LLM 在大規模資料環境中建構可擴展、成本效益提示管道的實務經驗與可行策略，探討開發過程中遭遇的挑戰與解決方案。

深入了解 LINE SHOPPING 如何運用 LLM 從千萬商品中萃取屬性，為關鍵應用提供動力。

可擴展且成本效益的系統建置

• 核心策略與方法論
• 開發實戰經驗分享
• 提示工程與少樣本學習技術

挑戰與解決方案

• 技術難題突破
• 規模化與成本控制洞察
• 準確性與效能平衡策略

聽眾收穫：

• 提示工程和少樣本學習的實務見解
• 了解大型語言應用如何設計以平衡準確性、成本和擴展性
• 從成功方法和失敗中汲取的經驗教訓

軟體架構師的職責並不僅止於畫出所謂的系統架構圖。從理解與掌握業務目標、釐清需求與限制、設計技術藍圖、評估風險、確保品質，到持續領導技術方向與落實標準，架構師的角色橫跨策略與實作，是技術團隊的核心導航者。

過去的架構師多半專注於技術選型、模組拆解與系統整合，如今則需要更著重於理解業務目標與策略，設計出具備彈性與演化能力的系統架構。面對快速變動的需求與技術， AI 正是架構師轉型的關鍵工具，能協助我們更快地驗證想法、更有效地溝通設計，強化程式碼品質與技術標準的落實，並更智慧地處理系統異常。 

本演講將以「AI 如何成為架構師的策略夥伴」為主軸，透過四個角色視角，分享 AI 在設計、實驗與維運階段的實務應用：

• AI 作為原型協作者（AI as a Prototyping Partner）：透過 LLM 以及 Roo Code 等 AI 協作工具，用自然語言協助快速生成 POC、範例程式以及所需的 Infrastructure as Code，讓技術驗證更快速、團隊學習曲線更為平緩。

• AI 作為設計輔助者（AI as a Design Assistant）：透過 Structurizr 與 Mermaid 等 Diagram as Code 的工具，AI 能協助架構師更容易生成架構圖、API 設計與模組拆解，也能協助撰寫 Architecture Decision Record（ADR），提升設計透明度與決策品質。

• AI 作為品質守門員（AI as a Quality Gatekeeper）：AI 能融入程式碼審查流程，輔助檢查潛在錯誤、不一致風格與潛在技術債，並協助落實靜態分析、單元測試與安全性檢查等軟體品質保障措施。透過與 CI/CD 整合，也能及早攔截問題、強化標準遵循，減少人為疏漏與維運成本。

• AI 作為系統觀測者（AI as a System Observer）：AI 可協助分析 log、trace、metrics，快速找出可能的原因，並將錯誤訊息轉換為較容易理解的自然語言。

透過這四個角色的實務應用與設計思維，本演講將帶領聽眾重新思考 AI 在系統架構中的定位與潛力，並提供具體可行的導入建議與工具選型參考，協助架構師從「設計者」蛻變為「策略導引者」。

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。

AI 在製造業不只是輔助，而是引擎。Cympack 作為製造與包裝整合平台，如何從品牌需求出發，導入 AI 工具自動化規格生成、數據對接與工廠溝通？本講題將分享 Cympack 團隊如何用 AI 驅動 BOM、打樣、品管、交付等流程升級，並串聯上下游供應鏈，重塑傳統製造決策流程。

聽眾收穫：

透過這場分享將了解：

• AI 如何實際應用在製造與供應鏈流程中
• Cympack 如何從品牌需求出發，自動生成 BOM、加速打樣與交付
• 導入 AI 的實戰經驗與遇到的挑戰
• 運用 AI 升級製造決策流程的關鍵做法

本場演講將展示如何透過 MCP（Model Context Protocol）對接 Microsoft SQL Server，打造一個具備語意理解能力的 AI Agent，協助 DBA 與維運工程師日常進行資料庫維運工作。系統可透過自然語言對談方式，自動分析 SQL Server 的效能、記錄異常行為，並主動提出建議。演講將涵蓋系統架構設計、常見應用情境，以及實務導入的挑戰與解法。

大綱：

• MCP 與資料庫 Agent 的整合架構介紹
• SQL Server 常見維運任務與痛點分析
• 自然語言驅動的異常診斷與建議回應機制
• 現場示範：如何讓 AI 協助你找出資料庫瓶頸

聽眾收穫：

1. 學會如何導入 MCP 來提升 SQL Server 維運效率
2. 理解如何將 AI Agent 應用於異常診斷與問題分析
3. 提升團隊維運效能，縮短問題判斷與處理時間

在微服務架構下，客戶端經常需要呼叫多個服務提供的 API 才能完成一個商業流程，這不僅增加客戶端的整合成本，也容易導致使用者體驗不佳。另外，將過多的 API 直接對外暴露將提高系統安全風險。KrakenD 作為一個無狀態且高效的 API Gateway，能透過設定檔實現多項功能，例如：API 聚合、格式轉換、欄位過濾、身份驗證等，不僅能簡化客戶端開發、提升使用體驗，更能降低服務直接對外暴露造成的風險，是值得推薦與學習的工具！

聽眾收穫：

透過本次演講，聽眾將理解微服務架構中 API Gateway 所扮演的角色及其帶來的價值，包含：如何降低客戶端整合多個 API 的複雜度與安全風險。也將會了解 KrakenD 這套無狀態、高效且易用的 API Gateway，如何透過簡潔的設定快速實現 API 聚合、資料轉換、請求過濾及身份驗證等功能。

隨著金融科技快速演進，玉山行動銀行、網路銀行系統積極推動容器化架構轉型，以因應業務規模快速擴充的需求。此次分享將聚焦於容器化技術在行網銀系統上的實踐經驗，涵蓋從單體服務架構向微服務架構的演進、容器平台架構設計，以及如何透過自動化部署與彈性擴展機制，有效提升系統的可用性與擴展效率。

報告中將剖析遇到的主要技術挑戰，如滾動式更新、版本管理以及安全合規性問題，並分享團隊在制定設計原則與優化流程上的具體做法。此外，也會探討推動團隊技術能力提升，藉以應對持續快速變化的金融服務需求。

最後，將呈現容器化導入後的效益及未來發展方向，期望對同樣面臨數位轉型與雲端落地挑戰的金融從業者提供實務參考與啟示。

投稿大綱

背景與動機

• 玉山銀行行網銀系統現況
• 容器化轉型的必要性與目標

容器化架構設計

• 容器平台架構

快速擴展實踐

• 彈性資源調度與擴容
• 高可用性設計與監控方案

技術挑戰與解決方案

• 資源限制與相依性管理
• 版本控制與滾動更新機制
• 安全性與合規性考量

團隊管理與協作

• 技術選型與設計規範制定
• 團隊技術能力培育

成效與未來展望

• 容器化導入後的效能提升與穩定性
• 下一階段技術與服務方向

聽眾收穫：

1. 理解容器化架構在金融系統中的實務應用
2. 掌握快速擴展與高可用架構設計要點
3. 學習克服容器化過程中常見技術挑戰
4. 了解未來可能的趨勢及持續優化方向

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

AI 產生的程式碼，離真正上線的產品有多遠？

人人都能用 AI 快速生成 Prototype，但當面對真實世界的用戶、效能要求與長期維護時，AI 生成的程式碼還夠用嗎？

在這場議程中，將結合大型企業的實戰經驗，帶你走過從 AI 協作到成功交付產品的最後一哩路。

聽眾收穫：

• 提問的藝術：如何下達精準指令，讓 AI 從「程式碼產生器」進化為你的「資深技術夥伴」。
• 實戰架構心法：剖析真實案例，如何運用 AI 建構出穩定、可擴展且能落地的應用程式。
• 品質監控策略：學習整合測試、除錯與程式碼審查，確保 AI 協作下的程式碼品質。

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。

在本課程中，將由現職IT Infra工程師實際分享如何運用生成式AI（如ChatGPT）解決日常維運中的各種挑戰。無論是撰寫自動化腳本、分析文件、AI 都能成為可靠的工作助手。

隨著資料處理與 AI 工作負載中日益複雜，資料可觀測性成為平台穩定性與信任度的關鍵。OpenLineage 作為一套開源標準，提供了追蹤資料流向與血緣(Lineage)關係的新方式，協助團隊掌握資料流動、快速定位問題並提升透明度。

本議程將分享我們探索與導入 OpenLineage 的實務經驗，涵蓋其在雲原生環境中的整合策略、遇到的挑戰與應對方式，以及對可觀測性、資料品質與跨團隊協作的實際影響。我們也會探討其在 AI 或資料平台中的潛在應用可能。

無論您關注的是可觀測性、資料治理，或是 AI/ML pipeline 的穩定性，這場分享將提供可參考的實務觀點與思考方向。

聽眾收穫：

• 認識 OpenLineage 在資料可觀測性中的角色與價值
• 探索在 Kubernetes 環境中導入資料血緣追蹤的實務考量
• 瞭解如何提升資料平台的透明度、可靠性與跨團隊協作效率
• 對 AI 與資料治理需求下的 Observability 發展有更多策略思考

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。

1. 為什麼需要商品比價群組？

• 電商導購平台的角色與挑戰
• 使用者需求驅動：什麼樣的「比價體驗」才是有效的？
• 商品資訊碎片化問題與資料統整的重要性

2. 比價群組的技術挑戰：從概念到實作

• 看似簡單，其實困難重重：產品聚合的核心邏輯
• 關鍵技術決策：資料建模、比對演算法、資料管線設計
• 資料異質性處理（商品命名、價格格式、屬性缺失等）

3. 跨團隊合作的力量：PM、工程、資料、營運的共舞

• 不只是技術問題，更是產品與商業的協作挑戰
• 如何建立共識？如何快速試錯？如何與使用者驗證假設？
• 有效的工作流程與溝通方式：對齊節奏與目標

4. 從開發現況到未來展望

• 現階段的成效與實際應用案例分享
• 面對資料更新、商品多樣性與商家行為的新挑戰
• 下一步：更智慧的比價推薦、更即時的商品更新、更彈性的架構演進

聽眾收穫：

1. 認識導購平台與電商的差異
2. Rule-based 雖然過時，但在某些情形還是很管用
3. 如何善用 LLM 萃取與擴充資料
4. 一個商業問題必須考量 ML 技術與軟體工程、資料工程等問題