API 金鑰
像是 AI 服務的鑰匙或通行證
API Key 是用來讓程式呼叫某個 AI 服務或雲端服務的憑證。程式拿著這把鑰匙，才能向服務發送請求。
工程範例：你的通知機器人要呼叫雲端 AI 產生週報摘要，程式就需要 API Key 來證明「我是被允許使用這個 AI 服務的人」。
注意：API Key 不要貼在公開 GitHub、Teams 截圖、簡報或共用文件裡。外洩後可能造成費用、資料與帳號風險。
1
為什麼工程師學 代理 前，要先懂這些名詞？
避免把 AI 當成搜尋引擎
ChatGPT 類工具可以回答問題，但 AI 代理 更像是一個可以「看資料、用工具、照流程、產出結果」的自動化助手。名詞搞懂後，才知道它能做什麼、不能做什麼。
避免需求講不清楚
工程師常需要描述測試條件、限制、判斷標準與輸出格式。懂 提示詞、上下文、工作流程 後，才能把需求講成 AI 可以執行的任務。
避免資安與誤用風險
API Key、本機 LLM、雲端 LLM、Permission、Tool 都跟資料安全有關。越早建立邊界，越能避免把組織內部資料丟到不該去的地方。
2
AI 代理 的整體關係圖
提示詞你下達任務，例如「整理 thermal 紀錄 並找出 失敗 原因」。
背景 上下文提供背景，例如專案、測試條件、判斷標準、相關文件。
大型語言模型／模型模型負責理解、推理、產生計畫與文字內容。
工具／MCP讓 代理 可以讀檔、查資料、跑程式、操作系統或連接外部工具。
工作流程把任務拆成固定流程，例如讀取 → 分類 → 摘要 → 產出報告 → 寄信。
一句話理解：提示詞 是你交代工作，上下文 是你給背景資料，LLM 是大腦，Tool 是手腳，工作流程 是 SOP，MCP 是讓工具可以標準化連接的接口。
3
核心名詞解釋
資安重點
MCP
Model 上下文 Protocol，讓 AI 連接工具與資料的標準接口
MCP 可以想成 AI 代理 的「標準插座」。不同工具、資料庫、檔案系統、內部系統都可以用一致方式接給 AI 使用。
工程範例：AI 透過 MCP 讀取指定資料夾中的測試 紀錄、Excel 問題清單 或規格文件，再整理成報告。
白話比喻：以前每個設備都要自己寫轉接線；MCP 則像 USB-C，讓工具比較容易被 代理 接上。
Markdown
一種容易讀、也容易轉成文件的文字格式
Markdown 用簡單符號表示標題、清單、表格、粗體與程式碼。AI 很適合產生 Markdown，因為它結構清楚、容易轉成 HTML、Word 或簡報內容。
# Thermal Test Summary - Project: DLAP-3500 - Condition: 45°C / Full Load - Result: Fail | Item | Finding | Action | |---|---|---| | CPU Temp | Over limit | Check fan curve |
工程範例：把每週 專案狀態 先輸出成 Markdown，再轉成 HTML 報告或 電子郵件 內容。
背景 上下文
AI 判斷時需要看的背景資訊
上下文 是你提供給 AI 的背景資料，例如專案名稱、角色、限制條件、測試標準、過去對話、檔案內容或組織內部規則。
工程範例：只說「幫我整理 失敗 原因」太模糊；補上「這是 EMC pre-scan，測項是 RE 30MHz–1GHz，超標點在 600–800MHz」後，AI 才能給更接近工程判斷的摘要。
常見錯誤：上下文 不足時，AI 可能會用一般常識補空白，導致看起來合理但不一定符合專案事實。
提示詞
你對 AI 下的指令與需求描述
提示詞 不只是問問題，而是把任務、背景、輸入資料、輸出格式、限制條件與判斷標準講清楚。
請扮演 SIE 工程師，根據以下 issue list： 1. 找出 Critical open items 2. 依 RF / ME / Thermal / Safety 分類 3. 輸出成表格 4. 每個 item 給下一步 action owner 建議 限制：不要自行假設未提供的測試結果。
工程範例：好的 提示詞 就像交代新人做報告：要說明目的、資料來源、格式、不要做什麼。
詞元
AI 模型讀取與輸出文字的基本計算單位
代元 可以粗略理解為文字切片。模型讀你的輸入與產生回答都會消耗 代元。文件越長、輸出越長，代元 越多。
工程範例：一次丟 20 個 Excel 檔、每個檔案都有大量 問題，會消耗很多 代元，也可能超過模型可處理的長度。這時要先做篩選、摘要或分批處理。
實務建議：大量資料先用程式整理成重點，再交給 AI 分析，通常比整包丟給 AI 更穩。
工具
AI 代理 可以使用的外部能力
Tool 是 代理 可以呼叫的功能，例如讀檔、寫檔、搜尋、寄信、跑 Python、查資料庫、操作瀏覽器或產生圖表。
工程範例：代理 不是只回答「你應該整理 Excel」，而是可以真的讀取 Excel，找出 Critical Issues，產出 HTML 報告，然後準備寄信。
注意：Tool 權限越大，風險越高。能讀哪些資料夾、能不能刪檔、能不能寄信，都要設定清楚。
工作流程
把工作拆成可重複執行的流程
工作流程 是一連串固定步驟，讓 代理 不只是單次回答，而是照流程完成任務。
工程範例：PM Excel Agent 的 工作流程 可以是：掃描資料夾 → 找出 Excel → 讀取欄位 → 篩選 Critical open → 分類 RF/ME/Thermal/Safety → 產生 HTML → 發送通知 → 使用者確認 → 寄出 電子郵件。
白話比喻：提示詞 是一次交辦，工作流程 是可重複的 SOP。
4
建議一併補上的常見名詞
大型語言模型／模型
大型語言模型，是 AI 代理 的大腦。ChatGPT、Gemini、Claude、Llama、Qwen 都屬於這類模型或模型家族。
理解推理產生內容Agent
可以根據目標，自行規劃步驟、使用工具、讀取資料並產出結果的 AI 系統。
規劃工具使用任務執行RAG
Retrieval-Augmented Generation，先從文件或資料庫找資料，再讓 AI 根據找到的內容回答，降低亂編風險。
文件問答內部知識庫向量嵌入
把文字轉成向量，讓系統可以判斷兩段文字語意是否相近。常用在文件搜尋與知識庫。
語意搜尋知識庫向量資料庫
儲存 embedding 的資料庫，用來讓 AI 快速找到與問題最相關的文件段落。
RAG資料檢索系統提示詞
比一般 提示詞 更高層的行為規則，例如要求 AI 用繁體中文、遵守公司格式、不可臆測測試結果。
規則風格幻覺
AI 產生看似合理但其實沒有根據的內容。工程文件、測試結論與規格判斷尤其要避免。
風險需驗證防護規則
限制 AI 行為的安全護欄，例如禁止讀取未授權資料夾、禁止自動寄出外部郵件、禁止修改原始檔。
權限安全人工介入
關鍵決策仍由人確認。代理 可以整理與建議，但寄信、改 BOM、提交報告前要由工程師審核。
人工確認審核本機大型語言模型
在本機或組織內部環境執行的模型。優點是資料較容易控管，缺點是硬體需求高，能力可能受模型大小限制。
本地效能限制雲端大型語言模型
透過雲端服務使用的模型，例如 ChatGPT、Gemini、Claude。通常能力強、更新快，但要注意資料與權限規範。
雲端資料邊界CLI
Command Line Interface，命令列工具。Gemini CLI、Codex CLI 讓工程師可以在 terminal 中使用 AI 讀專案、改檔案、產出文件。
終端機工程工具權限 / 權限
代理 能看什麼、能做什麼、能不能寫檔或刪檔。權限控管是 代理 導入工程流程的基本要求。
資安控管記憶 記憶
讓 代理 記住偏好、專案規則或歷史紀錄的能力。但組織內部資料是否可被記憶，要有清楚規範。
個人化隱私評估
評估 AI 輸出是否正確、穩定、符合格式。工程應用不能只看一次成功，要能重複驗證。
驗證品質5
用工程情境理解這些名詞
範例 A：SIE / PM 問題 自動整理 代理
目標：掃描專案資料夾中的 Excel，找出 Critical open issues，並依 RF / ME / Thermal / EMC / Safety 分類。
Prompt：請讀取指定資料夾內的 Excel，找出包含 Critical open 的項目。 Context：只看 weekly status 與 issue list，不看 hidden sheet。 Tool：Excel reader、file system、HTML generator。 Workflow：掃描 → 擷取 → 分類 → 產生報告 → 人工確認 → 寄信。 Guardrail：不得刪除檔案，不得自動寄信給外部客戶。
範例 B：Thermal Test 紀錄 摘要 代理
目標：整理 thermal chamber 與 recorder 紀錄，判斷是否超出 規格，並產出測試摘要。
Prompt：請根據 thermal log 找出最高溫點與超標時間。 Context：CPU limit 95°C，Ambient 45°C，Fan curve version v1.2。 Token：大量 log 要先分段或壓縮摘要。 RAG：從 Thermal Test Request Form 找測試條件。 Human-in-the-loop：Fail conclusion 由 Thermal RD 或 SIE 確認。
範例 C：EMC / RF Pre-scan 報告整理
目標：將 EMC pre-scan 或 RF 測試紀錄整理成問題點與下一步建議。
Prompt：請整理 RE 超標點，依頻段、可能來源與建議 action 輸出。 Context：測項 RE，超標頻段 600–800MHz，系統狀態 full load。 Tool：PDF reader、image/table extraction、report generator。 Hallucination 風險：AI 不可直接宣稱 root cause，只能列可能方向。
範例 D：ME / Safety Checklist 代理
目標：根據設計變更、BOM 與安規需求，整理檢查項目與未完成風險。
Prompt：請根據 BOM change list，整理可能影響 Safety / Mechanical 的項目。 Context：產品進入 DVT，需確認 label、enclosure、creepage/clearance、material flammability。 Tool：BOM reader、checklist template、HTML output。 Workflow：讀 BOM → 比對 checklist → 標示缺口 → 產出 review list。
6
快速比較表
| 名詞 | 一句話解釋 | 工程師最常遇到的用法 | 容易搞錯的地方 |
|---|---|---|---|
| 提示詞 | 你交代 AI 的任務 | 要求整理 問題、摘要報告、產出表格 | 只問一句話但期待 AI 知道所有背景 |
| 背景 上下文 | AI 需要參考的背景 | 專案、測試條件、規格、限制 | 上下文 不足時，AI 可能自行補猜 |
| 詞元 | 模型處理文字的計量單位 | 長文件、紀錄、Excel 會消耗大量 代元 | 以為 AI 可以無限制讀全部資料 |
| 工具 | 代理 的外部能力 | 讀 Excel、跑程式、產生 HTML、寄信 | 工具權限沒控管，可能造成資安風險 |
| MCP | 讓工具與 AI 標準化連接的接口 | 連接檔案、資料庫、團隊工具 | 以為 MCP 本身就是模型 |
| 工作流程 | 可重複執行的任務流程 | 掃描 → 分析 → 報告 → 確認 → 寄出 | 把單次 提示詞 當成穩定流程 |
| RAG | 先找資料再回答 | 內部文件問答、規格查詢、SOP 查詢 | 以為 RAG 可以保證 100% 正確 |
| 防護規則 | 限制 AI 行為的安全規則 | 禁止刪檔、禁止外寄、限制資料夾 | 等出事才補權限控管 |
7
建議 45 分鐘教學流程
0–10 分鐘：建立共同語言
說明 代理 與 Chatbot 差異，先用整體關係圖讓大家知道 提示詞、上下文、工具、工作流程 的位置。
10–25 分鐘：核心名詞拆解
逐一說明 API Key、MCP、Markdown、上下文、提示詞、代元、工具、工作流程，搭配工程例子。
25–35 分鐘：工程案例
用 SIE Excel Agent、Thermal 紀錄、EMC pre-scan、ME/Safety checklist 做小案例。
35–42 分鐘：風險與邊界
說明 幻覺、安全護欄、權限、人工介入，強調 AI 產出必須驗證。
42–45 分鐘：小測驗與討論
請工程師提出自己部門最想自動化的一個工作，並判斷需要哪些 上下文 與 工具。
8
課後小測驗
1. 使用 雲端 LLM 或 AI 代理 時，哪一種做法最符合組織內部資料保護原則？
答案：先移除或遮蔽機密資訊，再只提供必要背景讓 AI 協助分析。組織內部資料、客戶名稱、專案代號、BOM、測試報告、問題 紀錄、帳號密碼、API Key、內部路徑與未公開規格，都不應直接貼到未核准的雲端 AI 工具。比較安全的做法是先去識別化、摘要化、遮蔽敏感欄位，或改用公司核准的工具與本地端流程。
2. 要讓 代理 讀 Excel、產生 HTML、寄出 電子郵件，這些能力屬於什麼？
答案：工具。這些是 代理 的外部能力，但必須搭配 權限 與 安全護欄 控管。
3. 只說「幫我整理報告」通常不夠，還缺什麼？
答案：缺 上下文 與明確 提示詞。要補上專案背景、資料來源、輸出格式、判斷標準與限制條件。
4. MCP 是模型嗎？
答案：不是。MCP 是讓模型或 代理 能標準化連接工具與資料來源的協定或接口。
5. 為什麼大量 紀錄 不建議整包直接丟給 AI？
答案：因為 代元 會很多，可能超過模型限制，也會增加成本與錯誤風險。比較好的方式是先分段、篩選、摘要，再交給 AI 分析。
9
一頁式重點：上課可以直接收尾用
AI 代理 = 模型大腦 + 背景資料 + 工具能力 + 流程控制 + 人工驗證
學會 提示詞：把需求講清楚。
補足 上下文：讓 AI 知道工程背景與限制。
管理 工具：讓 AI 可以做事，但不要給過大權限。
設計 工作流程：把一次性的回答變成可重複的流程。
加入 安全護欄：避免資料外洩、誤判與錯誤操作。
保留 人工介入：工程判斷、寄信、對外結論仍需人確認。