展開側邊欄位的漢堡樣式按鈕

全端系統開發

個人健康紀錄雲端平台

背景：健康資料原本靠人工彙整與通知,流程零散、易出錯,需要一個能自動處理並即時互動的平台。 做法與思考：採前後端整合架構,導入 SignalR 即時通訊讓資料即時更新,檔案走 Azure Blob 雲端儲存,串接 LINE 推播主動通知。資料層用 Dapper + EF Core 雙軌——效能吃重處用 Dapper,一般 CRUD 用 EF Core,兼顧效能與開發速度。此平台歷經 5 個版本迭代,具備長期維護與重構能力。 技術重點：.NET 8、SignalR、Azure Blob Storage、LINE Messaging API、Dapper / EF Core、ASP.NET Core Identity。 成果：健康資料彙整與通知全面自動化,降低人工作業與出錯率。

使用的技能專長

  • Azure
  • C#
  • ASP.NET Core
  • .NET
  • LINE API
  • SignalR
  • Dapper
  • EF Core
8
・2026/06/30 更新

更多來自 劉佳政 的作品

Vue3 企業財務管理系統

背景：企業預算與財務流程仰賴紙本/表單,缺乏可查詢、可稽核的數位平台。 做法與思考：採前後端分離架構,後端以 .NET 8 提供標準 RESTful API 並用 Swagger 文件化,前端以 Vue 3 + TypeScript 開發,確保前後端解耦、各自可獨立演進與測試。資料庫採 PostgreSQL,並規劃稽核日誌以符合財務作業的可追溯需求。 技術重點：.NET 8、Vue 3、TypeScript、PostgreSQL、RESTful API、Swagger / OpenAPI、前後端分離。 成果：把紙本/表單流程數位化為可查詢、可稽核的線上服務,提升作業效率。

全端系統開發
5

AI 知識庫問答系統 RAG

背景：客戶有大量文件與重複的客服諮詢,人工回覆耗時且易漏,目標是讓系統「看得懂文件、答得出問題」。 做法與思考：設計完整 RAG(檢索增強生成)管線——文件切片 → 向量嵌入 → 語意檢索 → 重排序 → 交由 LLM 生成回答。為避免被單一模型綁死,我做了多模型供應商抽象層,可依成本與品質切換不同 LLM,並控管 token 用量、延遲與命中率。 技術重點：Python / FastAPI、PostgreSQL、Embeddings 向量檢索、OpenAI GPT-4o、多模型抽象層、RESTful API + Swagger、對話歷程與用量監控。 成果：把人工客服轉為 24 小時自動應答,大幅降低人力與回應等待。

AI 系統開發
6

劉佳政

0 人諮詢 前天上線平均 -- 回覆