鐵人檔案
延續 2021 年鐵人賽《從 AI 落地談 MLOps》的探索，本系列再次追問：「AI 如何真正落地？」並以 4,343 筆 AI 相關職缺為線索，重新檢視企業所需的技術與能力。內容採 MLOps × GenAI Engineering 雙主軸，涵蓋資料與模型管理、自動化部署、監控治理、RAG、模型評測、LLMOps 與 AI Agent。透過可執行的專案串聯觀念與工具，帶領讀者打造可部署、可維護、可觀測的 AI 系統，逐步建立 AI Engineer 所需的工程能力。(開賽截止前再次回歸)
RAG 讓模型「知道」，Agent 讓模型「能做」。今天進入第二常出現的任務訊號（47.6%）。 但我要先講一個可能讓你意外的建議：你需要的多半不是 Agent...
昨天手刻了 ReAct 迴圈，也給了兩個護欄（迭代上限、成本上限）。今天處理讓它能真正上線的三件事：工具怎麼接得可維護、多代理什麼時候值得、怎麼確保它不會闖禍。...
主軸二的最後一個技術主題。前七天我們讓模型「知道」（RAG）、「能做」（Agent），今天讓它「像我們要的樣子」。 我把微調放在最後，是刻意的——因為它是最後才...
今天是合流點。前十六天兵分兩路，從今天起的四天，兩條路的人都要看——因為評測、安全、LLMOps、治理，是兩個職務共同的責任。 而評測是其中最關鍵的：它是「做得...
先拆解一個真實會發生的事故（Day 22 提過，今天完整分析）： 某公司的內部助理具備兩項能力：讀取共享雲端硬碟、寄送郵件。使用者上傳一份廠商報價 PDF，請它...
今天是雙主軸真正交會的一天。 主軸一的讀者：這是 Day 13（延遲與吞吐）在 LLM 上的延伸，你的直覺全部適用，只是數字大一個量級。 主軸二的讀者：這是你...
