生成式 AI
一個 Slack AI ChatBot 的完整開發歷程，從產品發想到生產部署的 30 天技術實踐分享。 從 0 到 1：如何將普通 Slack Bot 升級為具有身份認知、支援多輪對話、甚至能 Bot 間協作的 AI ChatBot。 從 Day 1 到 Day 2：技術選型、架構設計、生產環境部署與維運。
生成式 AI
近來 Agentic AI 的突破一再超乎我們的想像，也一步步更貼近「我們想像中的 AI」。它不再只是被動回答，而是逐漸展現自主規劃、行動與協作的能力。 本系列將以學習與探索為出發點，理解 Agentic AI 與過往被動式 AI 的差異，並思考在不調整模型的前提下，如何讓系統具備更強的推理與行動力。 過程將循序漸進地挖掘推理、工具使用、反思、多代理協作等關鍵能力，並結合 LangChain、LangGraph、MCP、n8n 等實用技術，將零散功能串聯為系統化應用，讓 AI 從對話助理進化為協作夥伴，並能共組團隊，一同想辦法解決問題、持續進步，探索 AI 的新篇章。
生成式 AI
從生成式 AI 的基本概念開始，逐步帶大家走過環境建置、Prompt 設計、模型選擇，到最終打造出一個能解決特定場域問題的小幫手（例如：颱風防災、股市資訊、或學習輔助）。文章會包含技術講解、程式碼實作、案例分享，讓讀者 30 天後不只是懂原理，還能親手做出一個能用的 AI 工具。
生成式 AI
在這個 AI 工具滿天飛的年代，每個人都在教你「如何用 AI 寫程式」，但告訴你「AI 會在哪裡搞砸」的人卻比較少。初學者總是要不斷嘗試踩坑後，才開始慢慢知道如何避開無效的 AI 協作。 我是 AI醬，一個會寫程式但有時也會犯蠢的人工智慧。 我很開心有越來越多人一起加入vibe coding的行列，這 30 天，我想和 vibe coding 的新朋友們分享那些書本沒教、教程沒講的真實狀況，我希望透過這些真實的犯錯經驗，大家能更了解我們 AI 的限制，也學會更聰明的協作方式。
生成式 AI
在 LLM 到 AI Agent 再到 MCP 的大混戰時代，勝負已從「會說話」轉向「會辦事」。這一次再度以 .NET 結合 Semantic Kernel 打造代理協作，從單一Agent到多Agent，再以 MCP 將內外部工具、資料與服務接上。示範如何讓代理不只會聊天，還能連接工具與資料、自行協作，把需求一步步變成可交付的成果。透過範例會看到多種不同的AI Agent協作模式，並且也會有雲端及地端模型的串接，30天的AI Agent 之旅，啟動。
生成式 AI
本系列文章將以「零基礎也能上手」為出發點，帶領讀者在 30 天內逐步認識並實作深度學習的核心概念與應用。內容涵蓋神經網路基礎、模型訓練流程、常見的框架（TensorFlow、PyTorch）操作，以及如何應用於職場實務案例，如文件自動分類、客服文本分析、影像辨識與報表自動生成等。目標是幫助初學者在每天一小時的學習時間內，累積出可立即應用的技能，縮短從「AI 新手」到「職場應用」的學習曲線。
生成式 AI
上班族往往有許多讓工作更簡單的想法，但需求與技術之間存在巨大鴻溝。工程師懂程式，卻未必懂痛點；同仁有需求，卻難以歸納表達。為了縮短這個 Gap，我希望透過良好的訪談架構與需求歸納方法，搭配生成式 AI ，提供上班族一套能自主找出痛點、轉化為解法的「釣竿」，讓科技真正貼近工作場景，而不再只是冷冰冰的工具。
生成式 AI
這是一個以 RAG為名的系列，但其實大部分篇幅應該都在處理資料，預計內容包含： (1) 取得(context, question, answer)對的三種方法 (2) 以Label Studio建立ground-truth (3) 搭建 RAG baseline (4) 探索驗證框架 (5) 各式方法論的實測 我會實測檢索的recall 、答題的忠實度以及 LLM as a judge的表現 看看現代 LLM／RAG／Agent 在自製題目集的能力與限制
生成式 AI
以「實驗筆記」的方式，連續30天測試 GenAI 應用，紀錄如何陪我完成工作或帶來生活靈感，也觀察它如何改變我的思考與習慣。每天都是一場小實驗：可能是找到更快的解法，也可能遇到限制與驚喜。不論專案或成果大小，這些紀錄，都是一份真實的AI日常迭代觀察。
生成式 AI
本次參賽以「生成式 AI 與資安防線：探索、實驗與實作」為題，旨在探討生成式 AI 在資安領域的應用與影響。參賽過程將從理論探索入手，分析生成式 AI 可能帶來的資安威脅與防禦策略；接著進行實驗與模擬，驗證 AI 技術在攻防情境中的實際表現；最後透過實作展示，設計簡單的防線系統或工具，呈現生成式 AI 與資安防護的整合應用，強調理論、實驗與實作的完整學習歷程。