完整程式碼可在 GitHub 專案中找到：Finetune-30-days-demo / day-30
這 30 天，我從一個簡單的 FastAPI 服務出發，
逐步構建出一套能自動化微調、追蹤、部署、監控的完整平台。
| 週期 | 目標主題 | 關鍵成果 |
|---|---|---|
| Week 1 | 任務與資料流成形 | FastAPI + Celery 任務架構、資料驗證與序列化 |
| Week 2 | 實驗可重現性 | MLflow 實驗追蹤、Config YAML 管理 |
| Week 3 | 模型重用與治理 | Model Registry、推薦 API、RBAC |
| Week 4 | 部署與監控 | CI/CD、Helm、Prometheus + Grafana |
| Week 5 | 多租戶與收尾 | Namespace + Quota、穩定性壓測、Demo Day |
從「能跑起來」到「能監控、能治理」，
這個過程不只是程式碼疊加，而是一場平台思維的養成。
| 模組類別 | 已實作能力 | 對應篇章 |
|---|---|---|
| 任務管理 | Celery + Redis 任務排程與狀態追蹤 | Day 11–12 |
| 實驗追蹤 | MLflow 自動紀錄參數與成品 | Day 22 |
| 模型共享 | Model Registry + Recommend API | Day 21 |
| 身分與權限 | JWT + RBAC + Audit Log | Day 16–17 |
| 部署流程 | Helm 部署 + GitHub Actions CI/CD | Day 24–25 |
| 可觀測性 | Prometheus Exporter + Grafana Dashboard | Day 26 |
| 穩定性測試 | Locust 壓測 + 性能監控 | Day 27 |
| 租戶隔離 | Namespace + ResourceQuota | Day 28 |
| 閉環驗證 | 一鍵 Demo 流程 | Day 29 |
這張矩陣不僅代表一個完整的開發成果，更是一個可延展的 MLOps 原型系統。
在這 30 天的開發過程中，我刻意讓 AI 參與每一個步驟。
它不是替代，而是共同設計者（co-pilot）。
| 工具 | 負責階段 | 角色定位 |
|---|---|---|
| ChatGPT / GPT-5 | 架構規劃、代碼審查、技術文件生成 | 系統設計顧問 |
| Cursor / Codex | 重構與快速迭代 | Pair Programmer |
| HackMD | 反思與記錄 | 知識同步空間 |
AI 不只是生成程式碼，而是幫助人類思考「系統該長什麼樣子」。
它讓整個開發過程保持節奏一致，也讓每日任務更聚焦於決策與創造。
不過在實際開發過程中，我發現 AI 提供的是方向，而不是結果。
即使生成的架構或函式能通過語法檢查，仍需要不斷地 debug、調整邏輯、測試整合性，
才能逐步建立出真正可運行的產品。
這個過程也揭示了另一個關鍵現象：
隨著模組數量增加，早期撰寫的程式碼往往缺乏通用性，
若沒有測試覆蓋與清晰的模組邊界，重構會變得代價極高。
而在這個專案中，我透過 先寫測試、再疊功能 的方式，
讓後期的調整與錯誤修正變得快速而穩定。
整體來說，AI 的協作讓我能更快看見方向，
而測試與實際的 debugging，讓我真正完成了一個能落地的產品。
iThome鐵人賽
看影片追技術