個人目標
IFA 前端開發 Agent Skills
16 個 Skill 模組 / v0.7.0 / 四層驗證框架
AI/BI 視覺化元件庫
三庫比較 / 3,411 LOC / 可重用元件庫
C# 進階學習
async/await + LINQ / IFA 應用對照
Obsidian PKM
9 分類 / 8 模板 / 11 則結構化筆記
iPAS AI 初級證照
順延至 Q2，目標 5/16 應考
例行工作
協助其他部門技術
採購網系統導入 / 教育訓練
動態表單規劃
本季無交辦工單，已由同仁完成
IFA 前端開發 Agent Skills
自我評述
本季原定目標為產出一份涵蓋 React 元件開發規範、公司既有前端模組使用慣例、API 呼叫模式及頁面路由與狀態管理準則的 Skills.md 文件。實際執行成果遠超預期，已建構出一套完整的 AI Agent Skills 框架體系（skills4ifa），目前版本 v0.7.0。
透過 Skill 模組化設計，開發者可直接以自然語言指令驅動 AI 進行 IFA 開發，從需求理解到程式碼生成再到驗證產出形成閉環，預估可加速開發效率 30% 以上（超越原定 20% 目標）。
關鍵數據
具體成果
Skill 模組體系
涵蓋前端 Views 開發、元件使用、API 整合、樣式規範、規格書撰寫、計畫擬定、品質檢測、驗證輸出等完整開發生命週期。
驗證框架
四層驗證架構——L1 斷言驗證（Assertion）、L2 信任分數（Trust Score v5）、L3 技術檢查（Tech Checker）、L4 合併報告（Verification Report），確保 AI 生成程式碼的品質可量化追蹤。
教育訓練
投影片 26 張、講者稿、Q&A 卡片、設置指南、觀察指南等完整訓練材料，並完成 PDF 及 PPTX 版本。規格書撰寫指南 33KB / 770 行，完整訓練計畫 57KB / 872 行。
後端延伸
已啟動後端 Controller Skill（developing-ifa-controllers），為 Q2 後端 Skills.md 提前佈局。
Skills 全景圖
skills4ifa 全景圖 — 16 個 Skill 模組的分層架構與工作流向
AI/BI 視覺化應用研究與元件庫建立
自我評述
原定目標為評估 Chart.js 與 D3.js 兩大視覺化框架，完成 POC 展示。實際執行擴展為三庫比較（加入 Recharts），並完成兩階段開發：Phase A 框架評估 + Phase B 可重用元件庫。
測試資料模擬 IFA IFAC010Q 預算執行報表的實際欄位結構，驗證元件庫可直接接入 IFA 資料格式，為後續 BI 視覺化導入奠定基礎。
關鍵數據
框架評估結果
| 評估維度 | 權重 | Chart.js | D3.js | Recharts |
|---|---|---|---|---|
| 開發效率 | 25% | 4 | 2 | 5 |
| IFA 適配性 | 25% | 4 | 3 | 4 |
| 可維護性 | 20% | 4 | 2 | 5 |
| API 設計 | 15% | 3 | 3 | 5 |
| 客製化能力 | 10% | 4 | 5 | 3 |
| 響應式 | 5% | 4 | 2 | 5 |
| 加權總分 | 100% | 3.85 | 2.70 | 4.55 |
最終選定 Recharts 作為 Phase B 正式框架
具體成果
Phase A — 三庫比較
以完全相同的 IFA 預算執行模擬資料（~150 筆，含 8 種邊界條件），分別以 Chart.js、D3.js、Recharts 實作折線圖、柱狀圖、圓餅圖、儀表板四種圖表，共 12 個圖表元件 + 3 個展示頁 + 1 個並排比較頁。
Phase B — 可重用元件庫
以 Recharts 封裝 4
個通用圖表元件（LineChart、BarChart、PieChart、Dashboard），設計
useChartData hook 作為資料轉換層，相容 IFA
masterData / opData 格式，支援 controlled / uncontrolled
雙模式。
文件產出
框架評估報告（六維度加權評分）+ Phase B 元件 API Reference 文件。
POC Demo
C# 進階學習
自我評述
已完成非同步設計模式與 LINQ 兩大主題的系統化學習，並產出完整學習成果文件。每個概念均對照 IFA 後端 KSI Kernel 框架的實際應用場景，確保學習成果可直接應用於 Q2 後端 Skills.md 撰寫。
學習主題
非同步設計模式
- async/await 基礎原理與命名慣例
- Task / Task<T> 三種狀態管理
- TAP（Task-based Asynchronous Pattern）
- 常見陷阱：避免 .Result/.Wait() 死鎖
- async void 使用限制
LINQ
- 方法語法 vs 查詢語法
- 篩選投影：Where、Select、SelectMany
- 聚合：Count、Sum、Average、Max/Min
- 分組連接：GroupBy、Join
- 延遲執行與 IEnumerable vs IQueryable
IFA 實際應用對照
DataTable + LINQ 查詢
使用 AsEnumerable() 將 DataTable 轉換後，以 LINQ
進行篩選與欄位提取。
Searched 事件資料後處理
在 SearchedEventArgs 事件中使用 LINQ 進行資料後加工與轉換。
多 DataTable 集合操作
Union 合併多個 DataTable、字串陣列的 WHERE 條件組合與必填欄位檢查。
Controller 非同步升級概念
理解 Controller Action 從同步升級為非同步的模式，以及 Transaction 的非同步處理。
Obsidian 個人知識管理系統
自我評述
已完成 Vault 結構設計與模板建立，並累積符合模板規範的筆記超過 10 則。PKM 系統已與日常工作流程整合，各季 KPI 產出均納入 Vault 管理。
關鍵數據
Vault 架構
模板系統
PKM 指南體系
建立 8 篇系統性指南：「為什麼寫筆記」、「筆記類型速查」、「每日工作流」、「筆記寫作指引」、「回顧與連結」、「AI 可讀性規範」、「團隊入門指南」、「Vault 結構地圖」，為團隊推廣 PKM 奠定基礎。
iPAS AI 應用規劃師 初級證照
自我評述
本季因 skills4ifa 開發工作量遠超預期（從原定 1 份 Skills.md 擴展為 16 個 Skill 模組 + 驗證框架 + 教育訓練材料），且視覺化 POC 亦擴展為三庫比較，導致 iPAS 學習時間被壓縮。
經評估後決定將 iPAS 初級與 Q2 原定之中階合併規劃，待確認下一梯次考試時間後統一安排讀書計畫。
考試梯次
Q2 讀書計畫 — iPAS 初級（目標 5/16 應考）
中級考試為 11/14，落在 Q4，故 Q2 聚焦初級備考。
讀書計畫
4/1 — 4/11：基礎概念
AI 基礎理論、機器學習概論、深度學習基礎。取得官方教材與歷屆題庫，完成第 1 回模擬試題。
4/14 — 4/25：應用領域
AI 應用場景（NLP、CV、推薦系統）、資料前處理與特徵工程、模型評估指標。完成第 2 回模擬試題。
4/28 — 5/9：進階主題與弱項補強
AI 倫理與法規、產業應用案例、模型部署概念。完成第 3 回模擬試題，針對弱項集中補強。
5/12 — 5/16：最終衝刺
全範圍模擬測驗、錯題回顧、考前重點整理。5/16（六）應考。
例行工作
協助其他部門技術（規劃/開發）
本季協助 V7 部門開發「採購網系統」，將開發流程導入 skills4ifa 框架，透過 Skill 模組化的方式協助該部門加速開發節奏。此外，透過 skills4ifa 的內部教育訓練，協助同仁認識 Agent Skills 的概念與操作方式，並即時排除同仁在使用上遭遇的問題。
協助研發開發產品化：動態表單規劃
本季動態表單規劃相關工作已由同仁完成，未產生交辦工單，故無對應執行成果。
官方 7 項 KPI（不標權重）。整體達標：七項依目標推進，其中五項達標、一項支援型持續（②）、一項待加強（⑦）。達成率以達標 100% 為基準，未達標項誠實標低。事實來源為 Obsidian 自評稿，本站為呈現層。
官方 7 項 KPI
V1-BI 圖表導入與 OLAP 介接
ECharts 9 圖到齊 / src_olap 38 commits / 待對方驗收
V1 球場系統改版（agent）
提供 skills4ifa 規範，協助 Delphi→React 遷移
skills4ifa 後端開發指南
後端指南 430 行 / 報表測試 4/4 通過 / v0.13.2
skills4ifa Plugify
ap4ifa 兩端發佈 19 skills / 自建 MCP server / v0.13.2
Anthropic 學院 claude 101
4 張結業憑證 / 重點筆記納入 PKM
TanStack Query + Zustand
demo 18 測全綠 / IFA 試點與可行性評估
Obsidian PKM
341 篇 / 互連率 24.3% / 季末補 12 則知識筆記
skills4ifa 後端開發指南 + FastReport 報表規範
能力範圍 — 涵蓋後端開發鏈
C# 後端 API 開發規範
教 AI 照 IFA 分層架構寫「接住前端請求、處理資料」的後端程式。
SQL Server 預存程序準則
教 AI 寫「住在資料庫裡」的查詢/運算程式，命名、參數、交易一致。
FastReport 報表設計與資料綁定
教 AI 直接讀懂並修改公司列印報表模板，正確把資料綁進版面。
「禁止臆測」鐵則
要求 AI 以查證／詢問取代猜測，是避免產生錯誤的關鍵。
導入前後測試 — 同一工具、同一批測試題的差異
以「先訂測試、再驗收」的方式設計四道貼近實務的報表測試題，量測開發工具在「有無讀取內規文件」下的差異：未讀取時多為拒答或答錯，讀取後四題全數通過。來源：developing-ifa-reports/testing/baseline-scenarios.md（S1–S4，並有
release CHANGELOG 佐證）。
拒答（引用 Red Flags：IFA 任務需先載入正確 skill）
FR 內部單位、[Table.REMARK] 綁定語法、帶區順序、三重名稱一致
拒答（沒有規格書＝無法生成）
doExpXlsResult()（小寫 d）、Point(col,row)、isXlsColumns=false、檔名不加副檔名
拒答（無法提供系統化除錯指引）
第一步即指出「最可能是三重名稱不一致」，並給系統化 Grep 排查步驟
推薦 XlsTool，理由基於未驗證假設
正確推薦 FastReport（分組+小計→複雜排版），引用路徑決策樹
同一工具、同一批測試題：未讀取內規文件時拒答或答錯，讀取後四題全數通過。
量化數據
Q2 commit 數 411（git log --all --since/--until
全分支口徑，含 feature 分支）；後端指南 430 行定稿；報表測試 4/4 通過，經
baseline-scenarios.md S1–S4 與 release CHANGELOG 雙重佐證。
常見綁定語法對照（AI 易猜錯處）
下列細節影響範圍小，但出錯即整體失效，是 AI 容易用業界通則猜錯之處。文件將「正確寫法」與「常見錯法」並列，供開發工具對照。
| 項目 | AI 常猜錯（未讀文件） | 正確（已讀文件） |
|---|---|---|
| 欄位綁定 | {Table.Col} / ${Table.Col} | [Table.Col] |
| 參數綁定 | :Param | [@Param] |
| 座標單位 | 像素 / 公分 | FR 內部單位（1cm≈37.8） |
| 匯出方法大小寫 | DoExpXlsResult() | doExpXlsResult() |
TanStack Query + Zustand 比較（評估導入 IFA）
自我評述
範圍含「伺服器狀態（TanStack Query）與用戶端狀態（Zustand）」對照，以 side project demo 實作學習與驗證，並做 IFA 試點評估導入可行性。demo 在同一待辦 CRUD 情境下分別實作，Vitest 共 18 項測試全數通過、build 通過。
關鍵數據
TanStack Query vs Zustand — 互補非二選一
| 維度 | TanStack Query | Zustand |
|---|---|---|
| 管理對象 | 伺服器狀態（API 資料） | 用戶端狀態（UI / 本地） |
| 快取 / 失效 | 內建（staleTime / gcTime / invalidate） | 無（需自理） |
| 重取 / 同步 | 自動（背景重取、focus 重取） | 手動 |
| 樂觀更新 | onMutate / rollback 內建模式 | 自行實作 |
| 適用 | 清單 / 主檔 / CRUD 打 API | 跨元件 UI 狀態、表單暫存 |
結論：兩者互補——server 狀態交給 TanStack Query，client 狀態交給 Zustand，非二選一。
IFA 試點 — 以實際現況評估遷移效益
新增一頁 IFA 試點（src/ifa-pilot/，往來銀行主檔情境）：抽出集中式
typed API 層 + 一頁 useQuery / useMutation（含樂觀更新 /
快取失效）。下列現況數字均唯讀核實自 ifa_rd/frontend，用以修正先前估計。
現況：狀態管理
IFA 前端用 @reduxjs/toolkit ^2.2.2 +
react-redux ^9.1.0，無 react-query、無
zustand，且為純 JSX（0 個 .ts 檔）。
現況：API 呼叫散落度
grep -rl axios ＝ 189 檔（直接 import 54 檔 /
312 行，分母 520）。Const.js 已集中 axios
instance + 401 攔截，主要問題是「各頁自行處理 loading / error /
狀態」而非「各頁自建 axios」。
發現：隔離的 RTK Query 實驗
已有一個隔離的 RTK Query 實驗（service/DataTable.js），但全專案僅
1 檔消費、baseUrl 仍指向測試站。
建議：漸進導入
先抽集中式 API 層、以單頁試點 useQuery / useMutation 驗證，再逐頁遷移；可與既有 RTK Query 實驗整併路線評估，避免一次性大改。
原始碼：side project repo tanstack-zustand-lab（Vite +
React + TS，含 README 比較與 IFA 可行性分析）。
Anthropic 學院 — claude 101 系列
自我評述
已完成 Anthropic 學院 claude 101 系列課程並取得四張結業憑證（Skilljar 可線上驗證）。課程重點整理為筆記、以雙向連結納入 PKM（同時支援第 7 項）。
結業憑證
課程重點（已納入 PKM）
模型家族分層
Opus / Sonnet / Haiku 依「能力—速度—成本」分層；用最簡可行層級，不為省成本盲目降級。
清楚指令 + 範例
把任務講明白、給角色與輸出格式；提供 multishot 範例可大幅穩定輸出。
結構化輸出
用 JSON schema / 工具 strict 模式取得可解析結果，而非事後硬解字串。
上下文與 token
以官方 count_tokens 計量，勿用第三方 tokenizer 估算（會失準）。
工具使用 + MCP
tool_use → tool_result 迴圈；工具說明要寫「何時呼叫」；MCP 標準化外部連接。
Prompt caching 與安全
前綴比對快取可大幅省成本（讀取約 0.1×），注意靜默失效；讀回應前先檢查 stop_reason / refusal。
課程重點筆記已以雙向連結納入 PKM，支援第 7 項互連率。
協助其他部門技術
① V1-BI 圖表導入與 OLAP 介接
圖表模組（第一、二階段）依目標完成：ECharts 9 種圖型到齊（折線／柱狀／長條、堆疊、圓餅、雙軸、散佈、氣泡），含民國年解析、數值格式與排序、圖型推薦、PNG 匯出，並完成 code review 修正。對方部門的正式驗收與上線屬外部依賴，非開發端進度。
② V1 球場系統改版（agent）
支援型任務。主要難點為 Delphi → React + .NET Core 技術遷移；做法不是本人直接開發，而是提供 skills4ifa 開發規範，讓對方團隊 fork 並在指導下調整、自行推進改版。後續階段成果與驗收回饋屬對方時程。
skills4ifa Plugify — 與 MCPs / AGENTs 串連之開發助手
自我評述
本項目標為「與 MCP／AGENT 串連的可持續迭代開發助手」，已依目標完成並實際落地。先完成技術選型：比較
MCP 協定、Claude Agent SDK、Agent Skills（SKILL.md）三種路線，選定以
SKILL.md 開放標準為主、MCP 按需補充（一份來源、無需常駐
runtime、Claude Code 與 Codex 皆可載入；未採需常駐 runtime 的託管框架，因其無法載入
Copilot）。再落地為 agent-plugins-4-ifa（ap4ifa）：兩端發佈
19 個 skills、自建 ifa-runtime MCP server、以語意化版本釋出至
v0.13.2，並經多輪 Codex 審查修正。
關鍵數據
技術選型決策
| 維度 | MCP 協定 | Claude Agent SDK | Agent Skills（SKILL.md） |
|---|---|---|---|
| 定位 | 工具 / 資料連接標準 | 託管 agent 執行框架 | 可攜技能包（開放標準） |
| Copilot 雙端共通 | 部分 | 否（裝不進 Copilot） | 是（原生共通） |
| runtime 需求 | 需 server | 需 runtime | 零 runtime |
| 與 skills4ifa 契合 | 補充 | 低 | 高（既有 skills 直接打包） |
決策＝以 SKILL.md 開放標準為主幹，MCP 按需補充。
落地成果 — agent-plugins-4-ifa（ap4ifa）
兩端發佈
Claude Code marketplace plugin（.claude-plugin/marketplace.json）＋
Codex plugin（.codex-plugin/plugin.json），同一份來源共
19 個 skills，團隊安裝即用。
自建 MCP server：ifa-runtime
stdio、in-process tools——瀏覽器自動化、API 驗證（verify_api）、跨平台冷裝（Windows）硬化，讓
AI 直接連到 IFA 前端執行驗證。
版本治理
迭代釋出至 v0.13.2，含 CHANGELOG、release pipeline、repo-wide drift gate，並經 Codex review 多輪修正。
Obsidian PKM — 穩定產出 + 雙向連結
自我評述
一達一未達。KSI vault 季末（6/30）共 341 篇，較 Q1
基準（約 289）淨增逾 +30、新筆記達標；含
[[ ]] 連結之筆記 83 篇，互連率 24.3%（季末補筆記後由約
21% 提升），仍未達 50% 目標。本季已先把 Anthropic
課程重點等納入並建立雙向連結。
現況數據（盤點 2026/06/30）
互連率＝含 [[ ]] 連結筆記 83 ÷ 341 ≈ 24.3%；季末以工作流平行補入
12 則知識筆記（每則 [[ ]] ≥3）。
後續（Q3）：互連率衝刺 50%
新筆記數已達標、互連率未達。Q3 續補既有筆記的雙向連結、補齊更多工作／專案／技術知識筆記，將互連率自 24.3% 推進至 50% 目標。