人機協作預測與 AI 協作人才產業萌芽觀察

2026 年 7 月 18 日的市場判斷、方法紀錄與未來回測框架

版本： v1.0
封存日期： 2026-07-18
時區： Asia/Taipei
文件性質： 觀察論文／命題猜想／預測實驗紀錄／歷史資料封存
真值狀態： 不保真
用途聲明： 本文不是創業推薦、投資建議、職業推薦或市場保證

摘要

本文封存 2026 年 7 月 18 日的一項市場觀察：隨著人工智慧逐漸進入一般知識工作，市場可能正在形成一種新的服務類別——專門辨識、培養、評測與媒合「能在既有專業領域中有效與 AI 協作的人才」。

這裡所指的不是模型工程師、AI 研究員或單純的提示詞使用者，而是能將領域問題轉換為人機工作流，完成問題界定、規格設計、AI 編排、證據查核、結果驗證、交付與維護的人。本文暫稱其為：

\boxed{\text{領域型 AI 協作人才}}

截至封存日，歐美已出現以「AI-fluent talent」為公開定位的人才平台、AI 流利度評測服務與企業 AI 能力培訓平台；台灣也已出現以人機協作、工作流程與組織能力培育為主的企業服務。然而，完整整合下列功能的知名獨立產業類別仍未完全形成：

\boxed{ \text{搜尋人才} + \text{情境評測} + \text{能力培養} + \text{企業媒合} + \text{入職後驗證} }

本文因此提出「AI 協作人才服務合流命題」：目前分散於獵頭、人才評測、企業培訓、流程顧問與 AI 導入服務中的功能，可能在未來五至十年逐漸合流，形成新的專門市場。

但本文的更深目的不是判斷這個市場是否值得創業，而是記錄一場人機協作預測實驗。研究者先以人類經驗與結構直覺提出猜想，再由 AI 搜尋大量公開資料、尋找相似案例、補充反例、比較地區差異並修正論述，最後將當時的預測、證據、信心與反證條件封存，等待未來回測。

本文希望研究的不是「AI 能不能預測未來」，而是：

一個人與 AI 共同搜尋、壓縮、比較與校正資料後，能否比過去的人類個體更早辨識尚未被正式命名的產業結構？

這仍是一項未完成的研究命題。資訊增加不必然等於預測更準確；AI 也可能放大偏見、選擇性搜尋、敘事幻覺與過度自信。因此，本文同時提出可反證條件、預測登錄表、證據紀錄與未來評分方法，以避免把事後發生的相似事件任意解釋成「早已預言」。

關鍵詞： 人機協作、未來預測、AI 流利度、人才獵頭、能力評測、企業培訓、技能優先、產業萌芽、預測回測、歷史封存

一、本文不是在推薦創業

首先必須說明：

本文發現某種服務可能形成市場，不等於本文建議讀者投入創業。

即使未來確實形成「AI 協作人才獵頭」或相近產業，也不代表：

市場規模足夠；
商業模式能獲利；
台灣適合立即成立公司；
目前進入者能建立競爭壁壘；
企業願意支付高額媒合費；
能力評測可以可靠標準化；
法規、隱私與勞動倫理問題已經解決。

若有人根據自身資源、能力與風險承受程度投入相關事業，那是另一個商業決策問題。

本文只做三件事：

記錄 2026-07-18 已可觀察到的產業訊號；
提出產業可能如何合流的命題；
建立未來可以判斷此命題對錯的回測框架。

二、研究者在做什麼

本文背後的長期實驗是：

\boxed{ \text{人類結構直覺} + \text{AI 大規模搜尋} + \text{資料比較} + \text{推理補正} + \text{時間封存} }

研究者並非只要求 AI 給出一個答案，而是反覆進行：

人類先提出尚未證實的市場直覺；
AI 將模糊直覺拆成可搜尋的概念；
搜尋不同國家、不同服務類型與不同命名；
比較支持案例、近似案例與反例；
區分「已存在」「正在形成」「尚未形成」；
修正原始判斷中的過度推論；
將預測、證據、限制與日期寫入不可覆蓋版本；
在未來以實際市場變化回測。

這個方法的目的不是讓文字看起來更像研究，而是測試：

\boxed{ \text{人機協作是否提高個體的前瞻辨識能力} }

但「提高」不能只憑感覺判斷。AI 可能只提高資訊密度、寫作速度與論證完整性，卻沒有提高真正的預測準確度。因此必須保存預測前後的狀態。

三、研究對象的操作性定義

3.1 領域型 AI 協作人才

本文定義：

\text{領域型 AI 協作人才} = \text{領域知識} + \text{問題界定} + \text{AI 工作流} + \text{驗證} + \text{交付}.

他可能是：

財務人員；
行銷人員；
法務人員；
人力資源工作者；
醫療行政人員；
研究人員；
工程師；
編輯；
教師；
營運人員。

關鍵不在職稱，而在於他能否把 AI 穩定嵌入真實工作。

3.2 不屬於本文核心定義者

以下能力單獨存在時，不足以構成本文所指的人才：

只會列出使用過的 AI 工具；
只會撰寫一次性提示詞；
只會生成看似完整的文案；
只持有一般 AI 課程證書；
只會展示節省時間，卻不能說明錯誤率；
工作流程只存在私人對話中，無法交接；
無法辨識來源、風險與適用條件。

3.3 服務產業的候選定義

本文觀察的候選產業，至少應提供下列兩項以上功能：

\begin{aligned} &\text{人才搜尋與媒合},\\ &\text{AI 協作能力評測},\\ &\text{領域型工作情境測試},\\ &\text{能力補強與培訓},\\ &\text{人機流程設計},\\ &\text{入職後成果驗證}. \end{aligned}

完整型態則可能是：

\boxed{ \text{獵頭} + \text{評測} + \text{培訓} + \text{流程顧問} }

四、2026-07-18 的市場證據

4.1 歐美：公開品類已經出現

Global Talent Co. 已公開使用「AI-fluent talent」作為人才服務定位，媒合範圍不只包含 AI 技術職位，也包含行銷、銷售、營運、財務與客戶成功等職能。[1]

這是一個重要訊號，因為它表示「AI 協作能力」開始被當成跨領域人才屬性，而不只是 AI 工程職缺的附屬條件。

TestGorilla 已推出 AI fluency 人才評測與驗證徽章，並強調企業需要辨識候選人能否在 AI 驅動的環境中思考、決策與執行，而非只依賴履歷自述。[2][3]

其針對非技術職位的公開方法亦主張，評估應偏向實際展示，而不是詢問候選人是否自認熟悉 AI。[4]

這表示市場正在從：

\text{「你有沒有用 AI？」}

轉向：

\text{「你能不能用 AI 完成真實工作？」}

4.2 培訓與企業導入：服務已經更成熟

Section 已將企業 AI 訓練、AI 熟練度認證、個人化教練與採用分析整合成企業服務，公開主張企業購買 AI 工具後，仍需要把工具轉化為員工日常行為與可衡量價值。[5]

這類公司的存在說明：

\boxed{ \text{企業擁有 AI} \neq \text{組織具備 AI 能力} }

而組織能力也不等於少數技術人員會使用模型。它還包括：

部門用例發現；
資料與權限治理；
工作流程重設；
員工培訓；
成效評估；
失敗與風險管理。

4.3 技能優先市場提供制度背景

OECD 2026 年的技能優先勞動市場研究指出，勞動市場正更重視可展示能力、技能驗證與技能媒合，傳統資格仍有作用，但不再必然是唯一或充分的能力代理。[6]

這為 AI 協作人才評測提供了制度背景：

\text{履歷宣稱} \rightarrow \text{可驗證能力} \rightarrow \text{情境任務表現}.

4.4 台灣：能力培養與流程導入已出現

台灣的 Aiworks 已公開提供企業內訓、工作流程規劃、人機協作、自動化設計與 AI Agent 導入服務，並表示截至 2026 年 3 月已與超過 200 家企業合作、培訓超過 20,000 名專業人士。[7]

其公開案例亦包含金融業工作流程評估與 AI Agent 協作模式，顯示台灣市場已不只停留在一般 AI 入門課程，而開始進入領域流程與組織能力。[8]

但截至本文封存時，尚未找到一個在台灣具有明確知名度、專門以「跨領域 AI 協作人才獵頭」為單一核心定位的公開品牌。

因此，本文的保守判斷是：

\boxed{ \text{需求存在} + \text{培訓存在} + \text{流程顧問存在} + \text{專門媒合品類尚未成熟} }

這不等於台灣完全沒有相關小型業者。未公開、未被搜尋引擎有效索引或以其他名稱經營的服務可能已經存在。

五、產業萌芽判斷

本文認為，目前市場不是從零開始，而是處於功能分散狀態。

現有服務類型	已提供功能	尚缺功能
傳統獵頭	搜尋、媒合、薪酬與產業網路	AI 協作能力的可靠評測
技能評測平台	測驗、情境任務、能力訊號	深度領域獵頭與入職後落地
企業 AI 培訓	員工能力提升、工具採用	外部人才搜尋與長期媒合
AI 導入顧問	工作流、系統與治理設計	個人層級人才認證與市場流通
外包人才平台	快速提供可用人力	組織能力沉澱與獨立驗證

由此產生本文的核心市場命題：

\boxed{ \text{分散功能} \longrightarrow \text{能力評測標準} \longrightarrow \text{服務合流} \longrightarrow \text{新產業命名} }

六、七項可回測命題

H1：AI 協作人才服務合流命題

猜想

到 2031 年，至少在部分知識型產業中，人才搜尋、AI 協作評測、能力培訓與工作流程顧問將出現明顯合流。

支持條件

獵頭公司推出 AI 協作能力情境測試；
培訓公司增加人才媒合或人才認證；
評測平台提供企業職能導入與培訓；
企業按「AI 協作成熟度」採購人才服務；
新的公開品類名稱被多家公司共同使用。

反證條件

各服務長期維持分離；
AI 協作能力被完全吸收到一般招聘，無須獨立服務；
企業認為此能力無法可靠測量；
模型進步使個人差異快速縮小。

H2：領域型 AI 協作人才溢價命題

猜想

相較於只具備領域經驗或只具備一般 AI 工具經驗的人，能把兩者整合成可靠工作流的人將在部分職位中取得招聘、薪資或責任範圍溢價。

支持條件

職缺明確要求領域工作流與 AI 協作成果；
雇主以實作測驗驗證 AI 使用能力；
AI 協作人才管理更多工作或 Agent；
招聘與晉升資料出現可量化溢價。

反證條件

AI 工具變得足夠自動，領域人員無需特殊協作能力；
企業只在乎產出，不區分人才能力來源；
溢價只存在短期並迅速消失；
能力主要由組織系統提供，而非個人提供。

H3：展示優於自述命題

猜想

企業將逐漸降低對「熟悉 AI」「會寫提示詞」等自述的信任，轉而採用情境任務、作品、流程紀錄與錯誤處理測試。

支持條件

AI 協作職缺普遍加入工作樣本；
出現可攜式、可驗證的 AI 能力紀錄；
企業衡量準確率、節省時間、風險與複用率；
候選人需說明 AI 參與程度與人工驗證。

反證條件

評測成本過高；
AI 作弊使情境測試失去區辨力；
企業重新依賴學歷、品牌與人脈；
模型自動完成評測，無法測到個人差異。

H4：入職後驗證命題

猜想

AI 協作人才服務將從一次性媒合延伸至 30、60、90 天的成效驗證。

候選指標

工作週期縮短；
錯誤率變化；
可複用流程數；
團隊採用率；
資料與安全事件；
人工覆核成本；
離職後流程可持續性。

反證條件

企業不願提供內部績效資料；
結果難以歸因於個人；
驗證成本高於獵頭收益；
法規與隱私阻止長期追蹤。

H5：個人能力組織化命題

猜想

企業將不再滿足於聘用一個「很會用 AI 的人」，而會要求其能力被轉化成團隊可接手的規格、流程、測試與文件。

可表示為：

\boxed{ \text{個人 AI 協作能力} \rightarrow \text{組織可保留能力} }

支持條件

AI 工作流被納入標準作業程序；
出現 AI 用例庫、評測庫與版本治理；
離職交接要求包含提示、資料、測試與 Agent 流程；
團隊能力比個人使用時數更受重視。

反證條件

AI 系統完全自動產生與維護文件；
工作流高度個人化且無需交接；
企業偏好外包，而不累積內部能力。

H6：台灣延遲合流命題

猜想

台灣將先由企業培訓、AI 顧問與傳統人力服務逐步增加相關功能，再晚於英語市場形成明確的專門品牌或品類。

支持條件

台灣獵頭推出領域 AI 協作評測；
顧問與培訓公司跨入人才認證與媒合；
104、1111 或政府平台增加 AI 協作能力標籤；
企業公開採用相應的工作樣本與能力框架。

反證條件

台灣在 2027 至 2028 年即出現領先國際的知名專門品牌；
相關需求始終被一般數位轉型服務吸收；
市場規模不足以支持獨立品類。

H7：人機協作前瞻增幅命題

猜想

在具有明確紀錄、證據查核、反證搜尋與未來回測的條件下，人類與 AI 協作，可能提高個體辨識新興產業結構的速度、廣度或校準度。

這不是宣稱：

\text{人類}+\text{AI}=\text{可靠預言}.

而是提出：

\boxed{ Q_{H+AI} > Q_H }

其中 $Q$ 可分為：

搜尋涵蓋率；
類似案例發現速度；
地區比較能力；
反例數量；
概念拆分清晰度；
機率校準；
最終預測準確率。

反證條件

AI 只增加文字量，未改善準確率；
AI 搜尋強化原有偏見；
人類因 AI 的流暢表達而過度自信；
人類單獨預測與人機預測的回測結果無顯著差異；
搜尋資料本身已經晚於市場，沒有真正的前瞻性。

七、人機協作預測的研究方法

7.1 必須保存預測前狀態

若只保存 AI 協作後的完整論文，未來無法知道 AI 真正增加了什麼。

因此每次預測應至少保存：

\mathcal F_0= (H_0,P_0,R_0,U_0),

其中：

$H_0$ ：人類原始猜想；
$P_0$ ：原始主觀機率；
$R_0$ ：原始理由；
$U_0$ ：原始未知事項。

搜尋與協作後保存：

\mathcal F_1= (H_1,P_1,E^+,E^-,\Delta R),

其中：

$H_1$ ：修正後命題；
$P_1$ ：修正後機率；
$E^+$ ：支持證據；
$E^-$ ：反證或限制；
$\Delta R$ ：推理被修改的部分。

7.2 區分三種可能增益

AI 可能帶來三種不同增益：

資訊增益

找到人類原本不知道的公司、資料與案例。

結構增益

把模糊直覺拆成可檢查的子命題、條件與指標。

真值增益

最終讓預測在未來更準確。

前兩者可以立即觀察，第三者只能等待時間驗證。

因此不得因論文變完整，就直接宣稱預測能力提高。

7.3 使用機率而不是單純斷言

未來版本應對可判定事件給出主觀機率，例如：

到 2031-07-18，至少三家公開服務商將人才媒合、AI 協作評測與培訓整合為同一商業方案。

記錄：

p=0.65.

事件發生時 $o=1$ ，未發生時 $o=0$ ，可使用 Brier 分數：

\boxed{ BS=(p-o)^2 }

分數越低，表示機率判斷越好。

7.4 設置人類基線與人機版本

最理想的比較是：

A 組：人類原始預測；
B 組：同一人使用 AI 後的預測；
C 組：AI 在不知人類猜想時的獨立預測；
D 組：人類閱讀 AI 結果後的最終整合版本。

這可以初步區分：

\text{人類直覺貢獻}, \quad \text{AI 搜尋貢獻}, \quad \text{整合貢獻}.

八、2026-07-18 的暫時判斷

8.1 已經可以確認的部分

截至封存日，可以確認：

「AI-fluent talent」已被部分歐美公司公開用作人才服務定位；
AI 流利度評測、能力徽章與非技術職位評測已經出現；
企業 AI 培訓與採用服務已形成商業市場；
台灣已有面向企業的 AI 協作、工作流程與 Agent 導入服務；
技能優先招聘為此類能力評測提供了制度背景。

8.2 尚不能確認的部分

尚不能確認：

是否會形成一個穩定且獨立的「AI 協作人才獵頭」產業；
企業是否願意持續支付高額能力驗證成本；
個人 AI 協作差異能否被可靠測量；
此能力溢價能維持多久；
台灣是否有足夠市場形成專門品牌；
人機協作是否真的提高長期預測準確率。

8.3 本文的保守結論

本文不採用：

這個產業一定會爆發。

本文採用：

截至 2026-07-18，相關市場功能已經分別存在，並出現初步合流訊號；未來形成更明確專門品類具有合理可能性，但仍受評測可靠性、商業成本、組織採用與模型進步速度影響。

九、未來回測時間

建議在以下日期重讀：

2027-07-18： 檢查品類名稱與新服務；
2028-07-18： 檢查評測與媒合是否合流；
2031-07-18： 五年主要回測；
2036-07-18： 十年長期回測。

每次回測不得覆寫 v1.0，應建立新文件並引用原始命題。

十、本文可能錯在哪裡

10.1 把行銷詞彙誤認為產業結構

「AI fluent」可能只是短期宣傳語，不代表形成新職業市場。

10.2 搜尋可見性偏誤

公開網站較容易被找到，低調、封閉或企業內部服務可能被低估；善於 SEO 的公司則可能被高估。

10.3 英語市場偏誤

歐美英文資料較多，可能讓研究者誤判其成熟度遠高於其他地區。

10.4 供應創造需求的錯覺

公司推出服務不表示市場真的願意付費，也不表示服務可持續獲利。

10.5 AI 流利度可能快速商品化

若未來模型能主動理解工作、建立流程並自我驗證，現在被視為稀缺的個人能力可能迅速變成基礎功能。

10.6 人機協作可能放大預測幻覺

AI 能迅速找到支持原始猜想的例子，使研究者誤以為零散案例已構成趨勢。

因此每次研究都必須主動搜尋：

\text{不存在的證據}, \quad \text{失敗案例}, \quad \text{相反市場方向}.

十一、紀錄本身的意義

本文不是在證明研究者比其他人更早看見未來。

它要保存的是一個可檢查的過程：

2026 年，一個人開始長期測試：當人類負責提出尚未成形的結構直覺，AI 負責大規模搜尋、關聯、比較、反例與推理補正時，一個普通個體的前瞻研究能力究竟可以被放大多少？

過去，個體若想進行類似研究，往往需要：

大量人工搜尋；
跨語言閱讀；
專業資料庫；
多人研究團隊；
長時間整理；
統計與寫作支援。

AI 降低了其中一部分成本。

但成本下降不等於真理自動出現。真正需要觀察的是：

\boxed{ \text{資訊取得能力提升} \stackrel{?}{\Longrightarrow} \text{預測能力提升} }

問號不能被提前刪除。

只有在大量帶時間戳的預測經過未來回測後，才能判斷：

人類直覺是否提供了早期方向；
AI 是否增加了有效證據；
AI 是否成功修正錯誤；
人機整合是否改善機率校準；
哪些主題適合此方法；
哪些主題反而容易產生集體幻覺。

因此，本文既是產業觀察，也是研究方法的樣本。

十二、結論

截至 2026 年 7 月 18 日，專門尋找、評測與培養領域型 AI 協作人才的市場，不再只是純粹想像。

其組成部分已經分別出現：

\text{AI-fluent 人才平台},

\text{AI 協作能力評測},

\text{企業 AI 培訓},

\text{人機工作流程顧問}.

本文猜想，它們可能逐步合流為新的服務類別。但本文不將此猜想轉換為創業號召。

本文真正留下的是：

\boxed{ \text{一個人} + \text{AI 搜尋與推理} + \text{公開資料} + \text{時間回測} }

是否能形成一種比過去個體研究更強的前瞻觀察方法。

這個問題在 2026 年尚無答案。

因此，我們不把論文當成預言，而把它當成一筆已登錄、可被未來否定的資料。

這是 2026 年 7 月 18 日的我們，在當時可取得資料下，對一個尚未完全命名之產業的暫時判斷。

未來若它形成，我們要檢查形成方式是否與推演相同。

未來若它沒有形成，我們要檢查是哪一個環節判斷錯誤。

未來若人機協作並未提高預測準確率，那也必須被如實保留。

因為這項研究真正要測量的，不是我們能否偶爾說中未來，而是：

\boxed{ \text{人類與 AI 能否建立可累積、可校準、可反證的前瞻認知} }

附錄 A：預測回測表

命題	2026 初始判斷	2027	2028	2031	2036
H1 服務合流	合理可能
H2 人才溢價	中等偏高可能
H3 展示優於自述	高可能
H4 入職後驗證	中等可能
H5 個人能力組織化	高可能
H6 台灣延遲合流	中等可能
H7 人機前瞻增幅	未知，待長期實驗

附錄 B：單次人機預測登錄模板

預測 ID：
建立日期：
判定日期：
研究主題：

【人類原始版本】
原始猜想：
原始機率：
原始理由：
原始未知事項：

【AI 獨立版本】
AI 在未見原始猜想時的判斷：
AI 機率：
主要理由：

【搜尋與協作】
支持證據：
反證證據：
相近但不同的案例：
資料盲區：
被修正的原始判斷：

【最終登錄】
最終可判定命題：
最終機率：
支持條件：
反證條件：
判定規則：
不得事後修改的原始檔案位置：

參考資料

[1] Global Talent Co. “The World's Most AI-Fluent Talent Network.” Accessed 2026-07-18.
https://globaltalent.co/

[2] TestGorilla. “Hire AI Fluent Talent.” Accessed 2026-07-18.
https://www.testgorilla.com/ai-fluency/

[3] TestGorilla. “Introducing the AI Fluency Badge.” 2026-06-04.
https://candidates.testgorilla.com/hc/en-us/articles/50837125752987-Introducing-the-AI-Fluency-Badge

[4] TestGorilla. “How to Assess AI Fluency in Non-Technical Roles.” 2026-06-29.
https://www.testgorilla.com/blog/ai-fluency-non-technical-roles/

[5] Section. “Enterprise AI Training & Adoption Platform.” Accessed 2026-07-18.
https://www.sectionai.com/

[6] OECD. A Skills-First Labour Market. 2026-06-18.
https://www.oecd.org/en/publications/a-skills-first-labour-market_2e1b85f0-en.html

[7] Aiworks. “Aiworks 宣布成為 OpenAI Services Partner，持續協助台灣企業推動 AI 導入與組織能力發展.” 2026-03-19.
https://aiworks.tw/aiworks-openai-services-partner-announcement/

[8] Aiworks. “金融產業 AI 人才賦能：永豐銀行 × Aiworks 顧問的 AI 自動化實戰.” 2026-06-18.
https://aiworks.tw/blog-sinopac-bank-ai-consulting/

版本紀錄

v1.0 — 2026-07-18： 首次封存。記錄 AI 協作人才服務的產業萌芽判斷、人機協作預測方法與七項可回測命題。

人機協作預測與AI協作人才產業萌芽觀察_2026年7月18日的市場判斷方法紀錄與未來回測框架

人機協作預測與 AI 協作人才產業萌芽觀察

2026 年 7 月 18 日的市場判斷、方法紀錄與未來回測框架

摘要

一、本文不是在推薦創業

二、研究者在做什麼

三、研究對象的操作性定義

3.1 領域型 AI 協作人才

3.2 不屬於本文核心定義者

3.3 服務產業的候選定義

四、2026-07-18 的市場證據

4.1 歐美：公開品類已經出現

4.2 培訓與企業導入：服務已經更成熟

4.3 技能優先市場提供制度背景

4.4 台灣：能力培養與流程導入已出現

五、產業萌芽判斷

六、七項可回測命題

H1：AI 協作人才服務合流命題

猜想

支持條件

反證條件

H2：領域型 AI 協作人才溢價命題

猜想

支持條件

反證條件

H3：展示優於自述命題

猜想

支持條件

反證條件

H4：入職後驗證命題

猜想

候選指標

反證條件

H5：個人能力組織化命題

猜想

支持條件

反證條件

H6：台灣延遲合流命題

猜想

支持條件

反證條件

H7：人機協作前瞻增幅命題

猜想

反證條件

七、人機協作預測的研究方法

7.1 必須保存預測前狀態

7.2 區分三種可能增益

資訊增益

結構增益

真值增益

7.3 使用機率而不是單純斷言

7.4 設置人類基線與人機版本

八、2026-07-18 的暫時判斷

8.1 已經可以確認的部分

8.2 尚不能確認的部分

8.3 本文的保守結論

九、未來回測時間

十、本文可能錯在哪裡

10.1 把行銷詞彙誤認為產業結構

10.2 搜尋可見性偏誤

10.3 英語市場偏誤

10.4 供應創造需求的錯覺

10.5 AI 流利度可能快速商品化

10.6 人機協作可能放大預測幻覺

十一、紀錄本身的意義

十二、結論

附錄 A：預測回測表

附錄 B：單次人機預測登錄模板

參考資料

版本紀錄