AI 系統與產品工程：38 單元學習筆記

我想補的是把系統接起來的能力。看到 AI 應用時，能說明問題從哪裡進來、資料在哪裡、模型與工具各做什麼，以及誰有權執行。接著自己改一小段程式，測正常與失敗的情況，最後把它做成別人能使用的小產品。

這裡依目前的 38 單元課綱整理成可複習的筆記：B 系列 8 篇、N 系列 14 篇、Azure 6 篇、P 系列 10 篇。每篇有概念、例子和練習，課綱中的部署內容收在 N10 與 P04，不另加主單元。

筆記完成不代表課程已通過。例子使用虛構設備和測試資料；實際練習時，另外記錄是否獨立完成、使用了哪些提示，以及有哪些尚未驗證的地方。私人題庫仍在原本的私人學習入口，這組筆記不收錄題目或教材原文。

閱讀順序

先從 B01–B04 建立系統、程式、環境與 API 基礎；B08 的排錯與證據會一路用到後面。接著用 B05、N01–N03 練模型與工具，再補 B06–B07 的資料與網路。

之後接 Azure 六篇，將相同概念放到 Foundry 的輕量應用與 AI-901 學習範圍。再讀 N04–N06、N11，練流程、狀態、權限與檢索；從 N08–N10、N12–N14 整合成可啟動與測試的小系統。

地端部分從 P01–P05 起步，理解位置、硬體、執行堆疊、部署與量測。最後接 P08、N07、P07、P06、P09、P10，核對技術角色、隔離、事件和交付。每篇的前後連結沿用這條順序，單元編號則保持原課綱，沒有重新編號。

怎麼拿來上課

可以直接請 AI：「從 B02 開始教我。先連貫說明整個單元，再給兩到四題情境練習，先不要給答案。我作答後請針對缺口補講，再判斷能不能接下一篇。」

新名詞先附英文原名，讀程式時追一次完整輸入與回傳，不每講一小點就中斷測驗。需要外部操作時，再指定官方頁面、閱讀範圍、環境與預期結果。沒有真實服務或硬體，就先做概念與合成資料練習，不把 mock 寫成實測。

B 系列：工程基礎

• Learning/ai systems engineering/b01 system map — B01 AI 應用全貌與系統分工
• Learning/ai systems engineering/b02 python reading — B02 Python 程式閱讀與修改
• Learning/ai systems engineering/b03 environment and git — B03 專案環境與版本
• Learning/ai systems engineering/b04 http json api — B04 HTTP、JSON、API、SDK、CLI
• Learning/ai systems engineering/b05 llm interface — B05 LLM 應用介面
• Learning/ai systems engineering/b06 data and state — B06 資料儲存與狀態
• Learning/ai systems engineering/b07 network and process — B07 網路與程序
• Learning/ai systems engineering/b08 debug and evidence — B08 Debug、測試與證據

N 系列：Agent 與服務

• Learning/ai systems engineering/n01 requests and history — N01 模型請求與歷史
• Learning/ai systems engineering/n02 tool loop — N02 工具呼叫與執行迴圈
• Learning/ai systems engineering/n03 tool contract and mcp — N03 工具契約與 MCP
• Learning/ai systems engineering/n04 workflow and parallelism — N04 工作流、相依與並行
• Learning/ai systems engineering/n05 endpoint harness session — N05 Endpoint、Harness、Gateway、Session
• Learning/ai systems engineering/n06 identity and approval — N06 身分、授權、護欄與核准
• Learning/ai systems engineering/n07 sandbox boundary — N07 Sandbox 的實際邊界
• Learning/ai systems engineering/n08 persistent agent — N08 常駐 Agent 與可靠性
• Learning/ai systems engineering/n09 hermes and cli — N09 Hermes、Harness 與 CLI
• Learning/ai systems engineering/n10 api and container — N10 API 服務與容器初步部署
• Learning/ai systems engineering/n11 retrieval and rag — N11 檢索與 Index Agent
• Learning/ai systems engineering/n12 task branches — N12 Deep Agents 與多分支任務
• Learning/ai systems engineering/n13 evaluation and traces — N13 Agent 評估與可觀察性
• Learning/ai systems engineering/n14 integrated agent — N14 自己建立完整 Agent

Azure：平台、能力與 AI-901

• Learning/ai systems engineering/az01 azure foundations — AZ01 平台與 Python 起步
• Learning/ai systems engineering/az02 foundry chat and agent — AZ02 Foundry 聊天與單一 Agent
• Learning/ai systems engineering/az03 responsible ai — AZ03 負責任 AI 與能力選擇
• Learning/ai systems engineering/az04 text and speech — AZ04 文字與語音
• Learning/ai systems engineering/az05 vision and extraction — AZ05 視覺、生成與資訊擷取
• Learning/ai systems engineering/az06 exam and practice review — AZ06 考綱覆蓋與模擬驗收

P 系列：地端、部署與整合

• Learning/ai systems engineering/p01 edge local cloud — P01 邊緣、地端、雲端與目的
• Learning/ai systems engineering/p02 hardware and memory — P02 硬體與模型載入
• Learning/ai systems engineering/p03 execution stack — P03 軟體至裝置的執行堆疊
• Learning/ai systems engineering/p04 deployment and gpu — P04 部署、容器與網路深化
• Learning/ai systems engineering/p05 inference performance — P05 推論加速與量測
• Learning/ai systems engineering/p06 vision events — P06 影像與事件系統設計
• Learning/ai systems engineering/p07 security and operations — P07 資安與操作權限
• Learning/ai systems engineering/p08 nvidia roles — P08 NVIDIA 技術與競賽整合
• Learning/ai systems engineering/p09 reliability and metrics — P09 效能、離線與可靠性
• Learning/ai systems engineering/p10 report and contribution — P10 完整報告與貢獻任務

一輪學習怎麼算完成

我需要能追一次完整資料流，修改並說明一處關鍵程式，從新的啟動步驟重現結果，再用正常與失敗案例支持自己的主張。最後交一個有實際用途的小任務，說明改善、限制與回復方式。

這份公開筆記整理的是我的學習範圍，不是第三方官方課程的逐字稿，也不是證照通過紀錄。框架、產品能力與考綱會變，實作前依各篇官方連結核對目前版本；遇到舊路徑轉址，以官方現行頁面為準。

相關筆記

• Learning/llm research course — 文字分類、LLM 方法與研究設計
• Learning/ai first frontend foundations — 前端與產品介面的學習系列
• Azure AI-901 私人學習 — 既有邀請制題庫入口