最近跟朋友聊 AI 發展，說我要轉行做 AI。他建議我可以去學一套 AI 工作流自動化工具 (AI workflow automation) – n8n. 我就研究了一下。 n8n 是一套開發流程圖式工作流工具，如擷圖所示。它不僅只是畫流程圖而已，而且還是可執行的程式，達成自動化執行的工作流。這類工具在 AI 還沒爆紅時就存在了。但 n8n 特別在於它有許多現成的 AI 與應用工具可用，又有免費版可在本機運作，所以在 AI 界滿紅的。 這種流程圖式的寫程式方式非常好上手，不必像寫程式語言一樣要記很多語法，只要加一加程式方塊圖，再連線它們的輸入輸出資料，就像在畫畫一樣，就能寫出一支程式。 而最近幾年進入 AI 科技奇異點，使得「AI 程式」開始能作為工作流 / 程式的一部分！n8n 就內建許多 AI 方塊（程式），比如有串接 OpenAI, Gemini, OpenRouter AI 服務的方塊，可以整合到工作流中，人們就可以發揮創意做出自己的 AI 應用程式。 現代 LLM AI 因為夠聰明，會推測別的工具 (tools) 要怎麼使用，這使得我們能用它來操作這些工具。例如擷圖示範的是透過 Telegram 傳訊將使用者用自然語言所下的指令傳給 LLM AI 代理人 (agent)，agent 就能選取最合適的工具執行，比如新增 Google 行事曆項目、寄信。 n8n…

這是我花了 1 天的時間寫的 1 支「語意搜尋」全端 app，主要是自己練功、做做作品，證明自己在 AI 這領域所學。雖不是現在 AI 領域很了不起的東西，但起碼是在往 AI 領域發展的路上😅 「向量式語意搜尋」本身雖然不是直接的 AI 的應用，但卻是一項 AI 應用 – RAG (retrieval augmented generation) 的重要的一部分。 現在 LLM 很強大，可以應用在問答。但訓練一個 LLM 很吃算力 (CPU, GPU)，不是普通的電腦硬體能完成的，所以想訓練一個使用自己的資料集的 LLM 有困難。 幸好有人研究出可以在輸入提示詞 (prompt) 給 LLM 前，加上一些上下文 (context) 資訊，LLM 就能輸出高品質的生成內容，如此一來就不一定要去訓練 LLM。 而 RAG 就是一種利用此類所謂的提示詞工程 (prompt engineering) 的方式。首先它將特定領域文字知識庫轉成多維向量的庫，再利用相近向量有相近「語意」的特性，做到「 語意搜尋」。比如給一個句子，將它轉成向量，再從向量庫找相近向量其對應的語句，就是找出相近語意的搜尋！ 所以，RAG 的使用者輸入了一個問題，然後 RAG 程式利用語意搜尋先找出相關資料，再將原問題與相關資料一併輸入 LLM，讓它輸出高品質的答案！因此「向量式語意搜尋」是 RAG 重要的一部分。…

是一張 AI 訓練開發、部署、應用的證照。考試 50 題，大多單選，難度我認為是常態分佈，有很難的 model explanation 題，也有秒殺題（比如問某個需求要用使用什麼服務），也有中等難度的流程題（這種流程題如果之前有看過就變秒殺題，沒看過就要推理出合理的流程😅）。 我拿的這 7 張 Oracle 證照，是趁著 Oracle 每年的一項證照競賽活動，有幾次免費考證照的機會而拿的： https://education.oracle.com/race-to-certification-2025 今年活動是 07/01-10/31. 我是 10/09 才看到這項活動，發現時間只剩一個月，就拼了😅 本來這次拿的這張，有些難度、而時間又剩 1 週，我想拼另一張較好拿的證照（課程時數較短）。但我想起過去做事太求安全牌，反而浪費一些機會，所以就跟這張 Data Science Professional 含金量較高的證照拼了！拼的過程其實有幾次想放棄、覺得時間可能來不及，因為課程中的一些章節太硬核。但還是靜下來分析，這課程的安排是”上山再下山”，就是中間有一小段章節很硬，而前後章節難度適中，所以只要撐過中間章節，就是舒適的下坡。結果我成功突破！ 這課程中有相對我來說較簡易的部分（例如我已很熟 Git），也有超硬核的 machine learning 知識，如 data exploration, preprocessing (clean, impute, feature engineering (selection, scale)), modeling (algoritm selection, evaluation, hyperparameters turning)。另外還有一些 Oracle 很有意思的技術，如 AutoML (meta-learning), MLOps (continuous traning)…

也是一張 AI 證照，考試有 50 題，我考 86 分，算最近幾次考的稍好的分數🙂 這證照的主題是 vector embedding, vector search (exact, approximate, multi-vector, filtering), vector index 與 AI retrieval augmented generation (RAG) 應用與 Oracle 的產品 Oracle DB, AI Verctor Search, Generative AI Service 的 PL/SQL, Python 實作、還有 Select AI 產品。 這證照課除了學到一些一般性的 AI 知識，也學了不少 Oracle AI 產品。我覺得學特定某家公司的產品沒什麼不好，特別是它如果真的好用的話，未來再設計自己的東西時或許就可以用上該技巧，多學一點技術不吃虧👍

是 Oracle MySQL HeatWave 資料庫的證照，昨天考的、證照今天才發，分數又是一次…過關😅 主要在考 HeatWave 的多種複本 (replication) 模式 – HA, inbound replication, outbound replication, read replication, 也有基礎的 MySQL 問題。也有簡單的秒殺題，也有很多細緻的 DB 設定問題。 HeatWave 有針對 AI 而設計的功能，或許對我未來面對 AI 問題時會有所幫助👍 昨天連考 2 科，雖然分數都…，不過好在都過關了✌️

是生成式 AI 的證照，至於分數…有通過😅

昨天在 reddit 的 LLM 板更新自己的 AI 知識，我有些脫節了，去看看大家現在在玩什麼。才沒看幾篇就撈到寶 – 自行架設的 AI 寫程式代理 (self-hosted AI coding agent). 就是在本機的電腦上運行阿里巴巴開放的 LLM – 千問 (qwen) coder，再使用 qwen-code 的 AI coding agent 就能叫 AI 快速生成、修改 (vibe coding) 本機的程式碼！不用付費使用諸如 Anthropic Claude Code, OpenAI Codex CLI, Google Gemini CLI 等 coding agent 服務。 我照著網友的教學，很快就在本機架好 LM Studio + Qwen 3 Coder LLM + qwen-code…

這張是資料工程的證照。這領域對我來說頗有難度的，因為一來我不是學資訊工程、資訊管理出身的。二來課程內容非常硬核，探討非常細，如一台資料庫伺服器要放哪、要用什麼規格、要怎麼管理、有多少功能、有幾種授權、安全性、高可用性、…。還有資料管理領域知識（我的知識盲區），如結構、少結構、無結構資料適合的資料庫、OLTP 與 OLAP 的各自優勢、…。 我的分數是低空過關，就不貼出來了😅 不過我覺得這張證照也很不錯，有學到很多東西，並且與 AI 資料處理有相關，未來也許用得上。

Retrieval augmented generation (RAG) 這項技術是我 4 天前（10/11）在考 OCI AI 證照課時所學到的一項技術，不過我當時只學觀念，並沒有實作、不也懂得如何做。 昨天在滑手機時，意外看到一篇文章在推廣 RAG 的教學，而且講者還是一位研究生，真是英雄出少年啊。我自忖不是學 AI 出生，可能要跨進 AI 的領域不容易，想分一杯 AI 𡙡可能不行 但我想起過去初見現代 AI 強大時，所下的評語：現代 AI 輔助能讓非專業人員降維打擊人類專家！ 所以我就用 ChatGPT 寫了一支 RAG LLM 的智能客服 app，大約不到幾分鐘就寫好了！好在我過去也有學一些現代 AI 工具/技術，所以會調校這個 AI 程式。調了 1 天，總算得出一個自己滿意的作品。 圖片 demo 我的作品，它是一款”智能客服”，可以輸入問題，後端 Python 程式會利用語意相關性從技術支援 DB 抓相關資料，再使用 Deepseek-R1 LLM 對問題及相關資料作出答覆。 我覺得這作品仍只是”玩具”等級，不足以成為商用產品，仍須大量驗證生成內容的準確度。不過已讓我跨進學 (AI) 以致小用的門檻了 程式碼在此： https://github.com/MrMYHuang/demo_rag.git

朋友推薦考的 Google Gemini Certified Eudcator (AI) 證照。 從看到訊息，到考取證照，大約花了 3 小時。不過我之前慣用的 AI 不是 Gemini，所以答題沒有很快，不過最後還是通過了 考照網址：https://educertifications.google/