國立臺北大學資訊管理研究所
計畫主持人：戴敏育教授
建立代理式 AI、RAG、工具編排、機器學習與資料分析能力，由資管碩士生擔任技術主責，完成系統整合與可量化驗收。
01 / OVERVIEW
以真實需求為起點，培育跨域 AI 實踐人才
本計畫為電資領域・資訊管理端，與社會工作學系的應用領域計畫共同規劃。兩端共用真實場域、跨域學生與設計思考方法，串連需求評估、技術轉譯、原型開發及場域驗證。
2資管端 EMI 課程
3規劃合作場域
108+預期課程總時數
8預期 AI 原型
國立臺北大學社會工作學系
合作計畫主持人：林予安助理教授
結合研究法、方案設計與評估，負責需求定義、服務設計、倫理把關與成效評估，讓原型回應第一線實務問題。
02 / LEARNING JOURNEY
從代理式 AI 基礎，走向跨域專題實作
代理式 AI 創新應用
Agentic AI Innovative Applications
- LLM 推理、提示工程與 Context Engineering
- 代理記憶、向量資料庫與 RAG
- 工具使用、函數呼叫與 MCP
- 多代理協作、LangGraph 與 Human-in-the-Loop
階段交付：需求轉譯、技術可行性、代理架構與原型規格。
人工智慧
Artificial Intelligence
- 機器學習、深度學習與自然語言處理
- 實體解析、資料分析與成效儀表板
- 模型評估、多語品質與 AI 倫理
- 與社工「方案設計與評估」跨班混合分組
階段交付：可運作 AI 原型、英文技術文件與場域驗證。
共創流程圖
社工理解人的需求，資管把需求轉為可用的系統
兩條專業路徑先共同定義問題，再協作設計、開發與驗證。
資管端 · 資料與系統洞見資料盤點與技術分析
確認資料條件與技術可行性
資管端架構開發與 AI 原型
實作 RAG、工具串接與人機協作流程
2026.09–2027.01前導教學與需求評估
2027.01–03雙師備課與跨域分組
2027.02–06原型開發與場域驗證
2027.06–08成果發表與教材彙整
03 / REAL-WORLD APPLICATIONS
三個場域，三種服務需求
由第一線場域業師與跨域學生共同界定問題，再選擇合適的技術與驗證方式。
連江縣早期療育
社區資源中心
迭代既有早療 LINE bot，由關鍵字查詢進化為意圖辨識、RAG 問答與多輪澄清；遇到不適合自動回應的情境，轉由真人接手。
財團法人中華民國
兒童福利聯盟基金會
規劃捐款人單一識別與跨系統串接，建立 NPO AI 使用規範紅黃綠燈判別小工具，並以儀表板呈現服務與資料分析成效。
社團法人台灣
新住民家庭成長協會
規劃支援越南語與印尼語的多語言 LINE bot，結合場域知識檢索、多語生成品質評估與偏誤檢核，降低語言造成的服務門檻。
AT A GLANCE / 從問題到交付
這個計畫，最後要做出什麼？
不是三個一樣的聊天機器人，而是依服務需求分工開發，再整合交付的場域方案。
| 場域 | 要解決的問題 | 規劃交付 | 驗證重點 |
|---|---|---|---|
| 馬祖早療中心 | 既有關鍵字問答難以理解不同問法，也需要清楚的真人轉接機制。 | 升級既有 LINE bot：意圖辨識、RAG 知識庫、多輪澄清與人機雙軌。 | 對照上線前基準，追蹤週問答成功率、轉真人率與使用量。 |
| 兒福聯盟 | 同一捐款人的資料分散在不同系統；AI 使用需要治理規範。 | 捐款人單一識別、NPO AI 紅黃綠燈判別工具、成效儀表板。 | 單一識別與跨系統資料整合、規範判別及儀表板功能驗證。 |
| 新住民家庭成長協會 | 語言差異形成資訊取得門檻，多語回覆也需要品質與文化把關。 | 越南語、印尼語 LINE bot，從中文場域知識庫檢索後以使用者語言回覆。 | 多語生成品質、偏誤檢核與母語覆核；敏感情境轉真人。 |
依計畫書第 7、12–13 頁整理；以上為規劃內容與驗證方向。
8 組原型，整合為場域交付
規劃由早療 3 組、新住民 2 組、兒福聯盟 3 組分工；每組由資管碩士生擔任 AI Lead，與社工學生協作，期末由各組技術主責整合為各場域的單一交付版本。
04 / TECHNOLOGY & GOVERNANCE
讓 AI 的回答有依據，讓服務保有人類判斷
使用者訊息→意圖辨識與澄清→語意護欄與 RAG 檢索
雙門檻：服務敏感度 × 系統信心
有沒有能力回答，與適不適合由 AI 回答，是兩個不同的判斷。
例行、低敏感且有依據
「中心週六有開放嗎？」
知識庫有對應資料時，由 AI 附來源回覆。
需要專業判斷的建議
涉及個案發展判斷的詢問
AI 僅提供草稿，須經專業人員確認後才能送出。
高敏感或危機情境
訊息透露家暴、自傷等風險
保留由人處理，依危機協定轉介；不能因系統信心高就自動回答。
找不到可靠資料，也要轉真人。低敏感問題若檢索依據不足，不讓 AI 猜答案。門檻由黃金測試集、RAGAS 離線評估與轉真人率持續校準。
知識檢索與代理協作
以 RAG 為問答引擎，結合工具呼叫、MCP 與多代理工作流程；透過意圖辨識與多輪對話澄清需求。
資料治理與人機協作
規劃場域內知識庫與本地向量化，LLM 推論以校內部署為原則；雲端 API 的檢索片段須先去識別化與遮罩，並建立人工轉接機制。
可量化的品質驗收
以黃金測試集及 RAGAS 進行離線評估，觀察檢索相關度、接地性、答案正確性與轉真人率；線上依檢索相似度及語意護欄判斷轉接。
05 / EXPECTED IMPACT
從課堂學習，累積可交付的實踐成果
以下為申請書所列預期目標，並非已完成成果。
原型與技術交付
- 8 件 AI 原型，每組 1 件
- 至少 3 件亮點專題
- 至少 3 套技術文件與開源原型
教學資源與人才培育
- 2 冊教案手冊
- 碩士修課生約 15–16 人
- 跨域合開規模約 55–61 人
- NVIDIA DLI 證書取得率目標 ≥80%
場域參與與成果擴散
- 3 家合作場域
- 每組至少 1 次場域見習，含視訊
- 定期跨域工作坊與業師交流
- 成果發表、教材與原型分享