AI開發應用、AI聊天機器人、電腦視覺影像辨識的全部最新 87 筆接案案件

用於哪個行業：長照行業 細節說明：機構的攝影機產生的圖片透過語音問答，例如 陳阿公在哪裡，可以語音說明目前的位置

我們需要做一個API 將圖片/影片傳入, 能判斷回傳是否有被加工過的功能

需求名稱：咖啡瑕疵豆自動篩選 目標：開發一個能偵測「正常豆」與「瑕疵豆」的系統，並能配合已製作的樂高實體機器。 細節說明： 1. 影像處理與標註：對正常豆與瑕疵豆進行影像處理和標註。 2. 訓練深度學習模型：使用YOLOv8和OpenCV進行模型訓練。 3. 提供應用程式：支持桌面或網頁應用，可上傳圖片或即時拍攝。自動偵測並標記瑕疵豆，匯出包含影像和CSV統計的檢測結果。

用於哪個行業： 細節說明：ai voice chat bot. AI voice

工作地點：遠端 工作類型：全職 職位描述： 我們正在尋找一名AI/ML工程師加入我們的機器人團隊，專注於為我們的先進機器人系統進行資料收集、處理和模型開發。您將負責建構為我們的類腦運算技術提供動力的資料基礎設施和AI模型。 主要職責： • 設計和實施機器人系統的資料收集管道 • 發展動作捕捉和動作辨識系統 • 建構機器人感知的視覺處理模型 • 創建人機互動的語言對話模型 • 處理多模態資料流（視覺、聽覺、觸覺、語言） • 實施資料加密和隱私保護系統 • 與後端工程師合作進行高併發資料處理 技術要求： • 熟練Python和C/C++編程 • 具備機器學習框架經驗（TensorFlow、PyTorch） • 了解電腦視覺和NLP技術 • 具備資料管道開發經驗 • 理解機器人技術和感測器資料處理 • 熟悉雲端運算和分散式系統 • 具備即時數據處理經驗

------------ 案件需求說明 ------------ https://youtu.be/dbHtdYGbtyc Edge Sentinel AI SDK 核心夥伴招募（基於現有 MVP 基礎整合離線人臉活體檢測功能） 本專案主要目的在尋找具備 Android 及機器學習模型整合經驗的研發夥伴。我們將在一個已具備關鍵功能的 MVP 基礎上進行深度開發，目標是將其產品化為市場上最具競爭力的 離線活體檢測 SDK。 ------------- 專案目標與背景 ------------- 本專案在解決現有人臉辨識技術的最大安全痛點：「欺詐攻擊」（Presentation Attack Detection, PAD）。現有的應用程式容易被照片、回放的影片或 3D 面具欺騙。 您的任務是將我們客製化訓練的 TensorFlow Lite 模型（現稱為 LiteRT）無縫整合進現有即時人臉辨識流程，以實現 完全離線、即時、免費的活體檢測 功能。 關鍵要求： 確保人臉必須被判定為 真實活體，才能進入後續的身份辨識流程，大幅提升應用程式的 防詐欺能力。 ----------------------- 現有 MVP 狀態（工作基礎） ----------------------- 本專案基於一個 已完成 且功能穩定的 Android MVP 進行開發，現有程式碼（codes/complete 分支）已具備以下核心架構與功能： 1. 即時影像串流：利用 Camera2 API 和 CameraConnectionFragment 顯示即時攝影機畫面。 2. 人臉偵測：使用 Google ML Kit 函式庫從影像幀中檢測人臉位置並繪製邊框。 3. 特徵辨識：使用 FaceNet 或 MobileFaceNet 模型（`.tflite` 格式：如 `facenet.tflite`, `mobile_face_net.tflite`）進行人臉特徵嵌入（embedding）計算。 4. 本地資料庫：支援人臉註冊（Face Registration），將嵌入向量與姓名儲存於本地資料庫（`db/DBHelper.java`）。 5. 活體模組：`codes/complete` 分支中已包含 `Face_Recognition/LivenessDetector.java` 類別及對應的 `model.tflite` 模型，但需優化並串接至核心流程。 -------------------- 核心整合任務與技術細節 -------------------- 開發夥伴需完成以下 最小可行產品 (MVP) 級別的整合任務，並為延伸功能打下基礎： 1. 模型載入與初始化：確保 `app/build.gradle` 包含必要的 TensorFlow Lite / LiteRT 依賴，並在 `MainActivity` 中初始化 `LivenessDetector` 物件。傳遞 欺詐閾值（例如 0.5）給建構函式。 2. 影像前處理：將 ML Kit 偵測後裁切的人臉影像，精準調整為活體模型要求的 224x224 像素的 4D 陣列 作為輸入。 3. 活體檢測 Gate 串接： * 在處理流程（例如 `performFaceRecognition` 方法內）中，必須 在進行人臉辨識（Face Recognition）之前，先呼叫活體檢測邏輯。 * 流程阻斷：如果模型輸出值（介於 0 到 1 之間，接近 1 為欺詐） 大於或等於 預設閾值（`isLive()` 返回 false），則 立即停止後續的辨識流程。 * 結果顯示：若判定為欺詐，則在人臉框旁顯示 「spoof」 或本地化警告，而不顯示人名。 -------------------------- 延伸功能 (加分項，納入 Open-Core 商業化) -------------------------- 我們計畫將專案進一步升級，以實現市場區隔： 1. 活體策略增強：整合 被動式活體（靜默）與 主動式活體（如眨眼、點頭挑戰指令）的風險升級機制。 2. 可驗證性：設計 PAD 測試腳本，並輸出包含模型分數、延遲與判定理由的 可審計 JSON Log。 3. 安全與隱私：對本地儲存的人臉嵌入進行 加密（如 SQLCipher/Android Keystore），並啟用 ProGuard/D8 混淆。 4. 跨平台/擴展：確保 TFLite 模型能在 iOS (透過 Swift/Objective-C API) 與 Raspberry Pi (C++/Python API) 上運行，保持核心邏輯的共享性。 ------------------------ 開發者技能要求（必須具備） ------------------------ 我們尋求具備以下經驗與能力的夥伴： * 精通 Java/Kotlin 語言：具備 Android 應用程式開發與現有代碼庫修改能力。 * TensorFlow Lite 整合經驗：有在 Android 裝置端載入、運行和優化 TFLite 模型（或新版 LiteRT API）輸入/輸出的實戰經驗。 * 機器視覺基礎：了解人臉檢測（ML Kit）與人臉辨識（FaceNet/embedding/距離比較）的基本工作原理。 * 問題解決能力強：能獨立調試、測試並優化活體檢測效能，例如根據測試結果調整欺詐閾值（`spoof threshold`）。

用於哪個行業：ˇ光電業 細節說明：良品影進行非監督式訓練後，針對後續輸入影像進行 自動影像檢查，檢出瑕疵。須包含 1、訓練部分，2、檢查部分，3、漏出品再訓練。專案以 LabVIEW 開發，或提供 LabVIEW 可呼叫的 DLL Library 。

需求名稱：影像辨識模型訓練 行業：資訊技術 細節說明：OpenAI Agent Kit — 淘寶 API 版（MVP 專案骨架）

用於哪個行業：資訊安全。 細節說明： 專案背景與目標： 你是否曾開發過人臉檢測或辨識應用程式，或是任何需要使用人臉進行身份驗證或其他任務的應用程式？如果是，你肯定了解其中一個最大的難題：如何判斷攝影機前的人臉是真實的活體人臉，還是僅僅是一張照片、一段回放的影片，甚至是 3D 面具。這正是活體檢測 (Liveness Detection) 技術所要解決的關鍵問題。本專案的目標是將這項至關重要且令人興奮的功能整合到我們現有的即時人臉辨識 Android 應用程式中，使其變得更安全、更具防詐欺能力。 傳統上，在行動應用程式中執行活體檢測通常需要依賴付費服務或 SDKs。然而，透過本專案，我們將利用一個客製化訓練的 TensorFlow Lite 模型，實現免費且完全離線的即時活體檢測功能。這項技術僅需少量程式碼即可整合，大幅提升應用程式的安全性與使用者體驗。 為何活體檢測如此重要？ (挑戰與解決方案) 在人臉辨識的應用場景中，存在著嚴重的「欺詐」風險。現有的人臉辨識應用程式可能會錯誤地將駕駛執照或身份證上的照片辨識為真實人臉，並顯示其姓名。這意味著，如果沒有活體檢測，任何人只要持有目標使用者的照片或影片，便有可能繞過安全驗證。 活體檢測正是為了解決此類問題而生。它能夠在執行人臉辨識之前，精準判斷攝影機前的人臉是否為真實活體。一旦檢測到非活體（即欺詐嘗試，如照片或影片），應用程式將不會執行後續的辨識流程，而是直接顯示「spoof」（欺詐）提示。這極大地增強了應用程式的可靠性和防詐欺能力。 核心技術堆疊：TensorFlow Lite 的優勢 本專案將基於 TensorFlow Lite 函式庫進行開發。TensorFlow Lite 是一個Open source的裝置端機器學習函式庫，其核心優勢在於： * 離線執行：模型直接內嵌於應用程式中，無需網路連線即可運行，實現真正的「邊緣機器學習」。 * 低延遲：由於模型位於裝置本身，輸入數據無需往返伺服器，因此處理速度快，結果即時回饋。 * 隱私保護：所有數據處理都在裝置本地完成，無需將敏感人臉數據上傳至雲端，極大地提升了使用者隱私。 * 無需網路連線：這確保了即使在網路不佳或無網路的環境下，應用程式也能正常執行活體檢測功能。 * 低功耗：避免了網路通訊，有助於降低應用程式的整體功耗，使其更加資源親和力。 * 跨平台相容性：TensorFlow Lite 模型的優勢不僅限於 Android 和 iOS 等行動裝置，若你的訓練模型為 TensorFlow Lite 格式，也能夠在 Raspberry Pi、微控制器以及基於 ARM 的系統上使用。這為未來將此功能擴展到嵌入式系統或其他邊緣運算平台提供了極大的彈性。 現有應用程式概覽 (人臉辨識流程)： 本專案將在一個已建立的即時人臉辨識 Android 應用程式的基礎上進行。該應用程式已具備以下核心功能： 1. 即時攝影機畫面顯示：利用 `Camera2 API` 和 `CameraConnectionFragment` 顯示即時攝影機畫面。 2. 人臉檢測 (Face Detection)：使用 Google ML Kit 函式庫的臉部偵測模型，從即時影像幀中檢測人臉的位置，並繪製矩形邊框。 3. 人臉裁剪：根據人臉檢測的結果，從原始影像中裁剪出人臉部分。 4. 人臉辨識 (Face Recognition)：使用 FaceNet 或 MobileFaceNet 模型（TensorFlow Lite 格式）對裁剪後的人臉進行辨識。 * 人臉註冊 (Face Registration)：使用者可以為檢測到的人臉指定姓名，應用程式會將該人臉的嵌入 (embedding)（一種數值表示，浮點數陣列）連同姓名儲存到本地資料庫中。 * 人臉識別 (Face Identification)：在即時辨識時，應用程式會計算當前人臉的嵌入，並與資料庫中已註冊人臉的嵌入進行比較。若嵌入相似度達到一定閾值，則判定為同一人，並顯示其姓名。 5. 結果顯示：在檢測到的人臉周圍繪製矩形，並顯示辨識出的人名。 活體檢測整合流程與技術細節： 開發者將負責將活體檢測功能無縫整合到上述人臉辨識流程中。主要步驟和技術細節如下： 1. 模型與程式碼檔案整合： * 將預先訓練好的活體檢測模型 `model.tfite`（一個欺詐檢測模型）複製到專案的 `app/assets` 資料夾中，與現有的人臉辨識模型並列。 * 將 `LivenessDetector.java` 類別檔案複製到應用程式的 `recognition` 資料夾中。此類別封裝了模型載入、輸入傳遞和輸出獲取的邏輯。 2. TensorFlow Lite 依賴確認： * 確保 `app/build.gradle` 檔案中已包含 TensorFlow Lite 和 TensorFlow Lite Support 函式庫的必要依賴。 3. 活體檢測器初始化： * 在 `MainActivity` 中宣告並初始化 `LivenessDetector` 物件。 * 在建構函式中，需要傳遞應用程式上下文、模型名稱 (`model.tfite`) 和一個欺詐閾值 (spoof threshold)，例如 0.5。此閾值可根據實際測試結果進行調整以優化性能。 * `LivenessDetector` 的建構函式將自動呼叫 `loadModel` 函數，負責載入 `.tfite` 模型。此過程需包含在 try-catch 區塊中，以處理可能拋出的 `IOException`，確保應用程式穩定性。一旦物件創建，欺詐檢測模型即已載入到應用程式中。 4. 模型輸入與輸出處理： * 輸入：活體檢測模型預期接收一個裁剪過的人臉影像作為輸入。此影像必須被調整為特定的尺寸：224x224 像素的 4D 陣列，包含紅、綠、藍三種顏色通道。`LivenessDetector.isLive()` 函數會檢查輸入影像尺寸是否符合要求。 * 輸出：模型會返回一個介於 0 到 1 之間的單一數值。 * 若數值接近 0，表示人臉是真實活體。 * 若數值接近 1，表示人臉是非真實活體（即欺詐）。 5. 活體判斷與流程控制： * 在 `LivenessDetector` 的 `isLive` 函式中，模型輸出的值會與預設的欺詐閾值（例如 0.5）進行比較。 * 如果輸出值小於閾值，`isLive` 函式將返回 `true`，表明檢測到真實活體。 * 如果輸出值大於或等於閾值，則返回 `false`，表明檢測到欺詐。 * 整合到 `performFaceRecognition` 方法中：在對裁剪後的人臉執行人臉辨識之前，首先會對其執行活體檢測。 * 若 `isLive` 返回 `false`（非活體/欺詐），則辨識結果的標題將被修改為「spoof」，而不是辨識到的人名。 * 若 `isLive` 返回 `true`（活體），才會進一步將人臉傳遞給人臉辨識模型進行識別。 專案期望與開發人員技能要求： 我們正在尋找一位具備以下經驗和技能的 Android 開發人員： * 精通 Java 語言和 Android 應用程式開發：能夠理解並修改現有程式碼庫。 * 熟悉 TensorFlow Lite 模型整合：有在 Android 應用中載入、運行和處理 TensorFlow Lite 模型輸入/輸出的經驗。 * 了解人臉檢測與辨識基礎概念：雖然我們提供了基礎應用程式，但理解人臉檢測（如 Google ML Kit）和人臉辨識（如 FaceNet/MobileFaceNet 模型、嵌入、距離比較、註冊流程）的工作原理將非常有幫助。 * 問題解決能力強：能夠獨立調試、測試並優化活體檢測的整合效果，例如根據實際測試結果調整欺詐閾值。 * 注重程式碼品質與可讀性：確保新增程式碼符合專案標準，易於維護。 專案交付物： * 一個功能完整、穩定運行的 Android 應用程式，其中人臉活體檢測功能已無縫整合到現有的即時人臉辨識流程中。 * 可運行且優化的程式碼，附帶必要的註釋和說明。 * 在不同測試場景下（例如使用照片、影片、以及真實活體）的活體檢測功能驗證報告。 我們期待與你合作，共同打造一個更安全、更智慧的即時人臉應用程式！如果你對此專案充滿熱情，並具備上述技能，歡迎你提交提案。 📌我們不接受公司或商業工作室的提案，歡迎 學生或個人開發者 來提案。我們發佈這個專案，是為了籌建一支開發團隊。 如果你是個人或學生，有興趣參與這項技術挑戰，歡迎踴躍提出內容方案。

用於哪個行業：电子業 細節說明：用ai把已授權給的零件規格書轉成我們要的格式

用於哪個行業： 細節說明： 以 UNav-Sim/UE5 建立臺灣海峽情境之「海底電纜守護/快速復網」PoC。工作：1) 建置海纜/地形與濁度參數；2) ROS2 節點實作電纜偵測與追蹤；3) 批次輸出合成資料與報表；4) 形成實測接軌指引。 需熟 UE5、AirSim、ROS2、C++/Python、CV/SLAM。

各式AI影像辨識開發, 如合作愉快,可長期合作.

AI agent, 智慧家居的智能體，我提供模型用Langchain組合後，透過Home assistant 跟matter協議控制智慧家電

你好 大綱我想要做一個「中醫醫案 AI 系統」：讓醫師可以用語音或照片輸入病歷，AI 自動把它整理成標準醫案格式，並且可以搜尋名家醫案做比對 。希望做成網站的形式。

AI 應用的行業/領域：科技/軟體 期望協助的任務：創新產品/服務 執行形式：可進一步與專家諮詢

AI 應用的行業/領域：電子商務/零售 想解決的痛點：市場競爭激烈、創新不足 執行形式：提供技術諮詢與策略規劃

A.按當月驗收完成之行業批量計費/每批行業3-5萬元 B.長期配合/平均每日投入時間至少5小時 C.請留聯絡方式詳談細節 D.能力需求： 1. 自然語言處理（NLP）與語言學 * 熟悉 NLP 基本概念，如語意分析、詞向量（word embeddings）、語境理解等。 * 了解語法結構（Syntax）、語義（Semantics）、語用（Pragmatics）。 * 能有效運用關鍵詞、上下文、格式化輸入來影響 AI 輸出。 2. AI 及大型語言模型（LLM）知識 * 理解 Transformer、GPT、BERT 等 LLM 的基本原理與工作方式。 * 知道模型的限制（如幻覺、偏見、資訊不完整）並能設計 prompt 避免問題。 * 了解 Zero-shot、Few-shot Learning等prompt 技巧，提升 LLM 回應的準確性。 3. Prompt 設計與優化技巧 * 精確性（Precision）：用簡單、明確的語言表達需求。 * 上下文設計（Context Design）：提供適量資訊，確保 AI 理解目標。 * 約束與格式化（Constraints & Formatting）：要求特定輸出格式，如 JSON、Markdown、表 格。 * 測試與調優（A/B Testing）：針對不同 prompt 設計變體，找出最佳效果。 4. 程式設計與 API 整合 * 熟悉 Python 及各大公司 API / LangChain 等框架。 * 能撰寫腳本（.sh）來自動化 prompt 測試與分析 AI 輸出結果。 * 會使用正則表達式、文本處理技巧來提取與過濾 AI 產生的內容。 5. 資料分析與評估 * 分析 AI 回應的準確度、一致性、創造性，找出最佳 prompt 模式。 * 設計 AB 測試比較不同 prompt 的效果。 6. 領域知識（Domain Knowledge） * 針對不同應用場景（如程式碼生成、醫療診斷、法律、行銷、不同產業）調整 Prompt。 * 具備 UX / UI 設計思維，確保 AI 輸出對使用者有價值。 7. 創意思維與問題解決能力 * 能夠拆解複雜問題，轉化為 AI 可理解的輸入格式。 * 透過迭代測試找到最有效的 Prompt 組合。 * 思考如何讓 AI 生成更具創意、符合需求的內容。 8. 版本控制與協作 * 有專案合作經驗，看得懂其他人專案的程式碼 * 熟悉 Git / GitHub，能與開發團隊協作管理 Prompt 與程式碼版本。 * 具備技術文件撰寫能力，記錄進度 （Prompt、流程） 設計原則與最佳實踐。 9. 安全與道德考量 * 確保 Prompt 避免產生有害內容（如偏見、虛假資訊）。 * 瞭解 AI 法規與道德風險，如歧視、隱私保護、內容審查。 10. 持續學習與研究 * 跟蹤 AI / NLP 最新技術（如 OpenAI 發布的新模型、論文、第一手知道Deepseek消息等 等）。 * 持續優化 Prompt 設計，以適應 AI 的進步與應用需求。

一.每日平均投入時間至少5小時/長期配合 二.按驗收完成之行業批量計費/每批行業3-5萬元 三.需留言LINEID及電話詳談細節 四.能力需求： 1. 自然語言處理（NLP）與語言學 * 熟悉 NLP 基本概念，如語意分析、詞向量（word embeddings）、語境理解等。 * 了解語法結構（Syntax）、語義（Semantics）、語用（Pragmatics）。 * 能有效運用關鍵詞、上下文、格式化輸入來影響 AI 輸出。 2. AI 及大型語言模型（LLM）知識 * 理解 Transformer、GPT、BERT 等 LLM 的基本原理與工作方式。 * 知道模型的限制（如幻覺、偏見、資訊不完整）並能設計 prompt 避免問題。 * 了解 Zero-shot、Few-shot Learning等prompt 技巧，提升 LLM 回應的準確性。 3. Prompt 設計與優化技巧 * 精確性（Precision）：用簡單、明確的語言表達需求。 * 上下文設計（Context Design）：提供適量資訊，確保 AI 理解目標。 * 約束與格式化（Constraints & Formatting）：要求特定輸出格式，如 JSON、Markdown、表 格。 * 測試與調優（A/B Testing）：針對不同 prompt 設計變體，找出最佳效果。 4. 程式設計與 API 整合 * 熟悉 Python 及各大公司 API / LangChain 等框架。 * 能撰寫腳本（.sh）來自動化 prompt 測試與分析 AI 輸出結果。 * 會使用正則表達式、文本處理技巧來提取與過濾 AI 產生的內容。 5. 資料分析與評估 * 分析 AI 回應的準確度、一致性、創造性，找出最佳 prompt 模式。 * 設計 AB 測試比較不同 prompt 的效果。 6. 領域知識（Domain Knowledge） * 針對不同應用場景（如程式碼生成、醫療診斷、法律、行銷、不同產業）調整 Prompt。 * 具備 UX / UI 設計思維，確保 AI 輸出對使用者有價值。 7. 創意思維與問題解決能力 * 能夠拆解複雜問題，轉化為 AI 可理解的輸入格式。 * 透過迭代測試找到最有效的 Prompt 組合。 * 思考如何讓 AI 生成更具創意、符合需求的內容。 8. 版本控制與協作 * 有專案合作經驗，看得懂其他人專案的程式碼 * 熟悉 Git / GitHub，能與開發團隊協作管理 Prompt 與程式碼版本。 * 具備技術文件撰寫能力，記錄進度 （Prompt、流程） 設計原則與最佳實踐。 9. 安全與道德考量 * 確保 Prompt 避免產生有害內容（如偏見、虛假資訊）。 * 瞭解 AI 法規與道德風險，如歧視、隱私保護、內容審查。 10. 持續學習與研究 * 跟蹤 AI / NLP 最新技術（如 OpenAI 發布的新模型、論文、第一手知道Deepseek消息等 等）。 * 持續優化 Prompt 設計，以適應 AI 的進步與應用需求。

一.按驗收完成之行業批量計費/每批行業3-5萬元 二.每日平均投入時間至少5小時/長期配合 三.需留言聯絡方式詳談細節 四.能力需求： 1. 自然語言處理（NLP）與語言學 * 熟悉 NLP 基本概念，如語意分析、詞向量（word embeddings）、語境理解等。 * 了解語法結構（Syntax）、語義（Semantics）、語用（Pragmatics）。 * 能有效運用關鍵詞、上下文、格式化輸入來影響 AI 輸出。 2. AI 及大型語言模型（LLM）知識 * 理解 Transformer、GPT、BERT 等 LLM 的基本原理與工作方式。 * 知道模型的限制（如幻覺、偏見、資訊不完整）並能設計 prompt 避免問題。 * 了解 Zero-shot、Few-shot Learning等prompt 技巧，提升 LLM 回應的準確性。 3. Prompt 設計與優化技巧 * 精確性（Precision）：用簡單、明確的語言表達需求。 * 上下文設計（Context Design）：提供適量資訊，確保 AI 理解目標。 * 約束與格式化（Constraints & Formatting）：要求特定輸出格式，如 JSON、Markdown、表 格。 * 測試與調優（A/B Testing）：針對不同 prompt 設計變體，找出最佳效果。 4. 程式設計與 API 整合 * 熟悉 Python 及各大公司 API / LangChain 等框架。 * 能撰寫腳本（.sh）來自動化 prompt 測試與分析 AI 輸出結果。 * 會使用正則表達式、文本處理技巧來提取與過濾 AI 產生的內容。 5. 資料分析與評估 * 分析 AI 回應的準確度、一致性、創造性，找出最佳 prompt 模式。 * 設計 AB 測試比較不同 prompt 的效果。 6. 領域知識（Domain Knowledge） * 針對不同應用場景（如程式碼生成、醫療診斷、法律、行銷、不同產業）調整 Prompt。 * 具備 UX / UI 設計思維，確保 AI 輸出對使用者有價值。 7. 創意思維與問題解決能力 * 能夠拆解複雜問題，轉化為 AI 可理解的輸入格式。 * 透過迭代測試找到最有效的 Prompt 組合。 * 思考如何讓 AI 生成更具創意、符合需求的內容。 8. 版本控制與協作 * 有專案合作經驗，看得懂其他人專案的程式碼 * 熟悉 Git / GitHub，能與開發團隊協作管理 Prompt 與程式碼版本。 * 具備技術文件撰寫能力，記錄進度 （Prompt、流程） 設計原則與最佳實踐。 9. 安全與道德考量 * 確保 Prompt 避免產生有害內容（如偏見、虛假資訊）。 * 瞭解 AI 法規與道德風險，如歧視、隱私保護、內容審查。 10. 持續學習與研究 * 跟蹤 AI / NLP 最新技術（如 OpenAI 發布的新模型、論文、第一手知道Deepseek消息等 等）。 * 持續優化 Prompt 設計，以適應 AI 的進步與應用需求。

AI 應用的行業/領域：科技/軟體 期望協助的任務：創新產品/服務 執行形式：提供技術諮詢與策略規劃