香港老師申請 GitHub Education:免費 Copilot Pro 同 GPT 模型 vibe coding

香港認可院校老師可以申請 GitHub Education(Teacher),免費攞 Copilot Pro,入面有 GPT/OpenAI 模型玩 vibe coding。呢篇講資格、步驟、避坑,同埋點解唔等於美國 ChatGPT for Teachers。

好多香港老師聽過「vibe coding」——用自然語言同 AI 傾偈,叫佢幫手寫 code、改 bug、整小工具——但一睇價錢就卻步:GitHub Copilot Pro 本身係收費計劃。其實若你係認可院校嘅教師/教員/研究員,可以申請 GitHub Education(Teacher),通過之後有機會 免費用 Copilot Pro,入面仲可以揀 OpenAI GPT 系列模型(同 Claude、Gemini、Grok 等),喺 VS Code、JetBrains 等編輯器直接玩。

呢篇用教學說明方式講:你攞到咩、邊啲人啱申請、點申請、點開通 Copilot,同埋香港常見踩坑。官方條款同介面會改,落手前請以 GitHub 當頁為準。

你免費攞到嘅重點福利

通過教師驗證之後,最值得留意通常係呢幾樣:

  • 免費 GitHub Copilot Pro(平時要月費):unlimited completions、Copilot Chat、模型選擇、每月 AI credits 等(以你帳戶當頁顯示為準)。
  • 模型選擇:Copilot Pro 入面可以揀 OpenAI GPT/ChatGPT 血統相關模型(例如 GPT 系列、Codex 等,實際名單會變),亦常有 Claude、Gemini、Grok 等選項——呢個就係「有 ChatGPT 模型」嚟 vibe coding 嘅意思。
  • 免費 GitHub Team:unlimited users 同 private repos(適合科組、專題小組)。
  • GitHub Classroom:派作業、收 repo、睇學生進度。
  • 較高嘅 Codespaces/Actions 額度,同 Teacher Toolbox 資源。

一句:你唔使自己出錢訂 Copilot Pro,都可以喺課堂 demo、或者自己整教學小工具時,用對話驅動 AI 幫手寫同改 code。

邊啲人可以申請(Teacher)

官方要求大致係:

  • 你係認可教育機構嘅 educator/faculty/researcher
  • 有可核實嘅 學校發出電郵
  • 上載文件證明你同學校嘅關係(職員/教員證相片通常最穩陣;唔支援 PDF)
  • 用 個人 GitHub 帳戶 申請

詳細步驟同條件見官方文件:Apply to GitHub Education as a teacher。

重要:老師請選 Teacher,唔好當 Student 申請。 Student Developer Pack 嗰堆合作夥伴優惠係學生線,教師線唔係嗰套。

申請步驟(實務版)

  1. 未有帳戶就先開 GitHub 帳戶;建議即刻開 2FA(雙重認證)。好多學校 IT(例如港大 ITS 公開頁)都強調呢步。
  2. 去 Settings → Billing & plans → Education benefits,按 Start application,身份揀 Teacher。直達:https://github.com/settings/education/benefits
  3. 選學校、填資料;若系統提示,允許定位/喺校園申請會穩陣啲。
  4. 上載清晰證明文件:職員證用 webcam 即影通常好過掃描件或聘書掃描(港大 ITS 公開提示亦提過類似做法)。記住:唔好 upload PDF。
  5. 提交後,審批多數 約 24 小時至幾日;福利生效有時再等,常見說法係大約 72 小時內陸續開通(以你帳戶通知為準)。
  6. 通過後:入 GitHub Education portal,再去 Copilot 設定頁 Get access/claim 免費 Copilot Pro。開通說明見:Set up Copilot for teachers。

Billing 地址可能要填,但 唔一定要綁信用卡——填完申請先。

香港常見被拒原因同避坑

  • 證件相唔清、反光、裁切到睇唔到名/校徽/日期
  • 用 PDF 上載(系統唔收)
  • 揀錯身份(Student vs Teacher)
  • 只用校友電郵、又唔夠「而家仲係教職員」證明
  • 需要校園/定位時你喺屋企申請、又無其他清晰證明

實務建議(綜合官方同本地院校公開指引,例如 HKU ITS:GitHub Copilot):

  • 先開 2FA
  • 填 billing address(唔使亂綁卡)
  • 盡量喺校園、開住定位申請
  • webcam 影職員證 通常比掃描件易過關

另外:Copilot 教師福利會 定期(例如每月)再核對資格。離職、電郵失效、證明過期,都有機會失去免費 Pro——保持學校電郵同帳戶狀態更新。

講清楚:呢個唔係美國「ChatGPT for Teachers」

最近有人見到 OpenAI 嘅 ChatGPT for Teachers 免費方案,以為香港老師都有。要分清楚:

  • 嗰個係 美國 K–12 相關、獨立產品/計劃(宣傳期去到約 2028 年 6 月一類說法),香港老師一般唔會自動攞到 ChatGPT.com 嗰個 Teachers 方案。
  • 你透過 GitHub Education 免費嘅,係 GitHub Copilot Pro 入面可用嘅 GPT/OpenAI 模型(喺編輯器/Copilot Chat 揀模型),唔等於 免費開美國 ChatGPT Teachers 帳戶。

唔好喺同事群組誤傳「申請完就有免費 ChatGPT Teachers」——講錯會令人白等。

Vibe coding 點樣用喺教學

Vibe coding 簡單講:你用中文/英文描述想要咩,AI 幫手生成同修改程式;你負責驗收、改規則、教學生點判斷對錯。

教師通過之後,常見用法:

  • 喺 VS Code 開 Copilot Chat,揀 GPT 類模型,叫佢整「計分試算表腳本」「課堂計時小工具」「簡單網頁練習」
  • Demo 畀學生睇:點樣寫清楚需求、點樣叫 AI 改 bug、點樣拒絕亂加功能
  • 科組用免費 Team/private repo 管理教材同專題

同學生一齊用 AI 時,記得 事先講清楚規則:邊啲作業可以用 AI、要點標明、邊啲必須自己寫、點樣核對輸出對錯。工具係加速器,課堂規範先係安全網。

官方連結(收藏)

如果你係認可院校老師、仲未申請,值得花半個鐘準備證件同 2FA,過關之後就可以免費喺編輯器玩 Copilot Pro 同 GPT 模型 vibe coding。試完記得同學生講清楚使用界線——教得明,先用得安心。

試爆買 M5 Ultra 512GB 滿血版,定分拆多部機?

港行 M5 Ultra 512GB/8TB 近二十萬:同一筆錢分拆多部機,本地部署並行會唔會更抵?512 無完整公開實測,數字作粗估引發思考。

見到 Mac Studio 可以勾到 M5 Ultra、512GB 統一記憶體、8TB SSD,銀碼一跳——港行官方配置頁而家顯示大約 HK$197,249(以 Apple 香港商店 當頁為準,價錢會變)。腦入面第二個聲音就係:同一筆錢,拆成兩部、甚至更多部,會唔會更啱 本地部署——幾個模型、幾條工作流一齊跑?

對照一下上代:Mac Studio M3 Ultra「滿血」一檔,香港當年高配大約 七萬多(視你點配 SSD;例如 PCM 記載 32 核/80 核打爆 512GB + 16TB 官方約 HK$107,749)。而家同檔思維嘅 M5 Ultra 512GB + 8TB 已近 HK$19.7 萬——記憶體仲係 512,但晶片同儲存組合貴咗一大截。正正因為貴,先更值得問:錢係咪一定要塞進一部機。

講清楚先:公開實測而家多落在 M5 Ultra 256GB(例如並發 session、Flash-Next tok/s);512GB 滿血版幾乎未見完整對照數據。所以下面講 512 同「同價分拆」嘅 token/並行,多數係 用 256 實測推上去嘅粗估,目的係 引發思考——唔係保證你落單後會跑出邊個數。真正想帶出嘅係:本地部署時,多部機有咩實際好處。

Mac Studio
Mac Studio

而家邊啲大模型「比較好、比較易」喺本地跑

Apple Silicon 上,普通人最易上手通常係呢幾條路:

  • Ollama:一條指令拉模型,適合先試水。
  • LM Studio:有介面,調 context、睇 VRAM/統一記憶體用量方便。
  • MLX/mlx-lm:多數情況下 Apple 晶片 decode 會快啲、記憶體亦往往慳啲。

「比較好又易」嘅細/中型選擇(2026 年常見、社群討論多):

類型例子(4-bit 量級)粗略權重佔用點解易用
細、快Qwen 約 7B–9B 級約 5–8GB 起裝完即傾,適合草稿、分類、短通告
中、密實Gemma/Qwen 約 27B 級約 15–20GB質素明顯好啲,一部 64GB+ 機好舒服
中、MoE約 30B 總參、每次只起動幾 B(例如 A3B 類)記憶體似中型,速度似細型記憶體換速度好抵,Mac 好啱
大一檔70B 級 4-bit約 35–45GB+要 64–128GB 機先穩陣留 context

經驗法則:4-bit 大約每 10 億參數 0.5–0.6GB,再加 KV cache(context 愈長愈食) 同系統本身。建議總用量唔好長期食爆統一記憶體嘅 75–80%,唔係就開始 swap、token 速度插水。

Ollama 預設超長 context 可以令「細模型」突然好食 RAM——記得自己調低 num_ctx。

一部機同時跑兩個模型:可唔可以?Token 大概點睇

可以。 統一記憶體夠大,Ollama/LM Studio/兩個 MLX server 開住兩個 model 好常見。例如:

  • 一個 9B 負責「快問快答/改語氣」
  • 一個 27B 或 MoE 負責「寫長文、對 code」

喺 512GB Ultra 上,兩個中型模型加長 context 仍然好鬆。問題唔係「入唔入到」,而係:

  1. 頻寬共用:M5 Ultra 約 1.2TB/s 記憶體頻寬。兩個 model 一齊 decode,大家搶同一條喉——各自 tok/s 通常低過「獨佔成部機」。
  2. 你真正想要嘅係邊種: – 要 一個超大模型 或者 好長 context → 單機大 RAM 贏。 – 要 兩條獨立工作流同時全速(例如一邊寫稿一邊跑監測摘要)→ 分拆兩部機,加總 tok/s 往往更高。

以下係 粗估(用公開 256GB/相近晶片數量級推去 512 同分拆;512 無完整公開對照,只係諗法框架):

場景粗估
Ultra 獨跑 9B(MLX 4-bit)大約每秒近百 token 量級
Ultra 獨跑 27B dense 4-bit大約每秒二三十 token 量級
Ultra 獨跑 MoE(約 30B-A3B 類)往往明顯快過同記憶體佔用嘅 dense 27B
Ultra 同時跑兩個 27B 級記憶體仍夠;各自速度多數會打個折(搶頻寬),總吞吐未必等於「兩倍獨跑」
兩部機各跑一個 27B各有自己嘅頻寬 → 加總更接近「兩倍獨跑」

一句:單機 512GB 係「一台巨型共享廚房」;分拆係「兩間細廚房同時煮」——並行任務通常後者加總更快。

Mac mini
Mac mini

用 HK$197,249(512GB/8TB)做餅,點拆

以下價錢取自 Apple 香港商店配置頁(撰稿時核對),方便對比;落單前請再開一次官方頁。

基準

  • Mac Studio M5 Ultra(36 核 CPU/80 核 GPU)512GB + 8TB ≈ HK$197,249

常見「半滿血/較細」Studio

  • Ultra 36/80、256GB + 8TB ≈ HK$110,999
  • Ultra 36/80、256GB + 1TB ≈ HK$84,749
  • Ultra 36/80、96GB + 1TB ≈ HK$54,749
  • M5 Max 18/40、128GB + 1TB ≈ HK$41,749

Mac mini(分拆常用)

  • M5 Pro 18/20、64GB + 1TB ≈ HK$25,249
  • M6、32GB + 1TB ≈ HK$14,049

組合 A:一部 512 滿血

  • 錢:≈ 197,249(一部)
  • 強項:塞得落好大嘅單一模型、超長 context、一個 process 內多 agent 共用大 KV。
  • 弱項:兩個重模型並行時搶同一條 1.2TB/s;壞機/要維修就全家停工。

組合 B:兩部「256GB 級」

  • 例:兩部 Ultra 256GB/1TB ≈ 84,749 × 2 = HK$169,498(仲剩大約二萬幾可以加一部 mini 或者升級 SSD)
  • 或者一部 256/8TB(110,999)+ 一部 Max 128/1TB(41,749)≈ HK$152,748
  • 強項:兩個模型各佔一部機,並行 token 加總通常好過單機雙開;一部維修另一部仲用得。
  • 弱項:單一模型上限低過 512GB;兩套系統要自己管更新、備份、網絡。

組合 C:M5 Max 128 + Mac mini M5 Pro 64(同價可買多套)

  • 一套:41,749 + 25,249 ≈ HK$66,998
  • 同一筆 197,249 大約可以買 約三套(3 × 66,998 ≈ 200,994,貼近預算,要自己微調 SSD/記憶體)
  • 強項:三個獨立節點——例如「寫手模型/監測摘要/實驗模型」分開;總並行吞吐可以好高。
  • 弱項:單機塞唔落 70B+ 大型;每部頻寬低過 Ultra(Max 約 0.46–0.61TB/s,Pro 約 0.3TB/s)。

組合 D:分拆更多——「一堆 mini/Max」

  • 例:一部 Ultra 96GB(54,749)做「大模型位」+ 兩部 Max 128(41,749×2)+ 兩部 mini Pro 64(25,249×2)≈ HK$188,745
  • 或者乾脆四至七部高配 mini/Max 打散(視你點配)。
  • 強項:故障域細、可按任務擴充、Apple 宣傳 Ultra 亦可用 Thunderbolt 5 做分散式推論(官方指叢集對比單機可快達約 3 倍,視工作負載)。
  • 弱項:電費、網線、管理成本、軟件要自己做路由;唔係「開箱即一台神機」。

實測場景:Qwen3-8B + Qwen-Image-2.1 一齊跑

假設你日常就係呢對組合(好常見):

  • 文字:Qwen3-8B(4-bit 權重大約 4.6GB,短 context 連 cache 約 6GB 起)
  • 出圖:Qwen-Image-2.1(mflux 8-bit 峰值常見約 30–37GB;1024×1024)

兩個一齊常駐,粗略要 約 40GB+ 統一記憶體先舒服(再加系統同瀏覽器)。以下係 粗估,用公開 256GB/社群數字推去各組合——512 一欄尤其係推估,用來諗分拆值唔值得,唔係落單保證。

組合Qwen3-8B(短對話 decode)Qwen-Image-2.1(1024,模型已載入)兩個一齊時點樣
A:一部 M5 Ultra 512/8TB大約 90–120+ tok/s 量級(MLX 4-bit;mlx.app 估 M5 Ultra 8-bit 約 62–110,M3 Ultra 實測 4-bit 短對話約 120)Base 大約 30–35 秒/張(M5 Ultra 256GB 上 mflux 約 30s;另有對照約 35s);Turbo 大約 8 秒/張 量級記憶體極鬆。一齊跑時文字多數仲快;出圖會分薄 GPU/頻寬,或慢一成半截,但仍然一部機搞掂
B:兩部 256GB 級 Ultra文字機獨佔:同上,約 100+ tok/s出圖機獨佔:同上約 30s/Turbo ~8s,唔使同文字搶並行最靚:一邊出 token 一邊出圖,加總吞吐通常贏單機雙開
C:Max 128 + mini M5 Pro 64Max 上約 24–42 tok/s(mlx.app M5 Max 量級);Pro 64 約 16–28 tok/sMax 128 夠放 Image(~37GB);速度估介乎 M4 Max(20 step 約兩分鐘量級)同 M5 Ultra 之間,粗略 約 1–2 分鐘/張(Base),Turbo 或數十秒建議 Max 專出圖、mini 專 8B,定 Max 雙載、mini 做第二條文字。三套同價就係三對流水線
D:分拆更多(Ultra 96 + Max + mini…)每部 mini/Max 各自 約 16–40 tok/s 量級;可開多條 8B把 Image 固定喺 Ultra 或 Max;其餘節點唔好硬塞 Base(32GB M6 偏緊)最啱「多個寫手文字流 + 一部出圖機」;總文字 token 可以好高,出圖仍然受單一繪圖機上限

記憶體速查:8B 好細,瓶頸幾乎一定係 Image-2.1。32GB M6 mini 用輕量 4-bit 包或者 Turbo 或可試,但同 8B 長期雙開唔穩陣——分拆時寧願留部 ≥64GB 畀出圖。

實務一句:若你真係日日 8B 傾偈 + Image-2 出圖,用 HK$19.7 萬買 512 滿血版,記憶體過剩;兩部 256 或者 Max+mini 乘幾套,通常用實際「每分鐘出幾多字/幾多圖」計會更抵。512 仍然贏喺:超長 context、更大文字模型、出圖同時仲要載住好大 LLM。

公開測試摘錄:Ultra/Max 級 token(有來源)

細機(例如入門 M5/Pro)同 Ultra 差距太大,比較意義低,呢度只留 Max/Ultra 級。方法、context、量化唔同,只可橫向參考;你可接受門檻大約 30 tok/s 起。

機/晶片模型條件Decode 大約來源
M3 Ultra 60 核、96GBQwen3-8B 4-bitMLX,短對話約 120 tok/sllm-speed
M5 Max、48GBQwen3-14B 4-bitMLX約 63 tok/sllamaperf
M5 Max、48GBQwen3-32B 4-bitMLX約 28 tok/s(貼近/略低於 30)同上
M5 Max 40 核、128GBQwen3.8-27B 4-bitoMLX,4k–16k約 31–33 tok/soMLX
M5 UltraQwen3.8-27B公開實測整理約 48–51 tok/s 量級llmcheck/整理文
M5 Ultra 256GBQwen-Image-2.1mflux,1024約 30 秒/張(Turbo 另約 8 秒量級)社群實測整理

M5 Ultra 256GB:公開有冇講過「同時並發幾多」?

有,而且講得幾具體——要分清兩種「同時」:

1)同一模型、多條請求一齊 decode(batch/多 session)

  • MacStories 用 M5 Ultra 256GB、oMLX 跑 Qwen3.8-Flash-Next:實測 1/2/3 條同時。作者寫明 256GB 上可以 stack 到三條 Flash-Next session;三條一齊時整組約 22.1 秒做完(每條約 6.5K in/600 out),合併輸出約 81.5 tok/s(單條時合併約 66)。重點:每條會慢過獨跑,但三條都完成得到。
  • llamaperf 匯總 同一機 Flash-Next:單條平均 decode 約 121 tok/s;2 並行約 74 tok/s/條;4 並行約 41 tok/s/條——若以 ≥30 tok/s 做「仲舒服」門檻,大約 2–4 條並行仍過線;再加就會跌穿。
  • 27B 級:oMLX 有 batch 1/2/4 總吞吐上升嘅提交;另有服務向測試(注意有啲係 192GB 機)顯示 27B 可以推到更高 concurrent,但 每 user tok/s 會一路跌——過咗你嘅 30 門檻就要自己睇表。

2)記憶體入面「同時住住幾個模型」

256GB 統一記憶體夠大,可以 預載多個中型模型(例如一個快答、一個寫長文/出圖),唔等於全部一齊全速 decode。一齊 decode 仍然係搶 同一條約 1.2TB/s 頻寬。

實用結論:256GB Ultra 上,本地 agent/多 session 嘅「舒服並發」公開實測多落在 2–3 條(Flash-Next 類);推到 4 條仍可過約 40 tok/s/條。 512GB 理論上 KV/同時載模型更鬆,但 頻寬仍然係一條約 1.2TB/s——唔會 magically 變成「四倍並行仍每條全速」。要更多條仍然 ≥30,細啲模型、短啲 context,或者 分拆多部機各有自己頻寬,往往先係本題。

本地部署:點解會諗「多部機」?

單機大 RAM 好吸引——一個大模型、超長 context、剪片旁邊仲載住 LLM,一部搞掂。但本地真正日用,好多時唔係「一部神機塞爆」,而係 幾條工作流長期開住:寫稿、出圖、監測摘要、實驗新模型……呢時多部機嘅好處好實際:

  1. 各有自己嘅記憶體頻寬 — 單機雙開係搶同一條喉;兩部機各跑一個模型,加總吞吐通常更接近「兩倍獨跑」,而唔係打個折。
  2. 故障域細 — 一部要更新、過熱、或者你試爆某個實驗模型,另一部仲可以照寫稿/照告警。
  3. 任務隔離 — 出圖機專門載 Image;文字機專門載 chat;監測用細模型,唔同寫手搶資源。本地部署最怕「一個 process 食爆,全家卡」。
  4. 同價換節點數 — 用 512 滿血嗰筆錢,可以變成兩部 256,或者 Max + mini 乘幾套;並行任務愈多,呢種換法愈值得計。
  5. 擴充彈性 — 先兩部夠用,之後再加一部做實驗,唔使一次過買到頂。Thunderbolt 5 分散式推論係另一條路,但日常「兩條獨立 API」往往簡單過一開始就玩叢集。

512 仍然有位置:你證實要 單一超大模型、或者 超長 context + 多 agent 共用大 KV。只係喺「未有 512 公開並發數據」之前,更值得先問——你嘅本地負載,係一條大河,定係幾條細河要一齊流?

邊種「跑 token 會更多」?

要講清楚你比較緊嘅係邊個指標:

  1. 單一對話、要最大最醒嗰個模型 → 512GB 滿血方向通常啱(記得:呢度多係推估)。
  2. 同時兩條以上獨立本地推論(兩個 chat、兩個助手後端、一邊寫 code 一邊摘要郵件)→ 分拆兩部或更多,加總 tok/s 多數更高——本地部署最常見嘅痛點就係呢度。
  3. 要快、又要慳記憶體 → 優先揀 MoE 細起動 模型,再決定要唔要 Ultra。
  4. 影相/剪片/寫 code 同 AI 一齊 → 單機大 RAM 方便「剪片唔停、旁邊仲載住模型」;分拆就係「一部專創作、一部專模型」。

實務例子:

  • 「寫手」用 27B 寫 blog 初稿;「監測」用 9B 將 curl/log 變一句人話告警——兩部機各跑各的,唔使 512。
  • 要本機試 100B+ 級或者超長文件一次過入 context——512GB 先有討論價值。
  • 剪 8K 同時載住大模型——大統一記憶體單機舒服啲。

機再滿血,都要 set 好 rules

分拆幾多部都好,如果你用會動手嘅本地助手,記得寫清楚規則:

  • 寫手:只出稿,唔自動發佈、唔開付款。
  • 監測:只告警,唔准自行重啟伺服器。
  • 彙總:定時整清單,外寄停低等你確認。

密碼、OTP、學生個資唔貼 chat;用 Vault/1Password。機係工具,rules 先係遙控。

我自己會點揀(唔係叫你跟)

  • 已經證實自己要 一個好大嘅本機模型 或者超長 context → 先望 512 滿血。
  • 主要係 幾個中型模型並行、想故障隔離、想本地同價換更多吞吐 → 我會優先計 兩部 256 或者 Max 128 + mini Pro 64 乘幾套。
  • 主要瀏覽文書 → 唔使糾結呢篇,望 Mac mini M6 就得。

想追系列可訂 RSS:https://www.rockfu.net/blog/feed/

(規格同售價以 Apple 香港當頁為準。512GB 並發/雙模型數字多為粗估,用來對照分拆思路;有來源嘅實測以文中連結為準。實際視模型、量化、context、軟件版本同室溫。呢篇只係分享諗法,唔係購買建議。)

Grok Bot 進化史:由早期 Beta 到而家功能表(附香港實例)

Grok 係腦,Grok Bot 係會動手嘅同事。講吓點 set rules、同香港實際用法——寫通告、追包裹、監測網站,進化史幾句帶過就得。

最近周圍人都問:Grok 同 Grok Bot 係咪同一樣嘢?簡單講——唔係。Grok 係腦,識傾偈、識寫;Grok Bot 係會動手嘅同事,有自己一部雲端電腦,可以幫你開網、睇電郵、寫稿、甚至盯住你個 server 有冇掛。

2026 年 8 月公開 early beta,之後加 Android、接 The X Subscription,十月再有 Pages、Vault、1Password。細節官方 Help 有,呢篇唔整長時間線表——重點係:而家已經可以當「幾隻手」一齊打工。

用得順唔順,關鍵唔係模型有幾醒,而係你有冇講清楚規則。

先 set 好 rules,唔係亂叫

開一個 bot,唔好淨係寫「你係助手」。好似請人返工,要講清楚職責、邊啲唔准做、用咩語氣。

角色可以咁分(示例,名稱你自己定):

  • 寫手:只負責 blog 初稿,書面語/教學說明風,唔自動發佈,敏感通道唔開。
  • 監測:只做探測同告警,唔准自行重啟伺服器、改防火牆。
  • 彙總/秘書:定時(例如每日某個鐘,香港時間)整告警同待你批核事項清單。

你可以喺 bot 第一則訊息、profile/instructions,或者每次開新任務時重複提醒。敏感嘢(密碼、卡、學生個資)唔貼 chat;用 Vault 或 1Password,外寄/落單要停低等你確認。

一句:rules 寫得鬆,bot 就當自己係萬能;rules 寫得實,先似請咗幾個專責同事。

實際可以點用(多啲例子)

以下全部係「你可以點同佢講」嘅場景。香港網站若擋 cloud IP,可以試經你部電腦路由,或者敏感步自己 Take over。

學校/教學

  • 「用書面語寫明日雨天通告,對象小一至小六家長;另外俾一則 WhatsApp 口語版。」你再按學校格式改。
  • 「根據呢張錯誤畫面同外掛版本,列三個最可能原因、檢查步驟,同『唔好亂 Reset』清單;結果整成一頁畀同事跟。」
  • 「睇我日曆,星期三邊啲會;為科組會議寫五點議程,會前一小時用 routine 提醒我(Asia/Hong_Kong)。」
  • 「整一頁比較三個 AI 方案畀家長會用:表、風險、問答;先只分享俾我。」

日常生活

  • 「Foodpanda 觀塘附近兩餸飯,預算 $120 內,落籃後停低等我確認先付款。」
  • 「Uber 由九龍塘去觀塘大概幾耐幾錢,唔好直接叫車,先報價。」
  • 「呢個順豐運單,開官方追蹤頁,用幾句寫狀態、預計、下一站,連結留低。」

寫 blog/估成本

  • 「用 zh-HK 教學說明風,為自己 blog 出大綱+正文;分類標籤建議;唔好捏造數據。」——常見流程:bot 出稿,你審完先上。
  • 「用公開 API 價同訂閱額度兩套邏輯,估一日教師研討會大概用量。」(可對照本站《大會花多少 bot token》)

管理員/系統監測(幫你打工嗰種)

  • 「每 15 分鐘 check 我個公開網站;唔係 200 或者超時就用一句告警我,並列最近三次結果。唔好自動重啟。」
  • 「我貼咗 df -h、uptime、free -h 同 error log。幫我判斷係碟滿、OOM 定服務掛;用表列現象/可能原因/建議指令/風險。唔好自己跑會改系統嘅指令。」
  • 「根據外掛清單同 PHP/OS 版本,對照公開公告,列高危項目同建議;每週更新一頁。唔好亂裝未知外掛。」——之前好多站因 XML-RPC/舊外掛出事,呢類巡檢好有用。
  • 分工示例:一個 bot 專探測,一個專寫稿,一個定時彙總。監測嗰個發現異常只通知人,唔准自己改機。

再加兩個常見場面:

  • 「每晚 11 點 routine:摘要今日未覆 Gmail,草稿三封最急,唔好直接寄。」
  • 「家用 NAS/備份完成未?只讀狀態頁,失敗就 chat 知我一聲。」(視你有冇俾權限開嗰個介面)

幾樣我自己會守

  • 唔撈亂「Grok App 聊天」同「Grok Bot 助手」——同人介紹時講清楚。
  • Free/Plus 唔一定有 Grok Bot;多數要 The X Subscription Premium 起,或者舊付費 Cursor/連結計劃。用量睇 Settings → Usage & Billing。
  • 學生姓名、密碼、OTP 唔上 chat、唔丟公開 Page。
  • Bot 可以好似千手觀音咁多手,但每一隻手都要有職分——rules 先係真正嘅遙控。

想追系列可以訂 RSS:https://www.rockfu.net/blog/feed/
相關:《大會花多少 bot token?》

(功能同計劃會變;以你帳號畫面同官方頁為準。呢篇只係分享用法,唔係訂閱/資安建議。)

學校 AI:本地部署,還是外購?

巫筆、Sayo、豆包已落地;難的不是再開一個 App,而是敏感走本地、無個資走外購;還要算同時在線、多媒體上限與維護人手。

週五下午,語文科組剛散會。有人把作文批次丟進 「巫筆」 做寫作批改;隔壁同事打開 Sayo,用 AI 輔助出題與評改草稿;會議剛結束,另一位老師用 豆包 的錄音紀要,把剛才的討論轉成待辦。同一棟樓裡,還有人用免費 Gemini 想課件插圖,或把教材丟進 NotebookLM 問「這份指引怎麼說」。

AI 已嵌進批改、備課、會議。港產寫作批改工具服務逾四百間本地中小學、累計批改達數十萬篇量級;面向教師的評改與課室工具也有二百校以上採用規模。問題不是「會不會開 AI」——老師已經在用。 真正卡著的是:資料可不可以貼、平台愈開愈散、敏感工作要不要留校內、錢能不能續、買了本地之後誰來養。選項一多,人很容易把「核心抉擇」誤寫成「再買一個全校入口」。這篇故意把重點放前面:不是答案特別簡單,而是若不先講清,後面的表格與價錢只會變成另一份報價說明。

先講人話:其實就五件事

  1. 核心抉擇是「本地部署 vs 外購服務」——不是再多買/再開一個 App 當「全校入口」。
  2. 按場景分流:有個資/敏感 → 本地;無個資、要速度與創意 → 外購。巫筆、Sayo、豆包、Gemini 同一條私隱底線(含學生真容/可識別影片)。
  3. 同時在線決定成本帳:雲端多人=多付錢;本地多人=排隊或加機。不要用全校帳號數估本地併發——單機文字聊天與圖片/影片生成還會互相搶資源。
  4. 政府/教育城模型會加入,但不是唯一答案——可選備課軌道,不取代校本分流。
  5. 老師已在用;難的是規範、私隱、可持續——可持續包含維護人手:本地不是「買完就忘」。

下面用場景與數字把這五點撐開;採購細節放到分流清楚之後再談。讀下去時不妨對照這五點——對不上的段落,大概就是可以刪的。

老師已經在用:難的是規範,不是入口

說白了:學界現在缺的不是「有沒有 AI」,而是用得散、規範跟不上、私隱與可持續說不清。

散開的樣子很具體。巫筆管作文流、Sayo 管評改與備課、豆包管會議錄音、Gemini/NotebookLM 管靈感與資料庫——效率真實提升,但「學生作文、會議真名、成績表」可不可以貼進去,往往靠個人判斷,而不是校本原則。疑惑也很具體:資料會不會被拿去訓練?評語、試題、會議摘要準不準,老師還要不要逐句覆核?平台愈開愈多,今天教一個入口、明天又多一個 App,壓力同時來自政策節奏與同儕潮流。這些疑惑不會因為「再上一個平台」自動消失;它們只會在沒有校本原則時,一層層疊到下一間課室。

難度則多落在 IT 與校政:外洩風險、服務能否續、敏感要不要本地、一般備課可否繼續外購、若走本地誰負責更新與救火。本地部署、教育訂閱、政府推動的教學專屬模型,選項愈多,愈需要一條說得清楚的分流——而不是再多開一個「全校入口」。 這也是開頭場景要先講「正在用什麼」,而不是先講「該買什麼」的原因。用得愈多,愈要分清:哪些是「已經在跑的專科工具」,哪些是「還缺一條合規出口」——兩者不是同一筆採購。

一張表看清:哪些本地、哪些外購

分流其實只看兩件事——資料出不出校、要不要速度與多人同時。

場景常見做法敏感度較合適方向
寫作批改巫筆;或 Sayo/通用助理中高外購專科工具(條款清楚、盡量去識別);含明文個資則審合約
出試卷/評改Sayo;免費/教育版 Gemini中高公開題型可外購;含姓名答卷宜本地
學科遊戲生字卡、選擇題小遊戲、課室腳本低外購
圖片生成課件/遊戲/通告配圖(如 Gemini 圖像);或本地 Flux/SD 類中無肖像、要快 → 外購;敏感內用可本地(較慢、常一次一張);學生真容勿上公有雲
短片/動畫課件示意短片、活動宣傳片草稿中高無個資創意 → 外購為主;單機本地短片可行但慢,難當全校併發管線;可識別學生影片勿隨便上公有雲
成績分析班/級平均、弱項、跟進建議高本地
通告家長信、活動通知中先刪姓名後可外購
會議記錄豆包錄音紀要;或 NotebookLM中高本地為佳;至少脫敏再上雲
備課資料庫教材、舊卷、校規 → NotebookLM/校本庫視內容公開教材可外購;含學生樣本則分流

私隱底線可以寫一行:可識別的學生/家長資料,原則上不出校;無個資、要速度與創意的,優先外購。 給 AI 的提示盡量只見內部編號;產出當建議,老師確認後才回寫原系統。本地≠自動安全——帳號共用、無審計一樣會出事;安全靠分流與流程,不是口號。

圖片與短片特別容易越界:課件、遊戲、通告配圖,雲端圖像通常又快又方便;但不要把學生相片上傳公有雲「AI 美化」,也不要把可識別學生活動片丟上公有雲「一鍵生成宣傳片」。敏感內用可考慮本地圖像模型(較慢、工具鏈較散、品質與便利度通常不及雲端),或圖庫/人手。表裡每一格,都應能套回上面第 2 點——同一條私隱底線,不是每個 App 各講一套。 讀表時可以自問一句:這一格若貼進雲端,外洩時學校能不能向家長說得清?說不清的,優先本地或不用。

外購軌道與本地軌道:同一條底線,不是互搶入口

工具可以有四條軌道,但判斷標準其實只有一條——敏感度。核心抉擇是本地還是外購,不是再選一個品牌當全校門面。

  • 專科/免費層(巫筆、Sayo、豆包、免費 Gemini):上手快、對應場景效率高;要注意資料去向,入口不要愈開愈散。
  • Gemini Enterprise for Education(含 NotebookLM):按席位、可集中管理,適合教師團隊備課與指定教材庫;年費會累積,中小學多經代理、常有人數門檻。
  • 本地 Mac Studio/開源(如 MLX+Qwen;圖像可試 Flux/SD 類):適合成績、輔導、含名會議/答卷;併發有限,要 IT 維護;多媒體別指望與文字聊天「同時全開」。
  • 教育城「教學專屬大語言模型」:政府推動、按科目逐步開放的教學助理;不是全港強制唯一平台。

同一套「有個資→本地/無個資→外購」套到以上每一條。寫作批改可以繼續用巫筆,會議可以繼續用豆包——但一旦出現明文姓名、成績、輔導內容,就要問:這條工作流該不該出校?這才是「本地 vs 外購」的意思,而不是把所有老師趕到同一個新入口。實務上,外購解決「快、多人、專科工作流」;本地解決「敏感資料不出校」。兩者可以並存,但並存的前提是分流寫進指引,否則只會變成帳號愈開愈多、責任愈分愈糊。

政府模型會加入——但不是唯一答案

教育城專屬模型是可選軌道,不是全港統一答案,也不取代校本私隱分流。

根據 2026 年 7 月立法會答覆:香港教育城正建立「香港中小學教學專屬大語言模型」;科學科 AI 助理已試行(輔助教案、備課、設計評估或課業),並由 2026/27 起逐步擴至更多科目。同一答覆裡,教育局表明:不會統一採購單一 AI 大模型供全港學校,也不會建立強制「唯一平台」——強調校本選擇,避免技術迭代下被鎖死。

含義很直白:備課/學科助理可以多一條官方可選路;它不取代巫筆、Sayo,也不等於學校可以停想私隱分流。成績、輔導、含名會議,仍要校本自己定界——政府加入 ≠ 學校可以停想分流。 把它放進「四條軌道」裡當一條即可,不要把它神話成「以後全校只走這條」。對校政來說,更有用的問法是:教育城助理開放後,我們用它處理哪一類「無個資備課」?敏感流是否仍走本地或既有合規路徑?——答案應能對上上面第 4 點。

若走本地:單機能扛什麼、扛不住什麼

一句話:Mac Studio 是敏感工作流的私有節點,不是全校雲端助理的替代品。併發天花板,往往比「模型酷不酷」更重要。

本地推理近年常提到 Mac Studio:統一記憶體大、功耗與噪音適合放 IT 室,再配 MLX 跑開源模型。跑大模型應對準 M5 Ultra(統一記憶體 256GB 或 512GB);M5 Max 最高只有 128GB,Max ≠ Ultra。

社群約數(MLX、batch=1):約 7B–9B 短對話可到約 ~140 tok/s,數人至約十人輪流/輕量併發較現實;約 32B 短上下文約 ~30 tok/s(長文更慢),認真對話多為 1–3 路。五十人同一分鐘搶 32B,單機扛不住。誠實一句:本地開源模型在廣度與「最新常識」上多數仍落後免費/教育版雲端助理;本地贏的是邊界與校本語境。

校本知識庫(或 Enterprise 裡指定來源的 Notebook)負責「說本校的話」。沒有庫,本地 32B 只是較慢的通用聊天;有庫,外購也能問校規——但敏感文件放哪裡,要另訂規則。建本地之前,更該問:有沒有三個每週都做、又含敏感度的任務,是校內工具能明顯勝過老師已經打開的那些 App 的?答不出這三個任務,就不該先買「全校本地入口」。本地值得買的,是那條「老師每週都做、又不能安心貼上雲」的工作流;買的是邊界,不是把消費級助理整間學校搬進機房。

單機圖片、影片:能跑,但不該當全校創意管線

一台 M5 Ultra 級機器「可以」做本地圖像,短片也「試得過」——但遠不是雲端那種多人同時、即開即用的創意工廠。無個資創意優先外購;可識別學生影像原則上不出校。

先把期望講死三句:

  1. 圖像:高統一記憶體的 Mac Studio,用 MLX/mflux 一類路徑跑 Flux/SD 系模型,單張課件圖大致可行;社群實測常見是「數秒至十數秒級/張」量級(視模型與解析度),往往一次一張重活,工具鏈與提示詞生態通常仍不及 Gemini 圖像那類雲端服務好上手。品質與便利度參差,適合「敏感、不能上雲」的內用圖,不適合「全校美術科同一節課搶算力」。
  2. 影片:本地短片生成比圖像重一個數量級——數秒短 clip 往往要數十秒至數分鐘級(視長度、解析度與模型),記憶體與算力吃得兇。社群已有 Apple Silicon/MLX 路徑能跑短片,但把它當「全校宣傳片/課室動畫併發管線」並不現實。無個資、要速度與迭代的創意短片,實務上多半仍應外購;可識別學生活動片,則不應隨便丟上公有雲。
  3. 跟文字聊天搶機:圖像/影片任務容易把同一台 Studio 的統一記憶體與 GPU 時間吃光,聊天併發立刻變慢或排隊——這又回到第 3 點:一台機不是「全校所有 AI」。若敏感文字助理已在跑,創意圖像最好另排時段、另開佇列,或乾脆把無個資創意交給雲端。

一句對照就夠:課件插圖要快、又無肖像 → Gemini 圖像等外購;學生真容要處理 → 本地或不用 AI、改圖庫/人手。影片同理:無個資示意片走雲端;帶臉、帶聲音的學生影像,先問私隱底線,再問算力。

維護人手:本地不是「買完就忘」

沒有具名負責人與固定工時,本地 AI 節點會慢慢壞掉。外購把「機房運維」交給供應商,但校本政策、合約與私隱底線仍要學校自己扛。

學校 IT/TSS 本來就忙:帳號、Wi‑Fi、機房、考試系統、教師支援。本地 AI 節點不是插電即用的印表機,它至少還有這幾類持續工作:

  • 系統與安全:macOS/運行時修補、權限與防火牆、誰能連進來。
  • 模型與磁碟:下載、量化選擇、換模型、舊權重清掉;大模型檔很佔位,磁碟規劃要先做。
  • 存取與審計:教師帳號、科組權限、基本日誌——出事時才有跡可查。
  • 備份與還原:知識庫、設定、權限名單;機器壞了能不能一週內回來。
  • 救火與溝通:老師問「為什麼今天很慢」「圖像佇列卡了」「模型換了提示詞怎麼寫」——要有人回。

外購對照也很清楚:雲端服務的機房、升級、可用性多半由供應商運維;學校仍要管的是私隱條款、數據留存、誰准用、出事通報、續約預算。本地省的是「敏感資料出校」的焦慮,換來的是校本運維負債;外購省的是半夜修機,換來的是合約與政策功課。兩邊都不是零人手——只是人手花在不同地方。

務實問法比口號管用:這台 Studio 每週預留幾小時給誰?暑假換模型誰測?老師投訴慢,第一個電話打給誰?答不出「具名+工時」,就不該把本地吹成「一勞永逸的全校方案」。這直接撐起上面第 5 點:可持續=規範+私隱+付錢續得起+有人養得起。

成本帳:先看同時在線,再看價錢

五十人同時用,外購通常是「付錢」;本地通常是「排隊」。帳要按併發算,不是按全校帳號數;若還要跑圖像/影片,併發帳要再打折。

硬對照先講三句,數字只是佐證——若只記得價錢、忘了併發,帳一定會算歪:

  1. 約 50 席 Gemini Enterprise(約 US$60/席/年)≈ US$3,000/年(約港幣 2.3 萬)——多人同時,雲端靠付錢/額度撐。
  2. 一台 M5 Ultra(256GB 級) 約 US$8,000–12,000 一次過(三年攤約 US$220–330/月)——敏感、低併發划算;五十人同一分鐘當唯一入口則不划算;若同一機還要扛圖像/短片,文字聊天的「夠用人數」還要再往下修。
  3. 5 人認真用本地 32B 多數夠;20 人要限流或改 9B;50 人不應指望單機當唯一入口。

換句話說:外購的邊際成本主要是「多一個席位、多一截用量」;本地的邊際成本主要是「多一個人排隊、或多買一台機」,外加維護工時(見上一節)。討論「划不划算」之前,先問科組尖峰時有幾人同時等回覆——這個數字一出來,本地與外購哪邊該扛「一般備課」、哪邊該扛「敏感流」,通常就清楚了。

再補細節:院校/JUCC 聯合招標,Gemini Enterprise for Education 約 US$4.7/用戶/月(約 15 席起),折合約 US$56/年,訂閱含 Gemini Notebook(前稱 NotebookLM);中小學經代理,業界口述「一戶口約 US$60/年」與上述同量級。15 席門檻附近約 US$840–900/年。外購贏在老師已熟、要多人同時、要集中或專科工作流(含無個資圖像/短片);本地贏在敏感資料穩定、不想把成績/輔導/含名會議貼上雲。不要用「全校帳號數」估本地併發——要用「同一分鐘有幾人在等回覆」。免費層適合個人試用,很難當全校正式工作流。

到要動預算時才須面對:項目撥款(例如「『智』啟學教」一筆過約五十萬)看起來闊,但三年要攤硬件、訂閱與活動;撥款用完後,續期與維護是常額——維護不只是電費,還包括具名 IT/TSS 工時。《中小學數字教育發展藍圖》(2026 年 6 月)方向是 AI for all,沒有規定必須自建本地大模型,也沒有規定必須買某一家教育訂閱——政策留白,正是校內要填敏感/一般/教育城助理怎麼接、第四年錢從哪來、本地節點誰養。分流清楚之後,這筆帳才算得準;分流沒寫清就下單,最容易買成兩套「全校入口」。把「同時在線」與「誰養機」寫進討論,比把「機型名稱」寫進討論更重要——前者決定錢與人怎麼花,後者只是手段。

最後再對一下:還是那五件事

怕讀完又變回「再買一個入口」,把五點換句話說一遍:

  1. 要決定的是 本地還是外購,不是再開一個 App。
  2. 有個資/敏感 → 本地;無個資要速度 → 外購——巫筆、Sayo、豆包、Gemini 同一條私隱底線(含學生真容/可識別影片)。
  3. 同時在線才是成本主角:雲端多人付錢,本地多人排隊;單機還要分心跑圖片/影片時,聊天併發再打折。
  4. 教育城模型會加入,但不是唯一——可選備課,不取代分流。
  5. 老師已在用;要補的是規範、私隱與可持續——可持續包含維護人手:本地不是買完就忘。

五點對齊了,後面的「怎麼做」才不會變成長長待辦卻忘了為什麼做。務實路徑很短,而且都服務上面五點:把場景表寫進校本指引;知識庫先行;敏感低併發才考慮 M5 Ultra,並先寫明負責人與每週工時;一般任務與無個資創意(圖/短片)用教育訂閱或既有專科工具;教育城助理做備課試點、不假設它能處理個資;一兩個科組試一學期再扩;項目錢優先買脫敏與知識庫——硬件與席位不要買成兩套全校入口。

若只能帶走一句:先寫清「哪些資料不可出校」,再決定巫筆/Sayo/豆包/Gemini/本地/教育城各管哪一段——入口可以多,私隱底線只能有一條。入口可以多、模型可以換,分流標準不應每個學期重寫一次——工具會換,底線應長期留下去;機可以買,人要養得起。

本地不是信仰,外購也不是投降——是在私隱、併發、多媒體上限、既有平台習慣、撥款、維護人手與政府可選軌道之間,收一個每週真會打開的結。


約數說明:硬件以 Apple 2026 年公開規格為準。tokens/秒參考 MLX 社群約數。本地圖像/短片速度為社群實測量級(視模型與解析度差異大),只作定性與謹慎範圍,不作採購基準。Gemini Enterprise 院校價見 JUCC/院校公開資料(約 US$4.7/用戶/月起,含 Gemini Notebook);中小學實際港元以代理合約為準。政府模型與「不統一採購」見立法會答覆(2026-07-15)。巫筆/Sayo 採用規模為公開報道約數,非採購背書。《藍圖》與「『智』啟學教」依據教育局/政府新聞處材料。本文僅供思考參考,並非採購建議。

校園裏那個「永遠在忙」的人——談談香港學校技術支援的困局與出路

從晨早課室故障說起:香港學校不缺 IT 撥款與 AI 項目,卻長期欠缺像實驗室技術員、政府電腦操作員那樣清晰的 TSS 職級。文章回顧 2017 年教聯會「納入常額編制」訴求,並回應「有了 AI 還要請 TSS 嗎」——結論是技能會變,校本穩定人手仍不可少。

早上八點一刻,鈴聲還沒響,電腦室的投影機突然黑屏;家長 App 的密碼重設訊息同時湧進來;老師拿着平板問:「點解上唔到 Wi‑Fi?」——校園裏總有人一邊聽電話、一邊蹲在機櫃前、一邊在群組回覆「收到,即刻睇」。課上完了,學生以為一切理所當然;真正撐着整件事的,往往是那一兩個技術支援人員(TSS)。

這篇文章想說的,不是埋怨,而是一個愈來愈難迴避的問題:香港學校的資訊科技發展很快,但支撐服務運作的人力結構,似乎一直沒有跟上。

資源其實有,職級卻常常沒有

先說公道話:教育局並非沒有投放資訊科技資源。學校常用的經常性撥款,包括「資訊科技綜合津貼」(CITG),可用於消耗品、軟件、網絡保安、保養,以至聘請技術支援人員或購買技術支援服務;另有自 2017/18 學年起發放的「資訊科技人員支援津貼」(ITSSG),2026/27 學年每校約 35 萬元,主要用來加強駐校技術人手——可以自行聘請,也可以委託公司派駐。

再往上數,還有「第四個資訊科技教育策略」下覆蓋全校課室的無線網絡建設(業界常稱 WiFi900 相關安排),以及優質教育基金(QEF)對 STEAM、數字教育的支持;近年更有「『智』啟學教」一筆過撥款,推動人工智能輔助教學。硬件、平台、課程項目,一個接一個。

問題在於:錢與項目可以到位,職位本身卻往往仍停留在「津貼聘用/服務合約」的層次。CITG 與 ITSSG 的官方表述,都強調學校可靈活訂定入職要求與薪酬福利——靈活固然好,卻也意味着:TSS 多數不在資助學校核准編制裏,沒有像其他工種那樣清晰的職級階梯。ITSSG 的出現,確實加強了人手資源;但它本質上仍是現金津貼,並不等于把 TSS 納入常額編制。

其實,這個缺口並不新鮮。2017 年 6 月,香港教育工作者聯會(教聯會)與候任特首辦主任會面,就善用新增經常教育經費提出補充要求,其中特別提到:應將「資訊科技技術支援人員(TSS)」納入常額編制。理由很直白——TSS 不屬常額、欠缺晉升前景、流失率偏高,而電子學習已成大勢。教聯會當時建議增設專門經常撥款聘請 TSS(涵蓋薪酬、強積金及《僱傭條例》福利),並按中小學學位教師薪金中位數估算,預計新增開支約四至五億元。近十年過去,校園科技只會更多、不會更少;當年那句「納入常額」的訴求,讀起來仍然刺耳——因為問題的核心,還沒有真正被結構性解決。

同一個校園,兩種待遇感——甚至三種對照

最容易拿來對照的,是實驗室技術員。資助中學的實驗室技術員有編制計算方法,亦有一級、二級、三級等職級與薪級安排,職責隨 STEM/科學活動需要更新,官方文件寫得清楚。他們服務的對象,主要是科學相關課堂與活動——當然重要。

再拉開一點看公務員體系:政府本身就有「電腦操作員」職系(由數字政策辦公室相關職系管理),職責涵蓋操作與監察電腦設備、網絡及數據中心/伺服器室、用戶支援/求助台、相關採購與資產管理等——跟學校 TSS 日常做的事,其實頗相近。更關鍵的是,這條路有透明的總薪級表階梯:例如二級電腦操作員約第 6 至 15 點、一級約第 16 至 20 點、高級約第 21 至 28 點,再上至助理電腦操作經理、電腦操作經理。薪點對應的金額隨公務員事務局公布的總薪級表調整(以 2026 年 4 月 1 日起計,約由二萬出頭遞增至近十萬元級別,視職級而定)。換言之,政府承認「操作層 IT 支援」值得一套正式職級;資助學校的 TSS,卻多數仍靠校本靈活聘用,欠缺可對照的核准編制階梯。

TSS 呢?日常面對的是全校:學生帶裝置上課、老師用電子學習平台、家長查電子通告、行政要跑網上校管系統、訪客要上網、典禮要影音。服務面更闊,責任鏈更長,但在不少學校,職稱仍停留在「技術支援」「IT 助理」,晉升路徑模糊。這裏不臆測個別學校的具體薪金數字——重點是:校內往往看不到像實驗室技術員、或政府電腦操作員那樣公開可循的職級階梯,薪酬與前景也較難與業界同級技術工作競爭。業界裏常見的感受是:招人難、留人更難;升職空間窄,雜務卻從不缺——搬機、佈線、跟進供應商、放學後趕維修,都可能落在同一個人身上。

老師有較清晰的專業階梯,亦要持續進修數字教育相關培訓;TSS 同樣要不斷學——雲端、保安、裝置管理、AI 工具進校後的新問題——卻未必換來對等的專業認可。很多人自資報讀課程、晚上翻文件、週末趕緊測新系統,為的是學校下一波挑戰到來時不至於手足無措。可是,學習若只被看成「個人興趣」,而不是崗位應有的專業投資,士氣自然難持久。

坊間有種心態:「老師流動性低,TSS 走了再請過。」這句話聽起來務實,其實很傷人:把穩定當成理所當然,把流失當成可接受成本。事實上,換人的隱性代價往往更高——新同事要重新認識校情、裝置帳號、供應商習慣,中間掉落的細節,最後還是老師與學生來承擔。

發展很快,結構卻像在趕工

回看這十來年:無線網絡普及、電子學習成為日常,接着是 STEM/STEAM,再來是人工智能進校園。節奏快得像趕工建樓——先把招牌亮起來,骨架是否穩妥,有時反而少人問。

有資源時,話題容易集中在「買什麼設備、推什麼計劃」;人手結構、職銜、晉升、培訓預算,卻常被輕輕帶過。資源緊絀時,又會想:不如外判吧。外判不是原罪,但若校內沒有懂技術、懂採購、懂跟進的人,老師真的要自己追供應商、拆合約條款、判斷維修是否合理嗎?最後往往還是那幾個「懂一點 IT」的同工默默頂上。

一個「資訊科技統籌」職銜,不足以概括整條服務鏈。統籌可以定方向;真正半夜重啟伺服器、白天撐課堂裝置、傍晚對家長系統的,需要被看見、被命名、被納入長遠人力規劃——教聯會當年說的「常額編制」,講的正是這種結構性位置,而不只是多一個臨時工時。

那 AI 來了,還要請幾個 TSS 嗎?

有人會認真反問——而且問得很合理:AI 能減輕老師行政負擔,AI agent 又能處理日常 IT 疑難,學校是否還要請幾名 TSS?難道不該「減人手、加智能」?

先承認能省的部分。重設密碼、常見 FAQ、簡單故障分流、按劇本做的狀態檢查,確實可由聊天機械人或自動化接手;善用的話,重複性壓力會下降。這是好事,不必為了護航人手而否定 AI。

但校園 IT 從來不只是「答問題」。Wi‑Fi、投影機、佈線仍是實體工作;供應商合約與驗收要人把關;學生與家長資料涉及私隱,不宜全盤交給黑箱;開學、派成績、惡劣天氣停課那幾天,家長系統一擠,要的是懂校情、知道該找誰升級的人;雲端或 AI 本身掛掉時,還得有人現場止血。更諷刺的是:學校愈積極導入 AI,就愈需要人評估工具、設定權限、訂政策、做培訓,以及收拾「影子 IT」。AI 減的是部分票務;加的是整合、治理與事故應變。

誠實的答案不是「還要請那麼多同樣的人」,而是「仍需要穩定的校本技術力量,只是技能組合會變」——少一點純重複操作,多一點自動化、保安、數據判斷與 AI 落地。若把 AI 當砍崗位的理由,最後往往只剩外判熱線與老師自己追供應商。政府有電腦操作員職級、教聯會談常額編制,正是因為操作層支援是長遠能力。AI 愈是戰略項目,校內愈需要留得住、跟得上的人。

可以怎樣走下去?

與其只抱怨,不如問:學校與業界可以做些什麼?

一、把「人」寫進發展計劃。 談 AI、談電子學習時,同步寫明技術支援編制、培訓時數、替假與應急安排,以及人手技能如何從「修機應急」轉向「自動化+治理+AI 落地」,而不是只寫設備清單。

二、校內先給尊嚴與階梯。 即使短期未能等到全港統一職級,學校仍可訂立清晰職稱(例如技術支援主任/高級技術員)、年度調薪與進修支援,避免「什麼雜務都丟給 IT」。

三、對照已有的正式職級經驗。 實驗室技術員說明學校體系可以為技術崗位訂編制;政府電腦操作員職系則說明「操作層 IT 支援」本來就可以有透明晉升階梯。不是要把工種對立,而是承認:當某類技術崗位服務全校運作,就值得認真討論核准編制、職責指引與合理晉升——至少讓「默默貢獻者」有正式位置。

四、外判與自聘要有校內「懂行人」。 供應商可以幫手,但不能代替校本知識。家長、老師、學生三邊都依賴的系統,需要有人長期守着;否則一出問題,前線同事只能在群組裏乾着急,然後把電話打給「那個懂 IT 的人」。

這些建議不一定要一次到位。哪怕先從職稱、工作範圍、培訓預算三樣小事做起,已經是在告訴同事:你的專業被看見了。而政策層面,2017 年那次「納入常額」的討論,也值得被重新拿出來——不是為了翻舊帳,而是因為 AI 時代的校園,比當年更需要穩定的技術隊伍。

設備會折舊,平台會換代;真正難買回來的,是願意留在學校、既懂技術又懂教育節奏的人。香港校園已經走到 AI 門口,是時候認真問一句:我們會否給這些沉默的支撐者,一個配得上他們工作的名分與出路?

—

參考連結

– 教育局「資訊科技綜合津貼」
– 教育局「資訊科技人員支援津貼」(ITSSG)
– 教聯會(2017):要求將 TSS 納入常額編制 — https://hkfew.org.hk/教育政策/item/8296-教聯會要求將「資訊科技技術支援人員-tss-」納入常額編制
– 公務員事務局:總薪級表
– 數字政策辦公室:電腦操作員職系說明

本地部署大模型平台

LangChain‌AI 產品及服務越來越多,每天總有幾個產品推薦,好用的教學又多的但又不見多,假如你也正在找比較有方向的AL平台,不妨試試。

Dify,名字好記DO IT FOR YOU,Web 界面的LLM平台,可以RAG,AI工作流。

RAGFLOW,RAG 的可視平台,也是web 界面,提供RAG 界面,可以自己選擇embedding 模型,rerank 模型,可以直接上傳文件,可以選擇和本地ollama 一起跑。也有chat 和knowledge base

haystack 是一個LLM 框架,提供模塊化,可以自己開發搭建,我還沒有這能力。

cognita 是一個LLM 框架,有在線演示https://cognita.truefoundry.com/

GPUStack 是一個本地運行AI的管理器,這個名氣沒有cherry studio llm studio 之類那麼出名,也是網頁界面。
MaxKB,有點類似RAGFLOW,國內開發的平台,有RAG,chat,AI 流程。
LangChain‌,這個是十分出名AI框架,書籍也有不少。