AI 系列 Roadmap
這份文件是 AI 系列的完整規劃，不會被 Quartz 渲染（沒有 frontmatter）。用來追蹤進度和規劃內容。
系列定位
涵蓋 AI 完整知識體系——從完全不懂到能落地應用。分成 7 個區塊（A~G），每個區塊有自己的目標受眾和學習目標。
學習路線
路線 1：AI 使用者（不寫 code）
A 全部 → B-01~B-03 → G 挑自己的職業
路線 2：AI 應用工程師
A 速讀 → B 全部 → C 全部 → D 全部
路線 3：AI Agent 開發者
路線 2 → E 全部
路線 4：AI 導入決策者
A 全部 → C 速讀 → F 全部 → G 全部
A 區：AI 認知基礎（零技術門檻）
目標：建立正確的 AI 世界觀，不需要任何技術背景 受眾：完全不懂 AI 的人 狀態：✅ 已完成
| # | 檔名 | 主題 | 狀態 |
|---|---|---|---|
| a01 | a01-what-is-ai.md | AI 到底是什麼？你每天都在用，只是不知道 | ✅ |
| a02 | a02-what-ai-can-do.md | AI 能幫你做什麼？按場景全部列給你 | ✅ |
| a03 | a03-what-ai-cannot-do.md | AI 不能做什麼？這些限制你一定要知道 | ✅ |
| a04 | a04-ai-tools-overview.md | AI 工具全景：ChatGPT、Claude、Gemini 到底選哪個？ | ✅ |
| a05 | a05-first-ai-conversation.md | 第一次跟 AI 對話就上手：怎麼問才問得好 | ✅ |
| a06 | a06-ai-daily-tasks.md | 用 AI 處理日常工作：10 個你今天就能用的場景 | ✅ |
| a07 | a07-ai-safety-basics.md | AI 安全常識：這些東西千萬不要餵給 AI | ✅ |
| a08 | a08-ai-and-your-career.md | AI 會取代我的工作嗎？冷靜分析各職業的影響 | ✅ |
B 區：Prompt 與使用技巧
目標：從「會問問題」到「能設計出穩定可重複的 prompt」 受眾：已經會用 AI 工具，想用得更好的人 狀態：📋 規劃中 可對應現有文章：05（Prompt Engineering）可作為 b01 的工程師版
| # | 檔名 | 主題 | 狀態 |
|---|---|---|---|
| b01 | b01-prompt-basics.md | Prompt Engineering 基本功 | 📋 |
| b02 | b02-advanced-prompt.md | 進階 Prompt 技巧 | 📋 |
| b03 | b03-prompt-templates.md | 不同任務的 Prompt 模板 | 📋 |
| b04 | b04-prompt-evaluation.md | Prompt 的評估與迭代 | 📋 |
| b05 | b05-multimodal-prompt.md | 多模態 Prompt：圖片、語音、影片 | 📋 |
C 區：AI 核心技術概念
目標：不用自己訓練，但要聽得懂技術會議、看得懂文件 受眾：想理解原理的人（PM、技術主管、轉職者） 狀態：📋 規劃中 可對應現有文章：01（AI 全景）→ c01~c03 拆分改寫、01-2（術語）→ c01/c02、01-3（Fine-tuning vs RAG）→ c04
| # | 檔名 | 主題 | 狀態 |
|---|---|---|---|
| c01 | c01-token-embedding.md | Token、Embedding、向量：AI 怎麼理解文字 | 📋 |
| c02 | c02-model-parameters.md | Temperature、Top-p、Context Window | 📋 |
| c03 | c03-model-size.md | 模型大小與能力的關係 | 📋 |
| c04 | c04-finetuning-rag-prompt.md | Fine-tuning vs RAG vs Prompt Engineering | 📋 |
| c05 | c05-how-models-train.md | AI 模型怎麼訓練的（非技術版） | 📋 |
| c06 | c06-open-vs-closed.md | 開源 vs 閉源模型 | 📋 |
| c07 | c07-multimodal.md | 多模態模型：不只文字 | 📋 |
D 區：AI 工程實作
目標：能串 API、建系統、上線服務 受眾：工程師 狀態：📋 規劃中 對應 Repo：
ai-examples/（待建立） 可對應現有文章：02~03（RAG）→ d02/d03、03-2（n8n）→ d08、20/22（Flowise）→ d09
Repo 結構規劃
ai-examples/ ← 新建 GitLab repo
├── README.md ← 總覽 + 對應 blog 文章連結
├── 01-llm-api/ ← Python + TypeScript，OpenAI/Anthropic SDK
│ ├── python/
│ ├── typescript/
│ └── README.md
├── 02-rag/ ← Chunking、向量 DB、檢索測試
├── 03-backend/ ← API Gateway、retry、streaming、queue
├── 04-fine-tuning/ ← 資料準備、LoRA 設定、eval
├── 05-local-deploy/ ← Ollama/vLLM docker-compose、benchmark
├── 06-workflow/ ← n8n flow JSON、LangGraph 範例
├── 07-testing/ ← Prompt 測試、eval framework
└── 08-agent/ ← Single → Multi-Agent 漸進範例
每個子目錄的 README 寫清楚：前置條件、怎麼跑（一個指令）、對應的 blog 文章連結。
文章列表
| # | 檔名 | 主題 | Repo 對應 | 狀態 |
|---|---|---|---|---|
| d01 | d01-calling-llm-api.md | 呼叫 LLM API：第一支 AI 程式 | 01-llm-api/ | 📋 |
| d02 | d02-rag-complete.md | RAG 架構完全攻略 | 02-rag/ | 📋 |
| d03 | d03-rag-advanced.md | RAG 進階：搜尋策略與品質調校 | 02-rag/ | 📋 |
| d04 | d04-backend-model-integration.md | 後端怎麼跟模型互動 | 03-backend/ | 📋 |
| d05 | d05-fine-tuning.md | Fine-tuning 實戰 | 04-fine-tuning/ | 📋 |
| d06 | d06-local-deployment.md | 本地部署模型 | 05-local-deploy/ | 📋 |
| d07 | d07-ai-backend-architecture.md | AI 應用的後端架構 | 指向 micro-service/ | 📋 |
| d08 | d08-workflow-automation.md | 工作流自動化 | 06-workflow/ | 📋 |
| d09 | d09-nocode-lowcode.md | No-code/Low-code AI 工具 | — | 📋 |
| d10 | d10-ai-testing.md | AI 應用的測試策略 | 07-testing/ | 📋 |
| d11 | d11-prompt-versioning.md | Prompt 版本管理 | — | 📋 |
| d12 | d12-model-versioning.md | 模型版本與切換策略 | — | 📋 |
| d13 | d13-quality-monitoring.md | AI 輸出的品質監控 | — | 📋 |
| d14 | d14-ai-sla.md | AI 服務的 SLA 設計 | — | 📋 |
E 區：AI Agent 與自動化
目標：設計和建造能自主行動的 AI 系統 受眾：進階工程師 狀態：📋 規劃中 可對應現有文章：09（Agent 設計模式）→ e01、09-2（記憶與錯誤）→ e02/e06、07~08-2（工具/MCP）→ e05、06（Coding Assistant）→ e07、07-2（建 Bot）→ e08
| # | 檔名 | 主題 | Repo 對應 | 狀態 |
|---|---|---|---|---|
| e01 | e01-agent-patterns.md | AI Agent 是什麼？從 Chatbot 到自主行動 | 08-agent/ | 📋 |
| e02 | e02-agent-memory.md | Agent 的記憶系統設計 | 08-agent/ | 📋 |
| e03 | e03-tool-use.md | Tool Use 與 Function Calling | 08-agent/ | 📋 |
| e04 | e04-multi-agent.md | Multi-Agent 架構 | 08-agent/ | 📋 |
| e05 | e05-mcp.md | MCP 協定與生態 | — | 📋 |
| e06 | e06-agent-reliability.md | Agent 的錯誤處理與可靠性 | — | 📋 |
| e07 | e07-coding-assistants-deep.md | AI Coding Assistant 深入 | 指向 openclaw | 📋 |
| e08 | e08-build-your-assistant.md | 建造你自己的 AI 助理 | 指向 openclaw | 📋 |
F 區：AI 落地與轉型
目標：把 AI 導入既有系統和組織 受眾：決策者、架構師、技術主管 狀態：📋 規劃中 重點：管理與標準是最難也最有價值的部分 可對應現有文章：方法論 1
5（09-ai-tools-workflow）→ 拆分整合進 f01f08
| # | 檔名 | 主題 | 狀態 |
|---|---|---|---|
| f01 | f01-legacy-system-ai.md | 傳統系統 AI 化：從哪裡開始？ | 📋 |
| f02 | f02-integration-patterns.md | 既有系統接 AI 的架構模式 | 📋 |
| f03 | f03-cost-calculation.md | AI 導入的成本計算 | 📋 |
| f04 | f04-common-failures.md | AI 專案的常見死法 | 📋 |
| f05 | f05-data-strategy.md | 資料策略：AI 的燃料 | 📋 |
| f06 | f06-team-building.md | AI 團隊怎麼組？ | 📋 |
| f07 | f07-compliance.md | AI 合規與治理 | 📋 |
| f08 | f08-metrics.md | AI 導入的度量指標 | 📋 |
管理與標準重點規劃
F 區真正難的不是技術，是管理和標準化：
D 區補充的工程標準：
- d10：AI 應用的測試策略（prompt regression test、eval dataset、CI 整合）
- d11：Prompt 版本管理（version control、A/B test、rollback）
- d12：模型版本與切換策略（breaking change、fallback、成本控制）
- d13：AI 輸出的品質監控（量化品質、alerting、人工抽檢）
- d14：AI 服務的 SLA 設計（latency budget、token 預估、限流）
F 區的管理面：
- f04：AI 專案常見死法（需求不清、資料爛、沒 eval、期望管理失敗）
- f05：資料策略（資料品質標準、標註流程、清洗 pipeline、隱私脫敏）
- f06：AI 團隊組建（ML Engineer vs AI Engineer vs Prompt Engineer）
- f07：AI 合規治理（EU AI Act、台灣 AI 基本法草案、企業內部規範）
- f08：度量指標（效率提升、錯誤率、使用者滿意度、ROI）
G 區：產業與職業衝擊
目標：理解 AI 對各行各業的實際影響 受眾：所有人 狀態：📋 規劃中
| # | 檔名 | 主題 | 狀態 |
|---|---|---|---|
| g01 | g01-engineer-meets-ai.md | 軟體工程師遇到 AI | 📋 |
| g02 | g02-pm-designer-meets-ai.md | PM/設計師遇到 AI | 📋 |
| g03 | g03-marketing-meets-ai.md | 行銷/內容創作遇到 AI | 📋 |
| g04 | g04-industry-meets-ai.md | 金融/醫療/製造遇到 AI | 📋 |
| g05 | g05-manager-meets-ai.md | 管理者遇到 AI | 📋 |
| g06 | g06-learning-strategy.md | AI 時代的學習策略 | 📋 |
現有文章歸類對應
| 現有文章 | 新歸入 | 動作 |
|---|---|---|
| 01 AI 全景 | C 區 c01~c03 | 拆分改寫，原文保留 |
| 01-2 ~ 01-5 | C 區各篇 | 大致對應 |
| 02 ~ 02-3 RAG | D 區 d02~d03 | 直接沿用 |
| 03 ~ 03-2 工作流 | D 區 d08 | 直接沿用 |
| 04 工具比較 | A 區有入門版（a04），原文為工程師版 | 沿用 |
| 05 Prompt | B 區有入門版，原文為工程師版 | 沿用 |
| 06 Coding Assistants | E 區 e07 | 直接沿用 |
| 07 ~ 08-2 工具生態/MCP | E 區 e05, e08 | 直接沿用 |
| 09 ~ 09-2 Agent | E 區 e01, e02, e06 | 直接沿用 |
| 10 安全 | A 區有入門版（a07），原文為進階版 | 沿用 |
| 11 ~ 17 Claude Code | 保持 Claude Code 子系列 | 不動 |
| 18 ~ 22 工具實測 | D 區 d09 + 獨立實測 | 直接沿用 |
| 方法論 1~5 | F 區 | 改寫整合 |
資料夾結構
維持 ai/ 單一資料夾 + 前綴分區，不拆子目錄：
ai/
├── index.md ← 總覽 + roadmap
├── ROADMAP.md ← 本文件（計畫追蹤，不會渲染）
├── a01-*.md ~ a08-*.md ← A 區：認知基礎（✅ 已完成）
├── b01-*.md ~ b05-*.md ← B 區：Prompt 技巧（📋 規劃中）
├── c01-*.md ~ c07-*.md ← C 區：技術概念（📋 規劃中）
├── d01-*.md ~ d14-*.md ← D 區：工程實作（📋 規劃中）
├── e01-*.md ~ e08-*.md ← E 區：Agent（📋 規劃中）
├── f01-*.md ~ f08-*.md ← F 區：落地轉型（📋 規劃中）
├── g01-*.md ~ g06-*.md ← G 區：產業衝擊（📋 規劃中）
├── 01-*.md ~ 22-*.md ← 現有文章（不動）
├── 09-ai-tools-workflow*.md ← 方法論系列（不動）
└── images/ ← 所有文章的配圖
URL 影響：零。 舊文章檔名不動，新文章用新前綴。
總量估計
| 區塊 | 篇數 | 狀態 |
|---|---|---|
| A 認知基礎 | 8 | ✅ 已完成 |
| B Prompt 技巧 | 5 | 📋 規劃中 |
| C 技術概念 | 7 | 📋 規劃中 |
| D 工程實作 | 14 | 📋 規劃中 |
| E Agent | 8 | 📋 規劃中 |
| F 落地轉型 | 8 | 📋 規劃中 |
| G 產業衝擊 | 6 | 📋 規劃中 |
| 新增合計 | 56 | 8/56 完成 |
| 現有文章 | 27 | ✅ 保留 |
| 系列總計 | 83 | — |
建議撰寫優先順序
A 區（認知基礎）← 已完成- B 區（Prompt 技巧）← 填補 A→C 之間的銜接
- C 區（技術概念）← 為 D 區打基礎
- D 區（工程實作）← 需要同步建 ai-examples repo
- F 區（落地轉型）← 管理面，可以跟 D 區平行寫
- E 區（Agent）← 可以引用 openclaw 實戰經驗
- G 區（產業衝擊）← 觀點型文章，隨時可以穿插寫