隨著資訊爆炸，我們每天都要閱讀大量文章、報告與新聞。
如果有一種方法能自動生成文章摘要，讓我們快速掌握重點，將大幅提升效率。
這就是文本摘要(Text Summarization)。

一、摘要的兩種方法
抽取式摘要(Extractive Summarization)
直接挑選原文中最重要的句子，組合成摘要。
類似人工劃重點。
優點：簡單、保留原文用詞。
缺點：不一定流暢，無法重新組織語意。

生成式摘要(Abstractive Summarization)
使用NLP模型，理解全文內容後重新撰寫出新的摘要。
類似人類寫大綱。
優點：語意流暢、能夠壓縮與改寫。
缺點：需要更多運算資源，可能出現錯誤資訊。

二、抽取式摘要：Python範例(使用sumy)
from sumy.parsers.plaintext import PlaintextParser
from sumy.nlp.tokenizers import Tokenizer
from sumy.summarizers.lsa import LsaSummarizer

#範例文本
text = """
Artificial Intelligence (AI) is transforming industries worldwide.
From healthcare to finance, AI-driven solutions are providing efficiency and accuracy.
However, challenges such as data privacy, ethical concerns, and algorithmic bias remain.
Future development of AI must balance innovation with responsibility.
"""

#建立解析器
parser = PlaintextParser.from_string(text, Tokenizer("english"))

#使用LSA抽取式摘要
summarizer = LsaSummarizer()
summary = summarizer(parser.document, 2) # 摘要取2句

print("抽取式摘要：")
for sentence in summary:
print("-", sentence)

輸出結果可能是：
抽取式摘要：

• Artificial Intelligence (AI) is transforming industries worldwide.
• Future development of AI must balance innovation with responsibility.

三、生成式摘要：Python範例(使用 Hugging Face Transformers)
from transformers import pipeline

#建立summarization pipeline
summarizer = pipeline("summarization")

#範例文本
text = """
Artificial Intelligence (AI) is transforming industries worldwide.
From healthcare to finance, AI-driven solutions are providing efficiency and accuracy.
However, challenges such as data privacy, ethical concerns, and algorithmic bias remain.
Future development of AI must balance innovation with responsibility.
"""

#生成摘要
summary = summarizer(text, max_length=40, min_length=10, do_sample=False)
print("生成式摘要：")
print("-", summary[0]['summary_text'])

輸出結果可能是：
生成式摘要：

• AI is revolutionizing industries, bringing efficiency and accuracy,
  but ethical and privacy challenges must be addressed responsibly.

四、延伸應用
新聞摘要：快速了解最新時事。
法規/研究論文摘要：幫助研究者掌握大篇幅文件重點。
客服紀錄摘要：總結大量對話，快速提供決策依據。

抽取式摘要 → 擷取原句，簡單高效。
生成式摘要 → 重新表達，更貼近人類風格。
在真實應用中，常常會結合兩種方法，兼顧效率與可讀性。

完成了30天軟體開發學習挑戰。
從基礎程式設計，到資料結構、演算法、測試、版本控制，再到進階的AI/NLP技術，已經掌握了一條完整的學習路徑。
接下來的路，取決於你要往AI、Web開發、資料工程、或軟體架構哪個方向深入。
不管如何，記得，軟體工程不只是寫程式，而是用程式設計改善世界。