AI，請其根據這份「專有名詞表」來轉錄，往往就可以有很好的效果。
以前面提到的Google NotebookLM為例，我們可以先新增一份專有名詞對照表。
以Google NotebookLM為例，再請AI轉錄會議前，可以新增一份專有名詞對照表（圖／創意市集《高效職場生存法圖解》）
接下來在轉錄時，請AI除了分析錄音檔案，也要對照專有名詞對照表，修改會議筆記內容，就能獲得很好的辨識效果，更重要的是可以大幅度節省後續修改潤飾的寶貴時間。
【Step4】應用「三段式會議摘要」
我們當然可以讓AI把「所有逐字稿」都轉換出來，但這樣其實有點浪費了AI真正「整理」、「重組」、「分析」的能力。
用AI摘要會議紀錄，不是要它幫你「記住全部」，而是幫你「轉譯為可用資訊」。三段式結構最適合會議筆記與摘要：
背景議題：這段討論是在處理什麼？
重點觀察：過程中出現哪些關鍵數據、爭議或決策？
行動建議：這段話最後導出了什麼事要做？有責任人與時限嗎？
你可以在AI指令中明確要求輸出這三段內容，並加註需要標示會議參與者或引用關鍵數據，確保摘要可以立即使用。
用AI摘要會議紀錄，三段式結構包括：背景議題、重點觀察、行動建議，最適合會議筆記與摘要（圖／創意市集《高效職場生存法圖解》）
【Step5】從摘要轉譯為行動清單
會議中最常見的溝通語句是模糊的，例如：「這案子你再follow一下」、「那份簡報誰來處理好？」。如果只是轉錄逐字稿，很有可能只是一對類似這樣的雜亂語句，這時候可以請使用AI判讀以下三要素：
What：要完成什麼事？（如果能寫出具體項目與產出最佳）
Who：誰負責？（要寫上負責人，也要確保負責人知道自己要負責該項目）
When：什麼時候要完成？（最好有明確日期與時間）
示範指令：「請根據以下逐字稿，列出所有可辨識的任務，標示What（要完成什麼事？）／Who（誰負責？）／When（什麼時候要完成？），若有待確認的資訊請註記。」
【Step6】AI會議紀錄實作分享—節省60%時間、保留主導性
每次會議後，我習慣以下流程（當作示範參考，但你可以搭配不同工具）：
會議中用PLAUD.ai錄音並轉文字，確保內容完整。
將逐字稿餵給ChatGPT，依「三段式會議摘要」、「行動清單邏輯」輸出摘要與任務。
核對、補充細節後貼入自己的任務管理工具，並標注優先順序。
需要回報的部分請AI幫我起草Email訊息。
這個流程沒有一個步驟是全部交給AI，自己完全不動手，但AI幫我節省了大約60%的紀錄與輸出時間。我能花更多力氣去思考與決策，而不是被反覆聽錄音與整理報告綁架，但也不會完全由AI主導，結果我自己根本不知道真正的討論內容是什麼。
AI提示詞分享：快速把逐字稿轉成會議筆記、會後郵件
如果你想快速把逐字稿轉成有效的會議筆記、會後郵件，可使用以下指令：
你是一名「會議行動轉譯官」，任務是根據下面逐字稿生成會後追蹤Email。請嚴格依流程輸出：1. 會議摘要（三段式：背景議題／重點觀察／行動建議）2. 任務清單（What／Who／When）3. Email草稿（以專業、精簡語氣撰寫，結尾請列出下一個檢視節點）。請在內容中善用條列，確保收件者一眼就能掌握重點。逐字稿：（貼上逐字稿）
AI會議筆記方法論反思與實踐
1. 重新定義「寫會議筆記」的價值
寫會議筆記的本質是「為了讓事情推進發生」，而非停留塵封在共用資料匣的會議記錄當中。過去我們花大量時間確保每個字都被記下來，卻忽略了會後最重要的任務分工。現在有了AI工具，我們反而要重新調整焦點：不是把責任全部交給AI，而是善用AI把「會議噪音」過濾成「行動訊號」。
當AI接手機械性的紀錄工作後，你就能把注意力放在觀察會議中的人際互動、判斷決策背後的潛在風險，或是思考下一步策略。因此，你不再是敲鍵盤的人，而是提煉共識、設定優先順序的人。
2. 真正的效率來自「人機協同」
AI轉錄與摘要可以迅速提供初稿，但準確性、策略判斷與溝通語氣仍舊仰賴我們來掌舵。當你願意多做一個「人工校準」的步驟，補上情境背景、利害關係、專業措辭，也能讓AI處理得更好。而當我們有好的會議筆記，就能確保整個團隊朝正確方向前進。
3. 持續優化你的協作節奏
每個人面對的專案都不同，所以你需要跟AI溝通的專業術語，甚至你需要讓AI處理雜亂會議討論的邏輯都會有所不同。
上面提供的指令是基本版，你需要再根據自己的專案邏輯做修正客製化，根據自己需要的正式會議報告結構做調整。我們可以抱持一種「做實驗」的心態，把每次會後郵件當成一次實驗：
這次的AI prompt是否清楚？
任務欄位拆解是否滿足需求？
專業用語分析是否正確？
如此每一輪修正都會讓我們在「下一次」AI整理筆記的流程更貼近團隊需求。
AI會議筆記實戰QA：AI工具怎麼選？轉錄出錯怎麼辦？
Q：AI工具這麼多，我該怎麼選擇？
解答：工具百百種，我們時間很有限，別去追求最好的工具，而是思考現階段最適合你使用的。挑選時先從痛點出發：如果最需要節省聽打時間，專注於轉錄精準度；如果最在意資料安全，則優先考量支援端對端加密的硬體或雲端服務。
Q：AI轉錄的內容，直接使用會有風險嗎？
解答：會議逐字稿只是初稿。AI可能會在專有名詞、口音、語氣理解上犯錯。如果未經校對就直接使用，容易造成誤解。我們仍需親自把關確認，再更細緻地補上決策背景與情緒脈絡，才能確保最終對外訊息是精準且負責任的。
Q：AI摘要會不會讓我變懶惰，不再思考？
解答：AI幫你完成機械性的紀錄工作後，你反而能把精力轉移到判斷利害、預測風險、擬定策略，而這些才是對組織更有價值的工作。AI讓你成為更好的溝通者與決策者，而不是更懶惰的紀錄者，因為單純記錄在未來的價值會大幅貶值。
Q：如果講者口齒不清，AI轉錄還是會出錯怎麼辦？
解答：這是AI工具的極限，但我們可以利用下面這個會議小技巧來調整：遇到轉錄不精準時，可以在會議中使用「段落即時總結」技巧：由我主動複述「我確認一下，您剛才說的是……」來釐清語意。這個動作能建立共識，並在錄音過程也把模糊訊息轉成可執行的任務。
節錄自：創意市集出版《高效職場生存法圖解：工作被打斷、時間很零碎、會議一大堆也能高產出的技巧》／趙胤丞、電腦玩物站長Esor 著
推薦閱讀：
NotebookLM生成簡報、資訊圖表功能登場！實用技巧盤點
NotebookLM簡報怎麼修改？5招編輯方法實測，轉PPTX、線上改都行
會議記錄=逐字稿？專業會議紀錄只記3項重點｜寫法技巧、範本一次看
會議紀錄用AI怎麼做？會議逐字稿如何整理？｜AI語音轉逐字稿教學
「HR人資數據分析」從步驟、使用工具到10種分析面向一次懂
文：先行智庫
原文標題：什麼是HR人資數據分析？要分析什麼？從步驟、使用工具到10種數據分析面向，本文一次告訴你！
隨著數據分析技術的成熟，以及入門門檻逐漸降低，各行各業逐漸在思考如何應用數據分析，為工作帶來全新的價值，或者是提高決策品質，甚至是創造新商業機會。身為人資夥伴，我們也可以思考手上擁有的數據，例如：出缺勤數據、績效考核數據、調薪紀錄、職務異動紀錄、員工投入度、訓練課程滿意度調查、加班紀錄等，可以如何分析？該設立哪些管理指標？能用何種圖表呈現？怎麼打造員工數據戰情室？要做到什麼樣的程度才可以？使用什麼樣的工具比較合適？在今天這篇文章，我都會幫大家詳細解答。
目錄
HR人資數據分析簡介1.1 人力資源近年發展趨勢1.2 HR人資數據分析是什麼？1.3 為什麼要做HR人資數據分析？
如何做HR人資數據分析？2.1 HR人資數據能分析什麼？2.2 有哪些數據可以做HR人資數據分析？2.3 該使用何種工具比較好？Excel還是Power BI？2.4 做HR人資數據分析的6個步驟
HR人資數據分析關鍵議題3.1 招募數據分析3.2 訓練數據分析3.3 員額數據分析3.4 離職數據分析3.5 績效數據分析3.6 證照數據分析3.7 差勤數據分析3.8 薪酬數據分析3.9 人格數據分析3.10 接班人數據分析
落實人資數據分析4.1 Power BI人資戰情儀表版4.2 實踐人資數據分析可能遭遇的難題
1. HR人資數據分析簡介
1.1 人力資源近年發展趨勢
近期人力資源發展趨勢，可以概分為三個階段。
第一階段，人資主要處理勞檢、出缺勤統計、勞健保與團保、調薪與晉升公告等庶務型工作。第二階段，人資開始成為企業的策略合作夥伴，例如：規劃具備競爭力的薪資福利、根據業務發展方向擬定訓練架構、制定能鼓勵員工的績效考核辦法、優化整體招募流程以提升企業形象。第三階段，人資走向數據驅動，例如：量化個渠道的招募招募成本、量化每個部門的缺口狀況與人力結構、從課後滿意度評分問卷找出辦課重點、善用人格測評分析結果將人才擺在適當位置。
這三個階段並不是互相取代 ，而是同時並進的。換句話說，HR不僅僅要具備運營能力，在大數據時代，也必須要有數據驅動決策的技能。人力資源在過往會被認為是以人為本的行政相關工作，但在科技進步的趨勢下，也開始要涉及數字化管理。
手把手帶你掌握E化 x 數據 x AI【數位人資管理師】 >>
1.2 HR人資數據分析是什麼？
HR人資數據分析，就是運用數位工具，將與人力資源相關的數據進行分析，從中獲取洞察的過程。在這段過程，不論你是使用何種工具，如：Excel、Power BI、Tableau等都是可以的。當然也不限最終的呈現形式，如：PPT、Word、Excel、儀表板。只要HR的工作中有涉及到數字，這段過程廣義來說，就能算是HR人資數據分析了。
其實這並不是一件非常遙遠或很困難的事情，因為HR平常在做的報表或報告，基本上都會做到與數字相關的統計和分析，例如：培訓的滿意度、加班時數、敬業度調查、招募人數統計、職務異動統計等。只是在於這些統計和分析的結果，是否對於決策有正向助益。
1.3 為什麼要做HR人資數據分析？
做HR人資數據分析，最主要的目的是「做出更好的決策」，讓下決策不再憑經驗或憑感覺。例如：要去哪裡找到合適的人才？招募預算應該要如何更有效配置？招募團隊與招募工作應如何調整？我們可以透過分析「履歷收件的有效性」，做為決策的參考依據。
透過HR人資數據分析，能讓我們知道要前往的方向，與評估所需投入的資源與時間，避免將本就有限的資源，投入到代價高且多餘的項目，讓我們將精力更集中在能提升效率的工作。還能夠提高論點的說服力，也能更有底氣的協調跨部門支援。更重要的是，我們可以用數字，來衡量HR的績效表現，讓老闆可以更清楚的知道HR貢獻的價值。
2. 如何做HR人資數據分析？
2.1 HR人資數據能分析什麼？
我們可以從人資工作的流程，選、用、育、晉、留，這幾個面向先思考想解決的問題有哪些？想要知道的訊息有什麼？接著再進一步思考，要解決這些問題，需要分析哪些數據？或者是用什麼樣的數據做佐證。
例如：在招募的部份，我們就會想知道哪個招募管道效益最好？招聘預算該如何配置？在訓練的部份，老闆就會想知道辦訓練課程是否值得？如果值得，又該辦哪些的訓練對於實現業務增長是有正向助益？
2.2 有哪些數據可以做HR人資數據分析？
我們可以將數據先分成2大類，一類是HR相關的數據，另一類是非HR相關的數據。
HRIS系統、PMS系統、LMS系統、招募管理系統、證照管理系統等能倒出來的數據，都屬於HR相關的數據，例如：員工基本資料、加班時數統計、面試邀約紀錄、薪資實發清冊、獎金名冊、職務異動、晉升紀錄、敬業度調查、教育訓練滿意度調查、證照到期統計、績效分數明細表等。非HR相關的數據，像是財務數據、進出貨數據、庫存數據、不良品統計數據等。我們可以將HR數據與非HR數據做結合，這樣就能更清楚後端人力資源與前端工作的關聯性。
2.3 該使用何種工具比較好？Excel還是Power BI？
不論用什麼樣的工具，都可以用來做數據分析，沒有哪一種最好，只有哪一種最適合你，這兩種工具的使用情境是不太一樣的。如果你只是要做出一兩張圖表，而且還要將圖表貼到簡報上，Excel會比Power BI來的更容易操作。但如果你製圖的頻率很高，需要一次展示多張圖表，希望將多樣的人力資源數據都整合在一起，那Power BI會是比較適合的。簡言之，如果只是單點式的做分析，Excel就足以，如果需要做全面的整合，Power BI會是更好的選擇。
2.4 做HR人資數據分析的6個步驟
做人資數據分析有6個步驟，千萬別一下子掉入工具的選擇，我們必須依照這幾個步驟，一步一步踏穩，才能讓數據發揮它的價值。這6個步驟分別是：問題思考、資料彙整、資料清理、資料視覺化、數據洞察探索、展示報告與共享。
3. HR人資數據分析關鍵議題
你可以設計一套完整的、有系統的HR人資數據分析框架。你也可以針對招募、訓練、員額、離職、績效、證照、差勤、薪酬、人格、接班人等議題，單獨做數據分析。接下來我會針對常見的這幾個議題，做詳細介紹。
3.1 招募數據分析
大招募時代來臨，許多企業都面臨缺工與招募不到人才的問題。在招募工作中，你可以分析：要去哪裡找人？怎麼縮短人才招募時間？如何用最少成本，招募到最好的人？
要回答上述問題，我們可以從許多招募指標和數據中，找到合適的線索。還可以將這些指標建立成招募戰情儀表板，把所有的指標圖表攤在同一張儀表板上，用更宏觀的視野來看公司的招募狀況。透過客觀的數據分析，將能夠給我們足夠的決策參考情報。但如果你要做招募數據分析，就需要有招募相關的數據才行，例如：開缺報表、面試紀錄表、Offer Delivery的紀錄表。
有了情報之後，我們也可以從每一個招募工作環節，仔細檢視還能如何改善，藉由優化招募流程，解決招募工作面臨的問題，或者是採取一些創新的作法。
3.2 訓練數據分析
科技進步速度飛快，加上近期景氣低迷的因素，許多企業都意識到投資員工教育訓練的重要性。在教育訓練工作中，你可以分析：要辦什麼樣的訓練才能夠對應到公司業務發展所需？要花多少錢在教育訓練才合理？舉辦的教育訓練有沒有效？
教育訓練是一個相對比較難用數據衡量的議題，通常都只會想到分析課後回饋問卷。但如果心有餘力，也可以去蒐集前端部門有的數據，例如業務部門就有業績數據、生產線就會有不良品或停機相關的數據。接著就能夠將後端的HR數據，與前端的數據串聯做分析，以了解訓練課程的投資，對於工作成效是否有直接的助益。
3.3 員額數據分析
隨著組織不斷擴大，如何用有限的人力配置，發揮最大的價值，是做員額數據分析最重要的目的。在員額headcount的部份，你可以分析：公司員工人數和營業收入是否成正比？人力的組成結構是否健康？面對組織未來的策略發展，公司的人力配置要做哪些調整？預算數與實際員額數是否有明顯的差距？
3.4 離職數據分析
員工離職，我們除了做離職面談，其實還可以做數據分析。你可以分析：關鍵人才人才離職率、員工離職的原因統計、員工離職所產生的成本、造成員工離職的主要因素。而這些分析結果，你也可以用一些比較特殊的圖表，更精準傳遞你想訴說的訊息。
3.5 績效數據分析
人資部每年都會收到各部門主管針對部門員工做績效考核分數的數據，如果這些數據只是用來記錄就有點可惜了，我們可以將這些數字更進一步做分析，用來激發員工潛能、找出潛力人才。你可以分析：每位員工歷年來的績效趨勢、連續若干年績效表顯都很亮眼的員工、與員工績效有正相關的因素是什麼、績效與調薪之間的關係。
3.6 證照數據分析
各行業因為法規或業務發展的關係，需要考取證照。如金融業就會有壽險、證券、期貨等證照；科技製造業就會有化學品、堆高機、急救人員、工安、衛生管理等。資訊業可能就會有各原廠的認證考試。在證照的部份，你可以分析：即將到期的證照張數、證照張數的服務能量是否能滿足業務需求、每人已過期或到期的證照張數。
3.7 差勤數據分析
同仁的請假與加班狀況，會影響到員工的身心健康與工作成效。請假與加班的數據，一般都是用來通知當事人，或者是當事人的主管。但除了通知用途外，這些數據你還可以用來分析：各部門平均加班時數、哪些部門或哪些員工有異常加班的狀況、加班費的支出是否可以再降低、有哪些員工年底到了但特休使用率還未達80%。
3.8 薪酬數據分析
近期科技業大裁員的消息，讓我們意識到人事費用，對於企業而言是一筆不小的開支，需要審慎的發放與運用。該如何提高人事成本的韌性？在景氣大好時能大舉徵才？在景氣不好時又能夠有效控管人事成本？做薪酬數據分析，是首要任務。在薪酬這塊，你可以分析：公司與同業的薪資水準、人均營收與人均成本、薪資結構的合理性、薪資級距、是否逐年調薪、薪資發放的公平性。
3.9 人格數據分析
如果企業有做人格測評，通常每人都會收到一份數字化報告。但如果分開單獨看一個人的測評結果，不容易了解團隊整體的樣貌，因此我們可以將每一位員工在測評中的數據彙整後，做交叉比對，藉此分析：主管與非主管的人格特質差異、離職與在職員工的人格特質差異、各部門的人格特質是否符合業務需求。從中可以了解什麼樣的人適合擔任主管？什麼樣的人離職風險更高？團隊的組成是否有需要再調整？
3.10 接班人數據分析
許多企業在現在都面臨的接班問題，但挑選接班人除了依照主觀判斷，還要拿出客觀數據，才能夠讓接班人的挑選更具有說服力。最常見的一種方式就是人才九宮格，可以藉由績效分數和潛力分數進行判斷，找出超級明星或潛力明星。（參考文章：如何運用Power BI找出企業接班人？）當然你也可以分析每一位接班人：過往執行的重大專案數、近年績效表現、年資與年齡。
4. 落實人資數據分析
4.1 Power BI人資戰情儀表板
在做HR人資數據分析時，你可能會針對許多的管理指標，繪製出視覺化的圖表。就算準備的再周全，一樣有很高的機率，會被問到你準備資料以外的問題。而且從你取得數據，經過加工，再送到報表閱讀者手中，就已經不是即時的資料了。再加上不同的閱讀者，看報表的角度也都不盡相同，如果要針對每一個閱讀者的習慣與喜好，個別製作報表，是相當耗時耗力的工作。為了讓HR數據分析能更全面涵蓋老闆會問的問題、為了讓數據能更即時的傳到老闆手中、為了讓數據能用自助式的方式讓報表閱讀者自行篩選調整格式，我們可以透過Power BI做HR人資數據分析。請參考以下範範本：
4.2 實踐人資數據分析可能遭遇的難題
要落實人資數據分析，並不是短時間就能完成的事情，可能還會遇到許多挑戰等待你克服。最可能遇到的就是數據蒐集難題，像是缺乏重要的數據，該如何布局蒐集數據的管線與流程。也可能會遇到溝通的挑戰，像是如何讓用人單位意識到，人力資源的數據報告有利於業務增長。還可能會遇到資料整合難題，例如資料散落在各方，缺乏整合管道，如何有效率的彙整。這些問題都不是短期內就能輕鬆被解決的，但唯有這些難題被克服以後，才能夠落實人資數據分析。
了解更多Power Bi 相關的學習資源 >>
學更多【Power BI】，馬上報名 >>
Power BI 資料視覺化
Power BI HR管理分析師【招募數據視覺化】
Power BI 資料清理與建模
Power BI DAX函數運用
人資必備數據Know-how都在這裡> >
用Power BI 做視覺化數據分析，企業導入時會遇到六大階段
HR數位轉型怎麼做？以數據分析為驅動
從這15個數據指標，開始建立你的招募漏斗
你的招募數據報告，老闆看不懂？ 因為你沒有「資料視覺化」
HR這樣做數據分析報告，老闆才想聽！
【AI做報告】4個超推薦AI報告工具！幫你生成報告、找文獻、做簡報PPT、套設計模板必備
超狂 AI 助理來襲🚀 AI Agnet（AI代理人）能自動思考、執行任務，成為人類生活、工作上的智慧助理。比如，幫你安排會議、分析數據、生成報告…等。這篇文章分享 4 個🧑💻 做報告超推薦的 AI 工具，有效減輕工作壓力，提高生產效率！
AI 報告工具目錄（點擊快速抵達）
Kuse 生成報告內容
Elicit 找文獻、整理論文
Slidesgo 做簡報PPT、設計模板
inFin 練習報告、講稿逐字稿
文 / 職迷不霧
1. Kuse 生成報告內容
這個 AI Agent 可以視覺化幫你生成的內容📜和整理的資料📁。只要你有主題，即使沒有任何文件檔案，也能直接下指令給 AI，比如：「幫我製作 2025 年 AI 的未來趨勢報告」，他就會寫出目錄架構、詳細內容以及具體資料。如果報告中有數據，也可以把資訊製作成圖表📊。 Kuse 的介面以無邊界的畫布呈現，讓你在整理報告內容上更自由方便，有其他創意發想、專案規劃…等等的工作需求也很好用！
免費版每天 10 點，訂閱版每月 980 台幣點擊快速回目錄⤴
2. Elicit 找文獻、整理論文
文獻資料可以為你的報告提供可信度，同時也幫助自己了解和主題相關的背景知識🤓。很多研究生、研究員都推薦 Elicit 這個 AI 神器🔍，可以快速搜尋論文、整理大量文獻，比如你輸入研究問題：「 AI 如何影響未來工作」，他就會找出關鍵 Papers ，而且整理成好讀的表格，讓你秒懂每篇的發現、結論，大大減少閱讀的時間與壓力 看教學>
免費版每月生成 1 個，訂閱版每月 396 台幣點擊快速回目錄⤴
3. Slidesgo 做簡報PPT、設計模板
想要一份視覺吸引人的簡報一定要用這個 AI 助理，幫你在短時間內完成專業又有設計感的 PPT 👍，給他一個簡報主題或 Kuse 幫你生成的報告內容，然後選擇你喜歡的風格模板，就馬上製作好簡報，可以馬上拿上台報告的那種！而且可以下載檔案再次編輯 看教學>
如果簡報中需要更多圖片，他也有 AI 繪圖套件🎨 Freepik ，輸入指令就可以文字轉圖片
免費版生成 3 個，訂閱版每月 點擊快速回目錄⤴
4. inFin 練習報告、講稿逐字稿
準備好報告後，最重要的環節就是練習報告！推薦用 AI 幫你生成講稿，按下錄音鍵，先試著自己講一遍，你的音檔會自動轉成逐字稿。接下來你可以編輯文字內容✏️，把用詞、語句更通順，然後透過回放錄音，再次調整語速和換氣，讓報告越來越專業。另外，你也可以使用摘要總結的功能，讓 AI 整理精華重點，提供給聽講報告的人做參考。 看教學>
佛心免費！免費！免費！ 點擊快速回目錄⤴
我以前常困擾，怎麼在社群讓別人看到我厲害的地方我想要其他人來找我合作，多賺一點錢💰但我把專業寫在 IG 或 Threads 的介紹都沒用==認真想想，可能這兩個平台都是玩樂性質的關係吧後來，我看到同事在用台版 LinkedIn，超酷！每個人名字旁邊都會顯示職業，不怕別人不知道我是做什麼的我馬上創了一個帳號！現在有閒就發炫耀文📱就是可以展現自己專業知識的貼文，比如：我怎麼用 AI 做超屌的動畫之類的我還在上面建一個可公開又比較輕鬆版的履歷沒想到發文刷存不到一個月，就收到合！作！邀！約！現在變得好忙哈😆 除了正職還多了 2 個副業💰💰💰真的很推薦想增加收入的來一起玩人才社群～～～
作者：職迷不霧點我追蹤職迷不霧 IG ❤️❤️❤️
延伸閱讀：【AI 懶人包】看這篇就夠！2026推薦AI免費vs訂閱工具大全，提高工作生產力&職場競爭力！（持續更新)【AI語音筆記】超推薦5個AI轉文字工具！幫你生成逐字稿與會議記錄重點，免費vs訂閱、優缺點評比【AI翻譯工具】2026好用的5個AI線上即時翻譯語言推薦，免費vs訂閱、優缺點評比一次看！4個不該再用AI工具做報告的真相！推薦AI Agent生成簡報，自動化任務：找資料、圖表分析、PPT設計
Claude Cowork怎麼用？要付費嗎？解析操作流程、權限設定及模型選擇
Claude Cowork怎麼用、需要付費嗎？本文解析Cowork與Chat模式差異、桌機版使用條件、操作流程、資料夾授權及安全機制，並比較3種模型的適用情境，幫助你選擇合適的AI工作方式。本文節錄自《Claude 萬用手冊》。
文／施威銘研究室
本文目錄（點擊可快速前往）
Claude Cowork要付費訂閱嗎？怎麼使用？Claude Cowork和Chat有何不同？安全風險解析Claude Cowork介面與2種授權模式Claude Cowork怎麼用？4步驟運作原理Claude Cowork模型怎麼選？適用情境對照
前一章我們透過Connector與Skill，讓Claude能讀取外部工具資料，並依照指定流程處理任務。不過在Chat模式中，Claude的行為主要停留在對話框裡，檔案上傳、結果下載與後續整理，通常仍需要由你手動完成。本章要介紹的Cowork模式，會把Claude從對話框往你的桌機或筆電（以下簡稱本機）再推進一步。它可以在你授權的範圍內讀寫本機上的指定資料夾，並把整理好的Excel、Word、簡報等成果直接放回你的電腦。
接下來，我們會從Cowork的基本操作開始，帶你認識Cowork專屬的外掛機制，並實際建立屬於自己的外掛。同時，也會說明Cowork在執行任務時的限制，讓你在使用前能先掌握它適合處理哪些工作，以及哪些情境需要特別留意。
Claude Cowork要付費訂閱嗎？怎麼使用？
使用Cowork模式前，請先確認你已升級到Claude Pro以上方案（需付費訂閱），並安裝最新版Claude Desktop。Cowork是桌機版獨有功能，網頁版與行動版無法使用。Claude網址：https://claude.ai/下載桌機版：https://claude.ai/downloads
Claude Cowork和Chat有何不同？安全風險解析
在操作Cowork前，我們先把它和前面介紹過的Chat模式做個對比，幫助理解兩者的定位差異。
Chat模式：適合一問一答、需要快速反饋的任務。Claude的輸出主要留在對話視窗中，檔案需要你上傳，結果也通常要由你自行下載、複製或貼到其他地方。它可以讀取你上傳的檔案，也能透過Connector取得外部資料，但不能直接到你的電腦裡讀寫檔案。
Cowork模式：適合多步驟、需要較長時間執行，或需要處理本機檔案的任務。它會自己規劃步驟、拆解任務，並在你授權的範圍內讀寫指定資料夾，最後把成果存回你的電腦。過程中你也可以隨時介入、暫停或修正。
看到這裡，你可能會有一個疑問：既然Cowork可以讀寫本機檔案，那會不會有安全風險？
實際上，Cowork並不是把Claude直接放進你的作業系統裡任意操作。Anthropic會為Cowork建立一個獨立的虛擬環境（沙盒），Claude執行的程式碼與Shell指令，都會在這個環境中運行，而不是直接作用在你的主機上。這樣做有兩個好處：第一，即使Claude在執行過程中產生錯誤檔案、安裝不必要的套件，或執行了不符合預期的指令，影響範圍也會被限制在虛擬環境內，不會直接作用在你的系統上。第二，Claude存取檔案採用白名單機制，只有你明確授權的資料夾，才會被掛載到虛擬環境中供Claude使用。換句話說，Cowork模式下的Claude雖然有手可以動，但這隻手僅能在玻璃箱內操作，而且玻璃箱只能伸進你打開的那幾個抽屜。
了解Cowork的基本定位後，接下來我們就進入Cowork介面，實際認識它的使用方式與運作機制。
Claude Cowork介面與2種授權模式
打開Claude Desktop後，將介面最上方的模式切換成Cowork，即可進入Cowork模式。
（圖／《Claude 萬用手冊》）
任務視窗選項說明：
New task：新建一個Cowork任務的入口
Projects：管理長期專案。每個專案能有自己的指令、檔案、排程與記憶
Scheduled：管理排程任務。在這裡可以查看、編輯、暫停或執行所有定期任務
Live artifacts：所有透過Cowork建立的Live artifact都會收納在這個頁面
Dispatch：跨裝置工作流的入口，可以從手機派任務給桌機處理
Customize：管理你目前安裝的Plugin、Skill與Connector
Claude的兩種權限模式
Cowork的存取權限提供兩種設定模式：Ask before acting與Act without asking。這兩種模式的差異，會直接影響Claude在執行任務時，是否需要先停下來等待你的同意。
Ask before acting（執行前先詢問）：Claude在動作之前會依照你在Connector中設定的Tool permission權限進行判斷。如果某項能力被設定為Need approval，Claude就會在執行到該功能時停下來詢問你，等你按下「允許」後才會繼續。這個模式適合你希望針對不同外部服務保留不同權限控制的情境。
Ask before acting（執行前先詢問）：當某項能力被設定為Need approval時，Claude會在任務執行過程中等待你的允許，才繼續執行。（圖／《Claude 萬用手冊》）
Act without asking（不詢問直接執行）：當選擇此權限模式時，畫面會跳出一個確認視窗，要求你在目前這個Cowork任務中，開放所有外部服務的能力限制。也就是說，這個任務下所有Connector的Tool permission會被強制視為Always allowed，讓Claude在執行時不會中途停下來等待確認。這種模式速度較快，但相對風險也較高，只建議在你完整監看任務流程，而且工作資料皆為可信來源時使用。
Act without asking（不詢問直接執行）：系統會要求在當前Cowork任務下，將全部Connector的權限都視為Always allowed，且任務執行過程中不會再針對外部服務操作逐一詢問。（圖／《Claude 萬用手冊》）
Claude Cowork怎麼用？4步驟運作原理
Cowork和Chat模式最大的差別，在於它不是接到任務就立刻回覆，而是以Agent（執行代理人）的方式運作。你給它一個目標，它會先規劃步驟，再依照計畫執行任務，必要時，它也會在過程中停下來向你確認。整體流程可以簡化成：Plan → Review → Execute（必要時Ask）。
什麼是Agent？
Agent可以理解為一種「以目標為導向」的AI系統。它和一般我問你答的Chatbot（聊天機器人，如Chat模式）不同，Chatbot多半由使用者一步步下指令；Agent則是在目標明確、邊界清楚的前提下，主動拆解任務、安排步驟、選擇工具，並持續推進工作。Agent通常具備三個核心特性：
目標導向：使用者給的是任務目標，而不只是單一步驟指令。
自主規劃：能自行拆解多步驟流程，不需要使用者針對每一步下指令。
工具整合與判斷：能依任務需求選擇工具，並在過程中判斷下一步該做什麼，例如分類檔案、選擇輸出格式，或決定是否需要向使用者確認。
【STEP 01】Plan：先產生執行計畫
你送出任務後，Claude不會立刻開始動作，而是先分析任務目標、需要處理的檔案、可能使用的工具，以及執行順序。接著，它會列出一份可見的工作計畫，讓你知道接下來打算怎麼做。
【STEP 02】Review：檢視與介入調整
計畫出現後，Claude不會停在原地等你確認，而是會直接依照計畫中的第一步開始執行。如果發現計畫方向不符合需求，可以隨時暫停執行，或在輸入框中要求Claude修改計畫內容。
這也是Cowork和一般Chat模式很不一樣的地方，你不必等它全部做完才修正，而是可以在任務進行中即時介入。
【STEP 03】Execute：開始執行並回報進度
進入執行階段後，Claude會依照計畫逐步處理任務，並在過程中更新每一步的狀態。你可以看到它使用了哪些工具、呼叫了哪些技能、產生了哪些檔案。整個流程不是黑箱操作，而是可以追蹤、檢視與介入的工作過程。
【補充】Ask：遇到不確定情況時暫停詢問
如果執行過程中遇到模糊或需要你判斷的地方，Claude不會直接猜測後繼續做，而是會暫停下來向你確認。例如執行規則不明確、輸出格式和任務描述有衝突等，它會提出問題，等你回覆後才繼續執行。
（圖／《Claude 萬用手冊》）
由於Cowork不是單純回答一句話，而是會經歷規劃、確認、執行、回報等多個階段，因此每次任務消耗的token通常會比一般Chat模式更高。任務越複雜、處理的檔案越多、執行步驟越長，模型成本也會跟著增加。因此，在使用Cowork前，除了理解它的執行流程，也要知道該怎麼選擇合適的模型。接下來，我們就來看Cowork模式中的模型選擇。
Claude Cowork模型怎麼選？適用情境對照
Cowork任務在執行過程中，Claude需要反覆判斷下一步、讀取中間結果、使用工具，並產出檔案。因此，模型選擇會直接影響三件事：執行速度、推理品質，以及配額消耗。簡單來說，模型越強，越適合處理需要複雜判斷與資料整合的任務，但通常執行速度較慢、配額消耗也較高；模型越輕量，速度和消耗量雖具優勢，但比較適合規則明確、變化較少的任務。
所以在選模型前，建議先問自己幾個問題：
這個任務需不需要複雜判斷？
如果只是批次整理、格式轉換、簡單分類，通常不需要太強的模型；若需要跨文件比對、找出隱含關聯等，就比較適合推理能力較強的模型。
檔案數量與內容長度多不多？
如果只處理少量短文件，輕量模型通常就夠用；若要讀取大量文件、長篇報告或多份資料交叉比對，就需要考慮模型的理解與整合能力。
任務流程會不會很長？
步驟越多，Claude需要判斷下一步、讀取結果、產出內容的次數也越多。這會拉長執行時間，也會增加配額消耗。
輸出結果是否為正式文件或長文本？
如果只是產生初步草稿、整理表格或固定格式摘要，可以選擇較輕量的模型；反之，要產出正式提案、長篇報告等高度精準的內容，就建議選擇能力較強的模型。
這是不是會重複執行的任務？
如果是每天、每週都會跑的排程任務，使用額度消耗會累積得很快。這類任務通常不建議一開始就使用高階模型。
也就是說，模型選擇的重點不在於越強越好，而在於是否剛好符合任務需求。下表整理Cowork介面中目前可用的三個模型系列與適用情境：
模型系列推理品質執行速度配額消耗建議使用場景Haiku系列適合簡單判斷最快最省規則明確、重複性高的任務，例如批次更名、簡單分類、欄位整理、固定格式摘要、把資料轉成指定格式Sonnet系列平衡穩定中等中等大多數日常Cowork任務，例如檔案整理、跨檔摘要、資料比對、Connector串接、產出Word/Excel/簡報初稿等Opus系列最強較慢最高需要複雜推理與整合的任務，例如大量文件交叉比對、合約條款差異分析、研究資料整理、長篇內容規劃與高品質撰寫
Cowork模型選擇的實務建議：
不確定該選哪個模型時，先用Sonnet，通常能兼顧輸出品質、執行速度與配額消耗。
任務規則越明確、格式越固定，就越可以改用Haiku以節省配額。
只有在需要跨資料推理、判斷細節或產出高品質內容時，再使用Opus。
Schedule這類定期執行的任務會累積消耗，通常不建議直接使用Opus。
節錄自：旗標《Claude 萬用手冊：Claude.ai | Desktop | Cowork | Code Mode | Design | Computer Use | Skills | Connectors | Plugins》／施威銘研究室 著
推薦閱讀：
憑借書證免費用GPT、Claude！教育部推「館館有AI」 擴及47所大學
「Claude Design」新登場！AI工具生成原型、簡報怎麼做和修改？
告別Token焦慮！Anthropic提供4個有效降低Claude Code成本祕訣！
有任何收穫或想分享的，都來和大家一起聊聊吧！