每個工作坊拆分為多個章節，可依自己的進度觀看。
「做 AI」可以是五件完全不同的事——基礎研究、模型訓練、微調、應用整合、使用者。再用俄羅斯娃娃解釋 AI → 機器學習 → 深度學習 → LLM 的巢狀關係，讓你知道這些詞的真實意思。
傳統 AI、LLM、Agent 三種類型有什麼根本差異？LLM 又是如何透過 Token 預測迴圈一個詞一個詞生成文字的？這是理解所有 AI 行為的核心機制。
LLM 看到的不是「字」，是 token。Token 怎麼計費、中文為什麼比英文貴？Temperature 怎麼控制 AI 的隨機程度？以及最核心的問題——AI 為什麼會捏造論文？它選的是「統計上最可能的字」，不是「最正確的字」。
AI 做不到的五件事：即時資訊、精確計算、真正創新、長期記憶、客觀判斷。更危險的是它隱藏自己的信心分數，以及越問越順你心的奉承問題（Sycophancy）。
AI 的工作記憶是有限的情境窗口，窗口滿了就忘事或壓縮失敗。更根本的真相：你按下送出的那一刻 AI 才「誕生」，回覆完就消失——所謂的對話記憶是 App 幫你打包歷史的假象。
給角色、給例子、叫它思考、規定格式、把重點放最前面——五個技巧各有其底層原理。用洗車案例現場示範每個技巧的實際效果。
驗證輸出、保護資料、誠實揭露——三個使用原則的具體意義。Samsung 外洩事件告訴我們線上 AI 的真實資料風險。最後：美國、中國、台灣三個陣營的 AI 工具，風險等級有什麼不同？
Anthropic 研究員 Eric 的演講。探討讓 AI 承擔大部分開發工作、開發者轉型為產品經理的模式，以及如何透過可驗證的測試指標與充足的情境資訊，在保持安全與品質的前提下大幅提升生產力。
適合：對 Agent 完全陌生、想從頭建立概念的人。從 Klarna 客服 AI 和 AI Scientist 兩個真實案例出發，解釋 Chat 與 Agent 的根本差異，以及背後的三個工程演進階段。
適合：已有 AI 基礎、想找到適合自己工作的工具的人。完整比較 Google、Microsoft、OpenAI、開源生態與 Anthropic 的 Agent 工具，附三框架選擇指南，幫你根據資料敏感度、任務類型與現有工具做出決策。
適合：想直接看 Agent 能幫你做什麼的人。介紹 Claude Cowork（桌面自動化，適合非工程師）與 Claude Code（程式碼與研究工具，適合開發者）的差異、示範場景，以及使用時的注意事項。
示範如何上傳文件、自動摘要、問答附來源引用、跨文件比較分析、心智圖，以及語音摘要功能。完全免費，只需要 Google 帳號。