Ai

規格驅動的 AI 強化 DevOps 演講逐字稿 開場 今天要分享的主題是「規格驅動的 AI 強化 DevOps」，副標是「篩選適合的情境，SDD 成為你的平台開發神器」。我是 Che-Chia Chang。 議程概述 在這場議程中，我會告訴各位三個重點： 第一，Spec-kit 跑起來是什麼樣子。我會用實際的例子展示工作流程。 第二，我會提供四個實務情境，說明哪些任務適合 SDD，哪些不適合。 第三，Spec-kit 帶來的代價是什麼，以及我們如何應對。 情境 1：跨平台，稽核內部平台帳號 讓我們從第一個情境開始。在許多企業中，都有一個共同的痛點：所有內部帳號需要定期稽核，確保沒有過期離職的帳號存在。 面對這類需求，有幾個重要的考量： 首先，如果有現成工具就直接用工具，不用閉門造車。但如果現成工具需求不符合，用 AI 閉門造車現在非常的快又便宜。 但這裡出現了一個大哉問——後續維護是否好維護？這個疑問很關鍵。 實際 Spec-kit 工作流程展示 讓我們看一下，實際的 Spec-kit 會長怎樣。假設我們在 VSCode Chat（Copilot）中啟用 spec-kit，流程會是這樣： 第一步：產生 Spec 使用 /speckit.specify 命令，我們描述需求： 寫一個工具，列出所有內部平台帳號 工具需要根據條件檢查帳號狀態與權限 包含單元測試，模擬帳號的整合測試 還要有 e2e 測試，產出符合稽核格式的結果 第二步：釐清 Spec 然後使用 /speckit.clarify 命令，不斷釐清模糊的地方，直到沒有歧義： 平台包含 AWS、GitHub、Jenkins 等 帳號狀態包含 active、expired、pending 權限包含 admin、write、read-only 這個過程非常重要，因為清楚的規格是後續成功的基礎。 第三步：規劃實作 使用 /speckit.plan 根據 Spec 產生 Plan，列出實作步驟，檢查相依性，準備 checklist。 ...

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）。 ...