回想這三十天，從一開始的單純興趣，到後來變成一場自我逼迫的學習馬拉松，
我不只是學了一堆名詞（Transformer、RAG、PEFT、LoRA、Agent），
更重要的是，學會了如何用自己的語言，把一個複雜的系統講清楚、講明白。

一、起點：從「為什麼要寫這系列」開始

這系列的起點，其實非常單純。
在這幾年生成式 AI 熱潮延燒的時候，我身邊幾乎所有人都在用 ChatGPT。
有人拿它寫程式、有人讓它當英文老師、有人用來寫報告。
但我在想的，是另一個問題：

我們真的知道它怎麼運作嗎？

就像開車的人未必懂引擎，
每天和 LLM 對話的我們，也未必理解那背後的注意力機制、訓練資料、或是它為什麼會「幻覺」。
所以我想做一件事 —— 用 30 天，從基礎一路寫到應用，完整梳理一個 LLM 的世界觀。

這不只是為了讀者，更是為了逼自己學會把抽象的概念具象化。
也因為我平常就同時關注 AI 與資安領域，
我希望這系列能不只是「AI 技術筆記」，
而是連結實務應用、安全防禦、與開發者思維的一條完整脈絡。

二、從模型到語言：最艱難的前十天

說真的，最辛苦的部分不是後期寫應用，而是前十天。
因為那十篇完全是「理論硬核區」。

從 Transformer 架構、Self-Attention、QKV 機制，到 Positional Encoding、Embedding、Pre-training、Fine-tuning……
我幾乎是每天邊查論文、邊找圖、邊重寫文章。
有時一個公式就卡一整晚，光是「為什麼要有位置編碼」就找了三個版本的圖。
但也正是那十天，讓我真正體會到：

「LLM 不是黑盒子，而是一個極度優雅的數學系統。」

當我把 Transformer 那張「Attention is All You Need」的架構圖理解之後能用自己的話講出它的邏輯流，那一刻的成就感真的很大。

而且，我也意識到自己已經不再只是「用 ChatGPT 的人」，
而是開始能反過來解構 ChatGPT 為什麼能那麼懂人話。

三、第二階段：Prompt、RAG、PEFT 的連鎖爆發

進入中段（Day11–Day25），這系列開始變得「活起來」。
因為我從單純理解模型，轉向實作與應用層面。

這階段最讓我印象深刻的三個主題是：

1. Prompt Engineering（提示工程）
   這看似簡單，實際上是最難掌握的藝術。
   一個「請幫我」與「假設你是…」之間，結果可以天差地遠。
   我開始研究 CoT（Chain of Thought）、角色扮演、JSON 格式輸出等技巧，
   並整理出一份屬於自己的「提示設計心法」。

2. RAG（Retrieval-Augmented Generation）
   這是我整個系列中最有共鳴的一篇。
   我用它來解釋 LLM 為何能「補充記憶」，
   並將概念對照到企業應用中 —— 如何讓模型連接內部知識庫、做到即時更新。
   這不只是技術，而是未來企業 AI 導入的關鍵。

3. PEFT（Parameter-Efficient Fine-Tuning）與 LoRA 微調
   我發現現在的 AI 不一定要重新訓練整個模型，
   而是可以透過少量參數調整，讓模型學會新的任務。
   這讓「微調模型」從實驗室走進開發者的日常。

這段時間，我像是在做一次完整的「AI 系統設計 Bootcamp」。
每天寫文的同時，也等於在替自己準備一份能拿出來講的專題。

四、實戰篇：讓模型成為我的助理

Day18 之後，我開始挑戰讓 LLM 實際「動起來」。
我用 Dify 平台，從頭打造一個「行程規劃助理」。
它能根據使用者輸入自動生成旅遊行程、推薦景點、甚至考慮天氣。

一開始，我只是想玩玩，但寫到後來我發現：

「LLM 不只是工具，而是一個可以被“編排”的思考模塊。」

我學會如何用 Prompt 去控制它的角色、語氣、輸出格式，
甚至設計了 multi-step workflow，讓它能先查詢資料、再生成行程、最後輸出報表。
那種感覺有點像是在教 AI 「如何當一個助理」。

更重要的是，我從這個 Demo 體會到「Agent」概念的真實意義。
這已經不只是問答，而是讓模型具備行動與記憶能力的過程。

五、最大的挑戰：每天都像在和時間賽跑

雖然整個系列看起來條理分明，但過程其實是混亂又刺激的。
每天寫文、查資料、改內容，
有幾天甚至一度想放棄。
尤其在第 4 天和第 5 天，那時我覺得題目太難、腦袋打結到寫不出一段順的句子。
但正因為那種「卡住 → 重新理解 → 寫出來」的循環，
我更確信自己不只是「在學」，而是在「內化」。

每次寫完一篇、重新讀一次前面的內容，
我都會發現自己的觀點又多了一層深度。

這就是鐵人賽的魔力 ——
它不只是比誰懂技術，而是比誰能「把技術講成故事」。

六、我學到的三件事

1 寫作是最好的學習

當你能把一個概念寫給別人看、而且讓非工程背景的人也懂，
你才真的理解它。
我在 Day3 寫 Transformer 時，就是這樣被逼著成長。

2 工具會變，底層思維不會變

不管是 GPT-4o、Claude、Gemini、LLaMA，
本質上都還是基於相似的 Transformer 架構。
懂原理，才能不被工具綁死。

3 AI 不只是技術，是設計思維

Prompt、RAG、Agent、Workflow，
這些其實都是在訓練我們「如何設計思考流程」。
LLM 就像鏡子，反映出你思考的邏輯是否清晰。

七、未來的方向：AI × Security × Explainability

在這 30 天裡，我逐漸發現自己想走的方向愈來愈清楚。
我想研究的不只是「讓模型更聰明」，
而是「讓它更安全、更可信」。

我希望有一天能打造一個結合「威脅情資」與「LLM 理解」的系統，
讓 AI 不只是回答問題，而是能主動幫助 SOC 分析威脅。

這會是我下一個「30 天」的起點。

八、給未來想挑戰鐵人賽的人

如果你也打算參加下一屆鐵人賽，我想給三個建議：

1. 先定主軸，不要盲目開寫。
   找到你想講的主題，讓每天的文章能形成一條主線。
   這樣不會半路迷失，也能讓讀者更容易跟上。

2. 不要怕技術難，只怕講不清楚。
   很多時候不是你不懂，而是你還沒找到「最生活化的比喻」。
   一旦你能用生活語言講技術，你就贏了。

3. 保持節奏，別追求完美。
   鐵人賽不是論文，也不是教科書。
   內容有瑕疵沒關係，重要的是你每天都比昨天更懂一點。

九、結語：三十天後的自己

三十天前，我是個想了解 LLM 怎麼運作的學生；
三十天後，我變成了一個能獨立設計 Demo、思考 AI 架構與防禦策略的開發者。

這段旅程不只是知識的累積，更是思維的重塑。
它讓我更相信一件事：

「AI 不會取代人，但會放大懂得學習的人。」

而我想成為的，就是那個能用 AI 打造安全、可信世界的開發者。

感謝一路閱讀的你，這不只是 30 天的挑戰，更是一場自我進化的實驗。
下一次見面，也許我會帶著一個更完整的專案 ——
一個真的能讓 AI「懂資安」的系統。

那時候，希望我們都還在這條學習的路上。