從工具到場域

✎【七號演算股份有限公司】陳華 總監  |   2026-07-10

從會用工具到能讓 AI 落地

        因此，課程安排從 Prompt 與 Context Engineering 打底，接著進入 RAG、Agent、Multi-Agent 的應用，最後要求同學完成系統整合與 Demo。這條學習路徑不是為了堆疊技術名詞，而是要讓學生理解：會用 AI 只是起點，能讓 AI 接上真實資料、嵌入工作流程，並產出可被信任的結果，才是系統設計的核心（課程學習路徑圖請參考圖一）。

        本課程希望傳達一個觀念：RAG 不是為了炫技，而是為了讓回答有憑有據；Agent 不是為了趕時髦，而是為了拆解任務並放進自動化流程；Demo 也不只求畫面好看，而是透過良好的 UI/UX 設計，讓使用者願意操作並給予回饋。當 AI 從單純的對話框走向真實場域，我們面對的問題就不再只是「回答得好不好」，更必須考量：資料從哪裡來？回答錯了怎麼辦？誰來驗證？以及結果能不能溯源？

學生作品：從發想到原型的優化

        期末專題最有趣的地方，在於看見同學的作品一路成長與優化。剛開始，大家的題目都訂得很大，例如：論文研究助理、產能協調、排程輔助、旅遊規劃、理財助理、課程助教、製造異常診斷、急診分級與 YouBike 查詢等。這些題目聽起來都很吸引人，但如果沒有收斂，很容易變成「什麼都想做，卻什麼都做不深」。

所以在實作過程中，學生需要不斷逼自己回到幾個核心問題：使用者是誰？他最痛的痛點是什麼？資料是否拿得到？系統輸出能幫助使用者做什麼決策？如果 AI 答錯了，風險在哪裡？當這些問題一一被問清楚，同學的作品就開始從單純的「AI 應用想法」，具體變成可運作的「AI 系統雛形」。

        以學生的專題為例，「PaperHub」就是從原本籠統的「幫忙讀論文」，收斂成附帶文獻溯源功能的研究工作站；「AI Agents 產能協調系統」成功把業務、製程、產能與報價拆分成不同任務模組；「AI 排程決策輔助系統」則嘗試整合機台、訂單與交期風險，產出管理者能快速閱讀的決策摘要。其他組別也將 AI 應用到音樂推薦、課程學習、理財提醒、製造 SOP 查詢與急診分級等場景。期末能有這樣的成果非常值得肯定，因為學生已經跨過了「覺得 AI 很神奇」的蜜月期，開始真正理解「AI 要如何被實務使用」（學生專題成果請參考圖二）。

Domain 的缺口，也是下一步的方向

        當然，這次課程也有比較可惜的地方，那就是缺少更深度的業界領域知識（Domain Knowledge）。學生們雖然做得很好，但許多應用場景如果沒有現場專家參與，還是容易停留在「想像中的現場」。舉例來說，製造排程真正困難的，不只是找出會延遲的訂單，而是要知道哪些客戶的交期絕對不能延遲、哪些機台不能隨便替換，以及哪些物料明明帳上有，實務上卻不能用。醫療分級也是同樣的道理，AI 可以幫忙整理資訊，但責任歸屬的邊界、通報格式、流程規範與人員工作負荷，都需要領域專家（Domain Expert）來共同定義。

        這並不是學生能力不足，而是一個真正能落地的 AI 系統，本來就不只是「模型加上介面」這麼簡單。它必須在技術、資料、流程、權責與現場經驗之間慢慢磨合出來。未來若要讓課程更進一步，勢必要朝向「業界題目共創」發展：建立真實且去識別化的案例題庫，並邀請業界導師（Domain Mentor）參與期中與期末回饋。這樣一來，學生做出來的原型，除了能展示功能，也能接受產業現場邏輯的檢驗與修正（未來的人機協作請參考圖三）。

未來：讓 Demo 能進入真實場域的回饋循環

        有了這學期的經驗，未來的期末專題規劃可以分成兩階段：前半段完成系統原型，後半段則讓真實使用者試用並提供回饋。評分標準也不會只看功能與畫面，而會加入資料來源的可靠性、可追溯性、錯誤處理機制、人機協作順暢度、風險控管與成效指標。這樣能幫助學生及早體認到：把 Demo 做出來只是第一步，系統能被信任、被採用並持續改善，才是落地的開始。

        回顧這學期，筆者最大的感觸是：生成式 AI 課程最重要的，不是教學生怎麼「把答案生出來」，而是教他們如何把問題變成一個可以被驗證、被改善、被使用的系統。AI 不是魔法，也不是萬靈丹；它更像是一種新的工作流程整合工具，讓我們更快把構想做出來，並及早讓需求者看見、評估可行性。至於系統最後能不能成功落地，關鍵依然要回到「人、流程與場域」。也正因如此，這門課才能帶給大家這麼多有趣的啟發與往下探索的動力，讓「系統落地」不再只是一句口號，而是一個能真實迭代的回饋循環。