在地端資料中心面臨日益複雜的維運挑戰之際，AI Agent 正逐漸成為 IT 管理新助力。隨著 Windows Server 2025 整合 Foundry Local 與 Model Context Protocol（MCP），讓地端環境也能透過 AI 助理執行診斷與維護任務。

在本場實作工作坊中，將會手動建構一個地端 AI Agent 模組，整合 PowerShell、Foundry Local、Ollama…等工具，導入 Microsoft Phi、Meta LLaMA、Google Gemma 等輕量語言模型，模擬具備語意理解與維運建議能力的 IT 助理角色。實作內容涵蓋模型部署、系統監控整合、語意提示設計與腳本執行。

參與者將體會在無須依賴雲端 AI API 的前提下，打造一套可用於實際場景的 AI 維運模組，並探索如何應用於事件診斷、資源分析、權限管理與自動化修復等工作流程。

生成式 AI 的興起，為台灣企業與開發者開闢了全新的競爭舞台，也帶來一項關鍵抉擇：是採用功能成熟、部署快速的雲端大模型服務，還是投入資源打造可完全掌控資料、語言與決策邏輯的「軟體主權 AI」？前者能迅速上線並享受完整生態系，後者則能在自有環境中強化繁體中文與專業領域表現，同時保有合規與安全主導權。此分享將立足於講者自 2008 年以來協助逾 200 家亞太企業導入 AI 的實戰經驗，說明從開源模型精調、RAG 多模態知識檢索到代理協作與治理機制的完整技術路徑，並提出適用台灣產業的具體落地策略，協助開發團隊在大模型與 Agentic AI 的新局中取得真正的軟體主權。

聽眾收穫：

多年來，講者持續陪伴全球 200 餘家企業從「觀望嘗試」走向「積極佈局」，見證生成式 AI 如何重塑決策、流程與人才分工。這段歷程累積的洞見，將在本場分享中濃縮為一套可落地、可衡量、可持續優化的行動框架，協助台灣開發團隊在新技術浪潮中走得更快、更穩。

• 廣角洞察：深入解析企業導入 AI 的心路歷程與痛點，幫助參與者掌握全球趨勢脈絡。
• 選擇路徑：清楚比較「自建模型」與「外部雲端模型」的適用情境與影響面向，提供安全、成本與彈性之間的決策指北。
• 核心技術要點：系統化整理本地部署、私有化訓練及繁體中文優化的關鍵技術與可取得資源，為落地奠定基礎。
• 實務流程範例：以真實案例說明如何打造多模態知識檢索與多 Agent 協作流程，將 AI 轉化為跨部門生產力。
• 行動與優化指南：提供「如何啟動、如何衡量成效、如何持續精進」的具體步驟，讓與會者回到團隊即可付諸實踐。

隨著 AI 技術的迅速演進，開發者在打造 AI 應用時，越來越需要一套能提供完整元件、多模型整合能力，以及具高度彈性與可擴充性的架構。為回應這樣的需求，JetBrains 團隊延續一貫從實際開發需求出發的精神，推出由 Kotlin 原生打造的 Agent Framework —— Koog。

Koog 支援從單輪對話的簡易代理，到多工具協作的複雜工作流程，並透過豐富模組與優雅的 Kotlin DSL，讓開發者能依專案需求自由組合、快速構建具備串流回應、持久記憶等能力的智能代理。

本場分享將從最基礎的對話代理入門，帶大家一步步打造第一個 Koog Agent，並深入探討 AI 應用開發中常見的挑戰與實作策略，例如：多 LLM 切換、MCP 整合、記憶系統設計與歷史壓縮等。如果你正在尋找一套強大且貼近 Kotlin 開發者思維的 Agent Framework，Koog 將是值得關注的新選擇。

聽眾收穫：

• 了解 Koog Agent Framework 的核心設計理念與架構特色
• 學會如何使用 Koog 建立第一個 AI Agent，並掌握其 DSL 與模組化開發方式
• 實際掌握 AI Agent 常見功能實作，包括：多模型切換、MCP 整合、記憶系統與歷史壓縮等
• 了解將 Koog 應用於實際專案的實作思路與範例

現在Agent設計概念中，一種是像openai一樣完全放任交給LLM判斷或是只讓LLM執行單點任務，然後用工作流來約束單點任務的執行順序。前者不可控，後者設計比較麻煩且耗費tokens。難道沒有辦法在單一prompt下讓LLM自行依照流程自行運作嗎?我之前所推廣的偽代碼prompt中其實有種特殊變體，那就是基於mermaid流程圖來指引LLM執行多任務。在這SESSION中將會介紹這種流程圖偽代碼的概念、以及如何透過這技巧來簡化現有多agent場景，以及將會發布相關的prompt開發工具

聽眾收穫：

如何讓不可控的 LLM 能乖乖地基於 mermaid 流程圖行動

高複雜度流程的流程管理以及簡化多 agent 環境的複雜度

演講摘要

展示如何運用 n8n 低代碼平台結合 Google Gemini AI，打造一個具備上下文記憶、場景感知的 LINE chatbot。透過Supabase 實現對話歷史管理，讓 AI 能根據使用者所在地點（如 7-11）智能推薦最適合的信用卡，實現真正的個人化金融服務。

技術架構亮點

• n8n 工作流編排**：視覺化設計複雜的對話邏輯
• Gemini AI 整合**：提供智能推薦與自然語言理解
• Supabase 記憶系統**：維持對話上下文與用戶偏好
• LINE Messaging API**：無縫的用戶體驗
• 環境變數管理**：安全的 API 金鑰處理

實戰經驗分享

1. Prompt Engineering 策略：如何設計 30 字內精準回覆的提示詞
2. 對話記憶設計：歷史對話的儲存與檢索最佳化
3. 錯誤處理機制：Webhook 失敗重試與異常狀況處理
4. 效能優化：Wait 節點的使用時機與資料庫查詢優化

聽眾收穫：　-　-　-　-　-　-　-　-　-　-　-　-　-　-　-　-　-

技術層面

• 掌握 n8n 在 AI 應用開發中的實際運用技巧
• 學會整合多個 API 服務構建完整的對話系統
• 了解如何設計具備記憶功能的 AI Agent 架構
• 獲得 Prompt Engineering 的實戰經驗

業務價值

• 理解如何將 AI 技術應用於金融服務場景
• 學習低代碼平台在企業數位轉型中的角色
• 掌握個人化推薦系統的設計思維
• 了解對話式 AI 在客戶服務中的應用潛力

開發實務

• 獲得完整的專案架構設計參考
• 學習環境變數與安全性的最佳實踐
• 了解如何處理即時通訊平台的技術挑戰
• 掌握 AI 應用的測試與部署策略

為何現在需要這場演講

隨著生成式 AI 普及，企業急需了解如何快速將 AI 能力整合到現有業務流程中。這個專案展示了：

1. 低門檻 AI 應用開發：無需深度機器學習背景也能構建智能系統
2. 實用的商業場景：金融推薦服務具有廣泛的應用價值
3. 完整的技術棧整合：從前端到後端到 AI 的全棧解決方案
4. 可複製的架構模式：聽眾可直接應用到自己的專案中

這場演講將幫助開發者理解如何在 AI 時代快速構建有價值的應用，實現「Building the Future Together」的大會主題。

介紹Quarto(https://quarto.org)這個MIT開源技術文件製作系統，講解如何使用它來得到"Write one source, presenting every where"的效果，也就是只需要撰寫單份使用Markdown語法超集合的Markdown文件原始檔，就能產出 web page, web slide, Latex, PDF, Microsoft PowerPoint/Word 文件；而文件原始檔用另一個R語言MIT開源套件 Ragnar(https://github.com/tidyverse/ragnar)和LLM大語言AI模型的互相配合，就可以打造自己的RAG知識庫檢索系統。

聽眾收穫：

• 如何在macOS/Windows環境安裝&使用Quarto
• Quarto文件撰寫技巧以便發布至不同目標文件檔
• 使用GitHub Action自動化CI/CD發佈到GitHub Page
• 配合開源套件RAGNAR以及LLM大語言模型打造自己的RAG知識庫檢索系統

在生成式 AI 熱潮下，如何打造真正能落地的 AI 產品？本分享將從開發者視角出發，回顧近年 LLM 應用的實戰歷程：從串接 OpenAI API 建構對話系統、導入 RAG 技術解決幻覺問題，到實作 Multi-Agent 架構與 Realtime Agent 助理。透過真實案例與技術拆解，探討生成式 AI 的產品化挑戰與應對策略。

聽眾收穫：

🎯 對技術人來說：

1. 清楚 LLM 應用的三種典型架構（API / RAG / Agent）
2. 有實戰經驗可以參照開發自己的 AI 應用
3. 理解「做得出來」跟「用得下去」的差距在哪

🎯 對產品/PM 來說：

1. 不同技術階段適合的場景與限制
2. 哪些工具可以讓 AI 更像助理而非玩具
3. 如何設計一個有價值的 AI 使用情境

本次演講聚焦於NLweb技術，深入剖析其作為AI原生網路基礎設施的技術演進與生態系統建構。內容涵蓋NLweb與傳統HTML在架構與互動模式上的本質差異，以及NLweb 與MCP於多Agent協作場景下的整合應用。演講將以理論分析結合實際demo，展示NLweb如何藉由標準化自然語言介面與上下文感知機制，重塑企業級應用、分散式Agent網路與跨平台智能協作的技術格局，與年間產業數位轉型的關鍵影響進行前瞻性預測。

聽眾收穫：

深入討論 NLWeb 應用開發的實務，包括架構組成（結合現有網頁結構資料與 AI 模型）、開發步驟。強調 NLWeb 如何讓網站具備對話式搜尋能力以提升用戶體驗，同時探討開發挑戰與最佳實踐。

開發團隊需要將經驗與知識，透過文件化的方式保存下來，以便未來查詢與學習。然而，企業內部文件往往分散於 Confluence、Google Drive、Notion 等平台，傳統關鍵字搜尋難以快速獲取準確資訊，導致>溝通成本高、開發流程受阻。又或是，當開發團隊需要查詢特定知識時，往往需要透過 Slack、Email 等方式詢問同事，這樣的溝通成本不僅浪費時間，也容易造成資訊不對稱。

學員將學會如何利用 RAG 技術，結合 OpenAI、LangChain、Qdrant 向量數據庫，構建企業內部文檔的智能知識庫，並能設計與實作一個基於自然語言處理（NLP）的查詢系統，來提升開發團隊的效率與知識管

理能力。

流程

• 使用 LangChain 結合 OpenAI 模型與 Qdrant，製作自動化問答系統
• 為什麼需要 RAG（Retrieval-Augmented Generation）
• Embedding 與向量數據庫
• Embedding Search
• DIY
• Evaluation
• k8s RAG QA

在 AI 日益強調即時性、隱私與低功耗的時代，Edge AI 成為許多企業與開發者的重要佈局。然而模型部署仍面臨平台相容性、執行效能與資源限制等挑戰。本演講將分享如何透過 WebAssembly（Wasm）技術，實現高可攜、可離線運行的 AI 推論模組，並介紹在 MediaPipe + Gemini Nano + WebAssembly 架構下的實測經驗。

本次深入探討 AI 模型如何轉換為適合瀏覽器的輕量型格式，結合向量資料庫與 SLM（Small Language Models）進行本地推論。歡迎對 AI 輕量部署、Web 技術與 Edge Intelligence 有興趣的開發者一同交流與討論。

聽眾收穫：

• 了解 WebAssembly 在 AI 模型本地推論上的應用場景與優勢
• 如何將 LLM/SLM 模型轉換並部署於瀏覽器與邊緣裝置
• 實際掌握 MediaPipe + Gemini Nano + Wasm 的整合技巧與潛在限制
• 掌握從雲端架構遷移至邊緣部署的技術挑戰與解決策略

生成式 AI 以飛快的速度演進──從早期的「單點生成」，走向具備自主決策的 AI Agent，再邁入多代理協作的 Multi-Agent 時代，近期更出現標準化通訊協議 MCP（Model Context Protocol）。面對這波浪潮，傳統應用開發正面臨本質性的轉變：Agent 系統該怎麼設計？MCP 是否勢在必行？相信這些問號都在開發者心中盤旋。在本次議程中，我想跟大家分享關於這些技術的核心關鍵點，探討 Micro AI Agent 架構、MCP 整合要點，如何在生成式 AI 新世代中，打造兼具靈活性與競爭力的現代化應用。

聽眾收穫：

1. AI Agent/Multi-Agent/MCP 技術關鍵核心
2. 不同類型的 AI Agent 系統設計分析
3. 傳統應用與 AI Agent 應用在開發上的取捨

試想一下，如果你是世界級球星大谷翔平的總教練，要如何即時整合他漫天的比賽新聞、潛在的傷病風險、以及深度的投打統計數據，來制定最佳策略？在資訊爆炸的時代，這幾乎是不可能的任務。然而，透過 AI Agent 技術，我們能為他打造一支永不疲倦的專屬 AI 教練團。

本工作坊將引領聽眾，使用 Google 最新的代理人開發工具包 (Agent Development Kit, ADK)，從零開始，親手為大谷翔平建構一個虛擬的 Multi-Agent 智慧教練團。

這個教練團將由不同專長的 AI Agent 組成：

情蒐教練 (Scout Agent)：我們將賦予這位教練上網的能力，24 小時監控網路，即時回報關於大谷的最新動態與輿論風向。

數據教練 (Data Coach)：這是教練團的智慧核心。我們將為他實現強大的 NL2SQL 功能，讓他能聽懂總教練用「人話」下達的指令（例如：「他最近三場對上左投的長打率如何？」），並自主地從龐大的資料庫中查詢數據，挖掘出關鍵洞見。

總教練 (Head Coach / Reporter Agent)：這位代理人扮演決策核心的角色。他會接收來自「情蒐教練」的質化資訊和「數據教練」的量化分析，進行權衡與思辨，最終生成一份給人類參考的、條理分明的綜合評估報告。

團隊協作 (Orchestration)：

我們將探索如何運用 ADK 設計高效的教練團工作流程，讓每位 AI 教練各司其職、無縫協作，發揮出 1+1 > 2 的團隊智慧。

這不僅是一場技術實戰，更是一次思維升級。參與者將學會如何將複雜問題拆解給不同 AI Agent，並組織它們完成超越單一模型能力的大型任務。

演講摘要

展示如何運用 n8n 低代碼平台結合 Google Gemini AI，打造一個具備上下文記憶、場景感知的 LINE chatbot。透過Supabase 實現對話歷史管理，讓 AI 能根據使用者所在地點（如 7-11）智能推薦最適合的信用卡，實現真正的個人化金融服務。

技術架構亮點

• n8n 工作流編排**：視覺化設計複雜的對話邏輯
• Gemini AI 整合**：提供智能推薦與自然語言理解
• Supabase 記憶系統**：維持對話上下文與用戶偏好
• LINE Messaging API**：無縫的用戶體驗
• 環境變數管理**：安全的 API 金鑰處理

實戰經驗分享

1. Prompt Engineering 策略：如何設計 30 字內精準回覆的提示詞
2. 對話記憶設計：歷史對話的儲存與檢索最佳化
3. 錯誤處理機制：Webhook 失敗重試與異常狀況處理
4. 效能優化：Wait 節點的使用時機與資料庫查詢優化

本議程將帶您從傳統 VM 架構出發，沿著 OCP（私有雲容器）、GCP（公有雲 Serverless）直到 AI Agent 架構，系統性回顧企業在微服務架構轉型路上的痛點與演進歷程。

內容聚焦於三個核心面向：

1. 架構自由度與顆粒度如何演變（DDD → IAM → MicroAgent）
2. 不同時代的隱藏維運成本與選擇陷阱（VM 成本高、GCP 權限碎片化、AI Agent 的 token 成本）
3. AI 時代的切分新思維：從「功能導向」轉為「任務導向與行為驅動」

本場分享將融合講者在玉山銀行、國泰世華與海外雲原生金融專案中的真實經驗，重現一線架構師在選擇技術與轉型架構時的思辨與抉擇。適合架構師、後端工程師、DevOps 與數位轉型負責人參與。

聽眾收穫：

這場分享將帶你快速掌握微服務從 VM、OCP、GCP 到 AI Agent 架構的演進脈絡，深入剖析每個階段的轉型動因與痛點。從 AIM 三構面（優勢、切分、維運）切入，說明微服務如何從功能導向轉向任務驅動的智能 Agent 架構，並分享企業實戰案例（如金融業導入容器與 AI 技術的經驗）。無論你是正在導入微服務、AI 架構，或關注企業數位轉型的從業者，這場分享將提供清晰的思維框架與實務參考。

2024 年開始，AI Agent 的話題熱度暴增，從 Single-Agent 到 Multi-Agent 顛覆傳統的應用開發思維。 2025 年，更是殺出 MCP 強勢參戰，把戰局炒到最高點。

不過，想要真正實踐 Agent System ,這裡頭還是藏了不少技術門檻。這也是本次工作坊的初衷：帶大家用「做中學」的方式，一步一步拆解觀念、實際動手實踐。

整個課程以 .NET 技術為主軸，從 Single-Agent，到多工協作的 Multi-Agent，最後再把 MCP 整合進來，手把手帶領大家體驗完整流程。歡迎一起來開箱、踩坑、再升級！

當 GitHub Copilot 還只是幫你補全程式碼的時候，你可能覺得 AI 只是個聰明的助手。但現在，AI Agent 已經能自主執行完整的開發流程，從分析需求到部署上線，甚至自動處理 DevOps 中的 issue 管理。這不再是未來式，而是現在進行式。

AI Agent 不只寫程式，更能自主決策和執行複雜任務，我將展示一些可能讓工程師夜不能寐的「陰影」，我會現場演示如何讓 AI Agent 從零開始建立一個完整的 Web 應用，包括前後端程式碼、測試案例，甚至是部署腳本。

聽眾收穫：

了解當前 AI Agent 技術的真實能力邊界，學會建構自己的 AI 開發助手，在 AI 時代保持競爭優勢的個人發展策略。

傳統測試流程碎片且成本高，難以滿足快速迭代。講題將帶領開發者深入 Model Context Protocol (MCP) 與 Google Agent Development Kit (ADK)，示範如何結合 Gemini LLM 架構出「多代理 + 測試案例」一體化流程。我們自研五大指令—— /cases (場景生成)、/codes (POM 代碼生成)、/test (端到端執行)、/comparing (版本差異分析)、/images (視覺回歸)——對應測試設計的五大痛點，將測試策略、代碼產出與執行結果緊密串接。議程將展示 Orchestrator Agent 調度子代理、共享 session.state、Callback 實作失敗重試，以及一鍵部署至 Vertex AI Agent Engine 與 Cloud Run 的流程。參與者可學會將 AI 代理融入 CI/CD，將測試案例開發、維護與報告整合成可觀測、可持續的自動化閉環，大幅提升整體測試設計效率。

聽眾收穫：

1. 深入了解 MCP：從協議定位、資料流到 LLM 介接流程，全盤掌握標準化串接要點
2. 精通 ADK：熟悉 Google Agent ADK 元件組合，快速落地多元業務情境
3. 善用 Gemini 與其他 LLM：比較、評估模型優劣，挑選合適生成結果的設計方案
4. 掌握五大測試情境：/cases /codes /test /comparing /images 一站式解決需求、代碼、執行、差異、視覺五大痛點
5. Multi-Agent 溝通設計模式：以代理微服務思維打造 Orchestrator 與子代理協作框架，彈性共享狀態與任務
6. 一鍵雲端部署：將代理發布至 Vertex AI Agent Engine 或 Cloud Run，無縫接軌 CI/CD 管線

用 CLAUDE.md／@import／記憶分層與 HITL/HOTL 治理，打造可回溯、可維護的 AI 協作流程

當團隊導入 AI，常把模型當成「全能 Agent」，最後卻被幻覺、記憶衝突與流程失控拖累。我們選擇不放任 Agent，而是「訓練副駕」。透過 CLAUDE.md 與 @import 條理上下文、分層管理記憶，並設計 HITL/HOTL 治理閘門與量化檢核，我們建立了一套可回溯、可維護的 AI 協作流程。本分享將以 Vibe Coding 專案為例，提供實際可落地的工程方法，適合想讓 AI 穩定融入開發流程的技術團隊。