Generative

📅 活動時間：2026-10-15 🔗 活動連結 📘 聯繫我 Facebook 📑 投影片 Title AI Gateway：AI 治理的第一步 Outline 當團隊開始使用多個 LLM provider 與模型，API Key、模型路由、成本控管、權限與 tracing 很快就會分散在各個應用程式中。AI Gateway 提供一個統一入口，讓團隊能集中管理模型存取與應用流量，也讓後續的觀測、評估與治理更容易落地。 本次分享將從實務問題出發，介紹 AI Gateway 的核心能力與導入方式，並討論它能解決什麼、不能解決什麼，以及如何與 observability、evaluation 和 AI application workflow 整合。 為什麼團隊需要 AI Gateway 統一模型存取、路由與 fallback API Key、權限與成本治理 串接 tracing、logging 與 LLM observability 以實務情境設計 AI Gateway workflow 導入限制、風險與後續演進 Target group 正在導入 LLM 或 AI application 的後端與平台工程師 負責 API、雲端基礎設施與開發維運的 DevOps / SRE 想建立模型治理、成本控管與 observability 的技術主管與架構師 主要收穫 你將能理解 AI Gateway 在 LLM application architecture 中的角色，掌握模型路由、權限、成本與 tracing 的基本設計，並具備評估團隊是否適合導入 AI Gateway 的實務判斷依據。 ...

📅 活動時間：2026-08-09 🔗 活動連結 📘 聯繫我 Facebook 📑 投影片 Title Observe and evaluate LLM Coding Agents Outline 在導入 LLM Coding Agent 到日常開發後，很多團隊會遇到問題：品質不穩、風險難估、模型升級缺少客觀依據。本分享會從實務流程出發，介紹如何觀測 Agent 行為、把評估流程自動化，並建立可持續迭代的 decision system。 為什麼 LLM Coding Agent 需要 O11y 與 Evaluation 從 trace 開始：觀測 agent 任務、工具調用與失敗模式 Observability != Decision System：看得到不代表能決策 LLM-as-a-judge 在 coding 任務中的價值與限制 從 daily coding logs 抽取 dataset 建立 regression evaluation pipeline 與 quality gate 用量化結果比較不同模型與 agent framework 把模型升級與框架切換變成可驗證工程流程 Demo & POC https://github.com/chechiachang/llm-o11y Trace and observe local coding agents Build coding-task evals with LLM-as-a-judge Extract datasets from real developer-agent interactions Run regression tests for model / framework change decisions Target group 正在導入 AI coding workflow 的工程團隊 關心品質、成本、延遲與回歸風險的 Tech Lead / SRE / Platform Team 已有 tracing / logging，但缺少可執行評估與 deployment gate 的團隊 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：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）。 ...