我有多年 IT 技術與跨域學習經驗，現在把 AI、Cloud、Infrastructure 串起來。

AI 已經可以快速完成 Demo，但真正進入 Production，問題才正式開始。

本系列以 AI Infrastructure 為核心角度，從一名 AI × Infrastructure Solution / Integration 技術實作者的角度，分享 AI 從 Prototype 到 Production 所面對的實際工程問題。我將結合 Python、LLM、GPU、Docker、Cloud、Kubernetes、MLOps、AI Agent、RAG、Monitoring 與 Security 等技術，逐步拆解模型、Runtime、Container、Infrastructure 與企業系統之間的關係。

我希望透過 30 天的短篇實作與經驗分享，讓讀者看見「會使用 AI」與「能讓 AI 上線」之間的差距，也整理自己多年 IT 與 AI 技術學習、實作與跨域整合的經驗。

本系列同時作為《AI Infrastructure 實戰：AI Demo 為什麼上不了 Production？》的延伸內容，透過公開文章介紹我的技術觀點與實作方法，並持續探索 AI 真正落地所需要的 Infrastructure 能力。

Google 現在的產品方向本身也越來越強調企業 AI Agent 的完整生命週期，包括 build、deploy、govern、optimize，以及安全、權限與企業資料整合。

上周notebooklm剛改名為gemini notebook，今天看到gemini notebook內部測試建app，
很期待未來能看到這個新功能，AI Demo 很容易，真正讓 AI 進入 Production 卻是另一回事。

關於作者

我是一名 AI × Infrastructure Solution / Integration 技術實作者，專注於 AI、MLOps、Cloud、Docker、Kubernetes、GPU、LLM 與 AI Agent 等技術的整合與落地，跨足 LLM、GPU、Docker、Kubernetes、MLOps 與 AI Agent，持續研究企業 AI 從 Prototype 到 Production 所需要的工程能力。協助企業理解 AI 從 Prototype 到 Production 所需要的技術能力。

本系列同時是《AI Infrastructure 實戰：AI Demo 為什麼上不了 Production？》的延伸實戰筆記。