教育訓練階段
① Angular 框架學習
透過公司提供的影片教材，由淺入深學習 Angular 前端框架。從認識模組結構與元件生命週期，到掌握資料雙向綁定、HTTP 請求串接後端 API，以及路由設定等核心功能。
- 理解 Angular 的 Component-Module 架構與相依注入（DI）機制
- 實作資料繫結（Property Binding、Event Binding、Two-way Binding）
- 學習 RxJS Observable 處理非同步資料流
② SQL 資料庫訓練
系統性複習並深化 SQL 語法，透過公司實際題庫演練業界常用的資料查詢技巧，強化對關聯式資料庫操作的熟練度。
- 掌握 JOIN（INNER / LEFT / RIGHT）、子查詢、群組聚合等進階語法
- 練習 Stored Procedure 與 View 的應用情境
- 透過題庫演練理解業界資料撈取的常見模式
工作職責
① AI Code Review 機器人
獨立開發一套整合 GitLab CI/CD 與大型語言模型（LLM）的自動化 Code Review 系統，目的是在開發者提交 Merge Request 時，自動觸發 AI 對新增程式碼進行分析並在 GitLab 上直接留下審查評論。
主要功能：
- 串接 GitLab API 取得 Merge Request Diff，過濾出新增程式碼行
- 整合 LLM（Ollama 本地模型）進行程式碼品質、潛在錯誤與可維護性分析
- 自動將 AI 評論回寫至 GitLab MR 的對應程式行
- 調校 System Prompt 提升 LLM 評論的精準度與格式一致性
💡 此項目從需求定義到系統設計、開發與測試皆由本人獨立完成，是實習期間最具挑戰性與成就感的專案。
② Playwright 自動化測試報表系統
在公司現有的 Playwright E2E 測試框架基礎上，開發客製化報表功能，讓測試結果能以更清晰的格式呈現，方便團隊追蹤測試覆蓋率與失敗案例。
- 研究 Playwright 的 Reporter API，實作自定義 Reporter 類別
- 統計各測試案例的執行結果（通過、失敗、跳過）並產出 HTML 報表
- 在報表中整合截圖與錯誤堆疊追蹤，方便快速定位測試失敗點
③ 金鑰管理系統
協助開發並研究金鑰管理系統的核心模組，涵蓋密碼學原理的實際應用，包含非對稱加密金鑰對的產生、儲存與安全管理機制。
- 研讀密碼學基礎：對稱加密、非對稱加密、雜湊函數的差異與應用場景
- 實作 RSA / AES 金鑰產生與加解密流程
- 學習金鑰生命週期管理（建立、輪替、吊銷）的設計概念
- 研究 HashiCorp Vault 等業界金鑰管理工具的架構設計
實習期間完成進度
遇到的挑戰與解決方法
⚠️ 挑戰一：LLM 輸出不穩定
LLM 的評論格式與內容因每次生成而異，難以直接解析回寫至 GitLab。
解決： 透過精心設計 System Prompt 與 Few-shot 範例，約束模型輸出結構；加入後處理正規化邏輯，確保格式一致性。
⚠️ 挑戰二：OKD 容器平台學習曲線
公司使用 OKD（OpenShift 社群版）作為容器平台，與一般 Docker 使用方式差異較大，初期部署時遭遇權限與網路設定問題。
解決： 系統性閱讀 OKD/Kubernetes 官方文件，搭配詢問部門前輩，逐步理解 Pod、Service、Route 之間的關係並完成部署。
⚠️ 挑戰三：密碼學概念抽象難懂
金鑰管理系統涉及大量密碼學理論，數學推導複雜，與實際程式碼的對應關係不直觀。
解決： 以「為什麼需要它」的問題導向切入，先理解應用場景，再回推原理；搭配實際程式碼範例加深理解。
工作中扮演的角色
🚀 獨立開發者
AI Code Review 機器人從需求定義、系統設計到完整實作，皆由本人獨立完成，在主管的方向指引下自主推進，培養了完整的專案開發能力。
🔬 技術研究者
針對 LLM 行為調校、Playwright Reporter API、密碼學系統設計等較前沿的技術領域進行深入研究，並將研究成果轉化為可用的實作方案。
「具備自主推進專案的能力，能在不確定的技術環境中持續探索、找到可行的解決路徑。」
這次實習橫跨了 DevOps 工具鏈、AI 應用開發、測試自動化與資安系統設計等多個技術領域，以下是最具代表性的四個技術成長面向：
OKD / Kubernetes 容器平台實務
從零開始認識 OpenShift / OKD 這套企業級容器平台，理解其與標準 Kubernetes 的差異。學習如何將應用程式打包為 Container Image、撰寫 Deployment YAML 設定、配置 Service 與 Route 進行對外暴露，並排查部署過程中的 Pod 異常狀況。這是第一次在真實的企業容器環境中進行應用部署，對 Cloud-Native 架構有了更具體的認識。
LLM 行為調校與 Prompt Engineering
在開發 AI Code Review 機器人的過程中，深入研究如何透過 System Prompt 設計引導 LLM 產生符合預期格式與品質的輸出。學習了 Zero-shot、Few-shot 等 Prompt 策略，理解模型 Temperature、Top-p 等超參數對輸出多樣性的影響，並透過反覆測試建立了對 LLM 行為模式的直觀感受。
Playwright 客製化 Reporter 開發
深入研究 Playwright 的 Reporter 擴充 API，理解測試框架的內部事件模型（onBegin、onTestEnd、onEnd 等 Hook）。自行實作一個客製化 Reporter 類別，能夠在測試執行完畢後產出包含詳細執行統計、截圖嵌入與錯誤追蹤的 HTML 報表，讓測試結果的視覺化呈現更貼近團隊需求。
密碼學基礎與金鑰管理系統設計
從應用場景出發，逐步建立對密碼學的系統性認識：理解對稱加密（AES）與非對稱加密（RSA）的適用情境差異、數位簽章的驗證機制、憑證鏈（Certificate Chain）的信任模型。進一步研究企業級金鑰管理系統的設計原則，包含金鑰生命週期（建立→使用→輪替→吊銷）與存取控制機制。
個人非技術面學習
🎯 自主推進工作習慣
面對獨立開發的專案，學會在沒有明確步驟指引的情況下，自行拆解問題、規劃開發順序，並定期向主管彙報進度、確認方向，培養出更主動負責的工作態度。
🤖 AI 作為學習與開發工具
將 AI 工具（ChatGPT、Claude）整合進日常學習與開發流程，用於解釋不熟悉的技術概念、協助 debug、生成程式碼草稿。同時也體會到 AI 輸出需要批判性驗證，不能盲目採用。
🗣️ 職場溝通的事前準備
在向主管報告或尋求協助前，學會先整理問題的背景、已嘗試過的方向與具體的卡點，讓溝通更有效率，也更能從前輩的回饋中獲取有價值的建議。
自我評估
這次實習對我來說是一次真正「從零到一」的完整開發體驗。AI Code Review 機器人這個專案，讓我第一次獨立承擔從需求分析、系統設計到開發測試的完整流程，而不是只做某個功能的局部修改。這個過程讓我清楚認識到，「能寫程式」與「能獨立開發一個完整系統」之間的差距有多大。
在技術廣度上，這次實習涵蓋了 DevOps、AI 應用、測試自動化與資安等多個面向，雖然每個領域都只是入門，但這種多元的接觸讓我對軟體工程的全貌有了更完整的認識，也更清楚自己未來想深耕的方向。
實習心得
實習前，我以為「AI 應用開發」是一件很有趣但也很遙遠的事；實習後，我發現它其實是一個非常工程導向的問題——LLM 的能力有上限，真正的挑戰在於如何透過架構設計、Prompt 調校與後處理邏輯，讓 AI 的輸出符合業務需求。這個認知的轉變，讓我對 AI 工具的使用從「覺得神奇」變成了「思考如何讓它穩定運作」。
另一個重要的體會是：在職場中，「不知道」本身不是問題，「不知道怎麼找到答案」才是。這次實習中遭遇了許多文件缺乏、前例不足的情況，學會了如何在不確定中保持系統性的探索，而不是等待別人告訴我答案。
未來改進方向
☁️ 深化 Cloud-Native 技能
持續深入學習 Kubernetes 生態系（Helm、Operator、GitOps），朝向能夠設計與維運雲原生系統的方向發展。
🧠 強化 LLM 工程能力
系統性學習 RAG、Fine-tuning 與 AI Agent 架構，將 AI 應用從「單次問答」提升到「自主完成多步驟任務」的能力層次。
🔐 資安與系統設計深度
加強密碼學與資安系統設計的理論基礎，理解更完整的威脅模型與防禦策略，為日後參與安全敏感的系統開發做好準備。
📝 技術文件撰寫能力
培養將技術決策、系統架構與 API 設計清楚書面化的能力，讓自己的開發成果能夠被他人理解、維護與延伸。
「這段實習最珍貴的不是學到的技術本身，而是在沒有標準答案的情況下持續前進的能力——這是任何課本都教不了的。」