2024 – 現在
碩士 - 資訊管理學系
國立政治大學
專注於 LLM 與形式驗證的結合研究，在 SOSLAB (Software Security Laboratory)
進行論文研究。研究主題：應用代理型 LLM 架構和 SMT 求解器分析財務案例法律
Yung Shen (Vincent) HSIA
AI Engineer | Machine Learning Specialist | LLM Application Developer
✦ 用 AI 和代碼創造未來 ✦
關於我
你好，我是夏永紳（Vincent Hsia）
我是一名 AI 工程師與 LLM 應用開發者，目前就讀國立政治大學資訊管理所碩二。我結合了醫療資訊、軟體安全與 AI 系統工程的跨域背景，致力於開發具有實務價值的 AI 解決方案。
我的核心專長包括 大型語言模型(LLM)工程、形式驗證與 AI 系統架構設計。
在學術方面，我在軟體安全實驗室(SOSLAB)從事 LLM 與形式驗證結合的研究，探索 AI 系統的可靠性驗證。我相信 嚴謹的工程實踐是打造可信 AI 系統的基石。
核心優勢
形式驗證專家
結合 LLM 與形式驗證技術，探索 AI 系統的可靠性與安全性驗證
企業實戰經驗
在趨勢科技、國泰世華銀行、中華電信研究院等企業累積了AI應用開發經驗
LLM 工程應用
精通 LLM 微調、RAG、Prompt Engineering 等現代 AI 工程技術，能開發落地產品
跨域技術背景
結合醫療資訊、軟體安全與 AI 系統工程，提供獨特的問題解決視角
3+
年開發經驗
4+
企業實習
2+
學術論文
教育背景
2020 – 2024
學士 - 醫療資訊學系
高雄醫學大學
醫療與資訊管理的跨領域學習，奠定了扎實的資訊基礎
技術技能
🐍 程式語言
Python
C++
JavaScript
Go
HTML/CSS
🌐 Web 框架
Django
Flask
React.js
Angular.js
RESTful APIs
🤖 AI/ML 框架
TensorFlow
PyTorch
LangChain
LlamaIndex
AutoGen
🧠 LLM 應用
LLM Fine-tuning
RAG
Prompt Engineering
MCP
Agent Design
💾 資料庫
PostgreSQL
MySQL
MongoDB
Neo4j
ChromaDB
🛠️ 開發工具
Git/GitHub
Docker
CI/CD
Make
Chainlit UI
實習經歷
2025年9月 – 現在
AI 軟體工程師 實習生
聖學科技, 台北
設計並實現自動化報告生成管道，使用 LLM 智能抽取和分析物流數據。開發定製化報告系統，將複雜的業務邏輯通過 Prompt Engineering 轉化為準確的自動化流程，提升報告生成效率 50% 以上。
Python
JavaScript
Django
Angular.js
LangChain
Prompt Engineering
2025年7月 – 8月
AI 軟體工程師 實習生
趨勢科技, 台北
設計並實現 MCP 毒害工具描述的分類器，運用 LLM 和 Prompt Engineering 檢測惡意工具。開發完整的檢測工作流，攔截並阻止有害工具選擇，確保生產環境中自動化工具執行的安全性。該系統已集成至 Trend Micro AI 安全產品線。
Python
LLM
MCP
Prompt Engineering
Docker
CI/CD
2025年3月 – 2026年3月
全端工程師 實習生 (產學合作)
永豐銀行, 台北
開發員工績效評估系統，前端使用 React.js，後端使用 Django，資料庫為 PostgreSQL。設計並實現與 LLM
整合的演算法，確保每位員工的評估報告獨特生成。
Python
JavaScript
Django
React.js
MS SQL
Prompt Engineering
Docker
2024年9月 – 2025年2月
GenAI 工程師 實習生
中華電信研究院, 台北
開發並整合 AutoGen 框架至客服系統，通過多代理協作架構增強自動化和運營效率。設計 Agentic RAG 工作流，將 Agent 和檢索增強生成統一整合。
Python
AutoGen
ChromaDB
Agentic RAG
MultiAgent
Prompt Engineering
2024年7月 – 8月
GenAI 工程師 實習生
國泰世華銀行, 台北
優化 RAG ETL 流程，構建端到端的資料提取、轉換和載入管道。
Python
RAG
ChromaDB
Prompt Engineering
Multimodal ETL
研究經歷
2025年6月 – 2026年6月
研究助理
國立政治大學 & 國立台灣大學
碳信用評估與合規驗證：探索碳足跡和成本效益最優化策略
形式化碳信用監管框架為邏輯約束表示，探索法律合規條件下的最優碳交易策略。實現具有自我糾正能力的 LLM 代理，自動生成、驗證和精化監管邏輯，顯著減少手動編碼工作量。
形式化碳信用監管框架為邏輯約束表示，探索法律合規條件下的最優碳交易策略。實現具有自我糾正能力的 LLM 代理，自動生成、驗證和精化監管邏輯，顯著減少手動編碼工作量。
Python
AutoGen
ChromaDB
SMT Solver
MultiAgent
Formal Method
2025年1月 – 12月
研究助理
國立政治大學 & 中華電信
AI 代理平台在投資分析報告生成研究中的應用
應用形式方法與 LLM 自我糾正工作流，將金管會(FSC)違規案件編碼為邏輯約束表示，通過最優化技術識別最小變更合規解決方案。開發互動式 UI 對話框架，使用戶能按需調整約束，在實際情況中保持解決方案靈活性。
應用形式方法與 LLM 自我糾正工作流，將金管會(FSC)違規案件編碼為邏輯約束表示，通過最優化技術識別最小變更合規解決方案。開發互動式 UI 對話框架，使用戶能按需調整約束，在實際情況中保持解決方案靈活性。
Python
AutoGen
Chainlit UI
SMT Solver
Agentic RAG
MultiAgent
2023年7月 – 9月
研究助理
國立成功大學, 台南
微調 LLaMA-7B 模型，使用 LoRA 在 PubMedQ&A 資料集上進行訓練。評估中達到 68% 準確率和 51% F1 分數。
Python
LLM Fine-tuning
LoRA
PyTorch
Flask
會議與發表
KDD 2025 ML in Finance Workshop
📍 Toronto, Canada
"A Hybrid Framework for Financial Regulatory
Compliance: Integrating LLMs and SMT Solvers for Automated Legal Analysis"
2nd ACM International Conference on AI-powered Software
📍 Seoul, South Korea | 🏅 ACM SIGSOFT Distinguished Paper Award
"Neuro-Symbolic Compliance: Integrating LLMs and SMT
Solver for Automated Financial Legal Analysis"
ACM Transactions on Software Engineering and Methodology
🔄 審查中 | 特刊 2025: Agentic AI in Software
"Architecting Optimized Legal Corrections: A Neuro-Symbolic
Pipeline of Agentic AI Compliance"