NCCU 課程推薦 POC：從 100 種職涯出發，AI 在 2,718 門政大課綱中導航
這個 POC 的起點，是 Xchange Mentorship 中 Lynne 提出的 Career to Course 構想——為了驗證這條路走得通，我先把它做出來。系統以政大 2,718 門真實課綱為知識庫：學生從 100 種職涯路徑取得課程組合推薦，或直接提問、由 AI 檢索課綱回答，每個答案都有課綱出處可追溯。
專案概述與核心痛點
先把想法做出來，讓證據說話。
100 種職涯 × 2,718 門課綱 × 每個答案可追溯
這個 POC 的起點不是我自己的題目。在 Xchange PM Mentorship 中，Lynne 提出了 Career to Course 的產品構想：「讓對職涯有想像的學生，從職涯目標出發找到該修的課」。為了協助這個構想落地，我決定率先動手，把核心假設做成一個可以實際操作的 POC：NCCU Course Map 👈。
痛點很具體：政大 114-2 一個學期就開出 2,718 門課。既有的課程查詢系統是「搜尋型」的——它預設你已經知道要找哪門課；但真正需要幫助的，是「對未來職涯有想像、面對上千門課卻不知道從哪裡開始」的學生。課綱資訊其實都在，缺的是一條從「我想成為什麼」走到「我該修什麼」的路。
NCCU Course Map 以政大全校 2,718 門真實課綱為知識庫，提供兩種模式：職涯推薦——從 100 種政大生常選職涯出發（清單外的職涯也能即時生成），AI 解構該職涯所需能力並匹配課程組合；自由問答——直接用自然語言提問，系統分析提問意圖、檢索課綱作答，每個答案都附可追溯的課綱出處。
策略思考
先驗證風險最高的假設
這個構想最大的不確定性不在介面，而在「AI 能不能基於真實課綱，給出可信的職涯選課建議」。所以 POC 直接以全校真實課綱建庫，不用示範資料；推薦與回答全部錨定查得到的課號與課綱原文。走通了，構想就有證據；走不通，也能早一步知道卡在哪。
用 100 種職涯消除空白輸入焦慮
開放式輸入框最大的問題，是使用者不知道能打什麼。我先以 Web Search 彙整「政大生常選的 100 種職涯」，分成商業與管理、金融與財會、行銷傳播與創意等 8 大類做成職涯目錄；同時保留自由輸入——清單外的職涯（例如「職涯教練」）由 AI 即時推導可轉移能力再檢索，而無意義的輸入會被守門機制擋下，不硬湊推薦。
可信度是底線，不是加分項
選課是真實決策，幻覺的代價很高。因此每張課程卡都帶課號、學分與課綱原文連結；問答只引用答案中真正提到的課；檢索不到就誠實回覆「查無資料」，並以防幻覺過濾把不存在的課名擋在輸出之外。
解決方案亮點
職涯推薦：從職涯目標到課程組合
輸入或點選職涯後，系統先拆解該職涯的核心能力，對每一項能力並行檢索課綱、合併成候選池，再由 AI 為整池課程標註分組——核心技能、輔助能力、延伸視野——並附上每門課的推薦理由。100 種預設職涯經離線預算快取可以秒回；「換一批」在前端分頁完成，零等待。
點擊放大 ⤢選擇「產品經理(PM)」後，系統回傳分組課程卡：「01 核心技能」區塊列出專案管理、設計思考與創新、創新創業實作專題等課程，每張卡標示系所班別、授課教師、學分數，並以兩點推薦理由說明該課與 PM 職能的關聯，卡片下方附課綱原文連結。
點擊放大 ⤢職涯目錄以商業與管理（16）、金融與財會（14）、法律公共與政策（16）、行銷傳播與創意（17）等 8 大類收納 100 種政大生常選職涯，附搜尋框與各類數量；展開分類點選任一職涯，即直接觸發該職涯的課程推薦。
點擊放大 ⤢輸入清單外的「職涯教練」後，系統明確標示「政大沒有直接對應『職涯教練』的課程，但以下課程能培養相關的可轉移能力」，並推薦諮商與心理治療實務、全職諮商實習等課程——對超出邊界的輸入誠實以對，而不是硬湊答案。
職涯推薦流程圖：職涯解析＋並行 RAG
點擊放大 ⤢自由問答：把課綱變成可以對話的知識庫
問答模式的重點在「先聽懂再回答」。系統先分析提問意圖——多輪對話中的簡短追問會與上下文合併、改寫成可獨立檢索的問題，再拆成多路聚焦查詢；檢索結果經 AI 重排、只留最相關的課綱進入上下文；答案以結論先行的結構串流生成，最後附上引用課綱與追問建議。
點擊放大 ⤢在自由問答模式詢問「如果想修適合成為 AI PM 的課」，系統先給出「懂 AI 本體＋懂產品／商業＋懂治理與倫理」三條修課路線的結論，再以表格逐課列出人工智慧方法與工具（AI 中心）、生成式 AI 應用與倫理實務（應數碩）等課程的系所與重點；底部顯示對話輪次，可就同一脈絡繼續追問。
自由問答流程圖：意圖分析＋多路檢索
點擊放大 ⤢知識庫建置流程圖：從官方課表到向量知識庫
兩種模式共用同一座知識庫。它的建置從政大官方課程總表出發：解析去重出 2,718 門唯一課程、逐課抓取課綱全文、由 AI 生成「課程 ↔ 職涯能力」橋接段落，最後把課名與系所標頭注入每個分塊——確保檢索時模型永遠看得到完整脈絡。
點擊放大 ⤢專案成效與商業影響
從構想到可公開試用的產品
POC 已部署上線，任何人都能實際操作兩種模式。端到端驗證了「真實課綱 RAG、可追溯引用、清單外守門」這條技術路徑可行——推薦有理由、回答有出處、查無資料不裝懂。
先替 Lynne 探路，把心力留給更有價值的環節
這個 POC 更重要的目的，是確保 Lynne 的想法真實、可快速落地。技術路徑先走過一遍，Lynne 實作時就有可依循的引導——哪裡有坑、哪裡可以直接沿用，都已經有答案。這讓她能把心力集中在更有價值的環節：需求探索、成功定義與產品驗證，而不是在有限的交付時間裡被技術細節卡住，付出看不見的隱性成本。
POC 的方法論：最小可信版本先行
Coding Agent 把「想法」與「可操作產品」之間的距離大幅縮短。與其在會議裡辯論構想可不可行，不如先做出最小可信版本，讓真實資料與真實操作說話——這正是這個 POC 想示範的工作方式。