快速活用 MySQL，精準設計關聯式資料庫
104學習
資料庫程式設計
這項技能指的是能夠設計、建立及維護資料庫系統，確保資料能有效率地存取與管理。具備撰寫SQL查詢語法、優化資料庫效能、設計資料庫結構以及處理資料安全與備份等能力。在企業中，能協助整合大量資料，支援決策分析與業務運作，是數位轉型及資訊系統穩定的關鍵。掌握這項技能，能提升工作效率並減少資料錯誤，對於資訊相關職位尤其重要。
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
教你完全掌握 SQL- 從資料庫建立到成為資料處理高手
Python程式設計【本課程為線上課，報名後專員會提供上課資訊】
AI資料分析資料科學家必學！MySQL資料庫從零到高手：全面實作指南與應用案例
資料庫設計原理
從零開始 Python × Ollama 實戰教學：打造企業本地LLM應用程式
智能文件編輯：AI和Word的整合
人工智慧-Python與資料科學【本課程為線上課，報名後專員會提供上課資訊】
【線上課程】 Python 基礎程式設計｜開外掛勇闖 Python 異世界
AI快速完成專業簡報
精選證照
考取專業證照，讓能力被市場看見
物件導向視窗及資料庫程式設計
因應知識經濟與文創產業的時代來臨，各產業均發生結構性的變化，「設計」所帶來的附加價值與影響也日趨明顯。為了不淹沒在此一浪潮中，台灣產業界對於設計能力的提升，產生了迫切的需求。優秀而充足的人力是企業提升設計能力的根基，為提供產業界符合新時代的專業人才，本會推動「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。
● 為國際級證書，獲印度國家電子資訊科技學院（NIELIT）採認。
● 以「專業設計領域任職必備能力」為認證標準。
● 認證內容涵蓋「工程設計」、「視傳設計」、「軟體設計」、「電路設計」、「建築設計」、「跨域設計」等六大專業領域。
● 擁有整合知識體系與專業技能的認證架構，是最貼近實際使用環境與就業需求的證照。
財團法人中華民國電腦技能基金會
基礎物件導向視窗及資料庫程式設計
因應知識經濟與文創產業的時代來臨，各產業均發生結構性的變化，「設計」所帶來的附加價值與影響也日趨明顯。為了不淹沒在此一浪潮中，台灣產業界對於設計能力的提升，產生了迫切的需求。優秀而充足的人力是企業提升設計能力的根基，為提供產業界符合新時代的專業人才，本會推動「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。
● 為國際級證書，獲印度國家電子資訊科技學院（NIELIT）採認。
● 以「專業設計領域任職必備能力」為認證標準。
● 認證內容涵蓋「工程設計」、「視傳設計」、「軟體設計」、「電路設計」、「建築設計」、「跨域設計」等六大專業領域。
● 擁有整合知識體系與專業技能的認證架構，是最貼近實際使用環境與就業需求的證照。
財團法人中華民國電腦技能基金會
TQC+ SD-物件導向視窗及資料庫程式設計
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
TQC+ SD-基礎物件導向視窗及資料庫程式設計
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
物件導向視窗及資料庫程式設計 (Java/C#/VisualBasic)
「物件導向視窗及資料庫程式設計」證照核心旨在驗證開發者融合物件導向理論、視窗圖形使用者介面與資料庫應用的綜合實務能力。不論使用 Java、C# 或 Visual Basic 語法，持證者皆具備利用類別與物件建構視窗應用程式的技術，並能熟練處理事件驅動程式設計。此外，持證者亦精通資料庫連線、SQL 指令操作及資料存取邏輯，具備將前台介面與後端資料庫無縫整合的關鍵職能，是企業評估現代視窗軟體開發與資料庫應用人才的專業客觀指標。
尚未查核發照單位
基礎程式語言
基礎程式語言證照旨在驗證持有者具備基本程式設計能力，涵蓋變數、流程控制、陣列及簡單演算法等核心概念，適合初學者入門。透過理論與實務測試，證明能使用常見程式語言撰寫簡單程式，具備問題分析與解決能力，為進階程式設計及相關職涯奠定扎實基礎。此證照廣受資訊產業與教育機構認可，是進入軟體開發領域的重要入門資格。
尚未查核發照單位
精選貼文，掌握第一手知識
那份檔案、Email放在哪？工作總在「找東西」，5招減少工作區
每天花多少時間找檔案、Email、待辦事項？工作區太多，容易讓資訊分散、增加尋找時間。作者分享5個工作區整理技巧，從待辦工具、標籤分類到數位化管理，減少東翻西找，提高工作效率。本文節錄自《時間不夠用？先減掉八成雜事》。
文／飯田剛弘
本文目錄（點擊可快速前往）
打造一個「工作區」「丟棄」紙張、「保留」數位檔案──建立工作區的技巧1. 找到適合自己的待辦事項管理工具2. 善用標籤、關鍵字與篩選功能3. 減少工作區的數量4. 從小範圍開始5. 不確定是否該丟棄時，「丟掉」實體物品，「保留」數位檔案
打造一個「工作區」
各位是否每天為了尋找物品或資料而花費許多時間呢？像是「那封電子郵件到哪裡去了呢？」、「那張備忘錄跑去哪了？」、「那個檔案存在哪裡啊？」、「那份文件擺去哪了？」之類的情況。其實，花在尋找上的時間，比我們想像中奪走更多寶貴的時光。
因為這些動作往往在不知不覺中進行，所以不容易發現。可能在一天之內就發生好幾次在找東西的情況。
或許這樣說會有點太過直接，但這些「尋找」的時間，幾乎不會產生任何價值。
更麻煩的是，愈是在忙碌的時候，愈容易發生不清楚所需的資料或訊息在哪裡，結果反而花更多時間到處尋找。
要減少這些時間浪費的方式，就是打造一個「工作區」。
所謂的「工作區」，指的是儲存與管理必須處理的事項和工作，以及相關資訊與資料的地方。像待辦事項清單、筆記本、電子郵件、聊天訊息、桌面上，或是抽屜、書架、包包等等，都可以成為「工作區」。重點是在平日就要養成習慣，除了「工作區」之外，不要隨意擺放。
不過，如果「工作區」過多，反而會使工作無法順利進行。以下是一些常見的情況：
找不到需要的工具，花了很多時間尋找，甚至最後不得不再去購買。
找不到他人之前曾經告知的資訊，導致工作無法繼續。
瀏覽過覺得有參考價值的網站，沒有加入書籤，結果再次搜尋時，耗費許多時間與心力。
記錄過和他人約定時間的筆記，不知道擺去哪裡，令人十分困擾。
事先調查的資訊筆記不小心弄丟，只能靠自己模糊的記憶回想。
找不到付款所需的文件或帳號資訊。
忘記購買必要的物品，卻買了其他多餘的東西。
直到要出門前，才慌張地到處翻找需要的票券或文件。
雖然有事先預約，卻找不到預約號碼或確認的郵件，而感到非常焦急。
當我們覺得自己不擅長安排時程時，上述這些情況往往更常出現。要讓事物順利進行， 最好是盡量把「工作區」集中在一個地方。若是把需要的東西或資訊放在不同地方，自己也會搞不清楚究竟放在哪裡，最後只會徒增尋找的時間。
因此，若要快速且輕鬆地找到所需資訊，最理想的做法是將所有待辦事物集中在同一個地方。
即使要將所有待辦事項完全集中在一個地方並不容易，但只要能盡量減少「工作區」的數量，就能縮短尋找的時間，讓工作更順利進行。
重新檢視自己有多少個工作區？
首先，請先參考下頁的表格，也就是數一數自己目前有多少個「工作區」。
數位資料的存放地點
工作區數量電子郵件（收件匣、寄件匣、草稿等）待辦事項清單（電子郵件、筆記本、Word檔等）雲端儲存區（Google 硬碟、OneDrive 等）電腦（桌面、各檔案夾）或 3C 設備（手機、平板）通訊軟體（Slack、Teams、LINE 等）其他應用程式和軟體
非數位、實體的存放地點
工作區數量筆記本或備忘錄行程表或月曆便條紙或便利貼檔案夾或文件夾各種盒子或箱子層架或書桌周圍床上包包或錢包裡白板自己的大腦其他人（同事或秘書等）家中衣服或褲子口袋
數出來的結果有幾個呢？我自己在舉辦研討會或培訓課程時，總會請學員統計自己的工作區數量，結果因每個人的工作內容與職務類型不同而有很大差異。
例如，擔任出納會計、總務等行政職的人，有時可能多達數十個工作區。而管理階層或外勤的業務人員，也有人少於十個工作區。
關鍵在於，先掌握自己目前的工作區數量，接著思考如何縮減那些花在「東翻西找」上的時間浪費。
「丟棄」紙張、「保留」數位檔案──建立工作區的技巧
以下介紹幾個在安排工作區時的重點：
1. 找到適合自己的待辦事項管理工具
市面上的待辦事項管理工具琳瑯滿目，有的只提供簡單的製作備忘錄與清單功能，有的 則是可管理完整專案的專業系統。選擇時要符合自己的需求與個性，這點至關重要。
若一開始就挑選過於複雜、使用不易的最新款高階工具，反而容易半途而廢。當自己想 要嘗試新工具時，建議優先選擇操作簡單、能與電腦和手機同步的雲端服務為佳。
2. 善用標籤、關鍵字與篩選功能
為了能快速找到待辦事項與相關資訊，可以用資料夾、透明文件夾或標籤，依照一定規則進行分類。不過更建議在整理時，能以數位化為前提，運用容易聯想的關鍵字、標籤、標記或篩選等功能，確保資訊能快速搜尋，管理也會更加輕鬆。
3. 減少工作區的數量
要降低「漫無目的尋找」所浪費的時間，最關鍵的做法就是把工作時需要的東西全部集 中在同一個地方。前面的內容也有提到，盡量減少工作區的數量非常重要。雖然實際數量會因工作環境和職務不同而有所差異，但原則上最好控制在個位數以內，以避免混亂。
4. 從小範圍開始
如果要處理的事情太多，要整理所有事物往往非常耗時費力。建議先從當下最需要處 理、最重要的部分開始整理，再慢慢拓展到其他部分。在熟悉工作區使用環境的同時，也能專注在盡量減少「時間浪費」和「找東西」上。
5. 不確定是否該丟棄時，「丟掉」實體物品，「保留」數位檔案
在試著減少工作區的數量時，常會出現不知道該不該留下的文件或資料。這時，我個人建議可以依照資料的類型處理。基本原則是若屬紙本資料，可「先掃描儲存成數位檔案後，再丟棄」，如果屬於數位檔案，則「暫時保留」。
紙張只會愈積愈多，占據空間又降低效率，因此建議能盡量數位化，達到減少紙張的效 果。如果擔心一下子全部丟棄會有風險而感到猶豫不決時，可以先掃描或拍照存成電子檔，再逐步進行斷捨離。
再次強調，工作區的數量一旦過多，即代表相關的資料與資訊分散各處，不僅增加尋找時間，也容易在管理和保存上出現困難，進而導致錯誤和疏失。
因此，要先掌握自己目前的狀況，再逐步減少工作區的數量，才能有效提高工作效率。
節錄自：寶鼎出版《時間不夠用？先減掉八成雜事：不加班也能升職的高效工作法》／飯田剛弘 著
Knowledge Table：資料處理AI 工具，輕鬆提取文件資訊，助你快速分析非結構化資料
隨著資料量持續增長，非結構化資料的處理需求也越來越高。無論是財務報表、合約條款或研究報告，從中萃取出結構化數據不僅耗時，還充滿挑戰。而 Knowledge Table 正是為了解決這項痛點而生的一款開源 AI 工具，能簡化資料整理流程。透過這款工具，用戶只需使用自然語言查詢即可快速提取資訊，無需撰寫程式。本文將帶你深入了解 Knowledge Table 的功能與應用場景，幫助你在資料處理上事半功倍。
▍Knowledge Table 是什麼？非結構化資料的強大助手
Knowledge Table 是一款專門為處理非結構化資料而設計的開源 AI 工具。這些資料通常存在於報告、合約、電子郵件或研究文件中，難以直接使用傳統數據庫工具進行提取與分析。Knowledge Table 的設計理念是通過簡單的自然語言查詢方式，讓用戶輕鬆自文件中提取結構化資料，並將這些資訊整合進現有工作流程，方便進行後續分析。
1. 操作簡便：自然語言查詢，無需程式技術
Knowledge Table 的亮點在於其直覺的使用介面，特別適合無程式背景的用戶。只需透過簡單的自然語言查詢，即可迅速找到所需的資料，無需繁瑣的程式碼設置。這對於需要快速獲取資料的使用者來說，無疑是個省時的解決方案。
2. 自訂規則：靈活提取資料，滿足多樣需求
為了應對不同類型的文件需求，Knowledge Table 支援用戶自訂資料提取和格式化規則。無論是萃取特定欄位的數據、篩選特定關鍵詞，或是為資料進行格式轉換，用戶均可根據需求靈活設定，增加資料處理的準確性和效率。
3. 多用途整合：適應多場景工作流程
Knowledge Table 支援與各類工作流程整合，例如合約管理、財務分析和商業報告生成。藉由與現有工作流程的無縫結合，這款工具不僅能提升資料分析速度，還能優化整體工作流程，成為公司日常運營的得力助手。
4. 資料視覺化與匯出：圖表展示與 CSV 檔案支援
Knowledge Table 提供了簡便的資料視覺化功能，允許用戶將提取的資料生成圖表，以便快速理解趨勢和關鍵資訊。並且，該工具支援 CSV 匯出，讓資料可以輕鬆用於進一步的分析和分享，適合團隊協作需求。
▍適用場景：Knowledge Table 的應用價值
1. 商業分析：自動提取財務報告數據
在商業分析上，Knowledge Table 可以自動提取如財務報告和銷售數據等資訊，節省了人力成本，尤其適合中小型企業或數據分析團隊。自動化處理讓分析更具效率，資料提取更為準確，能夠有效支援策略決策。
2. 合約管理：關鍵條款的自動識別
合約文件往往充滿了專業術語且篇幅冗長，檢索關鍵條款耗時且容易遺漏。Knowledge Table 能幫助企業自動識別與提取合約中的重要條款和數據，讓管理者快速掌握關鍵資訊，提升合約管理效率。
3. 學術研究：大量文獻的數據化分析
學術研究者面對大量文獻資料，手動整理不僅耗時，也可能導致資料遺漏。Knowledge Table 可以協助研究人員從大量研究報告或期刊中提取出特定數據，方便進行統計分析，加速學術研究的進程。
▍Knowledge Table 的優勢：讓資料處理更智能化
Knowledge Table 的價值不僅僅在於簡化了資料提取的流程，更能大幅降低操作門檻。它是一款低代碼（Low-Code）的資料處理AI 工具，用戶無需專業程式技能，只需自然語言查詢即可完成複雜的資料操作。此外，Knowledge Table 具備靈活的自訂規則功能，能夠讓使用者根據個人需求優化資料提取邏輯，增強資料的實用性。
Knowledge Table 是專為處理非結構化資料的高效 AI 工具，其易用性和強大的自訂規則設計，讓用戶在無需程式基礎的情況下，輕鬆提取文件中的重要資訊。對於需要資料視覺化、匯出以及整合到各種工作流程中的企業與個人來說，Knowledge Table 是一個值得嘗試的資料處理解決方案。無論你是商業分析師、合約管理者或學術研究者，這款工具都能在資料處理上提供顯著助益，成為提升工作效率的關鍵助手。
➤ 立即適用：https://github.com/whyhow-ai/knowledge-table
➤ 歡迎在104學習精靈關注【AI趨勢報－科技愛好者的產地】獲得更多科技新知！
如何成為後端工程師？精準掌握必備核心技能＆職涯精進攻略
你是否想轉職成為後端工程師，打造更穩定、具成長性的技術職涯？無論你是剛開始學習程式語言的新手，或正在尋找明確學習方向的職場工作者，這份後端學習地圖將幫助你掌握後端工程的核心技能、實戰經驗與職涯發展路徑。透過系統化的學習規劃與專案實作，你將更有信心地踏入後端領域，成為職場中真正被需要的技術人才。
文 /【104學習精靈】
本文目錄（點擊可快速前往）
後端工程師是什麼？和前端、全端工程師有什麼不同與優勢之處？掌握後端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能轉職後端工程師的學習策略後端工程師薪資行情與職涯發展後端工程師的挑戰與機會
後端工程師是什麼？和前端、全端工程師有什麼不同與優勢之處？
🎯 後端工程師工作內容
後端工程師（Backend Engineer）主要負責伺服器端的邏輯開發，包括資料庫管理、API 設計、伺服器架構以及系統效能優化。他們確保前端應用程式能夠順利與後端系統交互，並提供穩定的數據與服務。
🎯相近職類比較：DevOps、全端、前端、後端工程師差別
職位主要負責技術負責範圍後端工程師（Backend Engineer）伺服器架構、API 設計與串接、資料庫管理、效能優化負責後端邏輯、數據清理，確保前端能夠存取正確的資料前端工程師（Frontend Engineer）HTML、CSS、JavaScript、React、Vue負責 UI/UX 設計，開發與使用者互動的前端界面全端工程師（Full Stack Engineer）前端 + 後端技術能獨立開發完整應用，涵蓋 UI、後端 API、資料庫管理DevOps 工程師（DevOps Engineer）Docker、Kubernetes、CI/CD、自動化部署負責開發與運行環境的部署、監控與維護，提升開發效率
🎯 為什麼選擇後端開發？
後端開發是資訊產業中穩定且高度需求的領域，適合對邏輯、架構、系統思維有興趣的學習者投入：
就業市場穩定成長：隨著數位化轉型普及，後端開發職缺在各行各業皆有需求，從新創到大型企業都有穩定徵才。
強調邏輯與架構設計：後端工程著重資料儲存、伺服器溝通、API 設計等，適合喜歡系統設計與架構思考的人。
職涯彈性大：從初階後端工程師到系統架構師，甚至 DevOps、SRE、資安領域都有後續延伸路徑。
遠端與自由接案機會多：後端開發技能通用性高，較容易接國際案或轉為遠距工作者。
AI 與資料應用的基礎：資料庫管理、API 串接、運算效能等能力，也可延伸應用至 AI 系統部署或資料工程等新興領域。
🎯 誰適合轉職後端工程師？
後端開發適合各類背景者，關鍵在於邏輯思維、學習動機與持續投入：
✅ 設計/前端背景：具備良好使用者體驗與前端邏輯，轉後端可成為 Full-Stack 工程師，提升職涯彈性。
✅ 商管背景：邏輯能力佳且理解商業流程，適合轉後端結合業務邏輯，強化企業系統開發應用。
✅ 理工背景（如物理、數學）：邏輯與抽象能力強，容易掌握資料結構與演算法，是進入後端的優勢群體。
✅ 非資訊領域自學者：只要有堅強動機與自律力，透過系統性訓練與專題實作亦能成功轉職。
✅ 現職 IT 工程師（如測試、維運）：已具備技術背景，轉入開發領域有明顯加速效益。
✅ 資料分析師：熟悉資料處理與 Python，轉向後端可擴展資料處理與系統部署的完整技能鏈。
掌握後端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能
🧭 後端工程師技能、工具分類表
語言與工具資料處理與資料庫API 設計與架構DevOps 與部署基礎Python / JavaScript / Java / GoGit / GitHub / GitLabSQL（PostgreSQL / MySQL）資料庫基礎觀念REST APIHTTP 基礎了解部署概念核心*熟悉後端框(SpringBoot, Django, Express, Gin)*熟悉語言設計模式撰寫可讀性高的程式NoSQL（MongoDB / Redis）基本資料模型設計身分驗證（JWT / OAuth）API 文件設計（Swagger）*Docker 容器化*CI/CD 自動部署 進階*多語言協作力*程式效能優化*高效能資料庫設計*索引分片與備援策略GraphQL / gRPC微服務架構（CAP / CQRS / Event Sourcing）Kubernetes、服務網格（Service Mesh）監控與日誌系統認證*程式語言認證 (例如Python 程式設計證照PCAP）*個人作品集AWS Database SpecialtyMongoDB 認證*API 設計課程證*書專案開發經驗（如 Hackathon）*AWS Certified DevOps Engineer*CKA（Kubernetes Administrator）▲ 後端工程師應具備技能、工具能力、職涯指引表，點選不同技能會對應到相關課程。
後端工程師學習地圖與路徑（搭配AI工具）
🔰 初學者階段（0–6 個月）
✅ 目標：熟悉基礎程式語言與網路知識，能夠開發基本 API。
📌 學習內容：
選一門後端語言（Python / JavaScript / Java）：選一門主流語言打好程式基礎，進入開發世界。
Git 與版本控制（GitHub / GitLab）：讓你能有效保存、回朔與分享你的程式碼。
理解網路基礎與 HTTP 協議：理解網站如何運作與資料如何傳輸。
SQL 資料庫（PostgreSQL / MySQL）：學習資料查詢語言，管理網站背後的資料。
REST API 開發：學習建立網頁服務的後端接口。
Python 程式設計能力 - 線上免費檢測
📌 AI 工具應用：
ChatGPT 協助語法學習與除錯：快速解釋語法、找出 bug、提供程式碼建議。
GitHub Copilot 協助寫基礎 CRUD 程式碼：協助補上程式片段。
📌 備選學習：
Go 語言：效率高但語法嚴謹，對初學者略具挑戰。
Node.js（JavaScript 後端）：若未來想走全端路線可以學。
✅ 適合考取的證照：
Python 程式設計證照（PCAP）
ITS (Information Technology Specialist, IT 資訊科技專家認證
Oracle MySQL Database Developer
AWS Certified Cloud Practitioner（雲端基礎，有助於未來學 DevOps）
[course_plugin title='Python課程' keyword='Python 輕鬆上手學' amount=1]
[course_plugin title='後端工程師入門課程' keyword='成為後端工程師' amount=1]
🚀 中階階段（6–12 個月）
✅ 目標：熟悉進階 API 設計、資料庫優化，學習 DevOps 工具。
📌 學習內容：
學習後端框架 (Express、Spring Boot、Django、Gin) ：掌握常用的後端框架。
身份驗證與授權（JWT、OAuth）：幫使用者安全登入，讓資料不被偷看。
NoSQL 資料庫（MongoDB、Redis）：適合儲存彈性格式的資料或快取機制。
Docker 容器化：讓你的程式「打包好、帶著走」。
CI/CD 自動部署（GitHub Actions）：程式更新後自動上線，省時又省心。
📌 AI 工具應用：
使用 AI 幫你產生 Dockerfile 與 CI/CD 配置：不懂也能靠 AI 輔助上手。
協助設計 API 架構與資料庫 schema：加速設計與重構過程。
📌 備選學習：
GraphQL：適合複雜資料查詢，但非所有團隊使用。
gRPC：適合內部高效通訊場景，小型專案可暫不碰。
Jenkins（較舊型 CI/CD 工具）：學習成本高，可視需求使用。
HATEOAS（超媒體 API）：學術價值高，實務上較少見。
✅ 適合考取的證照：
MongoDB Developer Certification
Docker Certified Associate (DCA)
Microsoft Azure Fundamentals (AZ-900)
HashiCorp Terraform Associate（如學有餘力涉略基礎 IaC）
[course_plugin title='後端工程師中階課程' keyword='接案必學 ◆ 邁向更專業的App開發' amount=1]
🏆 進階階段（12 個月以上）
✅ 目標：學習架構設計，提升可擴展性與效能。
📌 學習內容：
微服務架構（CAP 理論、CQRS、Event Sourcing）：學會如何將大系統拆小管理，處理資料一致性問題。
Kubernetes 與服務網格（如 Istio）：讓多個服務能自動部署與協調運作。
高效能資料庫設計與分片策略：設計能承受高流量的資料系統。
系統監控與安全性實踐（如 Prometheus、Grafana）：確保系統穩定、安全運作。
📌 AI 工具應用：
AI 幫你設計 YAML 檔與架構圖：快速理解與部署分散式架構。
系統瓶頸分析助手：用 AI 分析 log 或效能資料，加快除錯與優化。
📌 備選學習：
Istio 等 Service Mesh 工具：適合大型微服務團隊，維護成本高。
Event Sourcing：較進階模式，建議有實務需求時再深入。
✅ 適合考取的證照：
Certified Kubernetes Administrator (CKA)
AWS Certified Solutions Architect – Associate
Google Cloud Professional Cloud Architect
DevOps Engineer Professional（AWS / Azure）
[course_plugin title='後端工程師進階課程' keyword='Java進階專業｜前後端整合開發與應用' amount=1]
5個後端工程師應具備的軟技能特質：
邏輯思維與問題解決能力
能夠理解業務需求並轉化為系統邏輯，並針對錯誤快速找到根本原因。
【小測驗】來測測看自己的問題解決技巧 👉 問題解決 - 職能檢測｜104學習精靈
溝通與跨部門協作能力
後端工程師需與前端、產品經理、DevOps 甚至業務單位協作，良好的溝通有助於準確理解需求與回報技術限制。
【小測驗】來測測看自己的溝通能力技巧 👉 溝通協調 - 職能檢測｜104學習精靈
學習與自我成長動能
後端技術（如框架、資料庫、API標準）快速演進，必須持續學習與更新知識。
細心與責任感
後端處理大量資料及邏輯，細節錯誤容易引發資安問題或系統錯誤。
時間管理與自我管理能力
在遠端工作日益普遍的環境下，自律與時程安排變得尤為重要。
轉職後端工程師的學習策略
🎯 初學者或轉職者的學習策略
轉職或初學後端工程，建議採取階段式、任務導向的學習策略，以下列點歸納：
設定明確學習階段：分為基礎語言（如 Python/JavaScript）、資料庫應用、框架學習（如 Django、Node.js）、部署維運。
專案導向學習：每學完一個階段，就進行小型專案驗證所學，例如 Todo List、部落格、會員系統等。
培養問題解決能力：鼓勵查文件、逛論壇、問 ChatGPT，建立獨立解決 bug 的習慣。
學習版本控制與團隊協作：掌握 Git、GitHub、簡單 CI/CD，增加求職競爭力。
善用 AI 工具輔助學習：例如用 ChatGPT 解釋程式碼、Copilot 寫樣板、Kaggle 或 LeetCode 練習邏輯。
參與社群與實戰活動：參加黑客松、Open Source 專案、小型 Freelancer 案，強化實務經驗與人脈。
建立個人學習履歷：記錄學習歷程、撰寫技術部落格、整理 GitHub 作品集。
🎯 不同領域的客製化學習策略對照表
學歷背景優勢可能挑戰調整建議資訊相關科系已具備基礎程式能力、學科知識缺乏實務經驗、專案規模小強化實作專案與部署經驗，參與社群或實習累積履歷非資訊理工（如數學、物理）邏輯與數學能力強，適應資料結構與演算法快缺乏開發環境熟悉度與應用場景理解著重環境建置、框架與資料庫應用，透過實作強化「業界語感」設計/前端背景了解 UI/UX 與前端邏輯，轉職成為全端潛力大對資料結構與後端語法較不熟悉從 API 串接、簡單後端框架入手，逐步學習資料庫與後端設計邏輯商管/人文背景商業邏輯與跨領域溝通力強，善於理解用戶需求技術門檻高、邏輯訓練少以高階語言（如 Python）為起點，結合專案題材（如 CRM、報表系統）學習效果更佳在職 IT 工程師（測試、維運）已熟悉技術工具與環境、具系統性思維缺乏開發流程與程式架構設計經驗透過轉任內部開發專案或小型 App 開發練習，搭配設計模式與框架學習資料分析/AI 轉職者熟悉資料邏輯與語言（如 Python）、了解資料流缺乏完整系統建構經驗補足後端架構設計與部署技巧，從資料處理串接 API、Flask、FastAPI 切入
後端工程師薪資行情與職涯發展
後端工程師薪資概況
📌台灣後端工程師薪資
初階（3年以下經驗）：月均薪約6.2萬。
中階（3- 5年經驗）：月均薪約 6.5 萬。
高階（5-10年經驗）：月均薪約7.3萬。（以上資料來源：104薪資情報）
📌影響薪資的因素
技術棧與專精程度熟悉高效能架構（如微服務、分散式系統）、熱門語言（如 Go、Rust）、或 DevOps/雲端技能者，薪資會更高。
產業領域與公司規模金融科技、AI、新創、外商薪資通常優於傳產與一般中小企業。
作品集與實戰經驗有實際上線專案、參與開源、或技術部落格者更具競爭力。
證照與專業認證（如 AWS Certified、Kubernetes、GCP）對某些企業或外商來說是加分項。
英語能力與跨國協作經驗能與國際團隊溝通的工程師更受青睞，也更容易爭取外派或海外遠端工作機會。
英文能力 - 線上免費檢測
後端工程師的職涯發展路徑
🔵 技術專精路線（Individual Contributor / IC Path）
從「後端工程師」起步，專注於技術深度與系統設計，逐步升級為具備橫向影響力的技術專家。
▶ 初階 / 中階後端工程師（Backend Engineer）
負責功能開發、資料庫操作、API串接與單元測試。
▶ 資深後端工程師（Senior Backend Engineer）
擁有跨模組開發與維護經驗，熟悉系統效能優化、API 設計規範。
✳️ 學習前端技術 → 全端工程師（Full-Stack Engineer）
技能補充： React/Vue、Node.js、前後端整合、RESTful/GraphQL。
應用情境： 適用於產品團隊需快速開發 MVP 或技術創業者。
✳️ 提升系統架構能力 → 系統架構師（Software/System Architect）
技能補充： 微服務設計、DDD、API Gateway、資料一致性、可觀測性（Observability）。
應用情境： 適用於中大型系統升級或技術重構專案。
✳️ 學習 DevOps → DevOps 工程師（DevOps Engineer）
技能補充： GitOps, Jenkins, GitHub Actions, Docker, Ansible。
應用情境：經由緊密的開發＋運營合作，使企業更高效推出高品質產品。
▶ 全端工程師（Full-Stack Engineer）
獨立開發從 UI 到 API 再到資料庫的完整功能。
▶ 系統架構師（System Architect）
負責設計全系統技術藍圖，定義模組邊界、資料流設計與技術選型。
✳️ 進階發展 → 技術總監 / Technical Director
職責： 統籌技術方向，領導技術專案與架構決策，跨部門協作。
技能補充： 領導力、溝通簡報、技術戰略思維、預算與風險管理。
▶ DevOps 工程師（DevOps Engineer）
專精於部署、CI/CD、環境自動化。
✳️ 進階發展 → 雲端工程師（Cloud Engineer）
職責： 能設計具備高可用性與彈性的雲端基礎架構。
技能補充： 深耕 AWS/GCP/Azure 架構與雲原生技術（如 K8s、Terraform）。
🟢 團隊管理路線（Team & People Management）
此路線適合有溝通、協調與人員培育熱情者，從帶小團隊到參與公司策略。
▶ 後端 Team Lead / 技術主管
同時參與開發與團隊管理，負責人力分配、專案交付與人員指導。
技能補充： Agile/Scrum、敏捷儀表板管理、1-on-1 輔導技巧。
▶ 技術經理（Engineering Manager）
管理多組技術團隊，協助產品規劃、技術優化與跨部門協作。
負責團隊招募、績效制度設計、技術資源管理。
▶ 技術總監（Technical Director）或 VP of Engineering
結合技術與策略視角，影響公司中長期技術方向。
需要具備技術深度 + 商業理解力。
🟠 技術轉職／橫向拓展路線（Cross-functional Path）
探索其他工程領域，發揮後端背景延伸價值，適合追求多元發展者。
▶ 資料工程師（Data Engineer）
優勢：
熟悉 API 設計＆模組化架構：資料平台的模組設計類似微服務設計邏輯。
熟悉系統效能：幫助處理大規模資料運算與資源調度。
熟練程式語言(如 Python、Java)：可快速上手資料工程工具
可有效打造 ETL 流程、管理資料倉儲、支援 AI/ML 任務。
技能補充：
資料處理：Spark、Kafka、Airflow、dbt
資料庫：PostgreSQL、ClickHouse、BigQuery、Snowflake
資料管線：ETL/ELT流程設計、Data Lake、Data Warehouse 架構
編程與基礎統計：Python、SQL、資料品質檢查
職涯發展路徑流程圖
🔹 總結路徑圖說明
(起點)
後端工程師
│
├── A. 學習前端 → 全端工程師
├── B. 提升架構能力 → 系統架構師
│ └── 技術決策 → 技術總監
└── C. 學習 DevOps → DevOps 工程師
└── 深入雲端架構 → 雲端工程師
哪些產業需要後端工程師？
後端工程師幾乎是「所有數位服務產業的基礎職位」，以下是常見產業範疇：
📌電商與零售：處理會員系統、購物流程、庫存管理、金流串接等核心後台邏輯。📌金融科技（FinTech）：開發支付、帳戶、交易、驗證等安全敏感的服務。📌社群與內容平台：如論壇、影音平台、交友 App，後端負責資料儲存、帳號系統與推薦演算法等。📌SaaS / B2B 企業服務：提供線上系統給其他企業使用，如 CRM、HR 系統。📌物流與運輸：如外送、倉儲、車隊派送，依賴大量 API 串接與資料即時處理。📌醫療與健康科技：處理病例、預約、穿戴裝置資料等，需高度資安與資料完整性。📌遊戲與娛樂產業：遊戲帳號、伺服器同步、排行榜、商城等核心功能皆由後端處理。📌政府與公部門資訊系統：如戶政、健保、交通資訊等數位服務。
後端工程師的挑戰與機會
🚀 6個常見的後端工程師挑戰
技術複雜度高：需同時掌握資料庫設計、系統效能、資安與架構邏輯。
看不見的貢獻：成果不如前端「有畫面」，但卻是維運的關鍵，常常被低估。
資安責任重大：系統若當機、資料異常，後端通常是第一個要排解問題的人，需確保數據安全，防止攻擊與資料洩漏。
需快速跟上技術演進：如容器化（Docker）、微服務架構、雲端部署等都不斷更新
高效能與擴展性要求：需設計能夠處理大量請求的系統，確保穩定性與效能。
跨團隊協作：需要與前端工程師、產品經理、DevOps 團隊密切合作，確保系統順利運行。
🌟 後端工程師4大機會
可轉職多種技術職：例如 DevOps、技術主管、架構師，或橫移到前端/全端。
全球需求穩定成長：任何需要「運作」的數位產品，都需要後端支撐。
遠端與海外機會多：因後端較少受地域限制，常見國際合作或海外招募。
進可攻、退可守：進可發展高階技術領域如 AI 後端、大數據平台，退可穩定就業於各類企業內部系統開發。
延伸閱讀：
產品經理 - 學習地圖(上)：技能養成篇
成為雲端工程師的攻略指南：核心技能＆職涯精進完整解析
轉職前端工程師│工作內容、技能、薪水與職涯發展指南
數據分析師工作內容是什麼？薪水高嗎？技術能力與職涯發展指南
想當資料工程師？工作內容、核心技能、薪水、職涯發展完整解析
[joblist_plugin title='更多104【後端工程師】工作機會' url='https://www.104.com.tw/jobs/search/?jobsource=index_s&keyword=%E5%BE%8C%E7%AB%AF%E5%B7%A5%E7%A8%8B%E5%B8%AB&mode=s&page=1' amount='3']
軟體工程師內推管道及注意事項？工程師社群、LinkedIn等求職網以外的找工作管道
軟體工程師「內部推薦」有哪些管道和注意事項？本文作者ExplainThis團隊，曾協助多名軟體工程師成功進入外商科技大廠、海外新創，解析除了求職網以外的找工作管道，包括內推、學徒計畫、工程師網路社群、經營LinkedIn等。
文／ExplainThis（王鵬傑、李俊廷、林品均）
本文目錄：求職網以外的找工作管道（點擊可快速前往）
一、內部推薦內推（Referral）比較容易獲得面試機會內推管道內推該注意的4個事項最好的內推是強內推二、學徒計畫三、工程師的網路社群四、經營LinkedIn
當提到找工作，多數人第一直覺想到的，可能會是求職網。以台灣來說，像是傳統的求職網104、1111，或者新興平台CakeResume與Yourator。而找海外工作，可能第一直覺會想到老牌的Indeed、Glassdoor，或者是新興的LinkedIn。
然而，除了這些求職網，事實上還有許多其他的找工作管道。我們在這個小節將會詳細談幾個不同的找工作管道，讓讀者們能透過不同的管道，增加獲得面試的機會。
一、內部推薦
在找工作上，業界公認比透過求職網站或公司官網申請更有效的方式，是透過內部推薦（referral）。當你上求職網站申請，往往需要先經過前面提到的ATS系統，跟上百位申請者一同競爭，脫穎而出後才可能被真人招募員看到你的履歷。
然而，如果能夠被內推，將有可能跳過這個環節，直接被招募員或用人主管等真人審履歷。這雖然不代表一定會通過招募員或用人主管的篩選，但最起碼能直接省去前面的系統審核。
內推（Referral）比較容易獲得面試機會
你可能會問，為什麼內推比較容易獲得面試機會？因為，通常來自公司內部員工的推薦，表示推薦者對應徵者有一定程度的認識和信任。
與此同時，內部員工對公司文化和工作環境有比較深入的了解，所以推薦的人通常會更適合公司的需求，因此，公司較傾向相信現有員工的判斷，這讓透過內推進來的申請者，比較可能在茫茫履歷海中受到青睞。
內推管道
如果你想要找人幫你內推，在台灣的軟體工程師社群中，有歹晚郎內推互助網絡（https://bit.ly/3FlItvp）與Nex Work（https://work.nexf.org/）等由海外軟體業前輩發起的內推網絡。此外，也可以在LinkedIn或是Blind（https://www.teamblind.com/）上，搜尋「#referral」的標籤，或是找有在該公司任職的人，然後禮貌地發個私訊請對方幫忙內推。
當然，很多時候可能不會立即得到回應，又或者可能對方太忙沒回應，也不要感到氣餒，可以多詢問同一家公司中不同的人幫忙內推。
（圖／博碩文化提供）
內推該注意的4個事項
在找人內推時，如果能依循某些注意事項，會比較容易讓人想幫你忙。以下我們分享幾個建議大家要遵循的原則。
1. 履歷好好寫
在各大海外公司工作的人，也知道自己公司的標準，所以不會來者不拒、盲目內推。你想提高別人內推你的意願，務必要好好寫履歷。好好寫代表著格式上要正確，以及內容描述上要讓人覺得你有達到對方公司想要找的人才水準。假如不知道怎麼寫好履歷，可以參考Chapter 2的履歷撰寫相關內容。
2. 附上想被內推的職位
在多數大公司，光是一個大組可能就幾百人，比一間新創公司還大，因此除非是專職招募的招募員或者是工程經理，不然多數人其實不知道其他組現在有什麼職位開缺。所以不要找人內推時，還說什麼「你有沒有建議我申請哪些職位」，這只會讓人覺得你沒做功課。
大家平常工作已經夠忙了，沒空幫你去看你適合申請的職位，所以務必自己附上。通常大公司的職缺都會有Job ID，可以附上你想申請的。附上你為何適合這個職位：內推的人也不會想自己在公司內的名聲臭掉，所以多半會先判斷你是不是真的適合被內推。如果你想提高別人內推你的意願，就要做到讓別人認為你適合被內推。
要做到這點，務必附上你為何適合這個你想被內推的職位。理想上也要附上為何你適合該公司（建議多做一些功課來研究該公司，進而能闡述你為何跟該公司文化契合）。花時間幫你的這件事本身就很佛心，千萬不要把別人的善意視為理所當然。
可以用的句型是在簡短自我介紹後，提及「我目前在找XX領域的工作，對這個職位很感興趣。過去我在XX領域有OO經歷，我相信我能對這個職位有所貢獻」。
3. 記得表達感謝
假如一個原本跟你不相識的人願意內推你，務必要表達感謝。因為大家平時工作很忙，可能還有家庭事務要兼顧，額外抽時間幫你，這件事本身就很佛心，千萬不要把別人的善意視為理所當然。
即使內推沒有讓你拿到面試機會，也要記得感謝對方。畢竟很多公司冷凍期半年，你之後還可以再嘗試，與對方維持良好關係，這次沒上之後要請對方幫忙也會讓對方更有意願。
最好的內推是強內推
雖然上一段有提到可以找人幫忙內推的管道，但如果要獲得比較有幫助的內推，或俗稱的「強內推」，建議平時就要建立起能幫自己內推的人脈。
所謂的強內推，是指對方在內推時，有註明是「強力內推」。一般來說，多數公司的內推系統，都會詢問「你跟被推薦者的熟悉程度」以及「你有多推薦這位被推薦人」。不同公司具體問的問題可能會不同，但大多不脫離這兩類問題。
而唯有這兩個問題都回答「很熟悉」、「強烈推薦」，並且推薦理由寫得很詳細，才會被認定為是強內推。
當然，一般內推已經比直接在公司網站或人力銀行網站申請來得好，只是如果能的話，獲得強內推會是更好。
至於如何獲得強內推？一個是平時有好的工作表現，可能你現在的同事，未來會去不同公司，如果跟他們合作時，做到對方發自內心會想推薦你，這時要獲得強內推就容易得多。
又或者假如你還是學生，在平常的小組作業中，盡可能地貢獻，在同組的同學心中留下好的印象，未來同學們進到不同的公司，你要找他們內推，也會容易獲得強內推。
另一個則是多參與不同的社群活動，例如貢獻到開源社群，或者是參與技術會議等，這些也是一個你能夠曝光、與他人協作的機會，在這些場合貢獻價值，也相對容易獲得強內推。
上面提到這些要獲得強內推的方式，都是需要時間去耕耘而非速成的。因此，如果你現在還沒辦法獲得任何強內推，建議從現在開始行動，而不是等到要求職時才發現沒有人能為你強內推。
二、學徒計畫
學徒計畫（Apprenticeship Program）是近期各大公司越來越盛行的一個專案，包括：LinkedIn、Microsoft和Google等，都曾推出類似的計畫。
這些專案旨在招募更多元的人到科技公司，其中常見符合此計畫的人條件包含以下：
自學程式
參加過程式戰鬥營（coding bootcamp）
非傳統電腦科學背景
暫時離開工作，並嘗試重回職場
學徒計畫在經歷上的審核以及面試上，技術層面比起正職的初階工程師更簡單一點。多數的學徒計畫也都有轉正職的機制。
部落客「半路出家軟體工程師在矽谷」有一篇專門彙整各大公司學徒計畫的文章（https://brianhsublog.blogspot.com/2019/08/TechApprenticeship.html），並且時常更新，非常推薦有興趣、有需求的讀者可以去看看。
（圖／博碩文化提供）
三、工程師的網路社群
除了上述提到的3點，網路社群是軟體工程師不可錯過的資源。這些社群不僅提供了工作機會，也能幫助你與同業交流、了解產業趨勢，以及許多面試經驗的分享。以下是幾個會張貼工程師工作機會的熱門或相關網路社群：
PTT Tech_Job版：https://www.ptt.cc/bbs/Tech_Job/index.html
PTT Soft_Job版：https://www.ptt.cc/bbs/Soft_Job/index.html
PTT Oversea_Job版：https://www.ptt.cc/bbs/Oversea_Job/index.html
Facebook Front-End Developers Taiwan：https://www.facebook.com/groups/ f2e.tw/
Backend台灣（Backend Tw）： https://www.facebook.com/groups/backendtw/
四、經營LinkedIn
對比傳統的求職網，目前新興的人脈社交媒體LinkedIn已經逐漸成為找工作的首選，特別是對於外商與海外求職，LinkedIn基本上比一般專注於本土市場的求職網有更多的職缺機會。比起求職網投遞履歷，經營Linkedin能夠讓獵人頭或招募員，看到你更多元、更深入的一面，以及看到你更長期的累積。現在已經有許多獵人頭與人資，會直接在LinkedIn上找人選，所以花心思經營LinkedIn將有可能讓自己獲得更多機會。
節錄自：博碩文化《軟體工程師求職策略大全／ExplainThis、王鵬傑、李俊廷、林品均 著 》
[joblist_plugin title='104【外商軟體工程師】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=%E8%BB%9F%E9%AB%94%E5%B7%A5%E7%A8%8B%E5%B8%AB&order=15&page=3&zone=4,5' amount='3']
[joblist_plugin title='更多104【軟體工程師】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=%E8%BB%9F%E9%AB%94%E5%B7%A5%E7%A8%8B%E5%B8%AB' amount='3']
推薦閱讀：
軟體工程師談薪水8重點：不掀薪資職級底牌、靠「最後一招」多談一點
軟體工程師履歷範本｜5大地雷別踩：形容詞太多、技術名詞太少
外商軟體工程 | 履歷面試精華，知名外商人資教你
Obsidian知識庫怎麼建立？搭配ChatGPT快速整理筆記、串聯零散資料
Obsidian個人知識庫怎麼做？當資料越積越多，還分散在Google Drive、Google Sheets、Notion等處，想查一件事得開3個工具。作者示範請ChatGPT盤點散落檔案、規劃筆記架構，再匯進Obsidian，讓相關筆記連結成能搜尋、連結的個人知識庫。本文節錄自《ChatGPT AI Agent 工作術》。
文／施威銘研究室
本文目錄（點擊可快速前往）
【步驟1】請ChatGPT讀取先前累積的資料並規劃筆記架構【步驟2】依規劃架構產出每個角色的獨立筆記【步驟3】完整Obsidian筆記庫內容
前面幾個範例，我們陸續整理出規則摘要、翻譯的策略文章、名詞對照表、人數配置規則、對局數據統計，這些資料分別存在Google Drive、Google Sheets、Notion好幾個不同的地方，想要一次看到「跟某個角色有關的所有資料」，還是得分頭去不同工具裡找。這一節會示範怎麼用Obsidian，把這些分散的資料統一彙整進同一個知識庫，並且讓相關的筆記彼此連結，之後只要點進「梅林」這個詞，就能一次看到規則說明、策略文章、配置注意事項跟數據表現全部連在一起。
編按：本節是作者分享「把資料變成知識」的最後一個範例。前面幾節以桌遊「阿瓦隆」的規則書、攻略文章、名詞對照表與對局紀錄為素材，示範文件整理流程，本節承接那些成果做彙整。參照時可以把素材替換成你手上的專案文件、會議紀錄或產業資料，流程完全相同。
必備工具：
Obsidian：以純文字筆記為基礎的個人知識庫工具，支援筆記之間互相連結。下載Obsidian>>
桌面版ChatGPT：切換至Work模式（免費版帳戶目前可以透過桌面版使用Work模式，但無法透過網頁版及手機版使用。）下載ChatGPT Windows桌面版>>
Documents Skill：讀取先前散落在不同文件裡的內容，轉換成適合匯入Obsidian的筆記格式。
下載Obsidian並指定路徑：
先到Obsidian官方網站下載並安裝程式：https://obsidian.md/download
安裝後我們可以先把Obsidian放著，回到ChatGPT建立筆記。
選擇系統類型並下載Obsidian（圖／旗標科技《ChatGPT AI Agent 工作術》）
下載完畢後開啟安裝精靈，按照預設選項點選下一步並安裝Obsidian（圖／旗標科技《ChatGPT AI Agent 工作術》）
點選建立會直接在左上方所顯示的路徑下開啟新的筆記庫；點選開啟則會跳出選擇資料夾的視窗來指定開啟筆記庫的位置（圖／旗標科技《ChatGPT AI Agent 工作術》）
【步驟1】請ChatGPT讀取先前累積的資料並規劃筆記架構
先選擇一個合適的資料夾建立專案，本次範例路徑為[C:\Users\Admin\Desktop\Avalon]，請ChatGPT盤點目前散落在各處的資料，提出一個適合Obsidian的筆記分類架構，而不是一股腦全部塞進同一篇：
提示詞
請幫我讀取「阿瓦隆規則一頁摘要」「阿瓦隆策略攻略中譯版」「阿瓦隆名詞對照表」「阿瓦隆人數配置對照表」「阿瓦隆對局數據統計」這幾份文件，幫我規劃一個適合匯入Obsidian的筆記架構，例如是不是要幫每個角色各建立一篇獨立筆記、規則跟策略要不要分開資料夾，並說明這樣規劃的理由。
ChatGPT會先盤點所有既有資料，提出適合Obsidian的筆記分類架構供確認（圖／旗標科技《ChatGPT AI Agent 工作術》）
【步驟2】依規劃架構產出每個角色的獨立筆記
確認架構之後，請ChatGPT先以第二篇章02角色為範本，幫每個角色建立一篇整合式筆記，確認內容是我們想要的：
提示詞
請依照剛剛確認的架構，幫每個角色建立一篇獨立筆記，內容整合這個角色在規則摘要裡的能力說明、策略文章裡提到跟這個角色有關的技巧、這個角色目前在我們團裡的出場次數與勝率數據，並在筆記裡用雙方括號的方式標記出其他相關角色的名稱（例如在梅林的筆記裡標記〔〔派西維爾〕〕），方便之後產生連結。
ChatGPT會為每個角色整合出一篇獨立筆記，並用雙方括號標記關聯角色以建立連結；點開Obsidian角色資料夾，會跳出剛建立好的角色說明筆記庫（圖／旗標科技《ChatGPT AI Agent 工作術》）
將資料夾路徑複製下來（圖／旗標科技《ChatGPT AI Agent 工作術》）
回到Obsidian，點選開啟（圖／旗標科技《ChatGPT AI Agent 工作術》）
貼上剛剛複製下來的路徑，把\02角色刪除，點選選擇資料夾；Obsidian會開啟路徑下的資料夾並將筆記庫的資料呈現在左側欄（圖／旗標科技《ChatGPT AI Agent 工作術》）
點開02角色點選角色索引或陣營資料夾即可查閱剛剛ChatGPT建立的筆記資料；點選梅林可以直接跳至該角色的介紹內容，一併附帶角色規則與遊玩攻略（圖／旗標科技《ChatGPT AI Agent 工作術》）
（圖／旗標科技《ChatGPT AI Agent 工作術》）
第5步中，刪除02角色這個路徑是因為02角色資料夾只是整個筆記庫中的其中一個篇章，筆記庫的完整內容是建立在名為阿瓦隆的資料夾之下，我們可以先在此步驟把路徑設好，之後就不需要再更動他。
【步驟3】完整Obsidian筆記庫內容
確認角色的筆記都沒問題，我們就可以請ChatGPT把整份筆記庫完成，最後回到Obsidian即可隨時查閱這份匯集了所有資料精華的知識庫：
回到剛剛產生的筆記架構，點選加入聊天（圖／旗標科技《ChatGPT AI Agent 工作術》）
提示詞
1則註解幫我按照這個架構完成整個筆記庫。
（圖／旗標科技《ChatGPT AI Agent 工作術》）
等ChatGPT產出所有內容後，回到Obsidian便可以看見完整的筆記庫資料；點擊左側查看關聯圖圖示，能看到所有在筆記中互相關聯的名詞（圖／旗標科技《ChatGPT AI Agent 工作術》）
滑鼠移到某節點上可以看見單一筆記向外關聯的其他筆記（圖／旗標科技《ChatGPT AI Agent 工作術》）
從一開始那份落落長的規則書，到最後能直接產出一份知識庫，我們透過這9個範例，示範了怎麼把散落在各處、格式不一的文件、翻譯、影片、對局數據、討論心得一步步整理成一個真正可以查詢、可以互相連結的個人知識庫。
這個過程的核心，其實不是「阿瓦隆」這個題材本身，而是一套可以套用在任何領域的思路：先讓ChatGPT幫忙濃縮、翻譯、統一格式，把零散資料變成一致的結構，再透過Obsidian這類工具，讓這些資料彼此產生連結，最後才能真正從「一堆檔案」變成「一份隨時能查、能用的知識」。
不管你關心的是桌遊、工作專案，還是其他任何長期累積的興趣，這一整套流程都可以直接套用，讓你的資料庫真正為你所用。
節錄自：旗標科技《ChatGPT AI Agent 工作術：87 個職場實作範例 | ChatGPT Work × Plugins × Skills》／施威銘研究室 著
推薦閱讀：
用ChatGPT Work整理名片、簽到表！建立Excel聯絡人清單，統一格式、合併重複資料
ChatGPT怎麼整理Excel資料？清理欄位、統一格式，樞紐分析不出錯｜8組提示詞範本
ChatGPT幫你跑寄信流程！實測串Gmail、Google Drive，寫信、附檔、批次寄送都能做
「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＞
想當資料工程師？工作內容、核心技能、薪水、職涯發展完整解析
越來越多企業投入數據分析領域，也讓資料工程師的職缺需求大增，根據104薪資情報網站，資料工程師薪資中位數甚至高於一般研發工程師。本文就帶你一探有資料工程師需要的技能專長以及完整職涯發展。
文 /【104學習精靈】
本文目錄（點擊可快速前往）
什麼是資料工程師？需要哪些技能？資料工程師工作內容資料工程師技能與工具能力分析資料工程師軟技能養成：4大特質有助職涯發展更順利資料工程師薪水行情：掌握技術專長是加薪關鍵1. 台灣資料工程師薪資範圍 2. 提升資料工程師薪水幅度的關鍵資料工程師職涯路徑：邁向高階技術職的進階指南1. 軟體工程師2. 數據分析師3. 演算法工程師｜資料科學家資料工程師的挑戰
什麼是資料工程師？需要哪些技能？
資料工程師工作內容
資料工程師又稱為數據工程師，主要工作內容是與數據相關的技術支援，建置系統或使用外部平台幫助企業數據收集、儲存與整理，確保數據傳輸管道暢通、安全、精準且可被預測。
延伸推薦課程 👉 資料工程師養成班
資料工程師技能與工具能力分析
基礎Python網路爬蟲SQL 基礎Java核心R語言SQL 進階資料庫AWS應用進階資料探勘認證微軟 Azure雲端應用認證職涯資料工程師AI資料科學家▲ 資料工程師師應具備技能、工具、職涯指引表，點選不同技能會對應到相關課程。
[course_plugin title='資料工程師面試入門課程' keyword='破解資料工程師' amount=1]
1. 資料工程師基礎技能
資料工程師需熟悉網路爬蟲技術，精通Python與SQL語言，具備Java基礎能力，能有效處理ETL流程，管理資料庫，支援業務分析需求。
Python：常用於數據處理與自動化管道建設。
網路爬蟲：從網頁自動蒐集數據，將網頁數據轉換為可用的結構化格式
SQL（基礎）：資料工程師必備技能，用於查詢與操作結構化數據。
Java：用於大數據處理框架（如Spark）的高效運算實現。
資料工程師基礎工具推薦課程
線上
Python 新手村｜練就扎實基本功
5538人感興趣
了解課程＞
線上
Python 網路爬蟲 | 數據分析的第一步就是要學會爬
6276人感興趣
了解課程＞
線上
快速活用 MySQL，精準設計關聯式資料庫
15855人感興趣
了解課程＞
線上
學程式也能很好玩：不背語法寫Java
6625人感興趣
了解課程＞
延伸推薦課程 👉 Python 輕鬆上手學👉 成為 AI 科學家｜快速闖關 Python 語法世界，程式實作不頭痛👉 Python新學法 - 實作6個Terminal APP快速入門👉 Python 基礎程式設計｜開外掛勇闖 Python 異世界👉 ETL網路爬蟲實戰技巧👉 吳永志Java入門保證班 - 初學者最佳選擇
2. 資料工程師核心技能
資料工程師核心技能涵蓋精通R語言與進階SQL操作，具備優化大型資料庫管理的能力，熟練運用雲端應用及大數據技術，專注於高效處理複雜數據流程。
R語言：常用於統計分析、數據探勘和機器學習建模的程式語言，適合進行各類數據處理與運算。
SQL進階／NoSQL：進階的SQL技能有助於高效處理和管理大型結構化數據。除了關聯式資料庫（如 MySQL、PostgreSQL），還需熟悉 NoSQL 資料庫（如 MongoDB、Cassandra）以處理非結構化數據。
資料庫管理與建置：除了熟悉各種資料庫工具管理與操作，資料工程師還需具備建置資料庫架構等關鍵性知識。
雲端應用能力：掌握雲端應用相關的技能，熟悉AWS、Azure等雲端服務平台來進行大規模數據的存儲和處理。
資料工程師核心工具推薦課程
線上
R語言/R-Studio入門─統計分析、資料探勘與機器學習的原理與實戰演練
4057人感興趣
了解課程＞
線上
教你完全掌握 SQL- 從資料庫建立到成為資料處理高手
4148人感興趣
了解課程＞
線上
資料庫設計原理
2567人感興趣
了解課程＞
線上
AWS雲端架構規劃｜建置實務應用
3169人感興趣
了解課程＞
延伸推薦課程👉 NoSQL輕鬆學: 架構、設計與案例探討👉 成為 AWS 達人第一步！打造你的第一個 AWS 架構！👉 AWS雲環境的架構優化-彈性化自動擴展👉 雲端資料工程師在職遠距班
3. 資料工程師進階技能與證照：資料探勘與雲端應用認證
資料探勘是從已知的數據中，挖掘數據背後的價值與趨勢，提供企業數據洞察報告。為此，資料工程師必須熟悉大數據框架或引擎技術，搭配程式語言、機器學習模組（如：MLlib）及統計分析方法，將數據處理轉化為具體分析結果或預測模型。
Apache Spark：Spark是一個開源的大數據處理框架，支援多種程式語言和機器學習模組，能高效分析與挖掘大規模數據，是資料探勘不可或缺的強大系統。
雲端應用證照：資料工程師在雲端應用領域可藉由取得認證證照來提升專業性，例如Microsoft Azure相關認證，資料工程師可透過自我學習與認證以強化職業競爭力，也為自己提供更加寬廣的職涯發展路徑。
資料工程師進階工具認證課程推薦
線上
微軟Azure超級入門實務與AZ-900認證攻略
19721人感興趣
了解課程＞
[course_plugin title='雲端資料工程師進階課程推薦' keyword='雲端資料工程師在職遠距班' amount=1]
延伸推薦課程👉 Spark首部曲：實務基礎入門篇👉 Spark第二部曲： SQL輕鬆處理半結構化資料技巧👉 Spark第三部曲： MLlib完成資料挖掘與機器學習實戰👉 微軟Azure超級入門實務與AZ-900認證攻略👉 微軟 Azure｜通關 AZ-104 認證攻略，邁向雲端 IT 管理之路👉 AZ-204 認證攻略Ｉ從Azure著手雲端開發解決方案👉 DP-900 認證攻略 l 基礎資料庫混合雲建置與管理
資料工程師軟技能養成：4大特質有助職涯發展更順利
1. 溝通與跨部門協作能力：
資料工程師需與資料分析師、產品經理和開發團隊緊密合作，清晰表達技術需求與限制，確保數據管道設計與業務目標一致，並有效傳達複雜技術內容以促進團隊協作效率。
2. 問題解決與批判性思維：
在面對數據品質問題、流程瓶頸或系統錯誤時，資料工程師需具備冷靜分析的能力，快速定位問題根源，提出創新解決方案，並從長遠角度優化系統的穩定性與效率。
3. 時間管理與專案執行能力：
面對多項並行任務與緊迫期限，資料工程師需能有效規劃工作進度，分配資源，確保ETL流程、數據清洗與系統開發在限定時間內按時完成，提升團隊交付成果。
4. 持續學習與技術適應能力：
資料工程師需要不斷學習新興工具、框架與雲端技術，快速掌握業界趨勢，適應大數據與人工智慧時代的變化，確保自身技能能支持企業的數據基礎設施發展需求。
資料工程師薪水行情：掌握技術專長是加薪關鍵
隨著大數據與人工智慧的快速發展，資料工程師成為企業中不可或缺的重要角色，但影響薪資的關鍵，往往取決於工程師本身的技術專長與實務經驗。
1. 台灣資料工程師薪資範圍
初階（3年以下經驗）：月均薪約5.9萬。
中階（3-5年經驗）：月均薪約 6.4萬。
高階（5-10年經驗）：月均薪約6.6萬。（以上資料來源：104薪資情報）
2. 提升資料工程師薪水幅度的關鍵
掌握大數據與雲端技術是高薪關鍵：熟悉大數據工具（如Spark）及雲端平台（如AWS、Azure）是資料工程師的核心技能。企業對處理大規模數據的需求不斷增加，具備分散式運算能力的工程師在薪資談判中更具優勢。
程式語言與專業認證提升競爭力：Python與SQL是基礎技能，而掌握Java、R語言及進階資料庫技術（如NoSQL）能顯著提高薪資。此外，取得AWS、Azure等專業認證，能彰顯技術專業性，是升職與加薪的重要籌碼。
資料工程師職涯路徑：邁向高階技術職的進階指南
資料工程師需要強大的技術專才，在數據處理、雲端應用與大數據技術上展現出不可或缺的價值，建議資料工程師可藉由自我學習、累積實務經驗及考取專業認證等管道，優化現有技能，就有機會轉往更高階技術職務，實現職涯進階與薪資提升，資料工程師職涯路徑發展如下：
1. 軟體工程師
資料工程師轉職軟體工程師，除了程式開發與現有數據基礎專業上，擴充軟體開發能力，技術層面也需涉及更多樣的程式語言、系統設計、開發流程與測試技巧等。
技能需求：需掌握多樣化技術，精通主流程式語言如Java、C++；熟悉相關框架（如Spring、Node.js、React）；具備系統設計能力；掌握版本控制工具如Git，並適應敏捷開發流程；能進行自動化測試以確保軟體品質。此外，基礎前端開發技術（HTML、CSS、JavaScript）與實務經驗（如參與開源專案或個人作品集）也是必要條件，以全面應對軟體開發需求。
學習指南：前端工程師學習地圖、後端工程師學習地圖
2. 數據分析師
位於同樣的數據產業鏈中，資料工程師轉職數據分析師需強化數據解讀與分析能力，熟悉各種報表可視化工具與分析方法，以深度挖掘數據製作洞悉報告。
技能需求：屬於後段數據資料庫建置的資料工程師，在轉職前線的數據分析師，需要更深度與產品、業務單位溝通，了解組織需求，並在已具備數據專業技術的前提下，需要熟悉使用工具如Excel、Tableau、Power BI進行可視化，掌握統計學基礎與分析方法（回歸分析、A/B測試）。實戰專案經驗與清晰的數據展示能力是能否轉職成功的重要條件。
學習指南：數據分析師學習地圖
課程推薦：數位分析師入門實戰
3. 演算法工程師｜資料科學家
就分工而言，資料工程師搭建數據管道，確保數據準確、安全、流向正確位置；演算法工程師專注於開發演算法或模型，處理數據並生成有用的輸出（如預測、推薦結果）；資料科學家分析數據與模型效果，找到問題並提出解決方案。部分企業因規模不同，資料工程師、演算法工程師、AI資料科學家三者的工作內容可能有所重疊。
演算法工程師：高效演算法工具的製造者，著重數據模型的建構。需熟練掌握Python與C++等程式語言，並熟悉TensorFlow、PyTorch等深度學習框架，用於開發與訓練模型。
AI 資料科學家：透過數據模型分析、預測，並透過不斷驗證與統計分析能力，監控並優化數據模型結果提出精準分析。
課程推薦：AI資料科學家全方位學程班
資料工程師的挑戰
數據處理最大的挑戰，就是保持數據的一致性，這是非常需要耐心與抗壓性的工作內容，尤其在時間壓力之後，必須處理包括數據的異常與缺失，數據清洗與校正等。因此，資料工程師必須有對數據工具的熟悉度，以及知道如何高效處理大數據需求的能力。
除了技術層面，隨著技術的快速更新，資料工程師需要不斷學習新工具與技術，如雲端平台和大數據框架，充滿好奇與保持學習力是資料工程師必須保持的態度。因此，面對多方面的挑戰，具備紮實的技術實力、解決問題的能力以及高適應力，才能滿足不斷變化的業務需求。
延伸閱讀：
產品經理 - 學習地圖(上)：技能養成篇
成為雲端工程師的攻略指南：核心技能＆職涯精進完整解析
如何成為後端工程師？精準掌握必備核心技能＆職涯精進攻略
轉職前端工程師│工作內容、技能、薪水與職涯發展指南
數據分析師工作內容是什麼？薪水高嗎？技術能力與職涯發展指南
[joblist_plugin title='更多104【資料工程師】工作機會' url='https://www.104.com.tw/jobs/search/?order=15&page=2&indcat=1001001000,1001000000&ro=1&jobsource=joblist_search&jobcat=2007001022' amount='3']
ChatGPT怎麼整理Excel資料？清理欄位、統一格式，樞紐分析不出錯｜8組提示詞範本
Excel或Google Sheets的欄位內容沒統一，樞紐分析被拆成好幾類、加總還算不出來？本文分享使用ChatGPT檢查欄位問題、建立清理規則、產生公式，並將混亂資料轉換成一致格式，附8組可直接複製的提示詞範本，同樣適用。本文節錄自《ChatGPT上工了! 最強AI活用術》。
文／施威銘研究室
本文目錄（點擊可快速前往）
請ChatGPT幫你清理Excel資料、統一欄位格式輸入指令請ChatGPT做檢查範例：清理訂單資料中的欄位與格式檢查資料、給予清理規則產生清理公式常見清理任務的指令範本：檢查欄位、金額、統一日期格式使用ChatGPT外掛時的注意事項
【在Excel或Google Sheets使用ChatGPT外掛】
工具：Excel或Google Sheets
外掛：ChatGPT for Excel／ChatGPT for Google Sheets
Excel安裝：常用→增益集→ 搜尋ChatGPT→ 新增
Google Sheets安裝：擴充功能→外掛程式→取得外掛程式→ 搜尋ChatGPT→安裝
登入：用OpenAI帳號登入。免費版及各訂閱方案皆可使用
注意：類似的外掛程式很多，下載時請確認公司名稱為「OpenAI」（圖／104職場力小編截圖）
請ChatGPT幫你清理Excel資料、統一欄位格式
資料表在進行排序、篩選、加總、查找或樞紐分析前，通常需要先確認欄位與格式是否一致。即使資料看起來可以閱讀，只要欄位內容不統一，後續分析就可能出現錯誤。例如，同一欄地區中同時出現「台北」、「臺北市」、「Taipei」；同一欄日期中混用「2026/1/5」、「1月5日」、「2026-0105」；同一欄金額中同時出現「1200」、「1,200」、「$1,200」、「1200元」。這些內容對人來說容易理解，但在試算表中可能被判斷為不同分類、不同格式，甚至不同資料型態。
ChatGPT可以協助使用者檢查欄位問題、建立清理規則、產生公式，並將混亂資料轉換成一致格式。用在資料整理的前置階段，幫助使用者判斷哪些欄位需要統一、哪些內容可能會影響計算，以及應該採用哪些功能來處理。
輸入指令請ChatGPT做檢查
使用這項功能時，可以先選取需要檢查的資料範圍，例如A1:F20，再於ChatGPT外掛中輸入清理指令。比較穩定的做法是先請外掛檢查問題，再請它建立規則，最後才請它產生公式或建議處理方式。可以在外掛中輸入：
【提示詞】請檢查目前選取的表格有哪些欄位與格式問題。請用表格列出欄位名稱、問題類型、可能影響與建議清理方式。請特別檢查日期、金額、分類名稱、空格與付款狀態是否一致。
如果已經知道要清理的欄位，也可以更精準地輸入：
【提示詞】金額欄位在（自行選取或填寫）欄，內容可能包含 $、,、元 等符號。請提供一個可以放在新欄位的公式，將這些內容轉成可加總的純數字。
先檢查問題以避免ChatGPT誤改資料；再建立清理規則可以讓我們確認標準；最後產生公式，則能把清理結果放在新欄位中檢查，而不是直接覆蓋原始資料。
範例：清理訂單資料中的欄位與格式
檢查資料、給予清理規則
假設工作表中有一份簡單的訂單資料：
訂單編號地區訂單日期金額付款狀態商品類別A001台北2026/01/051200已付款辦公用品A002臺北市1月6日850元已付辦公用品A003Taipei2026-01-07$2,300Paid電腦週邊A004新北2026.01.081,500未付款電腦週邊
這張表看起來仍然可以閱讀，但若要做統計，會出現幾個問題。地區欄位中「台北」、「臺北市」、「Taipei」可能代表同一地區，但在樞紐分析中會被拆成不同分類。訂單日期欄位混用斜線、中文日期、短橫線與句點格式，可能影響排序與月份統計。金額欄位混入「元」、「$」與逗號，可能造成加總失敗。付款狀態中的「已付款」、「已付」、「Paid」也需要統一。商品類別中的「電腦週邊」與「電腦周邊」雖然意思接近，但試算表會將它們視為不同類別。我們可以先選取這份資料，然後在ChatGPT外掛中輸入：
【提示詞】請檢查目前選取的訂單表有哪些資料清理問題。請用表格列出欄位、問題類型、可能影響與建議處理方式。請不要直接修改資料，先提出清理建議。
外掛可能回傳類似以下內容：
欄位問題類型可能影響建議處理方式地區同一地區有多種寫法樞紐分析或篩選時會被拆成不同分類建立對照表，將台北、臺北市、Taipei統一為臺北市訂單日期日期格式不一致可能無法正確排序、依月份統計或製作趨勢圖統一為 yyyy-mm-dd 格式金額數字混入符號與文字加總、平均或比較時可能出錯移除 $、,、元 後轉為純數字付款狀態分類命名不一致篩選與統計時結果分散將已付款、已付、Paid 統一為已付款商品類別同義分類用字不同分類統計會被拆成兩組將電腦週邊與電腦周邊統一為同一標準名稱
接著，可以在外掛中請ChatGPT建立清理規則：
【提示詞】請根據剛才檢查出的問題，建立一張清理規則表。欄位請包含：原始欄位、標準格式、建議方法、是否需要人工確認。
ChatGPT可能會回傳：
原始欄位標準格式建議方法是否需要人工確認地區台北市、新北市等標準縣市名稱建立對照表，再用XLOOKUP或VLOOKUP轉換是訂單日期yyyy-mm-dd使用日期轉換公式或先統一分隔符號部分需要金額純數字使用SUBSTITUTE、VALUE或REGEXREPLACE清除符號否付款狀態已付款、未付款建立對照表或使用SWITCH / IF統一否商品類別固定分類名稱建立對照表或使用取代功能是
這張規則表可以放在工作表旁邊，作為後續清理依據。需要人工確認的項目，通常是分類標準或語意判斷。例如「Taipei」是否一定要轉成「台北市」，要看資料來源是否可能包含「台北地區」或其他更寬的區域定義；「電腦週邊」與「電腦周邊」是否統一，也要看團隊採用哪一種標準用字。
產生清理公式
確認清理規則後，可以請ChatGPT 外掛針對特定欄位產生公式。比較推薦的做法，是在原始欄位旁新增「清理後」欄位，而不是直接覆蓋原始資料。例如可以新增「清理後金額」、「標準付款狀態」、「標準地區」等欄位，方便檢查公式結果是否正確。我們在這邊以「統一金額格式」、「統一付款狀態」為例子做示範。
1. 統一金額格式：若金額在D欄，可以在外掛中輸入：
【提示詞】金額欄位在D欄，可能出現1200、850元、$2,300、1,500這幾種格式。請提供一個可放在新欄位的公式，將它轉成可以加總的純數字。
Excel可能會出現以下公式：
=VALUE(SUBSTITUTE(SUBSTITUTE(SUBSTITUTE(D2,"$",""),"元",""),",",""))
這個公式用多層SUBSTITUTE逐一移除$、元與逗號，再用VALUE轉成數字。它的優點是容易理解，缺點是每新增一種要移除的符號，就需要增加一層替換。如果資料來源長期會出現不同格式，使用對照表、PowerQuery或更進階的清理工具可能更適合。
2. 統一付款狀態：原始資料中可能有「已付」「Paid」「未繳」「Unpaid」，我們希望統一成「已付款」或「未付款」。這時就可以先請ChatGPT建立一張對照表，再讓ChatGPT提供函數，把原始值轉成標準值。
【提示詞】請在原始資料旁建立一份「付款狀態對照表」，包含「原始值」與「標準值」兩個欄位，並依照下列規則填入：●「已付款」、「已付」、「Paid」統一對應為「已付款」。●「未付款」、「未付」、「Unpaid」統一對應為「未付款」。請保留原始資料，不要直接修改或覆蓋原欄位。
先請ChatGPT建立付款狀態的對照表（圖／旗標科技）
接著，請ChatGPT依照對照表寫的轉換規則，在原始資料旁新增「整理後的付款狀態」欄位，將E欄中格式不一致的付款狀態統一為標準值。對照表位於H2:I7，其中H欄為原始值，I欄為對應的標準值。
【提示詞】E欄為「付款狀態」，其中包含多種不同寫法。請參考H2:I7的對照表，提供一個可填入新欄位的公式，將 E 欄的付款狀態轉換為對應的標準值。若找不到相符的原始值，請顯示 "需確認"。
本次實際測試中，ChatGPT提供的公式如下：
=IFERROR(VLOOKUP(E2,$H$2:$I$7,2,FALSE),"需確認")
這個公式會先讀取E2儲存格中的付款狀態，並到H2:I7的對照表中尋找完全相同的原始值。找到後，會回傳對照表第二欄的標準值，例如將「已付」或「Paid」轉換成「已付款」。公式中的$用來固定對照表範圍，因此向下複製公式時，查找範圍不會跟著移動。如果找不到相符的付款狀態，IFERROR就會讓儲存格顯示「需確認」。
可以看到ChatGPT已經在G欄新增一個欄位，用來顯示統一判斷後的付款狀態（圖／旗標科技）
若使用的是Microsoft365或新版Excel，也可以使用XLOOKUP：
=XLOOKUP(E2,$H$2:$H$7,$I$2:$I$7,"需確認",0)
這個公式會取得E2的付款狀態，並在H2的「原始值」中尋找完全相同的內容；找到後，回傳同一列I2中的「標準值」。若找不到相符內容，就顯示「需確認」。最後的0代表必須完全符合，而$則用來固定對照表範圍，讓公式向下複製時不會移動。但是部分舊版Excel還有Google Sheets都不支援XLOOKUP，假如出現 #NAME?，就得改用VLOOKUP版本。
常見清理任務的指令範本：檢查欄位、金額、統一日期格式
在Excel或GoogleSheets中使用ChatGPT外掛清理資料時，可以依照問題類型輸入不同指令。若資料問題不明確，先要求外掛檢查；若問題已經明確，再要求它產生公式或清理規則。
使用需求可輸入到外掛的指令檢查欄位問題請檢查目前選取的表格有哪些欄位與格式問題，並指出哪些問題會影響排序、篩選、加總或樞紐分析建立清理規則請根據目前表格建立一份欄位清理規則表，包含欄位名稱、問題類型、標準格式與建議處理方法統一分類名稱請檢查目前選取欄位中哪些值可能代表同一意思，並建立標準化對照表。若不確定，請標註需要人工確認清理金額欄位請提供Excel與Google Sheets公式，將目前金額欄位中含有貨幣符號、逗號與文字單位的內容轉成純數字清理日期欄位請檢查目前日期欄位有哪些格式不一致，並建議如何統一為yyyy-mm-dd。若部分資料缺少年份，請標註需要補充規則清除多餘空格請提供公式，清除目前文字欄位中的前後空格、連續空格與不可見字元拆分混合欄位請根據目前欄位內容，判斷是否需要拆分成多個欄位，並提供Excel與Google Sheets可用方法檢查重複資料請根據目前表格欄位，建議應該用哪些欄位判斷重複紀錄，並說明理由
這些指令可以依表格內容調整。若外掛輸出的解法說明不明確，可以要求它「引用具體欄位名稱與範例值」；假如公式出錯又不知道怎麼調整，可以用「先用輔助欄位分步處理，再提供合併公式」提示詞處理。
使用ChatGPT外掛時的注意事項
使用ChatGPT 外掛清理欄位與格式時，應先保留原始資料。比較安全的做法，是新增「清理後」欄位，或另存一份工作表，再將公式結果放入新欄位中檢查。若直接覆蓋原始欄位，一旦清理規則有誤，就不容易回頭確認資料原貌。這一點在金額、日期、客戶資料、庫存資料與交易紀錄中特別重要。
清理後也建議進行抽樣比對。可以挑選幾筆正常資料、空白資料、格式特殊資料與找不到對應值的資料，檢查清理前後是否符合預期。例如付款狀態使用對照表轉換時，若某個原始值沒有出現在對照表中，公式最好顯示「需確認」，而不是直接保留原值或顯示空白。這樣可以讓尚未被清理規則涵蓋的資料浮現出來，方便後續補充對照表。
清理公式也需要測試，尤其是日期與金額欄位，只要資料中有少數特殊格式，公式就可能失效。例如金額欄位如果出現負數、括號表示負值、百分比、小數點或不同幣別，原本只移除符號的公式可能不夠用。日期欄位若出現缺少年份、民國年、西元年混用，或文字日期與數字日期混雜，也需要先確認轉換規則，不能只依賴單一公式。
如果試算表裡的資料會定期更新，建議把清理規則整理在工作表中，例如建立一張「對照表」或「清理規則」工作表，記錄原始值、標準值、處理方法與是否需要人工確認。ChatGPT外掛可以協助產生規則與公式，但清理規則最好留在試算表內，方便日後重複使用、檢查與交接。
節錄自：旗標科技《ChatGPT上工了! 最強AI活用術: ChatGPT Work×GPT 5.6》／施威銘研究室 著
來不及準備？學習歷程怎麼做？3招快速完成檔案！個申必看
很多學生在個人申請大學前夕才發現：
學習歷程檔案還沒準備！！！！！！
當下最焦慮的就是，不知道要寫什麼？時間已經不夠了，千萬“不要”從零開始這篇我要分享 3 個最快！完成學習歷程的方法！讓你在短時間內，做出老師會愛死的檔案😍
📌 目錄（點擊快速抵達）
學習歷程檔案來不及準備，怎麼辦？
如何快速完成學習歷程？第 1 步：套用「得獎範本」的架構
如何快速完成學習歷程？第 2 步：用 AI 「學習歷程自述教練」
如何快速完成學習歷程？第 3 步：做出老師最愛的視覺排版
做學習歷程的常見問題 FAQ
1. 學習歷程檔案來不及準備，怎麼辦？
學習歷程檔案其實不用寫很多字寫得清楚才是最重要的！因為老師、教授在審查時主要會看這 3 個重點👀：
你的學習過程
你的思考和反思
你的未來規劃
而學習歷程要拿下高分有很大程度取決於你檔案的素材！
⭐️「課程學習成果」要選這種：
有「明確主題」，而且資料完整
有「不零碎的過程」，別人也能看懂的
⭐️「多元表現」要有這些：
可以證明你的能力
可以講出轉變 or 學到什麼
⭐️「學習歷程自述」要寫這些：
為什麼對這個校系感興趣
做過什麼相關的事
未來計劃怎麼發展這個專業
有了關鍵素材！就能立馬用下面 3 招快速完成學習歷程👇👇👇
點我回目錄⤴
2. 第 1 步：套用「得獎範本」的架構
有了學習歷程素材後，最簡單組織檔案的方法就是：
直接參考得獎作品的架構！
得獎作品代表「已經通過老師與教授的審查標準」所以，你不用重新發明檔案的結構 💡我推薦可以到 104 學習歷程拿得獎範例抓架構
例如這份 高中組自述第一名 🏅他的架構就是老師最想看的高分內容：
高中學習歷程反思
就讀動機
未來學習計畫與生涯
如果你不擅長辨識寫作的架構～有一個超快抓出學習歷程架構的方法！
🖥️ 下載 104 學習歷程 範本的 PDF 檔🤖 然後上傳到 ChatGPT 或 Gemini 任何 AI 聊天機器人🔑 貼上這串指令幫我分析這份得獎學習歷程的寫作架構，列出每一段在做什麼，並整理架構改寫成「填空式模板」，每一段給一句引導句讓我可以直接填內容
AI 就會幫你生成可以直接用的「填空式模板」比如，學業反思：
👉 第一句，引導句填空：「在學習_____科目時，我曾遇到困難。」👉 接下去，內容填空：「在學習_____時，我曾遇到_____的問題。我發現問題來自於_____（方法/心態）。為了解決這個問題，我開始_____（策略）。例如，我_____（具體做法）。透過這些調整，我在_____方面有明顯進步，並學會_____。
有了模板，不只學習歷程內容不僅完整還能確保有邏輯！有重點！好閱讀！而且，符合學校教授的審查格式👍
點我回目錄⤴
3. 第 2 步：用 AI 「學習歷程自述教練」
多數學生在學習歷程寫完後都會把內容拿給 AI 潤飾但很少人知道有一個專門設計給準備學習歷程的 AI 機器人：✨「 AI 學習歷程自述教練」✨完。全。免。費！
只要我把學習歷程檔案上傳AI 教練就會針對 O.學習歷程省思、P.就讀動機、Q.學習計畫提供具體的回饋建議：
分析我的優點
推薦我加強的地方
給我改寫的範例
最後還有鼓勵我的話，情緒價值滿滿！用了這個 AI ～肯定能提高通過個人申請篩選的機率
點我回目錄⤴
4. 第 3 步：做出老師最愛的視覺排版
好多學生做學習歷程都有這些迷思：要用有設計感的模板或是要把頁面要得很漂亮但其實「好閱讀」比「好看」重要！在高職/高中升學季時一位評審老師要看 100-300 份學習歷程 🫠而每份檔案平均被審查的時間只有 3-6 分鐘 ⏱️ 所以，如果老師在 30 秒內看不到重點就很難繼續看下去......
那要如何做出「好閱讀」的學習歷程呢？只要掌握超簡單的 5 個小技巧👇👇👇：
✔️ 用吸引人的標題，區分章節✔️ 用列點條列文字，強調重點✔️ 用圖表和圖片，輔助說明✔️ 用色和字體，不超過三種✔️ 適度留白！留白！留白！
點我回目錄⤴
5. 做學習歷程的常見問題 FAQ
💬 Q1：學習歷程字數要寫很多嗎？限制幾頁？不用！一份理想的學檔 3-5 頁 A4 就能表達完整別刻意增加字數，結構清晰、重點突出就好了
💬 Q2：沒有比賽或證書，怎麼辦？那就放「現成的」課內作業，比如報告、實作或筆記都可以展現你「從不會到會」的學習成果以及碰到困難時「解決問題」的能力104 職涯永續長 王榮春曾說過一個真相：「大學教授想錄取的，是『有潛力的學習者』，而不是『獎狀蒐集機器』。」
💬 Q3：美編排版重要嗎？字體、大小有規範嗎？排版的重要性大於美編整齊簡潔的格式，看起來會更專業！🤓而字體跟字型教育部、大學沒有硬性規範但通常字體建議：・字體用新細明體、微軟正黑體・字級採標題 18-20，小標題 14-16，內文 12・行距設定 1.15 - 1.5 倍
Q4：用什麼軟體好？Canva 還是 Word？任何工具都可以，以你習慣操作為主重要的是，能讓你有效率呈現重點下面表格幫你分析 Canva 跟 Word 的優缺點
Word Canva 強項把大量文字編排成結構清晰的文件結合圖片與文字做視覺排版優點格式清楚，做目錄＋標題分級比較快模板漂亮，拖拉圖片＋效果比較方便缺點排版簡單、圖片位置很難隨意擺放文字太多容易亂，檔案可能過大適合對象內容以文字論述、實驗數據為主的人內容以照片成果、活動紀錄為主的人
⚠️ 特別注意：不管用哪一個軟體，最後上傳一定要轉成 PDF 檔！
Word 轉檔： 格式絕對不會跑掉，最保險
Canva 轉檔： 選擇「PDF 列印」，要再檢查文字變模糊
Q5：檔案太大怎麼辦？如何壓縮？用什麼工具？
刪除重複性高的照片： 比如同場實驗有 5 張照片，只要挑最精華的 1-2 張放
先縮小圖片：置入圖片前，先把解析度調小，有 150dpi 就滿清晰了！
用外部連結：大型作品可以傳到雲端硬碟，再把連結或 QR code 放到 PDF
壓縮整份檔案：學生最推薦 I Love PDF，「建議壓縮」模式能省 50% 以上的空間，還能維持畫質
Q6：要用上傳的還是勾選的 ？在申請大學的系統中，這兩個意義完全不同～所以不必糾結二選一推薦用下面這個必勝組合👇👇👇1️⃣ 第一步：精準勾選別為了湊數量亂勾要針對申請的校系做優先勾選2️⃣第二步：在「自述」中強烈導引在上傳的「學習歷程自述」中明確提到你勾選了哪些東西示範寫法：「在我的『課程學習成果』中，我特別勾選了《XX實驗》，因為這項成果不僅讓我學會數據分析，更展現了我對生命科學的嚴謹態度...」
點我回目錄⤴
會讓老師留下印象的學習歷程檔案往往都只有簡單的編排 📝從 104 學習歷程的範本中也不難發現不論是自述、綜整、課程學習成果還是多元表現得獎作品幾乎都“沒有”太多美編～
所以，專注把「內容」做漂亮才是王道趕快抓緊時間，祝你學習歷程上傳順利唷 👑
如果你有需要更多的免費資源～比如：考試情報、校系評價、學習歷程或打工賺錢…等等可以追這個幫高中生經營的 IG 帳號📱小編超認真在發文～有任何問題歡迎私訊！先追起來👇👇👇 以免之後需要找不到～
作者：職迷不霧點我追蹤職迷不霧 IG ❤️❤️❤️
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
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
軟體工程師技能找工作
點擊技能可到對應的職缺工作區
PHPJavaPythonJavaScriptNode.jsHTMLCSSSassLinuxGitMySQLCC++SQLAngularRXcodeReactJSVueGolang程式語言找工作
PHP工作機會
[joblist_plugin title='【PHP】精選職缺' url='https://www.104.com.tw/jobs/search/?jobsource=blog_skill&mode=s&page=1&keyword=PHP&order=15' amount='4']
Java工作機會
[joblist_plugin title='【Java】精選職缺' url='https://www.104.com.tw/jobs/search/?jobsource=blog_skill&mode=s&page=1&keyword=Java&order=15' amount='4']
軟體工程師薪水找工作
月薪5萬月薪6萬月薪7萬月薪8萬年薪100萬待遇面議
有任何收穫或想分享的，都來和大家一起聊聊吧！