zh

Vibe Coding - AI加速軟體開發的新時代

軟體開發正在經歷一場重大轉變。隨著大型語言模型（LLMs）的興起，開發者正在採用一種名為 Vibe Coding 的新方法論——這是一種以對話和迭代為核心，讓AI在將想法轉化為可運作軟體過程中扮演關鍵角色的開發方式。本質上，Vibe Coding 強調邏輯規劃、活用AI框架、持續除錯、建立檢查點，以及向AI工具提供明確上下文。它聚焦於速度、實驗性與AI與人類之間的協作。

Vibe Coding，或稱為 vibecoding，是一種現代化的軟體開發方法，透過自然語言提示來指導AI系統產生程式碼。這個術語由電腦科學家 Andrej Karpathy 於2025年2月提出，並迅速在科技界廣泛傳播。Vibe Coding 的目標是大量減少手動編碼，依賴如 ChatGPT、Claude、Copilot 和 Cursor 等AI編碼助手。

在實踐中，使用者以自然語言描述希望軟體具備的功能，AI解讀這些指示並自動生成程式碼。使用者測試輸出結果，與AI互動進行除錯，並反覆迭代，直到軟體按預期運作。這種高度對話式的方法以與AI的協作為中心，Karpathy 將這種經驗總結為：「我只看到事情、說出需求、執行程式、複製貼上，結果大多能運作。」

Vibe Coding 的心態由幾個關鍵原則定義。它優先考慮以自然語言輸入需求，而非手動撰寫程式碼，信任AI負責大部分開發工作，並且重視快速原型製作而非一開始就追求完美。目標是先構建出能運作的版本，僅在必要時進行細部優化，並接受一定程度的瑕疵，特別是在非關鍵或實驗性專案中。此外，Vibe Coding 降低了軟體開發的門檻，讓即使是初學者也能創造出功能性軟體。

Vibe Coding 的典型應用場景包括新想法的快速原型開發、小型個人效率工具的構建、在AI指導下學習新框架或程式語言，以及加速新創公司和小團隊的MVP（最小可行產品）開發。然而，它也有局限性。AI生成的程式碼可能混亂或低效，當使用者無法深刻理解AI編寫的程式時，除錯可能更加困難。對於需要高度可靠性、安全性和可維護性的生產等級系統，並不建議採用Vibe Coding。過度依賴未經充分審查的AI輸出，亦可能帶來重大風險。

與傳統的AI輔助程式設計相比，Vibe Coding 涉及更高程度的對AI系統的信任。在Vibe Coding中，使用者允許AI生成大部分甚至全部程式碼，進行最小限度的人工審查，並專注於快速實現可運作的成果。而在傳統AI輔助編碼中，開發者仍然掌握主導權，將AI作為輔助工具，並且嚴格進行代碼審查，對最終產品負責。儘管Vibe Coding適合快速推進的項目和非關鍵應用，傳統的編碼方法在生產系統中依然不可或缺。

為了成功運用Vibe Coding，開發者需要具備幾項核心技能。邏輯規劃至關重要——在開始提示之前，清楚地規劃要構建的內容。了解如 Rails、Django、Next.js 等對AI友善的框架，可以加速開發進程。透過Git或雲端快照頻繁建立檢查點，能確保穩定性並降低不可逆錯誤的風險。開發者必須在除錯時保持紀律，經常回到乾淨的基礎狀態以防止技術債堆積。上下文管理同樣關鍵：向AI提供完整的專案背景、相關文件及環境細節，可顯著提升生成程式碼的準確性。

選擇合適的工具亦扮演重要角色。Cursor 提供在專業本地環境中與AI深度整合的體驗，適合需要專注開發的項目。Windsurf 則針對快速原型開發和高頻率提示優化，非常適合進行實驗。Replit 則提供即時線上編碼和強大的多人協作能力，非常適合用於共同實驗和展示原型。

來自 Y Combinator 的合夥人 Tom Blomfield 分享了進階的 Vibe Coding 技巧，強調規劃、測試與模組化的重要性。他建議開發者在編碼前用Markdown規劃好專案結構，優先考慮整合測試而非單元測試，並在各層面上善用AI（如網站託管、資產生成等）。遇到問題時，切換不同的LLM（如Gemini、Claude或Sonnet）往往能找到更好的解法。利用語音輸入和截圖工具（如Aqua）可以加速與AI的溝通。同時，保持程式碼的模組化（小且清晰的檔案）有助於人與AI的協作，即使專案規模擴大，也能透過定期重構維持程式品質。

Vibe Coding 的工作流程十分直接：清晰地向AI描述功能需求，生成初步實作，測試結果，必要時與AI協作除錯，儲存進度，然後重複這個循環。這種迭代流程讓開發者能夠更快速地建構複雜應用程式，而不受傳統開發瓶頸的限制。

Vibe Coding 正在重塑軟體開發的格局，使建構軟體變得更快速、更具可及性與更具實驗性。它讓開發者能以低成本迅速探索各種創意，但也需要謹慎管理，以確保品質、安全性與可維護性不被犧牲。雖然Vibe Coding非常適合用於快速原型、個人專案、學習練習和早期MVP開發，但對於任務關鍵型或企業等級的應用，傳統的編碼實踐依然至關重要。透過理解並掌握Vibe Coding的優勢與限制，開發者能在現代軟體開發中解鎖更高的生產力與創新力。

使用 Hugging Face smolagents 建立程式代理人

在快速演進的 AI 世界中，代理人（Agents） 成為最令人興奮的前沿領域之一。多虧了 Hugging Face 的 smolagents，現在建立專業化、安全且功能強大的程式代理人變得前所未有地簡單。在本文中，我們將探索代理人發展歷程、學習如何建立程式代理人、討論安全執行策略、了解如何監控與評估代理人，最後設計一個深入研究型的代理人。

代理人簡史：走向更高自主性的道路

代理人在過去幾年中經歷了巨大的演變。早期的 LLM 應用是靜態的：用戶提問，模型回答。沒有記憶、沒有決策、也沒有真正的 "自主性"。

但研究人員渴望更多：能夠規劃、決策、適應、並自主行動的系統。

我們可以將自主性視為一個連續光譜：

• Level 0：無狀態回應（傳統聊天機器人）
• Level 1：短期記憶與推理（ReAct 模式）
• Level 2：長期記憶、動態工具使用
• Level 3：遞迴自我改進、自主設定目標（仍在研究中）

早期的代理人嘗試面臨 "S 曲線" 效益挑戰。最初，自主性增加反而帶來更多混亂。但隨著提示工程、工具使用與記憶架構的進步，我們正攀登第二段斜坡：代理人終於變得真正有效。

今天，藉由像 smolagents 這樣的框架，你可以輕鬆建立能撰寫、執行、甚至除錯程式碼的代理人。

介紹程式代理人（含範例）

程式代理人 是專門用來生成並執行程式碼以達成目標的代理人。他們不只是回答，而是以程式行動。

讓我們用 Hugging Face 的 smolagents 建立一個基本的程式代理人：

from smolagents import Agent

agent = Agent(system_prompt="You are a helpful coding agent. Always solve tasks by writing Python code.")

response = agent.run("Write a function that calculates the factorial of a number.")

print(response)

發生了什麼事？ - 初始化一個具有系統提示的 Agent。 - 使用 run 來執行使用者查詢。 - 代理人透過撰寫並執行 Python 程式碼回應。

範例輸出：

def factorial(n):
    if n == 0:
        return 1
    else:
        return n * factorial(n-1)

安全執行程式碼

執行任意程式碼具有風險。即使是善意的代理人也可能： - 嘗試使用未定義的指令。 - 匯入危險模組。 - 進入無限迴圈。

要建立安全代理人，必須做到：

1. 捕捉例外：

   try:
       exec(agent_code)
   except Exception as e:
       print(f"Error occurred: {e}")
   

2. 過濾未定義指令：

3. 使用受限的 globals 和 locals 字典執行 exec。

4. 防止危險匯入：

5. 掃描程式碼中是否包含如 os、subprocess 等危險關鍵字。

6. 或選擇性地禁用部分 built-ins。

7. 處理無限迴圈：

8. 在獨立執行緒或程序中運行程式碼並設定超時。

9. 沙箱化執行：

10. 使用 Python 的 multiprocessing，甚至是 Docker 隔離關鍵應用。

安全執行範例：

import multiprocessing

def safe_exec(code, timeout=2):
    def target():
        try:
            exec(code, {"__builtins__": {"print": print, "range": range}})
        except Exception as e:
            print(f"Execution error: {e}")

    p = multiprocessing.Process(target=target)
    p.start()
    p.join(timeout)
    if p.is_alive():
        p.terminate()
        print("Terminated due to timeout!")

監控與評估代理人

好的代理人不僅要建構，還要持續監控與改進。

使用 Phoenix.otel —— 一個基於 OpenTelemetry 的工具，來監控 LLM 應用程式。

需追蹤的關鍵指標： - 延遲（回應時間） - 成功／錯誤率 - Token 使用量 - 用戶回饋

整合範例：

from phoenix.trace import init_tracing

init_tracing(service_name="code_agent")

# 你的代理人程式碼
agent.run("Write a quicksort algorithm.")

透過此方式，每次代理人互動都會自動追蹤並傳送到遙測後端。

你可以視覺化執行過程、錯誤與資源使用情況，持續優化代理人。

建立深入研究型代理人（使用 Tavily Browser）

有時候，單純撰寫程式碼還不夠 —— 代理人需要研究、檢索資訊，並基於即時資料行動。

我們可以使用 Tavily Browser 為程式代理人加持，打造檢索增強生成（RAG）能力。

範例：

from smolagents import Agent
from tavily import TavilyBrowser

browser = TavilyBrowser()
agent = Agent(
    system_prompt="You are a deep research coding agent.",
    tools=[browser]
)

response = agent.run("Find the latest algorithm for fast matrix multiplication and implement it.")
print(response)

現在你的代理人可以： - 搜尋學術論文。 - 抽取最新的方法論。 - 動態撰寫並執行程式碼。

結合推理、執行與即時檢索的代理人，開啟了全新層級的能力。

結語

我們正進入一個代理人能自主推理、編程、研究與持續改進的新時代。

有了像 Hugging Face smolagents 這樣的輕量級框架，加上 Tavily 的強大檢索功能與 Phoenix.otel 的監控工具，建立安全、強大且可監控的程式代理人已觸手可及。

自主編程的疆界已全面展開。

你會打造什麼？

LangSmith - 建立過程中的可視性與追蹤

隨著LLM（大規模語言模型）驅動的應用程式越來越複雜，了解系統背後的運作變得至關重要——這不僅對調試至關重要，還有助於持續優化和確保系統可靠性。在這方面，LangSmith發揮了重要作用，為開發者提供了強大的工具來追蹤、可視化和調試其AI工作流程。

在這篇文章中，我們將探討LangSmith如何通過追蹤功能為你的應用程式提供深度可觀察性，從而實現更高效且透明的開發過程。

使用 @traceable 進行追蹤

LangSmith追蹤功能的基石是 @traceable 裝飾器。這個裝飾器是一種簡單有效的方法，用來記錄Python函數的詳細追蹤信息。

它是如何運作的

通過將 @traceable 應用到一個函數，LangSmith會在每次調用該函數時自動生成一棵運行樹。這棵樹將所有函數調用鏈接到當前的追蹤，並捕捉以下重要信息：

• 函數輸入
• 函數名稱
• 執行元數據

此外，若函數引發錯誤或返回回應，LangSmith會捕捉到這些信息並將其添加到追蹤中。結果會實時發送到LangSmith，讓你可以監控應用程式的健康狀況。重要的是，這一切發生在後台執行緒中，確保應用程式的性能不受影響。

這種方法對於調試或識別問題的根源至關重要。詳細的追蹤數據讓你能夠追溯錯誤的源頭，並迅速修正代碼中的問題。

代碼範例：使用 @traceable

from langsmith.traceable import traceable
import random

# 將 @traceable 裝飾器應用到你想追蹤的函數
@traceable
def process_transaction(transaction_id, amount):
    """
    模擬處理金融交易。
    """
    # 模擬處理邏輯
    result = random.choice(["success", "failure"])

    # 模擬錯誤，演示使用
    if result == "failure":
        raise ValueError(f"交易 {transaction_id} 由於資金不足而失敗。")

    return f"交易 {transaction_id} 已處理，金額為 {amount}。"

# 調用函數
try:
    print(process_transaction(101, 1000))  # 預期成功
    print(process_transaction(102, 2000))  # 預期引發錯誤
except ValueError as e:
    print(e)

解釋：

• @traceable 裝飾器會在每次調用 process_transaction 函數時記錄詳細的追蹤信息。
• 輸入（如 transaction_id 和 amount）會自動捕捉。
• 執行元數據（如函數名稱）也會被記錄。
• 如果發生 錯誤（如第二次交易），LangSmith會捕捉錯誤並將其與追蹤關聯。

為更豐富的追蹤添加元數據

LangSmith允許你與每個追蹤一起發送任意元數據。這些元數據是一組鍵值對，可以附加到你的函數運行中，提供額外的上下文信息。以下是一些示例：

• 生成運行的應用程式 版本
• 運行發生的 環境（例如：開發、測試、上線）
• 與追蹤相關的 自定義數據

元數據在需要過濾或分組運行時特別有用，這可以讓你在LangSmith的UI中進行更精細的分析。例如，你可以按版本分組追蹤，監控特定變更對系統的影響。

代碼範例：添加元數據

from langsmith.traceable import traceable

@traceable(metadata={"app_version": "1.2.3", "environment": "production"})
def process_order(order_id, user_id, amount):
    """
    處理訂單並模擬交易完成。
    """
    # 模擬訂單處理邏輯
    if amount <= 0:
        raise ValueError("無效的訂單金額")
    return f"訂單 {order_id} 為用戶 {user_id} 處理，金額為 {amount}"

try:
    print(process_order(101, 1001, 150))
    print(process_order(102, 1002, -10))  # 這將引發錯誤
except ValueError as e:
    print(f"錯誤: {e}")

解釋：

• 元數據 參數被添加到裝飾器中，包含應用程式版本和環境。
• 這些元數據會與追蹤一起記錄，允許你在LangSmith的UI中按這些值進行過濾和分組。

LLM 聊天模型的運行

LangSmith提供了對LLM（大規模語言模型）追蹤的特別處理和渲染。為了充分利用這一功能，你需要按照特定格式記錄LLM的追蹤。

輸入格式

對於基於聊天的模型，輸入應該作為消息列表記錄，並以OpenAI兼容的格式表示。每條消息必須包含：

• role：消息發送者的角色（例如：user，assistant）
• content：消息的內容

輸出格式

LLM的輸出可以以以下幾種格式記錄：

1. 包含 choices 的字典，choices 是字典列表，每個字典必須包含 message 鍵，該鍵對應消息對象（角色和內容）。
2. 包含 message 鍵的字典，該鍵對應消息對象。
3. 包含兩個元素的元組/數組，第一個元素是角色，第二個元素是內容。
4. 包含 role 和 content 直接的字典。

此外，LangSmith還允許包含以下元數據：

• ls_provider：模型提供者（例如：“openai”，“anthropic”）
• ls_model_name：模型名稱（例如：“gpt-4o-mini”，“claude-3-opus”）

這些字段幫助LangSmith識別模型並計算相關的成本，確保追蹤的精確性。

LangChain 和 LangGraph 集成

LangSmith與 LangChain 和 LangGraph 無縫集成，使你的AI工作流程擁有更強大的功能。LangChain為管理LLM鏈提供了強大的工具，而LangGraph則提供了可視化的AI工作流程表示。結合LangSmith的追蹤工具，你可以深入了解你的鏈和圖的表現，從而更輕鬆地進行優化。

追蹤上下文管理器

有時候，你可能希望對追蹤過程有更多控制。這時，追蹤上下文管理器 可以派上用場。這個上下文管理器讓你能夠為特定的代碼區塊記錄追蹤，特別是當無法使用裝飾器或包裝器時。

使用上下文管理器，你可以在特定範圍內控制輸入、輸出和其他追蹤屬性。它與 @traceable 裝飾器和其他包裝器無縫集成，讓你根據需要混合使用不同的追蹤策略。

代碼範例：使用追蹤上下文管理器

from langsmith.traceable import TraceContext

def complex_function(data):
    # 開始追蹤特定代碼區塊
    with TraceContext() as trace:
        # 模擬處理邏輯
        result = sum(data)
        trace.set_metadata({"data_size": len(data), "processing_method": "sum"})
        return result

# 調用函數
print(complex_function([1, 2, 3, 4, 5]))

解釋：

• 使用 TraceContext 上下文管理器來開始追蹤特定代碼區塊（在此案例中是對一組數字求和）。
• 你可以使用 trace.set_metadata() 在上下文中設置附加的元數據。
• 這種方法讓你能夠精細控制在哪裡和何時記錄追蹤，提供了在無法使用 @traceable 裝飾器時的靈活性。

聊天會話追蹤

在許多LLM應用中，特別是聊天機器人，追蹤多輪對話至關重要。LangSmith的 會話（Threads） 功能允許你將多個追蹤組織為單一會話，並在會話進行過程中保持上下文。

追蹤分組

為了將追蹤關聯起來，你需要傳遞一個特殊的元數據鍵（session_id，thread_id，或 conversation_id）和唯一值（通常是UUID）。這個鍵確保與特定會話相關的所有追蹤會被分組在一起，便於追蹤每次交互的進展。

小結

LangSmith為開發者提供了前所未有的應用程式可見性，特別是在處理LLM時。通過利用 @traceable 裝飾器、添加豐富的元數據以及使用追蹤上下文管理器和會話追蹤等先進功能，你可以優化AI應用程式的性能、可靠性和透明度。

無論你是在構建複雜的聊天應用、調試深層次問題，還是單純監控系統的健康狀況，LangSmith都提供了確保開發過程順利進行所需的工具。祝你編程愉快！

使用 LangChain - 從基礎提示到自主代理

隨著大型語言模型（LLMs）如 OpenAI 的 GPT-4 持續演進，讓它們更容易使用與整合到真實世界應用中的框架與技術也不斷推進。不論你是在打造聊天機器人、自動化文件分析，或是創建能推理與使用工具的智能代理，理解如何與 LLM 互動都是關鍵。這篇文章會帶你從基礎開始，使用 OpenAI API 和 LangChain，逐步深入到模組化、結構化，甚至可以平行作業的鏈式功能。

使用 OpenAI 和 LangChain 傳送基礎提示

開發任何 LLM 應用的第一步，就是學會如何發送提示（prompt）並接收回應。

直接使用 OpenAI API：

import openai

openai.api_key = "your-api-key"

response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[
        {"role": "system", "content": "你是一個樂於助人的助手。"},
        {"role": "user", "content": "用簡單的方式解釋量子運算。"}
    ]
)

print(response['choices'][0]['message']['content'])

使用 LangChain（底層仍是 OpenAI）：

from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage

chat = ChatOpenAI(model_name="gpt-4")
response = chat([HumanMessage(content="用簡單的方式解釋量子運算。")])
print(response.content)

LangChain 幫助你隱藏繁瑣的細節，同時開啟進階功能的大門。

使用 LangChain 串流和批次處理回應

LangChain 也讓串流回應與批次處理變得很簡單：

串流回應：

from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler

chat = ChatOpenAI(
    streaming=True,
    callbacks=[StreamingStdOutCallbackHandler()],
    model_name="gpt-4"
)

chat([HumanMessage(content="講一個關於勇敢貓咪的長故事。")])

批次處理：

messages = [
    [HumanMessage(content="什麼是人工智慧？")],
    [HumanMessage(content="介紹一下機器學習。")]
]

responses = chat.generate(messages)
for res in responses.generations:
    print(res[0].text)

迭代式提示工程的重要性

在許多情境中，單次提示通常無法直接得到理想的回應。因此，我們必須進行迭代式提示工程：反覆調整、測試和改進提示，直到引導 LLM 產生符合需求的回應。這種實踐讓開發者可以更好地控制 LLM 行為，提高模型回應的準確性與品質。

抽象與重用提示：使用提示模板

若你發現自己不斷重複類似的提示內容，可以透過提示模板（Prompt Templates）來抽象化提示。這樣做可以提高重用性，減少錯誤，同時讓系統更容易擴展和維護。

探索 LangChain 表達式語言（LCEL）

LangChain Expression Language（LCEL）允許你以優雅且模組化的方式組合鏈（chains）。LCEL 不只讓提示組合變得容易，還能清楚定義每個步驟的輸入與輸出，讓開發複雜流程變得直覺又清晰。

創建自訂 LCEL 功能：客製化 Runnable

當內建元件無法滿足你的需求時，你可以透過自訂 Runnable來擴充 LCEL。自訂 Runnable 讓你可以添加自己的邏輯，插入到鏈條的任意位置，實現高度個性化的行為。

組合與平行作業的鏈

LangChain 允許你串接多個鏈條（chains），甚至可以設計鏈條並行作業。這意味著你可以同時處理多個請求或多個分析步驟，大幅提高整體運算效率和應用的即時性。

深入理解 Chat LLM 的訊息類型

與聊天型 LLM 互動時，我們使用不同訊息類型（message types），例如：

• system 訊息（設定模型角色）
• user 訊息（用戶輸入）
• assistant 訊息（模型回應）

掌握這些訊息類型，才能有效地使用少量樣本提示（few-shot prompting）、思維鏈提示（chain-of-thought prompting），並且透過控制 system 訊息來定義 LLM 的行為與語氣。

聊天記憶：保存對話歷史

為了讓聊天機器人能記住過去的對話內容，我們可以將人類訊息（HumanMessage）和 AI 訊息（AIMessage）儲存下來。這樣可以實現更自然的多輪對話，並且讓 LLM 理解上下文。

定義結構化輸出格式

有時，我們需要 LLM 產生特定結構的回應（例如 JSON 或表格格式）。透過明確地在提示中指定輸出結構，可以大幅提升 LLM 生成可解析資料的可靠度。

結構化資料分析與標記

透過結合 LLM 與結構化資料集合，可以執行如長篇文件分析、自動化分類、標籤生成等多種文本處理任務，讓 LLM 成為強大的資料助手。

超越 LLM：自訂工具與代理

雖然 LLM 很強大，但它們也有侷限。透過創建自訂工具（custom tools）並提供給 LLM 使用，可以擴展模型能力，讓它能查詢外部資料、運算或操作 API。

更進一步，可以打造具備推理能力的智能代理（agents）。代理能根據情境判斷何時使用工具，並將工具的結果整合到最終回應中，實現更複雜的任務自動化。

結語

從單純發送提示，到打造模組化、結構化、甚至具備推理與工具使用能力的智能代理，LLM 應用開發是一場精彩的旅程。掌握 OpenAI API 和 LangChain 的運用，將為你的 AI 開發帶來無限可能！

越南核心銀行市場, 行銷策略與競爭格局

越南的銀行業正快速數位轉型，為核心銀行解決方案供應商帶來新機會。既有的「傳統」核心銀行供應商與新興的「Neo-core」金融科技競爭者皆致力於協助越南的傳統銀行與新興數位銀行現代化其技術基礎。此報告提供市場概覽、探討在B2B金融科技領域常見的行銷管道與客戶取得策略，分析本地與外國核心銀行供應商的競爭態勢（含市場佔有率與定位），並檢視越南銀行的採購行為與決策驅動因素。內容特別為首次進入東南亞市場的Neo-core平台量身打造，提供其行銷與競爭建議。

越南核心銀行市場概況

越南擁有多樣化的銀行體系，包括大型國有銀行、股份制商業銀行、外國銀行分行以及新興的數位銀行。幾乎所有越南銀行在過去20年內都已實施現代核心系統，主要因應交易量快速成長與全球化競爭壓力。銀行目前的關鍵策略優先事項包括：法規合規、資產品質提升、以客戶為中心、數位融合，以及因應新興競爭對手。

儘管如此，許多銀行仍使用過時的核心系統，缺乏自動化、數據分散且維護成本高昂。隨著銀行追求即時、全天候數位服務，升級核心系統的壓力日益加劇。

調查顯示，高達94%的越南銀行高層認為數位轉型遲緩導致新客戶流失。再加上越南超過70%人口為35歲以下，且智慧型手機滲透率接近90%，促使銀行加速現代化。

越南央行（SBV）支持數位創新，鼓勵使用雲端技術與開放API。例如，VIB成為越南第一家使用AWS雲端運行核心系統的銀行，顯示監管機構對雲端核心的開放態度。

另一方面，數位純網銀如TNEX（由MSB創立）、Timo，以及HDBank的數位子品牌「Vikki」，皆選擇Neo-core平台作為其基礎系統，呈現出市場需求的兩極化：傳統銀行升級舊系統，數位銀行尋求靈活、快速部署的新一代核心方案。

越南主要核心銀行供應商概覽

越南的核心銀行市場由本地與國際供應商共同構成，但技術主導地位主要由外國廠商掌握。以下列出主要解決方案供應商（含傳統與Neo-core），其來源、知名用戶、及市場佔有情況：

核心銀行供應商的行銷管道與策略

供應商於越南市場採取的行銷策略，偏重B2B模式，並強調產業信任、專業形象與在地合作。

行銷管道包括：

• 產業論壇與活動：如Temenos、Vilja等皆於越南舉辦銀行科技論壇，展示創新案例並接觸C級主管。
• 策略夥伴與系統整合商：與FPT、CMC、Gimasys等本地IT服務商合作，提升在地化能力與實施支援。
• 內容行銷與思想領導：出版白皮書、案例研究、線上研討會、客戶成功故事，教育市場並建立信任。
• 數位與社群媒體推廣：利用LinkedIn進行精準廣告，發佈成功案例吸引銀行決策者目光。
• 直銷與人脈經營：高接觸度的面對面銷售，包含多次簡報、POC演示與與業界關係人互動。

B2B vs B2C 行銷策略差異

核心銀行平台皆屬B2B性質，供應商面對的客戶為銀行本身，而非終端消費者。然而，成功的供應商會理解並連結銀行的B2C目標，將自家產品定位為提升用戶體驗與加速產品上市的關鍵使能器。

• B2B重點：專業內容、專案ROI、實施能力、與銀行決策者建立信任。
• B2C重點（銀行對消費者）：品牌形象、簡便體驗、社群媒體、生活化推廣。
• 連結兩者：強調核心系統能支援銀行快速推出B2C創新，提升用戶黏著與成長。

越南市場競爭格局

傳統供應商定位：

如Temenos、Oracle等強調其成熟穩定、全面模組與本地案例豐富，爭取保守銀行與大型國有銀行客戶。

Neo-core供應商定位：

如10x、Thought Machine、Mambu強調其靈活性、雲端原生架構、開放API與低TCO，瞄準數位銀行與轉型中的中小型銀行。

當地合作與技術在地化

無論是外資或新創供應商，皆需展示本地支援與合規能力，並在提案中強調SBV法規對應、VND幣別支援、資料主權等本地化要素。

銀行採購行為與決策驅動因素

1. 合規與在地化能力：能否內建SBV報表、支援eKYC、本地支付接口等。
2. 數位轉型願景對齊：是否能支援快速產品創新、API整合與即時處理。
3. 總成本與投資回報：一次性費用與長期維運成本、SaaS計價可擴展性。
4. 技術靈活性與整合性：是否具備微服務、雲原生、模組化、易與CRM與支付整合。
5. 供應商聲譽與支援能力：是否有在地辦公室、成功案例、專業實施團隊。
6. 用戶體驗與B2C使能：能否提供360度客戶視圖、個性化產品與行動優先體驗。
7. 風險可控與分階段導入：是否支援POC試行、模組式遷移、導入顧問與遷移工具。

建議行銷策略

• 建立本地合作夥伴，強化法規與支援信任感
• 利用全球案例建立品牌權威，強調經驗的類似性
• 發表本地洞見與白皮書，例如「越南核心轉型機會報告」
• 主動參與本地產業論壇與金融科技協會活動
• 採用分階段推廣策略，例如先支援銀行推出數位子品牌，再逐步全行部署

泰國核心銀行市場趨勢與展望

隨著數位轉型的推進，泰國銀行業正快速升級其核心系統。核心銀行軟體指的是支援每日交易與帳戶管理的後端系統。根據全球預測，核心銀行軟體市場的年成長率約為 9–10%，預計到 2030 年將達到 216 億美元。在泰國，數位銀行興起與金融科技競爭激烈，使得許多銀行將現代化核心系統列為優先策略。

市場規模與成長（估計）：

資料來源：全球研究機構估算，依全球市場趨勢推導。

泰國各大銀行已陸續宣佈提升 IT 預算，強化數位與核心系統建設，以因應市場對快速、彈性、高可用性的數位體驗需求。

主要核心銀行軟體供應商

採用趨勢分析

本地銀行

• SCB：2024 年開始核心系統大規模更換計畫，預計歷時四年完成。
• KBank：旗下的 LINE BK 採用現代核心（Infosys Finacle），為快速產品上線提供彈性。
• Krungsri（Bank of Ayudhya）：MUFG 持股，與 AWS 合作資料分析平台，顯示對雲轉型的重視。
• TTB、政府銀行：中小型銀行也逐步替換核心系統，以提升效率和合規性。

外資銀行

• 一般使用集團全球核心系統，或區域標準平台進行本地客製整合。
• 受惠於 AWS 泰國區域，雲端部署選擇更具彈性。

數位銀行與新進業者

• LINE BK、TMRW：為本地銀行創建的數位子品牌，使用現代核心系統加速上線與創新。
• 虛擬銀行：2024 年 BOT 宣佈將開放虛擬銀行牌照（預計發出最多 3 張），預期將採用如 Mambu、Thought Machine 等雲原生核心，無需傳統重資本投入。

法規與市場驅動因素

虛擬銀行政策

• 2024 年 BOT 頒布虛擬銀行框架，強調金融包容性、數位創新與風險控制。
• 對核心平台要求高安全性、高可用性與合規能力。

資料本地化與雲端合規

• AWS 宣佈 2025 年在曼谷開設本地資料中心，符合 BOT 對資料駐留的要求。
• 雲服務的合規性提高，銀行可逐步將核心業務轉上雲端。

開放 API 與 PDPA 法規

• 雖未強制開放銀行政策，但銀行協會已倡議開放標準 API。
• PDPA 法上路後，對核心系統的資料管理與審計功能要求更高，促使銀行汰換無法合規的舊系統。

AWS 曼谷雲端區域的影響

• 支援本地部署需求：銀行可安全將客戶資料與交易邏輯部署在 AWS 泰國區域內，符合監管要求。
• 合作案例：SCB、Krungsri、KBank 均已與 AWS 展開合作進行資料、AI 與數位平台建設。
• 加速雲端核心的採用：有助於銀行採用如 Thought Machine、10x、Mambu 等支援 AWS 雲的核心系統。

市場競爭與未來展望

• 競爭白熱化：核心系統更新成為銀行搶佔數位優勢的戰場。早期佈局者（如 SCB）可能建立明顯領先地位。
• 供應商競爭激烈：新興的雲核心（如 Sunline、10x、Thought Machine）與老牌供應商（如 Temenos、Oracle）競相角逐大型合約。
• 以客戶體驗為差異化：擁有現代核心系統的銀行能快速推出創新功能（如即時放貸、無人臨櫃開戶、個人化理財建議），建立數位領先品牌。
• 潛在整併與共享核心平台：中小銀行可能透過聯盟、外包或共享平台降低轉型成本。

小結

到 2025 年，泰國核心銀行市場將見證以下關鍵轉變：

• 頂級銀行中至少有一至兩家完成核心系統替換或進入最後階段；
• 三家虛擬銀行正在以雲原生核心進行部署準備；
• 雲端成為主流選項，AWS 的本地化加速了部署信心；
• 供應商間的競爭推動價格下降與創新加速，銀行轉型意願明顯提升。

川普後時代的全球化

在川普總統任期結束後的今天，世界正試圖重整因其政策而破碎的全球秩序。全球化雖然仍在運行，但其核心價值與領導力量已發生根本性的變化。無論人們對川普的國內政策抱持何種看法，都無法否認他對全球體系造成了深遠而持久的影響。

美國曾經是文化魅力、民主理想與全球領導力的象徵，而如今其「軟實力」已大幅削弱。若說布希政府揭示了軍事「硬實力」的侷限，那麼川普則徹底摧毀了美國透過尊重與敬佩所建立的「軟實力」。創造「軟實力」概念的學者奈伊（Joseph Nye）近期指出，川普削減文化外交項目、政治干預美國之音等行徑，已嚴重損害美國作為榜樣的吸引力。

川普的外交政策是赤裸裸的交易式操作。「美國優先」不再只是一句口號，而是行動指南。他放棄多邊合作的精神，轉而採取雙邊談判策略，刻意利用權力不對等來迫使貧窮或弱小國家接受不平等條件。然而，川普誓言要解決的美國貿易赤字問題，並未因此改善。事實上，截至2025年1月，美國貿易逆差反創歷史新高，達到1,314億美元，顯示他對貿易失衡的理解根本錯誤。貿易逆差的根本原因在於國家的儲蓄率與財政赤字，而非關稅或激進手段。

在國內，川普自詡為良好治理的典範，卻在其億萬富翁內閣中充斥明顯的利益衝突。他聲稱任內毫無利益衝突，卻同時任命與全球商業緊密相關的人士擔任高官。令人遺憾的是，美國社會對此似乎無動於衷，也許是政治疲勞，也許是黨派對立令人麻木。

在世界舞台上，川普更成了娛樂與嘲諷的對象。在義大利，人們調侃「川普讓貝魯斯柯尼看起來很優秀」。在非洲，一些人說「川普讓我們的獨裁者都顯得有品味了」。這些幽默的評論其實透露出一個殘酷的現實：美國的國際領導力與道德權威正面臨瓦解。

更令人擔憂的是，川普對國際法的公然輕視。他無視既有協議，挑戰世界貿易組織的裁決，宣示「只在有利時才遵守規則」。2025年，美國最高法院阻止他援引《敵國外國人法》大規模驅逐委內瑞拉難民，指其違反正當程序；另一案中，川普政府無視法院命令，拒絕將一名遭誤遣返的薩爾瓦多男子送回美國，引發司法界譁然。這些事件突顯出政府高層對法治原則的漠視。

全球秩序本已因民粹主義、不平等與氣候危機而岌岌可危，如今更因美國這一強權無視規則而動搖。當最有權力的國家宣布「規則只適用於他人，不適用於自己」，合作的基石便開始崩解，弱國也將因此暴露於強權壓迫之下。

後川普時代的世界更加破碎：同盟關係遭受考驗，國際組織力量減弱，美國的道德領導地位搖搖欲墜。然而，這場破裂也帶來機會——其他國家有機會挺身而出，新興聯盟有機會孕育而生，更公平的全球化模式有機會誕生。

但若美國希望重新贏得全球信任，必須從謙遜開始，透過一致性重建信譽，並重新承諾那些曾使其成為全球領導者的價值觀——不是靠威脅與壓力，而是靠合作、公平與對法治的尊重。

後川普時代的挑戰，不僅是政策轉變的問題，更是信譽重建的問題。在這個充滿觀望、戒心與期盼的世界中，我們每個人都有責任為未來發聲。讓我們大聲說出：拒絕恐懼，拒絕虛假的經濟政策，拒絕關稅驅動的未來，拒絕一切以犧牲全球信任為代價的短視做法。

未來，不屬於嗓門最大的人，而屬於願意搭橋、而不是燒橋的人。

為什麼人們非得有所感受才會改變

當組織談論變革時，往往從策略簡報、新的架構、調整後的文化與升級的系統開始。領導者蒐集數據、分析趨勢，並設計出合理的轉型計畫。但儘管投入了這麼多心力，真正的改變卻很少能持續下去。為什麼？因為他們忽略了最關鍵的元素──人。

每一場成功的轉型背後，都有一個共同的核心：人類行為的改變。而人類的行為，並不僅僅因為邏輯推理而改變。它會在內心被某種深刻的感受觸動時，才真正產生轉變。即使是在最重視數據分析、最講求理性推論的環境中──即便是那些最頂尖的 MBA 畢業生──真正驅動行動的從來都不是試算表，而是情感。

最有力量的改變，並非始於分析，而是源自一個清晰的瞬間。一個讓人重新看見問題本質的時刻，一個讓人感受到迫切性的時刻，一個讓人心中油然而生「非改不可」的時刻。那正是點燃真正行動動力的火花。你不會因為節稅或房租更便宜而說服一個人結婚；你會因為愛、信念與人生的意義打動對方。在組織裡也是一樣的道理。

這也是為什麼，儘管令人痛苦，危機往往是最強大的催化劑。當恐懼、焦慮，甚至是絕望籠罩時，人們才會願意放下過去那些曾經帶來成功，但如今卻成為阻礙的習慣。正如哈佛商學院一位教授所言：「在沒有迫切危機的情況下，人們會繼續按照他們習慣的方式做事。」這就是人性。我們總是緊抓著熟悉與舒適，直到不舒服的程度讓我們再也無法忽視。

因此，如果你是領導變革的人，不要只是要求新的流程或再交出一份報告。請描繪出局勢的真相，創造出一種緊迫感──不只是訴諸恐懼，更要展現不改變會失去什麼，以及改變後能獲得什麼。讓人們在情感上與使命連結。讓他們真正「感受」到停滯的代價，以及前方機會的可貴。

因為變革，從來都不只是計畫、系統或策略的問題。它關乎信念、關乎希望，更關乎在每個人心中點燃那把火──那把說著「我們可以做得更好，我們必須做得更好，而這一切，從我開始」的火。

真正的轉型，從來不是從頭腦開始，而是從心開始。當你觸動人心時，行動自然隨之而來。

改變自己，成為更優秀的決策者

2025 年 4 月，全球金融市場遭遇了劇烈且突如其來的下跌。標普 500 指數重挫近 5%，創下多年來單日最大跌幅，道瓊工業指數也大跌超過 1,600 點。原因來自川普政府突如其來地宣布一系列新關稅政策，包括對所有進口商品徵收 10% 的統一稅率，並對來自中國、日本與歐盟等主要貿易夥伴的商品加重懲罰性關稅。數小時內，中國迅速反擊，對美國商品徵收 34% 的報復性關稅，引發全球貿易戰的擔憂，進一步加劇經濟不確定性。

這次事件無疑是一記當頭棒喝，提醒我們：當決策並非出於事實、數據與專業諮詢，而是根植於偏見、意識形態與政治戲碼時，將會帶來多麼嚴重的後果。這層層錯誤的決策無視專家警告、經濟預測與長期衝擊，與其說是領導，不如說是被自我驅動的表演，假裝成力量的象徵。

回顧我在攻讀 MBA 的過程中，有一個觀念讓我特別深刻：良好的決策，必須建立在事實與科學方法之上。理論與模型固然重要，但更關鍵的是一種尊重證據、追求真理、樂於接受挑戰的思維模式。歷史不斷證明這一點。

舉例來說，在 19 世紀的醫學界，許多外科醫生曾經拒絕洗手這個簡單的舉動，儘管已有明確數據顯示洗手可以大幅減少感染與死亡。當時他們的抗拒不是因為缺乏知識，而是因為缺乏謙遜。一個微小的行為本可拯救數百萬條生命，卻因為傲慢而延誤多年。這正說明了，即使是最聰明的人，若無視數據、緊抓過時觀念，也會做出錯誤的決定。

這也回到今天的主題：如果你現在下定決心為你的團隊或公司設計一套決策架構，那麼還有一件更重要的事需要改變——那就是你自己。更準確地說，是你對自己的認知，以及你呈現給他人作為決策者的形象。

一位決策者，不只是那個拍板定案的人。他必須能夠激勵他人跟隨行動。決策與領導密不可分——而領導力的判斷，終究掌握在他人眼中。沒有追隨者，就不存在所謂的領導者。要讓他人相信你是領導者，你首先必須被他們視為領導者。

然而，我們長期以來被灌輸的領導印象，卻與有效決策背道而馳。我們習慣將領導力與果斷、大膽、絕對自信畫上等號。心理學家 Gary Klein 曾指出，好萊塢塑造的約翰·韋恩（John Wayne）式人物，成了大眾對領導者的典型印象——那個沉著冷靜的牛仔，一語定方向，眾人隨之而行。沒有猶豫，沒有討論，只有行動。

然而，這種形象比激勵人心更具危險性。

這類「牛仔型」領導者仰賴直覺與經驗，避免表現出自我懷疑，也不樂於接受他人意見。他們壓抑異議聲音，助長集體盲思，在同溫層中做出決策。其結果是什麼？政策混亂、風險升高、體系脆弱。

這樣的情況，不只出現在政壇，也發生在董事會與新創公司中。而真正優秀的決策方式，往往正與這種典型背道而馳。現代領導者應鼓勵多元觀點、擁抱不確定性，並願意在需要時改變主意。這不是軟弱，而是智慧的表現。

當然，在開放討論與果斷執行之間取得平衡，從來不容易。正如 Eric Schmidt 所說：「多元觀點，加上一個期限。」Amazon 的領導原則之一是：「提出異議，但一旦決定就全力以赴。」該辯論時就充分辯論，但一旦做出決策，每個人都應全力支持、專注執行。

這樣的領導力，需要我們徹底改變對領導的認知。我們必須拋棄那種「領導就是英雄」的神話，擁抱一種全新的典範——一種建立在流程、價值觀與集體智慧之上的領導模式。看看那些真正成功的 CEO，他們重視協作，重視嚴謹的決策架構。他們不假裝自己擁有所有答案，而是建立起團隊、系統與文化，讓最好的答案能夠自然浮現。他們為決策負責，卻深知力量來自於整體的過程。

Jim Collins 稱這樣的領袖為「第五級領導者」——在堅定執行力與謙遜人格之間取得完美平衡。他們堅毅、有熱情、全力以赴，但同時也腳踏實地、極富自覺。這樣的領袖雖然稀少，但他們真實存在。而他們的樣貌，與約翰·韋恩或唐納·川普完全不同。

如果一定要找個榜樣，那不如學學荷馬筆下的奧德修斯（Odysseus）。當他面對迷惑人心的賽蓮（Sirens）時，他不相信自己的意志能夠抵擋誘惑。他選擇信任流程，命令水手封住耳朵，並把自己綁在桅杆上。他將決策權交給團隊，相信自己設計的系統比一時衝動來得可靠。他得以生還，不是因為他最強，而是因為他最有遠見。

這才是真正的領導力，這才是正確的決策方式。

這個時代需要的不再是牛仔，而是建築師——那些設計穩健流程、蒐集多元觀點、以真相為根基的領導者。他們勇敢又謙遜，他們不怕承認「我現在還不知道」，因為他們相信：「我們一起，一定能找到最好的方向。」

所以，如果你希望改變你的團隊、改變你的公司、改變你的未來——就先從改變自己開始。

用清晰做決策，用謙遜帶領團隊，用誠信鼓舞人心。 因為，這才是做出更好選擇的起點。 而這，就是領導——向前的力量。

書寫的力量

曾經，我的人生彷彿一片瓦解。那時的我，心碎、崩潰、迷失。當女朋友和我分手時，那不僅是一段關係的結束，更像是我情感世界整個支撐架構的倒塌。朋友們試著安慰我，但沒有人真正明白我內心正經歷的風暴。我感覺自己像是溺水者，被沉默吞沒。

就像命運安排的一樣，我接觸到了喬登·彼得森（Jordan Peterson）的著作。他的話語穿透了我內心的混亂。他談論人們需要為自己的痛苦負責、勇敢面對混沌，最實際的一點——去書寫。他從不把寫日記描述成一種柔軟、感覺良好的習慣，而是一種自我對話的紀律行動，是探索真相與重建人生意義的方式。

於是，我拿起筆。一開始，我只是傾瀉內心的想法——真實、未經修飾、充滿情緒。我寫下這段分手經歷、我的不安、我的遺憾與恐懼。然後，一件出乎意料的事情發生了：我寫得越多，心情就越輕盈。這些頁面成了我的一面鏡子，不只映照出我的傷痛，也讓我看見了內在的力量——是我從未意識到的力量。我不只是努力撐住，我正在療癒。

事實證明，改變不一定得來自巨大的劇變。我們常以為，想要前進，得一次性徹底改造整個人生。但真相是，真正的轉變來自於微小的調整。一篇日記、一段五分鐘的散步、一個在反應前的深呼吸。當這些小小的舉動成為習慣，並與我們的價值觀一致時，它們就能累積出驚人的力量，並帶來深遠的改變。

想像一位體操選手——優雅、有力、穩定。她之所以能完成近乎不可能的動作，是因為她擁有強大的核心力量。當她失衡時，正是這個核心讓她重新穩住。人生亦然。當我們面對挑戰，真正支撐我們的，是我們的心智與情緒核心——我們的思維方式、習慣，以及自我覺察。而要建立這份穩定，我們必須走出舒適圈，挑戰困難。成長，就藏在那裡。

Spanx 創辦人、自力更生的億萬富翁莎拉·布蕾克利（Sarah Blakely）曾分享一段動人的故事：每天晚餐時，她的父親都會問她：「你今天是怎麼失敗的？」他這麼問，不是為了讓她羞愧，而是為了讓她明白，失敗是一種勇氣的象徵——證明她有在嘗試、有在冒險、有在成長。這樣的思維模式，是一份珍貴的禮物。如果我們都能這樣看待失敗呢？不是缺陷，而是努力的勳章。我們能不能學著為自己的嘗試喝采，為自己的勇氣鼓掌？

其實，真正讓我們止步不前的，往往不是外在的世界，而是我們腦中那個不斷自我懷疑的聲音：「我在派對上一定會冷場」、「我根本不夠格拿到那份工作」、「他們的人生都比我精彩多了」……這些，都是故事。它們聽起來真實，卻不是真理。它們只是偽裝成邏輯的恐懼。當我們越相信這些故事，就越遠離真正的自己。

在緊急情況下——火災、墜機——很多人不幸喪命，並不是因為沒有出口，而是因為他們太過依賴原路逃生。他們無法靈活應變，看不見其他選項。我們在人生的情緒危機中，何嘗不是如此？我們固守著舊有的信念、模式、甚至是舊版本的自己，即便這些早已不再適用。

但，總有一條路能通往出口。起點是覺察，是反思，是書寫。

表達性書寫研究先驅詹姆斯·潘尼貝克（James Pennebaker）發現，當人們寫下內心最深層的情緒時，他們的心理與身體健康都會明顯改善。焦慮減少，免疫力提升，看醫生的次數減少，人際關係也變得更加深刻。為什麼？因為書寫讓我們能夠理解那些看似毫無意義的混亂，它為痛苦賦予結構，讓混亂化為清晰。

我當時並不知道，分手後坐下來寫字的那一刻，我做的是一件多麼強大的事情。我重新找回了自己的聲音，開始重寫屬於自己的故事。時間一頁一頁地流過，我漸漸走出了陰霾。

我們每個人都背負著不同的故事——有些沉重，有些未完。但筆，就在你手中。接下來的章節，由你來決定。所以，別再等待命運安排。從一個小行動開始，從一份誠實開始，從一頁紙開始。

書寫。反思。成長。療癒。最重要的是——繼續前行。