
因緣際會下剛好報名到免費班的課程
工研院請了林文璨 蔡鴻德兩位老師教授ipas ai應用規劃師初級考試的課程 以淺顯易懂的方式教授以及考試前猜題

大型網站架構..net 架構師.rabbitMQ.redis.行動開發.APP開發教學.PHP Laravel開發..net core C# 開發.架構師之路.Delphi開發.資料庫程式.進銷存.餐飲POS系統

因緣際會下剛好報名到免費班的課程
工研院請了林文璨 蔡鴻德兩位老師教授ipas ai應用規劃師初級考試的課程 以淺顯易懂的方式教授以及考試前猜題



iPAS(Industry Professional Assessment System)是由經濟部核發的專業認證體系,旨在因應產業數位轉型需求,培育AI應用規劃人才。此認證結合產官學界共同制定能力標準,針對企業在人工智慧領域的實際需求,設計出初級與中級兩大認證級別。根據104人力銀行數據,2025年AI應用規劃師已躍升熱門證照榜首,顯示其市場認可度。
取得此證照可獲得企業優先面試與加薪機會,初級證書永久有效,中級證照則需每五年透過累積48小時AI相關訓練換證。從企業認同名單可見,包含科技製造、金融服務等產業皆將此認證列為人才評核標準。對於非技術背景者,初級認證能快速建立AI工具應用能力;技術人員則可透過中級認證強化系統整合與風險管理專業。
分為初級(Associate)與中級(Specialist)兩級。初級側重基礎概念與工具應用,適合行政、行銷等非技術職;中級要求技術實作能力,需具備AI系統部署經驗。考試形式皆為電腦測驗,初級含兩科共100題單選題,中級則擴充至三科150題,並增加情境分析題型。

包含「人工智慧基礎概論」與「生成式AI應用與規劃」兩大科目。前者涵蓋AI技術演進、資料處理流程與歐盟AI法案基礎知識;後者聚焦No Code工具應用、生成式AI風險評估。根據114年度簡章,初級特別強調「AI導入評估規劃」實務,需掌握SWOT分析與效益計算技巧。
擴展至「人工智慧技術應用與規劃」、「大數據處理分析與應用」、「機器學習技術與應用」三科目。重點在於系統整合能力,例如使用Python進行資料清洗、設計AI模型部署架構。從職能基準文件可見,中級要求能制定AI技術規範準則,並解決部署過程中的跨系統相容問題。
初級多為概念判斷題,如:「下列何者屬於生成式AI的倫理風險?」;中級則出現情境模擬題,例如給定企業營運數據,要求規劃AI導入階段與資源配置。官方提供的考試樣題顯示,約15%題目涉及法規應用,需熟悉台灣AI指引與國際規範的差異。

經濟部產業發展署提供AI三日班公版教材,涵蓋機器學習流程圖解與案例研討。另可下載歷屆模擬試題,其中「生成式AI工具比較表」與「風險評估矩陣模板」為熱門備考素材。建議搭配產業節能減碳資訊網的實務案例進行跨領域學習。
第三方資源如CCChen的模擬題庫提供超過200題情境演練,特別強化「No Code平台特性判斷」與「模型監控指標計算」等易錯題型。考生反應實際考試中,約30%題目與Vocus平台的題型高度相似,建議重點練習資料處理流程圖解題。
初級考生應採取「科目二優先」策略,因生成式AI應用分數佔比達45%,且可透過工具操作影片快速提升。中級備考需建立「技術日誌」,記錄AI模型調參過程與部署障礙排除經驗。無論級別,都需熟讀EU AI Act的高風險應用分類,此部分在近兩次考試皆出現5-8題。
iPAS AI應用規劃師認證已成為企業數位轉型的人才評核標準,初級適合跨領域工作者建立AI思維,中級則培養技術整合能力。備考關鍵在於掌握官方教材的實務框架,並透過模擬題強化情境判斷。隨著114年度第三次考試即將登場,建議考生及早規劃3個月以上的系統性準備期。
參考文獻
身為前端開發者,每天都在與DOM (文件物件模型) 打交道,它就像是網頁的骨架,讓開發者能夠操控頁面上的各種元素。不過,在眾多DOM API中,藏著許多鮮為人知但非常實用的方法。
這個方法能夠檢測元素是否「真正可見」,不只是存在於DOM中而已。它考慮了多種因素:
// 簡單範例
if (myElement.checkVisibility()) {
// 元素真的被看到了,執行相應操作
}
一種高效能遍歷DOM樹的方式,採用「迭代器模式」設計。想像它就像是一個聰明的導遊,可以按照您的要求有序地帶您參觀DOM樹的各個節點。
相比於 querySelectorAll,TreeWalker在處理超大型DOM樹時更省記憶體,因為它不會一次性把所有匹配的節點都載入記憶體。
// 建立一個只遍歷段落元素的TreeWalker
const walker = document.createTreeWalker(
document.body, // 從body開始
NodeFilter.SHOW_ELEMENT, // 只看元素節點
{
acceptNode(node) {
return node.tagName === 'P'
? NodeFilter.FILTER_ACCEPT
: NodeFilter.FILTER_SKIP;
}
}
);
// 逐一訪問每個段落元素
let currentNode;
while (currentNode = walker.nextNode()) {
console.log(currentNode.textContent);
}
這個方法能精確判斷兩個節點的「位置關係」,就像是網頁元素的GPS定位系統。
// 實用範例:確定拖放元素的插入位置
function determineDropPosition(draggedElem, targetElem) {
const position = draggedElem.compareDocumentPosition(targetElem);
if (position & Node.DOCUMENT_POSITION_FOLLOWING) {
return '目標元素在被拖動元素之後';
} else if (position & Node.DOCUMENT_POSITION_PRECEDING) {
return '目標元素在被拖動元素之前';
}
}
一個聰明的捲動功能,只有當元素不在視窗中時才會自動捲動,避免不必要的頁面跳動。
傳統的 scrollIntoView() 會無條件捲動到元素位置,而 scrollIntoViewIfNeeded() 則更加智能,避免了過度捲動帶來的使用體驗問題。
// 使用範例:點擊目錄項時,智能捲動到對應章節
catalogItem.addEventListener('click', () => {
// 只有當章節不在視窗內時才捲動
document.getElementById(chapterId).scrollIntoViewIfNeeded();
});
這是一個比 appendChild 更靈活的元素插入方法,讓您能精準控制插入的位置。
// 實用範例:在表單每個輸入框後加入提示訊息
const helpText = document.createElement('small');
helpText.textContent = '請輸入有效的電子郵件地址';
inputElement.insertAdjacentElement('afterend', helpText);
這是一個處理文字區域的神器,能用指定的元素將選中的內容包裹起來。
// 實現高亮功能
function highlightText(text) {
const range = document.createRange();
const selection = window.getSelection();
if (selection.rangeCount > 0) {
range.setStart(selection.anchorNode, selection.anchorOffset);
range.setEnd(selection.focusNode, selection.focusOffset);
const highlight = document.createElement('mark');
highlight.style.backgroundColor = 'yellow';
try {
range.surroundContents(highlight);
} catch(e) {
console.log('選區跨越多個節點,無法直接包裹');
}
}
}
這個方法能深度比較兩個節點是否「結構相同」,就像比較兩棵樹的形狀是否一致。
它只比較節點的結構和屬性,不會比較動態綁定的事件處理器等內容。這與 === 比較參考是否相同完全不同。
// 實用範例:檢查模板渲染後結構是否符合預期
const expectedStructure = document.createElement('div');
expectedStructure.innerHTML = '';預期結構
const renderResult = myTemplateEngine.render(data);
if (expectedStructure.firstChild.isEqualNode(renderResult.firstChild)) {
console.log('渲染結果符合預期結構!');
}
這是XPath表達式的預編譯功能,能大幅提升反覆使用同一XPath查詢的效能。
// 預編譯XPath表達式
const compiledXPath = document.createExpression(
'//table[@id="data-table"]/tbody/tr[position() < 10]'
);
// 多次執行同一查詢而無需重複解析
function updateTable() {
const result = compiledXPath.evaluate(
document,
XPathResult.ORDERED_NODE_SNAPSHOT_TYPE,
null
);
for (let i = 0; i < result.snapshotLength; i++) {
const row = result.snapshotItem(i);
// 處理前10行資料
}
}
這些鮮為人知的DOM API能讓您的前端代碼更加優雅高效。不過在實際應用時,請注意以下幾點:
checkVisibility)需要較新的瀏覽器支援(Chrome 106+)掌握這些實用技巧,您的前端開發效率將得到顯著提升!您有用過這些API嗎?歡迎在評論區分享您的經驗和其他實用技巧。

一、安裝Claude桌面版程式 ( https://claude.ai/download )
二、開啟 開發人員模式
三、確定有安裝node (透過cmd node –version ), 接著claude_desktop_config.json設定
{
"mcpServers": {
"filesystem": {
"command": "npx",
"args": [
"-y",
"@modelcontextprotocol/server-filesystem",
"C:\\Users\\你自己的使用者名稱\\Desktop",
"C:\\Users\\你自己的使用者名稱\\Downloads"
]
}
}
}
四、重啟claude 就可以調用Filesystem MCP Server
![]()

延伸資料:
https://docs.anthropic.com/zh-TW/docs/agents-and-tools/mcp 模型上下文協議 (MCP)
https://modelcontextprotocol.io/introduction
最近公司交付了一個新的任務,起因是大家都知道工程師最討厭的是寫文件,於是就想起了可不可以用ai寫文件這件事
於是開始了研究這條路,等到prompt都差不多後,主管們又說可不可以系統化,於是就出現了這個雛型系統
老實說,跟ai協作真的很歡樂~重要的是腦袋中要有想法以及邏輯,以及如何說給電腦聽

![]()

實做了一個網站,先將doc/pdf上傳檔案後,截取出文字的部份
然後詢問ai時,把文字當做附件去執行
目前需要持續開發的是如果pdf內容是掃描的文件,則會讀不出來
OpenAI 剛剛透過電子郵件宣布,推出最新、最大的語言模型 GPT-4.5 預覽版。
GPT-4.5 有哪些提升?
如何開始使用 GPT-4.5?
GPT-4.5 目前可透過 OpenAI 的 Chat Completions、Assistants 和 Batch APIs 使用。
GPT-4.5 的費用如何計算?
GPT-4.5 的使用費用較高,平均每 100 萬 tokens 為 68 美元,並提供批量作業和緩存輸入的折扣。
GPT-4.5 的未來如何?
OpenAI 正在評估是否長期提供 GPT-4.5 API 服務。
開發人員如何提供幫助?
符合條件的開發人員可以透過分享提示和完成來幫助 OpenAI 改進模型,並可獲得高達每天 100 萬 tokens 的免費 GPT-4.5 使用量。
總結
GPT-4.5 是 OpenAI 在自然語言處理領域的最新進展,為開發者提供了更強大的工具來構建各種應用。雖然費用較高,但其強大的功能和潛在的應用價值仍然值得關注。
| GPT‑4.5 | GPT‑4o | OpenAI o3‑mini (high) | |
| GPQA (science) | 71.4% | 53.6% | 79.7% |
| AIME ‘24 (math) | 36.7% | 9.3% | 87.3% |
| MMMLU (multilingual) | 85.1% | 81.5% | 81.1% |
| MMMU (multimodal) | 74.4% | 69.1% | – |
| SWE-Lancer Diamond (coding)* | 32.6% $186,125 | 23.3% $138,750 | 10.8% $89,625 |
| SWE-Bench Verified (coding)* | 38.0% | 30.7% | 61.0% |
網址
https://openai.com/index/introducing-gpt-4-5/
https://platform.openai.com/docs/models#gpt-4-5

隨著人工智慧技術的快速發展,視訊理解模型正變得越來越重要。Hugging Face 推出的 SmolVLM2 系列,憑藉其高效能與小型化設計,為視訊理解樹立了新標杆。本文將帶你快速了解 SmolVLM2 的核心技術、應用場景及其在視訊理解領域的突破。
SmolVLM2 的使命是將視訊理解的能力帶到每一台設備,無論是手機還是伺服器。與傳統需要大量計算資源的大型模型不同,SmolVLM2 將高效模型與小型化設計結合,實現了低資源環境下的高效視訊處理。
目前,SmolVLM2 提供三種不同規模的模型:
這些模型均可通過 Python 和 Swift API 使用,並且支持 Hugging Face 的 Transformers 框架。
2.2B 模型在多項基準測試中表現卓越,特別是在 Video-MME 基準上超越了所有現有的 2B 模型。該模型能夠:
其記憶體效率極高,甚至可以在免費的 Google Colab 環境中運行。
為了展示 SmolVLM2 的多樣化應用,Hugging Face 開發了多個演示應用程式:
SmolVLM2 的 500M 模型已被整合到 iPhone 應用中,用戶可以直接在本地設備上分析視訊內容,無需依賴雲端運算。
與 VLC 媒體播放器的合作,實現了智慧視訊片段描述和語義搜尋功能,用戶可以根據自然語言描述直接跳轉到影片中的相關部分。
這個應用程式可以從長達數小時的影片中自動提取最重要的時刻,適用於足球比賽等長時間的活動摘要。
SmolVLM2 與 Hugging Face 的 Transformers 框架無縫集成,支持多種推理場景:
此外,SmolVL
隨著人工智慧技術的快速發展,視訊理解模型正變得越來越重要。Hugging Face 推出的 SmolVLM2 系列,憑藉其高效能與小型化設計,為視訊理解樹立了新標杆。本文將帶你快速了解 SmolVLM2 的核心技術、應用場景及其在視訊理解領域的突破。
SmolVLM2 的使命是將視訊理解的能力帶到每一台設備,無論是手機還是伺服器。與傳統需要大量計算資源的大型模型不同,SmolVLM2 將高效模型與小型化設計結合,實現了低資源環境下的高效視訊處理。
目前,SmolVLM2 提供三種不同規模的模型:
這些模型均可通過 Python 和 Swift API 使用,並且支持 Hugging Face 的 Transformers 框架。
2.2B 模型在多項基準測試中表現卓越,特別是在 Video-MME 基準上超越了所有現有的 2B 模型。該模型能夠:
其記憶體效率極高,甚至可以在免費的 Google Colab 環境中運行。
為了展示 SmolVLM2 的多樣化應用,Hugging Face 開發了多個演示應用程式:
SmolVLM2 的 500M 模型已被整合到 iPhone 應用中,用戶可以直接在本地設備上分析視訊內容,無需依賴雲端運算。
與 VLC 媒體播放器的合作,實現了智慧視訊片段描述和語義搜尋功能,用戶可以根據自然語言描述直接跳轉到影片中的相關部分。
這個應用程式可以從長達數小時的影片中自動提取最重要的時刻,適用於足球比賽等長時間的活動摘要。
SmolVLM2 與 Hugging Face 的 Transformers 框架無縫集成,支持多種推理場景:
此外,SmolVLM2 還支持在視訊數據上的微調,用戶可以根據自己的需求進一步優化模型。
SmolVLM2 的推出標誌著視訊理解模型進入了一個新時代。它不僅在效能上實現了突破,還通過小型化設計使模型更加普及,適用於更多場景和設備。
如果你對 SmolVLM2 感興趣,歡迎探索以下資源:
M2 還支持在視訊數據上的微調,用戶可以根據自己的需求進一步優化模型。
SmolVLM2 的推出標誌著視訊理解模型進入了一個新時代。它不僅在效能上實現了突破,還通過小型化設計使模型更加普及,適用於更多場景和設備。
如果你對 SmolVLM2 感興趣,歡迎探索以下資源:

Perplexity 發布了新的 Deep Research API,使開發人員能夠將強大的研究功能直接集成到他們的應用程序中。
Deep Research API 分析數百個來源,在幾分鐘內而非幾小時內提供專家級的見解。 API 允許您規劃和執行自主研究、跨不同領域(金融、營銷、旅遊等)訪問詳細的見解,並生成全面的報告。 Deep Research API 在 SimpleQA 基準測試中準確率達 93.9%,在 Humanity’s Last Exam 中準確率達 21.1%,顯著優於 Gemini Thinking、o3-mini、o1 和 DeepSeek-R1。
Perplexity 還響應客戶的反饋,添加了兩個具有更高速率限制的新層級。
目前Perplexity支援的模型有
| Model | Context Length | Model Type |
|---|---|---|
sonar-deep-research | 60k | Chat Completion |
sonar-reasoning-pro | 128k | Chat Completion |
sonar-reasoning | 128k | Chat Completion |
sonar-pro | 200k | Chat Completion |
sonar | 128k | Chat Completion |
r1-1776 | 128k | Chat Completion |
範例程式
curl --location 'https://api.perplexity.ai/chat/completions' \
--header 'accept: application/json' \
--header 'content-type: application/json' \
--header 'Authorization: Bearer yourapikey' \
--data '{
"model": "sonar-deep-research",
"messages": [
{
"role": "system",
"content": "Be precise and concise."
},
{
"role": "user",
"content": "r question"
}
]
}'

隨著社群媒體的快速發展,Facebook 已成為許多品牌和企業經營的重要平台。然而,經營 Facebook 社群是一項耗時且需要持續投入的工作,包含內容發布、留言回覆、數據分析等。這時候,No-Code 工具 Make (原名 Integromat) 就成為了一個強大的解決方案,幫助實現 Facebook 社群經營的自動化,節省時間並提升效率。
什麼是 Make?
Make 是一款功能強大的 No-Code 自動化工具,允許用戶透過可視化的方式設計自動化工作流程(Workflows)。它能夠整合多種應用程式(例如 Facebook、Google Sheets、Slack 等),讓不同平台之間的資料和操作自動化執行,無需撰寫程式碼。
為什麼需要 Facebook 社群經營自動化?
節省時間與人力:自動化重複性任務,如定時發布貼文、整理留言數據等。
即時回應用戶:快速回覆用戶留言或私訊,提升互動體驗。
數據分析與追蹤:自動收集並整理社群數據,幫助制定更好的經營策略。
降低出錯機率:減少手動操作導致的疏漏或錯誤。
Facebook 社群經營自動化的應用場景
以下是幾個常見的應用場景,說明如何透過 Make 實現自動化:
1. 定時發布貼文
挑戰:手動發布貼文需要記住時間點,且可能因忙碌而錯過。
解決方案:利用 Make 將貼文內容與發布時間表整合到 Google Sheets,設定自動化流程,根據時間表自動發布貼文到 Facebook 粉絲專頁。
2. 自動回覆用戶留言
挑戰:即時回覆大量留言需要投入大量人力。
解決方案:透過 Make,自動偵測 Facebook 貼文下的留言內容,並根據關鍵字設定自動回覆。例如,當用戶留言「價格多少?」時,自動回覆「請私訊我們了解更多詳情」。
3. 私訊自動回覆與分流
挑戰:用戶私訊數量龐大,難以及時處理。
解決方案:設計自動化流程,根據用戶私訊的內容,將訊息分類並自動回覆。例如,將銷售相關訊息轉發給業務人員,將客服問題分配給客服團隊。
4. 自動收集社群數據
挑戰:手動整理粉絲專頁的數據(如按讚數、分享數、留言數)耗時費力。
解決方案:透過 Make,定期將 Facebook 貼文的互動數據(按讚、分享、留言等)匯出到 Google Sheets 或 Excel,方便進行分析。
想試用make也可以嘗試用我的連結 https://www.make.com/en/register?pc=superlevin