影片筆記：AI 程式開發不只寫 Code！7 大實戰應用完整解析｜RAG、MCP、Tool Calling、AI Agent 一次看懂

一句話總結

影片由小雲大叔與凱文大叔主持，闡述 AI 在企業級程式開發中應從單純寫碼轉向「導航員」角色，並詳細解析 AI 輔助開發、工具呼叫、資料總結、多模態 OCR、RAG 知識庫、Text to SQL 及自動化測試等七大實戰應用場景。

核心重點

• 角色轉變：AI 不僅是寫程式工具，更應視為企業應用的關鍵。開發者角色從「取代程式設計師」轉變為「AI 輔助開發」，人類擔任導航員與架構師，負責規劃架構與驗證，AI 執行細節。
• 七大實戰應用場景：

AI 輔助開發：避免「Vibe Coding」帶來的不可維護性，強調模組化、分群分塊，由人類決定架構與方法。

工具呼叫與能力擴展：透過 Tool Calling、NCP 或 Skill 讓 AI 具備執行外部動作能力（如讀寫檔案、發信）。企業應用原則為 AI 提供建議與分析，不完全控制既有核心系統。

資料總結與異常檢測：應用於 Log 檢測、財務報告、股票數據分析，結合 Notebook LN 等工具進行資料輸出與摘要。

多模態 OCR 解析：利用多模態 LLM 解析圖片、表格、發票、名片，解決傳統 OCR 在字跡潦草或複雜圖形上的不足。

RAG 知識庫應用：利用向量索引與 API 整合企業私有資料，應用於客服 AI、產品知識檢索，無需模型微調 (Tuning) 即可獲取企業內部資訊。

Text to SQL：將自然語言轉換為 SQL 查詢語句，簡化 BI 分析流程，可能取代部分傳統 BI 系統功能。

自動化測試與壓力測試：讓 AI 生成測試資料與腳本，模擬瀏覽器操作，自動化驗證程式結果，提升測試效率。

• 開發核心技能：規劃、架構設計、驗證與回顧。人類需給予明確方向，控制 AI 的機率性輸出。

詳細大綱

前言與觀念轉變

• AI 不僅是寫程式工具，更是企業應用的關鍵。
• 從「取代程式設計師」轉變為「AI 輔助開發」，人類擔任導航員與架構師。

七大實戰場景詳述

AI 輔助開發 (AI-Assisted Development)

• 避免 Vibe Coding 帶來的不可維護性。
• 強調模組化、分群分塊，由人類決定架構與方法。

工具呼叫與能力擴展 (Tool Calling / NCP / Skill)

• 讓 AI 具備執行外部動作能力（讀寫檔案、發信）。
• 企業應用原則：AI 提供建議與分析，不完全控制既有核心系統。

資料總結與異常檢測 (Data Summarization & Log Detection)

• 應用於 Log 檢測、財務報告、股票數據分析。
• 結合 Notebook LN 等工具進行資料輸出與摘要。

多模態 OCR 解析 (Multimodal OCR)

• 解析圖片、表格、發票、名片。
• 解決傳統 OCR 在字跡潦草或複雜圖形上的不足。

RAG 知識庫應用 (RAG Knowledge Base)

• 利用向量索引與 API 整合企業私有資料。
• 應用於客服 AI、產品知識檢索，無需模型微調 (Tuning)。

Text to SQL

• 自然語言轉為 SQL 查詢，簡化 BI 分析流程。
• 可能取代部分傳統 BI 系統功能。

自動化測試與壓力測試 (Automated Testing)

• 生成測試資料與腳本。
• 模擬瀏覽器操作，自動化驗證程式結果。

總結與建議

• AI 開發的核心技能：規劃、架構設計、驗證與回顧。
• 人類需給予明確方向，控制 AI 的機率性輸出。
• 後續課程規劃與問卷調查推廣。

工具 / 模型 / 名詞整理

• AI 相關技術/概念：
• AI 應用
• 智能化工作流程
• Vibe Coding (或寫作 Viber Coding / Vibro-Coding)
• Agent
• Tool Calling
• NCP
• Skill
• LLM (大型語言模型)
• OCR (光學字元辨識)
• 多模態 LLM
• RAG 知識庫 (或寫作 RIG 知識庫 / REG 知識庫 / IG 知識庫)
• 向量化 (Vectorization)
• API
• Tuning / 訓練模型
• Text to SQL
• SQL
• BI (商業智慧)
• 自動化測試
• 壓力測試
• 軟體/平台/產品：
• OpenAI
• Notebook LN
• DV
• 政府采购网
• 名片網
• 騰文券
• 好好上面
• 程式語言/技術：
• Python
• LowesJS
• 後端
• 前端
• 資料庫

操作流程整理

• AI 輔助開發流程：

人類規劃架構與方法。

將任務模組化、分群分塊。

AI 執行細節撰寫。

人類驗證與回顧。

• 工具呼叫流程：

定義外部動作（如發信、讀檔）。

透過 Tool Calling、NCP 或 Skill 連接 AI。

AI 執行動作並提供建議。

人類監控核心系統控制權。

• 資料總結與檢測流程：

輸入 Log、財務報告或股票數據。

結合 Notebook LN 等工具。

AI 進行資料摘要與異常檢測。

• 多模態解析流程：

輸入圖片、表格、發票或名片。

多模態 LLM 解析文字與結構。

輸出解析結果，克服傳統 OCR 限制。

• RAG 知識庫應用流程：

建立向量索引。

透過 API 整合企業私有資料。

應用於客服 AI 或內部知識檢索。

無需重新訓練模型即可獲取資訊。

• Text to SQL 流程：

輸入自然語言查詢。

轉換為 SQL 查詢語句。

執行 BI 分析。

• 自動化測試流程：

AI 生成測試資料與腳本。

模擬瀏覽器操作。

自動化驗證程式結果。

值得注意的限制或風險

• Vibe Coding 的風險：單純的 Vibe Coding 可能導致程式碼不可維護，需轉向模組化與框架化引導。
• 核心系統控制權：在企業應用中，AI 應提供建議與分析，不完全控制既有核心系統，以確保安全與穩定。
• 傳統 OCR 的限制：傳統 OCR 在處理字跡潦草或複雜圖形時存在不足，需依賴多模態 LLM 解決。
• AI 機率性輸出：AI 的輸出具有機率性，人類需給予明確方向並進行驗證與回顧，以控制風險。

逐字稿辨識疑點

• Viber Coding / Vibro-Coding：逐字稿中多次出現此詞，推測應為 Vibe Coding，但依規則標為疑點。
• NCP：與 Tool Calling 並列提及，推測可能為 Function Calling 或特定框架名稱，但依規則標為疑點。
• Skill：指代一種讓 AI 呼叫外部程式的功能，可能為特定平台（如 LangChain 等）的術語，但依規則標為疑點。
• Notebook LN：推測可能為 Notebook LM (Google 推出的工具)，但依規則標為疑點。
• High-Driven 資料：語意不明，推測可能為聽寫錯誤，但依規則標為疑點。
• Tool of Coli / 2colin：推測應為 Tool Calling，但依規則標為疑點。
• RIG / REG / IG 知識庫：逐字稿中交替出現 RAG、RIG、REG、IG，推測均指 RAG (Retrieval-Augmented Generation)，但依規則標為疑點。
• DV：提及「DV 有一個內建的 RIG 知識庫」，指代不明，推測為特定軟體縮寫，但依規則標為疑點。
• LowesJS：推測應為 JavaScript 或 Node.js，但依規則標為疑點。
• 騰文券：推測為課程平台或活動名稱，但依規則標為疑點。
• 好好上面：推測為課程平台名稱，但依規則標為疑點。
• 牙槍：推測應為 研商 或 研擬 或 加強 的聽寫錯誤，但依規則標為疑點。

可延伸追問

• 在企業環境中，如何具體界定 AI 提供建議與完全控制核心系統的界線？
• 針對「Vibe Coding」帶來的不可維護性，有哪些具體的模組化或架構設計最佳實踐？
• 多模態 LLM 在處理特定行業（如醫療、法律）的複雜文件時，其準確性與傳統 OCR 相比有何具體優勢與數據支持？
• RAG 知識庫在整合企業私有資料時，如何處理資料權限與隱私保護問題？
• Text to SQL 在處理複雜關聯式資料庫查詢時，目前的準確率與局限性為何？
• 自動化測試中，AI 生成的測試腳本在長期維護與更新頻繁的專案中，其穩定性與維護成本如何評估？