康峻軒 / AI Infrastructure · AI Application
Personal background / Career journey
我是康峻軒。延續先前電話中的討論，這裡整理學習經歷、工作背景與學習方式，說明這些經驗如何銜接相關職位。
具備約 4–5 年全端工程師經驗，熟悉 JavaScript，並使用 React.js、.NET 等框架開發系統。另持有 ISO27701（個資）相關證照，以及數張政府部門資安相關證照。
目前負責國教署相關系統，需配合稽核與例行資安檢查。系統每月接受原始碼掃描、弱點掃描、主機弱掃、第三方元件檢測與資安健診，因此除了功能開發，也持續處理系統維護、元件風險、個資保護與資安要求。
畢業時正逢 COVID-19，原先的規劃受到限制，我先進入政大研究中心從事民意調查工作，負責資料蒐集、整理與執行規劃，主要使用 R 處理統計資料，工作時間約四年。
在政大工作期間，疫情促使我重新思考職涯方向，也開始自學程式設計。後來獨自到台中參加近一年的資策會課程，建立軟體開發能力，之後加入暨大人工智慧研究中心。
從研究資料工作轉入軟體開發後，我也累積了資料整理、執行規劃與系統開發的經驗。面對需求時，習慣先理解問題與使用情境，再思考如何透過資料與程式落實。這套工作方式也延續到目前的 AI 應用開發。
因為本身就有養魚的興趣，平時也會主動鑽研相關知識，所以大學畢業前便自行研讀生物學與養殖學，後來以榜首錄取海大水產養殖相關研究所。最後考量職涯發展，選擇就讀東南亞所。
這段經歷讓我更確定自己的學習方式：只要對一個領域有興趣，就會從基礎開始補足知識，不因原本科系不同而先設限。
大學就讀公共行政系，原本打算考公職，走一條相對穩定的職涯。後來我認為，公職考試是日後仍能透過規劃準備的選項，不必在剛畢業時就綁定未來，因此開始探索其他興趣與發展方向。
Learning / AI-assisted practice
先用 AI 找出知識缺口，再把時間花在真正不熟的地方。
技術變化很快，真正重要的不是接觸過多少工具，而是能否在需要時快速建立理解、找出知識缺口，並把學到的內容用在實際問題上。
每月固定購買線上課程，目前累積約一百多門，主題包括語言、投資、程式設計與媒體設計，下方是部分課程整理截圖。近幾個月則把重心放在大模型底層與相關技術，包含機器學習、深度學習、自然語言處理、大模型概論、LangChain、Agent 開發與部署。
除了操作工具，也持續補足模型原理與實作條件，遇到技術選擇或功能規劃時，能更清楚判斷適用情境、限制與資源需求。
整理課程教材並匯入 NotebookLM，再搭配反覆調整過的 Prompt 逐章學習：
這套流程會先找出知識缺口，再決定要深入哪一章；遇到實際工作需求時，也沿用相同方式拆解問題、驗證結果並持續調整。
我持續自費使用並進行開發測試，工具包括 AI 程式開發助手（Coding Agent）、個人助理型 Agent，以及研究與資訊檢索工具，例如 Codex、Cursor、Antigravity、Claude、Gemini、Grok、Grok Bot、Muse、OpenClaw、Hermes 與 Perplexity。實際操作與比較後，我更清楚各工具的能力、限制與適用情境。
我持續測試這些工具，是為了熟悉 AI 開發工具與工作流程，並能依職務需求快速上手。評估時，我會比較任務完成品質、上下文掌握、工具整合、執行可控性與使用成本，也觀察它們能否接進團隊既有流程。
Applied systems / Quant research / AI governance
建立非同步多源情報分析架構，處理多頻道、高頻且非結構化的資料，整合市場共識與多空分歧。
將具不確定性的模型推理，約束在可驗證、可控的工程流程中。
專案重點是資料品質、上下文管理與系統邊界。我用明確的工作流程與資料合約，讓輸出可以檢查、串接及維護。
自建後台集中呈現頻道清單、分析狀態與操作入口，可在同一介面管理多頻道任務。
以自建後台串接創作者、影片與分析結果，讓使用者可從頻道層級逐步檢視內容。
設計並實作整合市場快照、規則掃描、新聞事件與 AI 多代理會議的投資研究平台。系統先從全市場找出值得研究的標的，再回到個股的價格與事件證據，最後由具備不同職責的 Agent 進行分析、辯論與風控審議。
LLM 為歷史新聞建立事件分數與情緒標記，回查相似事件在 T+1／T+3／T+5 的後續影響。
由基本面、技術面、籌碼、政策、輿情與風控等 20 個 Agent 角色分工討論，結合個股價格與新聞證據交叉驗證，並保留各角色觀點與研究結論供後續回查。
以 LangChain 編排 20 個 Agent 與資料工具的執行流程，將研究計畫、角色任務、資料庫查詢與最終回應拆成可追蹤事件；同步記錄執行狀態、耗時與 Token 用量，便於監控、除錯與結果回查。
即時監控台股與美股社群平台的討論與市場反應，彙整個股提及次數、多空傾向及平均信心，快速掌握整體市場與個股情緒變化。
以兩種不同時間尺度研究台股：Model A 使用財務與估值資料探索中期選股訊號；Model B 使用連續價量與市場特徵探索短期價格變化。
目標：看「這家公司值不值得研究」。
資料工程：將日頻估值、月頻營收與季頻財報整理成同一個「股票 × 交易日」資料集。營收與財報先設定可用日期，再以向後的 as-of join 合併，降低把未公布資訊放進歷史樣本的風險。目前可用日期採推估公布日，尚未逐筆核對實際公告時間。
模型實驗：用 FT-Transformer 處理數值及類別型表格特徵；先按日期切開訓練／驗證資料，再只用訓練資料擬合標準化器。觀察訓練損失、驗證損失、Rank IC 與方向準確率，並以 Optuna 搜尋學習率及正則化參數。
目標：看「它近期的走勢有沒有短線機會」。
時序資料管線：按個股計算 MA、RSI、MACD 等只使用當下及過去資料的特徵；以 60 日滑動視窗組成模型輸入。訓練、驗證、測試按年份切分，模型以 Transformer Encoder 處理序列。
將 Model A 基本面重估與 Model B 短期價格訊號放入同一張圖，快速辨識訊號一致或分歧的全市場標的。
以 Model A missing_score 排序產生候選清單，並保留 Model B 分數、交叉訊號與日期作為研究回查欄位。
設計並實作適用於 Windows、macOS、Linux 及多台電腦的 AI Agent 統一管理架構，以單一規則來源集中治理 Codex、Claude、Gemini 的執行規範、環境設定、知識資產與 Skills，解決多平台環境下的設定分散、版本漂移、上下文膨脹及知識污染問題。
PowerShell 依平台自動建立對應連結，讓各 Agent 共用同一套全域規則與 Skills。
設計並實作跨平台內容擷取與知識處理系統，將 Threads、X、Instagram、Facebook、GitHub、YouTube 等來源，轉換為可搜尋知識、研究任務、POC 候選與內容草稿。
06 / MORE TO SHARE
