昨天提到，這一系列文章是從真實需求出發，透過整理新興 AI 職缺，我觀察到目前市場上的 AI 人才需求，已逐漸分化成兩類不同的職務方向。今天，就想進一步和大家分享我從職缺資料中看到的變化與趨勢。

透過實際職缺的觀察，再對照過去 MLOps 發展至今的市場變化，我更希望把這些真實世界中的人才需求，重新扣回到一個最實際的問題：如果我們想成為 AI Engineer，現在究竟該如何準備？

今天要解決的問題

你可能看過這種標題：「2026 最缺的 10 個 AI 職缺」「AI 人才缺口達 XX 萬人」。點進文章，對於樣本數、擷取日期、判定標準模糊，姑且不論對錯，但事實你無法判斷它對不對。

所以今天我試圖交代資料怎麼來的、交代怎麼分級的、以及最重要的——在這樣的搜尋整理基礎之上，哪些解論不適合說。

📊 職缺訊號

今天這篇本身就是「職缺訊號」的方法論。所有後續 28 篇引用的百分比，都來自這一份資料；看完這篇，您可以自行判斷該給這些數字多少信任。

一、現象：從 7,149 列到 842 筆

資料擷取日為 2026 年 7 月 25 日（Asia/Taipei），來源是公開搜尋頁與同源搜尋 API，使用 12 組固定關鍵字：

注意最後一列：LLMOps 全台只有 19 筆。這不代表 LLMOps 不重要，而是這個詞還沒成為招募文字的通用語——實際在做 LLMOps 的職缺，多半掛在「MLOps 工程師」或「AI 工程師」的標題底下。這是解讀職缺資料時最容易踩的坑：你搜到的是詞，還不是工作職務主要描述。

接著是四道關卡：

圖 2-1：職缺資料的分級漏斗（實際統計，2026-07-25 擷取）。左圖是四道關卡的收斂過程，右圖是去重後 4,343 筆的相關度組成。

1. 去重：同一筆職缺可能被多組查詢命中，依職缺編號（jobNo）去重，7,149 列 → 4,343 筆。
2. 相關度分級：依技術職稱、技術關鍵詞與工作任務訊號，分為高相關、中相關、待複核、低相關／排除。
3. 正式分析母體：高／中相關共 842 筆（19.4%），這才是後續所有任務訊號的計算基礎。
4. 嚴格分析池：在高／中相關中，職類技術詞分數達門檻者，MLOps 側 195 筆、生成式 AI 側 700 筆，用於計算任務訊號比例。

📌 為什麼要留下 2,504 筆低相關職缺？

因為不刪除才能反向抽查。如果把判定為不相關的資料直接丟掉，就永遠不會發現分級規則的偽陰性（把該算的算掉了）。這也是資料工作的紀律之一，Day 09 談資料驗證時會再遇到同一個原則。

二、原理：任務訊號怎麼算、代表什麼

「任務訊號」的定義很樸素：在職缺標題與工作摘要中，可觀察到的特定工作任務文字。一筆職缺可以同時命中多項任務，所以比例不會加總為 100%。

圖 2-2：兩項職務的工作任務訊號（實際統計，2026-07-25 擷取；左 n=195，右 n=700）。這張圖決定了本系列 30 天的篇幅配比。

這張圖是整個系列的「課綱來源」。您可以直接把它當成投資報酬率表來看：

• MLOps 側：平臺與基礎設施 58.5% 遠高於其他，所以 Day 12（K8s／GPU）與 Day 15（平臺與成本）各給一整天。
• 生成式 AI 側：RAG 48.1% 與 Agent 47.6% 幾乎並列，所以 RAG 給三天（Day 18–20）、Agent 給兩天（Day 21–22）。
• 兩側都有的「部署與 LLMOps」（38.7%）與「治理安全」（13.8%／34.3%），構成 Day 24–27 的交會段。

再看市場分布，這對「要不要搬到台北」是實際的決策資訊：

圖 2-3：高／中相關職缺的產業與地區分布（實際統計，n=842，2026-07-25 擷取）。

電腦軟體服務業以 189 筆（22.4%）居首，但把電腦及週邊設備製造、半導體、IC 設計、消費性電子加總起來也有相當份量——這是台灣特色：AI 工程職缺不只在網路公司，硬體與半導體業同樣在徵。地區上台北市內湖區以 102 筆（12.1%）最集中，但新竹市有 50 筆（5.9%）、台中西屯 25 筆——這通常對應製造業與半導體的內部 AI 平臺團隊。

三、動手：自己跑一次迷你版

不要只相信我的數字。你可以用同樣的方法，針對你自己關心的關鍵字跑一次迷你分析。下面是分析骨架（擷取的部分請自行以合法方式取得，並遵守目標網站的服務條款與 robots.txt）：

import pandas as pd

# jobs：至少包含 jobNo（職缺編號）、title（職稱）、description（工作摘要）三欄
jobs = pd.read_csv("jobs_raw.csv")

# 步驟 1：去重——分析單位是「職缺」，不是「搜尋結果列」
jobs = jobs.drop_duplicates(subset=["jobNo"])
print(f"去重後：{len(jobs)} 筆")

# 步驟 2：定義任務訊號的關鍵詞（可依你的職務調整）
SIGNALS = {
    "RAG 與企業知識庫":     ["RAG", "檢索增強", "向量資料庫", "知識庫", "embedding"],
    "Agent 與工具串接":     ["Agent", "代理", "工作流", "function call", "MCP"],
    "模型部署與推論服務":   ["部署", "推論", "serving", "API 服務", "Triton", "vLLM"],
    "監控與可靠性":         ["監控", "漂移", "drift", "SLO", "可觀測"],
}

text = (jobs["title"].fillna("") + " " + jobs["description"].fillna("")).str.lower()
for name, kws in SIGNALS.items():
    hit = text.apply(lambda t: any(k.lower() in t for k in kws))
    jobs[name] = hit
    print(f"{name}: {hit.sum()} 筆（{hit.mean():.1%}）")

# 步驟 3：交叉看——哪些任務常常一起出現？（這才是「職務長什麼樣」的線索）
print(jobs[list(SIGNALS)].astype(int).corr().round(2))

第 3 步是重點。 單看每項任務的比例只能知道「市場要什麼」，看任務之間的共現關係，才能知道「這些任務是不是同一個人在做」——這正是判斷「該不該是同一個職務」的證據。

四、取捨：這份資料不能說的五件事

這是今天最重要的一段。以下五句話，用這份資料說出來都是錯的：

還有兩個技術性限制要一併聲明：工作摘要可能被截斷，所以所有任務訊號比例都應視為「可觀察下限」；以及相關度與任務標記是規則預編碼，尚未經人工逐筆複核與企業訪談驗證。

⚠️ 那這份資料還有什麼用？

它非常適合回答一個問題：「在公開招募文字中，哪些工作任務被反覆提及？」 這對「我該學什麼」已經足夠了。它不適合回答「市場總量有多大」——但老實說，後者對個人職涯決策的幫助，遠不如前者。

今日小結

• 資料為 2026-07-25 單日橫斷面：12 組查詢、7,149 列、去重 4,343 筆、高／中相關 842 筆、嚴格分析池 MLOps 195／生成式 AI 700。
• 任務訊號＝招募文字中可觀察的工作任務，一筆職缺可命中多項，比例不加總為 100%，且應視為可觀察下限。
• 搜到的是詞不是工作：LLMOps 只有 19 筆，不代表沒需求，而是這個詞還沒進入招募用語。
• 這份資料能回答「該學什麼」，不能回答「缺口多大、成長多快」——後續 28 篇引用時請一併記得這個邊界。

本文限制

• 關鍵字選取偏差（Keyword Selection Bias）： 初始僅設定 12 組固定關鍵字，即便我判斷具有相當程度的代表性，但也可能遺漏未涵蓋的新興關鍵字，導致整體母體從採集端即有選擇性偏差。
• 忽略隱性招募管道與頭部企業： 高階或頂尖 AI 職缺常透過 Internal Referral（內推）、Headhunter（獵頭）或 LinkedIn 直接聯繫，不會完全反應在公開人力銀行的搜尋頁面與 API 抓取資料中，還請見諒。

明天預告

知道市場要什麼之後，下一個問題是：這些事，難道不是資料科學家／DevOps／後端本來就在做的嗎？ 明天我們畫責任界面，把兩個新職務與五個既有角色的分工講清楚——包括小團隊裡「一個人扛全部」時該怎麼排優先順序。