C16-AI原生軟體工程師(AI-Native)_軟體工程開發部

我們是雄獅旅遊的軟體產品開發團隊，直接面對旅遊產業的真實業務環境。
旅遊科技涉及多種角色、既有系統、外部依賴，以及持續變動的業務條件。工程師需要在使用者體驗、系統整合、資料正確性、安全性、可靠性與交付速度之間做出取捨，而不只是完成單一功能。
具體任務會隨產品階段與實際證據調整。進入招募流程後，我們會在適當階段提供雙向了解與評估所需的資訊。

【**關於這個角色**】

●我們不以寫了多少程式碼定義工程師的價值。
●我們正在尋找 **Software Engineer, AI-Native Engineering**：以軟體工程為基礎，將 AI 納入日常工作，從發現問題一路推進到產生實際成果。隨著 AI 能承擔越來越多實作工作，工程師的重心也從「如何實作」逐漸轉向「什麼值得實作」、「如何驗證」，以及「如何創造新的可能性」。
●我們期待你是一位 **具有工程精神的創造者**：善用 AI 與 AI Agent 放大判斷力與執行力，主動辨識哪些工作可以委派、哪些決策必須由自己掌握，並將時間投入更具影響力的問題。
●這個角色不只開發產品功能，也會參與改善團隊用於研究、實作、測試與驗證的 AI 工作流程。
●你面對的是真實產品與既有系統中的問題。具體任務可能隨產品階段與證據改變，我們不會預先將工作包裝成固定的功能清單。我們期待你在掌握必要資訊後，找出真正值得投入的問題，建立可驗證的方案，並將成果可靠地推進至實際環境。

---

【 **你將負責**】

●理解並定義問題

• 從使用者回饋、產品流程、系統、資料或開源社群中，發現值得解決的問題
• 在資訊不完整時，區分事實、假設與未知，建立可驗證的問題定義
• 先判斷問題是否值得現在投入，而不是直接開始實作
• 主動取得必要資訊，並與產品、業務及其他工程團隊建立共同理解

●設計並交付解法

• 快速建立重現案例或原型，驗證問題與解法
• 在產品、服務、系統整合或工程工具中完成必要修改
• 同時考量可靠性、安全性、相容性、可維護性與使用者體驗
• 將通過驗證的方案推進至正式環境，並持續觀察實際結果
• 對最終成果負責，而不只是完成單一任務

●建立可靠的回饋循環

• 使用適合問題層級的自動化測試與契約驗證保護既有行為
• 改善 CI/CD、測試環境、可觀測性與開發工具
• 為 AI 輔助系統建立評估案例、品質指標與失敗分析機制
• 讓問題可以重現、修改可以驗證、正式環境中的結果可以觀察
• 清楚揭露尚未驗證的假設與風險

●改善團隊的 AI 工程系統

• 設計適合交由 AI Agent 執行的研究、實作、測試與驗證任務
• 將大型問題拆成具備明確背景、契約、成功條件與失敗處理方式的工作單元
• 建立評估器、測試工具與可觀測性，判斷 AI 工作流程是否真正有效
• 找出 AI Agent 經常失敗、誤判或浪費資源的環節
• 改善提示詞（prompt）、技能（skill）、脈絡建立、工具與協調機制
• 將有效的個人工作方式沉澱為團隊可重複使用的能力
• 讓部分工作能在無須持續人工監看的情況下安全執行，並在失敗時停止、留下證據或交回人工處理

---
【我們如何工作】
我們有明確的產品與業務目標，但不希望工程師只是被動接收已經拆好的任務。
團隊以問題、證據與決策為中心：

• 使用 AI 協助整理專案進度、測試結果、風險與待決事項
• 工程師可以主動提出問題、建立原型，並用證據判斷是否值得繼續投入
• AI 工作流程、AI Agent、評估機制與可觀測性，也是團隊持續改善的工程系統
• 我們鼓勵將重複工作交給自動化，讓人的時間投入在問題選擇、架構、驗證與關鍵判斷
• 在合理範圍內提供充足的 AI 工具與 token 額度，讓工程師能依問題選擇合適的工作方式

AI 產生的進度摘要用於補充資訊與協助決策，不會用來計算個人 commit 數、工作時數或活動分數。

【自主與責任】
高度自主不代表單打獨鬥，也不代表所有風險都由個人承擔。

• 你需要對分析品質、工程決策、驗證證據與結果追蹤負責
• 重要產品方向與高風險決策，會先建立明確的共同理解
• 資訊不足時可以提出假設並設計實驗，不需要假裝自己知道答案
• 我們不期待每次判斷都正確，但期待你能根據證據快速發現並修正錯誤

---

【我們重視】
●Problem over Code｜問題重於程式碼
我們不以程式碼行數衡量貢獻。刪除不必要的程式碼，可能比新增大量功能更有價值。我們在乎的是：**你是否找到了真正值得解決的問題。
●Judgment over Implementation｜判斷重於實作
AI 能產生大量方案；我們需要的是判斷力——哪個問題值得處理？哪個方案值得採用？哪些取捨可以接受？何時應該停止？如何知道自己做對了？
●Ownership over Tickets｜成果重於任務
我們期待你主動推進完整過程：
> 發現問題 → 建立理解 → 提出假設 → 驗證 → 推動 → 觀察結果
你不需要等到需求被完整拆成工作單才開始建立理解；但 ownership 也包含主動對齊目標、揭露風險，並在需要時尋求協作。
●Leverage over Repetition｜槓桿重於重複投入
我們重視可持續放大的工作方式。透過 AI、自動化與良好的系統設計移除低價值的重複工作，以更短的回饋循環創造更大的成果。
●Curiosity over Certainty｜好奇重於確定
我們不期待你知道所有答案。我們期待你願意承認不知道、快速建立理解、提出假設、透過實驗驗證，並在證據改變時調整判斷。
---
【工程環境】
工作可能涉及前端、後端、API 契約、系統整合、自動化測試、CI/CD、可觀測性，以及團隊自建的 AI 輔助工程流程。確切的技術組合與內部架構，會在適當的招募階段說明。
你不需要預先熟悉團隊的所有工具。我們更重視你能否快速理解陌生系統、遵循既有契約、建立驗證，並做出適合正式環境的工程決策。
---
【我們特別歡迎這樣的你】

• 喜歡研究陌生的程式碼庫，遇到問題會主動往下追查
• 能建立重現案例、提出假設，並用證據逐步縮小問題範圍
• 能辨識需求、資料與 API 契約之間的不一致
• 能設計有意義的測試，而不只是提高測試覆蓋率
• 能清楚說明方案、取捨、風險與停止條件
• 對 AI 與 AI Agent 的能力邊界感到好奇
• 會主動建立工具，消除重複工作
• 能將看似不可能的事情，拆成可以逐步驗證的小問題
• 有開源貢獻、個人專案、黑客松或自建工具的經驗

＊以下經驗是加分條件，但不是必要條件：
1. 前端、後端、API 串接或跨系統開發
2. 跨系統整合或其他高可靠性軟體系統
3. 權限管理、資料隔離、安全性或隱私保護
4. Schema validation、code generation 或 contract testing
5. Tool calling、structured output、AI Agent 工作流程或 LLM evaluation
6. CI/CD、整合測試、可觀測性或發布流程
7. 既有系統現代化
你不需要符合傳統工程師的履歷模板。我們更在乎：
> **你做過什麼，以及你是怎麼做到的。**

---

【**這個角色不是**】

• 只負責提示詞工程（prompt engineering）的角色
• 只建立展示型原型，卻不處理正式環境限制的角色
• 以訓練基礎模型為主要工作的機器學習研究職
• 只接收完整規格並完成指派任務的純執行角色
• 要求每一項工作都必須使用 AI 的角色
• 讓模型在缺少授權、驗證與系統邊界時，直接決定高風險結果的角色

我們重視軟體工程、產品判斷與可靠交付；AI 是放大這些能力的工作環境。

且我們不以你是否熟悉旅遊產業來判斷潛力。領域知識可以學習；建立理解、驗證假設並負責任地交付，才是這個角色的核心能力。
---
【**我們不要求你符合所有條件**】

特定框架、技術棧或傳統職稱經驗，都不是必要條件。如果你能證明自己具備以下能力：

• 快速學習
• 獨立解決陌生問題
• 善用 AI 與工具放大自己的能力
• 做出良好的工程判斷
• 建立可靠的驗證方式
• 對結果負責
• 對創造新事物有強烈動機

我們很期待認識你:))