Ai

活動時間：2026-07-01 12:00-12:30 活動連結 聯繫我 Facebook 投影片 Title When Not to Vibe 從 Vibe Coding 到 Spec-driven AI Engineering Outline AI 讓「寫 code」變得容易，但實際在開發上，常見現象是一開始很順、越做越亂，LLM 逐步偏離設計，context 越長結果反而越不準。這不是 prompt 不夠強或模型不夠大，而是 LLM 本質上不擅長長時間、持續演進的任務。vibe coding 適合快速探索小範圍任務與短期 context，但長任務會走向失焦（loss of alignment）；context window 也不是越大越好，資訊堆疊會造成 attention 稀釋，且 LLM 沒有真正長期記憶。 這場分享現實：AI 讓寫 code 變快，卻不保證長時間任務不失焦；為何 vibe coding 會在 context 拉長後 drift。並以 SpecKit 補上的結構化上下文價值、並了解其代價，以及從 spec-driven 走向 agent-driven 的實務經驗。 從 Vibe 出發：為何 LLM 在長時間任務中逐漸失焦 LLM 原理：Context 不斷堆疊，為何反而降低準確性 SpecKit 的價值：從 Prompt Chaos 到 Structured Spec 作為 Source of Truth 現實限制：Spec Tax、Drift，以及無法解決的痛點 SDD（Spec-driven Development）適用場景：PoC、Greenfield 等 從 Spec-driven 到 Agent-driven：Speckit 作為過渡形態 你將能清楚辨識 vibe coding 的有效範圍與失效訊號、理解 LLM 在長上下文下準確率下降的原因、評估 SpecKit 在實務上的收益與成本，並帶走一套可用於 PoC、Greenfield 與複雜系統規劃的導入與決策視角。 ...

📅 活動時間：2026-07-02 09:00-10:30 🔗 活動連結 📘 聯繫我 Facebook 📑 投影片 Workshop Spec-kit 規格導向開發實作 Outline 使用 AI agent 進行規格導向開發（Spec-driven development, SDD）已成為現代軟體開發的重要趨勢。SDD 強調在開發過程中以明確的規格作為指導，從而提高開發效率和產品質量。在這場工作坊中，我們將深入探討 SDD 的核心概念，並通過實際操作 Spec-kit 來學習如何撰寫可執行的規格、利用範本和自動化腳本，以及將這些規格整合到日常的開發流程中。參與者將獲得制定策略、建立規格以及使用 Spec-kit 加速開發和驗證的實用技能。 這場工作坊將帶領大家從 SDD 的核心概念出發，藉由 Spec-kit 的實作示範，學習如何撰寫具有可執行性的規格、善用範本與自動化腳本，以及將這些規格系統整合到日常工作流程。 課程結束後，你能掌握制定策略、建立規格、以及利用 Spec-kit 加快開發與驗證的思路。 大綱 SDD 的核心概念與實踐流程 挑選適合的場景與任務，制定 SDD 策略 使用 Spec-kit 撰寫可執行規格 為何會有幫助：避免 Spec drift 多數團隊導入 AI 寫程式後，常見痛點是需求、規格、實作與測試不同步，最後演變成 Spec drift，導致返工與品質不穩定。 本次工作坊聚焦如何用 Spec-kit / SDD 建立「規格先行、可執行驗證、持續對齊」的流程，讓 AI 與工程團隊使用同一份契約協作。 你會看到一套可直接落地的做法：從需求釐清、規格撰寫、實作到驗證，縮短溝通迴圈、降低偏移風險，並提升交付一致性與可維護性。 Target group 本次工作坊提供可遠端連線的 Azure OpenAI 模型環境，請先準備筆電並安裝好 VS Code 與 Vs Code Codex Extension，並參考以下資源完成相關設定： ...

📅 活動時間：2026-06-26T17:00-17:40 🔗 活動連結 📘 聯繫我 Facebook 📑 投影片 Title 規格驅動的 AI 強化 DevOps 平台工程 AI-powered Spec-driven DevOps Platform Engineering Outline 現代 DevOps 的守備範圍日益擴張，從開發、測試、部署到維運、安全與合規，工作內容愈發碎片化且分散。團隊不僅要處理高度例行且需精確執行的任務，還要面對跨團隊協作與流程整合的複雜度。 在 DevOps 日常運作中，存在大量適合導入 Spec-driven development（SDD）的場景，特別是需求明確、重複性高且風險較低的任務。透過可執行規格結合 AI 自動化，可提升效率並降低人為失誤。 本次演講將分享如何結合 AI 與 SDD，自建自動化系統，處理低磨合、低風險的日常事務，讓工程人力回歸高價值工作。 Spec-kit 設計：以 spec 作為 single source of truth，串接需求、驗收與交付 規格：goal、constraints、acceptance criteria、checks 適合先導入的場景：SOP、Runbook、高耗時例行工作 將規格接入 CI/CD 與監控流程，形成可驗證回饋循環 Target group DevOps / SRE / Platform 工程師 需要維護大量 SOP 與 Runbook 的團隊 想導入 AI 自動化且重視治理、品質與風險控制的技術主管 主要收穫 理解如何判斷哪些 DevOps 任務適合以 SDD 優先導入 學會使用 Spec-kit 撰寫與管理可執行規格 建立從規格到交付、驗證與回饋的實務流程 以實務案例理解導入過程中的風險邊界與常見踩雷點 References https://github.blog/ai-and-ml/generative-ai/spec-driven-development-with-ai-get-started-with-a-new-open-source-toolkit/ https://github.com/github/spec-kit/blob/main/spec-driven.md Slides 完整投影片與講稿 Author Che-Chia Chang 是一名專注於後端開發、開發維運、容器化應用及 Kubernetes 開發與管理的技術專家，同時也是 Microsoft 最有價值專業人士（MVP）。 ...

📅 活動時間：2025-10-15T09:00-10:30 🔗 活動連結 📘 聯繫我 Facebook 📑 投影片 Workshop RAG 打造企業知識庫入門，從 embeddings 到 evaluation Outline 開發團隊需要將經驗與知識，透過文件化的方式保存下來，以便未來查詢與學習。然而，企業內部文件往往分散於 Confluence、Google Drive、Notion 等平台，傳統關鍵字搜尋難以快速獲取準確資訊，導致溝通成本高、開發流程受阻。又或是，當開發團隊需要查詢特定知識時，往往需要透過 Slack、Email 等方式詢問同事，這樣的溝通成本不僅浪費時間，也容易造成資訊不對稱。 學員將學會如何利用 RAG 技術，結合 OpenAI、LangChain、Qdrant 向量數據庫，構建企業內部文檔的智能知識庫，並能設計與實作一個基於自然語言處理（NLP）的查詢系統，來提升開發團隊的效率與知識管理能力。 流程 使用 LangChain 結合 OpenAI 模型與 Qdrant，製作自動化問答系統 為什麼需要 RAG（Retrieval-Augmented Generation） Embedding 與向量數據庫 Embedding Search DIY Evaluation k8s RAG QA Target group 本次工作坊會提供參與者一個簡單的環境，讓參與者可以透過遠端操作來實作基本 RAG AI Agent。參與者必備個人筆電，透過 SSH 操控遠端機器。 必備知識：Linux 操作基本知識，Docker 操作基本知識，會使用 SSH 連線 / Bash / docker。 工作坊結束後，學員將能夠： 理解並實作 RAG 技術，將內部文檔轉化為智能知識庫 使用 Python 和 OpenAI 構建基於檢索的問答系統 利用 Qdrant 向量數據庫進行高效檢索，提升開發流程中的知識管理效率。 這樣的工作坊結構能夠平衡理論與實踐，並為學員提供實際動手操作的機會。 Author Che-Chia Chang 是一名專注於後端開發、開發維運、容器化應用及 Kubernetes 開發與管理的技術專家，同時也是 Microsoft 最有價值專業人士（MVP）。 ...

📅 活動時間：2025-08-09T12:45:00Z 🔗 活動連結 📘 聯繫我 Facebook 📑 投影片 Info Model Context Protocol（MCP）是一項由 Anthropic 推出的開放標準，旨在為大型語言模型（LLMs）提供一種標準化的方式，以連接和操作各種資料來源（如本地檔案、資料庫）和工具（如 GitHub、Google Maps）。MCP 的目標是簡化 AI 應用與外部資源的整合過程，類似於 USB-C 為實體設備提供通用連接介面。 隨著 AI 技術的快速發展，AI 助手需要與各種資料來源和工具進行互動，以提供更豐富和個性化的服務。Model Context Protocol（MCP）作為一種開放標準，為 AI 應用提供了一種統一且安全的方式，連接到不同的資料來源和工具。 本場演講將介紹 MCP 的架構、設計原則與實作範例，並展示如何使用開源 mcp-server 快速打造一套具備上下文共享、工具調用與多模型協作能力的 Agent Server。最後將透過實機 Demo 展現 MCP 在真實 AI Workflow 中的應用潛力。 演講大綱 問題背景與動機 AI 助手在實際應用中面臨的挑戰：需要訪問多種資料來源和工具，現有整合方式的限制：開發成本高、維護困難 認識 Model Context Protocol（MCP）MCP 的定義與目標 MCP 的核心架構：主機、客戶端、伺服器 MCP 如何簡化 AI 應用與外部資源的整合 MCP 的工作原理 MCP 如何建立 AI 應用與資料來源/工具之間的橋樑 MCP 的模組化設計如何支持功能擴展 使用 mcp-server 快速建立多工 Agent Server mcp-server 的功能與架構 如何使用 mcp-server 整合多個 Agent 和工具 實作示範：建立一個能夠協作完成任務的多 Agent 系統 實際應用案例與未來展望 MCP 在企業助手、開發工具等領域的應用 MCP 的安全性與擴展性 未來 AI 系統與 MCP 的整合趨勢 Target group Author Che-Chia Chang 是一名專注於後端開發、開發維運、容器化應用及 Kubernetes 開發與管理的技術專家，同時也是 Microsoft 最有價值專業人士（MVP）。 ...