如何系統化建立AI 戰力？AWS 生成式 AI 與代理式AI學習路徑全解析

生成式 AI 不僅是技術變革，更是商業邏輯的重構。從理解基礎模型（Foundation Models）到建構具備自主執行能力的代理系統（Agentic AI），你需要的不只是零散的知識點，而是一條能連結「雲端架構」與「模型運維」的專業路徑。

當 Web 版 Gemini 再也不能滿足你的 Vibe Coding 需求 -- 啟動 Antigravity 2.0迎向代理優先

 

Google Web 版的Gemini + Canvas 的介面親切又直覺，只要描述想法，就能很快做出互動頁面、小工具與原型。許多人也因此完成了不少原本以為需要找工程師才能做的小功能。可是，當作品從「先跑起來看看」進入「要維護、要串資料、要反覆測試」的階段，Web 對話介面的限制就會逐漸浮現：上下文散落在多輪對話裡、多檔案修改不容易追蹤、執行與測試還要自己來回切換。

這時候，問題往往不是提示詞不夠長，而是需要一個能在本機工作區裡規劃、修改、執行與驗證的代理式開發環境。Google Antigravity 2.0 正好代表這種從聊天機器人走向 Agent-First 的轉變。

為什麼 AI Agent 要使用 Git Worktree？

 

Worktree 是 AI Agent 的安全工作環境

當你請 AI Agent 修改程式、做實驗、重構資料夾或產生新功能時，它需要一個可以放心嘗試的地方。Git Worktree 的用途，就是讓同一個 Git 專案同時開出多個資料夾：一個保留穩定版本，另一個讓 AI Agent 做實驗。這樣就不用備份整個專案，也不用擔心 AI 一邊嘗試、一邊把原本可用的版本弄亂。

你可以把它想成：Git 是專案的版本紀錄本，branch （分支）就像是不同想法的頁籤（特色分支），worktree 則是把某個頁籤拿出來變成獨立資料夾。AI Agent 在不同資料夾上做事，最後你再決定要不要把成果合併回主要工作的資料夾（main 分支）。

情境	不用 Worktree 的風險	使用 Worktree 的好處
讓 AI Agent 試做新功能	原本可用版本可能被改壞	實驗資料夾和穩定資料夾分開
同時請兩個 Agent 做不同方案	兩邊改到同一批檔案，容易混在一起	每個方案各自有工作區與分支
需要比較修改前後	只能靠記憶或反覆切換分支	兩個資料夾可直接並排比較
實驗失敗想放棄	要小心還原檔案	確認不保留成果後，移除 worktree，再刪除實驗分支

Git 是什麼？為什麼需要 Git？

Git 是一套版本控制工具。它會記錄專案在不同時間點的樣子，讓你知道誰改了什麼、何時改、為什麼改。如果改壞了，可以回到之前的版本；如果有不同想法，也可以開分支各自發展。

• commit：把目前狀態存成一個版本快照。
• branch：讓一條修改路線獨立發展，例如 main 是穩定主線，feature 分支是新功能實驗。
• merge：把某個分支的成果合併回另一個分支。
• reset：把目前分支退回指定版本。這個動作可能丟掉後續修改，使用前要確認。
• worktree：把同一個 Git 專案的不同分支，放到不同資料夾中同時工作。

Git Worktree 的概念圖

圖解：這張圖整理 worktree 的核心概念，main 保持穩定，新的 worktree 則提供 AI Agent 獨立實驗空間。

圖 1：main 保留穩定版本，proj1-v2 讓 AI Agent 在另一個資料夾做實驗。

什麼時候要讓 AI Agent 使用 Worktree？

• 你要它一次做比較大的修改，例如重構、換框架、加入登入流程、整理資料結構。
• 你想同時比較兩種以上方案，例如 A 方案重視速度、B 方案重視可讀性。
• 你要它修 bug，但不希望它影響目前可展示或可交付的版本。
• 你想在 Agent 做事時，自己仍然能打開原本資料夾查看或執行專案。
• 你要保留清楚的實驗紀錄，之後可以決定合併、放棄或交給另一個 Agent 接手。

如果只是改一行文字、補一個小註解或調整 README，通常不需要 worktree。Worktree 適合用在「改動範圍不小、可能要比較、可能會反悔」的工作。

安裝 Git

在 Windows 上可使用 PowerShell 搭配 winget 安裝 Git。打開 PowerShell 後輸入：

winget install --id Git.Git -e --source winget

安裝完成後，重新開啟終端機，再輸入以下指令確認是否安裝成功，這個指令是檢查 Git 的安裝版本：

git --version

如果系統找不到 winget，也可以前往 Git 官方 Windows 下載頁安裝：https://git-scm.com/download/win

註：winget 是 Windows Package Manager 的命令列工具，可用來搜尋、安裝、更新與移除軟體。它適用於 Windows 11 與較新的 Windows 10，通常會隨 App Installer 提供。

從一個小專案開始

如果是這台電腦上第一次使用 Git，請先輸入以下指令：

git config --global user.name "你的名字"
git config --global user.email "你的 Email"

可以使用以下指令查閱設定是否正確：

git config --global user.name 
git config --global user.email 

1. 建立專案與第一個檔案

本範例使用 Visual Studio Code 進行編輯，先建立一個資料夾 proj1，裡面放 src\index.html。這個檔案代表我們的第一版網頁內容。

<h1>Hello</h1>

操作結果：建立 proj1\src\index.html 後，專案已具備可交給 Git 管理的基本檔案結構。

圖 2：在檔案總管或 VS Code 中建立 proj1\src\index.html。

2. 初始化 Git 並建立第一個 commit

在包含 proj1 的上層資料夾中開啟 PowerShell；本文範例位置是 C:\Labs\gworktree。接著依序輸入以下指令，進入專案、初始化 Git，並確認目前的 worktree。剛開始只有主工作區。

cd .\proj1
git init -b main
git worktree list

指令結果1：成功建立 Git 本地端儲存庫以及 main 分支。

圖 3：終端機執行狀態。

指令結果2：執行 git init 後，資料夾中會出現 .git，代表這個資料夾已經成為 Git 專案。

圖 4：在檔案總管可以看到 .git 資料夾。

接著把檔案加入版本紀錄並建立第一個 commit：這項全域設定通常只需完成一次，之後即可正常建立 commit。

git add .
git status
git commit -m "初次 commit"

指令結果：執行 git add 與 git commit 後，Git 會建立第一個版本紀錄，作為後續比較與回復的基準點。

圖 5：建立第一個 commit 後，Git 已經記住初始版本。

3. 新增一個 worktree 當作實驗區

現在建立新 worktree 資料夾 proj1-v2，並同時建立新分支 feature-v2。新的版本可以在這個資料夾工作，不會直接動到 main 分支 (../Proj1) 的檔案。

git worktree add ../proj1-v2 -b feature-v2
git worktree list

指令結果：執行 git worktree add 後，Git 會建立 proj1-v2 資料夾，並將它連到新的 feature-v2 分支。

圖 6：Git 建立 proj1-v2，並把它連到新分支 feature-v2。

指令結果：再次執行 git worktree list，在檔案總管可以看到同一個專案目前同時存在 proj1 與 proj1-v2 兩個工作區。

圖 7：同一個專案現在有兩個資料夾：proj1 與 proj1-v2。

4. 在實驗區修改內容並提交

打開 proj1-v2\src\index.html，把內容改成第二版。此時 proj1 的 index.html 仍是 Hello，proj1-v2 則是 Hello v2。這就是 worktree 最直觀的價值：兩個資料夾可以同時存在不同版本。

<h1>Hello v2</h1>

操作結果：修改 proj1-v2 裡的 index.html 後，主工作區 proj1 仍保持原內容，兩邊可直接比較差異。

圖 8：左右兩邊的 index.html 內容不同，可直接比較。

接著在同一個 PowerShell 中，從 proj1 切換到 proj1-v2，再提交這次修改：

cd ../proj1-v2
git add .
git status
git commit -m "v2"
git log --oneline

指令結果：在 proj1-v2 中提交 v2 commit 後，實驗分支已保存修改成果。執行 git log --oneline 後，可以確認目前分支已有 v2 commit 與初次 commit 兩筆紀錄。

圖 9：在 proj1-v2 分支建立 v2 commit。

5. 回到 main分支，把實驗成果合併回來

如果你確認實驗結果可以採用，就在同一個 PowerShell 中切回 proj1，確認 main 的紀錄，再合併 feature-v2。

cd ../proj1
git checkout main
git log --oneline

指令結果：切回 main 後查看紀錄，可看到主線仍停在初次 commit，尚未受到實驗分支影響。

圖 10：回到 main 後，主線仍停在初次 commit。

合併 feature-v2 分支，並檢查紀錄：

git merge feature-v2
git log --oneline

指令結果：執行 git merge feature-v2 後，main 分支會取得實驗分支的修改內容。

圖 11：merge 後，main 取得 v2 的修改。

操作結果：合併完成後，主工作區的 index.html 也會呈現 Hello v2，表示修改已進入 main。

圖 12：合併後，主工作區也變成 Hello v2。

Merge 後如果反悔怎麼辦？

如果剛合併就發現不想要，而且這次變更尚未推送或分享，可以把 main 分支往前退一個 commit。git reset --hard 會改寫目前分支，並捨棄已追蹤檔案的未提交修改；執行前應先請 AI Agent 說明受影響的檔案並確認工作區乾淨。

git reset --hard HEAD~1

指令結果：執行 git reset --hard HEAD~1 會讓目前分支回到前一個 commit，僅適合尚未推送或分享的本機版本。

圖 13：HEAD~1 代表目前版本的前一個 commit。

如果要退到更早的指定版本，先查 log，複製目標 commit id，再 reset 到那個 id。

git log --oneline
git reset --hard 58b46a9

指令結果：使用指定 commit id 執行 reset，可以精準回到某一個歷史版本。

圖 14：使用 commit id 可退回指定版本。

這時候 ./proj1/src/index.html 就會還原到：

<h1>Hello</h1>

注意：

reset --hard 也會捨棄已追蹤檔案的未提交修改。若 main分支已經推送或與他人共用，不要用 reset 改寫歷史；應優先使用 git revert 建立一筆反向 commit。

git revert <commit-id>

若不確定該回復哪一筆 commit，使用git log列出目前工作區狀態與可能影響，確認後再執行。

6. 任務完成後收拾 worktree

確認要採用實驗成果時，可以再次合併；確認不再需要實驗區後，移除 worktree，再刪掉對應分支。這裡我們再度合併feature-v2分支。

git merge feature-v2
git worktree remove ../proj1-v2
git branch -d feature-v2
git worktree list

指令結果：完成 merge、worktree remove 與 branch -d 後，實驗工作區與分支都已清理，只留下 main。

圖 15：合併、移除 worktree、刪除實驗分支，最後只留下 main。

操作結果：在移除 worktree 之前，檔案總管中仍可看到 proj1-v2 資料夾。

圖 16：收拾前，檔案總管仍可看到 proj1-v2。

操作結果：移除 worktree 後，proj1-v2 資料夾消失，表示實驗工作區已收拾完成。

圖 17：移除後，proj1-v2 資料夾不再存在。

怎麼請 AI Agent 使用 Worktree？

上面的範例目的是讓你透過手動過程了解 Git Worktree 的運作原理，當你理解這個原理的時候，你才能夠準確地知道所下的提示詞會產生甚麼結果，以下列表幾個使用情境的提示詞範例僅供參考，使用 AI Agent 時，不只要下指令，也要講清楚限制、風險與完成條件。以下提示可以直接複製後依照專案名稱替換。

使用情境	提示範例
建立安全實驗區	請先不要修改 main 工作區。請用 Git Worktree 建立一個新的工作區與分支，分支名稱為 feature/login-demo。完成後列出目前 worktree，並說明你接下來會在哪個資料夾修改。
大改前先規劃	我想請你重構這個專案，但我沒有程式背景。請先建立 worktree，再用一般人看得懂的方式列出修改計畫、可能風險、驗收方式。等我確認後再動手。
比較兩個方案	請用兩個不同 worktree 分別做 A/B 方案：A 方案優先簡單、B 方案優先可維護。完成後請整理差異、測試結果與你建議採用哪一個。
合併前檢查	在 merge 回 main 前，請先檢查 git status、git log --oneline、修改檔案清單與測試結果。若有任何未提交或衝突，先停下來說明。
安全反悔	我想撤回剛才的 merge。請先解釋 git reset --hard 會造成什麼影響，列出目前 commit，再建議最安全的復原方式。不要直接執行危險指令，等我確認。

給初學者的安全檢查表

• 改動前先確認：AI Agent 目前在哪個資料夾？在哪個分支？
• 每次重要修改後，請 Agent 執行 git status，確認沒有意外檔案。
• 要求 Agent 把每個 commit 訊息寫清楚，日後才知道每一步在做什麼。
• merge 前先看 git log --oneline，確認要合併的是正確分支。
• 看到 reset --hard、clean、delete、remove 這類字眼時，先請 Agent 解釋影響再執行。
• 任務完成後移除不用的 worktree，避免日後忘記哪個資料夾才是正式版本。

一分鐘記住 Git Worktree

Git Worktree 不是進階工程師才需要的工具；對 AI Agent 使用者來說，它更像是一個安全工作流程。當你把穩定版本和實驗版本分開，AI Agent 就能更大膽地嘗試，你也能更清楚地檢查、比較、合併或放棄。

最實用的判斷方式是：只要你心裡出現「如果 AI 改壞了怎麼辦？」這個問題，就值得考慮先建立 Worktree。

更多學習資源：

除了本地 Git 之外，GitHub也是與程式版本控制，多人協作的重要工具，若想更完整學習 Git 與 GitHub 的觀念與實務操作，包含版本控制流程、分支協作、遠端儲存庫管理，以及團隊開發時常見的 GitHub 協作方式，建議可以進一步參考：

【GH900】Git版本控制與GitHub協作入門

參考資料

以下是參考資料列表：

• Git Worktree 官方文件
• Microsoft WinGet 官方文件

為企業與 IT 人員打造的AI 整合架構，全面提升AI即戰力！

拒絕零散的工具教學！為企業與 IT 專業人員打造的端到端 AI 生態系整合架構。從程式開發、雲端部署到自動化營運，全面提升 AI 即戰力！

AI 時代的關鍵轉折：從「單點工具使用者」跨越至「AI 生態系戰略總指揮」

AI 已從「單點工具」演變為「企業基礎設施」。

過去：AI 使用者
過去的 AI 只是輔助工具，多數人停留在「使用者」階段，面臨系統無法整合、ROI 難以量化的瓶頸。

未來：AI 生態系戰略總指揮
恆逸微軟 AI 應用系列課程，是帶您跨越技術鴻溝。我們不只教您操作 ChatGPT，更教您如何透過 Azure、GitHub 與 Microsoft 365 建構完善的 AI 解決方案，主導企業數位轉型。

【核心架構】微軟 AI 能力疊加金字塔

階梯式能力建構，打造無法被取代的企業級 AI 實力

【角色對齊】尋找最適合您的學習路徑

根據職能精準定位，挑選最適合您的微軟 AI 認證與培訓課程

【核心領域深耕】六大 AI 技術實戰板塊

領域一：AI 賦能的現代軟體開發生命週期 (SDLC)

極致提升 Coding 生產力，重新定義軟體開發工程

• 版本控制與協作 ——
  [GH900] Git 版本控制與 GitHub 協作入門 ：
  GitHub Flow, Pull Request 審查, 雲端開發環境。
• 程式碼生成與重構 ——
  [GH300] 使用 GitHub Copilot 提高 Coding 生產力 ：
   AI 配對程式設計, 自動化撰寫, 複雜程式碼生成。
• 持續整合與部署 (CI/CD) ——
  [GH200] GitHub Actions工作流程自動化 ：
  編譯、測試、自動發布套件與容器。
• 全流程協作與治理 ——
  [ASDG] AI賦能的SDLC與DevOps：GitHub Copilot全流程協作開發實戰 ：
  Agent Mode, CLI 提示工程, MCP 整合, 人機合作藝術。

領域二：建構企業級 AI 應用與智能助理 (AI Agents & Chatbots)

從 Large Language Model (LLM) Engine 到企業端應用落地

• [OPAI] 使用Visual Studio Code開發Azure Open AI應用程式：
  掌握基礎知識。透過 Azure 平台啟動管理 OpenAI 服務，整合先進 NLP 技術，最佳化模型效能。
• [GPT] 對談機器人與AI Agent開發實戰–使用OpenAI API：
  實戰落地應用。將 LLM 能力整合進企業需求，以 LINE App 等作為終端介面。
  • 實作場景展示：企業請假助理、個人記帳機器人、售票與點餐系統、IoT 智能家電 AI 助理。
  • 技術亮點：連續性多輪對話記憶、提示工程技巧、低程式碼開發。

領域三：Azure 雲端 AI 解決方案的進階階梯 (Cloud AI Roadmap)

四步驟打造穩定、安全、可擴展的雲端智慧架構

1. Step 1: 基礎評估 ——
   [AI901] Azure AI 簡介：
   理解機器學習核心原則、負責任的 AI，搞懂 AI 在做什麼，學會精準解決工作問題。
2. Step 2: 代理開發 ——
   [AI103] 開發 AI 應用程式與 AI Agent：
   以 Microsoft Foundry 為核心。運用自然語言/視覺搜尋，整合 MCP 與 Microsoft Agent Framework 打造多代理協作系統。
3. Step 3: 系統部署 ——
   [AI200] 在Azure上開發AI雲端解決方案：
   聚焦後端服務與容器化 (ACR、AKS)。實作向量資料儲存，建構事件驅動 AI 工作流。
4. Step 4: 維運優化 ——
   [AI300] 在Azure上運作機器學習與生成式AI解決方案：從 MLOps 到 GenAIOps。使用 GitHub Actions 實作 CI/CD，開發、評估及優化 AI 代理，建立端到端可觀察性。

領域四：企業工作流自動化與 AI 賦能 (Workflow Automation)

驅動全員生產力革命，讓 AI 成為敏捷辦公的最強後盾

• 日常辦公革命 —— 
  [MS4018] 使用Microsoft 365 Copilot撰寫分析與呈現文件 /
   [AB730] 使用Microsoft 365 Copilot協作企業工作流程：
  運用 Copilot 於 Word, Excel, PowerPoint 中建立跨工具工作流程，提升文件撰寫與數據分析決策品質。
• 低程式碼智慧應用 —— 
  [AB410] 使用Microsoft Power Platform建立智慧型應用程式：
  使用 Power Platform 建立 AI-first 解決方案。透過 Dataverse 構建高安全數據模型，運用 Power Apps 實作前後端自動化。
• 企業專屬 AI 代理 —— 
  [MS4022] 在Copilot Studio中擴充Microsoft 365 Copilot /
  [MS4017] 管理及擴充Microsoft 365 Copilot：
  在 Copilot Studio 中擴充 Microsoft 365 Copilot。配置自訂知識庫與連接器動作，管理並擴充系統以符合商業需求。
• 全員職能賦能 ——
  [MS4004] 為員工提供Copilot for Microsoft 365使用案例：
  為員工提供各領域 (HR, 財務, 行銷, 營運) 的專屬 Copilot 使用案例 。

領域五：數據為王：驅動 AI 的最強大腦 (Data & SQL Infrastructure)

結合 SQL Server 2025 與本地 LLM，打造高安全性企業 RAG 系統

• [DP800] 開發具 AI 能力的微軟資料庫解決方案：
  專為新一代資料庫專業人員設計。在 SQL Server 2025、Azure SQL 內部，利用原生向量儲存與相似度搜尋，構建端到端 RAG 解決方案。
  關鍵技術：T-SQL 端到端 RAG 實作、原生向量資料型態與索引、SSMS Copilot 與 Vibe coding 應用。
• [AISQL] AI 與 SQL Server 2025：
  突破內網限制。利用 Ollama 平台部署本地端大語言模型 (Local LLM)，結合 Unstructured Enterprise Data 與 Vector Database，延伸 SQL Server 資料分析與維運，提供精準且具上下文感知能力的回答 (Precise Context-Aware Answer)。

領域六：企業 AI 治理與轉型羅盤 (AI Governance & Strategy)

從技術導入升級為企業高階戰略，確保轉型成功與永續發展

• [AB731] 推動組織中的 AI 轉型：

從組織層級規劃 AI 採用路線圖 (Roadmap)。這不是一堂技術課，而是一堂企業戰略課。

• ROI 與商業價值：找對應用場景與成功指標，評估實際投資報酬率。
• 風險控管：控制 AI 風險，建立完善治理架構，防範「影子 AI (Shadow AI)」。
• 企業架構：設計支援資料流、RAG 與 Agent 應用的全域藍圖。
• 變革管理：推動組織文化轉型，確保 AI 導入過程的可控性與永續發展。

組建與指揮整合 AI 工具，打造 24 小時不間斷的高效運轉智慧系統

[AIteam-Open Source] AI工作坊：組建與指揮整合AI工具成為你的工作團隊

從「使用者」升級為「總指揮 (User/Commander)」，精準調度全球頂尖 AI 工具：

🚀 跨平台全自動化工作流：利用 n8n (n8n Automation Ring) 串接多個 AI Agent，建立自動內容生產與發佈流水線。

🔍 專屬情報分析員：建立私有 AI 知識庫 (NotebookLM, Perplexity)，實現會議自動轉錄與任務生成。

⚡ 高速模型應用：結合 Groq、Together AI 進行 API 串接，利用 Gamma 全自動設計高質感簡報。調用 ChatGPT (Logic)、Claude (Writing)、Gemini (Multimodal) 與 Hugging Face (Open Source)。

【恆逸專屬優勢】實質 ROI 與微軟原廠認證加值優惠

業界最強培訓資源支援，讓您的學習投資效益最大化

🎟️ 微軟原廠考試券全額補助

• 2026/12/31 前報名指定進階課程 (AI103, AI200 等)，即贈送價值 USD $83 微軟考試券。
• 報名基礎或 GitHub 課程 (GH900, AI901 等)，贈送價值 USD $50 微軟考試券。

🛡️ 考照雙重保險 (重考優惠)

大幅降低考照壓力！若首次未通過，提供專屬重考優惠價 (NT$600 - NT$1,000 依科目而定)，確保您順利取得國際認證。

🎓 學生專屬投資方案

參加「校園 IT 職涯學習護照方案」，報名指定課程 (Azure OpenAI, ChatGPT, GitHub Copilot) 享有超值 5 折優惠。

【真實見證】來自學員的震撼好評與實戰反饋

💬 『對談機器人與AI Agent開發實戰–使用OpenAI API』  

「課堂中，老師對 Azure OpenAI 的功能進行了講解與演示，並且讓同學實際進行操作，讓我們體驗到 Azure OpenAI 所提供的功能之多樣，使用之便利；然而對我而言，讓我收穫最多的，其實是與建構Line Bot相關的教程中。在Line Bot相關的教程中，我們申請了自己的Line Bot，使用VS Code建構可接收Line訊息的服務，將服務與Azure OpenAI等大語言模型串接，獲取回應，最後將大語言模型的回應或動作指令回應給使用者。

在這一連串的實作教程中，包含的是自己架設的服務如何與Line Bot的串接、服務接受到訊息後該如何對訊息進行篩查、附加歷史對話紀錄、嵌入訊息相關資料以及對LLM回應內容的限制；這一整段流程的實作與細節講解，是我覺得在此課程中最有收穫，對我工作幫助最大的部分。」

💬 『為員工提供Copilot for Microsoft 365使用案例』

「講師在教學過程中大量使用真實的企業情境範例，例如如何用 Copilot 在 Teams 會議結束後自動整理會議摘要與待辦事項、如何在 Outlook 中快速生成專業回覆草稿、如何在 Word 中透過 Copilot 協助撰寫提案文件初稿等，每一個範例都貼近日常辦公室實際發生的場景，讓在場學員頻頻點頭共鳴。課程節奏掌控得宜，理論與實作穿插進行，不會因為長時間聆聽而感到疲乏。講師也非常樂於回答學員提問，對於較為進階的技術問題，他會耐心拆解，確保每位學員都能跟上。

回到工作崗位後，課程所學幾乎立刻就被付諸實踐。身為數位科技的推動者，我的首要任務是為公司各部門進行評估，讓不同職能的同仁都能找到與自身工作最相關的應用場景。課程所提供的情境思考框架，讓我能夠系統性地拆解每個部門的日常工作流程，找出最適合 Copilot 介入的環節，大幅縮短了使用案例設計的時間。」

💬 『使用Microsoft 365 Copilot協作企業工作流程』

「講師針對 Microsoft Copilot 在不同 M365 應用（Word、Outlook、Teams、PowerPoint）中的差異化場景做了深入說明，讓我了解到每個應用中的 Copilot 其實有各自的「強項情境」，學會對症下藥才能真正發揮效益。 

課程中有一段讓我非常受益的設計：講師帶著學員一起「解構」一份常見的商務報告撰寫流程，逐步標示出哪些步驟適合交給 Copilot 處理（如資料摘要、段落草稿）、哪些步驟必須留給人類判斷（如策略定調、客戶關係語氣拿捏），整個過程讓我對 AI 協作的邊界有了非常清晰的認識。這門課最珍貴的地方，在於它給了我一套可以直接落地的思考框架，而不只是介紹工具功能。對於任何在職場中想要認真將生成式 AI 融入日常工作的人來說，這絕對是一門值得投資時間的課程。」

搶先掌握微軟 AI 技術，成就明日戰略總指揮！

👉 立即開始規劃轉型路徑

GitHub Copilot Desktop App簡介（2）：指令設定、風格校準與實作練習

 

GitHub Copilot App 不是只能夠拿來寫程式，也可以用來改善日常工作流。許多人第一次接觸 GitHub Copilot 時，往往認為它只是開發人員的 AI 工具，主要用途是撰寫程式碼、修正錯誤或產生測試案例。然而，隨著 Agentic Development 的發展，GitHub Copilot App 已逐漸從「程式設計助手」轉變為「工作任務助手」。

GitHub Copilot Desktop App簡介（1）：概念、安裝與第一個專案

 

本系列文章將帶領讀者從零開始認識 GitHub Copilot Desktop App，包含安裝、登入、建立第一個專案，以及實際體驗 AI Agent 協助開發的完整流程。

透過循序漸進的操作教學，讀者不僅能快速上手 GitHub Copilot Desktop App，更能理解它在 Agentic Development（AI Agent 驅動開發）中的定位與價值，並透過一個可重複練習的實作任務，親身體驗 AI Agent 如何參與軟體開發流程。

別再盲目摸索 AI！從零基礎到頂尖架構師的AWS全面進化指南

【AWS AI技能指南】別再盲目摸索 AI！

恆逸 AWS 官方授權 AI 全系列課程
從零基礎到頂尖架構師的全面進化指南

在這個 AI 迎來爆發式應用的時代，「會不會用 AI」已經成為職場分水嶺。但，你真的掌握核心技術了嗎？

身為 AWS 官方授權訓練中心，恆逸教育訓練中心引進最新、最正統的 AWS 全系列 AI/ML 與生成式 AI 課程！

不論你是想幫企業評估轉型佈局的決策者、想快速開發 AI 應用的工程師，還是想用 AI 自動化解放生產力的商務人員，恆逸都為你準備了最精準的職涯晉升路徑。

## 找準你的定位！AWS AI 官方授權課程，技術零時差

針對不同職場角色，精準規劃了相對應的實戰課程，讓你的學習更有投資報酬率：

🎯 經理人、PM與初學者：建立AI大腦、拿取國際認證

如果你需要為團隊做決策，或想全面轉型 AI 領域，這兩門課是你的最佳起點：

【AWAIML】Generative AI Essentials on AWS • 適合對象： 經理人、產品經理（PM）、行銷與商業分析師
• 核心亮點： 零基礎也聽得懂！從商業視角切入，快速掌握生成式 AI 的核心概念、潛在應用與企業風險，幫你做出精準的技術決策。

【AWAIPEH】AWS AI Practitioner 認證準備及 AWS App Studio 實作課程 • 適合對象： 想考取 AWS 最新熱門 AI 認證的職場人士、轉職者
• 核心亮點： 「證照 + 實作」一次到位！除了精準對接官方認證重點，更帶你實作最新 AWS App Studio，用自然語言就能秒速建構企業級應用。

👩‍💻 軟體工程師與架構師：打造企業級生成式 AI 應用

如果你要動手寫程式、建構落地應用，請直接挑戰原廠高階開發課程：

【AWAIDG】在 AWS 上開發生成式 AI 應用程式 • 適合對象： 開發人員、雲端架構師
• 核心亮點： 從理論走向實戰！教你如何運用 Amazon Bedrock 與大語言模型（LLM），開發出具備高安全性、高擴展性的生成式 AI 應用。

【AWAIAGD】在 AWS 上開發進階的生成式 AI 應用 • 適合對象： 進階開發人員、想深入 RAG 與微調技術的工程師
• 核心亮點： 深入進階技巧！聚焦於檢索增強生成（RAG）、Prompt 工程最佳實踐，以及如何針對企業特定情境進行技術微調。

🚀 AI 專家與頂尖架構師：邁向 Agentic AI（AI 代理）的終極殿堂

當單純的對話不再滿足需求，「能主動思考、執行任務」的 Agentic AI 是當前最頂尖的趨勢：

【AWAIAF】Agentic AI Foundations • 適合對象： 對代理式AI陌生且尋求基礎知識的軟體開發人員、索AI功能並對代理式AI的核心元件和應用感興趣的技術專業人士、評估代理式AI解決方案並需要區分代理類型的開發團隊
• 核心亮點： 探索使用AWS服務設計代理式AI系統的核心原則和策略。學習代理式AI與傳統對話系統的差異。了解如何使用Amazon Q Developer、Amazon QuickSuite、Kiro、Strands Agents SDK和Amazon Bedrock AgentCore等工具來構建自主、目標導向的解決方案，以解決真實世界的問題。

【AWAIABA】Building Agentic AI with Amazon Bedrock AgentCore• 適合對象： 具備基礎的 AI 開發工程師、系統架構師
• 核心亮點： 掌握下一代關鍵技術！學習使用 Amazon Bedrock AgentCore 建構具備多步驟推理、能自主調用 API 執行複雜任務的 AI 代理系統。

【AWAIAAS】Building Advanced Agentic Systems on AWS • 適合對象： 資深雲端架構師、AI 專案負責人
• 核心亮點： 進階 AI 架構課程。挑戰多代理人（Multi-Agent）協同作業系統，打造真正能為企業自動化運作的「AI 虛擬團隊」。

📊 商務菁英與數據分析師：用 AI 讓數據自己說話

不會程式碼？沒關係！這門課專為追求極致效率的商務工作者設計：

【AWAIAQP】Amazon Quick for AI-Powered Productivity and Business Intelligence • 適合對象： BI 分析師、數據人員、高階幕僚、行政商務人員
• 核心亮點： 重塑商業智慧，利用Quick Sight建立互動式儀表板與視覺化，精準預測趨勢，讓數據洞察速度提升 10 倍！

📌 課程速查一覽表

課程代號	課程名稱	核心實戰技術焦點
AWAIML	Generative AI Essentials on AWS	生成式 AI 商業決策入門
AWAIPEH	AWS AI Practitioner 認證準備及 App Studio 實作課程	認證精準準備 + AWS App Studio 免程式碼開發實作
AWAIDG	在 AWS 上開發生成式 AI 應用程式	Amazon Bedrock 企業級生成式 AI 應用開發基礎
AWAIAGD	在 AWS 上開發進階的生成式 AI 應用	檢索增強生成 (RAG)、Prompt 工程最佳實踐
AWAIAF	Agentic AI Foundations	使用AWS服務設計代理式AI系統的核心原則和策略
AWAIABA	Building Agentic AI with Amazon Bedrock AgentCore	自主 AI 代理系統建構
AWAIAAS	Building Advanced Agentic Systems on AWS	多代理人協同終極架構
AWAIAQP	Amazon Quick for AI-Powered Productivity and Business Intelligence	快速處理資料的 AI 數據分析

## 為什麼選擇恆逸？官方授權的絕對優勢

• 正統原廠血統： 課程教材與 AWS 官方同步，拒絕過時與拼湊的網路碎屑知識。
• 原廠認證講師親授： 由具備豐富大型專案實戰經驗的 AWS 認證講師親自帶領，不只教理論，更直擊職場企業需求。
• 完善的學習環境： 提供新穎完備的教學設備外，更有寬敞舒適的休憩空間、免費飲料吧隨時補充能量！

🔥 搶先一步掌握 AWS AI 的核心力量！

無論是為了職涯加薪拿證照，還是單純想用 AI 放大 10 倍生產力，恆逸都能幫你一站到位！
現在就查詢最新開課時間，開啟你的 AI 攻頂之路！

🚀  AWS AI 系列課程介紹

🚀 洽詢 AWS AI 課程優惠訊息

你的 AI 助理，是「租」的還是「養」的？

雲端 AI vs 專屬電腦裡的 AI

你的 AI 助理，是「租」的還是「專屬」的？

每次打開 ChatGPT，是不是都要重新解釋一次「我在忙什麼專案」？

每次想請 AI 幫忙整理電腦裡的會議紀錄、研究資料，得到的回答永遠是「抱歉，我沒辦法存取你的檔案」？

這不是 AI 不夠聰明，而是你用錯了類型的工具。

市面上的 AI 助理，可以粗略分成兩種：用網頁租的，跟專屬在自己電腦裡的。這篇文章想跟你聊聊，這兩者到底差在哪裡，又為什麼這個差異，會決定你的 AI 助理有沒有辦法真正幫你做事。

☁️ 雲端租用💻 專屬常駐

Cloud AI

雲端 AI：聰明，但「失憶」又「沒有手」

ChatGPT、Claude 網頁版這類工具，最大的優勢是聰明、好上手、打開就能用。但如果你認真把它當「助理」在用，會發現兩個明顯的天花板。

⚠️第一，它的記憶。 每次開新對話，AI 就像第一天上班的新人，完全不知道你上週交代過什麼、這個專案的背景是什麼。你得一遍又一遍重講脈絡，這本身就是一種隱性的時間成本。

⚠️第二，它沒有手。 網頁版 AI 能聊、能想、能寫，但它碰不到你電腦裡的檔案。你的會議紀錄、研究資料、待辦清單，依然得靠你自己動手整理、自己動手找。AI 給的是建議，不是行動。

對於只是想偶爾問問題的人來說，這樣已經夠用。但如果你每天都要花時間整理文件、回顧進度、查資料，這種「只能聊天、不能做事」的 AI，其實只解決了一半的問題。

Local Agent

專屬在電腦裡的 AI：從「聊天」升級成「執行」

把 AI 留在自己電腦上、變成專屬助理，核心差異不只是「它記得你」，而是它真的能動手做事。這類工具的設計思維，是把 AI 從一個回答問題的對話框，升級成一個能規劃步驟、使用工具、處理檔案、保留任務脈絡的工作夥伴。

01

本地端模型，資料留在自己手上

透過 LM Studio 或 Ollama，可以在自己的電腦上直接架一個本機模型服務，讓 AI 助手運作時不必把每一份文件都送上雲端。對重視隱私、需要控管成本、或處理敏感資料的工作者來說，這是雲端 AI 給不了的安心感。

02

有清楚的工作空間與安全邊界

不是讓 AI 在你電腦裡「亂跑」，而是事先規劃好它可以讀、可以寫、不能碰、需要先問過你的範圍——包括檔案修改、刪除、終端機指令執行這些動作，都設有確認機制，並保留處理紀錄與版本備份，避免誤操作。

03

真的能處理檔案，不只是給建議

讀取資料夾、整理內容、批次重新命名、歸檔、產出處理紀錄，這些原本要你自己手動做的瑣事，AI 助手可以直接接手執行，而不是只告訴你「建議你這樣整理」。

04

能上網蒐集資料，還能整理成研究筆記

串接 Brave Search API 之後，AI 助手可以主動查詢網頁、蒐集資料，把搜尋結果的標題、摘要、來源整理清楚，再交給模型彙整成可重複使用的研究筆記，而不是你自己開十幾個分頁慢慢看。

05

有自己的知識庫，問了才不會「每次都從零開始」

用 Markdown、文字檔、PDF 摘要建立一個輕量的本機知識庫，之後問「這週重點是什麼」「這個專案的待辦還有哪些」，AI 會根據你自己累積的資料來回答，而不是憑空生成。

06

會自己照表操課

設定好排程之後，AI 助手能自動完成每日摘要、每週回顧、待辦追蹤，甚至監控指定資料夾——只要有新文件進來，就自動整理、分類、產生摘要與知識檔，不需要你每次手動觸發。

哪一種比較適合你？

老實說，沒有「哪個比較好」的標準答案，只有「哪個比較適合你現在的工作型態」。

適合雲端 AI

只是偶爾查資料、寫信潤稿，雲端 AI 完全夠用，不需要多此一舉。

適合擁有專屬 AI

工作日常充滿了會議紀錄整理、研究資料彙整、專案待辦追蹤、文件歸檔——需要 AI 記得脈絡、能動手做事、還要持續運作的情境。

雲端 AI 像是每次都要重新認識的代班助理，聰明但沒有記憶、碰不到你的檔案；專屬在電腦裡的 AI，則像是真正熟悉你工作習慣、能動手整理資料、會上網查資料、還能照表操課的專屬助理。如果你的工作離不開大量文件整理與效率管理，後者能補上前者做不到的那一塊。

如果你也想擺脫「每次都要重新解釋」的疲乏，把 AI 從聊天工具升級成真正會做事的個人助理，恆逸教育訓練中心的課程，會帶你從零開始，在自己的電腦上打造一個有記憶、會整理檔案、能自動排程的 AI 助手。

Hermes AI Agent Desktop｜個人 AI 助理建置與實務應用

兩天 14 小時的實戰 LAB，從本機模型環境建置（LM Studio / Ollama）、Hermes Agent Desktop 連線設定、工作空間與安全邊界規劃，到檔案工具實作、Brave Search API 串接、本機知識庫建立，最後整合成一套自動化排程與資料夾監控流程，完成一個可展示、可複製、可擴充的個人 AI 助手原型。

課前準備： 需先申請 Brave Search API 帳號與 API Key（免費）、Gemini API Key，並準備好 Windows 11 環境。

2026 / 09 / 19 – 09 / 20　每週六日　09:00–17:00　台北2026 / 10 / 05 – 10 / 06　每週一二　09:00–17:00　台北2026 / 12 / 23 – 12 / 24　每週三四　09:00–17:00　台北

👉 立即預約課程 →