養成技術提案的能力
養成技術提案的能力

最近挺多工程師詢問到,要成為一位tech leader該具備哪些技能,該怎麼樣培養自己的能力呢?

這問題當然是個大哉問,也沒有所謂的正確解答。但我總會建議他們:「要讓自己往tech leader前進,你應該要養成提供技術提案的能力。並透過這個方式,不斷鍛鍊自己。」

如果在學習知識的過程中,撰寫blog文章是內化外顯知識的核心,那麼技術提案,也就是proposal,我認為是自我學習跟在公司內創造價值中間的橋樑,也是讓知識落地、務實、導入的起點。

向外取經

公司內部軟體開發,往往會慢慢趨向於穩定,因為穩定可以降低學習成本、減少風險,基於不變的情況下提昇效率(效率不等於效果)。

然而,如果工程師的學習來源僅限於公司內部,那公司與個人的進步,就會停滯不前了。這也是常被稱為「活在自己井裡」、「一年的經驗重複N次」的情況。要帶領公司跟團隊前進,tech leader得不斷補充活水,向外取經學習,才能引入變革。

向外取經的渠道包含以下幾種。

1. 參加社群活動

社群活動往往是主題內聚含量極高的活動,不一定只能從主講人身上學到東西,很多時候從與會人員身上也可以挖到不少難能可貴的經驗來借鏡。另外,不論技術好壞,這群參與者肯定都有一定的技術熱情與學習心。建立這樣的connection不論對自己或是公司,都可以有所幫助。

  • 正確的姿勢是:多跟台上台下的人進行「雙向交流」,不要怕丟臉,分享自己的經驗跟想法,不懂的人可以從你身上學到東西,比你懂的人,會樂於給你一些補充跟回饋,兩種都很有價值。

2. 參加研討會

研討會的議題通常與潮流和技術趨勢比較相關,想要聽到新的應用、工具、框架,研討會也不失為一種方式。但我個人認為,研討會因為形式往往是演講跟演示,較少互動(除非有Open Space或講師面對面的安排),就不容易深入主題,只能當作開視野、聽新知的機會。

  • 正確的姿勢是:把握任何機會,不要臉地纏著講師進行請教與交流。前提是,你應該準備好你的問題,講清楚你的context,讓對方知道你是有準備的,有交流跟學習的態度。

3. 參加培訓

根據經驗,自費的效果往往比公司補助來得有效許多,不論是動機、熱情、預習/練習/複習,都特別有效果。參加培訓,一定是對某個主題領域有興趣,或是實務上碰到一些問題,也就是一定能帶著目的性去。

  • 正確的姿勢是:帶著實務上的問題與需求前去,很清楚知道自己上課的目的,想要學到的東西或解決的問題,想清楚自己的context跟實務限制,在發問時這是必備的功課,增進講師回答的效率跟質量。正所謂模糊的提問,只會得到模糊的答案。

4. 邀請教練

如果公司有請外部的顧問或技術教練,盡可能增加跟教練一起貼身肉搏的機會,那種只出一張嘴的顧問跟教練,就不太需要跟他浪費時間。真正的技術教練是要能跟你一起進行實務的任務,貼身肉搏,拳拳到肉。

  • 正確的姿勢是:盡可能增加跟教練一起在實務上貼身肉搏,不是只請教練示範,教練再厲害也只是他厲害,技術是教不來的,自己學來的,搭配大量練習,持續觀察跟校正,才會特別有效。此外,不要只是關注在外顯的技巧,而要更深入去瞭解教練解決問題的思路脈絡,是如何定義問題,如何嘗試,如何觀察到變化跟著進行調整,如何找到解決方案,以及詢問他,在該領域有哪些學習資源,以及依據你的情況他所建議的學習方式跟資源。

5. 有效閱讀

書跟文章是看不完的,因為書跟文章的產生速度遠高於你的閱讀、理解、消化速度,而且品質不好的內容,可能導致沒有分辨能力的人理解錯誤,有分辨能力的人則是浪費時間。所以書該怎麼挑,書該怎麼看,我提供一些個人的經驗:

  1. 加入該主題相關的社群、活動:例如從線上的社群交流與活動,能瞭解哪一些人是特別有熱情的,哪一些人是該領域的專家,他們常在論壇、社群/社團中發聲,不管是推薦學習資源、分享新知、拋出開放性的問題引發討論,或是針對別人的疑問提供見解。可以嘗試著從別人的討論串開始嘗試一些互動。

  2. 請教社群提供學習的建議:描述清楚你的context,例如你的學習目的、你目前在該領域的熟悉程度,已經自己看過學習過哪些東西,以及你打算在哪運用。請大家依據你的context提供適合的學習資源與方式給你。不要輕忽了描述你context的重要性,因為學習都是由淺入深的,每個人狀態不同,自然推薦給他的學習建議就該不一樣,才會有效。由這些社群專家跟先驅者來幫你過濾、篩選、推薦,可以節省你走很多冤枉路的時間跟成本,因為在這個資訊爆炸的時代,應該先花時間在高品質的內容中。

有了社群幫忙推薦跟過濾後的切入點,接著就該進行點、線、面的學習。

如果是有品質的文章,通常文章中或blog上,會額外推薦一些相關文章或網站的連結。如果這篇文章品質是好的,往往它所推薦的其他資源也都是寫得不錯的,記得往外延伸挖寶,通常寶藏都是在這過程中發現的。

如果是書籍,我建議你可以到Amazon上搜尋一下,買了該書的人,同時還買了哪些書或對哪些書有興趣。該作者除了這本書以外,還有出哪幾本書。該作者除了自己的書以外,還幫哪些書寫過推薦序。

我自己看書的方式,先從社群的專家依據我的context推薦值得學習的經典書開始,我會同時把該領域評價不錯的書都一併買下來,我看書向來不死守著「一本書看完才換下一本」的規矩。原因是:

  1. 如果我買的書品質都是很不錯的,通常書的脈絡跟組織,都是由淺入深的。當我看第一本書到某個主題卡住時,我會先努力試著理解,尋找相關資源,如果無法突破,我就會跳過這本書,改看該領域別本書。當看某本書卡住看不懂時,有可能是作者跟你的context不一樣或差異很大,所以他說明的方式、舉個例子,你沒有感覺,不容易理解。也有可能是因為你少了某些前置知識點,所以知識銜接不起來。

  2. 這時改看同領域別本經典書,前面你已經知道的部分,通常可以看很快,而把精力花在你不知道的部分。有可能因為別本書而補足了你的前置知識點,而且換個作者來解釋概念,就像另外一個老師換另外的例子與方式來跟你解說同一個觀念,要突破知識瓶頸往往就會容易一些。

取經完,Then?

不論參加了幾場社群活動、研討會、培訓活動,看了多少文章或幾本書,重點在於:然後呢?很多人就沒有然後了。

你有看過光看食譜,就能當上餐廳主廚的嗎?看了 50 本程式設計的書,沒有動手寫,仍然不會理解寫程式會碰到哪些問題。

很多人取經完之後,都以為自己多學到了一些知識,事實上這只是喝了心靈雞湯之後的飽足感罷了。其實聽的時候好棒棒,聽完當下嗨了一下,接著大腦過一陣子就代謝掉這段記憶了。

也有些人取經之後,回到公司跟團隊,參考活動的簡報、講義,依樣畫葫蘆的分享給其他人,其實只是拾人牙慧,為了交代而分享,並不足以構成價值跟促使變化。

取經之後的重點在於反思,反思的重點在於建立知識連結。如何把新的外部刺激,與原本的知識體系建立連結,進而透過行動來引起一些變化,而且這些變化的目的是為了創造價值。

那麼該反思哪些東西呢?

新的解決方案所存在的意義?

解決方案包括了方法論、工具、框架跟某類模式,而這些東西之所以存在或是受到注目,通常都是因為它的本質可以幫助解決某一類型的問題,在某些限制、前提、環境下,它解決問題的方式比較優雅。例如:學習門檻比較低、可讀性與維護性比較好、效能比較快、生產力比較高等等…

需求或問題的存在是中性的,推陳出新的解決方案往往是針對某個特定問題與應用來最佳化。當我們關注這個新的解決方案,要避免只是為了潮、為了新,而是該回顧它存在的本質,是為了解決什麼樣的問題,滿足什麼樣的需求。

而我們的公司、產品、團隊、流程,目前是否存在著這樣的問題?未來會不會發生這樣的問題?這才是引入活水關鍵的起手式,如果沒有價值導向,那所有的變革都是徒增成本跟困擾。

我們現在是怎麼做的?

如果我們現在也面臨這樣的問題,或是可見的未來也可能會發生這樣的問題,那麼自己試著回答下列問題:

  • 我們現在是怎麼做的?
  • 付出的代價是什麼?
  • 達到的效益如何?
  • 是否已符合我們的期待?我們的期待為何?

先定義問題,才能解決問題。確認期望,才能評估是否有效。

比較方案

同樣的需求與問題,除了新引入的解決方案以及我們現行的作法外,這個世界還有哪一些方式可以解決這類的問題呢?

  • 調研一下這個問題或需求,有哪些其他的解決方案
  • 各自的優缺點與適用場景
  • 動手設計一些範例、雛形,進行概念驗證(POC)

建議方案

基於我們公司、團隊、產品、環境、流程、組織與文化等等,建議採用哪一個方案,並說明為什麼?應包含預計需付出的成本、風險、影響範圍、帶來的效益、需要的時間、前置作業以及必要條件。

引入變革的行動規劃

如果要開始試用與導入,可以從哪邊開始?為什麼?

規劃應包含:

  • 先從哪一個專案、團隊或功能比較合適?為什麼?
  • 預計何時開始?需要多久?檢核點的日期?
  • 哪些人合適當首批引入與配合變革的人?
  • 如何評估效益?
  • 如何制訂政策來鼓勵加入變革的同仁?
  • 你需要什麼樣的support跟resource?

結論

Tech leader與一般senior engineer之間一個最大的差異是:影響力。

Tech leader得站在公司產品的角度、考量團隊與限制,不斷提昇團隊技能、生產力與產品品質,不一味追求高大上或潮流,而是務實與通盤考量的進行思考、學習、分析、整理、練習,確認價值與可行性,從選擇中挑一個最適當解決方案,迭代式地頻繁進行行動、觀察、調整。

這是tech leader自己一個很重要的學習模型,也是產品與團隊需要的幫助,也是公司所需要的專業價值。這一整串的過程,是鍛鍊自己內外軟硬技能很好的方式,不管最後是成功或失敗了,自己身上累積的能力經驗不會消失,而公司也需要在風險可控的情況下,嘗試一些DNA的突破,才能獲得本質性的提昇。

我自己很認同Modern Agile所推崇的那四點,這四點就是本文所提的技術提案與引入變革所需的基石:

  • Make people awesome
  • Make safety a prerequisite
  • Experiment & learn rapidly
  • Deliver value continuously
Modern Agile.png
圖/ 91

本文由陳仕傑授權轉載自in 91

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場。)

往下滑看下一篇文章
從智慧助手到自主代理:博弘雲端如何帶領企業走上 AI 實踐之路
從智慧助手到自主代理:博弘雲端如何帶領企業走上 AI 實踐之路

「代理式 AI 」(Agentic AI)的創新服務正在重新塑造企業對AI的想像:成為內部實際運行的數位員工,提升關鍵工作流程的效率。代理式AI的技術應用清楚指向一個核心趨勢:2025 年是 AI 邁向「代理式 AI」的起點,讓 AI 擁有決策自主權的技術轉型關鍵,2026 年這股浪潮將持續擴大並邁向規模化部署。

面對這股 AI Agent 浪潮,企業如何加速落地成為關鍵,博弘雲端以雲端與數據整合實力,結合零售、金融等產業經驗,提出 AI 系統整合商定位,協助企業從規劃、導入到維運,降低試錯風險,成為企業佈局 AI 的關鍵夥伴。

避開 AI 轉型冤枉路,企業該如何走對第一步?

博弘雲端事業中心副總經理陳亭竹指出,AI 已經從過去被動回答問題、生成內容的智慧助手,正式進化為具備自主執行能力、可跨系統協作的數位員工,應用場景也從單一任務延伸至多代理協作(Multi-Agent)模式。

「儘管 AI 前景看好,但這條導入之路並非一帆風順。」博弘雲端技術維運中心副總經理暨技術長宋青雲綜合多份市場調查報告指出,到了 2028 年,高達 70% 的重複性工作將被 AI 取代,但同時也有約 40% 的生成式 AI 專案面臨失敗風險;關鍵原因在於,企業常常低估了導入 GenAI 的整體難度——挑戰不僅來自 AI 相關技術的快速更迭,更涉及流程變革與人員適應。

2-RD096270.jpg
博弘雲端事業中心副總經理陳亭竹指出,AI 已經從過去被動回答問題的智慧助手,正式進化為具備自主執行能力、可跨系統協作的數位員工。面對這樣的轉變,企業唯有採取「小步快跑、持續驗證」的方式,才能在控制風險的同時加速 AI 落地。
圖/ 數位時代

正因如此,企業在導入 AI 時,其實需要外部專業夥伴的協助,而博弘雲端不僅擁有導入 AI 應用所需的完整技術能力,涵蓋數據、雲端、應用開發、資安防禦與維運,可以一站式滿足企業需求,更能使企業在 AI 轉型過程中少走冤枉路。

宋青雲表示,許多企業在導入 AI 時,往往因過度期待、認知落差或流程改造不全,導致專案停留在測試階段,難以真正落地。這正是博弘雲端存在的關鍵價值——協助企業釐清方向,避免踏上產業內早已被證實「不可行」的方法或技術路徑,縮短從概念驗證到正式上線的過程,讓 AI 真正成為可被信賴、可持續運作的企業戰力。

轉換率提升 50% 的關鍵:HAPPY GO 的 AI 落地實戰路徑

博弘雲端這套導入方法論,並非紙上談兵,而是已在多個實際場域中驗證成效;鼎鼎聯合行銷的 HAPPY GO 會員平台的 AI 轉型歷程,正是其最具代表性的案例之一。陳亭竹說明,HAPPY GO 過去曾面臨AI 落地應用的考驗:會員資料散落在不同部門與系統中,無法整合成完整的會員輪廓,亦難以對會員進行精準貼標與分眾行銷。

為此,博弘雲端先協助 HAPPY GO 進行會員資料的邏輯化與規格化,完成建置數據中台後,再依業務情境評估適合的 AI 模型,並且減少人工貼標的時間,逐步發展精準行銷、零售 MLOps(Machine Learning Operations,模型開發與維運管理)平台等 AI 應用。在穩固的數據基礎下,AI 應用成效也開始一一浮現:首先是 AI 市場調查應用,讓資料彙整與分析效率提升約 80%;透過 AI 個性化推薦機制,廣告點擊轉換率提升 50%。

3-RD096215.jpg
左、右為博弘雲端事業中心副總經理陳亭竹及技術維運中心副總經理暨技術長宋青雲。宋青雲分享企業導入案例,許多企業往往因過度期待、認知落差或流程改造不全,導致專案停留在測試階段,難以真正落地。這正是博弘雲端存在的關鍵價值——協助企業釐清方向,避免踏上產業內早已被證實「不可行」的方法或技術路徑,縮短從概念驗證到正式上線的過程,讓 AI 真正成為可被信賴、可持續運作的企業戰力。
圖/ 數位時代

整合 Databricks 與雲端服務,打造彈性高效的數據平台

在協助鼎鼎聯合行銷與其他客戶的實務經驗中,博弘雲端發現,底層數據架構是真正影響 AI 落地速度的關鍵之一,因與 Databricks 合作協助企業打造更具彈性與擴充性的數據平台,作為 AI 長期發展的基礎。

Databricks 以分散式資料處理框架(Apache Spark)為核心,能同時整合結構化與非結構化資料,並支援分散式資料處理、機器學習與進階分析等多元工作負載,讓企業免於在多個平台間反覆搬移資料,省下大量重複開發與系統整合的時間,從而加速 AI 應用從概念驗證、使用者驗收測試(UAT),一路推進到正式上線(Production)的過程,還能確保資料治理策略的一致性,有助於降低資料外洩與合規風險;此對於金融等高度重視資安與法規遵循的產業而言,更顯關鍵。

陳亭竹認為,Databricks 是企業在擴展 AI 應用時「進可攻、退可守」的重要選項。企業可將數據收納在雲端平台,當需要啟動新型 AI 或 Agent 專案時,再切換至 Databricks 進行開發與部署,待服務趨於穩定後,再轉回雲端平台,不僅兼顧開發效率與成本控管,也讓數據平台真正成為 AI 持續放大價值的關鍵基礎。

企業強化 AI 資安防禦的三個維度

隨著 AI 與 Agent 應用逐步深入企業核心流程,資訊安全與治理的重要性也隨之同步提升。對此,宋青雲提出建立完整 AI 資安防禦體系的 3 個維度。第一是資料治理層,企業在導入 AI 應用初期,就應做好資料分級與建立資料治理政策(Policy),明確定義高風險與隱私資料的使用邊界,並規範 AI Agent「能看什麼、說什麼、做什麼」,防止 AI 因執行錯誤而造成的資安風險。

第二是權限管理層,當 AI Agent 角色升級為數位員工時,企業也須比照人員管理方式為其設定明確的職務角色與權限範圍,包括可存取的資料類型與可執行的操作行為,防止因權限過大,讓 AI 成為新的資安破口。

第三為技術應用層,除了導入多重身份驗證、DLP 防制資料外洩、定期修補應用程式漏洞等既有資安防禦措施外,還需導入專為生成式 AI 設計的防禦機制,對 AI 的輸入指令與輸出內容進行雙向管控,降低指令注入攻擊(Prompt Injection)或惡意內容傳遞的風險。

4-RD096303.jpg
博弘雲端技術維運中心副總經理暨技術長宋青雲進一步說明「AI 應用下的資安考驗」,透過完善治理政策與角色權限,並設立專為生成式 AI 設計的防禦機制,降低 AI 安全隱私外洩的風險。
圖/ 數位時代

此外,博弘雲端也透過 MSSP 資安維運託管服務,從底層的 WAF、防火牆與入侵偵測,到針對 AI 模型特有弱點的持續掃描,提供 7×24 不間斷且即時的監控與防護。不僅能在系統出現漏洞時主動識別並修補漏洞,更可以即時監控活動,快速辨識潛在威脅。不僅如此,也能因應法規對 AI 可解釋性與可稽核性的要求,保留完整操作與決策紀錄,協助企業因應法規審查。

「AI Agent 已成為企業未來發展的必然方向,」陳亭竹強調,面對這樣的轉變,企業唯有採取「小步快跑、持續驗證」的方式,才能在控制風險的同時,加速 AI 落地。在這波變革浪潮中,博弘雲端不只是提供雲端服務技術的領航家,更是企業推動 AI 轉型的策略戰友。透過深厚的雲端與數據技術實力、跨產業的AI導入實務經驗,以及完善的資安維運託管服務,博弘雲端將持續協助企業把數據轉化為行動力,在 AI Agent 時代助企業實踐永續穩健的 AI 落地應用。

>>掌握AI 應用的新契機,立即聯繫博弘雲端專業顧問

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
2026 大重啟
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓