以前最不愛考認證的我，因為在研發單位當主管秉持身先士卒的理念。從ipas ai 規劃師初級自己去考取外，剛好看到google推出免費的Google Gemini Certified Educator 認證教師證書，花了半小時裸考通過。主要為考google gemini 與NotebookLM以及一些相關ai的功能，對現在每天與ai為伍的我算是得心應手，證書有效期限為3年。。
註冊考式網址 https://educertifications.google/
AI coding工具cursor 推出cursor cli – Cursor Agent
今天收到cursor發來的信，推出cursor cli。安裝方法 curl https://cursor.com/install -fsS | bash
安裝後輸入 cursor-agent 執行
官方網址: https://cursor.com/cn/cli
不過目前看來是在wsl環境下，但可以讓cursor agent 跑在像jetbrians這類ide也是不錯。可以讓cursor的威力發揮在更多地方了
企業內架設落地 GPT-OSS-20B 模型
原來習慣使用meta llama 模型，後來OpenAI直接釋出Open Source的 gpt-oss-20B, 就開始改用它當落地模型。
curl --location 'http://xxxx:11434/api/chat' \
--header 'Content-Type: application/json' \
--header 'Accept: application/json' \
--data '{
"model": "gpt-oss:20b",
"messages": [
{"role": "system", "content": "你是一位專業助理，請用繁體中文回覆。"},
{"role": "user", "content": "用三點說明向量資料庫是什麼？"}
],
"stream": false,
"options": {
"temperature": 0.7,
"num_ctx": 8192
},
"keep_alive": "30m"
}'
OpenRouter 作法
curl --location 'https://openrouter.ai/api/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer sk-or-v1-xxxxxx' \
--data '
{
"model": "openai/gpt-oss-20b:free",
"messages": [
{"role": "system", "content": "你是一位專業助理，請用繁體中文回覆。"},
{"role": "user", "content": "用三點說明向量資料庫是什麼？"}
],
"stream": false,
"options": {
"temperature": 0.7,
"num_ctx": 8192
},
"keep_alive": "30m"
搭配 Claudia 的 Claude Code：輕鬆進階的 AI 助手工作流程
結合終端機中的 Claude Code 與可視化桌面應用 Claudia，可同時享有強大 AI 編程能力與友善 GUI 體驗，大幅提升開發效率與可視化管理。
一、什麼是 Claude Code 與 Claudia
Claude Code
-
由 Anthropic 開發的「Agentic 編程工具」，直接嵌入您熟悉的終端機，能透過自然語言指令理解並操作整個程式碼庫，執行測試、修復錯誤、搜尋 git 歷史等任務。
Claudia
-
開源桌面應用（基於 Tauri），為 Claude Code 增添直觀的圖形化介面，整合專案管理、即時使用量儀表板、MCP 伺服器管理與沙盒環境，免去頻繁輸入 CLI 指令的困擾。
二、為何搭配使用？
| 優勢面向 | Claude Code (CLI) | Claudia (GUI) |
|---|---|---|
| 學習曲線 | 低，熟悉 CLI 後快速上手 | 更低，點擊式操作不需記憶指令 |
| 上下文理解 | 直接載入整個專案結構，依賴 CLAUDE.md 最佳化 |
同樣支援 CLAUDE.md，並可視化呈現關鍵內容 |
| 任務自動化 | 鏈結多步驟指令，適合 CI/CD 自動化 | 一鍵執行常用流程，並提供「檢查點」還原功能 |
| 專案管理 | 需手動切換分支、查詢日誌 | Projects 面板一覽所有 Session，點擊即可回顧 |
| 使用量與成本追蹤 | 無內建可視化 | 即時顯示 API 使用量、Token 成本與統計分析 |
| 安全沙盒 | 需手動設定權限 | 內建 seccomp/Seatbelt 沙盒，細粒度權限控管 |
三、安裝指南
-
安裝 Node.js (v18+)，並確認 npm 可用
-
安裝 Claude Code
bashnpm install -g @anthropic-ai/claude-code
驗證：執行
claude --version應顯示版本號。 -
下載並安裝 Claudia
-
方式一：從 GitHub Releases 取得最新的 macOS/Windows/Linux 執行檔
-
方式二（進階用法）：
bashgit clone https://github.com/getAsterisk/claudia.git
cd claudia
yarn install
yarn tauri build
執行後即會開啟可視化介面。
-
四、基本應用範例
-
互動式開發
-
CLI：
claude開啟 REPL，輸入「請幫我新增一個 POST /users API」 -
GUI：在 Claudia 中點擊「New Session」，選擇系統提示，再輸入需求
-
-
除錯與測試
-
CLI：
claude run test自動執行測試並修復失敗測試 -
GUI：在「Timeline」檢視每次測試結果差異，快速回溯錯誤
-
-
版本控制
-
CLI：
claude git merge自動解決衝突 -
GUI：在「Projects」面板切換分支並視覺化比較差異
-
-
自訂 AI 智能體
-
建立
CLAUDE.md記錄專案慣例與常用指令 -
GUI 中匯入/編輯
CLAUDE.md，讓 Claude 記憶專案規範
-
五、進階推薦用法
-
環境優化
-
在專案根目錄放置
CLAUDE.md，記錄測試命令、程式風格與常用工具，讓 Claude 建立持久記憶。
-
-
CI/CD 自動化
-
結合 Claude Code CLI 於 GitHub Actions，於 PR 自動執行程式碼檢查與合併衝突解決。
-
-
多語言支援
-
透過 Claudia MCP 管理器，註冊多個 Model Context Protocol 伺服器，讓 Claude 跨平台、跨服務庫檢索文件。
-
-
團隊協作
-
使用 Claudia 的「檢查點」功能截取多個開發階段，並匯出差異報告，供團隊成員 review。
-
六、結語
將 Claude Code 與 Claudia 結合，既保有終端機指令的靈活與自動化能力，又能享有 GUI 的可視化便捷，適合各種規模與需求的專案。無論是程式新手，或是追求效率的資深開發者，都能透過這套組合顯著提升開發體驗與產出品質。
終端式代理人Claude Code與 Gemini Cli安裝到windows
原本在vscode就裝有github copilot 這個AI 程式寫作的輔助工具，但因為最近終端式的代理從codex cli 到claude code以及最新的gemini cli都太強了！於是想說多二個代理人也不錯～
先記錄一下如何安裝，從最簡單的Gemini Cli (https://github.com/google-gemini/gemini-cli)好了，官方部落格文章在此「Gemini CLI：你的開源 AI 代理」
首先，要先安裝 node.js 版本要20或更高 (下載安裝 https://nodejs.org/en/download )，安裝完成後直接在命令提示字元下輸入
npm install -g @google/gemini-cli
接著輸入
gemini
然後會出現設定與驗證後就可以使用了！
Gemini code完整命令說明
Gemini code說明手冊
接下來要處理比較麻煩的claude code。
目前claude在windows只支援WSL（Windows Subsystem for Linux）模式安裝，所以必需先看一下WSL到底是什麼以及如何使用 WSL 在 Windows 上安裝 Linux ，接著輸入
wsl --install wsl --set-default-version 2 # 確保使用 WSL2 wsl --set-default Ubuntu # 如果有多個版
接著進入wsl
sudo apt update #更新 sudo apt upgrade #升級 sudo apt install nodejs npm #安裝nodejs 跟npm npm install -g @anthropic-ai/claude-code #安裝claude code
安裝完成即可。
https://github.com/getAsterisk/claudia
安裝openai codex
npm i -g @openai/codex
用 LINE Messaging API 打造 MCP 伺服器，c#如何實作
MCP（Model Context Protocol） 是一種協定，讓大型語言模型（LLM）可以與外部系統或服務進行互動，例如查詢資料庫、調用 API 或執行特定功能。其主要目的是解決 LLM 的「幻覺問題」（hallucination），即模型可能基於訓練數據生成不準確的回應。
MCP 的架構分為三個角色：
-
Host：負責接收使用者請求的 LLM 應用程式，例如 Claude 桌面應用程式。
-
Client：Host 的一部分，負責與 MCP server 通信。
-
Server：提供外部功能或資料的服務端，具備工具（Tools）和資源（Resources）。
MCP 的運作流程：
-
Host 啟動時，Client 會向 Server 請求工具清單。
-
根據使用者的輸入，LLM 決定使用哪些工具。
-
Client 調用 Server 的工具，完成功能後回傳結果。
-
Host 整合回應並傳遞給使用者。
應用案例： 可以用 MCP server 與 LINE Messaging API 結合，讓 LLM 發送訊息給 LINE 官方帳號的好友，或根據天氣資訊生成動態內容。
二、C# MVC 範例：簡易 MCP Server
以下是基於 C# ASP.NET Core MVC 實作的一個簡單 MCP Server 範例，實現一個名為 broadcast_message 的工具，用於模擬發送訊息。
1. 建立 Model（工具定義）
// Models/Tool.cs
public class Tool
{
public string Name { get; set; }
public string Description { get; set; }
}
2. 建立 Controller（處理請求）
// Controllers/McpController.cs
using Microsoft.AspNetCore.Mvc;
[ApiController]
[Route("mcp")]
public class McpController : ControllerBase
{
// 模擬工具清單
private static readonly List<Tool> Tools = new List<Tool>
{
new Tool { Name = "broadcast_message", Description = "Send a message to all users" }
};
// Endpoint: tools/list
[HttpGet("tools/list")]
public IActionResult GetTools()
{
return Ok(Tools);
}
// Endpoint: tools/call
[HttpPost("tools/call")]
public IActionResult CallTool([FromBody] dynamic request)
{
string toolName = request.tool;
string message = request.parameters?.message;
if (toolName == "broadcast_message" && !string.IsNullOrEmpty(message))
{
// 模擬訊息廣播
return Ok(new { success = true, message = $"Broadcasted: {message}" });
}
return BadRequest(new { success = false, error = "Invalid tool or parameters" });
}
}
3. 建立 View（測試頁面）
<!-- Views/Home/Index.cshtml -->
<html>
<head>
<title>MCP Test</title>
</head>
<body>
<h1>MCP Server 測試</h1>
<p>訪問 `/mcp/tools/list` 取得工具清單</p>
<p>訪問 `/mcp/tools/call` 測試工具呼叫</p>
</body>
</html>
4. 啟動專案並測試
-
啟動 ASP.NET Core 專案。
-
測試工具清單：
-
用瀏覽器訪問：
http://localhost:5000/mcp/tools/list -
回應：
[ { "name": "broadcast_message", "description": "Send a message to all users" } ]
-
-
測試工具呼叫：
-
用 Postman 或其他工具發送 POST 請求到
http://localhost:5000/mcp/tools/call，Body（JSON）如下：{ "tool": "broadcast_message", "parameters": { "message": "Hello, MCP!" } }
-
回應：
{ "success": true, "message": "Broadcasted: Hello, MCP!" }
-
總結
以上範例展示了如何用 C# MVC 實現一個簡單的 MCP Server，包含工具清單和工具調用功能，適用於理解 MCP 的基本概念與運作方式。
參考連結
中臺科技大學資訊管理系第21屆畢業專題成果展
能夠與中臺科技大學結緣，主是因為國泰電腦的李信宏總經理的關係，因為李總在DELPHI的造詣以及醫療系統、檢驗系統開發的成就，因為李總沒空的原因，再加上一直習慣透過部落格記錄問題解決方式，在十多年前就與李桂春老師、王國安老師持續合作，從還沒重新到公司就職，就以個人開發工作室的名義擔任產業學院的講師，因此有了五年左右的講師經驗~後來因為工作的關係，就逐漸減少上課的時間，專心在系統開發架構以及人工智慧相關技術的學習以及鑽研。
最近因為王國安老師接下系主任的原因，身為老朋友的關係，當然就是意氣相挺 🙂 也趁著特休假稍微放鬆一下，且持續與年輕人有一定的互動與瞭解，也讓自己在管理上可以有更多瞭解。於是今天又擔任了評審~ 🙂 這次有VR、NO-CODE、AI等元素，也是挺不錯的體驗。
高度模擬Notebooklm語音摘要功能，使用Google Gemini 與Google AI Studio實作
前陣子Notebooklm的語音摘要由原本的英語，增加了繁體中文的語音摘要功能。讓許多人對這功能感到驚艷~於是想想是不是可以自己做出來，首先先向google Gemini 打聽一下Notebooklm voice overview的提示詞是什麼?
起手式，先試探性的問一下提示詞是什麼
然後，換個方式問說可不可以模擬撰寫提示詞，於是生出來第一版本
你是一個強大的多模態模型，專精於理解和總結文本及音訊資訊，並以引人入勝的對話形式呈現。你的任務是根據以下提供的文本資料，生成一段由兩位虛擬主持人（稱為「主持人 A」和「主持人 B」）進行的語音摘要腳本。
**目標：**
1. **全面理解：** 深入理解提供的文本資料的核心主題、關鍵論點和重要細節。
2. **精準總結：** 以簡潔明瞭的方式總結資料的精華內容。
3. **對話呈現：** 將總結的內容融入兩位主持人之間的自然對話中，使其聽起來像一個資訊豐富的 Podcast 片段。
4. **突出重點：** 在對話中清晰地標示和討論資料中最關鍵的發現或結論。
5. **保持流暢：** 確保對話的流暢性和連貫性。**指令：**
* 仔細閱讀並分析以下提供的文本資料：
“`
[在此插入使用者提供的文本資料]
“`
* 基於對文本的理解，構思一段由「主持人 A」和「主持人 B」進行的對話腳本。
* 腳本應包含兩位主持人的發言，清晰標註說話者（例如：「主持人 A：」、「主持人 B：」）。
* 對話應涵蓋文本的核心內容，並以易於聽眾理解的方式呈現。
* 鼓勵在對話中進行提問、回答、解釋和相互補充，以增強資訊的傳達效果。
* 腳本的長度應適中，能夠在合理的時間內概括文本的主要內容。**範例對話風格 (僅供參考)：**
主持人 A：歡迎收聽今天的內容摘要。我們今天要討論的是一份關於 [文件主題] 的文件。主持人 B，你覺得這份文件的主要發現是什麼？
主持人 B：你好！是的，[主持人 A]。我認為這份文件最關鍵的地方在於 [核心發現 1]。它指出 [對核心發現 1 的簡要解釋]。
主持人 A：這很有意思。那麼，這對 [相關領域/概念] 有什麼影響呢？
主持人 B：根據文件，這可能意味著 [影響的解釋]。此外，文件中還提到了 [核心發現 2]，這也值得我們關注…
**請根據以上指令和提供的文本資料，撰寫完整的語音摘要腳本。**
有了提示詞後，來試試把POS系統的規格書丟進去
產生後，就把內文丟到google ai studio中的 Generate Media→Generate speech新功能
依照下面步驟
1 把gemini 產生的腳本貼到 1的地方
2 如果符合規格(預設是speaker 1 / speaker 2)的話，2就會自動轉換
3 模型是Gemini 2.5 flash preview TTS
4 選Multi-Speaker Audio
5 可以選speaker 1/2的聲音(下拉)
6 都完成後就可以按run 就可以產生了
ipas ai 規劃師中級考試規劃
iPAS AI 規劃師中級考試規劃指南
考試概述
考試目的與意義
經濟部推動的iPAS AI規劃師中級認證旨在培育人工智慧應用領域專業人才，認證資格獲得包含台灣水泥、東和鋼鐵等超過200家企業認可。此認證不僅驗證專業能力，更是企業徵才時的重要參考依據，根據1111人力銀行調查，獲證者平均薪資較同儕高出15%。
認證資格要求
考生需具備大專以上學歷並有1年相關工作經驗，或完成指定培訓課程。特別值得注意的是，通過初級認證者可豁免部分學歷限制，此設計主要考量實務經驗價值。具體資格審查標準可參考經濟部發證規範。
考試科目與內容
中級考試包含「AI系統規劃設計」與「產業應用實務」兩大科目，涵蓋機器學習模型部署、數據治理架構設計等進階內容。其中實務操作題佔比達40%，要求考生在模擬情境中完成完整AI解決方案設計。最新考試範圍可於能力鑑定相關檔案下載。
備考策略
推薦學習資源
官方指定教材《AI系統架構實務手冊》需精讀3遍以上，搭配工研院產業學院的線上數位課程效果更佳。實戰演練建議使用阿摩線上測驗的模擬題庫，其收錄歷屆考題解析與即時錯誤分析功能，能有效提升應試能力。
時間管理與學習計劃
建議採取「433法則」分配備考時間：40%用於基礎理論研讀，30%進行實作演練，30%用於模擬測試。考前兩週應進入衝刺階段，每日至少進行1次完整模擬考。根據考生心得分享，建立錯題本記錄常犯錯誤能提升30%複習效率。
模擬考試與練習題
官方每年發布3次模擬試題，建議搭配第三方題庫進行交叉練習。特別注意時事題型佔比逐年增加，需定期追蹤專區最新消息掌握產業動態。
考試當日準備
考試流程與注意事項
需攜帶雙證件正本與准考證，提前30分鐘完成報到。電腦應試系統提供標記功能，建議先快速瀏覽全卷再作答。特別注意實作題需完整呈現設計邏輯，根據測驗前注意事項，未儲存中間過程將影響部分得分。
心理準備與壓力管理
考前失眠屬正常現象，可透過「478呼吸法」調節緊張情緒。試場提供耳塞應對環境干擾，建議平時練習即模擬考場環境。多位合格考生建議攜帶薄荷精油幫助提神醒腦。
常見問題解答
成績複查需於公布後7日內申請，補考可選擇單科重測。證書有效期3年，續證需累計60小時研習時數。詳細授證規範請參閱測驗後相關事項。
結論
iPAS AI規劃師中級認證已成為產業轉型關鍵人才指標，透過系統化學習與實務演練，配合有效時間管理，多數考生能在3-6個月內完成準備。建議結合官方資源與實戰題庫，並定期參與認證培訓機構舉辦的模擬考，以掌握最新命題趨勢。