深度學習實戰
104學習
Keras
這是一個用於深度學習的高階神經網路API，能快速建立和訓練模型。它支援多種後端運算框架，讓開發者專注於設計網路結構，提升開發效率。適合用於影像辨識、自然語言處理等AI應用。在職場上，掌握這項技能代表具備實作人工智慧模型的能力，對數據分析師、機器學習工程師等職位非常加分，能提升解決複雜問題的實務能力和競爭力。
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
機器學習實戰
人工智慧-深度學習【本課程為線上課，報名後專員會提供上課資訊】
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】
PyTorch生成模型全解析｜從生成式對抗網路到擴散模型
深度學習PyTorch l 入門到實戰應用
Python程式設計【本課程為線上課，報名後專員會提供上課資訊】
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】
MCP Server讓AI走入實體世界：從零打造 MCP Server，一點都不難！
APCS程式檢定(Python)【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
AIATCE 工程級認證：LLM的行政任務應用
「從演算法開發到模型落地，實踐 AI 解決方案」
工程級認證針對技術開發人員，著重於資料科學實務、模型訓練與系統部署的落地技術，要求應試者具備動手解決真實場域問題的能力。
核心目標：做 AI (Engineering)
適合對象：資訊工程師、資料科學家、AI 研發工程師、數據分析師。
評估範疇：
◆ 核心技術：要求具備程式設計（如 Python）基礎，以及資料處理、機器學習與深度學習的演算法應用能力。
◆ 實戰落地：強調在真實資料集上進行模型的訓練、超參數調優、部署與效能評估等完整工程技能。
◆ 場域解決：必須具備將業務問題轉化為技術問題，並提出有效模型解決方案的能力。
台灣人工智慧學校
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
基礎程式設計 Python
基礎程式設計 Python 證照旨在驗證持有者具備使用 Python 語言進行基本程式設計的能力，涵蓋變數使用、流程控制、函式定義及簡單資料結構操作等核心技能。此證照適合初學者及希望建立程式基礎的專業人士，能有效提升求職競爭力及工作效率，廣泛應用於資料分析、自動化處理及軟體開發等領域。
尚未查核發照單位
TQC+ 人工智慧：機器學習Python 3
為提供產業界符合新時代的專業人才，認證依照職場人才需求趨勢推動「TQC＋專業設計人才認證」，藉由嚴謹的認證職能體系架構與專業完善的考試服務，培育出符合企業職場需要的人才。
財團法人中華民國電腦技能基金會
CCSE Plus NG with Al
CCSE Plus NG with AI證照專注於雲端運算與人工智慧技術的整合應用，涵蓋雲端基礎架構管理、AI模型訓練與部署，以及資料分析與安全性管理，培養具備跨領域技術能力的人才，適合從事雲端服務開發、AI解決方案設計與系統維運等職務，提升企業數位轉型競爭力。
Check Point
ICTP計算機程式語言能力國際認證
當全球各國與地區將CTP (Computational Thinking for Programming，運算思維與程式設計) 納入教育發展戰略，並視其為科技與經濟成長的關鍵驅動力時，運算思維與程式設計已成為現代科技教育中不可或缺的核心能力。
(ICTP)Programming for Information and Communication Technology Programs 計算機程式語言能力國際認證為專為程式設計入門者設計，旨在培養其基礎編程能力，並奠定運算思維的扎實基礎，以提升其在數位時代的競爭力。
Global Learning and Assessment Development (GLAD)
精選貼文，掌握第一手知識
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]
精選 AI寫企劃、看數據總是不能用？4種工作先排順序再交代，第一版就能討論
請AI寫企劃、做研究、看報表，結果常常看起來很完整，卻不能直接用？
問題多半不在AI的能力，而在我們只說「幫我寫」「幫我分析」，讓它自己猜目的和標準。
四種常見工作，可以共用同一個骨架：
1. 交代目的與標準：給誰看？看完要做什麼決定？
2. 排好先後步驟：先要中間產物，確認後再往下做
3. 要求附上依據：出處、算法、引用原文，讓你能驗收
套到四種工作，各有一個先後順序：
① 寫企劃｜架構先定，內容後補
先寫明讀者與目的，請AI只給三個主張和大綱；確認後才補內容，每個數據都附出處，查不到就標「待查證」。
② 做研究｜大題切小題，說法衝突並陳
先把大問題切成四到五個能用資料回答的小題；每題比對三種來源、標出年份；說法互相衝突時，請AI並列出來，由你判斷。
③ 看數據｜問題先行，數字在後
不要只丟報表說「幫我分析」，先寫成決策問題，例如「上季回購率下滑，是哪一群顧客流失」；講好期間、欄位和比較基準，只要兩三個關鍵發現，並附計算方式。
④ 審提案｜先找漏洞，後打分數
先逐條列漏洞並引用提案原文、分出輕重；再依事先講好的配分計分；最後請AI扮反方，提出最強的反對意見。
最常見的三個錯誤：
・一開口就要整篇成品，方向錯了只能整篇重寫
・AI給的數字沒查就直接用
・一邊挑毛病一邊打分數，分數被第一印象帶走
小練習：挑一件你這週要交的工作，寫下這兩句再交給AI——
「這份東西給＿＿看，看完要他＿＿。」
「先給我＿＿（大綱／小題清單／漏洞清單），我確認後再繼續。」
比較一下，和你平常的第一版差在哪裡。
想看完整的五分鐘影音說明，104學習免費課程「AI工作術」四堂已經上線，免費報名就能看：
第1堂｜5分鐘學會用AI寫企劃
https://nabi.104.com.tw/course/104nabi/57aed01b-9d82-4438-b09e-e2367abc0207
第2堂｜5分鐘學會用AI做研究
https://nabi.104.com.tw/course/104nabi/595a665d-07a3-461d-b37e-1f8158eca70d
第3堂｜5分鐘學會用AI看數據
https://nabi.104.com.tw/course/104nabi/0f3d424e-1658-49a2-851e-6c9fff296f43
第4堂｜5分鐘學會用AI審提案
https://nabi.104.com.tw/course/104nabi/19983d11-9e93-41ae-9924-46f8d6cd47dd
也歡迎在留言分享：這四種工作，你最常請AI幫忙哪一種？有沒有哪一次的第一版特別好用（或特別難用）？
使用提醒：AI可能出錯，重要數字請自行查證；上傳資料前先確認公司規定，並去除姓名、電話等個資。文中案例皆為假設情境。
CATIA 透過生成式人工智慧(AI)增強您的可持續產品設計能力
2024年人工智慧（AI）成為驅動全球經濟成長的動力之一
CATIA 身為電腦輔助設計的領頭羊
也循序漸進地將AI技術融入用戶體驗內
我們提出以下兩個功能模組，協助您更有效地設計與實踐您的想像力
．生成式設計(Generative Design Engineering,GDE)
．視覺化腳本演算法設計（Visual Script Designer，GGR）
⬇️⬇️⬇️
閱讀更多：https://www.tw-qingteng.com/CATIA_V5/catia_news_29.html
.png)
擴大版圖…輝達趕搭「養龍蝦」商機 推NemoClaw軟體
2026-03-18報導 聯合報記者簡永祥、特派記者李孟珊 由聯合新聞網授權轉載
全球近來掀起「養龍蝦（OpenClaw）」熱潮，全球AI霸主、輝達執行長黃仁勳宣布推出NemoClaw，讓使用者能建立安全又具隱私的代理式AI工具；此外，他也宣布輝達將進軍太空打造資料中心，而延續去年人形機器人的熱門話題，他並與迪士尼合作研發的機器人「冰雪奇緣」的雪寶(Olaf)同框互動，展現輝達讓實體AI與機器人加速走向現實的技術。
延伸閱讀：AI實力超群卻沒面試邀約？如何讓企業一眼看見你的高階AI素養？
輝達年度GTC大會於美西時間16日在加州聖荷西登場，黃仁勳穿著招牌黑色皮衣，在兩個多小時的主題演說中，他表示持續看好AI晶片的需求，並分享輝達未來產品的路線圖，他也宣布輝達將在自動駕駛平台擴大與車廠的合作對象。
開源AI代理系統OpenClaw近來爆紅，OpenClaw的標誌是一隻龍蝦，網友將安裝和使用過程稱為「養龍蝦」，OpenClaw主打可自動分解任務、呼叫工具並執行多步驟操作，被視為代理型AI(Agentic AI)的代表性框架。黃仁勳指出，OpenClaw讓AI代理可透過「一鍵完成」，將像Windows作業系統改變PC一樣，徹底改變AI行業，亦即「AI領域的Windows時刻來了」。因此每家企業都需要制定「OpenClaw戰略」，就如同過去企業必須擁有雲端與行動化策略一樣。
但黃仁勳坦言，OpenClaw在企業環境中的最大挑戰在於安全性，由於代理型AI可存取敏感資料、執行程式碼並與外部系統互動，一旦缺乏適當控管，恐引發資安與合規風險。因此輝達推出NemoClaw，作為OpenClaw的企業級參考架構，透過多層安全機制，協助企業在內網安全部署。
[joblist_plugin title='看更多104【輝達】工作機會' url='https://www.104.com.tw/company/1a2x6bm42t' amount='6']
輝達此舉也宣告搶進代理式AI市場。黃仁勳說，當AI進入後代理時代，每家軟體即服務公司都是「代理即服務」的公司，將專屬領域知識轉化為可租用的「數位代理勞動力」，「這是一次企業IT的文藝復興，將成為一個數兆美元的產業」。
黃仁勳也首度透露，為進一步擴張AI基礎設施，輝達也正與夥伴共同研發「Vera Rubin Space One」太空電腦，在太空建立資料中心。但他也說，還得克服新型輻射冷卻技術，確保超級電腦運算在真空與強輻射環境下，仍能維持穩定運作。
而演說接近尾聲時照例安排驚喜橋段，讓「雪寶」登台與黃仁勳交談，「雪寶」以高度擬真的動作與語音互動亮相，不僅能即時回應指令，還可自然對話與肢體表演，展現出接近真人的互動能力。
黃仁勳表示，未來AI不只存在於雲端與螢幕，而將進入現實世界，成為能理解、思考並執行任務的實體。透過結合生成式AI、推理能力與機器人控制技術，AI將從「會說話」進化到「會做事」。
▲ 點選圖片，馬上搶早鳥優惠！
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
AI大神Karpathy的「LLM Wiki」是什麼？改善工作流、打造知識複利
AI大神卡帕西（Andrej Karpathy）是特斯拉Autopilot神經網路架構推手、OpenAI共同創辦人，看看他如何運用「LLM Wiki模式」蓋出知識圖書館，這個模式的核心主張是，維護結構化知識庫的初期成本，會在成熟後帶來巨大的回報。
文／樂羽嘉編譯 由天下雜誌授權轉載
本文目錄（點擊可快速前往）
LLM Wiki是什麼？卡帕西的真知灼見三層知識架構LLM Wiki核心主張：複利效應的豪賭LLM Wiki實際上怎麼運作？怎麼用Obsidian建立你的LLM Wiki？建立LLM wiki的訣竅LLM Wiki有哪些優點？LLM Wiki有哪些缺點？
每次問AI問題、得到答案，然後AI就失憶，下一次提問從零開始，是不是感覺很可惜？看看「AI大神」卡帕西怎麼幫AI蓋圖書館、累積知識複利。
每一位AI工程師都打造過類似的檢索流水線。你對文件做嵌入、切片、儲存向量，提問時回傳相關切片、由Claude或ChatGPT模型合成答案。
這套流程確實行得通，但如果3個月後有人問了一模一樣的的問題，系統只會機械式重複相同動作，沒有從前一次互動學習到任何東西。
這正是傳統RAG（檢索增強生成）的缺點，也就是從不保留知識。系統永遠處於健忘狀態，每一次查詢都必須從零開始，空有能力卻無法成長。
有AI大神之稱的卡帕西（Andrej Karpathy）是特斯拉Autopilot神經網路架構推手、OpenAI共同創辦人，透過課程教會一整個世代工程師深度學習。卡帕西發現這個問題，提出了一種架構上截然不同的處理方案──「LLM Wiki模式」。
「LLM Wiki」是什麼？為什麼重要？
LLM Wiki是什麼？卡帕西的真知灼見
卡帕西使用軟體工程學的「編譯」（Compilation）來做類比。
當你編寫原始碼時，編譯器會把原始碼轉換為優化的二進位產物。你不會每次都直接執行原始碼，你會編譯一次，分發產物，然後根據需求，有效率地跑原始碼。編譯過程雖然昂貴，但之後每次使用都能獲得回報。
傳統RAG直接針對原始碼去跑，每次查詢都要重新閱讀相同的論文、重新切分相同的PDF、重新綜合整理相同的答案，等於每次請求時都在執行原始碼。
LLM Wiki模式則主張：先編譯你的知識。使用LLM閱讀你的來源資料，把內容綜合整理為結構化、互連的wiki頁面，然後針對這個「編譯產物」做所有查詢。綜合整理過程只發生一次，隨著補充更多來源增加、更新，預先組織好而且經過交叉引用的知識則能改善每次查詢品質。
這個編譯產物是一個wiki。不是資料庫，不是向量資料庫，是一組人類可讀、由 LLM維護的markdown檔案，一個概念一個檔案，有交叉引用、來源追蹤，透過Git做版本管理。
這是核心觀念的轉變，從「無狀態的檢索」轉向「有狀態、有複利效應的知識」。
三層知識架構
卡帕西的模式把知識組織為3個界限清晰的層級，每一層都明確的定位、嚴格的所有權模型。
第一層：原始來源（不可變層）
這是你的輸入層。包括研究論文、YouTube逐字稿、網路文章、會議記錄、部落格文章，任何你想讓系統學習的文本。把來源文件存放在sources/目錄下，當成不可變（Immutable）處理。LLM會閱讀它們，但絕不會修改，這些文本是推導出後續所有內容的基礎真理。
這種不可變性是刻意設計，有需要的時候你隨時可以從零開始重新推導出整個Wiki。
第二層：Wiki（由LLM維護）
這是模式的核心。Wiki是一系列*.md檔案的集合，每個概念、主題或實體對應一個檔案，完全由LLM維護。人類閱讀Wiki，但不直接編寫，每次有新資料來源時，由LLM自動綜合整理、更新。
每個Wiki頁面都有YAML Front Matter（markdown檔案頂端存放後設資料的區域），用來追蹤標題、標籤、出處以及最後更新時間。頁面之間使用 [[slug]] 標記互相引用，使知識圖譜以純文本的形式清晰呈現。
第三層：schema（治理層）
schema是一個JSON檔案，定義整個頁面宇宙：Wiki追蹤哪些概念、它們的縮略名（Slugs）、標題、單行描述，等於是LLM執行人類意圖的合約。
當你希望系統開始追蹤一個新概念時，只要在schema中增加一個PageSpec（頁面規範）就好。下次吸收相關來源時，LLM就會自動建立、填寫這個頁面。若你想停止追蹤某個內容，就從schema拿掉。schema是人類唯一需要主動管理的部分，下游的一切都是自動化的。
也就是說，人類負責定義哪些知識應該存在，LLM則負責組織、整理這些知識並保持最新狀態。
LLM Wiki核心主張：複利效應的豪賭
LLM Wiki模式的核心主張是，維護結構化知識庫的初期成本，會在成熟後帶來巨大的回報。
傳統RAG避開了這些成本，查詢時才做綜合整理，建構成本低、不需要設計 schema，但永遠不會變聰明。第1天和第1000天的同一個查詢，產生的答案品質完全一樣。
LLM Wiki逆轉這種取捨。匯入成本高、schema設計費神、維護需要定期校對，但維護了一年的wiki與全新的系統的品質差異極大，頁面佈滿交叉引用，答案融合了數十個來源，這種複利循環代表有價值的答案本身也成為知識庫的一部分。
LLM Wiki實際上怎麼運作？
LLM Wiki架構很極簡，只有三個要素：
一個存放markdown檔案的資料夾：這就是你的知識庫，可以包含任何內容：研究筆記、會議摘要、專案文件、讀書筆記、個人參考資料、有附註的程式碼片段。
每個檔案內部要使用統一結構：好的LLM Wiki會使用一致的內部格式，包含標題、簡短摘要、主題標籤（Tags），接著才是內容。模型利用這種結構來更快速定位相關資訊。
用Claude Code當查詢介面：你打開終端機，切換到Wiki資料夾，啟動Claude Code，對它提問。Claude Code會讀取所需的檔案、合成答案，按照要求更新或新增筆記。
就這樣，不需要資料庫、不需要向量嵌入（你想要也可以加）、不需要伺服器。只有檔案和一個強大的模型。
Claude Code特別適合這項任務，因為它能直接從你的本地檔案系統讀取檔案。你不需要把內容複製貼上到聊天視窗，只要告訴它筆記在哪裡、直接提問就可以了。
怎麼用Obsidian建立你的LLM Wiki？
你可以使用Obsidian這個本地優先markdown編輯器，來建立工作流。你的檔案都保存在本機硬碟中，Obsidian只是用來讀寫這些檔案的工具。
第一步：安裝Obsidian、建立vault（資料庫）
從官方網站下載 Obsidian，建立新的vault，放在你容易記得的位置，例如~/wiki或~/Documents/llm-wiki。
在Obsidian中，「vault」只是一個資料夾，裡面全部都是純markdown檔案。
第二步：定義筆記模板
一致性是讓wiki可查詢的關鍵。建立一個模板檔案_templates/note.md：
Markdown
# undefined
**Summary**: 用一句話描述這則筆記**Tags**: #topic1 #topic2**Created**: 2026-04-06T00:00:00+00:00**Last Updated**: 2026-04-06T00:00:00+00:00
---
## Content
在這裡寫主要內容
## Related Notes
- [[Note Title]]
不需要完全照這個格式，重點是每篇筆記都要有一行摘要（Summary）、標籤（Tags），這樣Claude就算完全不讀整個檔案，也能快速判斷相關性。
第三步：用大分類資料夾整理
不要過度設計，先從4到5個頂層資料夾開始：
plaintext
Copywiki/├── _templates/├── projects/├── research/├── reference/├── meetings/└── inbox/
inbox/ 用來放還沒整理的筆記，之後讓Claude幫你分類。
第四步：開始寫第一批筆記
把對你最重要的知識先搬進來，例如常查的資料、整理好的流程、研究過的概念、做過的決策與這樣做決策的原因，不要一次全部匯入，最自然的方式是遇到新資訊就慢慢加入。
第五步：安裝Claude Code
先安裝Node.js，然後執行：
Bash
npm install -g @anthropic-ai/claude-code
登入你的Anthropic帳號後就可以使用。
第六步：查詢你的Wiki
打開終端機，進入你的wiki資料夾：
Bash
cd ~/wikiclaude
然後可以問問題，像是：
我有哪些關於機器學習的筆記？幫我整理research資料夾中關於RAG系統的內容我要寫關於X的提案，有哪些相關筆記？找出提到雨傘公司的筆記、摘要關鍵論點
Claude會讀取你的markdown檔案，找出相關內容，給出有依據的回答，標註來源檔案，讓你可以驗證、深入挖掘。
建立LLM wiki的訣竅
寫摘要，不要只寫內容：每篇筆記開頭的一句摘要非常重要。Claude會先看這一行來判斷是否相關，花個10秒寫摘要，可以省掉模型讀錯文件的成本。
使用一致的術語：例如你有時寫「RAG」、有時寫「retrieval augmented generation」，模型可以理解，但是統一用詞會讓結果更乾淨。
建立筆記之間的連結：Obsidian的 [[wiki link]] 會建立筆記之間的關係，Claude可以沿著這些連結推理。連結愈完整，你的知識系譜就愈強。
筆記要聚焦：比起餵一篇1萬字的大雜燴，不如拆成10篇1千字的主題筆記。內容愈聚焦，愈好查詢。
使用 /inbox 蒐集想法：不一定要追求完美，你可以把粗略、雜亂的筆記丟進 /inbox，再請Claude幫你整理，例如「幫我看inbox資料夾，建議每篇筆記該分類到哪裡，並加上標籤」。
LLM Wiki有哪些優點？
知識會隨著時間累積產生複利。這是核心優勢，每一份資料都會豐富同一個Wiki頁面，改善後續的所有查詢。一個匯入50篇關於Transformer論文的Wiki，在回答相關問題時，回答的深度和交叉引用的密度，會遠超過只對同樣 50篇論文進行切片的RAG系統。Wiki的答案整合全貌，RAG則只會翻出最相似的切片。
Wiki變成熟後，查詢速度變快、變便宜。由於「綜合整理」發生在匯入階段而不是查詢階段，查詢過程就變成了針對預先組織好的材料進行「檢索＋生成」，那些吃力的LLM工作都已經事先做好了，包括理解來源、識別重點、撰寫清晰解釋、建立關聯。
人類能閱讀知識庫。所有的產物都是純markdown檔案，工程師可以閱讀、編輯、對Wiki進行版本管理。如果LLM寫錯了，你可以直接修正。Git歷史紀錄提供了完整的稽核軌跡，沒有難以除錯的不透明嵌入資料庫或向量儲存。
出處明確。每個wiki頁面都會記錄哪些來源文件有貢獻。如果一個頁面包含錯誤資訊，你可以追溯回原始來源。當某個來源更新或被證實不可信時，你清楚知道哪些頁面需要重新匯入資料。
規模運作提高成本效率。在重複的綜合整理調用中，系統提示詞的快取機制能大幅降低API成本，路由機制能防止不必要的頁面重寫。成本高昂的綜合整理工作已經在匯入時預先完成，所以每次查詢的成本非常低。
交叉引用的密度。隨著wiki持續擴充，頁面會累積用 [[slug] 形式指向相關概念的交叉連結，這就是用純文字實現的知識圖譜。wiki發展成熟後，這種可導航的知識結構對查詢很有幫助。
LLM Wiki有哪些缺點？
大規模資料匯入緩慢、昂貴。對於每個來源，流程至少會對每個相關頁面呼叫兩次Claude（路由+綜合整理）。若匯入一個包含50篇論文、產出10個wiki頁面的語料庫，呼叫Claude API的次數約是100到200次。這對個人知識庫可行，但對企業級的大規模匯入流程來說成本較高。這個模式是適合最佳化精心挑選的可策展知識，比較不適合用來大量匯入文件。
綜合整理的品質很依賴LLM。wiki的品質取決於用來整理內容的模型，如果模型誤解來源、錯誤地合併兩個概念、憑空產生不存在的關聯（幻覺），這些錯誤會寫進wiki，持續影響後續所有查詢。所以這一步需要仔細設計提示詞、定期執行deep lint檢查。
schema設計是一種負擔。決定要建立哪些頁面、如何命名、描述範圍怎麼界定都不簡單。設計不良的schema會導致：什麼都被判定為相關或什麼都抓不到，產生過於稀疏或過度膨脹的頁面。在新領域中，通常需要反覆迭代才能設計出好的schema。
線性掃描限制規模。使用NumPy計算餘弦相似度的扁平化嵌入索引，在頁數達到約500頁以前都很有效。超過這個規模後，延遲會惡化，需要引入近似最近鄰（ANN）索引工具（如 FAISS、ChromaDB或Weaviate）。若要擴展至混合檢索（BM25+向量檢索），則需要額外成本。
頁面過時風險。當你加入一個會大幅更新某個概念的新來源時，路由步驟應該要捕捉到、觸發「重新合成」，但如果頁面的schema描述太模糊或對齊不良，負責路由的LLM可能無法看出相關性，導致該頁面內容過時。雖然可以透過定期檢查程式碼或定期全面重新匯入來減少問題，還是需要主動維護。
缺乏即時知識。這個模式不是為了即時串流數據（如X推文、股市數據、新聞API）設計的，對於需要即時更新的知識領域，wiki模式反而會增加摩擦而非提升效率。
（資料來源：Medium、MindStudio）
（原文標題：AI大神教你改善工作流，用「LLM Wiki」打造知識複利）
推薦閱讀：
用AI做競品分析如何開始？7步驟看懂對手弱點，制定攻防策略
最新模型Gemini 3.1 Pro 7個「深度工作」必備提示詞
專家：但願你能早點知道的8個ChatGPT好用方法
比提示工程更重要，「上下文工程」Context Engineering怎麼做？
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！
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的主要功能Hooks、Skills、MCP、排程都學了，工作卻沒有變輕鬆？作者提醒「工具≠系統」，提供教師、工程師、研究者3種範本與藍圖模板，帶你用Claude Code設計專屬的AI工作系統。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）
工具學完了，系統還沒設計步驟1：盤點你的工作類型步驟2：3種典型使用者的系統設計步驟3：設計你的專屬藍圖步驟4：產出藍圖文件範例：王老師的AI工作流藍圖（教師版成品）
使用工具：Claude Code（需付費方案，免費版不能用）
安裝說明：Claude Code官方安裝說明
不想用終端機：下載電腦版，直接在桌面程式中使用Claude Code
工具學完了，系統還沒設計
學完Claude Code的所有主要功能，但工具≠系統——系統是「哪些任務由哪個工具負責、在什麼條件下自動觸發」的完整答案：
工具系統學了Hooks知道要攔截哪些操作、在哪些專案啟用學了Skills知道要建立哪些技能來服務你最常見的任務學了排程知道要讓哪些工作自動化、每週/每日跑什麼學了MCP知道要接哪些外部服務、接了之後做什麼
本章幫你把工具組裝成系統。
（圖／博碩出版《Claude Code全攻略》）
用詞約定：本章說的「排程任務」有兩種實作——官方Routines（Anthropic的雲端排程代理，/schedule建立）與本書自製排程框架（~/claude-routines/目錄＋系統排程器）。藍圖裡只要寫清楚用哪一種即可，兩者可混用。
設計系統的心態，也跟著模型在變。早期用AI靠的是「寫一個好prompt換一個好答案」；到了Fable 5這種能長時間自主運作的模型，重點變成「設計一套能讓Claude自我修正、環環相扣的系統」。
步驟1：盤點你的工作類型
在Claude Code中輸入：
請幫我進行一個 AI 工作系統設計諮詢。
首先，請問我以下問題，一次問一個，等我回答後再問下一個：
1. 你的主要工作或學習領域是什麼？
2. 你每天最重複、最耗時的 3 個任務是什麼？
3. 你目前最大的工作痛點是什麼？
4. 你的技術背景如何（純文字使用者/ 會寫基本腳本/ 程式開發者）？
根據我的回答，你會幫我設計一套 AI 工作流藍圖。
（圖／博碩出版《Claude Code全攻略》）
驗證點：Claude一次只問一題、等你回答才問下一題；4題答完後它主動給出初版藍圖草稿。
步驟2：3種典型使用者的系統設計
根據不同角色，這裡提供3個系統設計範本供參考。範本中出現的/summarize、/apa等都是自訂指令，不是內建指令。
（圖／博碩出版《Claude Code全攻略》）
範本A：教師/教育工作者
痛點：備課耗時、作業批改量大、每學期重複建立相同格式的文件
教師 AI 工作系統
每日自動（排程任務）：
morning-brief：
- 整理今日課程材料
- 生成當天課堂提問清單
每週自動（排程任務）：
assignment-review：
- 掃描收到的作業資料夾
- 批量生成評語草稿（教師審核後使用）
MCP 連接：
- Google Drive：讀取課程資料
- Slack/LINE Bot：與學生互動
常用 Skills：
- lesson-plan：生成課程計畫書
- quiz-generator：根據教材生成選擇題
- feedback-writer：生成個性化學生回饋
常用 Slash Commands（自訂指令）：
- /summarize：摘要一份教材
- /translate：翻譯英文資料
範本B：獨立開發者/工程師
痛點：Code Review費時、文件欠缺、重複性的設定和樣板程式碼
工程師 AI 工作系統
每日自動（排程任務）：
code-health：
- 掃描新增的 TODO/FIXME
- 報告昨日 commit 的簡短摘要
每 PR 自動（GitHub Actions）：
- Claude 自動審查並留言
MCP 連接：
- GitHub：PR 審查、Issue 管理
- SQLite/PostgreSQL：資料庫查詢
Hooks：
- PreToolUse：攔截 rm -rf 等危險指令
- Stop：任務完成提示音
常用 Skills：
- auto-commit：生成 commit 訊息
- my-code-review：結構化程式碼審查
- doc-writer：生成函式文件
CLAUDE.md：
- 語言：繁體中文
- 程式碼風格：PEP8 / Google Style
- 禁止：直接執行生產環境的 DELETE 語句
範本C：研究者/寫作者
痛點：資料整理耗時、格式不一致、報告撰寫耗費大量時間
研究者 AI 工作系統
每次執行（Script）：
research-pipeline：
- 輸入主題 → 自動生成報告草稿
- 輸出 Markdown + Word
每週自動（排程任務）：
weekly-digest：
- 每週整理本週閱讀的文章摘要
- 輸出一份「本週閱讀摘要」
常用 Skills：
- summarize-long：摘要長文
- rewrite：改寫語氣/ 格式
- reference-formatter：整理引用文獻格式
常用 Slash Commands（自訂指令）：
- /apa：轉換成 APA 格式
- /abstract：生成摘要
- /expand：擴充段落
步驟3：設計你的專屬藍圖
根據你的工作類型，用Claude Code幫你填入細節：
根據我的工作情境（[填入你的工作領域]），
請幫我設計一份完整的 AI 工作流藍圖，格式如下：
## 我的 AI 工作系統藍圖
### 🎯 設計目標
（節省時間在哪些地方？提升品質在哪些地方？）
### 📋 工作盤點表
| 高頻任務 | 目前耗時/ 週 | 自動化方式 | 預估節省 |
### 📅 自動化排程
| 頻率 | 任務名稱 | 做什麼 | 技術實作（官方 Routines / 自製 cron） |
### 🔌 MCP 連接
| 服務 | 用途 | 優先級 |
### 🎪 Skills 清單
| Skill 名稱 | 觸發情境（寫進 description） | 功能 |
### ⌨ Slash Commands（自訂指令）
| 指令 | 功能 |
### 🔒 Hooks 設定
| 時機 | 觸發條件 | 做什麼 |
### 📋 CLAUDE.md 核心設定
（語言偏好、工作風格、禁止事項）
### 🔁 月度回顧（每月一次，直接回答這五題）
1. 哪個 Skill 最常用？（值得繼續維護）
2. 哪個 Skill 完全沒用？（可以移除或重構）
3. 有沒有重複做某件事超過 3 次？（應該自動化）
4. 有沒有哪個回答讓我覺得「它不夠了解我的情境」？（改 CLAUDE.md）
5. 這個月的費用/ 額度花在哪裡最多？（是否值得？）
### 🗓️ 實施計畫（今明後三步）
今天：（可以立刻做的）
本週：（這週內完成的）
本月：（一個月內建立的）
把「月度回顧」直接寫進藍圖，而不是另外記在腦子裡——這樣藍圖本身就內建了讓系統持續進化的機制。
步驟4：產出藍圖文件
讓Claude Code直接把藍圖寫成Markdown檔案：
請把我們剛才設計的 AI 工作流藍圖，
存成一個 ai-workflow-blueprint.md 文件，
放在 ~/Desktop/ai-workflow-blueprint.md。
同時加入今明後三步的具體實施計畫。
（圖／博碩出版《Claude Code全攻略》）
範例：王老師的AI工作流藍圖（教師版成品）
空白模板不好想像，下面是一位國中資訊老師照「步驟1～4」做完後的完整成品，可以直接拿去改：
# 王老師的 AI 工作系統藍圖（2026-07 版）
## 🎯 設計目標
- 每週備課時間從 6 小時降到 3 小時
- 作業評語從「來不及寫」變成「每人都有個性化回饋」
- 每學期重複性文件（進度表、通知單）零手工
## 📋 工作盤點表
| 高頻任務 | 目前耗時/ 週 | 自動化方式 | 預估節省 |
|---------|-----------|-----------|---------|
| 備課簡報與講義 | 4 hr | lesson-plan Skill + /summarize | 2 hr |
| 作業批改評語 | 3 hr | feedback-writer Skill 批量產草稿 | 1.5 hr |
| 週報與家長通知 | 1 hr | weekly-report 排程任務 | 0.8 hr |
| 段考出題 | 2 hr（雙週） | quiz-generator Skill | 1 hr |
## 📅 自動化排程
| 頻率 | 任務名稱 | 做什麼 | 技術實作 |
|------|---------|--------|---------|
| 每日 07:00 | morning-brief | 整理今日課程材料＋課堂提問清單 | 自製 cron（~/claude-routines） |
| 每週五 16:00 | assignment-review | 掃描作業資料夾、產評語草稿 | 自製 cron（~/claude-routines） |
| 每週日 20:00 | weekly-report | 彙整本週教學紀錄成週報 | 官方 Routines（雲端排程） |
## 🔌 MCP 連接
| 服務 | 用途 | 優先級 |
|------|------|--------|
| Google Drive | 讀課程資料、存產出文件 | 高 |
| GitHub | 存放教材版本控制 | 中 |
## 🎪 Skills 清單
| Skill 名稱 | 觸發情境（寫進 description） | 功能 |
|-----------|---------------------------|------|
| lesson-plan | 「幫我備課」「做 XX 單元的課程計畫」 | 產出課程計畫書＋講義大綱 |
| quiz-generator | 「出題」「做測驗卷」 | 依教材產選擇題＋答案卡 |
| feedback-writer | 「寫評語」「批改回饋」 | 依作業內容產個性化評語草稿 |
## ⌨ Slash Commands（自訂指令）
| 指令 | 功能 |
|------|------|
| /summarize | 摘要一份教材成一頁重點 |
| /notice | 生成家長通知單（套固定格式） |
## 🔒 Hooks 設定
| 時機 | 觸發條件 | 做什麼 |
|------|---------|--------|
| PreToolUse | Bash 指令含 rm -rf | 阻擋（deny）並要求確認 |
| PostToolUse | 所有工具 | 記錄到 activity.log（月報數據來源） |
## 📋 CLAUDE.md 核心設定
- 所有回應使用繁體中文
- 評語語氣：鼓勵為主、具體指出一個改進點
- 禁止：學生個資寫入任何產出文件
## 🔁 月度回顧（每月最後一個週五）
1. 哪個 Skill 最常用？ 2. 哪個完全沒用？ 3. 有沒有重複超過 3 次的事？
4. 哪個回答顯示它不懂我的情境？ 5. 額度花在哪最多？
→ 配合步驟 6 的月報提示詞，用 activity.log 數據回答，不憑感覺。
## 🗓️ 實施計畫
今天：建 lesson-plan Skill、裝 activity.log Hook
本週：morning-brief 排程上線、Google Drive MCP 接通
本月：feedback-writer 調教到「八成評語可直接用」、跑第一次月度回顧
驗證點：對照這份成品檢查你自己的藍圖——每個Skill都有「觸發情境」、每個排程都寫了「用官方Routines還是自製cron」、月度回顧有排進行事曆。
節錄自：博碩出版《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
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
Claude Skills怎麼用？內建與個人Skill差異、適用情境及使用方式
打造專屬空間的魔法師養成之路──開箱新竹高工室內空間設計科
新竹高工室內空間設計科的教學現場，往往圍繞一個核心開始教學，帶領學生思考：這個空間，是為誰而設計？
室內空間設計科柏芸主任分享，室內空間設計並非單純的裝潢或風格呈現，而是一門高度貼近生活、以人為核心的專業，不同於建築，室內空間設計需要整合業主喜好與機能的需求，以及各方單位溝通，是高度以人為出發點的產業。科內學生在三年課程的學習歷程中，逐步學會從使用者需求出發，整合美學、機能、材料與施工邏輯等專業，將抽象的想法與概念轉化為可實際使用的空間方案。
從製造到設計：科系轉型下的定位思考
新竹高工室內空間設計科的前身，源於因應製造業需求而設立的木工相關科別。隨著產業型態與社會需求的轉變，科系逐步轉型為設計群中的室內空間設計科，教學重心也從單一工藝操作，轉向更全面的設計思考與空間規劃。
儘管如此，科內仍保留部分木工實作設備與相關課程，讓學生在理解設計概念之餘，也能接觸實際的施工工法與材料應用。這樣的背景，使室內空間設計科在設計導向與實作基礎之間，維持一種平衡的專業定位。
以人為本的專業角色：衣櫃怎麼擺？要觀察業主的需求
在產業脈絡中，室內設計師扮演的是一個高度整合的角色。設計不只是視覺美感的呈現，更涉及人體尺度、生活動線、材料選擇與施工溝通。學生在課堂中不斷被提醒，室內設計並非為了展現設計師個人風格，而是協助業主打造符合其生活習慣與需求的空間。
舉例來說，僅是一個衣櫃的設計，就牽涉到使用者是偏好吊掛還是摺疊收納；餐桌、沙發與走道的配置，也都需回到實際使用情境進行推敲。這些看似日常的細節，正是室內空間設計科所強調的專業核心。
圖：學生運用電腦工具繪出室內3D模型
三年課程架構：從基礎設計到3D模型
室內空間設計科的課程設計，依照學生年級循序推進。高一階段著重在培養設計基礎能力，學生首先接觸基本設計、圖學、繪畫基礎與電腦繪圖，學習如何建立概念，並熟悉設計領域常用的軟體與工具。這一階段養成的基礎能力將成為後續專業建構的重要基石。
進入高二後，課程進階至室內設計的專業應用，面向包含木工、室內設計製圖、電腦輔助室內設計，學生也會被訓練更多考量人體尺度，重新思考人與空間的關係，比如如何掌握走道的寬度與動線、不同人數桌椅尺寸的拿捏等等，都需要考量業主實際使用需求而定。學生也透過實際使用3D建模軟體，將設計概念轉化為立體模型，並進一步進行材質與光影的模擬，理解不同配置對空間感受的影響。
高三則以專題製作為核心，學生需整合前兩年的學習成果，完成一個完整的設計案。專題內容不僅包含設計理念說明、平立剖面圖與3D模型，也可能透過實體模型、海報或影像方式進行呈現，讓學生展現其對空間設計的整體理解。
沒有一次到位的設計：在討論與修正中學會解決問題
柏芸主任談到：「設計並不存在一次到位的答案。」，課程中教師透過大量討論，引導學生面對設計過程中不斷出現的問題。從空間尺度不合、動線不順，到業主需求與實際條件的衝突，學生需在討論中提出替代方案、反覆修正，逐步培養獨立思考與問題解決的能力。
這樣的訓練，也讓學生理解設計並非追求「六十分就好」，而是需要不斷追求更好的可能。願意修改、持續精進，被視為室內設計學習中極為重要的態度。
圖：學生親手繪製專屬的室內空間設計圖
在AI時代下，仍然以「人」為核心的設計專業
面對AI工具快速發展，設計圖生成與視覺呈現變得更加容易。新竹高工的教學現場並未迴避這樣的趨勢，而是引導學生思考：哪些是工具可以輔助的，哪些仍需要人來完成。
在室內空間設計中，對使用者生活習慣的理解、對文化與氣候的掌握，以及施工經驗所累積的判斷力，都是高度仰賴人的專業。設計的溫度、同理與經驗，被視為AI難以取代的核心價值。學生在學習過程中，也被鼓勵建立屬於自己的觀察視角與個人風格，而非僅依賴工具產出。
升學與發展：以能力與作品說話的設計道路
新竹高工室內空間設計科以升學為主要導向，學生畢業後多選擇進入室內設計，也有學生朝向平面設計、工業設計、多媒體設計等相關科系繼續深造。升學選擇並不侷限於單一方向，而是依學生在高中階段逐步探索出的興趣與專長而定。
在設計領域中，學歷並非唯一評價標準，作品與能力才是長期發展的關鍵。這樣的產業特性，也讓學生在學期間更加重視作品累積與實作經驗，理解專業能力的養成是一條長期投入的道路。
圖：學生進行木工實作
在生活中學設計，在設計中理解人
室內空間設計科所培養的，不只是繪圖或建模的技術，而是一種以人為本的專業視角。學生在三年的學習中，逐步理解設計如何回應真實生活，也在不斷修正與討論中，建立屬於自己的專業基礎。
柏芸主任分享，是否具備美術基礎並非最重要的條件。，更關鍵的是是否願意反覆嘗試、持續學習，以及能否以同理心理解他人的需求。空間感與美感可以在課程中培養，但耐心與追求更好的心態，則是設計學習中不可或缺的基礎。
新竹高工室內空間設計科所提供的，是一條從同理與觀察出發、以能力累積為核心的設計學習路徑，讓設計不只是想像的呈現，更是能真正走進人們生活的具體實踐。
開箱食品加工科學習日常！更多科系探索，歡迎追蹤104高職生IG
在 Instagram 查看這則貼文 104高職生（@104v.hs）分享的貼文
2026年5月21日達梭系統 3D UNIV+RSES 賦能數控加工
領先者佈局】領先者在做什麼？揭秘高階製造業的數位佈局：賦能數控加工
AI 驅動・CAM 升級 研討會
活動時間：2026年5月21日（四）14:00–15:00
看懂下一步＿免費報名：https://lnkd.in/gTkSudqJ
三大聚焦重點：
．3D UNIV+RSES 架構：打造數控加工智能決策新底座
．知識沉澱與復用：構建企業級 CAM 數位資產體系
．AI 驅動與生成式體驗：實現 CAM 編程高效、智能、可規模化
#3DEXPERIENCE #DELMIA #CAM #數控加工 #AI #達梭系統
達梭系統3DEXPERIENCE 平台以 Power'By 技術與 AI 助攻，實現多 CAD 工具整合，打造企業的數位
🚀【設計人、製造人、研發人都該來聽！】
你還在為多種 CAD 工具整合頭痛嗎？
還在用 Excel 管 BOM 表追版本？
達梭系統來幫你解放！
今年，全新登場的 3DEXPERIENCE Gen 7 + #3D_UNIV+RSES
正式開啟企業數位轉型的虛實融合新紀元 🧠🤖
結合 Power’By 技術 + AI 助攻，讓產品研發協同更聰明、更快、更精準！
🎯 研討會搶先看重點：
🔧 敏捷開發 x 跨部門協作 x 一體化 BOM 架構
🔍 CAD 資料變黃金，驅動整條產品價值鏈
📊 ENOVIA + AI 合力推動智慧 PLM，版本變更不再怕！
🗓 活動時間：2025/5/27（二）14:00 - 15:00
🎫 免費報名👉 https://3ds.tbh5.com/tw/EventDetail.aspx?eid=1161&f=qingteng
達梭系統3DEXPERIENCE 平台以 Power'By 技術與 AI 助攻，實現多 CAD 工具整合，打造企業的數位協同新體驗
#3DEXPERIENCE #PLM #AI助攻 #產品開發 #設計製造一體化
從 Vibe Coding 到 Agentic Engineering：定義 AI 時代的軟體工程新範式
回顧 2025 年，前 Tesla AI 總監 Andrej Karpathy 在社群平台上首次拋出 「Vibe Coding」 這個詞時，精準捕捉了當時開發者的集體情緒。那是一種憑藉自然語言提示、與大型語言模型（LLM）進行即時對話，進而拼湊出程式碼的過程。在那樣的時空背景下，開發者不再逐行撰寫邏輯，而是透過一種「氛圍（Vibe）」與直覺，快速催生出可運作的產品原型。
這種「以直覺替代語法」的模式迅速引爆了工具與新創的開發熱潮。從 AI 原生編輯器到全自動開發平台，資金如潮水般湧入：AI 程式編輯器 Cursor 在去年底完成 D 輪融資，年化收入（ARR）驚人地突破 10 億美元；而歐洲新創 Lovable 則以 66 億美元的估值完成 B 輪融資。
然而，當熱潮退去，我們必須直面一個核心問題：「感覺」能支撐起企業級的軟體工程嗎？
Vibe Coding 的天花板：實驗與專業的鴻溝
在 Vibe Coding 模式下，開發者雖然能獲得極高的初始速度，但這種「黑盒式」的開發卻隱藏著巨大的技術債。
當專案規模擴大，單純依賴單一模型的對話式修補會逐漸失控。生成的代碼可能存在隱蔽的安全漏洞，且缺乏一致性的架構邏輯。Karpathy 指出，當時的模型能力有限，Vibe Coding 多半用於實驗性專案，距離真正的專業軟體工程仍有明顯落差。
隨著 AI 模型能力的進化，我們正進入一個新的階段：Agentic Engineering（智能體工程）。這不僅僅是名稱的變更，更是從「感性驅動」向「理性系統」的範式轉移。
2. 建立品質關卡與審計軌跡
工程化的標誌在於其「可預測性」。在 Agentic Engineering 的框架下，工作流會內建品質關卡（Quality Gates）與自動化測試。這意味著 AI 產出的每一行代碼，都必須通過另一組 AI 代理或既定腳本的審查。這種「半自主系統」具備自我修復與反思的能力，大幅降低了 Vibe Coding 帶來的隨機性風險。
開發者角色的重定義：系統架構師與監督者
這場轉型對軟體工程師而言，是一次技能樹的劇烈重組。開發者的工作重心正發生以下移轉：
定義邊界而非代碼：工程師的核心能力不再是掌握特定程式語言的語法，而是定義系統的輸入輸出契約、安全性約束（Guardrails）以及業務邏輯的邊界。
掌握編排藝術：開發者必須學習如何設計「認知架構（Cognitive Architectures）」，例如如何運用多代理協作模式，讓 AI 能夠處理比以往更複雜、更長期的任務。
從實作者轉向監督者：這是一個將 AI 開發視為企業核心職能的過程。我們不再是即興打造工具的人，而是負責驅動一個可持續擴展、具備自我演進能力的半自主系統。
結語：進入自主開發的新紀元
Vibe Coding 是 AI 帶給我們的一場美夢，它讓我們看見了開發門檻崩塌的可能性；而 Agentic Engineering 則是將這份美夢轉化為工業化現實的必經之路。
正如 Glide 所言，Vibe Coding 代表的是早期工具帶來的震撼，而 Agentic Engineering 則更貼近企業級的實務需求。我們正站在軟體工程新紀元的門檻上——在那裡，人類負責定義願景與紀律，而 AI 代理則在嚴謹的框架下，將願景轉化為穩健的現實。
觀看原文：https://www.xschoolkh.com/post/vibe-coding-to-agentic-engineering
如果你感覺目前的 AI 開發流程讓你焦慮，或許缺的不是更強的模型，而是一套能駕馭 AI 的開發方法論。
【Vibe Coding 全端架構師養成：ASP.NET Core × AI LLM 企業級實戰】 現在就加入，成為定義規則的人。
想了解更多課程資訊請詳見連結👇
https://www.xschoolkh.com/vibe-coding-ai-asp-net-core
有任何收穫或想分享的，都來和大家一起聊聊吧！