AI application & data integration sprint
14 天先修後，沿 8 週完成一個主作品
這不是另一套課程。 首頁的 28 堂進階教材已依先備知識分配到 W1–W8；每週先完成對應教材，再把同一批技能做進「企業 IT／設備維運知識與工單 Copilot」。
目前週次
W01
尚未設定日期
One learning route
14 天基礎先修 → 8 週／28 堂進階教材 → Copilot 主作品
基礎先修用 D1–D14；進階教材用 L1–L28；本頁每週實作仍用週內 D1–D6。三種標記各有用途，但學習順序只有這一條。
正在確認這台裝置的課程進度
下方 8 週內容可先預覽，不會因此修改首頁課程進度。
回到課程首頁
選擇週次
每週先完成標示的 L 教材，再做六個主作品任務、角色成果、逐題演算法證據與三個能力閘門。內容版本 v4；舊版 W4–W8 任務不會冒充新版完成，筆記與評量草稿仍會保留。
- NO AI 熱身20 分鐘演算法
- 核心學習45 分鐘主題實作
- 作品累積20 分鐘專案整合
- 輸出檢核5 分鐘口頭解釋
主線定位與面試合格標準
主線是 AI 應用與資料整合工程師；不是等全部學完才投，而是每週用同一個 Copilot 留下可驗證證據。
9 項技能／面試合格標準能獨立做、能說明、能驗證，才算學會核心
| 技能 | 面試合格標準 |
|---|---|
| 1. Python | 能用 API 取得資料，完成清理、驗證、資料庫寫入、例外處理與 logging。 |
| 2. SQL | 能獨立寫 JOIN、GROUP BY、CTE、Window Function，並處理 NULL、去重與索引判讀。 |
| 3. REST API | 能解釋 HTTP、JSON、status code，並以 FastAPI／Pydantic 實作驗證與查詢。 |
| 4. Git／Linux | 能操作 branch、commit、merge，並從 process、環境變數與 log 排查問題。 |
| 5. Docker | 能寫 Dockerfile／Compose，讓 API 與資料庫用一個指令啟動。 |
| 6. 資料工程 | 能設計 ETL、資料驗證、冪等、排程、retry 與版本紀錄。 |
| 7. RAG | 能說清楚 chunk、metadata、embedding、retrieve、rerank、citation 與 refusal。 |
| 8. AI 評測 | 能用固定測試集量測檢索、引用、正確率、延遲與失敗，而不是只看幾題 demo。 |
| 9. Agent 可靠性 | 能處理 tool calling、JSON schema、timeout、retry、權限與 HITL。 |
5 類投遞方向主線優先，相鄰方向以同一作品證明能力投遞
- 主投：AI 應用、AI workflow、RAG、AI 評測與 AI QA。
- 平行投遞：資料整合、Python、後端整合與自動化工程。
- 產業切入：半導體 IT、製造資料、設備自動化與企業 AI 導入。
- 條件式評估：AIoT solution 職缺只有在工作包含部署、API、Linux 與 debug 時才值得投。
- 備用方向：GIS 全端只有在確實撰寫 API、DB 與 frontend 時才列入。
不列入主投：純 GIS／圖資、行政助理與人工 QA。
Copilot 的 8 項作品要求唯一作品，不再分散做 Todo API 或無證據聊天機器人作品
- 設備文件與去識別化工單匯入 PostgreSQL，保留來源、版本與處理狀態。
- 用 pgvector 建立會回傳引用來源、證據不足時會拒答的 RAG。
- 以 FastAPI 提供設備知識查詢與工單草稿 API。
- Agent 只允許 allowlist 內的唯讀 SQL／API 工具。
- 任何寫入或關閉工單前都必須經 HITL 明確確認並留下稽核紀錄。
- 建立固定版本的 50 題測試集，涵蓋可回答、無答案、錯誤來源、惡意提示與服務失敗。
- 報告 retrieval、citation、task success、latency 與 failures，不只展示成功畫面。
- 提供 Docker、README、實作一致的架構圖與三分鐘 demo。
AI 使用 5 原則與暫不優先項目AI 可以加速，但不能取代你對結果負責界線
AI 使用原則
- AI 產生的內容，自己必須能說明。
- 關掉 AI 後，能修改需求並完成核心功能。
- 能閱讀 log，自行定位錯誤。
- 使用 AI 後仍要補測試。
- 能解釋設計選擇、限制與取捨。
目前暫不優先
- PyTorch／CUDA／從零訓練模型與複雜 fine-tune。
- Kubernetes、多 Agent 與 LeetCode Hard。
- 同時學多套前端框架或多種新語言。
Curated learning library
先看一套，再動手做。
這裡只放能直接跟練的免費資源。影片負責建立概念，真正的完成條件仍是把內容做進企業 IT／設備維運 Copilot。
資源狀態
0 / 0
已看完並留下練習成果
影片與播放清單
標示週次是建議時機；同主題只選一個主資源。新增的 pgvector／Agent 連結核對於 2026-08-17，其餘既有連結核對於 2026-08-16。
No-AI readiness check
用 90 分鐘，確認自己能不能上場。
W2 只做 Python／SQL 基準且不計 100 分；W4、W6、W8 各自保留一份草稿與保存紀錄。所有紀錄都依目前主線分開，不會沿用其他角色的主線分數。
基準模式
—
W2 不判定及格
Assessment record
選擇這次驗收
W2 是基準；W4、W6、W8 才使用 100 分門檻。修改後先存為草稿，確認證據完整再保存。
尚未建立草稿
不同職缺通常怎麼考
實際流程依公司而異；這張表用來決定你的準備比例。
| 職涯方向 | 高機率考點 | 你要拿出的證據 |
|---|---|---|
| AI 應用與資料整合（主線） | Python、SQL、資料管線、RAG、pgvector、AI 評測、tool calling 與 HITL | 有引用、可拒答、50 題評估集與稽核紀錄的工單 Copilot |
| 資料整合／資料工程 | SQL、ETL、資料品質、冪等、retry、版本與 pipeline 設計 | 可重跑 ingestion、對帳查詢、來源版本與失敗紀錄 |
| Python 後端整合 | REST、Pydantic、PostgreSQL、狀態碼、錯誤處理與 Docker | 可啟動的 Copilot FastAPI、資料庫 migration 與 API 測試 |
| 測試自動化（次要） | pytest、API 測試、mock、AI 輸出與資料品質驗證 | 以同一作品的回歸測試與評測失敗報告作證據，不另做 SDET 作品 |