心理AI工程師轉職全歷程
大家好，我是 心岑 Sharinna。
很多人看到我的履歷時，第一個問題往往是：「為什麼會從心理學與教育領域，跨度這麼大轉職成 AI 工程師？」
這張全歷程圖，是我對這個問題最完整的回答。這條路並非直線，而是一場將「人文洞察」與「硬核技術」深度融合的旅程。我想透過這篇文章，帶大家走過我從零到一的四個階段。
🌱 第一階段：莫基期——洞察人心的起點
在接觸程式碼之前，我擁有心理學背景與 6 年的教育現場經驗。這段經歷看似與 AI 無關，卻是我作為工程師最獨特的底層架構。
在教育現場，我學會了如何拆解人類的情緒、行為與需求。我發現，優秀的產品不應該只是功能的堆疊，更需要有溫度的使用者體驗（UX）。這份「高敏感度與內化能力」，讓我現在在開發系統時，習慣先思考：「這對使用者來說，感覺是什麼？」而非僅僅是「程式跑不跑得動」。
⚡ 第二階段：轉折點——你看不到的笨功夫
這張圖的中段，是我人生中轉速最快的時候。
在進入職訓中心前，我給自己安排了 3 個月的高強度自學。我深知轉職者沒有藉口，必須付出雙倍的努力。
累積 52 頁手寫筆記與 466 題以上程式練習，展現高度自律與穩定自學能力。於 7 、8月間，即使仍維持全職工作，也持續利用下班時間精進程式能力，為轉職訓練奠定紮實基礎。
學習初期，我透過系統化課程建立完整觀念架構，包含 TibaMe「Python 輕鬆上手」5小時、程式柴 6小時Python 初學者課程，以及彭彭老師共 44 堂、約 19 小時的入門教學，涵蓋資料型態、流程控制與函式等核心語法。隨後於 Brilliant 平台完成 40 個學習單元與 466 題實作練習，並完成 CodeSignal「Introduction to Programming with Python」課程作為能力驗證。
此自主奠基期使我在正式受訓前即具備穩定學習節奏、扎實基礎與主動拆解問題的能力，成為後續轉職的重要根基。
這展現了我「高度內在驅動 」的特質——把事情「做完」只是及格，「還要更好」才是我的標準。
🚀 第三階段：系統化淬鍊——TibaMe 的魔鬼訓練(2025/10/7-2026/1/9)
接著，我進入了 TibaMe 商務 AI 人才養成班，接受了 3 個月、322 小時的高密度轟炸。
從 Python 基礎、Azure 雲端資料庫到 LLM 開發，這段時間我將零散的自學知識，構建成系統化的技術地基。我學會的不只是寫程式，而是如何設計一個「可擴充、安全且穩定」的企業級架構。
如果說自學是點燃火花，那麼 TibaMe 的 322 小時魔鬼特訓就是將火花煉成鋼鐵的過程。
在這為期三個月的高密度訓練中，我並非僅僅學習語法，而是經歷了一場「從地基到雲端」的 AI 技術重塑。課程從 Python 程式設計的核心邏輯起步，透過函式封裝、模組化設計與虛擬環境管理，建立了穩固的後端開發底蘊。隨後，我深入鑽研了 AI 的兩大核心支柱：NLP 自然語言處理 與 LLM 生成式 AI 開發。
在 NLP 開發實務 (30小時) 與 進階雲端 AI 實務 課程中，我掌握了讓機器「聽懂」與「說話」的關鍵技術。我深入實作了 Azure AI Services，特別是 Language Service用於文字情緒分析與分類，以及Speech Service (TTS/STT) 進行語音與文字的雙向轉換。這些技術不只停留在理論，更直接轉化為我開發語音互動應用的實戰能力，讓我能處理非結構化的語言數據，並將其整合至 LINE Bot 應用中。
而訓練的核心高潮在於 LLM 開發實務 (30小時)。我並非只是呼叫 API，而是深入學習 Azure OpenAI Service 的企業級應用。從 Azure AI Studio 的模型部署、Prompt Engineering (提示工程) 技巧，到結合 向量資料庫 建構 RAG (檢索增強生成)系統，我學會了如何解決 LLM 的幻覺問題，並讓 AI 具備讀取企業私有知識庫的能力。
為了讓這些 AI 模型真正落地，課程更涵蓋了 AI 應用開發與部署。我實作了 Docker 容器化技術，學習將 AI 應用封裝，並部署至 雲端 VM 或 Web Server (WSGI) 環境，確保服務具備高可用性與可移植性。
這 322 小時的淬鍊，讓我從單純的程式學習者，蛻變為一位能駕馭 Generative AI、精通 NLP、LLM 應用，且具備 雲端部署能力的全端 AI 工程師。
【不只 322 小時：看不見的時數--「每天多 5 小時」】
如果說 TibaMe 的 322 小時魔鬼特訓是我的技術地基，那麼下課後那些「看不見的時數」，才是我真正蛻變的關鍵。
但這張結業證書背後，還有另一個故事。
為了彌補非本科系的差距:
「每天下課後，再留校 5 小時 ； 假日，則是我的全職開發日。」
每天超過12小時:當課程結束、同學都回家了，我往往還獨自留在教室到深夜，一直待到晚上九點十點教室熄燈的最後一刻。我利用這些額外的時間，反覆練習白天學到技術，並將大量時間投入到 個人專題《心伴》 與 團體專題 RAG 系統(Multi-Agents) 的深度打磨中。
這不僅是 322 小時的課程，這是一場醒著就在做專題的極限衝刺。這段經歷證明了，我具備的不只是技術，更是「為了把事情做到位，願意付出極致努力」的工程師靈魂。
💎 第四階段：融合與成果——當心理學遇上 AI
這張圖的終點，是我結合「心理魂」與「技術力」的三大實戰成果。我將它們分為個案實作、團體協作與自主深鑽三個層次：
1. 個案專題：《心伴 Mind Companion》—— 有溫度的 AI 陪伴者
我只花三個禮拜獨立全端開發了一個 Line Bot，它不只會聊天，還懂心情陪伴。 為了優化陪伴體驗，我解決了 Azure TTS 語音生成延遲的問題，設計了「文字優先、語音後補」的非同步架構，將等待時間從 13 秒縮短至 2 秒。同時，我實作了自殺風險偵測與私密空間機制，確保 AI 在展現溫度的同時，也嚴守倫理的界線。
2. 團體專題(企業多重代理人Multi-Agents)：企業級 RAG 與 MCP 架構 —— 解決真實痛點
在一個月的團體協作中，我負責解決企業檢索「精準度」的難題。 我導入了 Two-Stage Retrieval（雙階段檢索）➡️ Re-rank（重排序） 技術，成功將企業規章中「精確數值」與「錯字」的檢索準確率從 「找不到」提升至「找到 」。此外，我也實作了 MCP (Model Context Protocol) 協定，將後端封裝為微服務，實現了企業既有系統不用重寫也能被AI使用。
3. 自主技術深鑽：Google ADK 實戰 —— 挑戰前沿架構
我不滿足於既有的 RAG 架構，因此在課程之外，我主動研究並導入了 Google 最新(2025年底)的ADK (Agent Development Kit) 框架。 這是我給自己的一場「加分題」挑戰。我實作了 Agentic Hybrid RAG，讓 AI 具備「動態路由」能力，能根據問題主動判斷要使用關鍵字搜尋、語意搜尋還是全文閱讀。這證明了我不僅能完成指定任務，更具備主動探索未知技術的自學能力。
在冷靜的程式碼中，注入溫暖的靈魂
這張履歷圖的終點不是結束，而是我作為工程師的起點。
我依然保留著心理學的靈魂。我看待 Bug 時保持情緒成熟，看待需求時充滿同理心——在追求技術精準度的同時，始終不忘記使用者的溫度。
這張履歷轉職圖，畫的是過去的軌跡，指向的是未來的無限可能。
👋 更多詳細內容歡迎點擊下方網頁
這裡有更多作品集的介紹:
https://big-eater-ad8.notion.site/Sharinna-2cdc22921e2d8026a051f520c2e53e31?source=copy_link
這是我Linkedin:
www.linkedin.com/in/sharinna-huang-482207391
這是我的個人IG:
