我從去年 10 月全力投入 AI 領域的研究，至今約半年。會有這種動力持續研究、進步，除了是自己的興趣與工作，另一方面也很大的成份是「危機感」😅 不努力不行啊！別人都在開火箭，我豈能用腳踏車追？所以有時間我就想辦法突破自己能力的極限，找題目給自己做。
最近看到別人的一些作品，有了一些靈感。我想把之前做的 speak-to-llm app 再做更大的工程：加入可觀測性 (observability)。
會想做這個題目是因為實務上 LLM apps 會依 token 使用量計價，所以它是一個很有意義的度量 (metrics)，所以我想為我的 app 加上一個儀表板 (dashboard) 能即時看到 tokens 的使用量。不過我不想重刻一個儀表板，而是用我之前學過的知名儀表板工具 – Grafana，再搭配 metrics 收集工具 Prometheus. 我寫了 300 多個字元的提示詞，用 GPT-5.4 修改，就改出來了！細節我有些忘了。
故事還沒結束，我今天又在練功，再加碼：加入事件串流服務 – Kafka. 就是將後端程式的 token 事件訊息作 2 種應用：
1. 原本的即時儀表板顯示。
2. 事件訊息記錄 (logging) 至 PostgreSQL DB.
Kafka 很適合處理這種不同速率資料流。
我也是用 GPT-5.4 作修改，寫了 340 多個字元提示詞，只跟 AI 講我的軟體架構、服務怎麼接在一起，GPT-5.4 只花了 3 分鐘就把程式改好了，而且 GPT-5.4 還指出我原程式哪裡要改寫才能接得起來！
真是令我驚嘆！我所下的提示詞基本上只是幾句”需求”，連實作細節、與問題都沒講，但 AI 就幫我解決、達成，速度又超快。寫程式愈來愈是一種「心想事成」的事。雖然 AI 寫出的東西還是會有一些小問題要修改，但或許這是軟體工程師還存在的價值與尊嚴吧😆🥲 如果寫軟體全都給 AI 做完了，還需要軟體工程師嗎？
有些人預言今年是軟體工程結束的一年，有人說還要二年。我個人是認為只要 AI 會有幻覺，就有軟體工程師存在的必要，只是人數多寡的問題。至於這”多寡”是多少？就再看下去吧😅
