學習路線圖 · AI學寫程式路線
階段 6 MCP/優化
應用MCP多鏈提示；GitHub Copilot/Cursor生成完整應用；多語言切換；強調倫理與人類貢獻；建構端到端應用。
觀念教學
最終技術關卡,把你升級成 Agentic 開發者:用 MCP 把 AI 接上外部工具與資料,和 Copilot、Cursor 一起建構端到端應用。
這一階段學什麼
- MCP(Model Context Protocol):讓 AI 透過標準化協定連接外部工具與資料源;流程是 AI 判斷需求、發出請求,經 MCP 架構執行查詢(例如撈 GitHub 程式碼庫),結果回傳給模型彙整輸出
- 多鏈提示應用:把大任務拆成多步驟提示鏈,讓 AI 逐步完成查詢、生成與摘要
- Copilot 與 Cursor 實戰:在編輯器內讓 AI 生成完整應用,體會 Agentic 工具的自主多步驟能力
- 餵最新文件防過時:AI 生成碼常呼叫舊版 API;學會用檢索增強生成(RAG)把最新官方文件接進上下文,從源頭修正
- 多語言切換與倫理:同一邏輯讓 AI 換語言實作;標註人類與 AI 的貢獻,守住著作與責任邊界
為什麼是現在學
階段 5 的 Spec 與整合能力,讓你有資格指揮更自主的 AI;沒有那個底子,Agentic 工具只會放大你的錯誤。這是路線最後一個技術階段,產出直接進作品集。
怎麼練(具體行動)
- 用 Cursor 或 Copilot 從零建構一個天氣 App:查詢 API、顯示介面、錯誤處理
- 設定一個 MCP 連接(如 GitHub 或本機檔案),讓 AI 實際查資料再生成摘要,畫出「請求到回傳」的流程
- 重現一次舊版 API 踩坑:讓 AI 依最新官方文件修正生成碼,記錄前後差異
- 把同一支程式讓 AI 改寫成第二種語言,驗證行為一致
完成標準
- 建構出一個能查即時資料的端到端應用(呼應里程碑:建構端到端應用)
- 能講出 MCP 從請求到回傳的完整運作順序,並實際跑通一條
- 專案文件標明 AI 與人類的分工比例
⚠️ 常見誤區:AI 生成的套件呼叫方式過時卻照單全收 — 生成前餵最新文件、生成後跑測試,兩道保險缺一不可。
走到這裡,你已是能設計 AI 工作流的開發者 — 這正是 AI 原生軟體團隊最搶手的角色。
📝 本節掛載 2 題 iPAS 歷屆試題 — 讀完往下到「iPAS 考題練習」直接實戰。
里程碑
✓ 建構端到端應用
範例專題
天氣App開發
應用場景
iPAS 歷屆考題詳解(2 題)
先自行作答,再展開詳解。題目出處均為 iPAS AI 應用規劃師正式考題,著作權屬原主辦單位。
某團隊希望 AI 自動查詢 GitHub 程式碼庫並生成摘要，決定透過 Model Context Protocol（MCP）實現，由 AI 發出請求再經 MCP 架構完成查詢與回傳。在此情境下，MCP 運作流程的正確順序為何？
- AMCP Server→AI Host→MCP Client→資料查詢→結果回傳 AI Host
- BMCP Client→AI Host→MCP Server→資料查詢→結果回傳 AI Host
- CAI Host→MCP Client→MCP Server→資料查詢→結果回傳 AI Host
- DAI Host→MCP Server→MCP Client→資料查詢→結果回傳 AI Host
看正解與逐選項詳解
正解:C
正確答案:(C)
【正解解析】
MCP(Model Context Protocol)的角色分工:AI Host 是使用者操作的 AI 應用(如 Claude Desktop、Cursor 等),負責發起需求;MCP Client 是 Host 內部建立與管理的連線元件,負責與 Server 之間的協定溝通;MCP Server 對接實際資料來源,負責執行查詢。本情境的流程為:AI Host 發起查詢需求,透過 MCP Client 連線 MCP Server,Server 執行資料查詢(如呼叫 GitHub API 讀取程式碼庫),結果由 Server 回傳 Client,再回到 AI Host 供模型生成摘要,故 (C) 為正確順序。
【為何其他選項錯了?】
- (A):以 MCP Server 為流程起點不符協定設計;Server 是被動提供資源與工具的一方,不會主動向 AI Host 發起流程。
- (B):MCP Client 是由 AI Host 建立與管理的內部元件,由 Host 決定何時透過 Client 對外連線;Client 不會先於 Host 啟動流程。
- (D):AI Host 不直接與 MCP Server 溝通;與 Server 的協定往來由 MCP Client 負責,Host 與 Server 之間必須經過 Client,順序不能對調。
提示:MCP 流程記法:Host 發起、Client 轉送、Server 執行,結果沿原路回傳。
某開發團隊在使用AI 程式設計助手開發資料管線系統（Data Pipeline System）時，發現生成的Python 資料處理套件呼叫方式已是舊版API，與最新官方文件不符，導致部分功能執行失敗。請問應導入何種技術，使系統能在推理過程中即時存取並導入最新外部文件內容，以確保生成結果符合最新API 規範？
- A模型微調（Fine-tuning），將最新文件資料重新訓練進模型權重，讓模型永久記住最新API；
- B知識蒸餾（Knowledge Distillation），將大型文件資料庫壓縮為輕量化的專用小型模型；
- C提示詞快取（Prompt Caching），將常用文件內容快取於提示中，使模型可重複使用既有資訊並降低延遲；
- D透過MCP（Model Context Protocol）工具整合，讓模型在推理時即時存取並整合最新的外部文件內容
看正解與逐選項詳解
正解:D
正確答案:(D)
【正解解析】
題幹需求是「在推理過程中即時存取並導入最新外部文件內容」。透過 MCP(Model Context Protocol)工具整合,模型可在推理時經由標準化協定連接外部資源,即時查詢最新官方文件、API 規格或專案資料,並將查得內容納入生成依據;文件更新後,查詢結果隨之更新,不需重新訓練模型,最能確保生成結果符合最新 API 規範,故 (D) 正確。
【為何其他選項錯了?】
- (A):微調(Fine-tuning)是把文件內容訓練進模型權重的靜態更新;API 文件持續改版,每次更新都需重新訓練,無法達成推理時即時存取。
- (B):知識蒸餾(Knowledge Distillation)是將大模型能力轉移至小模型的壓縮技術,目的在降低部署成本,與即時取得最新文件無關。
- (C):提示詞快取(Prompt Caching)是重複使用已提供過的提示內容以降低延遲與成本;快取的是既有內容,無法保證取得最新版文件。
提示:題幹關鍵詞「推理時即時存取外部文件」對應工具整合;微調與蒸餾改變的是模型本身,快取只是重用舊內容。