最近幾個月，我幾乎都是在公車上完成當天的影片～

隨著生成式 AI 與自動化平台的成熟，行銷內容的產製流程正迎來全新變革。本場分享將以實際專案為例，介紹如何結合大型語言模型（LLM）與可視化自動化流程平台，打造一條龍的行銷素材自動化產線。從新聞資料擷取、腳本生成、關鍵字與視覺素材自動配對，到內容審核與微調，讓行銷團隊能彈性配置流程節點、即時掌控內容品質，並高效產出符合品牌需求的多媒體素材。現場將分享技術架構、開發挑戰、流程設計心法，以及如何讓 AI 成為行銷團隊的超級助理。

聽眾收穫：

• 理解 AI 在行銷內容自動化的應用場景：了解如何將 LLM 與自動化工具整合，實現新聞到多媒體素材的全自動產製流程。
• 掌握自動化流程設計的實務經驗：學習如何設計彈性且可控的自動化流程。
• 流程品質控管與人機協作模式：探索如何在自動化流程中導入審核節點，確保內容品質並提升團隊協作效率。

Model Context Protocol (MCP) is a protocol that allows chat interfaces to integrate with various tools and systems, enabling seamless command execution and management of repositories, users, and various resources. MCP enables you to expose data and functionality to Large Language Model (LLM) applications in a secure, standardized manner. You can think of MCP as a web API specifically designed for LLM interactions.

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

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」。

市面上越來越多的 AI 工具支援 Model Context Protocol (MCP)，讓你可以快速整合 LLM 和企業資料。但實務上你可能也踩過坑：

• MCP 工具雖多，真正符合自己需求的少之又少
• MCP 工具的安全性有待查證
• MCP SaaS 工具難以通過資安審查

如果你有類似困擾，這場分享給您參考，透過 Spring 框架的既有生態打造一個符合自己需求的 MCP 服務。

聽眾收穫：

• 認識 MCP 模型上下文協議的核心概念與應用場景
• 了解現有 MCP 工具的常見痛點與選型考量
• 實作一個「能跑、好改、安全」的 Spring Boot MCP 微服務

在這場分享中，我們將介紹如何運用 Cursor 打造一條從開發、產品發佈到 Issue 修正的完整工作流程。透過實際經驗，我們將示範如何整合 Cursor Background Agent 與 Bug Bot，實現從問題分析、程式碼修正、Pull Request 提交到自動化程式碼審查的高效率開發流程。

本工作坊主軸轉向 AI 加速開發：由 YAML-DSL 描述需求，結合各式 AI 自動化工具——如 GitHub Copilot for CLI、OpenAI 批次重構指令、Cursor 測試產生器、AI PR 檢查員——完成從需求拆解到可運行雛型。參與者將在 90 分鐘內體驗「小隊 → 產線」的自動化節奏，並學會利用 LLM 工具鏈縮短開發週期、降低協作摩擦。

大綱

1. Vibes Coding 回顧：YAML-DSL → 代碼骨架

2. AI 工具鏈地圖

• 需求拆解／User Story 生成 (Prompt-to-Story)
• Copilot CLI：命令列輔助與程式骨架
• Cursor：單元測試與邊界案例自動生成
• PR AI：自動 PR Review 與風格統一

3. 即時協作：GitPod 雲端工作空間共編

4. ChatOps + Issue Bot：自動產卡、連結 Pull Request

5. 灰度釋出示範（著重 AI 驅動決策）

6. 實作環節

7. 團隊文化：如何讓實習生在三週內熟悉 AI 工具

每次參加商務活動都會收到一堆名片，但要找特定聯絡人時總是翻遍抽屜都找不到？這個工作坊將教你用 n8n 視覺化自動化平台，結合 LINE Bot 和 AI 技術，建立一個智能名片管理系統。

工作坊從展示最終成果開始，讓大家看到完整的拍照上傳、自動識別、建檔到搜尋名片的流程。接著會介紹 n8n 的基本概念和操作方式，包括節點串接、工作流程設計等核心技能。然後實作 LINE Bot 的基礎設定，學習如何接收和處理圖片訊息。

在面對高頻率的版本更新與大型檔期活動壓力下，LINE 購物團隊持續追求「品質穩定」與「快速交付」的平衡。為達成這個目標，我們導入 Playwright 結合內部自建的 MCP（Multi-Context Platform）測試平台，並加入 AI 輔助，打造一套自動化、智慧化的測試流程，有效提升整體開發與驗證效率。

Playwright 提供跨瀏覽器、多裝置模擬及強大的 selector 檢查機制，使得我們能快速建立並維護關鍵路徑的 E2E 測試流程。而 MCP 架構讓測試部署流程模組化、自動化，不僅能根據不同模組獨立執行測試流程，也支援並行驗證與錯誤彙整，加快 debug 效率。

在這個流程中，我們進一步導入 AI 能力來提升智能化層級。例如，透過 LLM 模型自動解析 Playwright 的報錯訊息、推薦改寫腳本策略，甚至能依據 Confluence 的需求文件，自動初步生成場景測試腳本骨架，讓開發人員能更快速將業務邏輯轉換為測試程式碼。透過 Playwright + MCP + AI 的整合，我們實現了開發與測試協作的敏捷化，也讓品質保證的門檻更低、效率更高。未來，我們期待持續深化這套架構，

聽眾收穫：

1. 實戰經驗分享：了解 LINE 購物團隊如何在真實商業壓力下導入 Playwright + MCP 架構，有效提升測試效率與產品穩定性。
2. AI 在測試流程中的實用應用：學會如何運用 LLM 解析錯誤訊息、自動生成測試腳本草案，協助 QA 與開發減輕手動負擔。
3. 打造模組化、可擴展的測試平台架構設計思維：認識 MCP 架構如何實現模組分離、平行執行與快速回饋，並支援多樣產品線測試需求。
4. 從需求到測試的自動化流程建構技巧：如何將 Confluence 需求文件與測試腳本連結，縮短從 PM 到 QA 的資訊落差與溝通成本。
5. 如何實踐品質驅動開發（QDD）：不只做測試，更思考如何讓品質成為加速交付的關鍵力量。

在這個大 AI 時代，手敲鍵盤聽起來像是一門古老的工匠技藝，透過 Vide Coding 或是各種 Agent 來產生解決方案，看起來是條風光明媚的康莊大道，只不過這場議程想要跟各位聊聊開發者的匠心在哪裡。

解決方案的本質是為了解決問題，能將問題解決固然是必然要達成的結局，然而在過程中你是否曾經有過這些想法：

• 處理好幾次的問題，總有下一次
• 缺東缺西， 東西總藏在角落裡
• 技術線不對，是因為我無從選擇
• 新技術好棒棒，只是跟專案無緣
• 什麼年代了，還在 OOXX 搞考古
• 沒有更好的做法了嗎...

所謂的匠心，就是工匠們在製作物品時所傾注的心血、專注與技藝，體現了工匠們對技藝的熱愛，對品質的執著追求，以及對細節精益求精的態度。

你知道嗎，之所有許多前輩常說開發者要寫 Side Project，幫助自己處理日常開發/維運的 Side Project，正是最能體現匠心所在之處。也是這場議程的主軸。

聽眾收穫：

這場議程會分享 .NET 開發框架、Azure AI Foundry、Semantic Kernel、MCP、NativeAOT、PowerShell 等技術，過程中探索開發人員在各種開發、維運場景的應用及實踐。

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。

你可能早已在使用 GitHub Copilot，但真的用對方式了嗎？從自動補碼、聊天協助、程式碼編輯到全流程代理，Copilot 提供了四種主要模式：Editor、Chat、Edit、Agent。本場分享將深入解析這四種互動型態的角色與差異，幫助你掌握何時該用什麼、怎麼用得更好，打造更高效的人機協作開發流程——也能從中窺見 AI 工具的產品演化方向。

雖然本場以 GitHub Copilot 作為主要展示工具，但所探討的思維與模式分類，同樣適用於 Cursor、WindSurf 等各種 AI 工具。重點不在於是哪個工具，而是你是否建立了正確的協作框架與使用策略——換工具，依然通用。

聽眾收穫：

• 明確理解 GitHub Copilot 的四種互動模式（Editor、Chat、Edit、Agent）功能差異與使用時機
• 掌握 Prompt 設計與上下文建構的實務技巧，提升生成準確度與可控性
• 了解 AI 工具在開發流程中角色的演進趨勢，建立通用的協作思維
• 能將本場分享的模式分類與策略應用於其他 AI 工具，拓展技術視野與運用深度

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。

這場分享聚焦於我在實際工作與 side project 中導入 AI 工具的流程實驗。

不是展示多強大的模型，而是探索一個關鍵問題：

開發團隊——尤其是小型團隊——要怎麼用低門檻方式，把 AI 真正導入日常流程中，提升效率與協作？

分享內容將聚焦於以下三個面向：

• 開發前：如何讓 AI 協助釐清需求、產出 User Story、Acceptance Criteria、API Doc，減少來回溝通與誤解。（如：流程自動化工具搭配大型語言模型 API，例如 n8n + OpenAI／Claude）
• 開發中與開發後：如何在程式碼提交流程中自動觸發 AI 進行初步檢查與回饋，例如產出 PR 註解、指出潛在邏輯風險或風格問題。（如：透過 GitHub Action 串接語言模型 API，自動分析 Diff）
• 導入歷程與反思：哪些方式真的有效、哪些目前還在摸索？團隊實際面臨的技術限制與溝通磨合又有哪些？

聽眾收穫：

• 學會如何以低成本、可調整的方式，將 AI 工具融入需求整理與程式碼交付流程。
• 看見開發流程中不同階段的應用場景，從「需求釐清 → 開發協作 → 程式碼回饋」都有真實範例。
• 理解導入過程中常見的誤區與挑戰，不論你是 PM、工程師還是主管，都能找到對應視角與啟發。
• 將 AI 從「會用」變成「會整合進流程」，打造適合自己團隊節奏的共創模式。

Google Chrome 瀏覽器在 138 版後開始內建了代號 Gemini Nano 的 LLM AI 模型，並透過多項 API 開放給開發者使用，這讓前端開發 AI 應用程式多了一個全新的選擇！開發者可以利用這些內建 AI API，直接在前端實現即時翻譯、多語內容摘要、自動撰寫與改寫等智慧功能，而無需依賴雲端服務，本次演講將介紹一個純前端開發人員如何有機會透過 Gemini Nao 開發各種 AI 應用程式，為網站帶來更快速、創新且以使用者為中心的體驗。

聽眾收穫：

學習如何使用 Gemini Nano 開發純前端 AI 應用程式

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

介紹現行大型／多模態語言模型評測方式的目的及遇到的瓶頸，透過文獻回顧來討論從更多面向（認知、知識、公平、資安⋯⋯等）去衡量語言模型能力的思路，亦可作為開發者在選用語言模型時的技術選型階段能夠參考的指引與架構。另外也介紹實作語言模型評測資料集時會遇到的挑戰以及處理方式。

聽眾收穫：

能夠理解現行語言模型評測方式的痛點，並且開啟一個從更多面向去衡量語言模型的思路，讓開發者在選用語言模型時，有更明確的指引及架構。

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。