30 天前，本系列從一份 AI 新興職缺資料出發，說市場已經分成兩個職務。29 天後，我們把這兩個職務的每一項工作任務都拆解、實作、並討論了取捨。

今天做三件事：回顧這條路徑的核心主張、檢討這個系列的限制、給三種讀者各一張路線圖。

28 天的技術內容結束了。今天處理最後一哩：怎麼讓別人相信你會這些。

這篇的內容比較「不技術」，但如果你的目標是轉職或升遷，它可能是投報率最高的一天。

前 27 天，我們一塊一塊地拆解了兩個職務的工作任務。今天要把它們組裝回一個完整的東西。

這也是我對每位讀者的建議：與其收藏 27 篇文章，不如做出一個作品。。

技術面完成了，今天處理制度面——也是這個系列裡最容易被工程師跳過、卻最可能決定專案生死的一天。

昨天談的是「怎麼做得又快又便宜」，今天談的是「怎麼確保這件事做得下去」。

今天是雙主軸真正交會的一天。

• 主軸一的讀者：這是 Day 13（延遲與吞吐）在 LLM 上的延伸，你的直覺全部適用，只是數字大一個量級。
• 主軸二的讀者：這是你的系統能不能規模化的關鍵。做得出 demo 與撐得住一萬人，差別就在今天。

Day 02 提到 LLMOps 全台只有 19 筆職缺——但那是因為這個詞還沒進入招募用語。實際上做這件事的人，需求很大。

昨天讓系統「品質可測」，今天讓它「不會闖禍」。

這一天的內容有個特性：平常沒有人在意，出事一次就記得一輩子。它是 Day 22 那五道護欄的理論基礎，也是 Day 27 治理的技術面。

⚖️ 前提聲明

本文所有攻擊手法的說明，僅以防禦與合法授權測試為目的。文中的紅隊演練請務必在你自己擁有或已取得書面授權的系統上進行。未經授權對他人系統進行測試，於我國《刑法》妨害電腦使用罪章可能構成犯罪。

今天是合流點。前十六天兵分兩路，從今天起的四天，兩條路的人都要看——因為評測、安全、LLMOps、治理，是兩個職務共同的責任。

而評測是其中最關鍵的：它是「做得出 demo」與「做得出產品」的分界線。

主軸二的最後一個技術主題。前七天我們讓模型「知道」（RAG）、「能做」（Agent），今天讓它「像我們要的樣子」。

我把微調放在最後，是刻意的——因為它是最後才該考慮的手段。

昨天手刻了 ReAct 迴圈，也給了兩個護欄（迭代上限、成本上限）。今天處理讓它能真正上線的三件事：工具怎麼接得可維護、多代理什麼時候值得、怎麼確保它不會闖禍。

RAG 讓模型「知道」，Agent 讓模型「能做」。今天進入第二高頻的任務訊號（47.6%）。

但我要先講一個可能讓你意外的建議：你需要的多半不是 Agent。

RAG 三部曲的最後一天。文件進去了（Day 18）、找出來了（Day 19），今天處理怎麼用與怎麼知道好不好。

後半段特別重要——因為 Day 19 提到的所有優化，你都需要一把尺才知道有沒有效。

昨天說明文件的索引，今天處理：怎麼把對的東西找出來。

今天說明的混合檢索、重排序、查詢改寫等3個技術是實務上 CP 值最高的三個優化，而且都不需要換模型。

今天進入生成式 AI 職缺中出現頻率最高的主題：RAG（48.1%）。

因為它太重要，我用三天處理：今天講索引端（文件怎麼進去）、明天講檢索端（怎麼找出來）、後天講生成與評測（怎麼用、怎麼知道好不好）。

如果你只能讀一天，讀今天——因為多數 RAG 系統的品質上限，在文件進資料庫的那一刻就決定了。

2020 年我初次參加鐵人賽寫的是《用 LINE 串起多媒體系統》（GitHub），那 30 天在做的事，本質上是：接收使用者訊息 → 判斷意圖 → 呼叫對應的服務 → 組裝回應。

六年後的今天，我們做的事情架構上驚人地相似，但有一件根本性的不同：

2020 年，「判斷意圖」是我用 if "天氣" in text 寫死的。 2026 年，這件事由模型決定，而且它還會自己決定要呼叫哪個 API、帶什麼參數。這一行差別，就是今天的主題。

今天進入主軸二：生成式 AI。前八天我們在解決關於 MLOps 的「模型會不會掛」，接下來八天解決「模型會不會智商下線」。

主軸一的讀者會發現，這邊的問題同樣需要工程紀律，只是換了一種形式。

前七天，我們一路處理模型如何可靠地上線、持續部署、監控，以及出問題時怎麼發現。今天換一個主管通常更有感的問題：

這套 AI 系統，到底花多少錢？

模型能活著還不夠，還要活得起。如果工程師只能回答「這樣架構比較漂亮」，很難推動決策；但如果能回答：「這個方案每月多花多少？」、「GPU 利用率提升後，可以少買幾張卡？」、「租雲端和買地端的成本交叉點在哪？」對話就完全不同了。

今天要解決的問題​

先看兩個很常見的情境。

場景一
主管：「我們要不要買 GPU？一直租雲端好貴。」 工程師：「呃……我算一下？」
然後這個問題被擱置了三個月。

場景二 主管：「上季買的四張 A100，用得如何？」
工程師：「都有在用啊。」
主管：「利用率多少？」
工程師：「……」

這兩題沒有放諸四海皆準的答案，但有一套可以量化的決策方式。

今天就處理兩個數字：

1. 成本平衡點：什麼使用量下，租雲端與買地端的成本開始交叉？
2. GPU 利用率與單位成本：買下來的卡，到底有多少時間真的在工作？這些工作又產生多少價值？

📊 職缺訊號

「AI／ML 平臺與基礎設施」是這次 MLOps 職缺中最高頻的任務訊號之一，占 58.5%。

不過 JD 的層次差異很大：初階可能寫「維護 GPU 環境」，資深職缺則會出現「規劃 AI 運算資源」、「容量管理」、「平臺工程」與「成本最佳化」。

分水嶺不只是會不會架環境，而是能不能把技術選擇轉成容量、成本與風險的決策。

Day 04 曾說過「不能省的三件事」：可重現、監控、評測。Day 08 提到「只能投資一項就選監控」。今天就講為什麼。

如果這 30 天你只讀一篇，建議這篇要讀。

昨天服務跑起來了。今天回答：它跑得好不好？

面試時很容易被問到的題目，包含「你的服務延遲多少」、「怎麼提升吞吐」及「P99 為什麼重要」？這三題答得好，入職的機率大大提升。

今天進入 MLOps 職缺中出現頻率最高的領域：AI／ML 平臺與基礎設施（58.5%）。

本日不包含 Kubernetes 的全部——那是一本書的量，而且新入職的你優先事項不包含建立叢集（Day 04 的止損點清單裡有說明）。今天只講跑 ML 工作負載時，與跑一般 Web 服務不一樣的那些地方。

資料有版本（Day 09）、實驗有紀錄（Day 10），今天加上最重要會擋人的門，把它們串成一條自動跑也安心的管線。

這是 Level 0 到 Level 1 的關鍵一步，也是 Day 08 診斷表第 1、6、7 題的內容。

昨天資料有了版本。今天處理另外兩根柱子：這次訓練用了什麼設定、跑出什麼結果、產出的模型在哪裡。

這是 Day 08 診斷表第 3、5 題的內容，也是導入成本最低、痛感解除最快，投資報酬率最高的一天。

昨天的成熟度診斷中，其中「訓練前自動檢查資料」與「重現三個月前的訓練」應是最多團隊答「否」的兩題。今天就處理這兩題。

Day 06 說過可重現需要五根柱子，今天說明資料版本與隨機種子這根支柱，也順便處理一個棘手的問題。

2021 年那套成熟度模型，在 2026 年還適用嗎？ 我的答案是：框架適用，內容要改寫。

本系列為 MLOps × GenAI Engineering 雙主軸，走主軸二的讀者可以略讀，但建議至少看完第二節——那是你未來合作對象的世界觀。

今天也是這個系列與 2021 年《從 AI 落地談 MLOps》 正面對話的一天。

今天只聚焦在 Token 怎麼計價、生成怎麼進行、模型怎麼選這三件事，會直接影響你系統設計與帳單，也可能導致容易做出錯誤架構決策的部分。

本篇不會重講 Transformer 的數學（網路上已有太多好文章）。加上前兩天說明了「工程」與「ML」，今天說明「LLM」進行打底。

ML 專案跟一般軟體專案，到底哪裡不一樣？，在開發環境的建立之後，今天要處理 ML 系統成敗的認知問題。

「在我電腦上明明跑得起來啊。」

這句熟悉的對話日常，在 ML 系統會是場災難，因為 ML 多了兩個變數：資料與模型權重。第一部曲我們將 AI 職缺目前在市場的需求進行說明，第二部曲聚焦在地基，今天要做的，就是降低只能回答出「在我電腦上明明可以」的風險。

站在哪裡往前走​

三天下來我們確認了：市場要什麼（Day 02）、誰負責什麼（Day 03）。今天是第一部曲的收尾，也是我覺得最實用的一篇——把職缺梳理成您能照著走的路。

站在哪裡往前走​

昨天我們確認了就業市場的徵才概況。今天要處理一個很多人心裡的疑問：這些事，不是資料科學家、DevOps、後端本來就在做的嗎？為什麼要多兩個職務？

這個問題很好，而且答錯的代價很實際——它決定了您面試時該強調什麼、進團隊後該對齊誰、以及出事時該誰負責。

昨天提到，這一系列文章是從真實需求出發，透過整理新興 AI 職缺，我觀察到目前市場上的 AI 人才需求，已逐漸分化成兩類不同的職務方向。今天，就想進一步和大家分享我從職缺資料中看到的變化與趨勢。

透過實際職缺的觀察，再對照過去 MLOps 發展至今的市場變化，我更希望把這些真實世界中的人才需求，重新扣回到一個最實際的問題：如果我們想成為 AI Engineer，現在究竟該如何準備？

2021 年，我在鐵人賽寫了《從 AI 落地談 MLOps》（GitHub）。那 30 天在回答一個問題：模型訓練好了，然後呢？

五年後，這個問題不但沒有過期，還變得更尖銳了——因為現在連「訓練模型」這件事，仍不是大眾的選項，很多團隊任務不再於訓練模型，而是直接呼叫 API，兩週做出一個看起來很厲害的 Demo，然後卡在同一個地方：上不了線，或者上線了沒人知道它是好是壞。

這 30 天，我想用一個不太一樣的方式重新回答 AI 落地：不從技術出發，而是從職缺出發。

很多人使用 AI 工具時，第一個困難其實不是「不會下指令」，而是還沒把問題說清楚。

例如：

• 我想整理問卷。
• 我想做主管簡報。
• 我想把資料丟進 NotebookLM 分析。
• 我想讓 Google 表單送出後自動寄信。
• 我想把這次做法保存成下次可重用的方法。

這些想法都合理，但如果直接要求 AI 產出成品，常常會得到一份看起來漂亮、實際上不好落地的答案，特別是我在教學、顧問的經驗之中，在沒有很有效的框架思考之下，時常需要進一步的釐清與討論。

所以我整理了一個公開 Codex Skill：

https://github.com/willismax/notebooklm-workflow-coach

它的目標不是替你按一個魔法按鈕，而是陪你把一個模糊情境，整理成可以執行、可以查證、可以重複使用的 NotebookLM + Google Workspace 工作流，而這個工作流是基於一套系統化的思考框架、落實為6周訓練課程後得到的歸納與實踐成果。

用 GAS 打造專屬 LINE AI 課程助教，整合 Gemini、上下文記憶與 Google 試算表 QA 知識庫

在「職場 AI 加速術」的課程裡，我們已經學會怎麼用 Google 表單收資料、用 Google 試算表整理數據，也知道如何把教材丟進 NotebookLM 建立知識庫。但如果學員半夜傳訊息來問問題，難道真的要靠老師 24 小時守在螢幕前一題一題回嗎？

這篇文章要帶你用 Google Apps Script（GAS）結合 LINE Messaging API、Google Gemini，以及 Google 試算表，做出一個真正能上線的 LINE 課程 AI 助教。它不只會回答問題，還能保留短期上下文、讀取 QA 知識庫、解析學員上傳的錯誤截圖，並把對話紀錄自動寫回試算表，讓你後續能回頭分析學員最常卡住的地方。

更重要的是，這個助教不是只有「會講話」而已，而是被設計成盡量不要亂講話。你可以把課程常見問答、報名網址、課綱資訊都放進 Google 試算表，讓助教每次回答前先參考你的標準答案，再透過 LINE Flex Message 以更專業的方式呈現給學員。

如果你是第一次碰 LINE Bot，建議先看我之前寫的用 HackMD API 打造個人專屬 LINE BOT 助手，那篇比較偏 LINE Developers、Channel、Webhook 與 Token 的入門流程。若你關心的是「AI 助教要怎麼設計角色與教學互動」，也可以搭配客製化你的 AI 教學助手：蘇格拉底引導教學法一起看。

圖：學員從 LINE 提問後，GAS 負責串接 Gemini、Google 試算表與 Flex Message 回覆。

這個 AI 助教能做到什麼？​

這次的版本不只是單純的聊天機器人，而是加入了幾個在教學現場很實用的能力：

• 上下文記憶：透過 GAS 的 CacheService，記住同一位學員最近 5 輪對話，回答不再像金魚腦。
• 圖片報錯解析：學員可以直接把公式錯誤、程式報錯或畫面截圖傳給 LINE Bot，交給 Gemini 判讀。
• 自動寫入聊天紀錄：每次提問與回答都會同步存到 Google 試算表，方便後續分析常見痛點。
• QA 知識庫整合：你可以在試算表維護標準問答，讓助教優先參考你的內容，降低 AI 幻覺。
• Flex Message 輪播卡片：第一張卡片放解答與 CTA 按鈕，後面卡片放進階心法與補充技巧，視覺與資訊層次都更完整。

如果你想做的是「課程助教型」機器人，而不是一個什麼都會答、但很容易亂掰的聊天機器人，這個架構會很適合你。

課前準備：先備好 4 把鑰匙​

在開始貼程式碼之前，先準備以下資源：

1. Google 帳號：用來建立 Google 試算表與撰寫 Google Apps Script。
2. LINE Developer 帳號：前往 LINE Developers 建立 Provider 與 Messaging API Channel，取得長效的 Channel Access Token。如果你還不熟悉 Provider、Channel 與 Webhook 的關係，可以先參考這篇 LINE Bot 基礎教學。
3. Gemini API Key：前往 Google AI Studio 點選 Get API key，免費申請一把 API Key。
4. Google 試算表：建立一份空白試算表，作為 QA 知識庫與聊天紀錄資料庫。

資安小提醒：不要把鑰匙貼在程式碼裡​

這個專案會碰到三種敏感資訊：LINE Channel Access Token、Gemini API Key，以及 Google 試算表 ID。尤其前兩者一旦外洩，別人就可能拿你的額度呼叫 API，甚至冒用你的 LINE Bot 回覆訊息。

所以實作時請記住幾個原則：

• 不要把 API Key、Access Token 寫死在程式碼中，也不要截圖貼到社群或教學投影片。
• 不要把包含密鑰的 GAS 程式碼公開到 GitHub。
• Google 試算表不要開成「知道連結的任何人可編輯」，只授權給需要維護 QA 的人。
• 聊天紀錄工作表可能含有學員提問、錯誤截圖內容或個資，課程結束後要定期清理或匯出後脫敏保存。
• 如果懷疑密鑰外洩，請立刻到 LINE Developers 或 Google AI Studio 重新產生新的 Key，舊的直接撤銷。

在 GAS 裡比較實用的做法，是把密鑰放到「指令碼屬性（Script Properties）」裡，再由程式讀取。這樣至少不會讓密鑰直接出現在程式碼畫面中，也比較不容易在複製教學範例時一起外流。

圖：真正的 API Key 放在 Script Properties，程式碼只負責讀取，不把鑰匙寫死在範例中。

實作步驟：5 步驟把課程助教上線​

步驟一：建立 Google 試算表資料庫​

先新建一份 Google 試算表，接著觀察網址列，複製 /d/ 到 /edit 中間那段英數字，這就是你的 Spreadsheet ID，等等會用到。

接著在這份試算表底下建立兩個工作表：

• 聊天紀錄：可先建立表頭 時間、學員LINE ID、學員提問、AI解答
• QA知識庫：建立表頭 常見問題、標準解答

為了讓助教一上線就具備課程背景，你可以先把以下 61 筆 QA 直接貼進 QA知識庫 工作表。這份資料同時涵蓋 NotebookLM、課程架構與常見實作疑問，能讓回覆更穩定。

常見問題	標準解答
1. 什麼是 NotebookLM？	Google 開發的 AI 驅動筆記工具，核心應用是協助使用者整理、分析各種資料，並從中「蒸餾」知識。
2. NotebookLM 跟一般聊天 AI（如 ChatGPT）差在哪裡？	NotebookLM 是基於 RAG 技術，會根據你上傳的專屬資料來回答，並附上原文引用出處，大幅減少 AI 亂編造的幻覺。
3. NotebookLM 的核心模型是什麼？	採用先進的 Gemini 1.5 Pro 大型語言模型，擁有 2M 超大上下文視窗。
4. 把機密資料上傳到 NotebookLM 安全嗎？	上傳到個人 NotebookLM 的資料不會被用來訓練 Google 的通用模型。但若含信用卡、未公開個資等極高機密，仍建議先脫敏或避免上傳雲端。
5. NotebookLM 適合用來取代 Notion 嗎？	不適合。NotebookLM 不是專業的傳統筆記排版軟體，不該把時間花在美化筆記上，而是用來快速萃取大量資料的重點。
6. 一個筆記本最多可以上傳多少份來源文件？	每個筆記本最多可包含 50 個來源文件（Source）。
7. 單一來源文件的容量限制是多少？	每份來源最多可包含 50 萬字元，或檔案大小上限 200MB。
8. 上傳來源文件後可以修改內容嗎？	來源加入之後無法直接編輯，只能刪除後重新加入修改好的檔案。
9. 每個筆記本可以建立多少份記事（Notes）？	最多可包含 1,000 份記事，每份最多包含 99,993 字。
10. NotebookLM 支援上傳哪些檔案格式？	支援 pdf、txt、md、Google 文件、Google 簡報、網頁網址、YouTube 網址，以及多種音訊檔（mp3、wav、m4a 等）。
11. 可以直接上傳 Excel 或 Word 檔嗎？	目前不支援 .xlsx 格式。遇到試算表資料，請先貼成純文字、轉為 Google 文件或 PDF 格式後再匯入。
12. YouTube 影片都能直接匯入嗎？	僅支援有字幕的公開影片。新上傳影片需等待 72 小時後才能匯入，且不支援無語音影片。
13. 如果 YouTube 影片無法匯入怎麼辦？	建議使用第三方字幕下載工具（如 DownSub）將字幕下載成文字檔，再上傳到 NotebookLM。
14. NotebookLM 可以閱讀圖片嗎？	目前對僅含圖片的 PDF 解析能力有限。建議先透過 OCR 軟體（如 PDF-XChange）將圖片掃描轉成文字後再匯入。
15. 遇到 SPA 動態網頁無法匯入怎麼辦？	可利用 Jina Reader API 或 MarkDownload 等擴充功能，先將網頁內容轉為 Markdown 格式再匯入。
16. 怎麼把實體書本匯入 NotebookLM？	需要先裁書並掃描成 PDF，接著用光學字元辨識（OCR）技術把圖片轉為可複製的文字，最後再匯入。
17. 電子書（EPUB）格式可以匯入嗎？	建議先透過工具將 EPUB 轉成 Word，再轉為 Google Docs 格式匯入，這樣能保留完整的文字結構上下文。
18. 怎麼把會議錄音轉化為知識庫？	錄音檔可直接匯入 NotebookLM，系統會自動處理語音。若要更準確，建議同時匯入會議的相關文件作為上下文補充。
19. LINE 或群組的聊天紀錄可以分析嗎？	可以。將 LINE 聊天紀錄匯出為文字檔（.txt）上傳，就能請 AI 分析事件來龍去脈、決策過程或進行人物側寫。
20. 要怎麼讓 NotebookLM 分析 GitHub 程式碼專案？	善用 repo2txt 或 Repomix 等工具，將整個 Repo 打包成一個 AI 友好的單一純文字檔後再上傳。
21. 當上傳的 PDF 超過 50 萬字限制時怎麼辦？	請將 PDF 檔拆分成上集、下集等多份檔案，再分別作為獨立來源匯入同一個筆記本。
22. 什麼是「筆記本導覽（Notebook Guide）」？	系統自動生成的資料總覽面板，包含摘要、常見問題、學習指南、目錄、時間軸、簡介文件與音訊總覽。
23. 音訊總覽（Audio Overview / Podcast）的功能是什麼？	能將上傳的枯燥資料自動轉換成一男一女 AI 主持人的對話廣播，讓你可以用聽的方式掌握重點。
24. 音訊總覽支援中文語音嗎？	目前音訊總覽的主持人對談僅支援英文發音。即使上傳中文資料，產出的仍會是英文 Podcast。
25. 音訊總覽的內容可以控制嗎？	可以。點擊「自訂（Customize）」後，可以下提示詞要求主持人聚焦特定主題，或指定特定受眾。
26. 如果 AI 回答得很棒，怎麼保存下來？	點擊回答區塊右上角的「釘選到筆記（Pin to note）」按鈕，就能將這段精華永久保存在右側的記事面板中。
27. 如何消除 NotebookLM 的短暫記憶混亂？	因為對話具有記憶性，若發現 AI 混淆了先前提問，可以透過重新整理網頁來清除短期對話記憶。
28. 為什麼要在對話前進行「事實依賴性」評估？	因為這能確認任務是否需要 100% 依賴指定規章回答，不容許 AI 加入個人臆測；這類任務最適合交給 NotebookLM。
29. 為什麼 NotebookLM 會出現幻覺亂講話？	可能是上傳資料太少、品質太差，或只是把它當成單純的資料檢索工具來用，導致輸出品質不穩。
30. 怎麼下指令防堵 AI 產生幻覺？	可在提示詞結尾加上防護栓：「請僅根據上傳的來源回答。若找不到答案，請直接回答『資料中未提供相關資訊』，絕對不可自行推論。」
31. 什麼是「摘要型」提問？	測試 AI 抓取資料大意的問法，例如：「這批客戶意見整體在說什麼？」或「請幫我整理三個最重要的發現」。
32. 什麼是「查找型」提問？	測試文件是否包含特定細節的問法，例如：「文件裡有沒有提到某個規定、數字或結論？」
33. 什麼是「判讀型 / 決策型」提問？	賦予 AI 角色進入工作場景的問法，例如：「如果我是承辦人，先看這份資料的哪三點最有幫助？」
34. 給高階主管的報告（Executive Summary）該怎麼下提示詞？	可要求 AI 撰寫 300 字內摘要，必須包含最大亮點、隱藏風險、優先解決事項，並使用客觀商務口吻。
35. 如何處理上百則客訴回饋文字？	指示 AI 進行標籤化與分類，整理出 3 到 5 個主要類別標籤，並用表格呈現核心原因與具體引述客戶原話。
36. 什麼是行動方案發想（Actionable Insights）提示詞？	要求 AI 根據資料痛點，提出 3 個不需要花大錢、且一個月內可立即落實的 Quick Wins。
37. 如何用語氣轉換指令應對公關危機？	可採兩階段指令：先找出結論，再要求改寫為「安撫客戶的溫暖內部信」與「官網的精簡 FAQ 清單」兩種版本。
38. 讓 NotebookLM 出選擇題考卷的技巧是什麼？	提示詞可要求「20 題單選，從來源出題並附解答」，並明確規定排版結構，避免使用 Markdown 標籤，方便後續複製。
39. 如何把 AI 出的考卷快速變回 Google 表單？	要求 AI 以特定逗號分隔格式輸出，例如 Question、Type、Points、Correct Answer 等，再透過 Form Builder 外掛匯入。
40. 把試算表資料丟給 NotebookLM 分析前要先做什麼？	必須先清理髒資料，留下有意義的文字回饋，並砍掉無關欄位，讓資料乾淨聚焦後再轉成文件匯入。
41. 什麼是跨文件檢索（Cross-Document Retrieval）？	將多份相關文件同時匯入一個筆記本，詢問問題時 AI 會自動跨文件融合，找出完整解答。
42. 在履歷篩選上使用 NotebookLM 要注意什麼風險？	AI 容易過度美化求職者。為避免公平性問題，建議一次只分析一位求職者的履歷。
43. 選取來源特定段落提問有什麼好處？	這種方式不是靠 RAG 分段檢索，而是直接在超大上下文中理解該段落，因此回答品質通常更高、更精準。
44. 發現文件裡出現簡體字或中國用語怎麼辦？	可在提示詞中加入規則，例如「確保輸出為繁體中文（台灣），禁止使用流行語」，以規範輸出語言風格。
45. 為什麼用 NotebookLM 看表格會出錯？	NotebookLM 對 PDF 中複雜表格的理解能力有限。遇到重要報表，建議先把表格截圖 OCR 轉成文字，或用純文字重新排版。
46. 什麼是端到端除錯金字塔的底層問題？	發生在 Google 表單端，例如沒有設定必填或輸入驗證，導致後續收到亂碼或空白資料，造成自動化流程失敗。
47. 什麼是端到端除錯金字塔的中層問題？	發生在試算表與 GAS 之間，例如表單題目改名後，造成 GAS 程式中的欄位名稱對不上而報錯。
48. 什麼是端到端除錯金字塔的頂層問題？	發生在 NotebookLM 分析端，例如資料格式不支援、AI 產生幻覺，或提問太發散而導致回答無實質意義。
49. 遇到 GAS 自動化寄信失敗，第一步該查什麼？	進入 Apps Script 的「執行項目（Executions）」畫面查看紅色失敗紀錄，它會指出哪一行發生錯誤。
50. 為什麼要學這一整套 AI 雲端資料工作流？	不只是學單一工具，而是學會問對問題、把髒資料變可用，並把「收資料 → 整理 → 分析 → 通知」串起來，真正提升工作效率。
51. 「職場 AI 加速術」課程的核心目標是什麼？	幫助學員建立一套從「收資料 → 整理分析 → 產出報告 → 自動通知」的完整雲端自動化工作流，並結合 AI 工具提升決策與行政效率。
52. 課程第一週（W01）的主要學習內容是什麼？	建立 AI 雲端資料工作流程的整體概觀，了解一般聊天型 AI 與 NotebookLM 在事實依賴性上的差異，並完成知識庫首次匯入與提問實作。
53. 課程第二週（W02）的主要學習內容是什麼？	學習問卷與資料收集設計，操作 Google 表單的各種題型與邏輯跳題，並正確連動至 Google 試算表。
54. 課程第三週（W03）的主要學習內容是什麼？	學習 Google 試算表的資料清洗與圖表展示，包含常用函數、樞紐分析表與基礎視覺化圖表。
55. 課程第四週（W04）的主要學習內容是什麼？	學習 AI 輔助分析與報告撰寫，將試算表中的文字意見整理後匯入 NotebookLM，再透過 Prompt 產出摘要與主管報告。
56. 課程第五週（W05）的主要學習內容是什麼？	學習自動化通知與定期摘要，使用 GAS 寫出表單送出後自動寄信，以及定時寄送週報的流程。
57. 課程第六週（W06）的主要學習內容是什麼？	進行綜合專案實戰，將表單、試算表、NotebookLM 與 GAS 串起來，打造完整的自動化應用。
58. 為什麼課程一直強調「先整理資料，再交給 AI 分析」？	因為要避免垃圾進、垃圾出。如果資料本身髒亂或欄位不一致，AI 就容易誤判，只有乾淨聚焦的資料才能產生高價值洞察。
59. 課程中提到的端到端除錯金字塔，底層和中層分別代表什麼？	底層代表 Google 表單端，重點在必填與輸入驗證等防呆；中層代表試算表與 GAS 端，重點在欄位名稱同步與觸發器權限。
60. 學習這套 AI 雲端資料工作流，最終能為職涯帶來什麼價值？	單一工具隨時可能被淘汰，但學會問對問題、看懂數據，以及知道何處該自動化、何處該保留人工把關的方法論，不會過時。
61. 這門「職場 AI 加速術」課程的詳細資訊與報名網址在哪裡？	歡迎隨時查看最新開課資訊與課綱，請點擊下方按鈕前往查看：https://www.nutc.edu.tw/

步驟二：開啟 Google Apps Script​

在剛剛那份 Google 試算表上方選單，點選「擴充功能」→「Apps Script」，將專案命名為「LINE 課程 AI 助教」。

接著先設定密鑰，不要急著貼程式碼。進入 Apps Script 左側的「專案設定」，找到「指令碼屬性」，新增以下 4 個屬性：

WEBHOOK_SECRET 不是取代 LINE 官方簽章驗證的完整做法，但在純 GAS Web App 很實用：稍後把它加在 Webhook URL 的 query string 裡，可以擋掉一部分亂掃公開網址的請求。

步驟三：貼上完整程式碼​

把原本編輯器內的程式碼清空後，直接貼上以下版本。這份程式除了支援文字與圖片問答，也能從 AI 回覆中抓出網址，自動轉成漂亮的 CTA 按鈕。

這版程式會從 Script Properties 讀取 LINE_CHANNEL_ACCESS_TOKEN、GEMINI_API_KEY、SPREADSHEET_ID 與 WEBHOOK_SECRET，所以不要再把真正的 API Key 貼進程式碼。

這裡的實作重點和我在Zeabur 使用 n8n 開發 LINE Bot那篇文章提到的概念很像：先讓 AI 回傳結構化 JSON，再由程式把內容轉成 Flex Message。差別在於這次不靠 n8n 節點，而是直接用 GAS 完成整個流程。

/**
 * 職場 AI 加速術：課程專屬 LINE BOT 助教
 * 功能：文字/圖片問答、5 則上下文記憶、Flex Message 輪播卡片回覆、聯外按鈕動態生成、進階心法建議
 */

//  =========================================================================
// 1. 基本設定
// =========================================================================
const SCRIPT_PROPERTIES = PropertiesService.getScriptProperties();
const LINE_CHANNEL_ACCESS_TOKEN = SCRIPT_PROPERTIES.getProperty('LINE_CHANNEL_ACCESS_TOKEN');
const GEMINI_API_KEY = SCRIPT_PROPERTIES.getProperty('GEMINI_API_KEY');
const SPREADSHEET_ID = SCRIPT_PROPERTIES.getProperty('SPREADSHEET_ID');
const WEBHOOK_SECRET = SCRIPT_PROPERTIES.getProperty('WEBHOOK_SECRET');

const SHEET_NAME_HISTORY = '聊天紀錄';
const SHEET_NAME_QA = 'QA知識庫';
const GEMINI_MODEL = 'gemini-3.1-flash-lite-preview';

function assertRequiredConfig() {
  const missingKeys = [];

  if (!LINE_CHANNEL_ACCESS_TOKEN) missingKeys.push('LINE_CHANNEL_ACCESS_TOKEN');
  if (!GEMINI_API_KEY) missingKeys.push('GEMINI_API_KEY');
  if (!SPREADSHEET_ID) missingKeys.push('SPREADSHEET_ID');

  if (missingKeys.length > 0) {
    throw new Error(`缺少必要的指令碼屬性：${missingKeys.join(', ')}`);
  }
}

function isValidWebhookRequest(e) {
  if (!WEBHOOK_SECRET) {
    return true;
  }

  return e && e.parameter && e.parameter.key === WEBHOOK_SECRET;
}

// =========================================================================
// 2. 主程式入口：接收 LINE 的 Webhook 事件
// =========================================================================
function doPost(e) {
  try {
    assertRequiredConfig();

    if (!isValidWebhookRequest(e)) {
      console.warn('Webhook secret 驗證失敗');
      return ContentService.createTextOutput('Forbidden');
    }

    const eventData = JSON.parse(e.postData.contents);
    const events = eventData.events;

    if (!events || events.length === 0) {
      return ContentService.createTextOutput('OK');
    }

    for (let i = 0; i < events.length; i++) {
      const event = events[i];
      const replyToken = event.replyToken;
      const userId = event.source.userId;

      if (event.type !== 'message') {
        continue;
      }

      let userMessage = '';
      let base64Image = null;

      if (event.message.type === 'text') {
        userMessage = event.message.text;
      } else if (event.message.type === 'image') {
        base64Image = getLineImageContent(event.message.id);
        userMessage = '請分析這張圖片，並解答我的問題或提供課程相關建議。';
      } else {
        continue;
      }

      const history = getHistory(userId);
      const aiResponse = callGeminiAPI(userMessage, base64Image, history);

      history.push({ role: 'user', parts: [{ text: userMessage }] });
      history.push({ role: 'model', parts: [{ text: JSON.stringify(aiResponse) }] });
      saveHistory(userId, history);
      saveLogToSheet(userId, userMessage, aiResponse);
      replyWithFlexMessage(replyToken, aiResponse);
    }

    return ContentService.createTextOutput('OK');
  } catch (error) {
    console.error(error);
    return ContentService.createTextOutput('Error');
  }
}

// =========================================================================
// 3. LINE API 溝通相關函式
// =========================================================================

function getLineImageContent(messageId) {
  const url = `https://api-data.line.me/v2/bot/message/${messageId}/content`;
  const options = {
    method: 'get',
    headers: {
      Authorization: `Bearer ${LINE_CHANNEL_ACCESS_TOKEN}`,
    },
  };

  const response = UrlFetchApp.fetch(url, options);
  const blob = response.getBlob();
  return Utilities.base64Encode(blob.getBytes());
}

function replyWithFlexMessage(replyToken, aiData) {
  const url = 'https://api.line.me/v2/bot/message/reply';
  const bubbles = [];

  const answerBubble = {
    type: 'bubble',
    header: {
      type: 'box',
      layout: 'vertical',
      contents: [
        {
          type: 'text',
          text: '👨‍🏫 助教解答',
          weight: 'bold',
          size: 'xl',
          color: '#ffffff',
        },
      ],
      backgroundColor: '#2980b9',
    },
    body: {
      type: 'box',
      layout: 'vertical',
      contents: [
        {
          type: 'text',
          text: aiData.answer,
          wrap: true,
          size: 'md',
        },
      ],
    },
  };

  if (aiData.action_url && aiData.action_url.startsWith('http')) {
    answerBubble.footer = {
      type: 'box',
      layout: 'vertical',
      spacing: 'sm',
      contents: [
        {
          type: 'button',
          style: 'primary',
          color: '#2980b9',
          height: 'sm',
          action: {
            type: 'uri',
            label: aiData.action_label || '🔗 點擊前往',
            uri: aiData.action_url,
          },
        },
      ],
      flex: 0,
    };
  }

  bubbles.push(answerBubble);

  if (aiData.tips && aiData.tips.length > 0) {
    aiData.tips.forEach(function (tip, index) {
      bubbles.push({
        type: 'bubble',
        header: {
          type: 'box',
          layout: 'vertical',
          contents: [
            {
              type: 'text',
              text: `💡 優化心法 ${index + 1}`,
              weight: 'bold',
              size: 'lg',
              color: '#ffffff',
            },
          ],
          backgroundColor: '#e67e22',
        },
        body: {
          type: 'box',
          layout: 'vertical',
          contents: [
            {
              type: 'text',
              text: tip.title,
              weight: 'bold',
              size: 'md',
              color: '#d35400',
              wrap: true,
            },
            {
              type: 'separator',
              margin: 'md',
            },
            {
              type: 'text',
              text: tip.desc,
              wrap: true,
              size: 'sm',
              margin: 'md',
            },
          ],
        },
      });
    });
  }

  const payload = {
    replyToken: replyToken,
    messages: [
      {
        type: 'flex',
        altText: '助教回覆了您的問題！',
        contents: {
          type: 'carousel',
          contents: bubbles,
        },
      },
    ],
  };

  const options = {
    method: 'post',
    headers: {
      'Content-Type': 'application/json',
      Authorization: `Bearer ${LINE_CHANNEL_ACCESS_TOKEN}`,
    },
    payload: JSON.stringify(payload),
  };

  UrlFetchApp.fetch(url, options);
}

// =========================================================================
// 4. Gemini AI 溝通相關函式
// =========================================================================

function callGeminiAPI(userMessage, base64Image, history) {
  const url = `https://generativelanguage.googleapis.com/v1beta/models/${GEMINI_MODEL}:generateContent?key=${GEMINI_API_KEY}`;
  const qaContext = getQAKnowledge();

  const systemInstruction = `
你是「職場 AI 加速術：NotebookLM 與雲端工具應用」課程的專屬 AI 助教。
你的任務是解決學員關於 Google 表單、Google 試算表（公式、樞紐分析、圖表）、NotebookLM 與 GAS 自動化的問題。
如果使用者上傳了圖片（例如報錯截圖或資料截圖），請仔細觀察圖片內容找出錯誤或給予建議。

${qaContext}

【回覆格式嚴格限制】
你必須直接回傳一個純 JSON 格式的物件，不能包含 markdown 的 json 區塊標籤，格式如下：
{
  "answer": "直接且親切地回答使用者的問題或報錯原因...",
  "action_label": "按鈕文字（若解答中需要提供網址，請給簡短行動呼籲；若無網址請留空）",
  "action_url": "若解答中需要提供網址連結請填入此處（需為 http 或 https 開頭；若無網址請留空）",
  "tips": [
    {
      "title": "進階心法標題",
      "desc": "如何做得更好的具體建議或觀念說明..."
    }
  ]
}
`;

  const currentMessageParts = [];

  if (base64Image) {
    currentMessageParts.push({
      inlineData: {
        mimeType: 'image/jpeg',
        data: base64Image,
      },
    });
  }

  currentMessageParts.push({ text: userMessage });

  const contents = history.concat([
    {
      role: 'user',
      parts: currentMessageParts,
    },
  ]);

  const payload = {
    systemInstruction: {
      parts: [{ text: systemInstruction }],
    },
    contents: contents,
    generationConfig: {
      responseMimeType: 'application/json',
    },
  };

  const options = {
    method: 'post',
    contentType: 'application/json',
    payload: JSON.stringify(payload),
    muteHttpExceptions: true,
  };

  const response = UrlFetchApp.fetch(url, options);
  const json = JSON.parse(response.getContentText());

  try {
    const responseText = json.candidates[0].content.parts[0].text;
    return JSON.parse(responseText);
  } catch (e) {
    return {
      answer: '抱歉，助教剛剛有點當機，請再試一次或換個說法詢問喔！',
      action_label: '',
      action_url: '',
      tips: [],
    };
  }
}

// =========================================================================
// 5. 對話紀錄（上下文）快取管理
// =========================================================================

function getHistory(userId) {
  const cache = CacheService.getScriptCache();
  const historyStr = cache.get(`history_${userId}`);

  if (historyStr) {
    return JSON.parse(historyStr);
  }

  return [];
}

function saveHistory(userId, newHistory) {
  const cache = CacheService.getScriptCache();

  if (newHistory.length > 10) {
    newHistory = newHistory.slice(newHistory.length - 10);
  }

  cache.put(`history_${userId}`, JSON.stringify(newHistory), 1800);
}

// =========================================================================
// 6. Google 試算表整合函式
// =========================================================================

function getQAKnowledge() {
  try {
    const sheet = SpreadsheetApp.openById(SPREADSHEET_ID).getSheetByName(SHEET_NAME_QA);

    if (!sheet) {
      return '';
    }

    const data = sheet.getDataRange().getValues();

    if (data.length <= 1) {
      return '';
    }

    let qaString = '【以下為課程專屬 QA 知識庫，若學員詢問相關問題，請優先參考以下內容並整合進回覆：】\n';

    for (let i = 1; i < data.length; i++) {
      const question = data[i][0];
      const answer = data[i][1];

      if (question && answer) {
        qaString += `Q: ${question}\nA: ${answer}\n\n`;
      }
    }

    return qaString;
  } catch (e) {
    console.error('讀取 QA 知識庫失敗:', e);
    return '';
  }
}

function saveLogToSheet(userId, userMessage, aiResponse) {
  try {
    const sheet = SpreadsheetApp.openById(SPREADSHEET_ID).getSheetByName(SHEET_NAME_HISTORY);

    if (!sheet) {
      return;
    }

    const timestamp = new Date();
    const aiAnswerText = aiResponse.answer || '無文字回應';
    sheet.appendRow([timestamp, userId, userMessage, aiAnswerText]);
  } catch (e) {
    console.error('儲存紀錄至試算表失敗:', e);
  }
}

步驟四：部署為網頁應用程式，取得 Webhook URL​

點擊 GAS 編輯器右上角的「部署」→「新增部署作業」。

1. 類型選「網頁應用程式」
2. 說明可填「版本 1」
3. 存取權限務必選擇「所有人」

第一次部署時，Google 會要求你授權 Apps Script 存取相關服務。由於這支程式會用到 SpreadsheetApp，系統會另外提示試算表權限，照流程授權即可。

完成後你會拿到一組以 https://script.google.com/macros/s/.../exec 開頭的網址。為了搭配剛剛設定的 WEBHOOK_SECRET，請在網址後面加上 ?key=你的_WEBHOOK_SECRET，最後會像這樣：

https://script.google.com/macros/s/你的部署ID/exec?key=你的_WEBHOOK_SECRET

這就是等一下要貼回 LINE Developers 的 Webhook URL。這個做法的目標不是做到銀行等級的驗證，而是避免任何人只要猜到 GAS Web App 網址就能直接送假資料進來。若你要做更嚴謹的正式服務，建議改用 Cloud Run、Cloudflare Workers 或其他能讀取 HTTP Header 的後端，並驗證 LINE 的 X-Line-Signature。

如果你想比較不同部署方式，我之前也寫過在 Render 上快速部署 HackMD 與 LINE 的聊天機器人，以及用 GitHub Codespace 建立並部署 LINE Bot。這篇採用 GAS，是因為課程場景已經使用 Google 試算表，資料庫、程式與部署都放在同一個 Google 生態系裡，維護成本會更低。

步驟五：回到 LINE Developers 綁定 Webhook​

進入你的 Messaging API 設定頁面後：

1. 找到 Webhook URL 欄位
2. 貼上剛剛部署得到、並且已加上 ?key=... 的 Apps Script 網址
3. 儲存後打開 Use webhook
4. 記得關掉 LINE 預設的 Auto-reply messages，避免和你自己的 Bot 打架

再補一層：聊天紀錄也要有資料保護意識​

這支範例程式會把學員的提問與 AI 回覆寫進 Google 試算表，這對教學分析很有幫助，但也代表你正在保存對話資料。實務上建議這樣處理：

圖：Webhook URL 加上 shared secret 只是第一層門禁；真正上線後，聊天紀錄的權限與保存期限也要一起管理。

• 試算表只開給課程管理者，不要設定成公開連結可讀或可編輯。
• 事先告知學員：這個助教會保存對話紀錄，目的是改善課程與追蹤常見問題。
• 不要要求學員在 LINE 裡輸入身分證字號、信用卡、住址、病歷等高敏感資料。
• 如果只需要分析問題類型，可以定期把 學員LINE ID 改成匿名代號，或刪除舊資料。
• 課程結束後設定資料保存期限，例如保留 30 到 90 天，之後刪除或脫敏。

如果你的場景真的會處理個資或企業內部資料，就不要把這篇範例直接當正式系統上線；至少要再補上權限控管、資料保存政策、錯誤告警與 API 使用量監控。

完成後怎麼測？​

你可以先從最簡單的問題開始測，例如直接傳：

請問課程的報名網址在哪裡？

如果設定正確，助教會回你一組 Flex Message 輪播卡片。第一張卡片會顯示主要解答，並自動產生「點擊前往」的網址按鈕；後面的卡片則會顯示進階心法或補充技巧。這樣的呈現方式不只資訊更清楚，對學員來說也更像一個真的有被設計過的服務。

接著你也可以試幾種更貼近實際教學現場的情境：

• 傳送一張 Google 試算表公式錯誤截圖，測試 Gemini 的看圖能力
• 連續追問同一個主題，觀察上下文記憶是否有生效
• 到聊天紀錄工作表查看是否有自動寫入問題與回覆
• 修改 QA知識庫 裡的標準答案，測試助教是否會跟著調整回覆方向

這個架構為什麼實用？​

這套做法的關鍵，不只是把 LINE 和 AI 串起來，而是把「知識庫、上下文、結構化輸出、商務流程」四件事一起做好。

以前很多人做 LINE Bot，做到最後會卡在兩個問題：第一是 AI 很會講，但講錯也很敢講；第二是訊息送出去之後，完全沒有留下可分析的資料。這篇文章的做法，剛好就是針對這兩個問題下手。

你把課程資訊、FAQ、標準說法寫在 Google 試算表裡，AI 每次回覆前都先參考它，等於先幫助教建立了「說話邊界」。這個方向延續了我在客製化 AI 教學助手裡談過的角色設定概念，只是這次再往前多做了知識庫、圖片理解與對話紀錄。再配合 CacheService 的短期上下文記憶，以及 Flex Message 的結構化輸出，就能把原本散亂的問答體驗，變成更像真人助教的服務流程。

延伸閱讀：如果你想繼續改造這個 LINE AI 助教​

• 用 HackMD API 打造個人專屬 LINE BOT 助手：適合補 LINE Developers、Webhook、Token 與基本 Bot 流程。
• 客製化你的 AI 教學助手：蘇格拉底引導教學法：適合思考 AI 助教的人設、互動語氣與教學定位。
• 在 Zeabur 使用 n8n 開發 LINE Bot：新手與開發者的真實體驗：適合比較 Low Code、Flex Message、RAG 與節點式自動化流程。
• 在 Render 上快速部署 HackMD 與 LINE 的聊天機器人：適合想把 Bot 部署到一般雲端服務的讀者。
• 如何使用 GitHub Codespace 建立並部署 LINE Bot：適合想用雲端開發環境完成 LINE Bot 實作的人。

小結​

這次的升級，示範的是一種很務實的 AI 應用方式：不是追求讓模型什麼都會，而是把它放進一個你能控制、能維護、能分析的流程裡。

透過 GAS、Gemini、LINE Messaging API 與 Google 試算表，你可以用相對低門檻的方式做出一個專屬課程助教，還能持續擴充知識庫、優化回覆品質，甚至回頭分析學員真正卡住的問題。

如果你也想做一個「不只會回話，還能真正幫忙教學」的 LINE AI 助教，這套架構很值得你直接實作一次。

Java 陣列是 call by address？Python 是 call by reference？兩個常見誤解一次釐清

剛開始教初學者時，我很常看到同一種答案反覆出現：

• Java 陣列傳進方法後可以改到內容，所以它是 call by address
• Python 的 list 傳進函式後也能改到外面的值，所以它是 call by reference

這兩句話都很像對的，因為從執行結果看起來，真的很像「我把東西交進去，裡面改了，外面也跟著變」。但也正因為「看起來很像」，但又似乎看過相異的解釋，深怕錯誤的解釋會影響學習效果。

這篇我從錯誤認知出發，借助 AI 詢問釐清自己的觀念，最後希望能回到官方真正的說法。

上述兩個說法都不夠精確​

Java​

不是 call by address，而是 pass by value。只是當你傳的是物件或陣列時，傳進去的那個「值」，是參考值的副本。

Python​

Python 官方也不把它叫做 call by reference。Python FAQ 的說法是 arguments are passed by assignment，而且明白寫到 there's no ... call-by-reference。

所以，如果要用一句最不容易誤導學生的話來說：

Java 一律是傳值；Python 不是 call by reference。

為什麼這麼多人會學成錯的？​

因為下面這種程式，真的很容易讓人誤會。

Java 範例​

public class Main {
    public static void change(int[] arr) {
        arr[0] = 100;
    }

    public static void main(String[] args) {
        int[] nums = {1, 2, 3};
        change(nums);
        System.out.println(nums[0]);
    }
}

輸出：

100

Python 範例​

def change(arr):
    arr[0] = 100

nums = [1, 2, 3]
change(nums)
print(nums[0])

輸出：

100

學生看到這裡，第一個反應通常都很合理：

「都改得到外面，那不就是 reference 嗎？」

這個推論很自然，但問題就出在這裡：「改得到同一個物件內容」不等於「呼叫端變數本身是被 reference 傳進去」。

先建立一個基本觀念：變數不是在搬整個陣列​

最容易卡住的地方，是腦中會把變數想成「盒子裡直接裝著整個陣列」。

但比較接近實際的理解是：

• 變數手上拿的是一張「位置紙條」
• 紙條上寫著：那個陣列 / list 在哪裡
• 所以變數不是整個陣列本身，而是找到它的方式

可以先想成這樣：

nums ───► [1, 2, 3]

在 Java 裡，這種理解格外重要，因為官方規格直接寫到：arrays are objects。也就是說，陣列本身就是物件。

Java 官方原文： "In the Java programming language, arrays are objects..." — JLS Chapter 10

釐清認知一：Java 陣列是 call by address ?​

這是常看到的說法，也是在教學時對照文獻後想要釐清的根本觀念。Java 官方教學的英文原意很直接：

"Reference data type parameters, such as objects, are also passed into methods by value." — Oracle Java Tutorials

這句話很重要，原文比中文更能解釋，代表當你呼叫：

change(nums);

Java 不是把 nums 這個變數本人交進去，而是把 nums 裡面保存的那個參考值複製一份，交給方法參數 arr。

所以比較像這樣：

main 內                 change 內

nums ───► [1, 2, 3] ◄─── arr

因為 nums 和 arr 都指向同一個陣列，所以你在方法裡做：

arr[0] = 100;

改到的是同一個陣列內容，外面當然也會看到變化。

這也是為什麼學生會覺得「很像 reference」，但官方還是堅持它叫 by value：因為被複製的是參考值，不是外面那個變數本身。

如何證明 Java 不是 call by address？​

我們直接看第二個例子。

public class Main {
    public static void reset(int[] arr) {
        arr = new int[]{9, 9, 9};
    }

    public static void main(String[] args) {
        int[] nums = {1, 2, 3};
        reset(nums);
        System.out.println(nums[0]);
    }
}

輸出：

1

如果 Java 真的是「外面的變數直接被交進方法裡」，那 arr = new int[]{9,9,9}; 之後，外面的 nums 理論上也應該一起改掉。

但它沒有。

原因就在於：

• arr 拿到的只是 nums 的參考值副本
• 接著把 arr 改去指向新陣列
• 改到的只有方法裡自己的 arr
• 外面的 nums 還是原本那個陣列

圖解會更清楚：

原本：
nums ───► [1, 2, 3] ◄─── arr

方法內重新指定後：
nums ───► [1, 2, 3]

arr  ───► [9, 9, 9]

也就是說，Java 陣列傳參數時真正發生的是：

• 可以透過參考值副本，改到同一個物件內容
• 但不能直接改掉呼叫端變數的綁定

這就是 Java 官方為什麼堅持它是 pass by value。

釐清認知二：Python 就是 call by reference​

這個

誤解也非常普遍，原來的我也無法很精確地釐清，尤其對於學過 C、C++ 之後再來看 Python，更容易直接套上 call by reference 這個詞。

但 Python 官方 FAQ 寫得更直接：

"Remember that arguments are passed by assignment in Python."

而且同一段後面還有一句更關鍵的：

"Since assignment just creates references to objects, there's no alias between an argument name in the caller and callee, and consequently no call-by-reference." — Python FAQ

這句話到底在講什麼？​

意思是：

• 函式參數只是多了一個名字
• 這個名字一開始也指向同一個物件
• 但它不是外面那個變數本身的別名
• 所以 Python 不把它叫做 call-by-reference

Python 為什麼也會讓人誤會？​

先看一個大家都很熟的例子：

def change(arr):
    arr[0] = 100

nums = [1, 2, 3]
change(nums)
print(nums[0])

輸出：

100

這時候可以想成：

nums ───► [1, 2, 3] ◄─── arr

因為 nums 和 arr 都指向同一個 list，所以改 arr[0] 時，當然也就改到了原本那個 list 內容。

但真正的關鍵，是再看另一個例子。

def reset(arr):
    arr = [9, 9, 9]

nums = [1, 2, 3]
reset(nums)
print(nums[0])

輸出：

1

這裡和 Java 幾乎是同樣的觀察：

• arr = [9, 9, 9] 只是把函式裡的 arr 改成指向另一個新物件
• 外面的 nums 完全沒有被重新綁定
• 所以外面還是原本那個 [1, 2, 3]

圖解：

原本：
nums ───► [1, 2, 3] ◄─── arr

重新指定後：
nums ───► [1, 2, 3]

arr  ───► [9, 9, 9]

所以 Python 的問題不是「它很像 reference」，而是「它常常讓你誤以為參數和外面變數是同一個東西」。官方才會特別說：no call-by-reference。

真正容易搞混的是哪一點？​

不是語法，而是基於以下重要的核心區別：

是在「改內容」還是「改指向」？​

透過與AI互動詢問，我發現可以透過上述問題釐清觀念：

如果是在改內容：​

arr[0] = 100;

arr[0] = 100

這叫改同一個物件的內容。因為兩邊都還指向同一個陣列 / list，所以外面看得到。

如果是在改指向：​

arr = new int[]{9, 9, 9};

arr = [9, 9, 9]

這叫讓參數自己改去指向新物件。這時候只會影響函式裡的參數，不會改到外面的變數綁定。

很多誤解，其實不是搞不懂 reference，而是把「改內容」和「改指向」混成同一件事。

Java 和 Python 到底差在哪？​

在這個問題上，它們的表現結果很像，只是官方命名方式不同。

Java 的官方說法​

• 參考型別參數也是 passed by value
• 陣列是物件

Python 的官方說法​

• 參數是 passed by assignment
• no call-by-reference

如果要將正確的意義教給學生，也許我建議這樣講，比較能貼近英文原意與實際程式行為：

Java：傳的是參考值的副本。 Python：函式參數只是新增一個指向同一物件的名字。

表格對照​

以上幾點都能從 Java 官方教學與 Python 官方 FAQ 對照得到。

仔細辨別，可以避免誤解的觀念​

很多人會說：

「可以改到外面的值，所以就是 reference。」

這句話有很大的問題是把結果當成機制，你看到的結果是「內容被改到了」，但真正的機制可能只是「兩邊都剛好指向同一個可變物件」。

這兩件事長得很像，但不是同一件事。Java 與 Python 官方文件，其實都在提醒你這個差別。

最後，該怎麼正確的理解陣列參數傳遞行為?​

Java​

Java 一律是 pass by value。陣列或物件傳入方法時，傳的是參考值的副本。

Python​

Python arguments are passed by assignment。Python 官方 FAQ 也明確指出沒有 call-by-reference。

再補一句白話版：

兩者都能改內容，但都不能直接改掉外面變數本身的指向。

把這句記起來，這個觀念就不太會再混掉了。

參考資料​

1. Oracle Java Tutorials, Passing Information to a Method or a Constructor https://docs.oracle.com/javase/tutorial/java/javaOO/arguments.html
2. Java Language Specification, Chapter 10. Arrays https://docs.oracle.com/javase/specs/jls/se7/html/jls-10.html
3. Python Documentation, Programming FAQ https://docs.python.org/3/faq/programming.html

為什麼該用 uv 取代傳統的 Python venv？​

你有沒有遇過這種狀況：寫 Python 程式時，明明在自己電腦能跑，但換到同學的電腦就出錯？或者安裝了一個新套件後，之前的程式竟然跑不動了？

這就像你在房間裡亂丟衣服，最後找不到想穿的衣服一樣！今天要介紹一個超厲害的工具 uv，它就像是幫你整理房間的魔法管家，讓每個 Python 專案都有自己整齊的「小房間」。

一、什麼是 uv？為什麼它這麼厲害？​

想像一下，你的電腦就像是一個大宿舍，每個 Python 專案就像是一個學生。如果所有學生都住在同一間房間，就會很亂：

• 小明要用 Pandas 1.5 做作業
• 小華要用 Pandas 2.0 做專題
• 結果兩個版本互相打架，誰的程式都跑不動！

uv 就像是宿舍管理員，它會給每個專案分配一個獨立的房間（虛擬環境），讓大家各自安心使用需要的工具。

uv 是一個用 Rust 語言製作的超快工具，它可以幫你：

• 🏠 建立虛擬環境（取代 venv）- 就像給每個專案一個獨立房間
• 📦 安裝和管理套件（取代 pip）- 就像幫你整理房間裡的物品
• 🐍 管理 Python 的不同版本（取代 pyenv）- 就像準備不同年級需要的教科書
• 🔒 建立穩定的鎖檔（lockfile）- 就像記錄每個房間裡有什麼東西
• ⚡ 快速執行工具（取代 pipx）- 就像借用工具但不用搬到自己房間

最重要的是，uv 超級快！ 官方說它比傳統方式快了 10 到 100 倍。就像從走路換成坐高鐵一樣！

Source

二、uv 比傳統 venv 更棒在哪？​

三、為什麼每個開發者都應該養成使用虛擬環境的習慣？​

🔧 真實痛點分享：我記得剛學 Python 的時候，為了做學校作業安裝了 numpy 1.19，結果同時要做另一個專案時，發現需要 numpy 1.21 才能跑。我天真地直接升級，結果之前的作業程式全部掛掉，當時真的快哭了！那時候我還不知道虛擬環境這個救星。

👥 團隊合作的慘痛經驗：和同學一起做專題時，我的電腦用 requests 2.31，他的電腦是 2.25，結果我們的 API 呼叫程式在我這邊跑得好好的，到他那邊就一直報錯。我們找 bug 找了整整一個下午，最後才發現是版本不同惹的禍！

💡 問題 1：為什麼我們需要虛擬環境？​

你可以想像一下，如果你和室友共用一個書桌：

• 你正在寫數學作業，需要計算機和直尺
• 室友要畫圖，需要彩色筆和橡皮擦
• 如果你們的工具混在一起，是不是很容易拿錯？

虛擬環境就像給每個人一個專屬的文具盒，這樣：

• 數學作業不會被畫圖工具干擾
• 每個專案都能用自己需要的「工具版本」
• 就算安裝新工具，也不會影響到其他專案

💡 問題 2：什麼時候需要用虛擬環境？​

• 同時進行多個 Python 專案（就像同時修好幾科課程）
• 和同學合作做專題（確保大家的「工具箱」一模一樣）
• 想試用新套件但怕弄壞現有程式（就像想換新手機 App 但怕刪到重要資料）

💡 問題 3：建立好習慣的簡單步驟​

• 每次開新專案，第一件事就建立虛擬環境（就像搬進新房間先整理衣櫃）
• 用 requirements.txt 記錄需要哪些套件（就像列購物清單）
• 記得把 .venv/ 加到 .gitignore（不要把整個房間都上傳到 GitHub）

💡 問題 4：新手常見疑問解答​

Q：虛擬環境會佔用很多硬碟空間嗎？ A：每個虛擬環境大約 10~30MB，就像一個小遊戲的大小，完全不用擔心！

Q：虛擬環境會不會把我的 Python 弄壞？ A：絕對不會！虛擬環境就像在沙盒裡玩沙，只在自己的小天地裡運作，對外面的世界完全沒影響。

Q：忘記啟動虛擬環境怎麼辦？ A：沒關係！只要重新啟動就好，就像忘記帶文具盒去教室，回去拿就好了。

✅ 小結：虛擬環境就像專屬工具箱 使用虛擬環境就像給每個專案準備一個專屬的工具箱，裡面放著這個專案需要的所有工具。這樣不同專案就不會互相干擾，也能確保和同學合作時大家用的工具都一樣。

四、超簡單的 uv 使用教學（連國中生都能學會！）​

🎯 親身經歷分享：剛開始學 Python 時，光是搞懂 venv、pip、requirements.txt 這些東西就花了我好久時間。每次要開新專案都要敲一堆指令，有時候還會忘記步驟。自從用了 uv 之後，真的變得超簡單，一個指令就搞定！

以下步驟適合 Windows、macOS 和 Linux 使用者：

🚀 步驟 1：安裝 uv（只要做一次就好！）​

Windows 使用者：

# 先安裝 pipx（如果還沒有的話）
pip install pipx

# 用 pipx 安裝 uv
pipx install uv

macOS 與 Linux 使用者：

# 官方推薦的安裝方式
curl -LsSf https://astral.sh/uv/install.sh | sh

💡 小提醒：就像下載 Line 或 Instagram 一樣，只要下載一次就可以一直用囉！

🏠 步驟 2：建立你的專案「小房間」​

# 建立一個新的虛擬環境（就像蓋一間新房子）
uv venv

# 想要指定 Python 版本嗎？（就像選房間要幾坪大）
uv venv --python 3.12

🔑 步驟 3：進入你的專案房間​

Windows 使用者：

.\.venv\Scripts\activate

macOS 與 Linux 使用者：

source .venv/bin/activate

🎉 成功指標：看到終端機前面出現 (.venv) 就表示你已經進入虛擬環境了！就像看到房門上貼著你的名字一樣。

📦 步驟 4：安裝你需要的工具（套件）​

# 安裝單一套件（超快！）
uv pip install pandas

# 安裝多個套件
uv pip install pandas requests matplotlib

# 從檔案安裝所有套件（就像照購物清單買東西）
uv pip install -r requirements.txt

⚡ 速度體驗分享：以前用 pip 安裝 pandas 要等 30 秒，用 uv 只要 3 秒！就像從撥接網路升級到光纖一樣爽快！

📝 步驟 5：記錄你用了哪些工具（製作清單）​

# 建立套件清單（就像列出房間裡有什麼家具）
uv pip freeze > requirements.txt

# 建立更精確的鎖檔（確保每次都用相同版本）
uv pip compile requirements.in -o requirements.lock

# 依照鎖檔安裝（確保環境完全一樣）
uv pip sync requirements.lock

🛠️ 步驟 6：快速使用一次性工具​

# 不用安裝就能使用工具（就像借朋友的計算機）
uv tool run black .  # 格式化程式碼
uv tool run pytest  # 執行測試

🎯 實用技巧：這個功能超讚！以前想用 black 格式化程式碼，還要先安裝，現在直接用就好了！

五、在不同環境使用 uv 的小技巧​

🎓 在 Google Colab 使用 uv 的建議方式​

雖然 Colab 無法直接使用虛擬環境（因為它本身就是個線上環境），但可以善用 uv 的快取與加速特性：

# 在 Colab 裡這樣用
!pip install uv
!uv pip install pandas numpy matplotlib

💡 小技巧：建議搭配 %%capture 抑制輸出，並於開頭一併執行，減少重複套件安裝時間。就像把購物清單一次買齊，不用每次都跑商店！

💻 在 Windows + VS Code 使用 uv 最佳實踐​

這是學生和開發者最常用的組合：

1. 開啟 VS Code Terminal：

   uv venv
   .\.venv\Scripts\activate
   uv pip install -r requirements.txt
   

2. 在左下角 Python 解譯器切換到 .venv\Scripts\python.exe

3. 將 uv 加入 settings.json 內的 python.defaultInterpreterPath 以利預設載入

🎯 實用心得：這樣設定後，每次打開專案都會自動使用正確的 Python 環境，就像房間會自動切換到你需要的照明模式一樣方便！

六、怎麼從傳統 venv 換成 uv？​

🔄 常見狀況：如果你已經習慣用 venv，沒關係！uv 很聰明，它可以跟你現有的虛擬環境和平共處。就像換了新的文具盒，舊的鉛筆還是可以用一樣！

如果你已經有 venv 的環境，完全不用重新開始：

# 在現有的虛擬環境裡，直接用 uv 安裝新套件
uv pip install 新套件名稱

# 用 uv 更新你的 requirements.txt
uv pip freeze > requirements.txt

💡 漸進式轉換小技巧：不用一次全部改掉，可以慢慢從新專案開始用 uv，舊專案照舊使用。就像換手機不用把所有照片都刪掉一樣！

七、哪些時候不適合使用 uv？​

雖然 uv 很棒，但有些情況還是要用傳統工具：

• 你的老師或主管堅持要用 Poetry（就像學校規定要穿制服一樣，沒辦法）

• 公司專案已經用 Conda 管理科學運算套件（就像全班都在用某個 App，你也要跟著用）

• 你需要一些特殊的 pip 參數（建議先確認 uv 是否支援）

🤷‍♂️ 實際建議：除了上述情況，大部分時候用 uv 都會讓你的開發更輕鬆！

八、如何移除 uv？​

如果想要移除 uv，可執行以下步驟：

1. 清除快取資料（非必要）：

uv cache clean

2. 刪除 uv 安裝的 Python 和工具：

rm -r "$(uv python dir)"
rm -r "$(uv tool dir)"

3. 移除 uv 的執行檔（視安裝位置而定）：

rm ~/.local/bin/uv ~/.local/bin/uvx

十、為什麼資深 Python 開發者會愛用 uv？​

以下透過實際範例比較，說明 uv 為什麼更受資深開發者喜愛：

以下透過實際範例比較，說明 uv 為什麼更受資深開發者喜愛：

🆚 傳統方式​

# 建立虛擬環境
python -m venv .venv
source .venv/bin/activate

# 安裝套件
pip install -r requirements.txt

# 建立鎖檔
pip install pip-tools
pip-compile requirements.in
pip-sync requirements.txt

✅ 使用 uv 的方式​

# 建立虛擬環境（若沒安裝過指定版本會自動處理）
uv venv --python 3.11

# 安裝套件
uv pip install -r requirements.txt

# 鎖檔與同步
uv pip compile requirements.in -o requirements.lock
uv pip sync -r requirements.lock

✅ 其他實用命令​

# 快速執行一次性工具，不汙染環境
uv tool run black .

# 移除全部快取與工具
uv cache clean

✅ 為什麼資深開發者會選 uv？​

• 節省時間：省略繁瑣安裝流程，一鍵完成

• 減少工具切換：整合 venv、pip、pip-tools、pyenv、pipx

• 更穩定：官方支援、鎖檔清楚、快取合理

• 適合團隊：易於寫入 CI/CD，也適合教新手快速入門

根據官方說明與實務觀察，資深開發者選擇 uv 通常有以下幾個原因：

• 速度就是生產力：uv 利用 Rust 高效處理封裝、快取與安裝，極大減少套件安裝與環境建立時間。

• 整合工具多合一：uv 同時整合 venv、pip、pip-tools、pipx、pyenv 的功能，一套工具即可搞定開發日常。

• 強大的可重現性：內建 compile 與 sync 機制，能保證部署時環境一致、版本鎖定穩定。

• 自動管理 Python 版本：不必額外裝 pyenv，uv 可直接下載並使用特定版本的 Python，方便管理多版本開發需求。

• 適合 CI/CD 與 Docker：uv 是單一可執行檔，非常容易整合到自動化流程，避免繁瑣相依設定。

這些優點讓資深開發者能更快速部署、更輕鬆維護專案環境。

⛓ 自動管理 Python 版本示範​

uv 可以幫你自動下載與管理所需的 Python 版本，無需另外安裝 pyenv：

# 安裝指定版本的 Python（若尚未存在）
uv python install 3.11

# 建立虛擬環境，並自動使用該版本
uv venv --python 3.11

透過這方式，開發者在不同專案間可以快速切換對應版本，避免「系統版本不同」導致出錯。

⚙️ 在 CI/CD 與 Docker 中使用 uv 的範例​

GitHub Actions CI 範例：​

jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v3

      - name: 安裝 uv
        run: curl -LsSf https://astral.sh/uv/install.sh | sh

      - name: 安裝相依套件
        run: uv pip install -r requirements.txt

      - name: 執行測試
        run: uv run pytest

Dockerfile 範例：​

FROM python:3.11-slim

# 安裝 uv
RUN curl -LsSf https://astral.sh/uv/install.sh | sh

# 設定工作資料夾
WORKDIR /app
COPY . .

# 安裝套件
RUN uv pip install -r requirements.txt

CMD ["uv", "run", "python", "main.py"]

這讓部署流程更加簡潔、快速，特別適合雲端平台或自動測試環境。

結語​

🔍 我自己的使用心得：以前我會忘記啟動虛擬環境，或裝在錯的地方，導致電腦裡的套件亂七八糟。自從開始用 uv 後，流程變得簡單不易出錯，尤其在教學生或帶新手時更順利。

uv 速度快又簡單，是 Python 開發的新好朋友。趕快試試看吧！

更多資訊：uv 官方 GitHub。

在 Zeabur 使用 n8n 開發 LINE Bot：新手與開發者的真實體驗​

這篇部落格將分享我在 Zeabur 使用 n8n 打造 LINE 聊天機器人的經驗，作為台中 AI 小聚假日場的第一位分享者，很榮幸能拋磚引玉與大家討論 Low Code 工具的實戰心得。

為什麼選擇 Zeabur 與 n8n？​

Zeabur 作為一個部署平台，擁有低門檻且豐富的樣板資源，整個部署流程可以用「絲滑」來形容，非常適合新手快速上手。但當實際開始串接 n8n 後，我發現情況可能稍有不同。

Zeabur 對於初學者來說非常友善，不論是部署速度還是樣板的多樣性，都能顯著降低技術門檻，讓沒有基礎的使用者也能快速啟動專案。

n8n 的真實體驗​

n8n 作為 Low Code 工具，雖然降低了不少開發門檻，但若你原本就習慣程式設計，反而可能需要額外時間熟悉各種節點操作與邏輯，這點可能會有些挫折。不過，對於有 API 串接經驗的人來說，n8n 仍然是個相對容易上手的強大工具。

Low Code 工具可以透過圖形控制拖拉等方式串接工作流程，使用者無須複雜的程式碼即可像積木般串接各個節點，達到方便彈性的優勢。

尤其推薦 5x 紅寶石 n8n 範本（搜尋 5x 即可找到），內建的登入介面能省下不少初始設置時間。這種內建登入系統能讓新手更快地跳過繁瑣的設定步驟，專注於功能實現。

用 n8n 打造彈性的 LINE Bot​

在實際串接 LINE Bot 的過程中，我一開始直接使用 Webhook 節點回傳 Flex Message，但很快遇到了卡片數量彈性不足的問題。後來透過 AI 模型產生結構化 JSON，再透過 Function 節點處理，成功解決了動態調整訊息卡片數量的限制。 GitHub - willismax/n8n-templates: 自己設定可以分享的n8n模板

透過這種結構化的方式，Flex Message 不再受限於固定格式，訊息卡片可以依據需求自由增減，更能滿足用戶互動多元化的需求。

RAG 增強生成檢索與 Supabase 搭配​

為了進一步增強 AI 的效能，我也嘗試在 n8n 中建構了增強生成檢索（RAG）系統，並使用 Supabase 儲存文字與向量混合資料。

Supabase 的預設資料庫結構十分便捷，不過成本稍高，特別要注意 Kong 元件預設記憶體高達 700MB，經過優化可以降到 100MB 左右。

此外，Supabase 雖然功能強大，但成本效益需要特別留意，尤其在專案初期若資源有限，更需謹慎評估使用方式與頻率。

提醒大家一點： 建議不要將 Supabase 與 n8n 部署於同一個 Zeabur 專案內，因為底層都是 PostgreSQL 資料庫，可能會發生意想不到的衝突，創辦人戲稱為「薛丁格的資料庫」。

實際應用建議與經驗總結​

1. 對於沒有程式基礎的使用者，建議先熟悉基本 API 串接技巧，有助於加速 n8n 的使用與應用。

2. 透過 AI 模型輔助設計動態訊息結構，能有效解決 n8n 節點固定格式的問題。

3. 持續監控與優化資源使用狀況，特別是 Supabase 等耗資源服務，才能更有效地控制專案成本。

以自己的經驗而言，Zeabur 與 n8n 的結合確實能為自動化流程提供便捷快速的解決方案，但實務操作中還是需要特別留意技術細節及資源管理，才能避免不必要的問題。最終，親自動手實踐才是掌握這些工具最好的方式。

希望今天的分享能給大家帶來一些啟發，也感謝 AI 小聚能給予我這個破圈的機會，期待未來更多的交流與學習！

簡介​

Whisper 是一個高效能的聲音轉文字工具，由 Const-me 開發，基於 OpenAI 的 Whisper 自動語音識別（ASR）模型。這個工具主要是針對 Windows 平台開發，提供了一個高效且易於使用的介面來處理語音識別任務，重點是可以離線使用、速度快，專案網址為 https://github.com/Const-me/Whisper ，以下介紹如何安裝與使用。

快速開始指南​

1. 下載和安裝：從 GitHub 存儲庫的“Releases”部分下載 WhisperDesktop.zip，解壓縮，並運行 WhisperDesktop.exe。

2. 選擇模型：解壓縮啟動主程式(一個小花圖案)，系統會提示您下載一個模型。建議下載 ggml-medium.bin（大小為1.42GB），因為這是作者最常用於測試的模型。

3. 轉寫音頻文件：接下來的介面允許您選擇要轉寫的音頻文件。 中文可能是繁體或簡體。WebVTT subtitles檔案可以上傳至Youtube影片字幕(有時間軸)，視需要選用。

4. 即時轉譯：此外，還有一個介面可以捕獲並轉寫或翻譯來自麥克風的即時音訊。

主要特點​

• 廣泛的兼容性：基於 DirectCompute 技術，支持各種供應商的 GPU。
• 效能優化：相較於 OpenAI 的實現，經過 C++ 編譯後的 Whisper 在轉寫速度上有明顯的提升。
• 多格式音頻支持：支持大多數音頻和視訊格式，以及大部分在 Windows 上工作的音頻捕獲設備。
• 低內存使用：相比於其他方案，使用的記憶體更少。

系統要求​

• 平台支持：僅支持64位的 Windows 系統。理論上應該在 Windows 8.1 或更新的版本上運行，但開發者僅在 Windows 10 上進行了測試。
• 硬體要求：需要一個支持 Direct3D 11.0 的 GPU，以及支持 AVX1 和 F16C 的 CPU。

結語​

這個開源專案速度快、離線可用，而且對於隱私資料而言相對安全，可以幫助完成會議紀錄等任務，即便有錯誤也瑕不掩瑜，分享給有需要的各位。

介紹​

在這篇文章中，我們將探討如何使用 GitHub Codespace 快速有效地建立和部署 LINE Bot。GitHub Codespace 提供了一個雲端開發環境，使得開發人員可以在任何地方進行開發和部署。這種方式的好處是不需要本地環境配置，且環境變數的設置增加了項目的安全性。

步驟一：設置 GitHub Codespace​

首先，你需要在 GitHub 上啟用 Codespace 並克隆你的專案。

1. 登入你的 GitHub 帳號。
2. 找到你的專案倉庫，點擊 "Code" 按鈕，選擇 "Open with Codespaces"。
3. 選擇 "New codespace" 來建立一個新的開發環境。

步驟二：設置環境變數​

在 Codespace 中設置你的 LINE Bot 的環境變數：

1. 創建一個 .env 檔案。

2. 加入以下環境變數：

   LINE_CHANNEL_SECRET=你的channel_secret
   LINE_CHANNEL_ACCESS_TOKEN=你的access_token 
   

3. 在這個示範專案，可以將MediaSystem-Python-Course\06.Line-bot-fly-flask\的config-templete.py另存為config.py，也就是環境變數儲存在config.py的檔案裡，這是一個簡易用法不建議正式使用，使用環境變數對機密資訊才有較佳的保護。

步驟三：安裝依賴​

在 Codespace 的終端機運行以下命令安裝所需依賴：

pip install -r requirements.txt

步驟四：編輯程式碼​

使用 GitHub Copilot 來協助編寫和優化程式碼。例如，以下是一個簡單的 Flask 應用來回應 LINE Bot 的訊息：

from flask import Flask, request, abort
from linebot import LineBotApi, WebhookHandler
from linebot.exceptions import InvalidSignatureError
from linebot.models import MessageEvent, TextMessage, TextSendMessage

app = Flask(__name__)

line_bot_api = LineBotApi('YOUR_CHANNEL_ACCESS_TOKEN')
handler = WebhookHandler('YOUR_CHANNEL_SECRET')

@app.route("/callback", methods=['POST'])
def callback():
    signature = request.headers['X-Line-Signature']
    body = request.get_data(as_text=True)
    try:
        handler.handle(body, signature)
    except InvalidSignatureError:
        abort(400)
    return 'OK'

@handler.add(MessageEvent, message=TextMessage)
def handle_message(event):
    line_bot_api.reply_message(
        event.reply_token, TextSendMessage(text=event.message.text))

if __name__ == "__main__":
    app.run()` 

步驟五：測試與部署​

啟動你的 Flask 應用並進行測試。你不需要使用 ngrok 來建立 TLS 認證。

1. 在 Codespace 的終端機運行你的 Flask 應用。
2. 使用 LINE Bot 進行測試，確保一切運行正常。

結語​

使用 GitHub Codespace 來建立和部署 LINE Bot 是一個高效且安全的方法。這種方式不僅節省了設置本地開發環境的時間，還提供了一個穩定和安全的開發平台。希望這篇文章能夠幫助你順利完成 LINE Bot 的開發和部署。

老師們現在不僅對教學充滿熱情，也愈來愈善於運用科技工具，如LINE官方帳號，來與學生和家長保持緊密的溝通。這些努力無疑是朝著以下兩大目標邁進：

1. 激發學生的好奇心：鼓勵學生主動提問，並引導他們思考解決問題的方法。
2. 個別化教學：深入了解每位學生的學習進度和思維方式，以因材施教。

🤖 專案介紹​

這個專案的核心目的是要讓老師們能在已有的LINE官方帳號上，快速加入一個AI助教—使用ChatGPT技術。這樣一來，AI助教能夠第一時間回應學生的問題，如果遇到AI不能解決的問題，它還會建議學生直接聯繫老師。這讓老師有更多的時間和空間來專注於其他重要的教學任務。

🛠️ 如何開始？​

這個專案極力降低相關的技術門檻。實際上，在幾乎不需要寫任何程式碼的情況下，老師就能設置起這個AI助教服務。你只需完成以下幾個簡單的步驟：

1. 註冊本服務
2. 在LINE官方帳號後台進行相應設定
3. 啟用ChatGPT作為你的AI助教

完成以上步驟後，你就能讓ChatGPT開始擔任你的AI助教，預先回答學生的問題。

👉 歡迎各位老師運用，打造更智慧、更高效、教學相長的教學環境！

📚 在開始之前，你需要了解的​

在你開始使用這個專案之前，有一些基礎的技術和費用信息你需要知道。

技術環境​

• 涉及的技術和環境如下：
  • 程式語言: Python
  • 伺服器後端框架: Flask
  • FaaS雲端服務: Vercel
  • AI對話功能: OpenAI API (ChatGPT-3.5-tubo)
  • 聊天環境: LINE (LINE Message API)

花費預估​

• Vercel

  • Hobby方案允許你免費建立最多3個專案。
  • 注意：如果伺服器處理時間超過10秒，將會被判定為Time Out。
  • Vercel 費用詳情

• OpenAI API

  • 初次註冊有免費額度，API使用需綁信用卡。
  • 本專案預設使用的是2023/11釋出的 GPT-4-1106-preview。
  • OpenAI 費用詳情
  • 

• LINE 主動訊息

  • 額度內免費，目前是200則訊息（2023/9月前為500則）。
  • 由使用者提問的回覆（Reply）免費。
  • 老師主動發送的訊息（Push）有200則限制。
  • LINE 費用詳情
  • 
  • 

  提醒您: 所有的費用和限制可能會隨著各個服務供應商的政策改變而變動，建議定期查看官方網站以獲取最新資訊。

如何建立自己的 LINE AI助教？​

這份指南將引領您從LINE 官方帳號開始，不同於開發者通常從 LINE Developers 開始。不過，不管從哪裡出發，最終目標相同：建立一個集成 ChatGPT 的 LINE 官方帳號。

🌟 步驟1：初始化 LINE 官方帳號 🌟​

首先，我們需要建立一個基本的、無AI功能的 LINE 官方帳號。學生們可以即刻加入這個帳號。這個帳號初期僅支持手動聊天，AI 功能將在後續逐步加入。

1. 前往 LINE 官方帳號管理頁面

2. 填寫必要資訊：這些資訊也會是學生看到的名稱。

3. 選擇「稍後認證官方帳號」：這個認證過程不會影響本專案。

4. （選擇性）建立圖文選單：利用圖文選單可提供班級公告、相片集等。

   • 主頁 > 圖文選單 > 參考說明

5. 啟用 Webhook 🔗

   • Webhook 是一個可用程式處理訊息的通道。
   • 通過 Webhook，我們將使用 Vercel 平台、Python Flask 框架和 OpenAI API。

🌟 步驟2：註冊必要的平台並獲取 API Token​

1. 註冊必要平台：包括 GitHub、Vercel、OpenAI API、LINE Developers。
2. 獲取 OpenAI API Token：保存好這個 Token，它是一次性的。

🌟 步驟3：設置 LINE Developer Channel 及獲取 Secret, Token 🌟​

3.1 獲取 Channel Secret 🔒​

• 從 LINE 官方帳號或 LINE Developer Channel 都可獲取。

3.2 獲取 Channel Access Token 🔑​

• 在 LINE Developer Channel 下生成。

🌟 步驟4：Fork GitHub 專案 🌟​

• Fork 這個專案至您自己的 GitHub 儲存庫。

🌟 步驟5：部署至 Vercel 🌟​

1. 建立 Vercel 專案
2. 連接 GitHub 和選擇專案
3. 設定環境變數並部署

• 您需要設定的環境變數為OPENAI_API_KEY、LINE_CHANNEL_ACCESS_TOKEN及LINE_CHANNEL_SECRET，在這裡的環境變數能受到較佳的保護，至少比放在程式碼裡安全許多。

4. 修正支援的Nodejs版本

• 如果遇到Python安裝版本問題，依據官方文件，Vercel預設的Node.js版本為20.x，不支援Python，請在專案的設定>一般的選項裡，將Node.js改選為18.x版本。

• 修改後請選擇部署，或到專案的佈署歷程中選擇再次部署，就會改用Node.js 18.x版再跑一次。

🎉 完成！ 🎉​

恭喜您，現在您已經成功建立了自己的 AI 助教！現在可以透過 LINE 官方帳號進行測試。

🔧 進階設定：打造個性化的AI助手​

• 若要讓AI助手更符合你的需求和風格，OpenAI API提供了一個彈性的方式讓你自行設定AI的角色。具體來說，你只需要在對話設定中添加 messages: [{ role: "system", content: "你的AI助手人設" }] 即可。

• 進行這項設定只需前往api/prompt.py並在AI_GUIDELINES後修改提示文字即可。不過，因為Vercel的免費版有10秒的運行時限制，過長的提示可能會導致Time Out，因此建議不要設置過於複雜的指引。

• 本專案經過精心測試後，已經內建一組最佳實踐的AI_GUIDELINES，但你也可以隨心所欲地進行調整：

  AI_GUIDELINES = '你是一個AI助教，專門使用蘇格拉底教學法來回答學生的問題，如果有需要，會建議學生與老師進一步確認。'
  

• 修改方式也非常簡單，只需登入你的GitHub帳號，找到該專案的api/prompt.py文件，點擊右側的鋼筆圖示✏️即可進行線上編輯。

• 完成後，選擇“Commit Changes”並填入適當的描述。

🚀 專案成果​

• 出色的問答回應: 這個AI助手自2023年11月7日OpenAI大幅降低費率後，採用GPT 4模型，更能通順的、即時地回應學生的問題。
• 問題過濾: 對於需要更深層次討論的問題，AI助手會提供適當的處理建議，協助老師過濾和分類問題，同時也啟發老師改進教學。
• 引導學生思考: 透過蘇格拉底教學法，AI助手不僅回答問題，還能引導學生學會如何提問和解決問題。

  同學A 老師我想要問BMI的python程式怎麼寫
  ----
  AI助教  嗨！關於BMI的Python程式，我可以幫你一起思考。首先，你知道BMI是什麼嗎？
  ----
  同學A BMI=體重/身高平方
  ----
  AI助教  沒錯！BMI是體重除以身高的平方。那麼，你想要寫一個計算BMI的Python程式對吧？你已經有身高和體重的數值了嗎？
  ----
  同學A 70/(1.73**2)
  ----
  AI助教  沒錯！你可以使用這個公式來計算BMI。現在我們可以開始寫一個Python程式來計算BMI。你想要將身高和體重作為變數輸入嗎？
  ----
  同學A 想
  ----
  AI助教  好的！我們可以寫一個簡單的Python函數來計算BMI。以下是一個範例程式碼：
  
      ```python
      def calculate_bmi(weight, height):
      bmi = weight / (height ** 2)
      return bmi
  
      weight = float(input("請輸入您的體重（公斤）："))
      height = float(input("請輸入您的身高（公尺）："))
  
      bmi = calculate_bmi(weight, height)
      print("您的BMI為：", bmi)
      ```
  
  這個程式會要求使用者輸入體重和身高，然後使用`calculate_bmi`函數計算BMI並輸出結果。請注意，身高的單位應該是公尺，體重的單位應該是公斤。
  ----
  同學A 請幫我也寫出測試碼，之後會用pytest測試
  ----
  AI助教  當然！我們可以寫一些測試碼來驗證我們的BMI計算函數是否正確。以下是一個範例的測試碼：
  
      ```python
      import pytest
  
      def calculate_bmi(weight, height):
      bmi = weight / (height ** 2)
      return bmi
  
      def test_calculate_bmi():
      assert calculate_bmi(70, 1.73) == pytest.approx(23.39, 0.01)
      assert calculate_bmi(80, 1.65) == pytest.approx(29.38, 0.01)
      assert calculate_bmi(60, 1.80) == pytest.approx(18.52, 0.01)
  
      if __name__ == "__main__":
      pytest.main()
      ```
  
  這個測試碼使用了pytest套件來執行測試。我們定義了一個`test_calculate_bmi`函數，其中包含了幾個斷言語句，用來驗證`calculate_bmi`函數的輸出是否符合預期。每個斷言語句都使用了`pytest.approx`函數來比較浮點數的近似值，並指定了一個容忍誤差範圍。
  
  你可以將這個測試碼保存為一個.py檔案，然後使用pytest運行測試。如果所有的測試通過，則表示你的BMI計算函數正確無誤。
  ----
  同學A 謝謝老師，我的超人
  ----
  AI助教  不客氣！如果你有任何其他問題，隨時都可以問我。祝你一切順利！
  

  

專案成果​

1. 出色的回應學生問題: 這個功能不僅可以即時解答學生的問題，還可以減輕老師的負擔。
2. 過濾問題: 能過濾並指導學生如何更有效地提問，是一個對教師非常有幫助的功能。
3. 引導學生思考: 這是最讓人印象深刻的部分，因為不僅解答了問題，還教會了學生如何解決問題。

這個專案不僅具有高度的實用性，也很有教育意義。它不只是一個問答工具，更是一個能夠協助教學和學習的平台。

參考資料​

• GPT-3 API 官方文件
• Vercel 官方文件
• GitHub 如何編輯文件
• 本專案GitHub Repo，Forked & Modified from howarder3

🐍 Python 是一種非常流行和強大的程式語言，它有許多優秀的套件可以幫助我們完成各種任務，例如資料分析、機器學習、網頁開發等。然而，如果我們同時在不同的專案中使用 Python，我們可能會遇到一些問題，例如：

• 不同的專案可能需要不同的 Python 版本或套件版本，這可能會造成版本衝突和相依性問題。
• 如果我們在全域環境中安裝或移除套件，可能會影響其他專案的運作。
• 如果我們想要部署或分享我們的專案，我們需要記錄和安裝所有需要的套件和版本，這可能會很麻煩和耗時。

為了解決這些問題，我們可以使用虛擬環境管理工具來創建和管理不同的 Python 環境。虛擬環境是一個隔離的 Python 環境，它可以讓我們在不同的專案中使用不同的 Python 版本和套件，而不會互相干擾。這樣，我們就可以更方便和安全地開發和部署我們的 Python 專案。

目前，有許多虛擬環境管理工具可以選擇，例如 virtualenv, conda, pyenv 等。在這篇文章中，我將重點介紹 pipenv 和 venv 這兩種工具，並且比較它們的優缺點。

pipenv​

• pipenv 是目前 Python 官方推薦的套件管理工具，它集成了 pip 和 virtualenv 的功能，並且改進了它們的一些缺陷 。
• pip 使用 Pipfile 和 Pipfile.lock 來記錄套件的資訊，而不是使用 requirements.txt。
  • Pipfile.lock 包含了套件的Hash值，可以確保安裝的套件是一致和安全的 。
  • pipenv 可以自動產生和更新 Pipfile 和 Pipfile.lock，不需要手動維護 。
• 可以區分開發和生產環境的套件，只需要在安裝時加上 --dev 參數即可 。
• 可並行（parallel）同步安裝套件，提升安裝速度。
• pipenv 可以透過 .env 自動載入不同環境變數。
• pipenv 的指令比較簡單和直觀，例如
  • pipenv install 如同 pip install
  • pipenv uninstall
  • pipenv shell 如同 source venv/bin/activate 進入虛擬環。
  • pipenv run 可以執行虛擬環境內容

venv​

• venv 是 Python 3.3 之後內建的虛擬環境模組，它可以創建一個隔離的 Python 環境，但是不包含任何套件管理功能。
• venv 使用 python -m venv {虛擬機命名} 來創建虛擬環境，然後使用 source venv/bin/activate 來啟動虛擬環境(Windows 以 venv/Scripts/activate 進入)。
• venv 需要配合 pip 和 requirements.txt 來管理套件，因為venv跟pip是兩回事，這可能會造成版本衝突和相依性問題。

比較 pipenv 和 venv 差異​

以下用表格比較 pipenv 和 venv 的差異，我用表格的方式來比較它們的特點：

從表格中，我們可以看出 pipenv 是一個更先進和完善的虛擬環境管理工具，它可以讓我們更方便和安全地開發 Python 專案。如果你想了解更多關於 pipenv 的資訊，但在基礎Python教學時，我更傾向以venv為主，因為你看到的網路專案大多還是venv + pip install -r requirements.txt 來示範的。可以參考以下的連結：

• Pipenv 官方文件
• Pipenv 更簡單、更快速的 Python 套件管理工具
• Pipenv vs Virtualenv vs Conda environment

感謝你閱讀這篇文章，如果你有任何問題或建議，歡迎在下方留言。Enjoy Python。再見！

如果你對如何將 LINE 聊天機器人與 HackMD 結合有興趣，這篇文章正是你需要的。這次，我們將使用 Render 這個雲端平台來部署我們的應用。

前置作業：準備你的 GitHub 倉庫​

1. Fork 專案：首先，請到這個 GitHub Repo 進行 fork，這樣你就有了一個屬於自己的副本。

   

Render 設定​

登入和選擇服務​

1. 登入 Render：前往 Render 的網站 並用 GitHub 帳號登入。

   

2. 選擇 Web 服務：在 Render 的 dashboard，選擇 "Web Service"。

   

設定部署參數​

1. 基本設定：填入應用的名稱和其他基本資訊。在這裡，我們選擇免費的方案。如果你的主程式檔名不是 app.py，記得修改 gunicorn 的指令。

   

2. 設定環境變數：在 .env 檔案中填入所有需要的環境變數。

   

3. 等待部署完成：設定完成後，Render 會自動進行部署。

   

需要的 API 金鑰和資訊​

HackMD API​

• 請參考 HackMD 的官方文件以獲得 API 金鑰。

OpenAI API​

1. 訪問 OpenAI API 官網。

2. 生成一個一次性的 API 金鑰。注意：一旦關閉視窗，這個金鑰將不再顯示。

   

LINE Message API 和 Imgur API​

• 請依照各自平台的文件申請 API 金鑰。

環境變數在 Python 中的使用​

你可以使用以下程式碼來讀取環境變數。

import os
api_key = os.environ.get('KEY')`

配置 LINE Webhook​

最後，回到 LINE Channel 設定中加入 webhook。

這樣你就完成了整個部署過程！如果你有任何問題或建議，歡迎在下方留言。祝學習愉快！

對於剛接觸人工智慧的學生來說，建立自己的聊天機器人可能聽起來有點遙不可及。不過，現在有越來越多的工具讓這個過程變得簡單。本篇文章會介紹如何使用 LM Studio 快速在筆電上實現大型語言模型（LLM）。

背景知識：大型語言模型與開源社群​

在開始之前，讓我們先簡單了解一下什麼是大型語言模型。簡單來說，它是一種能夠理解和生成人類語言的人工智慧模型。目前有很多開源的大型語言模型，像是 Meta 的 LLaMa 系列和 Hugging Face（簡稱 HF）的各種模型。

步驟 1：安裝 LM Studio 應用程式​

首先，請至 LM Studio 官網 下載適用於 Windows 或 Mac 的桌面應用程式。

步驟 2：選擇適合的模型​

安裝完畢後，打開 LM Studio。在首頁，你會看到最新或最熱門的模型資訊。使用搜尋框可以找到你需要的模型。例如，我搜尋 "Taiwan"，找到了一個名為 audreyt/Taiwan-LLaMa-v1.0-GGUF 的模型。

備註： 模型資訊通常會包含在 HF 的模型卡（Model Card）和相關的論文連結。

步驟 3：下載模型到本地​

選擇一個適合你硬體配置的模型進行下載。如果你的筆電不是高性能的，建議選擇小型的模型。

步驟 4：開始與聊天機器人對話​

下載完成後，在左側選擇聊天頁籤。選擇你剛才下載的模型，等待模型加載完成後，就可以開始與聊天機器人對話了。

結論與後續步驟​

建立自己的聊天機器人是一個不斷演進的過程。儘管 LM Studio 提供了一個相當方便的平台，但要達到商業應用水平，還需要進一步的微調和量化調教。如果你想要更進一步，可以考慮使用 OpenAI、Azure、Google 或 AWS 等平台的 API 進行模型的微調。

希望這篇文章能幫助你更輕鬆地入手聊天機器人的建立，祝你在人工智慧的旅程中一切順利！

如果有任何問題或需要進一步的說明，歡迎留言。

• Selenium 是一個自動化測試框架，專門用於測試 Web 應用程式。作為一位經常需要隨著套件更新來調整教學內容的講師。將針對最近升級至 4.x 版本的 Selenium 進行比較，以及如何解決版本更新的程式碼問題。

預期 Selenium 版本更新會遇到的狀況​

在過去，我預期會遇到以下幾種情況：

• 需要更新至新版的 webdriver。
• 程式參數更新，需要查看 log 以解決問題。

然而，升級至 Selenium 4.x 後，我發現了一些令人驚喜的改變。

1. webdriver管理更聰明了​

舊版流程​

在 Selenium 4.x 版本之前，安裝 Selenium 是一件相對繁瑣的事情。你需要：

1. 用 pip install 安裝 Selenium 主要套件。

   pip install selenium
   

2. 然後，你還需要手動下載與你的 Chrome 版本相對應的 WebDriver。
3. 解壓縮 WebDriver，然後將其放入指定目錄。

過渡版本- 需額外的 webdriver_manager​

• 在2023年之前的一段時間簡化了上述流程，透過pip install webdriver_manager直接安裝好對應的測試瀏覽器，不用找對應的瀏覽器與版本，但需要引入webdriver_manager套件。

  pip install webdriver_manager
  

• 然後，使用webdriver_manager的範例如下:

  from selenium import webdriver
  from webdriver_manager.chrome import ChromeDriverManager
  
  options = webdriver.ChromeOptions()
  # options.add_argument('--headless')
  
  wd = webdriver.Chrome(ChromeDriverManager().install(), options=options)
  wd.get("https://www.google.com")
  wd.save_screenshot("google_homepage.png")
  wd.quit()
  
  

新版流程​

• 現在，在 Selenium 4.x 版本，你只需執行一個指令即可：

  pip install selenium
  

• 這個改變意味著，你不再需要手動去管理 WebDriver，Selenium 會為你處理一切。

2. selenium.webdriver.Chrome()`參數簡化​

舊版用法​

• 在舊版中，初始化 Chrome WebDriver 的代碼通常會看起來像這樣：

  from selenium import webdriver
  
  options = webdriver.ChromeOptions()
  options.add_argument('--headless')
  
  wd = webdriver.Chrome('path/to/chromedriver', chrome_options=options)
  

新版用法​

• 在新版中，由於 WebDriver 已經被整合，你可以簡單地這樣做：

  from selenium import webdriver
  
  options = webdriver.ChromeOptions()
  options.add_argument('--headless')
  
  wd = webdriver.Chrome(options=options)
  

Selenium 搜尋 PTT 指定列表範例​

如你所見，新版省去了指定 chromedriver 路徑的需求，使得代碼更為簡潔，最後分享一個這學期調整的selenium範例:

from selenium import webdriver
from selenium.webdriver import Chrome
from selenium.webdriver.chrome.options import Options
from bs4 import BeautifulSoup


def make_webdriver() -> Chrome:
  options = create_options()
  driver = Chrome(options=options) #簡化參數
  return driver


def create_options() -> Options:
  options = Options()
  options.add_argument("--headless")
  options.add_argument('--no-sandbox')
  options.add_argument('--disable-dev-shm-usage')
  options.add_argument("--start-maximized")
  return options


def get_ptt_board_list(board) -> list:
  url = f"https://www.ptt.cc/bbs/{board}/index.html"
  wd = make_webdriver()
  wd.get(url=url)
  soup = BeautifulSoup(wd.page_source,"html.parser")
  links = soup.select('div.title > a')
  res = [{
      'title': link.get_text(),
      'href': f'https://www.ptt.cc{link.get("href")}'
  } for link in links if '公告' not in link.get_text() ]
  wd.quit()
  return res

if __name__ == '__main__':
  res = get_ptt_board_list('movie')
  print(res)