跳到主要內容

98-1T 預士榮退環島之旅 Day2

Day 2 路線:
從楓港>台9線>台東>大武>太麻里(沿途騎台9線),最後住在民宿。
-------------

很抱歉雖然我們當兵剛退伍不久,軍中沒有練到體力,每天爆肝加班,做那些無聊的業務,讓我們的體力比大學時期還要更差。

這次到楓港後決定不再往墾丁方向走去,直接轉彎殺入南橫公路(9號公路),直奔台東到達釋迦的故鄉。


一大早起床整理在與龍峰寺的菩薩及師父告別之後起身下山直奔早餐店(龍峰寺有提供早餐給留宿的民眾,但是七點才統一用膳,師父抱歉了沒辦法跟你共度早齋),就遇到這個可愛很跩的小弟弟,我們之間度過了一個愉快的早上。


 從龍峰寺往外看去依山傍水,真不曉得當晚哪來的腿力,我們怎麼騎腳踏車上山的。



趁著太陽公公還沒有完全出來Say Hello,一行人繼續往今天的目標前進,好景不常一上路沒有太遠便遇到了公路車常見狀況---爆胎,還好有萬能的彥宏桑,教導我們如何處理破胎及注意狀況。



正所謂屋漏偏逢連夜雨,在處理破輪過程中,彥宏桑GO to Oh Da Ben,建志的車也好端端的被風吹到水溝裡面去,難道真的被建志說中了,我們就是98-1逆境組???

不論風有多大,雨有多強這趟環島之旅我們堅持要完成,代表著98-1的精神,衝啊!!繼續向我們的目標前進。

騎了腳踏車之後才發現原來台9線是這麼的難以征服,騎了一個多小時才到達雙流社區,路旁沒有7-11的蹤跡,只有一間小小的便利商店,為騎乘更長久的路,所以在此稍作歇息。




南橫公路沿途許多砂石車、大卡車,在騎乘的途中總是被後方呼嘯而來的車子驚嚇。當然也有許多熱情的運將對著我們大喊【加油】,這一聲呼喊足以讓我們振奮精神繼續前進。




經過數個小時之後,我們從平地慢慢爬升到高山,南橫公路的前半段幾乎爬坡路段居多,無法快速前進,時數約莫8公里左右,沿途還有遇到騎小折環島的夥伴,內心不禁對他豎然起敬。

過了許久終於到達傳說中的環島驛站---壽卡鐵馬驛站。壽卡驛站其實就是壽卡派出所,位於台26線及台9線交界處,是南部通往東部必經地點(旁邊還立著『歡迎蒞臨台東』讓人感受到東部熱情)




當天到了壽卡,居然遇到百年難得一見的停水停電,因此驛站特別貼出公告本日休息,無法進入驛站中休息實在令人惋惜,只好在一旁拍照留念,順便在簽名版上留住紀念。(原本後方牆壁的簽名已經全數清除,請大家配合在壓克力板上簽名拍照留念,別造成值班人員的困擾啊)




往台東方向前進,過了壽卡驛站後台9線持續4公里左右的下坡路段,下坡的暢快使我們忘記了當初上坡的沿途咒罵。

搭著愉悅的心情一路滑行至中午休息地點『達仁派出所』,這一趟難道是派出所休息之旅嗎?出門在外求得休息庇蔭處所即可,管他身在何處。




派出所人員也很熱心的招待我們,也介紹達仁當地的特色,讓我們知道原來台東達仁是奇石的生產地,在所內發現了許多漂亮的石頭,所員說這些都是要靠努力和緣份,有悟性的人才能體會其中奧妙。

對於我這個沒有玩石頭的人只覺得紋路十分漂亮,石頭的質地光滑,但是抱起來又是如此的沈重。仔細看了一下牆上還有許多石頭比賽的獎狀。



好心的所員還指引我們要到何處找尋石頭,如果有興趣可以撿起來宅配回家裡擺設,可惜路程離我們的路線約莫5~6公里遠,實在是太陽強烈,雙腿不聽使喚無心前往。

接近下午四點多左右,太陽威力降低許多,為了今晚安置之處我們趕緊回到踩踏之旅。進入台東之後沿著台9線左方是山,右方是海,迎面吹著徐徐海風,使人感受到南陽氣息,忘了城市的喧囂。




沿途看到路標到今天晚上住宿地,太麻里只剩下12公里,心想很快就會到達因此在一旁偷閒,吹吹海風欣賞一下美麗的東部海岸線。



更糟糕的事情發生了,我們進入太麻里鄉之後才得知,住宿地點在『太麻里市』,距離目標似乎還有20多公里,而此時已經接近傍晚六點多,漸漸日落西山。

夜間行車的困難度比想像中的高,沿途有許多貨車爭道,也不知道什麼樣的車子會從後方出現,前方來車速度絲毫不減,對於鐵馬騎士來說真是驚險萬分,還有幾處是沒有路燈的連續下坡路段,好險天佑98-1,我們成功的到達今晚住宿地點。

這間民宿如果不是有人介紹,還真難以尋找,地點就位於『介達國小』旁,民宿主人也十分親切介紹內部設備,雖然我們沒有多作利用就睡了,明天還有一早的行程要跑呢。


一到民宿就把房間用的大亂。


這麼雙人的床舖,當天晚上似乎是三人並排疊在一起睡覺,隔天不知為何屁股有點痛痛的。


 客廳的許多設備我們也都可以使用,只可惜沒有太多時間享受。

這一晚我們睡得很安穩,冷氣也冷到晚上發生棉被之戰,想當然爾----我贏了。

明早才是真正的東海岸之旅....待續

留言

這個網誌中的熱門文章

Vibe Coding:為什麼 Junior 更快上手?Senior 要如何追趕?

現象層面(市場觀察) 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變,非常熱門。 身為 Cympack 產品開發團隊 ,我們也一直關注這個議題,在閱讀這篇文章時觀察到一些有趣的現象,對我們來說,這正好反映出 AI 正在改變開發生態,junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位,其中有些啟發(insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding? 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」,反而 embrace 快速迭代、快速出成果 反觀 Senior: 熟悉大型系統設計 有豐富的「工程正統流程」知識(架構設計、測試策略、效能優化、設計模式) 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師,對 prompt engineering 沒那麼熟練,還在觀望 技能面(未來的關鍵能力) Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢? Prompt 撰寫 / AI 互動 Junior 較強(熟悉 chat-based 流程) 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強(能看出潛在問題) 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding,並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力,但若不主動練習 vibe coding,長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享,希望帶給各位的感受, 『與 AI 協...

Vibe Coding 協作到自建 Dev Agent?從 Claude / Codex 到 OpenHands

過去一年,越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題,到後來很多人愛上 Cursor,直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗,已經大大改變了我們寫程式的方式。 更現實的是,在很多企業內部、政府單位、或涉及機密資料的專案裡, 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理,萬一專案裡有未公開的技術、敏感客戶資料,或是受限於法規 (像金融、醫療、政府標案) ,直接用雲端 AI 工具就會踩 紅線 。  因此,許多團隊反而更希望 「自己架一套 Dev Agent」 ,可以在內網執行,資料完全掌握在自己手上,該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline,全部客製化、安全可控。 這時候,像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手,而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署,從 CLI 操作到瀏覽器查詢, 從多檔案編輯到自動測試,全部都能自己完成,甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說,這是一條 從 「AI 幫你寫一段程式」,走向「AI 幫你解決一整個任務」 的進化路徑。而且,還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」,能模仿人類工程師從建立程式、修改程式碼、執行指令,到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端(OpenHands Cloud)與本地 Docker 運行版本,用戶能配置 LLM(如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用,又或者如果自己本機有 docker 的話,可以自己Local 版本透過 Docker 自架環境。 ...

RAG 和 Prompt 原理超簡單解說!想知道 AI 怎麼找答案看這篇

這篇文章是給對於你已經開始使用所謂的 ChatGPT / Claude / Gemini 之類的 AI 服務,甚至是 Siri (嘿丟,他也是一種 AI 應用服務喔) 簡單來說是非 技術人員, PM,小白,想要趕快惡補的人 ,直接花十分鐘可以看完的一篇科普業配文章。 或者是概念僅止於,AI 這東西會幻想,會有誤差,會對於生活有些幫助但沒有幫助的人們,做個簡單又不是太簡單的介紹,希望用一個非常入門的方式讓你們有個了解。 當然,這篇文章目的很簡單, 就是引流 ,如果你身邊有已經對於 Web 技術開發的人員,歡迎報名分享給他,年末出國不如學一技在身,參加今年我們舉辦最後一場 RAG 實作工作坊,報名連結 , https://exma.kktix.cc/events/ai-for-dev-course-rag-2 注意: 接下來每個大段落結束都會有一段工商導入,但文章絕對精彩,請注意! 為了讓各位容易想像,我們將整個世界的資訊,先濃縮到這本『西遊記』的世界觀當中,我們整個世界都在這個 『西遊記』 ,而 大型語言模型 我們用 『書精靈』 來描述。 PS. 我們先預設各位,應該都有聽過,西遊記!如果沒有聽過西遊記的,請右轉出去,謝謝! 先來談談向量 在《西遊記》的世界裡,我們可以把 向量想像成一種「內容座標」 ,讓系統知道每個角色、場景、法術等的 「位置」和「距離」 。向量幫助語言模型知道不同內容之間的關聯程度。 向量就像內容的「距離」和「位置」 比方說,唐三藏的 「位置」(向量)會接近「佛經」和「取經」 的概念,因為他一路上都是為了取經而前進。孫悟空的 向量位置則會更靠近「金箍棒」和「七十二變」 這些概念,因為這些是他的特徵。 相似內容靠得更近:像「佛經」和「取經」會靠近唐三藏的向量,因為它們彼此有很強的關聯。 相差較大內容會離得較遠:像「取經」和「妖怪」「妖怪的寶藏」就距離比較遠,因為妖怪的寶藏和取經的目標關聯性不大。 是誰決定的這些位置? 簡單來說,這些位置和關係是模型自己學出來的。語言模型會閱讀大量的資料和這世界觀的資訊,觀察哪些詞語經常一起出現,根據「共同出現的頻率」來決定它們的關係,並且自動生成向量。例如: 如果模型看到 「唐三藏」 總是和 「取經」 一起出現,它就會讓「唐三藏」的向量靠近「取經」。 ...