Lawrence Blog

身為一個每天和 AI 打交道的開發者，我相信大家現在對 GitHub Copilot、Claude、Cursor 這類工具已經不陌生了。但說真的，大多數人還是停在 「問 AI 一個問題、AI 給一個答案」 這個層次，頂多是讓 AI 幫你補全程式碼或解釋錯誤訊息（別笑，這個比例高得有點出乎意料，只少在我面試的時候就遇到好幾個了）。雖然大部分的人確實已經開始用 AI Agent 來協助開發了，但「不太信任、不敢全交給它做」的比例也還是相當高。 說實話，上述這兩種情況我都能理解，但如果你也還在這個階段，這篇文章可能對你有幫助。  今天我想分享一個我實際在用的工作模式：主代理（Orchestrator）指揮多個子代理（Sub-Agent）。這套架構讓我可以把一整個開發流程丟給 AI 去協調，自己只需要在最後確認結果，幾乎就像有一組虛擬工程師團隊在幫你跑，還不會遲到也不會請假。😎

AI 能協助我們處理例行事務的運用越來越多，除了單純的對話外，AI Agent 更能主動幫我們做事情，但如果希望你的 AI Agent 能夠回頭參考公司內部的資料在進行下一步的工作呢？這時候 MCP (Model Context Protocol) 就扮演了關鍵的角色。 這篇文章我要實作一個簡單的 MCP Server，模擬一個企業內部的人才搜尋工具，讓 AI Client 端也可以透過這個 Server 來查詢員工的工作經歷。 什麼是 MCP (Model Context Protocol)？ MCP 的歷史背景網路上很多，有興趣的可以自己查一下，我這邊就不重複貼上了 😅  。簡單來說，MCP 是一個標準化的協定，用來連接 AI 模型 (MCP Client) 與 資料來源/工具 (MCP Server)。 想像一下我們如果要讓 AI 存取外部資料，可能需要寫特定的 Plugin 或 Function Calling，但麻煩的是每家 AI 的實作方式可能都不太一樣，所以我們有可能就要針對各 AI 平台寫各自的存取介面。 MCP 的出現就是為了解決這個問題，讓開發者只要寫一個程式，就能被支援 MCP 的各種 Client (如 Claude Desktop, Cursor, 或 Github Copilot) 使用，其流程大概如下圖。

致人工智慧時代各位辛苦的 IT 們，不知道你們最近是不是也跟我一樣，整天不是在忙著嘗試各式各樣的 AI Agent，就是在惡補各種新冒出來 AI 知識。 在某個悠閒假日的中午，我正在準備玩新的 AI Cli 的時候，老婆突然冷不防拋出一句話。「你那麼會叫 AI 寫程式，那等等幫我爬一份日本地震資料，整理出某某地區的地震資訊，然後定期丟一份 Excel 給我」。然後還補一句，啊對了，等等十五分鐘後桌子要收起來吃飯。 我心裡想， 這是在暗示我只有 15 分鐘寫完爬蟲還要完成部署吧？ 😱 問題是……這需求根本跟 AI 無關好嗎！

Hello 大家好，相信隨著 Vibe Coding 的熱潮，許多人終於能用自然語言來「說」出程式碼，跨出了過去難以逾越的那一步。 再加上近幾個月來，AI Agent、Model Context Protocol（MCP）、n8n 等結合 AI 相關的技術如雨後春筍般冒出，速度之快，幾乎是一覺醒來世界都變了樣。而這波大混戰中，Google 更在這幾天大方釋出 Gemini CLI 供大家免費使用，瞬間讓整個圈子都熱鬧了起來。但身為一個正被  AI 迫害的碼農 😜，怎麼能不親身體驗一下「用嘴巴寫程式」的威力呢？ 先說結論 你終究還是要學會寫程式，只是寫程式將不再是一項專業技能。未來需要的，是一個具備優秀表達能力，並且擅長與 AI 合作的軟體工程師。 在不久的將來， 那些只會寫程式的設計師終將被 AI 取代，留下來的會是那些擅長帶領 AI 團隊（我稱之為 LLM Coding），並協助 AI 找出問題的 AI 軟體架構師 。所以從今天起，開始改變吧。 因此，今天就是要跟大家分享如何使用 GitHub Copilot 來寫程式。一開始我也蠻好奇的，覺得寫完之後可能還是要改吧？但 你相信它只花了五分鐘就完成了嗎？ 相信你一看完，一定會震撼感十足！這也是我第一篇不寫程式的程式分享文章，下圖是最終實作出來的結果。 AI Agent 協助完成的 LINE 翻譯機器人 但在開始之前，先前情提要一下，之前我有一個系列文章，分享了如何 使用生成式 AI 技術實作屬於自己的 LLM 知識庫 ，其中某篇文章的範例提到了如何 運用 Prompt 提示工程 來幫助我們完成多國語系翻譯的功能，今天我就是要延續這個專案，來完成一個專屬的 LINE 翻譯機器人。 啟動 GitHub AI Agent 在開始使用 GitHub AI Agent 之前，我已在相同的專案內新增了一個名為 TranslateLineBotDemo 的 WebAPI 空白專案。接下來，直接看看我們的 Prompt 要怎麼下 需求說明 我正在幫一個製造業的工廠寫一個多國語言的 LINE Bot 機器人，而本次預計的需求目標如下 1. 需支援中文、英文、日文、越南、菲律賓等五國的多語系翻譯。 2. LINE Bot 僅能處理文字對話，當使用者送出文字以外的訊息，則回傳 "我現在只會翻譯文字喔" 的訊息。 3...

在  上一篇  文章中分享了透過別人建置好的 WebAssembly 來進行真假人臉辨識，想說趁此機會順便了解一下 WebAssembly 的開發方式。 由於我是使用 Mac 在訓練深度學習的模型，因此也順理成章的使用 Mac 來進行開發環境的設置，但........... 真沒想到過程異常艱辛，解了一個問題又多出另外一個新的問題，於是只好狠下心來改用 Ubuntu 重頭來過，也因此有了這篇血淚記錄文（執行結果如下圖）。 另外因為牽扯技術過多，本文將不會深入探討各項技術的原理，僅記錄環境的設定過程，對於相關技術有興趣的人，可參閱文末參考網站的連結。 在開始詳細說明之前，先列出最終完成時的開發環境版本： Ubuntu : 24.04 ，作業系統。 Python : 3.12.3，使用 OS 內建版本。 Cmake : 3.28.3，C++ 編譯器。 Emscripten : 3.1.64，用來將 C++ 程式編譯成 WebAssembly 用。 OpenCV: 4.10.0，影像處理套件。

前言 人臉辨識技術已經是一個非常成熟的技術了，但在過去主要都還是在桌面程式上運行，這幾年隨著硬體性能的飛躍進步和人工智慧框架的日益成熟，如今我們現在已經能夠在瀏覽器中實現許多過去難以完成的功能。 今天這篇文章，我想和大家分享如何在瀏覽器中實現真人臉部辨識，在開始之前，請先了解人臉辨識的基本流程（如下圖所示），主要分為三個部分：取得人臉特徵、活體偵測、以及比對活體特徵。 請注意，網路上很多臉部辨識範例大都沒有提到活體偵測的部分，但這個部分卻是實務運用上很重要的一個環節，因為過去曾經有小學生利用列印的照片進行身份欺騙的例子發生。 另外針對活體偵測，目前業界已經提出了多種方案，例如使用 3D 攝影機或紅外線設備等來輔助判斷，不過本文的目標是在瀏覽器中實現真人臉部辨識，因此我採用其他方法來達成這個目標，後面會再補充說明，底下的影片是最終的實做成果，如果遇到非真人的圖片會顯示無法辨識，若是真人則會進行身分判斷。

在上一篇 在 Windows & Mac 環境上安裝 Jupyter Lab  中有提到，因為要執行深度學習模型的訓練，所以拿了閒置的 Mac 電腦安裝了 Jupyter Lab 的環境，在這篇文章中，要記錄如何在 Mac 上安裝 Tensorflow 的執行步驟。 執行環境說明 OS : macOS 12.4  CPU : Apple M1 Python 3.11.7 安裝 Tensorflow 為了怕干擾現有執行環境，這邊是在虛擬環境中安裝 Tensorflow，若不需使用虛擬環境底下前兩個步驟可以不執行，相關步驟如下說明。 創建虛擬環境(tfenv 這個名稱可自行調整)。 python3 -m venv ~/Developer/tfenv 切換到虛擬環境。 source ~/Developer/tfenv/bin/activate

前言 最近開始在做碩專論文第二階段的實驗，過去因為第一階段的實驗範圍是機器學習相關的演算法，所以 Google colab 就足以應付了，但第二階段開始要進行深度學習的演算法，發現 Colab 已經沒辦法滿足我的需求了，因此不得已只能在本地端的環境上架設 Jupyter Lab 來當作實驗環境了。 一開始我先在 Windows 環境上安裝，但因為該環境上沒有顯示卡，所以跑起來頗為吃力，幸好我手邊有一台閒置的 iMac(M1晶片)，所以改用 Mac 來進行安裝，目前看來，搭配 iMac 的效能確實比僅擁有 CPU 的 Windows 環境好很多，因此，本文將記錄我在這兩個平台上的設定過程和相關步驟。 對了，在囉嗦一句，因為未來可能會有不同套件版本的需求，所以實務上建議將 Jupyter Lab 安裝在虛擬環境上面，至於如何安裝在虛擬環境？這個後續我會在另外一篇在分享了。