學界 × 業界新對話：鏈結知識與實踐的圖書資訊未來
在今年第59屆中華民國圖書館學會年會暨第五屆圖書資訊學術與實務研討會(CoLISP 2025)中，我舉辦了五場實務論壇，其中一場名為「學界 × 業界新對話：鏈結知識與實踐的圖書資訊未來」，目的在探討數位時代浪潮下，圖書資訊領域的未來發展以及如何強化圖書資訊學教育，以培育契合產業趨勢的人才。三位講者——陳啟亮資深協理(南山人壽)、宋浩總經理(藍星球)、江思嫺總經理(飛資得)，從各自的實務經驗出發，針對圖資人才的需求、專業核心價值在AI時代的轉變，以及學界與業界之間的落差，提供了深刻的見解與啟示 。
本次論壇的核心要點如下：一、 圖書資訊領域的核心精神與 AI 時代的轉變
宋浩總經理指出，在知識載體和檢索方式不斷變化的背景下，圖書資訊的核心精神——組織知識、傳遞知識——並不會改變。然而，生成式 AI 的出現，已經改變了使用者期待：從期待「好找資料」轉變為「給我答案」。
因此，掌握著「將資料整理成能被理解的知識」，將成為 AI 時代最重要的專業能力之一。
- 圖資人：最早的資料科學家 -- 圖資專業非常適合現代 AI 產業。宋浩總經理認為，圖資人是最早的資料科學家。圖資人的必備技能與訓練 AI 模型所需的技能高度一致。其中，圖資人的必備技能包含：Metadata、分類法、詞彙與語意控制、權威控制、書目、資料的結構化、使用者資訊行為分析；而訓練AI模型的必須技能包含：乾淨資料、分好類的資料、具備語意結構的資料、有一致性的 Metadata、清楚的權威控制。
- 核心專業的轉向與新技術應用：江思嫺總經理的內容強調圖書資訊專業正從傳統的書目控制（Bibliographic Control）轉向知識組織與語意鏈結（Knowledge Organization & Semantic Linking）。這種轉變包括從 MARC 紀錄的字串（strings）處理，走向實體（entities）的處理。圖書館的傳統 OPAC（線上公用目錄）正朝向 Knowledge Graph（知識圖譜）發展，並應用到探索服務（Discovery）和語意探索（Semantic Exploration），其中涉及知識本體（Ontology）的概念。在技術實踐上，RAG (Retrieval Augmented Generation, 檢索增強生成)是新世代的檢索方式，圖資人才應熟悉 RAG Pipeline。宋浩總經理強調，工程讓 AI 運作，而圖資讓 AI 理解。AI 時代最珍貴的能力，不是寫程式，而是「理解知識結構」；圖資人正是 AI 最需要的「語意橋樑」。
二、 業界所需的三大類型圖資人才與職務
宋浩總經理將產業需要的圖資人才歸納為三大類型，並依據經驗年資劃分了職級：
- 語意資料工程師 (Sementic Data Engineer) -- 協助資料結構化（把文件整理為 AI 可讀的資料）：任務內容包含文件分片 (Chunking)、主題標註、資料清洗、語意標註。類似職務則有： Content Engineer（內容工程師）、Knowledge Engineer（知識工程師）、AI Data Operations（AI資料營運）。語意資料工程師屬於初階人才（入職 5 年內）： 執行資料清整、內容標註任務、Metadata 建置，進入門檻低，工作容易上手。
- 知識架構師 (Knowledge Architect) -- 協助 AI 理解內容（協助 AI 理解正確的內容）：任務內容包含運用知識本體(Ontology）、知識圖譜(Knowledge Graph)、語意模型、概念階層等工具。類似職務則有： Taxonomy Specialist（分類法專家）、Knowledge Graph Engineer（知識圖譜工程師）、Semantic Data Modeler（語意資料建模師）。知識架構師屬於中階人才（入職 5 ~ 15 年）： 具備基本 AI 背景知識、語意工程能力，如 RAG Engineer Assistant、Knowledge Graph Assistant、AI PM (Product Manager)。
- 資料治理與資料倫理(AI Governance & Ethics) -- 確保 AI 應用安全與合規（確保 AI 模型可解釋、可追蹤）：任務內容包含隱私和權利保護、資料品質管理、Source of truth（真實來源）、資料生命週期。類似職務則有： Data Privacy Officer (DPO)、AI Governance Manager（AI治理經理）、AI Policy Analyst（AI政策分析師）。這類人才乃屬於高階人才（入職 15 年以上）： 擔任資料治理主管、AI Ethics Manager（AI倫理經理）、知識架構總監等，需具備「圖資專業 × AI 實作能力」的合體。
江思嫺總經理則指出，圖資專業人士的職能正在從「守門人 (Gatekeeper)」和「編目員 (Cataloger)」轉變為「鏈結者 (Linker)」和「資料策展人 (Data Curator)」。
AI 與 Linked Data 結合所衍生出的新興職務包括：Metadata Engineer、AI Metadata Specialist、Knowledge Graph Engineer、Discovery Experience Designer、以及 Publisher–Library Metadata Connector。
三、 業界對人才的實務建議與教育的挑戰
- 實務能力建議（宋浩總經理）：為了成功扮演「語意橋梁」的角色，宋浩總經理對圖資專業人士提出了實務建議：
• 學習 Python： 不用學得太艱深。
• 學會 JSON / API： 這是現代資料交換格式的標準。
• 認識向量資料庫： 可從 FAISS、Chroma、pgvector 等先入手。
• 熟悉 RAG Pipeline： 新世代的檢索方式。
• 精進圖資核心專業： 專注於語意、資料品質與知識組織。
- 使用者體驗與學用落差（陳啟亮資深協理）
陳啟亮資深協理（體驗長）從使用者體驗（UX）的角度分享了實務經驗，並探討了學界教育的限制與瓶頸。
他強調，使用者要的不是高科技系統，而是能解決實際問題的「解方」（例如，使用者要的不是線上學習系統，要的是 Youtube + TED）。他的團隊透過使用者研究、數據分析、日記研究（Diary Research）等方法，深入了解業務人員的實際學習世界和需求，從而制定策略 (如錦上添花、雪中送炭、雨露均霑)。
在審視學校教育時，陳啟亮資深協理觀察到以下三個主要限制：1. 學用落差： 當今有競爭力的工具與技能，許多在五年前並不存在。2. 套路化、同質化程度嚴重： 缺乏創新與彈性。3. 短視： 學生傾向掌握在課程時間內能看到成效的設計技能，但缺乏「認知、耐心、學習能力」去掌握更長且更複雜專案所需的技能。
因此，在高度變動的時代，業界挑選的目標人才，是那些有自己故事與追求、有韌性，且能「創造方法的人」，而不是在特定方向最熟練或成果最可預期的人。
總結
本次論壇清晰地描繪了圖書資訊專業在 AI 時代的嶄新定位：從傳統的書目控制者和守門人，轉型為具備語意工程和資料治理能力的知識架構師和資料策展人。圖資專業的核心在於「組織與傳遞知識」，這與 AI 時代對結構化、乾淨、可追溯的知識內容的需求完全契合。學界應著重培養學生的韌性、解決複雜問題的能力，並將圖資核心知識與現代技術工具（如 Python、JSON、向量資料庫、RAG）結合，以縮小學用落差。
註：本篇紀要由NotebookLM協助整理，並由Google Gemini產生紀要圖像。
