# 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**：
    1.  **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。
    2.  **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。
    3.  **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。
    4.  **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。
    5.  **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。
    6.  **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。
    7.  **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
1.  **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。
2.  **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。
3.  **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。
4.  **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。
5.  **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)。
6.  **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。
7.  **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**：
    1.  人類規劃架構與方法。
    2.  將任務模組化、分群分塊。
    3.  AI 執行細節撰寫。
    4.  人類驗證與回顧。
*   **工具呼叫流程**：
    1.  定義外部動作（如發信、讀檔）。
    2.  透過 Tool Calling、NCP 或 Skill 連接 AI。
    3.  AI 執行動作並提供建議。
    4.  人類監控核心系統控制權。
*   **資料總結與檢測流程**：
    1.  輸入 Log、財務報告或股票數據。
    2.  結合 Notebook LN 等工具。
    3.  AI 進行資料摘要與異常檢測。
*   **多模態解析流程**：
    1.  輸入圖片、表格、發票或名片。
    2.  多模態 LLM 解析文字與結構。
    3.  輸出解析結果，克服傳統 OCR 限制。
*   **RAG 知識庫應用流程**：
    1.  建立向量索引。
    2.  透過 API 整合企業私有資料。
    3.  應用於客服 AI 或內部知識檢索。
    4.  無需重新訓練模型即可獲取資訊。
*   **Text to SQL 流程**：
    1.  輸入自然語言查詢。
    2.  轉換為 SQL 查詢語句。
    3.  執行 BI 分析。
*   **自動化測試流程**：
    1.  AI 生成測試資料與腳本。
    2.  模擬瀏覽器操作。
    3.  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？