鐵人檔案
這是一段學習紀錄。我將以 AI Engineering 為技術骨架，從 Transformer、LLM、Chain-of-thought、Function Calling、Prompt 與 Context Engineering，逐步走到 API、MCP、Skill、GitHub 與個人學習工具實作。沿途記錄我如何用類比建立專有名詞鷹架、用大白話來解釋原理、在撞牆後補足理解，並透過 AI 搜尋、修改、驗證與反思。30 天的主角不只是 AI，更是我們如何重新培養提問、拆解、判斷與持續學習的能力。
知識是一張網，我們卻只能線性地走進去 學習一個新的知識不是一件非常容易的事，因為知識本來的樣子是一張網，每個概念都跟其他概念互相牽連，沒有固定的起點，也沒有固定...
昨天談怎麼學，今天開始拆開 AI 如果你搜尋「AI 怎麼運作」，常見的答案大概有兩種：第一種是「文字接龍」，第二種是「預測下一個 Token」。 這兩句都沒有...
昨天拆開 Transformer，今天來看 GPT 怎麼長大 昨天談到，語言模型的核心工作，是根據前面的 Token 預測下一個 Token。 但這裡很容易產...
昨天把任務放進 Context，今天請 AI 把過程寫出來 昨天談到 GPT-3 時，我們看到一個重要的轉變：模型不一定要重新微調，只要在 Context 裡...
昨天還在看 AI 的內心戲，今天開始聽不懂它在說什麼 前幾天，我們一路談了 Token、Embedding、Transformer、Fine-tuning、I...
昨天整理名詞，今天先拿一個工具出來用 昨天我們把 Agentic AI 想成一次大掃除，也替 Agent、Tool、MCP、RAG 與 Human-in-th...
昨天模型填了工單，今天來看工單為什麼長這樣 昨天談 Function Calling 時，我們看到 AI 可以把自然語言轉成程式能處理的工具請求。 使用者可能...
昨天談格式，今天回到自然語言 昨天談 Markdown、JSON、YAML 與 HTML，目的不是讓每個人突然變成工程師，而是讓人、AI 與程式之間少猜一點。...
昨天學著把工作交代清楚，今天來接受一個現實 昨天談 Prompt Engineering I，我們用 CO-STAR 把背景、目標、風格、語氣、受眾與輸出格式...
從「讓 AI 做好事」到「測試它會不會做錯事」 Day 8 和 Day 9，我們學的是如何把工作交代清楚，再根據結果修改 Prompt，讓 AI 更接近我們想...
