[AI 分享] OpenAI Dev Day 2026：從聊天產品走向智慧體工作與分發平臺

 [AI 分享] OpenAI Dev Day 2026：從聊天產品走向智慧體工作與分發平臺

摘要 : 從常駐智慧體到雲端開發工具，整理OpenAI新布局、開放狀態與工程師的實作重點。

內容:

一、這場發表會的主角，不再只是模型

OpenAI於2026年9月29日在舊金山Fort Mason舉辦Dev Day，由Sam Altman主講。53分鐘的主題演講公布超過20項更新，涵蓋ChatGPT、模型、Codex、協作工具與開發者平臺，官方將其定位為迄今規模最大的一屆。

最值得注意的是，最前面的介紹與最長的演示時間，並未留給新模型，而是交給名為DOTS的常駐智慧體。這透露出一個方向：OpenAI正在把ChatGPT從聊天產品，推向能持續執行任務、支援團隊協作的工作平臺。

會上另公布ChatGPT每週活躍使用者達12億。這個規模，也是後續第三方登入、外掛與應用分發布局的重要基礎。

二、DOTS：全天候工作的數位員工

DOTS可以理解為一名常駐的數位員工。原文指出，它由GPT-6 Astra驅動，擁有雲端電腦與瀏覽器，並透過外掛生態連接四千多個應用。

使用者可以交付一個目標，例如追蹤新進來的錯誤報告、重現問題、修復程式、執行測試並提交PR。即使使用者關上電腦，任務仍會在背景持續推進。

溝通入口不只在ChatGPT，也包含Slack與Teams，後續還規劃支援簡訊及電話。權限方面，原文描述其預設採取唯讀操作，敏感操作需經人工審批。

目前開放對象包括Pro與Business Premium，企業使用則需由管理員啟用。原文亦以DOTT稱呼個別智慧體，並指出第一個DOTT包含於方案中，對話不占用量。

對工程師而言，真正的問題不是它能否回答程式問題，而是能否放心把完整修復流程交給它持續執行。

三、Space：讓人與智慧體共享工作脈絡

如果DOTS負責工作，Space就是工作的場所。這個共享工作區讓同事及各自的智慧體，圍繞共同目標與歷史紀錄協作。

其中的Pages支援人與智慧體共同編輯，也能把對話整理成頁面。協作式幻燈片則預計在數週內推出。Slack與Teams中的多人對話，不要求所有參與者都具備訂閱。

Mac端另新增會議外掛，可將會議紀要與待辦事項存入Space。原文指出，官方說明原始音訊使用後即刪除，無法回放。

這些功能對程式設計師未必都是最直接的需求，卻反映出OpenAI的產品判斷：AI產出不應停留在對話框，而應進入可維護、可重用的文件與工作成果。

四、模型更新：智慧、成本與速度分開選擇

GPT-6.1 SOL 定位為「接近Astra的智慧，約五分之一的價格」。API價格為每百萬token輸入2美元、輸出10美元，與上一代持平；快取輸入價格則由0.2美元降至0.1美元。

對智慧體應用而言，系統提示詞、程式碼倉庫上下文與工具定義，往往包含大量重複前綴。如果能穩定命中快取，就有機會明顯降低成本。

其上下文視窗為約105萬token，最大輸出128K。原文指出，發布當天已進入API、ChatGPT Work與Codex，但一般聊天尚未提供。

官方評測，SOL在OSWorld 2.0最高推理設定下，與Astra僅差約兩個百分點，成本約為七分之一；但最困難的科學任務仍由Astra領先。這些比較涉及不同口徑，不宜視為所有任務都具備相同差距。

UltraFast則是另一個付費維度。Astra開啟後，在Codex中的輸出速度最高可達八倍、每秒約300個token；API中最高約六倍，價格也提高至六倍，每百萬token輸入60美元、輸出300美元。

需要注意，輸出速度提高八倍，不代表整個任務會快八倍。工具執行、網路等待與其他流程耗時，並不會同步縮短。

訂閱方案也有所調整，包括新增500美元Pro方案、重新開放200美元Pro方案，以及新舊使用者額度與額外credits安排。

整體定價方向很明確：低成本與高速度，開始被分開販售。

五、Decisions API：把判斷獨立成API能力

Decisions API是工程價值容易被低估的一項更新。它基於小模型LUNA，接收上下文與一組預定義選項，直接返回選擇，適合分類、路由及決定智慧體下一步行動。

原文引用的官方比較為約150毫秒，相較一般LUNA呼叫的1.6秒，速度約快十倍。

過去常見做法，是讓大模型生成JSON，再由程式解析結果。對一個簡單判斷而言，這可能付出不必要的生成延遲與成本。Decisions API則把「做選擇」獨立成可直接使用的API原語。

客服分流、審批路由及智慧體狀態機，是值得優先測試的場景。目前仍屬限量預覽，原文指出官方預計在數日內擴大開放。

六、Codex：競爭從程式生成走向工程基礎設施

Codex是此次更新最密集的產品線，其中最重要的是Codex Cloud。開發環境設定一次後，即可保存為雲端環境，讓任務在託管電腦中持續執行，不受本機關閉影響。

現場示範以一句指令要求將整個後端改寫為Rust，再把任務交給雲端執行。重點不只是生成程式碼，而是讓開發工作能在獨立環境中持續推進。

其他更新包括雙向語音、智慧體檢視，以及桌面端程式碼審查。相關審查可在雲端自動執行，並與GitHub PR、GitLab MR結合。

Codex Security Cloud則持續掃描程式碼倉庫、尋找漏洞，並準備修復方案。此外，原文也提到Linux版、單專案跨多檔案操作與手機端支援。

這些更新支持一個判斷：AI程式設計工具的競爭，正從「誰更會寫程式」延伸到「誰能提供完整的工程執行與維護環境」。

七、Agent API與開源框架：把執行能力交給開發者

Agent API進入公測，將驅動Codex的執行框架以託管方式提供。開發者主要負責定義任務、串接工具與資料，底層環境則由OpenAI管理。

多智慧體協作、工具搜尋與上下文壓縮等能力內建其中，並加入電腦操作，讓智慧體直接開啟瀏覽器、操作軟體介面、執行流程與測試。

與AWS合作的Bedrock Managed Agents，以及企業端的Private Intelligence，涉及零資料保留與隱私、安全處理，相關隱私推理能力預計於秋季提供預覽。

對工程師而言，Codex Harness開源尤其值得注意。原文指出，Codex、ChatGPT Work與DOTS共用同一套智慧體框架，開發者可直接閱讀實作，理解其執行機制。

八、真正的主線：ChatGPT成為工作與分發平臺

把各項更新放在一起看，主線並非單純增加功能，而是讓ChatGPT成為第三方產品入口與工作執行層。

Sign in with ChatGPT讓使用者帶著訂閱額度登入第三方產品。原文提到首批16家，包括Notion、VS Code與Devin，且聊天紀錄與記憶不共享。

外掛擴充讓開發者能在ChatGPT內建立側邊欄、互動面板與檔案檢視器，相當於把應用嵌入對話介面。MCP Events則讓外部事件觸發ChatGPT中的自動化，不必等待使用者主動開啟對話。

企業Marketplace首批合作對象據稱有32家，包括Figma、Adobe與Salesforce。若以原文所述12億週活躍使用者為基礎，這套生態的核心價值就在於分發規模。

九、需要保留的判斷：官方宣告不等於外部驗證

首先，效能數據主要來自官方評測。「SOL接近Astra」不代表第三方榜單或所有任務都得出相同結論。

Artificial Analysis智慧指數，稱SOL為52分、另一款名為「Cloud Opus 5.5」的模型為58分，並主張SOL的主要優勢在成本。相關名稱與數據仍需另行核對。

其次，官方所稱內部AI研究實習生已上崗、模型能獨立完成部分研究任務，原文指出尚缺論文及外部評測，因此應先視為公司宣告。

最後，宣布不等於立即可用。SOL的UltraFast版本、協作幻燈片與隱私推理仍在規劃或預覽階段，DOTS也有地區限制。

直播中的語音與3D演示曾出現問題，提醒讀者：流暢的產品願景與實際使用的可靠性，仍需要分開評估。

十、工程師接下來可以做的三件事

第一，將部分批次處理或智慧體任務切換至SOL，用真實任務比較總成本、品質與完成時間。同時整理穩定的長前綴，讓提示詞、工具定義與倉庫上下文更容易命中快取。

第二，如果系統包含分類或路由邏輯，待Decisions API開放後進行對照測試，評估是否能替換部分大模型呼叫，降低延遲與費用。

第三，閱讀Codex Harness原始碼，了解智慧體如何管理工具、上下文與執行環境。比起只看演示，這更有助於判斷哪些能力能真正融入現有工程流程。

[AI 觀點] 2026 年別只學 AI 工具，更要學會管理 AI

[AI 觀點] 2026 年別只學 AI 工具，更要學會管理 AI

摘要：與其追逐新工具，不如練習定義問題、拆解任務與給予回饋，讓 AI 改善真實工作流程。

內容:

2026 年，AI 工具愈來愈容易使用。與其不斷追逐新模型、Prompt 教程或 Agent 框架，擔心自己學得不夠快，不如把注意力放在如何讓 AI 幫你完成工作。這不是說不用學技術，而是不要把「學 AI」變成新的焦慮來源。

第一，學會定義問題。只說「幫我寫一份設計文件」，AI 很可能給出制式模板。如果能說清楚系統要服務多少使用者、支援哪些通知方式，以及需要考慮重試、限流、去重和監控，再請 AI 提出架構與潛在故障點，結果才更可能推進工作。

第二，學會拆解任務。不要把「完成一個功能」或「修好這個錯誤」整包丟給 AI。可以先請它理解現有程式碼、提出除錯計畫，再撰寫測試、檢查邊界情況。AI 的價值不在於一次給出完美答案，而在於能依照你的工作流程反覆迭代。

第三，學會給具體回饋。當 AI 的第一版不理想，指出問題比直接換工具更有用：例如沒有考慮併發、漏掉空值處理、測試覆蓋不足，或設計不利於日後擴充。這就像帶領團隊成員；你愈能說明判斷依據，AI 愈能照你的方向協助。

真正值得問的，不只是該用哪個工具，而是工作中哪些事可以交給 AI，哪些判斷必須由自己負責。若不知道從哪裡開始，就挑一件最重複、最耗時的事，例如除錯、製作檢查清單或整理會議紀錄：提供背景與目標，取得第一版，再持續回饋和檢查結果。重點不是看過多少 AI 內容，而是有沒有用 AI 改善一個真實流程，把時間留給更高價值的工作。

[AI 觀點] AI 時代，學生該如何選擇發展方向？

 [AI 觀點] AI 時代，學生該如何選擇發展方向？

摘要：大模型研究仍有空間；AI 基礎設施重視設計判斷，應用前景廣闊但難以預測。

內容:

對於覺得工作難找的本科生與研究生，該投入大模型研究、AI 基礎設施，還是應用開發？這三個方向各有機會，也面臨不同的不確定性。

大模型依然重要，發展空間也很大。AI 遠不是一個已經解決的問題；目前的大模型路線很有希望，但未來也可能出現新的路徑。對有志攻讀博士、從事研究的人來說，與其重複大家已經做了很多的模型，不如探索新的模型方向。

AI 基礎設施（Infra）方面，可以考慮進入工業界，但不能只把自己定位成寫程式的人，因為不少程式工作可能由 AI 完成。更重要的是具備設計品味與判斷力：能將 AI 產生的程式碼組織成良好的系統，理解什麼設計更持久、易維護且靈活。AI 能提供建議，但如果自己無法判斷好壞，就難以維護完全依賴 AI 設計的成果。

至於 AI 應用，前景廣闊，許多傳統商業模式都可能被改變；但它也最難預測。今天做出的應用，可能很快就被大型模型公司推出的新能力取代，甚至變成基礎平台本身就具備的功能。

[AI 爆料] OpenAI正開發新模型Bell

 [AI 爆料] OpenAI正開發新模型Bell

摘要：傳聞稱OpenAI正開發新模型Bell，並以AI破解數學難題；模型能力、證明與研究歸屬仍待查證。

內容:

近期爆料稱，OpenAI正在開發代號「Bell」的新一代基礎模型，可能成為Astral之後產品的基礎，甚至被部分媒體稱為「ChatGPT-7」。最早的說法之一來自8月25日的網路帳號NFTChain，聲稱Bell已完成一輪預訓練，參數量超過10兆。這些規格與產品定位目前仍屬傳聞，不能視為OpenAI已確認的資訊。

依照爆料，Bell承接代號「DOG」的基座模型，並採用「雙速學習」架構：一方面從程式測試、數學證明及工具使用中即時取得經驗，另一方面將經過驗證的成果納入後續訓練。爆料者據此推測，它可能持續改善自身的學習方式，並將能力轉移到較輕量的模型。另有說法稱，Bell在程式撰寫、推理與長時間自主執行任務方面超越Astral，還能協調大量並行運作的AI代理；這些能力尚缺乏可獨立核實的證據。

相關傳聞也把Bell與OpenAI的算力、自研晶片「Jalapeno」，以及所謂AI自主改進的內部實驗連在一起，並推測其將成為OpenAI與Anthropic競爭的關鍵。不過，原文列舉的模型成績、效率提升幅度、產品時程及內部動向，多來自爆料或轉述，仍需審慎看待。

另一項爭議圍繞納維－斯托克斯方程。原文稱，OpenAI宣布由內部模型驅動的大量協同AI代理，在約88小時內找到這項千禧年難題的求解方案；部分報導進一步將成果歸於Bell。即使確有方案，其證明是否成立、是否構成該難題的完整解答，仍須經過學術界審查，不能逕稱難題已被破解。

原文並引述紐約大學數學教授特里斯坦·巴克馬斯特的疑慮：他與研究搭檔曾私下研究相關問題，認為OpenAI所述的求解路徑與兩人的工作相近，因而質疑研究資料是否曾被模型使用。他同時表示，尚未看到完整證明，也無法證實資料遭挪用。原始內容在提及OpenAI回應、稱專案於9月1日開始之處中斷，因此無法確認後續說明。

[AI 解析] 微軟新版 Copilot：模型之外，誰掌握企業 AI 入口？

 [AI 解析] 微軟新版 Copilot：模型之外，誰掌握企業 AI 入口？

摘要：微軟讓 Copilot 自動選擇模型，並以代理、權限與成本治理爭奪企業 AI 工作入口。

內容:

2026 年 9 月 25 日，微軟推出新版 Copilot，加入 Home、Code 和 AutoPilot 三個入口。Home 整合聊天、程式工作與 Office 應用；Code 讓一般員工也能建立工具；AutoPilot 則是可在雲端持續執行任務的代理，即使使用者關閉電腦，工作仍能繼續。

這次更新的核心，不只是增加功能，而是改變模型在產品中的位置。Copilot 的 Auto 路由系統會依任務的準確率需求、速度與成本，自動選擇合適模型；簡單摘要不必動用昂貴的前沿模型，複雜任務則可升級，或交由不同模型與子代理分工。使用者面對的是完成工作的 Copilot，不一定需要親自挑選模型。

對模型公司而言，這代表競爭可能從吸引使用者選擇品牌，轉向爭取路由系統分配的任務。OpenAI、Anthropic、微軟自研模型及開放權重模型都可能進入候選範圍。若多款模型在常見任務上的表現接近，價格、延遲與安全性就會更直接地影響呼叫量。企業也能藉由切換供應商取得更大的議價空間。

但路由權集中在微軟手中，也帶來透明度問題。當微軟自研模型與外部模型同場競爭，企業需要知道系統為何選擇某個模型、花了多少錢，以及任務失敗時發生了什麼事，才能判斷選擇是否真正符合自身利益。開放權重模型則提供另一種選項：企業可依內部資料微調，或部署在可控環境中；不過，進入核心工作流程仍須符合安全與合規要求。

比模型路由更深的一層，是代理對企業系統的操作能力。AutoPilot 若能讀取檔案、開啟應用並更新紀錄，就必須清楚界定它能看什麼、做什麼，以及哪些動作需要人類批准。聊天回答出錯可以重問，代理若改錯訂單或財務資料，後果則可能直接進入業務流程。微軟以 Agent 365 管理代理身分、權限、安全政策及審計紀錄，試圖建立企業採用長期代理所需的控制層。

計費方式也跟著改變。日常問答與初稿適合固定訂閱；需要持續呼叫模型和工具的 Code、AutoPilot，則採按量計費。企業最終要衡量的，不只是每百萬 token 的價格，而是一項任務通過驗收的總成本，包括重試、工具呼叫與人工檢查。微軟因此加入 AI 成本治理，讓管理員追蹤用量並設定預算。

微軟的優勢在於，Copilot 可連接既有的 Office、Teams、GitHub、企業身分與資料系統。當員工逐漸從「逐一操作軟體」轉為「交代目標並監督代理」，任務入口、資料權限和操作紀錄的價值可能上升，傳統軟體介面的價值則可能改變。OpenAI、Anthropic 正向企業產品推進；擁有 Workspace、Cloud 與裝置入口的 Google，也可能在同一領域競爭。

模型戰爭不會因此結束。頂尖模型仍決定能力上限，但企業未必每次都需要最強、最貴的模型。微軟押注的是：讓可替換的模型在 Copilot 裡工作，同時把任務、權限、路由與成本治理留在自己的平台。這套策略能否成立，仍取決於 AutoPilot 能否可靠完成長任務、Auto 能否公平選擇模型，以及 Agent 365 能否守住安全邊界。

[AI 解析] Claude Ops 5.5：降價、效能與遷移風險

 [AI 解析] Claude Ops 5.5：降價、效能與遷移風險

摘要：解析 Claude Ops 5.5 的價格、效能、架構變更與遷移風險。

內容：

Anthropic 最新發布大模型 Claude Ops 5.5，能力、速度與價格均有所調整。社群也開始用它製作各類 3D 遊戲 Demo，包括類似《QQ 飛車》的競速與道具模式、《穿越火線》風格的戰鬥場景，以及常被各大模型拿來比較的 3D 單車遊戲。

然而，這次更新的重點並非單純的能力躍升，而是「單位經濟學」的重新設計：輸入與輸出價格各降低約 20%，快取讀取價格降低 60%；但在獨立測試的最高檔位中，單次任務輸出約 11.9 萬個 token，是上一代的 1.6 倍。換句話說，單價雖然下降，總成本卻未必同步降低。

更值得注意的是，預設 effort 檔位從 High 悄悄下調至 Medium。若團隊沒有修改程式碼，可能在監控數據看似改善的情況下，實際遭遇一次「靜默降級」。因此，真正的問題不是模型是否變便宜，而是使用量增加後，帳單是否反而更高。

一、核心數字與定位

Claude Ops 5.5 於 9 月 22 日發布，用來取代 Ops 5，並成為預設推薦模型。這次更新的主要變化包括：

輸入與輸出單價降低約 20%

快取讀取價格降低 60%

預設 effort 從 High 調整為 Medium

最高檔獨立測試得到 58 分，領先並列第二名約 5 分

最高檔每項任務輸出約 11.9 萬個 token，為上一代的 1.6 倍

因此，它更像是一次成本與效能配置的釋出，而非全面性的能力突破。

模型最大的壁壘在於既有治理資產，但最大的摩擦也出現在同一領域。根據相關評估，它在未經驗證的前沿安全與生物研究任務上，相較上一代有所退步。較適合的定位是：「把它當執行者，而不是顧問。」

二、發布時間線與安全爭議

約在 9 月 12 日，執行長發表應為前沿 AI 發展減速的主張；9 月 15 日前後，相關意見陸續出現；到了 9 月 22 日，新模型正式發布，前後相隔僅約十天。

官方解釋是，減速呼籲所針對的是能夠完全自動化 AI 研究的系統，而 Claude Ops 5.5 只是用更低成本、更快速度，完成上一代已經具備的工作。

另一項值得關注的措施，是讓常駐審計與外部評估人員取得接近員工層級的權限，並可公開揭露風險發現。不過，官方仍保留範圍有限的內容刪改權。判斷其安全承諾時，不能只看對外聲量，也應觀察實際資源與資金流向。

三、價格與 effort 檔位

模型的上下文長度為 100 萬個 token，最大輸出為 12.8 萬個 token，與上一代一致。真正的行為變更主要有兩項：

自適應思考功能預設常開，且無法關閉。

effort 預設值從上一代的 High 改為 Medium。

快取讀取價格則從 0.50 美元降至 0.20 美元，降幅達 60%；相較普通輸入價格，快取讀取約有 95% 的折扣。

不同版本並非完全不同的模型，而較像是共享核心能力、提供不同的存取與運算等級。

各 effort 檔位的測試結果與成本如下：

Max：58 分，5.98 美元

S High：56 分，3.46 美元

High：54 分，1.82 美元

Medium：51 分，1.30 美元

Low：12 分，0.55 美元

預設的 Medium 檔取得 58 分中的 51 分，但成本只有 Max 的約五分之一。這說明所謂的提效降價，部分來自預設檔位下移，而非模型本身在相同運算條件下大幅變便宜。

其中，High 可能是整體性價比較佳的選擇：得分高於另一款旗艦模型的最高檔，成本卻僅約為其 56%。

四、思考機制與 API 變更

這次更新移除了兩條舊有操作路徑：

傳送關閉思考功能的設定

手動指定思考預算參數

目前無論在哪一個 effort 檔位使用這些設定，都可能收到 HTTP 400 錯誤。

官方理由是，模型已在訓練階段內建思考機制。若允許關閉思考，模型就會進入未受完整訓練的運作模式，也可能破壞模型先規劃、再執行的能力。

另一項遷移摩擦是，思考區塊會與產生它的模型及上下文綁定。若修改先前訊息或系統提示，後續思考內容可能失效，並返回 HTTP 400。這會影響既有的對話重播、提示詞編輯及工作流設計。

五、執行腳手架與真實任務

模型若沒有執行腳手架，就只是一個聊天介面。要讓它連接真實任務，系統至少需要處理三個層面：

連線管理與憑據邊界

任務迴圈、狀態管理與工具路由

檔案系統及執行環境隔離

分層設計會直接決定哪些部分需要隨模型遷移。通常會隨模型變動的是思考機制與 effort 設定；不必隨模型更換的部分，則包括動作前分類器、快取、記憶、沙箱與透明回退機制。

評估自動化任務時，不能只看模型執行速度。實際淨收益應將人工完成時間，扣除 AI 執行、人工複核及後續整合處理所需時間；採購端真正支付的，也是整套流程成本，而非只有 token 費用。

六、遷移與成本風險

不同變更的回滾難度並不相同：

更換模型名稱：通常可在數分鐘內回滾

調整 effort 檔位：可能需要數小時重新測試

思考功能常開：涉及 API 與工作流設計，遷移成本較高

修改早期訊息造成思考區塊失效：可能破壞既有對話與代理流程

因此，團隊不應只因單價下降就直接全面切換。較穩妥的做法，是先固定 effort 檔位，以相同任務比較成功率、輸出 token、執行時間、快取命中率及人工複核成本。

Claude Ops 5.5 的核心價值，在於以較低檔位保留大部分能力，但低單價不代表低總成本。若任務輸出量、重試次數或人工複核時間上升，最終帳單仍可能高於上一代。

[AI 衝擊] Jev：專為自動化決策而生的高速 AI 模型

 [AI 衝擊] Jev：專為自動化決策而生的高速 AI 模型

摘要 : Jev 以高速、低成本與低幻覺，重新定義 AI 自動化流程中的決策節點。

內容:

Jev 是近期 AI 圈備受關注的新模型。它不聊天、不寫文章，也不協助撰寫程式，而是專注於一件事：做決定。使用者提供資料、問題與預設選項後，Jev 便會直接回傳各選項的機率。

Jev 於 9 月 15 日發布，由 Typesafe AI 開發。創辦人 Diego Omiada 曾參與打造 ChatGPT，也是 RLHF 訓練方法的共同發明人之一。他在完成 ChatGPT 後，花費兩年研究新的訓練方法，最終推出這款完全不以對話為核心的模型。

Jev 發布後迅速引發關注。創辦人的 X 貼文累積接近 3,000 萬次觀看，當天在工程師論壇 Hacker News 獲得 1,679 分與超過 400 則留言；隔天，Vercel 也將 Jev 上架至自家平台。

根據官方資料，Jev 的速度比主流大型語言模型快 20 至 200 倍，價格便宜 40 至 400 倍，而且輸出完全免費。無論輸出結果長短，都不收取輸出費用，只按照輸入的文字量計費，每 100 萬個 token 收取 0.042 美元。

Jev 的名稱取自經濟學中的「傑文斯悖論」（Jevons paradox），意指當一項資源變得更便宜、效率更高時，人們反而會使用得更多。

傳統大型語言模型如 ChatGPT、Claude，會逐字生成答案，思考與輸出越多，等待時間也越長。Jev 則不自行撰寫答案，只需要三項資訊：一份資料、一個問題，以及事先設定好的選項，便能直接計算每個選項的機率。

例如，將一張發票交給 Jeff，詢問是否有問題，並提供「正常、詐騙、需要人工檢查」三個選項，它可能在不到 0.3 秒內回覆：正常機率為 88%，其餘機率則分配給另外兩個選項。

如果把一般大型語言模型比喻為回答申論題，Jev 就是在作答選擇題。申論題需要逐句生成，速度較慢，也可能離題；選擇題只會從指定答案中選擇，因此速度更快，結果也不會超出預設範圍。這也是 Jev 能降低幻覺的原因，因為它沒有機會編造選項以外的答案。

目前 Jev 主要能處理三種問題：

第一種是是非題。使用者可以詢問某件事是否成立，Jev 會回傳一個介於 0 到 1 的機率，數值越接近 1，代表它越肯定。

例如，詢問某張發票是否為詐騙，Jev 可能回傳 90%。如果再加入常見詐騙特徵作為判斷條件，它便能依據更多資訊調整信心水準。企業也能設定自動化門檻，例如詐騙機率超過九成便自動拒絕退款，其餘案件再轉交真人客服處理，藉此節省大量人工審查時間。

第二種是單選題。使用者可以預先列出多個選項，Jev 會選出最合適的答案，同時提供每個選項的機率。選項最多可設定 255 個，每個選項也能附上簡短說明，協助模型理解其定義。

例如，可將 Jev 應用於電子郵件整理，讓它判斷每封信應被歸類到哪一個資料夾。

第三種是程度評分。部分問題並非非黑即白，而是需要判斷程度。使用者可以建立一套由低至高的評分標準，最多分成 11 個級距，再由 Jev 判斷目前狀況位於哪一個位置。

例如，企業可用它篩選潛在客戶：0 分代表沒有預算的學生、1 分代表小型團隊、2 分代表有明確需求與時程的公司、3 分則代表預算充足的大型企業。

若有大型企業透過網站表單詢問，Jev 可能給出 2.9 分。企業便可設定規則，當分數高於 2.5 時，立即通知業務主管，確保團隊能在當天快速回覆並爭取訂單。

整體而言，Jev 專門回答三類問題：「是不是」、「哪一個」以及「到什麼程度」。許多自動化工作流中的判斷邏輯，基本上都離不開這三種類型。

Jev 並非要取代功能全面的大型語言模型，也不適合直接用來開發完整產品。它更適合被放入自動化工作流中，擔任快速、便宜且低幻覺的決策節點。

例如，判斷一封信是否需要回覆、客服案件應轉交哪個部門，或留言是否為詐騙廣告。這類任務通常只需要一個選項作為答案，若使用昂貴且速度較慢的大型模型處理，容易造成時間與成本浪費。

Jev 的核心價值，就是把資料送進去後，不進行多餘對話，迅速提供可供後續規則使用的判斷結果，如同自動化流程中一個小而精準的智慧開關。

[AI 解讀] AI衝擊白領工作：程式設計師真的會在2030年前消失嗎？

[AI 解讀] AI衝擊白領工作：程式設計師真的會在2030年前消失嗎？

摘要 : 報告僅推演三種AI情境，程式設計師未必消失，轉型關鍵在善用AI與產業專業。

內容:

近期網路流傳一種說法，宣稱某 AI 公司預測：2030 年前，程式設計師與電話客服將會消失，並建議從業者轉行當電工或護士。然而，這並非報告原意，而是中文媒體轉述時加入了「消失」等較為聳動的措辭。

這份報告不是對未來的預言或判決，而是利用經濟模型，推演美國經濟在 2030 年前可能出現的三種情境。

第一種是溫和情境。AI 帶來的影響與當年網際網路相近，經濟略有成長、工資大致穩定，受 AI 影響的工作者占整體勞動力的比例，僅從 62.2% 降至 59.7%。雖然換算後仍涉及數百萬人，但若分散在數年間，勞動市場仍有機會逐步消化。

第二種是中等情境。經濟增速可能翻倍，但受 AI 影響的工作者薪資將陷入停滯。報告提到，在個人層面，程式設計師與電話客服人員可能不得不轉向電工、護士等較不容易受到 AI 影響的工作。

不過，原文緊接著也指出，整體職業轉換會非常困難，許多人可能需要很長時間才能找到新工作。失業率上升不只因為舊職位消失，也可能是白領工作者無法立即轉入新的產業，長時間卡在兩份工作之間。

第三種是極端情境。美國經濟產出每 4.5 年翻一倍，到 2030 年時，GDP 將比沒有 AI 的情況高出 33%。但受 AI 影響工作者的失業率可能升至 17.9%，勞動收入占經濟產出的比例也可能從 60% 降至 45%。

在此情境下，較不受 AI 影響的職位，薪資可能相對上漲 33.6%；受影響較大的工作者，薪資則可能相對下跌 11.5%。換言之，國家整體變得更加富裕，但程式設計師、會計師、律師與分析師等知識工作者，未必能分享到經濟成長的成果。相較之下，電工、水管工、建築工人及護士等需要實際動手的工作，反而可能更有價值。

因此，報告並沒有斷言程式設計師必然消失，而是說在部分情境下，他們可能被迫轉行。這只是數種可能性之一，沒有人能精確預測未來。

該公司執行長先前也曾警告，五年內可能有一半的入門級白領職位消失，失業率甚至可能達到 10% 至 20%。但新報告將這類結果放進三種情境中的極端版本，代表最壞情況並非必然發生。這可能是模型分析後的修正，也可能是一種預期管理。

此外，報告由 AI 公司發布，本身也可能存在利益衝突。AI 公司自然希望 AI 模型持續進步並廣泛普及，而這也可能放大 AI 對經濟與勞動市場的影響。

報告之所以特別提到電工與護士，並不是隨意挑選。根據美國勞工統計資料，2024 年至 2034 年間，電工與註冊護士屬於預計成長較多的職業。律師與會計原本也被看好，但這兩類白領工作同樣容易受到 AI 衝擊，因此需要實際操作與現場服務的工作，可能更具穩定性。

護士也不限定由女性擔任。在美國與加拿大，男性護士相當常見。由於薪資較高、就業機會多，護理工作本來就是不少人轉職時的選項。

另一份三月公布的研究顯示，程式設計師的日常任務中，已有約 75% 被觀察到有 AI 介入；客服與資料輸入工作則緊隨其後。最容易暴露在 AI 影響下的，不一定是低學歷、低收入族群，反而可能是高學歷、高收入的白領，因為 AI 目前最擅長接管的正是電腦上的知識型工作。

不過，「理論上能做」與「實際已經在做」之間，仍存在明顯差距。電腦相關職位的理論 AI 暴露度可高達 94%，但實際觀察到的 AI 覆蓋率約為 33%；辦公室文書工作的理論暴露度約為 90%，實際覆蓋率則約為 25%。

造成這條鴻溝的主要原因是可靠性。企業無法完全信任 AI 獨立完成所有工作，尤其大型企業軟體與複雜專案，仍需要領域專家審核。AI 即使可以產出程式碼，也可能犯錯，最終仍要由熟悉系統與業務的人員負責判斷。

因此，討論 AI 是否取代某個行業時，必須分清楚三種層次：理論上能否取代、未來情境是否可能取代，以及目前實際觀察到多少工作已被取代。

理論上，程式設計師的大部分任務都可能被 AI 接手；在部分未來情境中，程式設計師甚至可能被迫轉行。但依照目前觀察，約三分之一的工作正被 AI 接管，其餘工作仍掌握在人類手中。只要工作尚未完全自動化，人類審核、溝通與決策的瓶頸就仍然存在，程式設計師的工作也尚未真正消失。

至於轉行當電工，未必是最合理的選擇。程式設計師多年累積的判斷力、系統思維與技術協作能力，很難直接用在電工工作上。若完全更換專業，等於放棄過去數年甚至數十年的經驗，從頭學習新技能，是成本最高的轉型方式。

在徹底轉行以前，程式設計師至少還有三條成本較低的路。

第一是往上走，學習指揮、使用與檢查 AI，成為負責設計、整合與審核的人。

第二是往下扎根，把軟體技能深入醫療、能源、金融等具體產業。對業務流程、法規與產業知識的理解，能形成通用 AI 較難取代的門檻。

第三是更換產業，但不必更換手藝。即使電工、護士與建築等行業持續成長，這些領域仍需要醫療資訊系統、電網調度軟體、建築專案管理工具等技術。程式設計師可以把既有能力帶進其他產業，而不是直接放棄專業。

相較之下，電話客服面臨的風險可能更高。美國約有近三百萬人從事客服工作，加拿大的呼叫中心也是不少新移民的第一份工作。客服任務幾乎全部發生在電腦與電話上，正是 AI 最容易優先接管的領域。

程式設計師還可以藉由使用、管理與審核 AI 提升自身位置，但傳統客服較難透過「指揮 AI 接電話」建立新的職涯階梯。因此，客服人員若只從事電腦與電話工作，風險相對較大；若轉向面對面的服務、銷售、護理支援或社區服務，可能更有機會延長職業生命。

AI 的快速發展也讓家長重新思考孩子該學什麼。過去，程式設計可能是優先選項；現在，單純學習寫程式是否仍具長期價值，已變得不確定。除了技術能力，健康、運動、溝通、判斷力與適應變化的能力，可能更加重要。

若極端情境成真，2030 年前可能出現和平年代罕見的經濟成長，社會將創造大量產品與財富；但同一時間，知識工作者的失業率也可能升至 17.9%。真正的核心問題將不只是 AI 能創造多少財富，而是這些財富應如何分配，以及失去工作的人能否分享 AI 帶來的成果。

[AI 衝擊] 高度自動化Agent帶來的工程師職涯危機

 [AI 衝擊] 高度自動化Agent帶來的工程師職涯危機

摘要 : 工程師以MCP與Skill打造自動化Agent，也因此直面職涯價值與AI取代焦慮。

內容:

最近一篇帖子，發帖人表示，自己不斷見證AI變強，因而產生了強烈的無力感。

一年前，他還在嘲笑AI不會寫複雜專案的程式碼；如今，AI已經能完成程式開發、測試、問題排查及上線發布。他甚至常常只需要坐在辦公室與同事聊天，實際工作則由AI處理。

過去半年，他主要在為AI搭建MCP與Skill。MCP是由Anthropic率先提出、如今逐漸成為業界通用的標準介面，能讓AI直接呼叫公司的工具與系統；Skill則是將一套操作流程整理成AI可以重複使用的技能包。

完成這些建設後，AI已經能自行取得分配給它的需求。遇到不確定之處時，它會透過機器人帳號主動與工程師討論，接著自行開發、解決程式碼衝突、部署及測試。

AI也可以查看測試與正式環境的日誌，存取資料庫、訊息佇列及大數據平台，進一步排查與驗證問題，甚至直接完成線上發布。

更進一步，AI還會閱讀業務群組中的各種問題。多數情況下，它能自行排查、自行解決並直接回答。

發帖人曾親眼看到AI向業務人員索取具體資訊，再根據取得的資料，跨越五個服務檢查專案程式碼、日誌及資料庫，最後找出問題的根本原因並回覆業務方。整套流程完全由AI獨立完成，前後不到20分鐘。

當然，建成這套系統耗費了他大量時間與精力。目前多數人還達不到這樣的自動化程度，但這已經證明，AI能完成大部分人的工作，甚至可能做得更好。

未來如果有更多公共MCP與Skill開放，達到這種自動化程度的人將愈來愈多，使用AI的門檻也會持續下降。

這讓發帖人開始思考三個問題：

第一，一個每月只需200美元的AI，已能比他和同事做得更好；而他們的年薪接近80萬元，這樣的工作還能維持多久？

第二，他們所做的工作，真的值80萬元年薪嗎？

第三，也是最令人不安的一點：真正可怕的不是現在的AI有多強，而是AI進入Agent時代還不到一年，就已經發展到這種程度。明年、後年乃至更遠的未來，究竟會變成什麼樣子？

這套高度自動化系統，本質上是發帖人花半年時間建立的一條Pipeline，主要包括四件事。

第一是「文件化」。將原本只存在於員工腦中的業務規則、系統關係與問題排查經驗，整理成AI能夠理解的規格，把隱性知識轉化為顯性知識。

第二是「介面化」。將日誌、資料庫、訊息佇列及發布系統，逐一接入AI可以呼叫的MCP與工具，相當於為AI裝上雙手。甚至連聊天工具也能交由AI操作，讓它直接與業務人員溝通。

第三是建立「Skill」。將人類過往解決問題的方法文件化，整理成可以重複使用的操作步驟，相當於為AI裝上經驗。

第四是賦予AI一個可以在組織內活動的身分，例如機器人帳號。它可以加入群組、主動提問、回覆訊息，甚至直接解決問題，因為它已經接通其他工作流程與系統。

許多公司的聊天工具中已經存在AI機器人，只是自動化程度不同。發帖人打造的AI機器人顯然走得更遠：不只是擁抱AI、使用AI，而是進一步讓AI自動運作。

然而，愈是走在前面的人，危機感往往愈強。因為他們比其他人更清楚AI真正具備哪些能力，也更直接地看見自己的工作如何被取代。

以20分鐘內跨五個服務完成問題排查為例，在傳統公司中，五個服務可能分屬五個團隊。這通常需要召集多人開會，各自檢查日誌與系統，經歷跨部門溝通，甚至互相推卸責任，最後再由資深人員判斷。整個過程可能需要數天，甚至數十天。

AI卻能在不到20分鐘內完成。它取代的不只是技術工作，也一併消除了組織協調與跨部門溝通的成本。

不過，這種效率有一項重要前提：建立AI系統的人必須擁有足夠權限，讓AI能夠存取跨部門的程式碼、資料與系統介面。

目前許多大型企業仍受到組織架構與權限限制。一般團隊通常只能查看自己的程式碼，跨組織存取不僅涉及權限問題，也不符合既有工作習慣。但只要為AI提供相應權限及介面，它就可以跨越這些邊界。

這也是AI Agent與一般聊天機器人的本質差異。聊天機器人只能回答問題，Agent則能穿過組織與系統，實際執行任務並解決問題，甚至處理跨組織的問題。

當AI機器人建立起來後，業務人員遇到問題時，可能不再尋找原本的負責人，而是直接聯絡AI Agent。這會導致原有員工在組織中的可見度與重要性下降，而這些因素通常又是績效評估及職涯發展的重要依據。

即使工程師告訴所有人「這個Agent是我做的」，也未必能永久維持自身價值。當所有工作都被自動化後，組織最終仍會回到一個現實問題：這個人現在還能提供什麼價值？

即便如今價值下降，是因為他過去成功建立了自動化系統，管理者通常仍更在意員工當下能提供的價值，而不是過去的功勞。這正是發帖人感到無力的原因之一。

另一個原因，是他與AI發展的距離太近。普通人可能只是從新聞中得知AI正在變強；他卻每天親眼看著自己搭建的系統變得愈來愈能幹，因此感受更為強烈。

當AI接手大部分工作，他坐在辦公室聊天時也會感到心虛。過去，他認為產出必須依靠自己持續工作；如今，工作卻幾乎全部由AI完成。

歷史上也曾出現類似的技術升級。高階程式語言與編譯器出現時，原本手寫組合語言的工程師也曾懷疑，讓編譯器代替自己產生組合語言後，自己是否還算程式設計師。

後來，手寫組合語言的人雖然減少了，軟體開發者的數量卻大幅增加。因此，今天的AI管線會不會成為舊時代的「編譯器」，仍有待觀察。

問題在於，搭建這類管線的門檻可能並不高，因為工程師同樣可以要求AI協助建設。未來隨著公共MCP與Skill逐漸開放，發帖人花半年建立的系統，其他人可能只需要一天就能完成。

換句話說，先行者目前擁有的護城河，可能只是時間差，而不是永久優勢。

至於他是否真的值80萬元年薪，這筆帳並不容易計算。從公司的角度來看，他建立自動化管線後，個人產出可能提升數倍，甚至十倍。過去需要數名乃至十多名員工完成的工作，如今只需要一個人加上一套AI管線，因此公司支付80萬元，或許仍然相當划算。

但問題是，這套系統並非只有他能使用。換成一名初級工程師，也可能透過相同工具驅動整套流程。如果自動化程度與可靠性足夠高，甚至可以讓AI機器人直接與業務方溝通，完全不需要人類參與。

這也讓問題回到最核心之處：當AI不只提升人的效率，而是逐步接手整套工作流程時，人類在組織中的角色、價值與薪資，將如何被重新定義？

[AI 分享] Claude Code 零基礎入門：安裝、權限與常用命令

[AI 分享] Claude Code 零基礎入門：安裝、權限與常用命令

摘要：從安裝、權限模式到專案記憶與常用命令，帶新手安全上手 Claude Code。

內容:

Claude Code 是 Anthropic 官方推出的 AI 程式設計工具，主要透過終端操作。即使沒有程式基礎，也能用自然語言請它查看檔案、修改內容、修正問題、撰寫腳本、處理資料及生成文件。

終端可以簡單理解為一個輸入框，不必因為它看起來像程式設計工具而感到害怕。Claude Code 不只會回答問題，還能圍繞任務查看檔案、拆解步驟、執行命令，並在需要時等待使用者確認。

目前不少人開始改用 Codex，但 Claude Code 仍有其優勢。它的 Agent 架構相對成熟，能妥善處理上下文、權限與工具呼叫；Claude 模型面對複雜任務時，也較擅長先分析、再規劃，最後才執行。強模型搭配工程化完善的 Agent 工具，通常能帶來更穩定的結果。

安裝 Claude Code

Mac、Linux，以及透過 WSL 使用 Windows 的使用者，可以開啟終端，貼上官方提供的安裝命令並執行。若直接使用 Windows 終端，則要先確認目前使用的是 PowerShell 還是 CMD，因為兩者的安裝命令不同。

安裝完成後，在終端輸入：

claude

若能進入 Claude Code 的對話介面，代表安裝成功。也可以輸入：

claude --version

如果終端顯示版本號，同樣表示安裝完成。

若安裝時出現紅色錯誤訊息、找不到命令或其他問題，不必慌張。可以完整複製錯誤內容，交給其他可用的 AI 工具協助判斷。常見問題多半與網路、權限、終端環境或系統路徑尚未更新有關。

如果安裝後顯示找不到 claude，可以先關閉終端再重新開啟，然後再次執行命令。

用自然語言開始操作

安裝完成後，可以先進入任意資料夾，再啟動 Claude Code，直接用日常語言提問，例如：

這個資料夾是做什麼的？

幫我看看裡面有哪些檔案。

這個專案要怎麼啟動？

幫我整理這個專案目錄的內容。

Claude Code 在修改檔案、執行命令或存取外部資源前，通常會詢問是否批准。這並不是發生錯誤，而是它的安全機制，讓使用者知道它準備執行什麼操作。

選擇適合的工作模式

可以按下 Shift + Tab 切換工作模式。新手最常接觸的模式包括：

Default

預設的手動確認模式，設定較保守。Claude Code 可以直接讀取檔案，但修改檔案或執行命令時，通常會先徵求同意。

Accept Edits

適合已經大致信任執行方向的情況。它會自動批准專案目錄內的檔案編輯，以及建立資料夾、複製或移動檔案等常見操作。遇到複雜命令、敏感操作或專案範圍外的路徑，仍可能要求確認。

Plan

計畫模式非常適合新手。Claude Code 會先檢查專案、查閱檔案並提出方案，但不會立即修改內容。使用者看完計畫並確認後，再讓它繼續執行。

另外還有較積極或特殊的模式，例如 Auto 與 Bypass Permissions。Auto 會透過背景安全檢查減少頻繁確認，但不一定適用於所有帳號、模型及環境。

Bypass Permissions 則會大幅減少權限確認，只適合完全隔離的測試環境、容器或虛擬機器。新手不建議在日常電腦或正式專案中使用。

剛開始使用時，只要記住：不熟悉的任務使用 Default，重要或範圍較大的專案先使用 Plan。

新手安全操作四步驟

第一次使用 Claude Code，可以遵循以下流程：

先開啟 Plan 模式，讓它說明準備做什麼。

看懂並確認方案後，再允許它修改。

修改完成後，使用 /diff 查看實際變更。

如果結果不滿意，使用 /revert 或 /undo 回退。

重要檔案最好事先備份，或納入 Git 版本控制。如此一來，即使結果不理想，也能放心還原與反覆嘗試。

使用 CLAUDE.md 建立專案說明

在專案資料夾中輸入：

/init

Claude Code 會掃描專案並生成 CLAUDE.md。這份檔案就像提供給新同事的入職說明，可以記錄：

專案使用的技術與工具。

專案如何安裝及啟動。

應遵守的開發規範。

哪些檔案或區域不能任意修改。

修改後必須執行哪些測試。

文案應採用何種風格。

腳本應放在哪個目錄。

之後每次在該專案中啟動 Claude Code，它都會先讀取這份說明，省去重複交代背景與規則的時間。

不過，CLAUDE.md 比較像專案囑咐，而不是百分之百強制執行的規則。Claude Code 會參考內容，但不保證絕對服從。相較之下，Hook 更接近強制檢查機制。

若想查看或修改專案記憶，可以使用：

/memory

新手必備命令

在 Claude Code 中輸入 /，就能查看目前可用的命令。新手不需要一次記住所有命令，可以依照使用階段逐步學習。

第一階段建議掌握：

/plan：進入計畫模式，大幅修改前先產生方案。

/diff：查看這次修改了哪些檔案與內容。

/revert 或 /undo：回退至先前的檢查點。

/help：查看命令說明及使用方式。

Claude Code 做錯時不必慌張，確認差異後回退即可。

使用一段時間後再學的命令

/context：查看目前對話使用了多少上下文空間。

/compact：壓縮過長的對話歷史，讓任務繼續進行。

/clear：清空目前會話，適合切換至新任務；專案中的 CLAUDE.md 不會因此消失。

/resume：找回並繼續之前的會話。

/rename：替目前會話命名，方便日後尋找。

/btw：詢問不納入主要對話歷史的題外問題。

進入真實專案後可使用的命令

/model：切換模型。簡單任務可選擇更快或成本較低的模型，複雜任務再使用能力較強的模型。

/code-review：檢查此次變更是否存在明顯錯誤。

/doctor：診斷安裝、登入或設定問題。

/mcp：查看及管理 MCP 連線。

/hooks：查看目前設定的 Hook。

/tasks：查看背景任務的執行進度。

新手不必一次記住所有功能。先掌握安全模式、計畫、差異檢查與回退，再逐步加入專案記憶、模型切換、MCP、Hook 與背景任務，就能把 Claude Code 實際運用在日常工作與真實專案中。