Behavioral & Ethics 面試攻略：AI 倫理、團隊合作與影響力敘事
行為面試不是靠臨場發揮，而是靠事前準備好的故事庫。AI Engineer 的行為面試有獨特的考點：AI 倫理（bias、fairness、privacy）、技術決策的影響力敘事（為什麼選這個模型/架構）、跨團隊推動 ML 專案的經驗。準備策略：建立 8-10 個 STAR 故事，每個故事練到能在 2 分鐘內講完。
ai
1264 篇文章Coding 面試攻略：ML-flavored 程式題的準備策略
AI Engineer 的 coding 面試和 SWE 不完全一樣——除了 LeetCode medium，還會出 ML-flavored 的題（實作 tokenizer、寫 batch inference pipeline、處理稀疏矩陣）。準備策略：LeetCode medium 練到 70% 通過率就夠，剩下的時間花在 numpy/pandas 操作、資料處理 pipeline、以及 ML 相關的程式題。
Deep Learning 面試攻略：從 CNN 到 Transformer 的核心直覺
深度學習面試重點不是推導反向傳播，而是能不能解釋架構背後的設計直覺。高頻考點：CNN 的 locality 與 translation invariance、RNN 到 Transformer 的演進為什麼必要、self-attention 的計算邏輯與複雜度、BatchNorm vs LayerNorm 的適用場景、常見的 training tricks（learning rate schedule、gradient clipping、mixed precision）。
LLM Application Design 面試攻略：從 RAG 到 Agent 架構
LLM Application Design 是 2025-2026 面試最熱的新題型。核心考點：RAG pipeline 的 chunking/retrieval/reranking 設計、agent 架構的 tool-use 與 planning loop、context window 管理策略、guardrails 與 safety 設計、以及 LLM 應用的評估方法。面試官特別看重你有沒有踩過坑。
ML Fundamentals 面試攻略：從 bias-variance 到 evaluation metrics
ML 基礎面試不考你背公式，考你能不能用直覺解釋概念、在追問下不崩潰。高頻考點：bias-variance tradeoff 的實際意義、L1/L2 regularization 的選擇邏輯、cross-entropy 為什麼比 MSE 適合分類、SGD 與 Adam 的取捨、precision/recall 在不同場景的重要性差異。
ML System Design 面試攻略：從需求拆解到生產架構
ML System Design 面試的核心不是選模型，而是怎麼把一個商業目標變成一個可上線、可監控、可迭代的 ML 系統。面試官想看你能不能：把業務目標翻成 ML 目標、設計 data pipeline 和 feature store、選擇合理的 serving 策略、規劃 monitoring 和 A/B testing。
MLOps & Deployment 面試攻略：從 CI/CD 到模型監控
MLOps 面試考的是你有沒有把模型推上生產的經驗。高頻考點：ML pipeline 的 CI/CD（跟軟體 CI/CD 有什麼不同）、model registry 與版本管理、A/B testing 的設計與陷阱、inference 的 scaling 策略（水平擴展、模型壓縮、caching），以及生產環境的 monitoring 與 alerting 設計。
NLP & LLM 面試攻略：從 tokenization 到 RLHF
LLM 面試的分水嶺是你有沒有實際用過這些東西。高頻考點：BPE tokenization 的邏輯與多語言問題、預訓練目標（CLM vs MLM）、fine-tuning 的三種層次（full/LoRA/prompt tuning）、RLHF 的流程與 failure mode、prompting 的工程實踐、LLM 評估的困難與現有方法。
AI Engineer 面試全景圖：從公司類型到準備策略
AI Engineer 面試不只考 ML——大廠看系統設計與 coding，新創看端到端交付，AI-native 公司看 LLM 工程深度。準備策略：先釐清目標公司類型，再按六大維度（ML 基礎、系統設計、LLM 應用、Coding、Paper Reading、行為面試）分配時間。
Paper Reading 面試攻略：怎麼讀、怎麼討論、必讀清單
Paper Reading 面試不是考你有沒有讀過那篇 paper，而是考你能不能快速理解一個新方法並找出它的限制。AI-native 公司（Anthropic、OpenAI）特別愛考。準備策略：練習 30 分鐘讀完一篇 paper 並能口述 contribution + limitation，建立自己的必讀論文清單，每篇練習用三句話總結。
自我改進 Agent：課程主軸與閱讀路線｜Stanford CS329A 課程總覽
產生正確候選與辨認正確候選是兩種能力。系列依 Autumn 2025 課表，以一篇總覽與十七篇逐堂導讀串起十七個內容場次，其中五場客座沒有公開材料，改用講者類似題目的公開材料；影片 Part 7–9 對應原課第 8、17、20 堂。
AWS 三張 AI 證照怎麼選：MLA-C02 beta 已開放後的最新分界
AIF-C01、MLA-C02、AIP-C01 不是難度階梯，是三個職能切面：AIF 考能否判斷 AI 的商業應用；MLA 考能否把傳統 ML、基礎模型與 agentic workflow 上線並維運；AIP 考能否整合基礎模型做 GenAI 系統。MLA-C02 的英文 beta 已開放報名，9/29 開始交付；正式版日期與非英文版本仍未公布。
Claude 四張認證怎麼選：先確認你報不報得了名
選 Claude 四張認證之前有一個比所有考點都重要的前提：報考只開放給 Claude Partner Network 的組織，個人無法自行報名。過得了這關的人，實際的分岔點有四個——CCAO-F $99 不計入 partner tier 資格（另外三張計入）；Claude Code 在 CCAR-F 佔 20%、在 CCDV-F 只佔 3.1%，架構師那張考這個工具比開發者那張重；CCAR-P 有 28% 是治理與利害關係人溝通，系列裡沒有第二張這樣；CCAO-F 最便宜但 Prompting 只有 14%，輸出評估 21% 才是主軸。四張效期都是 12 個月，重考間隔 14 / 30 / 90 天、12 個月內最多 4 次。
微軟這條線怎麼選：AI-103、AI-500、AB-620、AB-100 四張的分岔點
微軟四張 AI／agent 認證裡，官方寫死的先修有兩條：AI-500 必須先有 AI-103，AB-100 必須另有清單中任一張 associate；其餘是定位問題。選擇要走三個分岔：寫不寫 Python（AI-103／AI-500 vs AB-620）、建東西還是做判斷（AB-100 vs 其餘三張）、以及今天能不能真的開始——AI-500 的四條官方學習路徑目前全 404、AB-620 沒有練習測驗、AB-100 有免費練習測驗。對台灣讀者還有第四個分岔：AI-103、AB-620 與 AB-100 有繁體中文，只有 AI-500 僅英文。四張都是美國 $165（台灣 $83）、效期一年、續期免費但只在到期前六個月開放。
NVIDIA 四張生成式 AI 證照怎麼選：兩張還不能報名，真實成本要把課程算進去
NVIDIA 生成式 AI 線有四張：NCA-GENL、NCA-GENM（各 $125，associate）、NCP-GENL、NCP-AAI（各 $200，professional）。選之前先看三件別家沒有的事：一、兩張 professional 的 Register 按鈕都標著「Coming soon」，近期計畫直接只剩兩張 associate；二、官方建議教材的成本兩級差很多：兩張 associate 在 2026 年秋天換成一份免費的開源教材加一門課，兩張 professional 仍是五門付費課，NCP-GENL 官方清單列價合計 $1,620；三、官方網頁與 PDF 有幾處對不上——NCP-AAI 有兩項權重不同，NCP-GENL 網頁表格有兩格描述錯置，這兩張準備時要以 PDF 為準或當成區間看。另外綁定程度差很多：NCP-AAI 只有 7% 綁 NVIDIA 產品，NCP-GENL 有 31% 在考 GPU 與模型壓縮。
AI Agent 自動產生簡報：讓模型看見自己排的版
2026 年 agent 做簡報的共識：outline-first + 內容/構建分離 + render 成圖讓 fresh-eyes subagent 做視覺 QA。Anthropic 與 OpenAI 的官方 slides skill 都收斂到 PptxGenJS + 視覺驗證迴圈，學術線（PPTAgent→PreGenie→DeepPresenter）也指向同一方向。但下半年出現兩個修正：PresentBench 指出常被引用的 PPTEval 給分過於樂觀，SeaSlides 則主張不該讓模型直接寫自由格式的 HTML／SVG。
AI 治理框架對照：EU AI Act、NIST AI RMF、ISO/IEC 42001，以及沒有一張證照點名它們
治理在證照裡的比重比多數工程師以為的高——CCAR-P 的 Governance 14% 加 Stakeholder 14% 共 28%、CCAO-F 治理 15%、AB-100 的部署治理塊 40–45%、AIF-C01 的負責任 AI 14% 加安全治理 14%。但系列前十五篇對應的官方 exam guide 裡，沒有任何一張點名 EU AI Act、NIST AI RMF 或 ISO/IEC 42001；全系列唯一被官方點名的法規只有 CCAR-P 的 GDPR、HIPAA、FedRAMP。所以這篇的用法不是「背框架去考試」，而是用三份框架當骨架，把六張證照散落的治理條目歸位。三份框架的分工是：EU AI Act 是法律（2026-08-02 全面適用，高風險義務被 AI Omnibus 延到 2027-12-02）、NIST AI RMF 是自願框架（GOVERN／MAP／MEASURE／MANAGE 四個功能，且 1.0 正在改版）、ISO/IEC 42001 是可驗證的管理系統標準（條文要付費購買，本文只寫 ISO 公開頁上的資訊）。
AWS AI Practitioner（AIF-C01）備考路徑：v1.1 把它變成 agentic AI 考試
AIF-C01 考綱在 2026 年 4 月 30 日更新到 v1.1，新增七條目標——MCP、多 agent 模式、context engineering、token 計價、幻覺偵測全變成考點，in-scope 服務加入 Bedrock AgentCore、Kiro、Strands Agents，網路上的整理幾乎都是舊版。這篇依 v1.1 五章權重逐章拆解考點，整合 AWS 官方四步準備法、10+ 位考生的實戰心得與教材推薦。$100、90 分鐘、65 題、及格 700、效期 3 年，有繁體中文版。
AWS GenAI Developer Professional（AIP-C01）備考指南：考綱、教材與四步準備法
AIP-C01 考的是把基礎模型整合成可上線的 AWS 應用：RAG、agent、安全治理、成本與評估。本文依官方五章考綱，整理前置能力自評、四步準備法、教材選擇與實作驗收，附十週安排、AI 輔考範本及應考提醒。先做診斷，再用同一個 RAG 加 agent 專案補齊弱項。
Claude Certified Architect Foundations 考試完整指南
Claude 官方架構師認證（CCAR-F）的完整備考指南：五大領域權重 27/18/20/20/15、六大考試情境抽四個、常見反模式與實際演練建議。官方規格為 60 題 / 120 分鐘 / $125 / 效期 12 個月 / 及格 720，報考限 Claude Partner Network 成員，準時續期免費且非監考。