發佈日期：2026-06-26

莊子賢

理工學院

資訊工程學系

在瀚霖智動銷售科技有限公司擔任 AI 實習工程師的這段期間，是我從學術理論走向產業實務的關鍵轉折點。在這段充實的實習歷程中，我參與了從底層自動化指令碼、雲端算力部署、影音生成架構，到高階的檢索增強生成（RAG）系統優化及多專案管理。這些實務經驗不僅拓寬了我的技術視野，更讓我深刻體會到「將技術真正落地並轉化為商業價值」的工程師使命。以此實習經驗為基石，我對未來的學習進修與職涯規劃有了更清晰、更具體的脈絡與省思。

一、 技術深耕與未來的學習規劃

在技術層面上，實習前期的「影音生成 Pipeline 轉移與優化」任務給了我極大的震撼。從本地端顯卡（4060 8GB）面對大型開源模型（如 ChatTTS、Wan2.2）時的極致量化（GGUF）與記憶體不足困境，到轉移至雲端算力平台 RunPod 時面臨的環境部署地獄，讓我明白：頂尖的 AI 工程師不能只懂模型理論，更必須是處理基礎設施與雲端架構的專家。 特別是在第十六週與主管討論 RunPod 儲存成本暴增的過程中，我提出「動態重建與刪除硬碟」的方案，雖然有效降低了固定支出，卻也衍生出第十七週重新部署時耗時四小時的除錯陣痛。這讓我體會到運算成本監控與環境文件化（Infrastructure as Code, IaC）的重要性。因此，在未來的學習規劃中，我將重點補強以下領域：

1. 雲端原生架構與 MLOps：我計劃深入學習 Docker、Kubernetes 以及自動化部署工具，將實習中「包裝完整 Package 一鍵安裝」的經驗理論化，提升模型部署的效率與穩定性。

2. 大型語言模型（LLM）與 RAG 系統的工程細節：實習後期優化知識型問答 AI 的經驗讓我獲益匪淺。從一開始單純認為「有引用來源就好」，到被要求實作原文段落視覺化定位、來源權重評級與抄襲檢測機制，我看到了「看起來有引用」與「可驗證的信任」之間的巨大鴻溝。未來我將持續鑽研高級 RAG 架構、向量資料庫優化以及 AI 生成內容（AIGC）的品質評估評級機制。

二、 跨領域知識（Domain Knowledge）的累積

實習中期，我同時接觸了設計檔案管理系統與醫療 IRB 等專案。這種高節奏的情境切換，讓我練習到快速梳理不同產業需求的核心能力。

特別是在參與醫療 AI 專案討論時，我發現數據量的多寡不只是數據科學問題，還牽涉到醫生的工作負荷與法規審查標準。這讓我省思到：AI 技術只是工具，若缺乏對該領域專業知識（Domain Knowledge）的深刻理解，寫出來的程式碼再完美，也無法解決真正的產業痛點。 職涯上，我期許自己不只做一個被動接受規格書的程式員，而是能與領域專家深度對話、共同定義問題的 AI 解決方案架構師。

三、 軟實力與跨團隊協作的反思

實習期間與非技術背景同事的協作，以及遠端協助客戶導入 Claude Code 的經驗，徹底翻轉了我對「溝通成本」的認知。我發現開發端認為理所當然的命名規則或介面邏輯，在使用者端都會遇到意想不到的邊界狀況。如何用非技術語言向主管與客戶解釋 AI 系統的行為邊界與限制，避免產生不合理的期待，是我在實習中獲得最寶貴的軟實力。

四、 職涯規劃與系上協助的反思

總結這段實習，我明確了自己未來的職涯定位——我希望成為一名兼具工程落地能力與商業敏銳度的 AI 系統工程師。這段實習讓我看到自己從第一週盲目與黑箱節點（Node）搏鬥，到最後一週能夠同時處理技術、優化成本、甚至提出組織改善提案（CEO Session）的真實成長。