[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。

[AI 衝擊] AI 程式設計浪潮下，工程師如何面對「最後一枚銅板」

[AI 衝擊] AI 程式設計浪潮下，工程師如何面對「最後一枚銅板」

摘要 : AI 正加速改變軟體業，但能力提升不等於職位立即消失。

內容:

近期有開發者發文表示，隨著 Claude Code 等程式設計工具快速發展，加上新一代 GPT 模型出現，工程師失業似乎會在一兩年內成為定局。現在上班，就像是在賺職業生涯的「最後一枚銅板」。

我也認為，AI 的能力最終足以取代許多人的工作，只是失業真正大規模發生的時間仍不確定。新模型正逐步具備操作電腦的能力，瞄準白領工作者每天使用的滑鼠與鍵盤；同時，AI 工具的普及率也在快速上升。

根據 JetBrains 的開發者調查，全球專業開發者使用 Claude Code 的比例，從今年初約18%，上升至年中的39%，美國更接近47%。除了 Claude Code，市場上還有 Codex、GitHub Copilot 等工具，意味著 AI 程式設計已迅速進入日常開發流程。

Google 的 DORA 報告指出，軟體開發人員的 AI 使用率已達九成，每天與 AI 協作的中位時間約為兩小時。另一項開發者社群調查顯示，73%的工程團隊每天使用 AI 程式設計工具，一年前則是41%。

有半導體分析機構估計，今年2月由 Claude Code 生成的程式碼，約占全球公開程式碼提交量的4%，年底可能超過20%。無論實際比例為何，AI 可以協助工程師解決問題、撰寫程式碼，已是無法忽視的趨勢。

## 工具普及與裁員同時發生

AI 工具加速普及的另一面，是科技業裁員持續發生。部分企業削減管理職與工程職，甚至連副總裁、新進員工都可能在裁員名單之中。在這種環境下，從業者自然會感覺工作愈來愈不安全，也不敢大幅消費或升級住房。

不過，「正在賺最後一枚銅板」的心態並不是第一次出現。2000年網路泡沫破裂時，工程師圈內就流行過類似說法；2023年初生成式 AI 剛爆發時，也有許多人認為程式設計師即將消失。

幾年過去，程式設計師並未全面消失，但裁員確實發生，入門職位也明顯萎縮。相對而言，資深工程師的職缺沒有同步減少，AI 相關職位還在增加，薪酬甚至出現兩至三成的溢價。

當初認為工程師即將被淘汰的人，如有積極學習 AI 與新工具，如今可能成為企業競相招攬的對象；沒有轉型的人，則可能繼續擔憂被取代，甚至已在裁員中受到影響。

## AI 能力提升，不代表企業能立即裁掉所有人

AI 的能力確實正在跳躍式發展，但從「技術可以完成工作」到「企業真正刪除職位」，中間仍隔著可靠性、組織流程、經濟慣性、法規、預算與責任歸屬等環節。

以 Meta 的內部實驗為例，導入 AI 後，程式碼產出量雖然大幅增加，但真正交付給使用者的功能成長有限，事故數量與救火時間反而增加。這說明更多程式碼不一定等於更多價值，AI 也可能製造新的維護成本。

OpenAI 執行長 Sam Altman 也曾表示，許多人對技術落地的時間表過度樂觀，因為經濟與組織運作的慣性比想像中更大。把模型發布與能力進步的速度，直接當成職位消失的速度，可能會高估一兩年內的衝擊。

## 就業市場正在分裂

目前的招聘市場並非全面惡化，而是出現明顯分化。

史丹佛大學相關研究指出，在最容易受 AI 影響的產業中，入門職位的就業人數下降接近20%，年輕人的求職壓力確實很大。但追蹤大型科技公司的機構也發現，今年在招募的軟體職位數量，可能處於近三年的相對高點。

Indeed 的資料則顯示，資深軟體職位約占整體軟體招聘的70%，AI 相關技能可帶來約30%的薪酬溢價。也就是說，在同一個產業與同一段時間裡，有人的工作正在被取代，也有人因為掌握新工具而變得更加搶手。

## 效率提高之後，工作會更多還是更少？

一項大規模工程效率調查發現，每天使用 AI 的開發者，每週可以合併兩至三個 PR；沒有使用 AI 的開發者，每週平均約為1.3個，效率差距可達六成。

JetBrains 的調查也指出，89%的開發者每週至少能利用 AI 節省一小時，約20%的人每週可以省下八小時以上。

然而，生產工具提高效率後，通常會同時帶來兩種可能：一是企業用更少的人完成原有工作；二是成本下降後，市場產生更多軟體需求，反而需要更多人。最後的就業結果，取決於需求成長與人力縮減哪一方更快。

## 可靠性是阻止全面替代的一道牆

使用 AI 與信任 AI 是兩回事。Stack Overflow 近年的調查顯示，使用 AI 程式設計工具的人愈來愈多，但信任其產出的人反而減少。許多開發者用得愈多，愈不敢完全放手。

只要 AI 生成的結果仍需人工檢查，企業就需要工程師負責審查、修復事故、處理例外情況，並在出問題時承擔責任。這也是許多職缺仍要求傳統工程能力的原因：企業可以大量使用 AI，但最終仍需要有人看著它。

有創業者分享，新產品約八成程式碼由 Claude Code 生成，相關 Token 費用僅三百多美元。生成成本雖然很低，但程式碼是否正確、產品能否上線、事故如何處理，仍不能只看生成程式碼的價格。

## 悲觀不能成為停止行動的理由

如果把努力視為一種品質不高的燃料，那麼「反正只是在賺最後一枚銅板」的心態，等於連燃料都不再添加，直接讓自己熄火。

即使未來可能悲觀，職場仍是一場人與人之間的競賽。重要的不是證明自己永遠不會被淘汰，而是比別人更早適應、更晚被淘汰，替自己爭取更多轉型時間。

公司此刻仍願意支付薪資，並不是因為仁慈，而是因為員工仍擁有企業暫時買不到的能力，包括檢驗 AI 產出的眼睛、修復 AI 事故的腦與手，以及在出現問題時承擔責任的能力。每一筆到帳的薪資，都是尚未被 AI 完全取代的證明。

如果目前真是某種產業形態的末期，那麼薪資也不只是「最後的銅板」，更可以視為一種轉型補貼。穩定收入、公司提供的 AI 工具，以及真實的專案環境，組合起來就是練習下一種技能成本最低的窗口。

## 技術換代時，消失的通常是拒絕轉型的人

從膠片相機轉向數位相機、從傳統報業走向自媒體，每次技術換代都出現過末班車心態。舊產業的從業者並未全部消失，許多人只是轉往新工具與新產業，並把原有的經驗、審美和判斷力帶過去。

AI 的不同之處，在於它可能同時影響程式設計、文案、客服、分析、會計、設計、法律與醫療等大量白領工作。它不只是替代單一工具，而可能逐漸接近對人類智力工作的全面替代。

但在現階段，人仍需學習如何指揮 AI、驗證 AI，並將它的能力轉化為真正可用的成果。

## 如何使用「最後一枚銅板」

第一，把薪資當成訓練預算。每週固定安排數小時學習與實作，利用 AI 開發產品，找出它無法處理的部分，並學習如何改善整個流程。除了提升正職能力，也可建立自己的副業或作品。

第二，準備足夠的現金緩衝。失業恐慌很大一部分來自每月帳單，因此應評估自己在沒有收入時可以生活多久。資金愈充足，面對技術變化與裁員時就愈有選擇權。

第三，把職務往 AI 難以獨立完成的方向移動，例如判斷結果、審查品質、處理事故、跨部門協調，以及承擔最終責任。既然每個人都在爭取更多時間，就應往較難被自動化的位置靠近。

第四，不要為了躲避 AI 而衝動裸辭。AI 最終可能滲透每一個產業，逃離的成本通常高於適應的成本。轉到新產業後，一切都要重新開始，而等到適應完成，AI 也可能已經進入該領域。

第五，看清楚自己所在公司的狀態，包括公司是否獲利、是否正在裁員、商業模式是否健康，以及自己的團隊是否屬於核心業務。不同公司的風險差距，可能比不同職稱之間更大。

第六，建立多種收入來源。副業收入即使不高，也能降低對單一工作的依賴，並提供測試新技能與商業模式的機會。

## 能力爆發與職位消失是兩張時間表

部分研究員與企業領袖認為，AI 可能在未來一至五年內大幅超越人類能力。這些預測未必毫無根據，因為模型能力確實可能在一兩年內再次爆發。

但能力提升與職位替換之間，仍隔著可靠性、組織慣性、經濟週期、合規要求、企業預算與責任制度。公司即使知道 AI 能提高效率，也未必會立刻重建所有流程並裁掉全部員工。

未來一兩年內，IT 產業未必立即出現全面失業潮，但職位結構很可能持續變形：部分職缺減少，入門門檻提高，資深人才與一般人才的收入差距擴大，能熟練使用並監督 AI 的人則獲得更高價值。

AI 最終也許真的會取代大量工作，但至少在目前，最危險的不是 AI 已經無所不能，而是人在它尚未完全成熟之前，就先因悲觀而放棄學習與行動。

 [AI 洞察] 當百個AI Agent加入專案：軟體工程如何重新分工

摘要 : AI Agent加速開發與維護，也迫使團隊重思架構、文件及工程師角色。

內容:

如果一個週末內，就有100個AI Agent加入你的軟體專案，最先跟不上節奏的會是什麼？

在9月9日釋出的《The Pragmatic Engineer》播客訪談中，Codex早期建立者之一、負責OpenAI核心產品與平台組織的Dibble Sodiol提出一個對比：過去，一個小團隊可能要發展一年，才會有50至100名工程師參與；現在，100個Agent同時貢獻程式碼，一個週末就可能發生。

當程式碼產出突然加速，專案的複雜度也會更快到來。原本還有時間逐步補上的文件、模組邊界與協作方式，可能很快就要接受考驗。這也帶出一個更長遠的問題：當AI開始接手軟體維護、審查與重構，人類工程師應該把注意力放在哪裡？一個會寫程式碼的模型，又需要經歷哪些變化，才能真正承擔這些工作？

Dibble將軟體維護比喻為一筆持續繳納的稅。功能完成後，為了讓它繼續正常運作，團隊仍要升級第三方依賴、跟進安全補丁，並讓舊程式碼適應新需求。這些工作未必會增加可展示的新功能，卻決定了專案能否健康地延續。

以依賴升級為例，如果變更日誌清楚、文件完善，模型便能理解新版帶來的影響，並在程式碼庫中完成大範圍調整。這類過去因枯燥、麻煩而不斷延後的工作，現在可能在幾小時內推進。

Agent做的也不只是修改版本號，而是讀懂新版變更、找出專案中受影響的位置、調整程式碼並驗證結果。當模型能將這些分散步驟串連起來，維護工作便有了自動化的可能。文件也因此產生新的價值：變更條件交代得越明確，Agent越容易判斷哪些呼叫需要修改，專案留下的知識將直接影響自動化品質。

當維護成本下降，團隊評估新功能的方式也會改變。工程師仍須提出證據，說明改動會受到使用者歡迎、值得加入產品，也值得長期維護；但如果後續照顧功能的負擔降低，一些過去不划算的嘗試，就有了重新討論的空間。

不過，團隊仍要回答：這個功能究竟幫助了誰？它是否與整體產品協調？

Dibble曾在Google參與一項改善網頁、尤其是行動版網頁速度的專案。技術問題很有挑戰性，他也很享受這份工作，但大約兩年後，專案因只有幾百名使用者、未達Google期待的規模而被取消。

這段經歷讓他持續追問：正在做的事情有什麼影響？專案為何重要？技術上的興奮，必須與真實使用者的回饋一起衡量。

後來，他在DeepMind與OpenAI從事研究基礎設施及工具開發，關注如何讓其他人更有效率。Codex的一部分前身也源自這項需求：讓模型協助研究人員與工程師，更快建構內部系統。

團隊最初訓練內部模型，讓它熟悉OpenAI的Python程式碼庫，使其產出的程式碼風格與架構選擇更符合內部需要。這項工作之後與「自主軟體工程師」方向合併，逐漸形成面向外部使用者的產品。

但這條路也經歷過調整。Dibble表示，早期的雲端Codex使用阻力較大，尚未找到良好的產品市場契合點。團隊持續推出CLI並反覆迭代，才逐步將模型能力轉化為使用者願意採用的工具。

這也引出訪談中的關鍵概念：harness。它可以被理解為包在模型外面的執行系統。模型負責理解任務、推理並決定下一步；執行系統則負責組織工具、指令、執行環境與安全限制，讓模型能讀取檔案、執行命令、查看結果，再根據結果繼續行動。

當使用者說「幫我把這個功能改好」，模型接收到的是一個目標，但真正完成目標，還需要把需求理解、程式碼修改與驗證串成完整流程。只要中間遺漏一步，最終交付就可能不完整。

主持人提到，早期使用Codex時，模型修改完程式碼後，有時不會主動執行既有測試；後來產品開始自行完成這一步。這究竟是模型變強，還是外部程式與指令改變？

Dibble的回答是：兩者都在變化。早期模型無法穩定完成的事情，可以由執行系統先行提醒，例如要求模型修改後執行測試。等到下一代模型更能理解使用者真正想要的結果，這類提醒便可能不再必要。

因此，harness總會比模型領先一點。它先以額外支撐，讓當前模型更可靠、更有效率，也更容易被使用者控制；當下一代模型吸收部分能力後，這些外部支撐便能逐漸縮減。

對開發團隊而言，這也產生一項特殊取捨：發現模型弱點後，應投入多少工程資源彌補？研究團隊可能在一個月後改善模型，也可能需要三個月或半年。產品團隊必須綜合判斷，是立即修改執行系統，還是等待模型層面的解決方案。

Dibble特別不鼓勵為了繞過模型缺陷，建立上萬行複雜程式碼。因為模型一旦更新，這套龐大的結構可能很快失去存在的必要。Agent產品團隊因此必須持續理解模型邊界，判斷哪些部分值得長期建設，哪些只是現階段的臨時輔助。

不過，有些底層設計仍值得從一開始就重視，例如Codex核心選擇Rust。當時模型對Rust的熟練程度不如Python等語言，但團隊更看重正確性、效率、穩健性與安全性，同時也擁有能力很強的Rust開發者。

Rust能在編譯階段提供大量檢查，這些明確回饋對Agent也有幫助。程式碼發生問題時，Agent可以更早取得提示，再據此修改。Dibble認為，只要投入足夠的訓練與工程資源，Rust也能成為適合Agent使用的語言。

更深一層的考量，是將Agent本身與產品介面分開。Agent可以在不同環境中執行，介面則負責讓人使用它。如果兩者過早綁在一起，未來發展新的產品形態時，就容易受到既有結構限制。即使AI讓重寫程式碼變得更容易，良好的初始架構仍能減少後續阻力。

這一點在多個Agent同時工作時更加重要。Dibble以「盒子」比喻模組：團隊先約定盒子要完成的功能、資源使用方式、資料存取與安全要求，以及哪些條件必須始終成立。只要符合這些約定，盒子內部的實作便可以更靈活地變化。

放回軟體工程中，這就是清楚的模組邊界。一個模組修改內部邏輯時，其他部分仍可依賴既有約定運作，讓變更被限制在可理解的範圍內。

過去，系統重構可能耗費數年。即使團隊發現原本架構已經限制新功能，或對工作負載有了新的認識，也未必有能力立即調整。Dibble認為，Agent正在大幅加速這類工作，降低修正錯誤選擇的成本；但這種速度更需要清楚的結構承接。

盒子的邊界劃分得越好，內部就越能快速修改，同時減少對其他服務的影響。程式碼越容易變動，團隊就越需要知道：哪些東西可以改，哪些約定必須保持穩定。

這正是100個Agent在短時間內加入專案所帶來的問題。人類團隊逐步擴張時，大家還有機會觀察協作困難、補充文件並整理結構；Agent加入的速度快得多，軟體會在短時間內走過原本漫長的生命週期。

模型本身也持續進步，開始更能考慮長期維護與架構問題。關注點正從單一檔案是否整潔，延伸到整個系統能否支援未來的功能變化。人與Agent討論的內容，也會逐漸從「這一段程式碼怎麼寫」，轉向「整個系統應該如何組織」。

程式碼審查則提供了另一個觀察視角。Dibble早期曾參與程式碼審查模型的開發。他提到，有些錯誤極難發現：開發者依照文件理解第三方程式庫的行為，但程式庫的實際實作與文件描述並不完全一致。

要找出這類問題，可能需要沿著依賴關係向下追查三、四層。人工審查往往得花數小時，甚至需要熟悉相關依賴的實作細節。這類需要大量閱讀、追蹤與交叉驗證的工作，正是AI Agent未來可能協助工程師處理的方向。

當AI開始大量產出、維護、審查與重構程式碼，人類工程師的價值不會只剩下「寫得比模型更快」，而是更集中於定義問題、理解使用者、設計邊界、建立約束，並判斷哪些結果真正值得交付。

AI讓程式碼變得更容易產生，也讓好的文件、清楚的架構與穩定的協作規則變得更加重要。真正跟不上100個Agent速度的，可能不是打字與寫程式碼的能力，而是團隊理解系統、管理複雜度，以及決定產品方向的能力。

AID09-Agent 上工之前，你要先給它一間房間-5分鐘學AI

 AID09-Agent 上工之前，你要先給它一間房間-5分鐘學AI

同一個 Agent，換一個工作環境，做得出來的事差很多。 它做不出來，常常不是它不會，是沒有人先幫它擺好。 #一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI Agent 上工之前，你要先給它一間房間。 阿哲，上一集你教我問，這件事的下一步是誰決定的。我拿去問了，兩邊都說是它自己決定，可是一邊做得出東西，一邊什麼都做不了。你問對了，只是那句話只問到一半。誰決定下一步是一回事，做不做得成是另一回事。差在哪裡？模型不一樣嗎？常常是同一個。差在它待的地方。你想想自己第一天到職：公司先給你座位、帳號、一本規矩，你才做得了事。這一集講的就是，有人得先幫它把這一整套擺好。 那第一樣要幫它準備什麼？一張規矩紙。放在案子的資料夾裡，寫上東西怎麼稱呼、哪些不能動、做完要交什麼。它一進來就先讀這張。 那 Agent Skill 呢？聽起來像它學會了什麼技能。不是它學會，是你先寫好。把某件事的做法整包寫下來收著，平常它不看，碰到那件事才翻出來讀。 這兩張我分不出來，不都是寫給它看的嗎？差在什麼時候看。一張是它每次進來都會讀的，所以只能寫最重要的幾條；另一包收在旁邊，碰到才拿出來。喔，就像我家牆上貼的那張紙？垃圾幾點丟、鞋子放哪裡，誰進門都看得到。可是洗衣機怎麼用寫在說明書裡，我要洗才會去翻。非常準。要小心的是，很多人把整本說明書抄到門口那張紙上。還記得那張桌子嗎？門口這張每次都要先攤上去，它越長，桌上留給正事的位置就越少。 紙讀完了，它就可以開始動手了嗎？動手之前還有一件事：它在哪裡動手。做法是給它一間關起門的房間，裡面隨便它改，弄壞了也波及不到外面。 這個我要問。前幾集你留了伏筆，說單子開出來以後，誰去執行、有沒有權限執行是另一件事。是在講這個嗎？先還你一半：它在哪裡動手。所有動作都關在房間裡發生，外面的東西它碰不到。至於有沒有權限拿到什麼，還有一集要專門講。喔，就像我小時候玩顏料，我媽在地上鋪一大張塑膠布，說你要潑要灑都在布上面。玩完整張捲起來丟掉，地板還是乾淨的。就是這個畫面。最容易誤會的是，關起門不是為了防它學壞，是為了讓你敢放手。弄壞了沒關係，是因為壞掉的範圍你事先就畫好了。 那房間裡的工具怎麼進來？你說過要先接上去，它才有單可以開。麻煩就出在那個接。以前每接一樣東西就要重寫一次，十樣就寫十次。後來大家講好一種共通的接法，這份規格就叫 MCP。 可是這名字我完全看不懂。模型脈絡協定，這六個字在講什麼？名字很糟，意思很單純。它是一份大家講好的規格，規定工具怎麼自我介紹、AI 怎麼呼叫它。照這份規格做的工具，接上去就能用。喔，就像充電線！以前每支手機一種孔，出門要帶一大包；現在都同一種頭，一條線走到哪都插得上。這個比喻最準。要小心的是，插得上不代表你該全部插上去。工具接越多，它每次要挑的東西就越多，反而更容易挑錯那一個。 那這些事是誰在做？我以為就是同一個 AI 從頭做到尾。不一定。模型有貴有便宜、有快有慢。所以有人會在前面加一段分派：簡單的問題交給便宜的做，難的才叫貴的出來。 為什麼不乾脆全部都用最好的那一個？反正比較準。因為貴，而且慢。大部分問題其實非常簡單，用最好的那個去回一句幾點下班，錢跟時間都花在不需要的地方。喔，就像打客服電話？一般的問題第一線就處理掉了，真的難的他才幫我轉給後面的專員。就是這個。要注意的是，分派那一關自己也會分錯。它把難題判成簡單的，你就會拿到一個又快又便宜、可是不夠好的答案，而且看起來跟平常一模一樣。 講了這麼多，有沒有一個我真的看得到的東西？有。有一個開源的 Agent，中文圈叫它小龍蝦，因為它英文名字裡有 claw，就是蝦鉗那個字。它不是一個你去登入的網站，是你可以自己裝起來跑的。 開源是什麼意思？跟我平常用的那些差在哪？開源就是它的做法整個攤開給你看，你可以自己拿去裝、自己改，養在你自己機器上。所以它剛好就是我們前面講的那一整套？規矩紙、房間、插座、哪一題叫誰做，全部都要我自己給它。對，這就是它有意思的地方，前面五樣不再是概念，你會一樣一樣自己擺出來。最容易誤會的是，裝起來不等於它就會做事，房間沒畫、工具沒接，它一樣什麼都做不了。 那我們最後重新排一次好不好？好，你來。AGENTS.md 是放在案子裡的一張規矩紙，它進來就先讀。Agent Skill 是一包寫好的做法，需要才翻出來。Sandbox 是一間關起門的房間，讓它在裡面動手，弄壞了不會流到外面。MCP 是接工具的共通插座，不用一個一個接。Model Routing 是簡單的派便宜的做，難的才叫貴的。小龍蝦是一個開源的 Agent，你可以自己裝起來跑。完全正確。所以下次它什麼都做不了，先看看它的房間：紙有沒有寫、門有沒有關、插座接了沒。它站在一間空房間裡，再厲害也只能站著。 企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。

AID08-你只給目標，AI Agent 自己決定步驟-5分鐘學AI

 AID08-你只給目標，AI Agent 自己決定步驟-5分鐘學AI

Agent 不是更聰明的模型，是誰決定下一步換人了。 會自己繞圈找路的東西，繞得很順也可能繞錯方向。 #一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI 你只給目標，AI Agent 自己決定步驟。 阿哲，上一集你說 AI 會開一張單子，請外面的程式做事。那大家在講的 Agent，又是什麼？算是同一條路再往前一步。我先問你，那張單子什麼時候該開、開完接著做什麼，是誰決定的？呃⋯⋯是我吧？流程是我排的，它只負責中間那幾格。對，差別就從這裡開始。這一集講完你會發現，整件事只有一句話：以前是你排步驟、它做事；現在是你講結果，步驟換它想。 那我們從最中間那個字開始。Agent 到底是什麼？它是一個你交代目標、自己想辦法完成的東西。你不用告訴它先做什麼再做什麼，只要把你要的結果講清楚。 那 Agentic AI 呢？多了幾個字母，是另外一個嗎？不是另外一個產品。Agentic 是形容詞，講的是一件事自主到什麼程度。有人說某個功能比較 Agentic，那是在講程度。 所以 Agent 就是比較聰明的那一種自動化？差別不在聰不聰明，在誰決定順序。以前是你把每一步排好，它照著跑；現在你只講你要什麼，中間怎麼走它自己安排。喔，就像找路！我可以自己一路問人，也可以印一張地圖照著走，或者上車輸入一個地址，讓導航帶我去。就是這三種。要小心的是，Agentic 不是一個開關，是一條光譜。同一個產品裡，有的功能你按一下動一步，有的自己跑二十分鐘。那我怎麼知道手上那一個是哪一種？看你要不要盯著。每一步都要你按確認的，你還是那個排流程的人；你講完就去忙別的，方向盤才算交出去了。 可是它拿到一個目標，第一步要做什麼，怎麼知道？它會先把你交代的那件事，拆成一條一條要做的事，排出先後。這一段就叫 Planner，中文是規劃器。 拆完之後照著做完，就結束了嗎？沒有。它做一步就停下來看結果，看完再決定下一步，一直繞。繞到事情做完，或者繞到它放棄為止。 繞來繞去不是很浪費時間嗎？拆好了一路做完，不是比較快？快，但只在你一開始就猜對的時候。計畫是它還沒動手之前想的，做了第一步才發現名字對不上，硬照原計畫走只會把錯的做完。喔，就像我出門辦事，本來排好先去銀行再去郵局。到了銀行才發現印章沒帶，我就當場改成先去郵局。關鍵就是那三個字，當場改。排好的流程走到卡住那一格就停在那裡。但要提醒你，會繞圈不等於會成功，它也可能繞錯方向繞得很有效率。那它會不會就這樣一直繞下去？通常會設一個上限，繞幾次就停。所以看到它跑很久都沒交東西出來，不一定是在深思，也可能是在原地打轉。 繞了這麼多圈，前面做過的事它還記得嗎？這要接回我們講過的那張桌子。它每繞一圈，桌上就被塞進更多東西：剛查到的、剛失敗的、剛拿到的結果。所以要有人決定什麼留在桌上。 那全部留著不就好了？留著它就什麼都看得到。桌子的大小是固定的。留太多，重要的那一條就攤不上去了；而且桌上越亂，它越容易被不相干的東西帶走。喔，所以不是它記性好不好，是桌面要有人整理。就像我桌上堆到滿出來，反而找不到今天要用的那一張。就是這樣。所以做得好的 Agent，會把前面幾圈整理成幾行結論，過程收起來。要注意的是，收起來的就真的不見了，除非有人放回桌上。那我可以自己幫它整理嗎？可以，而且是最有效的一招。你在中間停下來跟它說，現在的結論是這三條，前面的別管了，它接下來會穩很多。 最後一個。有人說要開一整組來做事，那是什麼意思？就是把一件大事拆給幾個角色。一個找資料，一個負責寫，一個負責挑錯，各做各的那一段，做完再交給下一個。 那是不是開越多越快？多幾個角色一定比較強吧。不一定。多一個角色，就多一個交接的地方。前一個做完的要講給下一個聽，講的時候一定會少講一點，下一個就照著少掉的版本做下去。喔，就像接力賽？跑得再快，掉了棒還是全部重來，真正會出事的都在交棒那幾公尺。非常準。所以要問的不是可以拆成幾個，是交出去的東西講不講得清楚。多一個角色不等於多一分力，是多一個掉棒的機會。那什麼時候才該拆？一個角色要顧的事太多、開始顧此失彼的時候。簡單的事別拆，兩個人做一件小事通常比一個人慢。 那我們最後重新排一次好不好？好，你來。AI Agent 是你只給目標，步驟由它自己決定。Agentic AI 講的是自主到什麼程度，是一條光譜，不是一個產品。Planner 是出發前先把事情拆成一步一步。Agent Loop 是做一步、看結果、再決定下一步，它會因為看到結果改計畫。Agent Memory 是決定桌上留什麼、什麼收起來。Multi-Agent 是拆成幾個角色分工，交接的地方最容易掉東西。完全正確。以後有人跟你說這是 Agent，你只要問一句：這件事的下一步，是誰決定的？ 企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。

AID07-Function Calling 是 AI 開的一張單子-5分鐘學AI

 AID07-Function Calling 是 AI 開的一張單子-5分鐘學AI

API 是兩套系統講好的窗口，流程是你排好的順序。 模型只負責開單子，真正動手做事的，從來不是它。 #一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI Function Calling 是 AI 開的一張單子。 阿哲，我問一件很實際的事。我叫 AI 幫我查這個料號還有沒有庫存，或是開一張發票，它做得到嗎？這個問題很好。它回你的那一段話，跟它真的去查了一次，是兩件完全不同的事。咦，可是它回我的時候講得很肯定啊。講得肯定不代表它去查過。這一集講完你就知道，它從頭到尾沒有動手，它只是開了一張單子，真正去做的是別人。 那我們從第一個名詞開始。API 這個字我天天看到，可是不知道它是什麼。它是兩套軟體之間講好的一個窗口。你照它規定的格式把要求送進去，它照規定的格式把結果送回來。 所以我要用別人家的功能，就是走這個窗口？對。雙方要先講好：你送什麼進來、我回你什麼。格式對不上，窗口就不理你。喔，就像去店裡點餐？我不會自己走進廚房炒一盤，我填一張單子交出去，廚房照單做，做好再端出來給我。這個比喻很準。你不需要知道廚房裡面怎麼運作，只要知道單子上有哪幾格可以填。那 API 是最近才有的嗎？感覺是跟著 AI 一起冒出來的。這是最常見的誤會。API 比 AI 老得多，它本來就不是 AI 的東西，是所有軟體之間互相講話的方式。那我平常有用到嗎？天天在用。你在網站上刷卡，網站自己沒有在算錢，是把資料送到銀行那個窗口，等一句成功或失敗。 第二個名詞叫 Workflow，中文就是工作流程。這個我好像懂，可是講不出來。它是一串固定順序的步驟，一步做完換下一步。誰來跑都同一條路，它不會自己改順序。 那它跟我平常做事有什麼不一樣？我也是一步一步做啊。差在它被寫死了。這一步做完一定接下一步，中間不會有人臨時改主意。喔，就像公司的報帳流程？我把單據交出去，先給主管簽，簽完才到會計，會計核完才付款。就是這個。今天換一個新同事來跑，他也是走同一條，因為順序不是他決定的。那遇到一張怪怪的單據呢？它不替你判斷，只會照寫好的往下送。所以它其實一點都不聰明？對，但這正是它值錢的地方。它不聰明，所以每一次都一樣。要出貨、要對帳，你要的就是每一次都一樣。 那 AI 工作流程呢？是不是讓 AI 自己去跑流程？不是。路線還是你排好的，只是中間某幾格本來要人來判斷，現在換成讓 AI 判斷。 那我還是不太懂，哪幾格會換成它？舉一個具體的。一封客戶來信進來，先收信，再判斷這封是不是客訴，最後分給對的窗口。中間那一步以前要人讀完才知道，現在交給它讀。喔，就像工廠的生產線？整條線的順序沒有變，只是其中一站本來是人在挑，現在換成機器在挑。非常準。線怎麼走沒有動，動的是站在那一格的人。它做得好不好，還是看你那條線排得對不對。那我常聽到有人說，這樣就等於有一個 AI 在幫我做事？這裡要很小心。這條路線是誰排的？是你排的。它拿到的是一格寫好的工作，不是一整件事情。所以它不會自己說，這一步應該先做別的？不會，那不在它的權限裡。要能自己決定先做哪一步，那是另一種東西，我們下一集專門講。 最後一組。Function Calling 這個字我看過好幾次，每次都跳過。它講的是模型自己開一張單子出來，上面寫著請幫我查這個料號的庫存。單子開好，交給外面的程式執行。 那 Tool Calling 呢？看起來很像。是同一件事的另外一面。你先把查庫存、開發票這些工具接上來，告訴它有哪幾種單可以開，它才開得出來。 等一下，所以是它自己跑進我的系統查資料嗎？不是。它從頭到尾沒有碰到你的系統，只是寫出一張單子，說我需要這個料號的庫存數字。喔，那就像我在櫃檯寫一張申請單？我不會走進倉庫自己翻，我把單子交出去，倉庫的人查完，把數字寫回來給我。就是這個畫面。結果送回它手上，它才拿那個數字寫成一句話回你。它講的庫存是真的，因為那個數字不是它自己想出來的。那如果沒有接這些工具呢？那它就只能用讀過的東西回你，聽起來一樣肯定，可是那不是你倉庫裡的數字。同一句話，有接跟沒接差非常多。所以它開得出單子，就代表這件事做得到囉？這裡先留一個伏筆。單子開出來以後，誰去執行、有沒有權限執行，是另一件事，後面幾集會好好講。 那我們最後重新排一次好不好？好，你來。API 是兩套系統之間講好的窗口，照格式送進去，照格式回來。Workflow 是固定順序的步驟，誰來跑都走同一條。AI Workflow 是路線還是你排的，只有其中幾格換成它來做。Function Calling 是它開一張單子，請外面的程式去執行。Tool Calling 是你先把工具接上來，它才有單可以開。完全正確。以後聽到有人說 AI 幫我做了什麼，你只要問一句：那件事，是誰真的動手做的？ 企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。

[AI 警示] 馬斯克的AI失控論與無法停止的競賽

[AI 警示] 馬斯克的AI失控論與無法停止的競賽

摘要 : 馬斯克一面警告AI失控，一面加速入局，揭示產業難以踩下煞車的囚徒困境。

內容:

據科技媒體《The Information》爆料，SpaceX 以600億美元收購AI程式設計工具公司Cursor。馬斯克隨後在全員會議中表示，AI模型終有一天會先進到人類無法控制，既然失控難以避免，SpaceX就必須趕在其他公司之前造出來。

這套說法引發一個矛盾：如果AI失控意味著它可能控制甚至毀滅人類，那麼搶先創造它的意義是什麼？相較於OpenAI、Anthropic等公司強調「AI有風險，因此必須謹慎、安全地開發」，馬斯克的說法更接近競賽邏輯——既然無法阻止，就要由自己率先抵達終點、取得規則制定權。

回顧馬斯克過去對AI的態度，這種矛盾長期存在。2014年，他將研發AI形容為「召喚惡魔」，並稱其為人類最大的生存威脅。2015年，他參與創辦OpenAI，希望避免最強AI被Google等單一企業壟斷；2018年，他退出OpenAI。

2023年3月，馬斯克簽署公開信，呼籲全球實驗室暫停訓練更強大的AI模型六個月。然而僅四個月後，他便成立xAI。公開信雖有三萬多人簽署，卻沒有主要實驗室真正停下研發，呈現出典型的囚徒困境：所有人都認為AI有危險，卻沒有人敢率先停止，因為先停下來的一方幾乎確定會在競爭中出局。

馬斯克曾估計，AI造成災難性後果的風險約為10%至20%；五年內，AI智慧可能超過全人類的總和，十年內人類或將失去控制權。但他同時認為，AI是實現物質極大豐富、釋放龐大生產力的必經之路。即使存在風險，其潛在收益仍值得投入。

國際競爭也讓AI更難停下。算力高度依賴電力，而各國在能源、晶片及模型能力上持續角力。若美國停止研發、其他國家卻繼續前進，結果可能不是更加安全，而是由另一個國家率先取得優勢。因此，AI競賽的煞車不斷被安全、經濟與國家競爭等理由拆除。

馬斯克的公開說法也曾出現前後不一。在與OpenAI執行長奧特曼相關的訴訟中，他宣誓作證時表示，特斯拉沒有追求通用人工智慧的具體計畫；但在此之前，他又曾發文稱，特斯拉可能成為率先創造通用人工智慧，甚至人形版本AGI的公司之一。這可能反映立場矛盾，也可能是其規畫快速變化。

對馬斯克而言，「警告AI」與「親自投入AI」或許並不衝突。他可能相信，既然競賽無法停止，誰先創造出強大AI，誰就能制定規則；即使AI終將失控，由自己主導也可能建立較好的規範，或至少延緩失控。

這並非馬斯克一人的邏輯。OpenAI、Anthropic、Google及各國政府，都傾向相信自己才是更安全、更負責任的開發者。因為不信任競爭者，卻對自身能力過度有信心，各方反而全力加速，最終使AI競賽本身走向失控。

馬斯克也經常提出非常激進的時間預測。他將2026年形容為AI的「奇點之年」，並預測通用人工智慧可能在近期實現、2030年前後超越全人類。然而，這類預測未必適合直接當作個人決策的時間表。

例如，若學生因相信白領工作即將全面消失而放棄升學，外科醫生因聽信短期內會被機器人取代而轉行，或投資者因AI前景而過度集中投資，都可能承擔重大損失。AI的發展方向值得參考，但預測中的「三年、五年、十年」往往可能延後，甚至出現數倍誤差。

尤其外科手術涉及極高精度、複雜判斷與責任問題，機器人的模式識別能力最終或許能超過人類，但從技術成熟到大規模臨床應用，仍可能需要很長時間。對普通人而言，更合理的做法是重視趨勢，而不是把科技領袖給出的日期視為確定日程。

至於SpaceX收購Cursor的價值，主要可能來自兩項資產。第一是入口：大量程式設計師將Cursor作為日常工作工具，掌握入口就能影響整個開發流程。第二是資料：使用者如何修改、刪除程式碼，在哪裡受阻，以及哪些提示詞最終被採用，都是訓練下一代程式設計AI的重要資料。

不過，Cursor本身並未掌握基礎大模型，其競爭力主要來自使用者規模、產品體驗、工作流程及模型整合能力。若其他程式設計工具能完整取代其功能，導致使用者快速流失，那麼600億美元的收購價格便可能過高；反之，若它能持續掌握大量使用者與程式設計入口，其戰略價值仍然可觀。相關交易與金額仍應以公司公告及可靠資料為準。

對普通人來說，我們既是AI競賽的旁觀者，也是競賽結果的承受者。科技巨頭押注的是歷史地位與企業市值，一家公司失敗後還可能有下一家公司；普通人押上的卻是工作、家庭、孩子的前途與自己的人生。

因此，不應盲目相信任何一位競賽參與者的預言，也不要完全依照他們給出的時間線安排人生。更實際的做法，是假設AI競賽不會有人主動踩下煞車，在此前提下持續學習新工具、提升判斷能力、保留職涯彈性，並做好財務與生活上的風險準備。

AI帶來的未來可能非常黑暗，也可能極度繁榮，但可以確定的是，轉變過程很可能充滿動盪。看清競賽規則、避免迷信預言並提前準備，並不是悲觀，而是清醒。