〈2026 長照醫療應用競賽產生範例〉這個連結是示範如何透過 ChatGTP 產出長文本的作業範例，裡面的產品、企業、競賽都是模擬出來的資料，並非真實的場景。
今天收到公文，我們的產品繼九月榮獲〈2025 AI 大健康醫療應用創新大賽〉第二名後，又接連拿下〈國家新創獎〉「企業新創獎」的肯定。
回想今年六月與七月，公司曾表示有意參加幾項不同競賽。當時研發部門僅有三名工程師，搭配一位產品經理與一位專案經理，原本 PM 認為難以撥出人力與時間投入。但我心想若僅是撰寫參賽文件，而我們又已具備具體的技術架構與細節，或許可以一試。於是我主導了第一場競賽的計畫書撰寫，後續也負責第二場競賽的技術內容與最終文件調整。得知最終獲獎的那一刻，內心百感交集。
這裡簡單分享我如何運用 LLM（大型語言模型）的功能，來完成這兩項任務，並最終獲得實質肯定。不過在分享之前，必須先強調，真正的關鍵仍在於技術實力與產品本身。參賽文案的角色，是將我們的核心技術與產品價值完整展現與包裝。若缺乏這份實質內容，或欠缺好的呈現方式，終究難以在眾多競爭者中脫穎而出。而若不理解其中技術與邏輯，LLM 終究也幫不上忙。
一、透過深度研究進行競賽策略分析
提供競賽的原始資料來源，透過深度研究（Deep research）來產出第一版的競賽分析，在這個步驟應該要完整說明我們參賽產品的背景資料，包含這個產品應用在哪裡？有哪些功能，功能的細部描述，以及我們已知的產品參賽優勢與劣勢。
當 LLM 進行深度研究時，有些 LLM 會請我們補充關鍵資訊，這時候應該將關鍵資訊補上，接著等 LLM 將深度研究完成。若深度研究的結果有需修正的地方，也可以透過後續的提示詞來修正，但記住後續提示詞的修正過程，是額外將深度研究內容進行處理，並不是重新處理深度研究裡的所有文案。
注意：深度研究只適合資訊蒐集跟研究的任務，較不適用於單純的文章撰寫或是其他專業的問答。
◎由於某些文章的內容在 Blog 裡面較不好呈現，請此會將連結導到 notion 的頁面上。
完整文章連結：https://hsuanwei.notion.site/AI-Cursor-Talk-to-Figma-MCP-1c1de4d95a678058a501e76b89d3beca
當生成式 AI 遇上設計工具，真的能實現工作自動化嗎？這篇文章記錄了我實作「Cursor Talk to Figma MCP」專案的過程，透過 MCP（Model Context Protocol）讓本地端 AI 助手與 Figma 對話、讀寫設計稿，甚至參與介面調整。這不只是技術實驗，更是一場對人機協作未來的深度思考。
文章深入解析 MCP 如何將 AI 的操作延伸至設計層面，讓「設計對接程式」不再是難題。然而，真正的挑戰在於理解這些工具的能力與限制。AI 的確可以顯著提升設計效率，甚至節省一半時間，但也可能出現樣式錯亂、上下文失誤等問題。這說明，AI 雖強，仍需人類在迴圈中（Human in the loop）監督與把關。
與其盲目追捧「AI 全自動化」，更應理性看待：MCP 帶來的，是協作模式的進化，而非人力的取代。只有透過實際摸索、了解 AI 做得到與做不到的範圍，才能真正善用它為我們所用。
◎由於某些文章的內容在 Blog 裡面較不好呈現，請此會將連結導到 notion 的頁面上。
完整文章連結： https://hsuanwei.notion.site/AI-LLMs-1b3de4d95a67801bb87df121dd6bb5fe
AI 不是只有聊天機器人！這篇文章整理了我過去兩年實際使用大型語言模型（LLMs）的經驗，分享了從初次接觸時令人哭笑不得的幻覺（Hallucination），到如今已將 LLM 深入應用在日常工作中，包括文件寫作、自動化客服、多模態資料處理、醫療資訊輔助、數據分析、產品開發與流程優化等等。
面對這波快速發展的AI技術浪潮，你是觀望、抗拒，還是積極擁抱？文章中特別整理出我實際使用的九大應用場景，透過真實案例讓你了解如何輕鬆入手LLM工具，提升工作效率與競爭力。
別再讓自己停留在對新技術的誤解與焦慮中，掌握實務經驗，才是跟上未來的關鍵！
◎由於某些文章的內容在 Blog 裡面較不好呈現，請此會將連結導到 notion 的頁面上。
完整安裝流程與技術細節請參考文章：
https://hsuanwei.notion.site/AI-19fde4d95a6780088945ed0a46252014
在 AI 技術飛速發展的今天，開源 LLMs（大型語言模型）為我們提供了前所未有的機會，讓企業與個人都能建立 本地端 AI 知識庫，有效管理專業知識，並優化資訊檢索與應用流程。
為什麼 AI 知識庫是企業與個人的最佳 AI 入門應用？
知識庫在企業內部的應用場景廣泛，例如：
◼︎ 員工訓練與技術支援
◼︎ 內部文件檢索與問答
◼︎ 自動化客服與企業 FAQ 系統
◼︎ 業務文件與專案知識管理
對個人來說，則可用於：
◼︎ 個人學習筆記與研究資料整理
◼︎ 專業領域（如攝影、程式設計）的知識累積
◼︎ AI 助手，協助快速檢索與整理資訊
相較於傳統的關鍵字搜尋，結合 RAG 技術（檢索增強生成）與 AI 代理（AI Agent）的知識庫，能提供更直覺的 對話式資訊檢索，減少手動篩選文件的時間。
如何打造本地 AI 知識庫？
在這篇文章中，我分享了如何透過 Ollama + Dify 建立自己的 AI 知識庫，並記錄了安裝過程與應用測試結果。
◼︎ Ollama：在本機端運行開源 LLM，如 Mistral 7B、Deepseek 8B、Qwen
◼︎ Dify：提供簡潔的 AI 應用框架，輕鬆管理 LLM 與知識庫
文章內含完整安裝指南（Mac 環境），包含：
◼︎ Ollama 安裝與測試（Homebrew + Docker）
◼︎ Dify 設定、容器啟動與 HTTPS 配置
◼︎ AI 知識庫應用場景與企業應用優勢分析
AI 知識庫不僅是 企業 AI 化的最佳切入點，也是個人能夠實際應用 AI 技術的良
好實驗場域。如果你正在思考如何開始使用 AI，或是希望在企業內導入 AI，這是一個很值得探索的方向！
近日 OpenAI 推出了 Deep Research，雖然暫時只提供給每月支付兩百美金的 Pro 用戶，但很多人試用後都稱讚這個 Agent AI 真的很好厲害（Deep Research 是什麼？實測介紹 ChatGPT 深度研究新功能），而除了 OpenAI 推出這個服務之外，Hugging Face 也重現了一個基礎版的類似智慧代理架構，（Hugging Face挑戰OpenAI Deep Research，24小時打造開源智慧代理系統），有興趣的人可以點擊這裡測試使用。
這個自動代理 AI 的運作原理，主要運作是分為幾個步驟：首先會將使用者輸入問題進行類型跟關鍵字拆解，然後進行相關資料查詢。接者則是透過網路搜尋的結果進行不同來源的比對，這其實也是部分資料提示工程師提升 LLMs 精準度的作業方式之一。然後會將這些資料進行過濾篩選跟提取，最後產出結構化的報告。因此它結合了自動代理（AI Agent）、多步推理 （Chain of Thought, CoT），以及檢索增強生成 （Retrieval-Augmented Generation, RAG）三種核心技術。
而在 OpenAI Deep Research 服務推出之前，Google 的 NotebookLM 也提供了類似的應用場景。NotebookLM 也包含了資訊整合跟分析，但需要使用者自行提供資訊的來源。同時它也有自動化研究流程，系統會預設一些提示詞，導引使用者減少人工介入並提升使用效能。我認為 NotebookLM 適合彙整已有明確資料來源的項目，而 Deep Research 則適合探訪一個我們未知的主題，如我下圖所顯示的。
我的使用範例是要求：「以鑽石與氮化硼切削工具的市場專家，幫我搜尋網際網路上面近三年的市場調查分析，如果以全球市場來看，有哪些區域的廠商對這樣的產品有需求。同時以台灣的製造商，哪些區域適合我們去拓展市場。請給我市場分析的來源跟數據相關資料，並提出為何適合台灣製造商開拓的原因。」這個議題我不知道要到哪裡蒐集有用的資料，所以透過網路代理工具可以大幅減少我的時間。而我之所以進行這些資料的查詢，是因為幫朋友給予一些製造業產品外銷的建議，由於 AI 工具的輔助，以往我要花上三到五天才能蒐集完資料並產出一份產業建議報告，在這些工具的輔助下，我只用了四個小時就處理完畢。
回到 NotebookLM，前陣子在 Threads 上看到有人大力推薦，應該要透過它的一個「語音摘要」功能，然後將自己的履歷丟進去，看看語音摘要會生成什麼樣的介紹。而相信透過這個介紹，大家都會得到心靈方面的撫慰。我也開始努力在找下一份工作，所以也就找時間測試了一下。這個雙人語音對話的功能，我在上一篇《DeepSeek：AI模型效能與成本革命》有介紹過，當時是利用語音摘要，以 Podcast 的型態來介紹 DeepSeek。
