事前準備
請用便條紙寫下三件關於自己的事情。
- 你是誰?
- 你最近在做什麼?
- 你期待今天發生什麼?
畢業前,你沒想過的那些事
Bear
Check In
我們起來動一動

你的夢想是什麼呢?
出社會前:我的夢想

現在:軟體工程師
不曾想過,以致於大學沒去修相關課程
留言板

進入正題:我是誰
你們都是什麼科系的?

故事的起點:第一個專案

我們學到了什麼?
還好我要退了!
學弟,這件事就麻煩你了?

代理教師之路
有人的夢想也是當老師嗎?

轉職
這是我想要的生活嗎?

我們學到了什麼?


轉職 ≠ 失敗
只是路線選擇的不同。
- 第一家公司,一開始非常挫折且痛苦
- 覺得跟不上大家,整天戰戰兢兢地過日子

漸入佳境
- 在網絡偶然看到程式相關的讀書會,選擇加入
- 有著不同公司的前輩,請益了更多的問題
- 一年半後進入舒適圈,沒有猶豫太久,離職進入第二家公司
如何學習程式
- 讀書會讀設計模式
- 假日跑咖啡廳自己動手寫看看
- 練習 vim、IDE
- 架 blog,有了長期的 side project
- 寫有趣的東西,比如:terminal 版本的猜數字遊戲



Done is better than perfect.
先求有,再求好。
推薦書單 (1)
QBQ:問題背後的問題


上述的故事中,有哪些符合 QBQ 的精神?
剛剛聊的是我怎麼走過來的
接下來聊聊你們即將走進去的世界。
AI 時代的軟體開發
- AI 工具在過去幾年徹底改變了軟體開發的樣貌
- ChatGPT、GitHub Copilot、Cursor、Claude Code…
什麼改變了?
入門難度降低:人人都可以寫程式
Junior 工程師的門檻變高
以前要查半小時的問題,現在可能幾秒鐘就有答案
寫程式速度大幅提升
(寫程式速度 ≠ 開發速度)
什麼沒有改變?
溝通與理解需求
工程師不只寫程式,還要與人合作
使用者天馬行空的想法
Coding Principle
長期維護的專案,仍然有修改的可能
AI 給你答案,但你要會問對問題
判斷 AI 輸出品質的能力


持續學習:軟體世界不變的法則。
你們平常會使用 Google 解決問題嗎?
不要把使用 AI 當作自己的優勢!
就像是很少人會講自己很會用 Google
How to Learn AI in 7 steps
✅ 的項目是我自己會使用的技巧,其他會帶過
Step 1: AIM framework ✅
- A (Actor): 告訴 AI 扮演什麼角色
- I (Input): 提供背景資料與脈絡
- M (Mission): 明確說明你要它做什麼
Step 2: Pick Your Instrument ✅
專注一個工具,深入學習
Step 3: Build Context with MAP ✅
- M (Memory): 對話歷史與前次紀錄
- A (Assets): 附加的檔案或資料
- A (Actions): AI 可執行的外部動作(搜尋、寫程式等)
- P (Prompt): 指令本身
Step 4: Debug Your Thinking
- 思維鏈模式 ✅:要求 AI 「逐步思考,展示推理過程」
- 驗證模式 ✅:請 AI 反問 3 個釐清意圖的問題
- 精煉模式:請 AI 先提出 2 個更精準的問題版本,讓你選擇
Step 5: Steer Toward Experts ✅
避免空泛提問,在提示中點名具體專家、研究或框架
Step 6: Verify the Output
- 假設清單:請 AI 列出所有假設並標示信心程度
- 引用來源 ✅:請 AI 附上連結與出處
- 反證:請 AI 找出反駁自身答案的證據
- 稽核數字:請 AI 重新演算所有數據
- 跨模型驗證:同一個提示丟給 ChatGPT、Gemini、Claude 互相批評
Step 7: Develop Taste with OCEAN
- O (Original): 要求非顯而易見的觀點
- C (Concrete): 加入真實案例與數字
- E (Evident): 呈現可見的推理邏輯
- A (Assertive): 要求明確立場與論點
- N (Narrative): 用故事結構組織內容
推薦書單(2)
納瓦爾寶典

- 「正和遊戲」
- 運用熱情來培養技能
- 活出真誠的自己來退出競爭
Takeaway
「最有價值的能力,往往來自你覺得最浪費時間的經歷。」
Check Out
Recap: 你今天印象最深刻的一件事?
Q&A
Feedback
