簡化 .NET 安裝與版本管理的 Installs with dotnetup

簡化 .NET 安裝與版本管理的 Installs with dotnetup

摘要 : .NET Up 以跨平台、一致化方式簡化 .NET 安裝、更新與版本管理，提升開發者與自動化代理的使用體驗。

內容:

在這場 Build 分享中，講者介紹了微軟正在開發的新工具「Installs with dotnetup」，目標是解決目前 .NET 在不同平台上的安裝與版本管理過於分散、複雜的問題。現今使用者安裝 .NET 的方式很多，包含 Visual Studio、VS Code 擴充功能、Winget、Homebrew、官方安裝腳本，以及各種社群版本管理工具，如 DNVM、asdf 等，造成使用體驗不一致，也增加維護與支援難度。

尤其在 Linux 環境中，.NET 安裝情境更加複雜。開發者常需在發行版套件、微軟提供的套件、手動安裝腳本與本地版本管理工具之間做選擇，還要考量是否需要特定 feature band、不同專案是否要使用不同 SDK 版本，以及本地安裝與全域安裝之間可能產生的衝突。這些問題不只讓使用者困擾，也讓微軟在除錯與支援時更難確認安裝來源與正確性。

為了解決這些痛點，.NET 團隊提出 Installs with dotnetup。這是一個跨平台、快速、輕量的工具，採用 Native AOT，主打「使用者層級的全域安裝」，也就是安裝在使用者自己的目錄中，不需系統管理員權限，也不影響同一台機器上的其他使用者。它希望提供一致的操作方式，讓任何作業系統上的開發者都能用相同方法安裝與管理 .NET。

.NET Up 的核心理念之一，是延續現有開發者已經熟悉的設定方式，例如 global.json。工具能讀取專案中的 SDK 需求，自動安裝符合版本規則的 .NET SDK，並支援更新與版本追蹤。除了安裝外，.NET Up 也會記錄目前系統中安裝了哪些 SDK、追蹤哪些版本通道，讓後續更新可以更自動、更有脈絡，而不是單純地下載壓縮檔後自行管理。

講者展示了 .NET Up 的實際操作流程。使用者只需初始化 .NET Up，它就能下載最新 SDK，並自動設定 shell 環境，讓後續終端機可直接使用 .NET 與 .NET Up。接著進入某個專案目錄後，執行安裝命令，.NET Up 會根據 global.json 自動判斷該專案需要的 SDK 版本，例如安裝特定 feature band 或依 rolling forward 規則選擇對應版本，讓開發者不必再手動比對版本與處理相容性。

這項能力對開源貢獻、團隊協作與自動化代理特別重要。過去開發者常在 clone 專案後才發現本機 SDK 版本不符，導致 build 失敗，還要自行找出正確版本。現在透過 .NET Up，可以在本機端像 CI/CD 一樣，自動依照專案需求補齊所需 SDK，降低進入專案的門檻與設定成本。

除了 SDK 管理，Installs with dotnetup 也進一步處理 runtime 安裝需求。講者以多目標測試情境為例，說明開發者可能只想使用最新 SDK 進行建置，但測試時仍需要 .NET 8、9、10 等不同 runtime。過去這通常得安裝多套完整 SDK 才能解決，但其實並不高效。.NET Up 的方向是讓開發者只保留需要的 SDK，再依測試與執行需求額外安裝對應 runtimes，讓環境更精簡也更合理。

在工具設計上，Installs with dotnetup 不只是一個命令列工具，也規劃成未來可供其他工具整合的基礎元件。團隊希望它的安裝記錄、版本資訊與簽章驗證機制，未來能與 Dependabot、Renovate 等生態系整合，成為 .NET 工具鏈供應鏈管理與自動化治理的一部分。這不只是安裝工具，更可能成為 .NET 開發環境管理的共同基礎。

安全性也是 Installs with dotnetup 的重要方向。團隊正與 .NET 發行團隊合作，讓 SDK、runtime 與相關 manifests 都具備完整簽章驗證，確保使用者取得的是微軟正式提供的內容。這能提升來源可信度、供應鏈安全性與審計能力，補足以往使用者層級安裝方式在安全與可追蹤性上的不足。

未來規劃方面，內部預覽版將聚焦於穩定版 SDK 管理、nightly/daily SDK 安裝，以及 one-shot execution 功能。這項功能可讓開發者指定某個 .NET 版本來執行特定命令，例如比較 .NET 10 與 .NET 11 preview 執行 build 的差異，方便進行 A/B 測試與快速回報問題，而不影響目前全域環境。

公開預覽階段則會加入 Installs with dotnetup 自我更新、更新通知、完整簽章驗證，以及提供給 AI/LLM 與自動化代理使用的技能與操作規範，讓代理工具可以更安全、正確地使用 .NET Up，而不再透過片段文件自行下載、解壓與設定環境。這將讓人類開發者與自動化系統都能有一致且可靠的體驗。

整體來看，.NET Up 的定位非常明確：它不是用來取代正式生產環境中的套件管理，而是專為開發階段打造的 .NET 工具鏈管理方案。它希望讓開發者只需 clone 專案、執行安裝命令，就能快速進入可工作的狀態，同時也讓代理、CI/CD 與版本測試流程更簡單、更安全。如果後續落地順利，.NET Up 有機會成為 .NET 開發生態中極具代表性的基礎工具。

[AI 分享] CodeX入門實戰全指南 2

 [AI 分享] CodeX入門實戰全指南

摘要：從安裝、介面、權限到網站、文件、影片與自動化任務，帶你真正上手CodeX。

內容:

CodeX 不是傳統的聊天型 AI，而是更接近「會直接幫你做事的 AI 員工」。一般聊天 AI 比較像顧問，你問問題，它給答案；但真正執行、整理、建立文件、操作工具的人還是你自己。CodeX 則屬於 agent 類型，不只會思考，還能直接把任務一步步完成，從建文件、整理資料、執行程式，到操作瀏覽器都能處理。

對一般人來說，CodeX 很可能是目前最值得學習的 AI agent 之一。尤其對學生、上班族、知識工作者而言，看完後很可能會改變對 AI 的理解。因為它不只是「回答你」，而是能逐步成為你真正可用的數位助手。

在使用前，主要需要準備 GPT 帳號。若是高頻重度使用者，可以考慮升級到 Pro；一般使用者使用 Plus 通常已經足夠，免費方案也能體驗，只是額度較少。安裝並登入後，如果介面是英文，可以到左下角設定中把語言切換成中文，之後就會更容易上手。

CodeX 的介面主要分成幾個部分。左側上方有新對話、搜尋、外掛與技能、自動化等功能。中間最重要的是「專案」與「對話」兩種結構：對話比較適合零碎型任務，像查資料、問問題；專案則更像一個對應電腦資料夾的工作空間，你在裡面產生的程式碼、PPT、文件等都會保存下來。每個專案下還能開很多對話，用來分別處理不同工作。

建立專案後，就可以直接在輸入框中用中文描述需求。下方可以設定使用的模型、思考強度與速度。思考強度通常分為低、中、高、超高，日常任務用中等即可；複雜任務則可調高。速度則分標準與快速兩種，趕時間時可以切換。若不想打字，也能直接使用語音輸入需求。

輸入區旁邊還有幾個很重要的功能。第一是上傳資料，可將本地檔案或資料夾交給 CodeX 使用。第二是「計畫模式」，開啟後它會先跟你討論方案，不會直接修改檔案，特別適合做網站、開發專案、流程設計等較複雜任務。第三是權限模式，通常有預設權限、自動審查與完全訪問三種。對新手來說，建議先用預設或自動審查，不要一開始就開完全訪問，以免 AI 做出你不想要的操作。

 CodeX 的工作場景與使用邏輯，讓使用者能理解它不只是聊天工具，而是能在本地、專案、雲端等不同環境裡協助你執行任務。這種能力，讓它更像是「可操作、可交付結果」的工作助手。

在實作案例中，CodeX 展示了多種應用。像是影片製作，只要給出需求，搭配對應外掛，就能生成影片、動畫、音樂等內容。即使只是簡單指令，也能快速做出可預覽的成果；若有更明確的腳本、素材或畫面要求，還能持續與 AI 對話，逐幀調整畫面細節與效果。

除了影片，它也能幫你產出表格、SEO 文件、Word 文件等各類辦公內容。過去這類工作往往需要查資料、整理資訊、排版校對，可能要花上好幾個小時；現在透過 CodeX，可以大幅縮短製作時間，而且還能在生成後直接預覽，若不滿意再請它持續修改。

外掛與 skill 的概念。外掛像是給 CodeX 增加能力模組，而 skill 則像是把一整套工作規則與流程，整理成可重複使用的標準操作手冊。例如圖片生成的流程，可以先定義畫面描述、風格與模型調用方式，再把這些規則寫成 markdown 文件，讓 CodeX 在不同對話中都能依照一致標準執行。

這裡特別提到一個實用技巧：在專案根目錄建立 `agents.md` 文件。因為 CodeX 在不同對話視窗之間不一定會記得先前所有規則，所以把重要規範、風格、流程寫進這份文件，就像給 AI 一份入職手冊。之後每次開新對話，它都能依據這份手冊做事，形成穩定、可複用的長期記憶與工作標準。

自動化則是 CodeX 的另一個高價值功能。如果你每天都要重複整理資料、搜尋熱門話題、彙整報告，就可以直接用自然語言建立自動化任務，例如「每天早上九點幫我搜集今日熱門資料並生成報告」。設定後，CodeX 就會定時執行。你也能在自動化頁面中調整執行時間、模型、思考強度、環境與任務描述，並隨時暫停或刪除任務。

在正式建立自動化之前，影片也建議先手動跑一次流程，確認輸出符合預期，再交給自動化執行，避免浪費額度。這是一個很實際的使用建議，特別適合剛開始接觸的人。

關於額度管理，CodeX 也提供清楚的查看方式。你可以在左下角設定中查看五小時內與本週剩餘額度，也可以透過對話中的狀態指令查看上下文與使用情況。若達到上限，不必太緊張，因為系統通常會按照滾動時間重新釋出額度。若真的不夠，再考慮升級方案即可。

另一個節省額度的重要方式是管理上下文。當一段任務完成後，可以手動壓縮上下文，讓模型把注意力聚焦到新任務上，這樣不只提升效率，也能減少不必要的消耗。

最後，直接請 CodeX 製作一個寵物貓咪主題首頁，並開啟計畫模式，讓 AI 先提出完整方案，再逐步確認風格、內容、設計方向。確認後，它便開始初始化專案、生成內容，最後完成網站頁面。內建瀏覽器還能直接預覽成果，並透過批註功能即時提出修改意見，再重新整理檢視更新效果。

整體來看，這支內容不只是介紹 CodeX 是什麼，更重要的是讓人理解它和傳統 AI 的本質差異：一個偏向建議型助手，另一個則是能幫你真正完成工作的 agent。從安裝設定、權限控制、文件生成、影片製作、網站開發，到 skill 與自動化任務，影片用大量實操案例展示了 CodeX 如何成為個人工作流中的 AI 員工。

第一性原理看科學世界

 [AI 回顧] 第一性原理看科學世界

摘要 : 這本書用第一性原理串起引力、量子、粒子與宇宙學，幫助非科學背景讀者快速理解科學底層邏輯。

內容:

第一性原理 試圖解決一個常見困擾：很多人一聽科學就覺得艱深難懂。作者馬克思·喬恩提出，不必背下繁雜知識，只要抓住各領域最根本、無需再被證明的「第一性原理」，再沿著邏輯逐步推演，就能理解整個知識框架。這也是他能把量子計算機講給完全沒有科學背景的聽眾聽懂的原因。

書中先從引力談起。引力的第一性原理很簡單：任何兩個有質量的物體都會彼此吸引。雖然引力在四種基本作用力中最弱，但因為它只有吸引、沒有抵消效果，當物體質量累積到足夠大時，就能主導天體形狀與運動，例如讓大型天體趨近球形，也讓月球繞地球、公轉天體繞太陽運行。

牛頓的重要突破，在於把地上的蘋果落地與天上的月球運行看成同一種力的結果，進一步建立萬有引力與平方反比定律，打通了天地規律。由此不只解釋行星軌道，也能說明潮汐現象。潮汐本質上不是單純「月亮拉海水」，而是月球對地球不同位置造成的引力差，甚至連岩石地層與大型科學設施都會出現微小的固體潮汐效應。

在微觀世界裡，量子理論顛覆了日常直覺。原子與粒子具有不連續性、波粒二象性、疊加態與量子糾纏等特徵；粒子在被觀測前可以同時處於多種狀態，但在宏觀世界中，因為持續與環境互動，疊加態會快速消失，這就是退相干。雖然量子現象反常識，但其應用早已深入生活，包括雷射、半導體、醫學影像與量子計算等。

進一步到粒子物理，標準模型統整了電磁力、強力與弱力，並將基本粒子分為構成物質的費米子與傳遞作用力的波色子。希格斯場與希格斯波色子則提供了粒子質量的來源，電弱統一更顯示不同基本力在高能條件下可能原本是一體的。不過標準模型仍無法納入引力，也無法完整解釋暗物質與中微子質量，因此科學家仍在尋找更底層的統一理論，例如弦理論。

在宇宙學部分，作者指出現代宇宙學的核心原理是：宇宙正在膨脹，並起源於約138億年前的大爆炸。哈勃定律與宇宙背景輻射為此提供了強力證據，但現代理論仍面臨暗物質、暗能量等重大未解問題。整體來看，這本書不是要讀者死背科學細節，而是教人用第一性原理掌握世界運作的底層邏輯，從而更有效率地理解科學。

[AI 衝擊] AI價格戰將成主戰場

 [AI 衝擊] AI價格戰將成主戰場

摘要 : OpenAI擬降價迎戰Anthropic，AI競爭重心正從模型能力轉向成本與商業化效率。

內容:

AI產業最激烈的競爭，未必是比誰的模型更聰明，而可能是比誰的價格更低。OpenAI正考慮大幅調降AI服務價格，目標是提前應對主要競爭對手Anthropic的壓力。

過去兩年，企業大量導入AI應用，包括程式生成、客服自動化、內容生產與資料分析等，幾乎各環節都在使用AI。然而隨著使用量快速增加，企業也發現AI雖然提升效率，但成本上升得更快，原本數萬美元的支出可能迅速膨脹到數十萬甚至上百萬美元。

當不同AI模型之間的能力差距逐漸縮小，企業評估重點也開始改變，不再只看效果，而是更重視成本配置。誰能提供更低價格，誰就更有機會取得預算，這也成為OpenAI考慮降價的重要背景。

Anthropic憑藉Claude系列模型，特別是在程式設計相關場景中快速擴張，吸引不少企業客戶。一些開發團隊甚至開始將原本使用OpenAI的工作流程轉移出去。對OpenAI而言，真正的風險不只是流失少數客戶，而是市場一旦形成「模型同質化」認知，使用者切換平台的門檻就會愈來愈低。

同時，整個產業也面臨更大壓力。愈來愈多企業開始採用更便宜的開源模型，或來自不同供應商的低成本方案，甚至透過自動路由系統，把任務分配給最便宜且夠用的模型處理。過去需要頂級模型完成的工作，如今可能以十分之一甚至更低的成本達成。

如果OpenAI與Anthropic正式展開價格戰，使用者與企業將是直接受益者，AI部署門檻與開發成本都會下降。但對AI公司而言，訓練與運行頂級模型本就需要巨額資金與算力，一旦降價速度快過收入成長，利潤空間將迅速被壓縮。未來AI產業的勝負，可能不只取決於誰的模型最強，而是誰能以更低成本提供強大能力。

#AI

[AI 分享] Codex實戰 superpowers 用需求拆解打造新聞稿生成工具

 [AI 分享] Codex實戰 用需求拆解打造新聞稿生成工具

摘要 : 透過實際案例說明，如何用Codex與技能工具梳理需求，打造新聞稿、簡報與公眾號內容生成網頁。

內容:

主題不再只是簡單的網頁或小功能，而是進一步進入真實需求的開發情境。整個過程大約花了 30 分鐘，從開啟連結、進入網址內容，到把素材拖入網頁中，逐步建立出一個可落地的新聞稿生成工具。

這次案例的核心目標，是製作一個能生成高品質新聞稿的 HTML 網頁工具，甚至延伸成新聞稿、圖文簡報、公眾號內容等多種輸出形式。對於沒有網頁或程式背景的使用者而言，最重要的不是直接開發，而是先學會如何提需求，特別是先釐清「輸入是什麼、輸出是什麼」。

在輸入端，需要明確提供的內容包括：新聞主題、參與人員、活動基本資訊、活動照片、圖文作者，以及最後的落款時間。此外，也可以直接說明素材放在哪個資料夾，或支援拖拽上傳到網頁中。這些都是需求規劃時必須先整理清楚的部分。

而在輸出端，則要先定義最終要產出的形式，例如是新聞稿、簡報，還是同時輸出多種宣傳內容。這裡的關鍵觀念是，不要一開始就急著讓系統開發，而是先讓工具幫忙把需求補完整、把結構梳理清楚，避免後續開發偏離目標。

過程中提到了一個名為 superpowers 的技能工具。這個技能的作用，是把原本零散的想法與功能點，整理成能夠真正落地的產品需求，並釐清目標、邊界、流程與輸出標準。它不只是單純整理文字，而是協助使用者把專案的輸入、輸出、限制條件與執行方案具體化。

superpowers 還包含多種商業功能，例如需求分析、目標與邊界說明、方案設計、writing plan，以及技術與欄位說明等。分享中也提到一個重要的學習方法：不需要一開始就把所有功能研究透徹，而是先從最基礎、最實用的功能開始用，邊做邊理解，這樣比一次想搞懂全部內容更有效率。

在實際規劃產品需求時，系統先協助定義這是一個「高校活動報導的本地 HTML 工具」，再進一步讓使用者選擇產品定位。例如可選擇新聞稿裁剪助手、素材自動整理成稿工具，或是新聞稿加簡報排版工具。最終更符合實際需求的定位，是一套能同時處理新聞稿、圖文簡報、活動快訊甚至公眾號出稿的整合型工具。

不過，考量開發成本與複雜度，分享中也提到不需要一開始就把所有功能都做滿，而是先聚焦在較實用的組合，例如「新聞稿＋簡報＋公眾號內容」這類中等規模的輸出形式，既符合新媒體使用情境，也比較容易落地。

在需求細化時，還進一步討論了素材輸入方式，例如是拖入整個資料夾、拖入多個檔案，還是以表單填寫為主。最適合的方案，是讓使用者直接拖入整包素材或資料夾，因為這樣更接近真實工作場景，也能減少手動整理資料的負擔。

此外，素材目錄結構是否需要規範，也是需求設計的重要一環。若完全自動混放，雖然最省事，但辨識錯誤率較高；若有一定的結構要求，則能提升生成品質與穩定性。分享中傾向先採取較簡單、較低門檻的方式，再依需求逐步優化。

整體來看，這次分享的重點不只是教大家如何做一個新聞稿生成工具，更重要的是示範了一種實戰思維：在開發之前，先用工具把需求講清楚、拆清楚、選清楚。透過一步步的選擇與界定，讓 Codex 更準確理解需求，降低反覆修改的成本，也減少 token 浪費，最終提高內容生成的精準度與可用性。

最後也點出一個值得延伸思考的方向：如果未來要把這類產品做得更智慧化，接入 AI 大模型幾乎會是必要條件。雖然這次流程中還沒有完整談到這一點，但這將會是後續產品升級的重要基礎。

[AI 觀察] 招聘博弈與組織變革

 [AI 觀察] 招聘博弈與組織變革

摘要 : AI正重塑招聘與管理，但高階人才判斷、信任建立與組織協調，仍離不開人的深度參與。

內容:
現在招聘市場出現一種明顯的「雙向AI博弈」：企業用AI篩選簡歷，求職者也用AI優化甚至撰寫簡歷，讓自己更容易被演算法選中。這種現象未來只會越來越普遍，但也意味著招聘不可能只靠AI完成，而會演變成人與AI共同參與的競爭與篩選過程。

AI在招聘流程前段確實能大幅提效，尤其適合做簡歷初篩、資訊整理與基礎匹配。不過它也有盲點，例如當越來越多簡歷由AI生成後，如何辨識真實能力與經驗就成為新問題。因此，真正有效的招聘仍需依賴獵頭顧問或招聘者對產業、企業需求與候選人的深入理解，進行更細緻的人對人評估。

尤其在高階職位招聘上，AI更難取代人。像CFO這類C-level職位，所需能力高度複合、情境灰度很高，不是靠幾頁簡歷就能完整呈現。候選人的歷練、判斷力、與老闆是否合拍，甚至彼此間的chemistry與信任感，往往需要透過深入交流才能感知，這些都不是AI或文字描述能完全捕捉的。

面試與簡歷本身也並不足夠，因此企業會特別重視背景調查。背調能補充候選人在長期工作關係中的真實表現，例如前老闆、前同事對其能力與合作方式的評價。當然，背調也存在利益衝突風險，因此可交由第三方機構執行；而專業獵頭公司也會重視自身品牌與信用，必要時甚至會主動撤回有疑慮的候選人，以避免影響名譽。

除了招聘，AI也正在推動組織架構變革。它可能讓組織更扁平化、平臺化，讓「超級個體」更容易脫穎而出。部分觀點甚至認為，未來CEO與基層員工都會借助AI工作，而中間層因資料彙報、流程管理等工作被AI取代而逐漸淡化。這種趨勢在標準化、程序化、資料型工作上確實已有跡象。

但只要管理對象仍然是人，中間層就不會完全消失，而是角色會改變。未來AI更適合負責流程化、標準化與資訊歸納工作；中層管理者則需更多承擔溝通協調、情感連結、培訓與激勵的職能。也就是說，AI會重塑組織分工，但真正讓團隊高效運轉的，仍是人與人之間的信任、理解與帶動。

#AI

[AI 觀點] AI風口未必屬於你，但AI工具一定用得上

 [AI 觀點] AI風口未必屬於你，但AI工具一定用得上

摘要：普通人不必焦慮追AI風口，真正能抓住的是用AI提升工作與生活效率的紅利。

內容:

近來各大平台都在談AI，彷彿不學AI就會被淘汰，甚至有人說這是普通人最後一次翻身的機會。這類說法聽起來很刺激，也很容易讓人焦慮。但事實上，AI雖然重要，卻不代表每個人都要去追逐所謂的「風口」。很多鋪天蓋地的焦慮言論，更多是在利用人們害怕錯過機會的心理。

為什麼大家會對AI特別緊張？很大一部分原因，是因為我們總覺得自己曾經錯過了很多重要機會。像是網際網路、電商、短影音，甚至更早期的房地產紅利，很多人回頭看時都會產生一種遺憾：如果當初早一點進場，人生也許就不同了。如今AI來了，這種「不能再錯過」的情緒被再次放大，於是人們更容易陷入焦慮。

但問題在於，真正能吃到AI技術風口的人，其實只有極少數。第一類是做技術的人，例如寫程式、做演算法、研究底層模型與架構的人；第二類則是有資本、有資源、懂產業邏輯的投資者。這些人往往早已身在局中，並不是今天才突然衝進場。對大多數普通人來說，自己並不屬於這1%，更多時候只是AI工具的使用者。

所以，普通人真正能掌握的，不是技術風口，也不是投資風口，而是「效率紅利」。意思是，你不一定要懂AI怎麼被造出來，但你可以學會怎麼把AI用在自己的工作與生活中。就像你不需要會造冰箱，卻完全可以享受冰箱帶來的便利。AI最大的價值，對多數人來說，就是把原本耗時又重複的工作大幅縮短，讓你把時間留給更重要的事。

以健身教練來說，過去替每位學員設計訓練計畫，需要花很多時間去考量體能狀況、訓練目標、可訓練次數與傷病背景。現在只要把這些條件整理給AI，它就能快速生成一份完整初稿，包括動作安排、組數、休息時間與注意事項。教練真正要做的，是用自己的專業去調整與把關，而不是從零開始重複勞動。

教育工作者也很適合運用AI。像是批改作文、檢查語病、整理備課素材、延伸案例與教案內容，AI都能先做第一輪處理。老師不需要把時間浪費在大量重複性的基礎工作上，而能把重心放在真正重要的教學判斷與個別回饋。

對學生而言，AI在閱讀文獻、整理資料、建立論文框架方面也很有幫助。面對大量PDF、研究資料與學術文章時，可以先讓AI協助摘要、分類、比較貢獻與侷限，再決定哪些文獻值得深入閱讀。寫作上也可以利用AI協助梳理結構與邏輯，但真正的核心觀點與判斷，還是必須由自己完成。

職場工作者同樣能直接受益。像是做PPT、寫週報、整理會議紀要、撰寫郵件，這些原本容易消耗時間的事務，都能透過AI大幅加快。你不需要從空白頁開始焦慮，而是可以先有一版可用的初稿，再進一步優化內容與表現方式，把時間拿去處理更高價值的工作。

對設計師、攝影師這類創意工作者來說，AI也不是要取代創作，而是能成為靈感工具。只要輸入幾個風格關鍵詞，AI就能快速生成多種參考方向，幫助創作者更快找到視覺語言與概念起點。真正的審美判斷與作品完成，仍然仰賴人的能力。

銷售、微商與電商運營人員，則可以把AI應用在文案、產品介紹、社群貼文與客戶回覆模板上。當你需要快速產出不同風格的內容，或針對常見問題建立標準回覆時，AI可以大幅減少反覆構思的消耗。這不是讓人變得機械化，而是讓人從低效重複勞動中被釋放出來。

說到底，普通人面對AI，最重要的不是去幻想自己一定要成為那1%的技術高手或投資贏家，而是認清自己真正能拿到的是什麼。如果你只是想讓工作更輕鬆、更快、更有效率，那AI和你就非常有關係。它不是一場非追不可的競賽，而是一套值得學會使用的工具。

所以，AI不一定是普通人的風口，但一定可以是普通人的助手。你不需要因為它而焦慮，也不必被市場上的話術推著跑。真正值得做的，是學會如何在自己的工作場景中提問、使用、調整，讓AI替你完成那些重複、繁瑣、耗時的部分，而你把精力留給更重要的判斷與創造。

#AI

[AI 反思] AI時代先找方向，再談工具

[AI 反思] AI時代先找方向，再談工具

摘要 : AI時代真正的焦慮，不是你不會用AI，而是你還沒找到自己真正想做的事。

內容:
AI時代最大的問題，往往不是不會用AI，而是不知道要拿AI來做什麼。網路上充滿各種焦慮：今天說AI要淘汰人類，明天說不會用AI的人會被甩開，後天又告訴你只要學會某個工具就能快速成長。人因此越看越焦慮、越焦慮越想學，但真正的關鍵其實是：學會之後，你要把它用在哪裡？

如果一個人沒有真正想做的事，AI再強也只是高級玩具。你可能收藏很多教學、買很多課程、開很多工具，最後卻依然沒有改變生活，只是在忙碌與焦慮中原地打轉。這不是不努力，而是努力沒有方向，能量也無法集中，所以很容易陷入一種空心、迷惘的狀態。

相反地，真正有方向的人，會進入良性的成長循環。他知道自己為什麼學AI、為什麼讀書、為什麼練表達、為什麼提升技能。因為有明確目標，所以學到的東西能立即用在自己的方向上；因為能解決問題，所以能幫助別人；因為幫助別人，所以得到報酬與肯定，再把這些資源投入學習，讓能力、收入與成就感持續上升。

而沒有想做之事的人，常會掉進兩種惡性循環：一種是靠花錢緩解焦慮，透過吃喝、購物、社交來獲得短暫快感，之後卻更空虛；另一種是靠娛樂麻痺自己，刷短影片、打遊戲、熬夜，看似休息，實際上是在逃避人生。時間久了，工作更無聊、生活更無力、錢沒存到、能力也沒提升，對現狀只會越來越厭倦。

自己並不是一開始就知道想做什麼，而是做過主持人、書店店員、創業者、直播工作者，現在又投入編劇與內容創作。表面上經歷很跳躍，但底層始終在尋找一件能讓自己持續投入、持續成長、持續興奮的事。真正重要的，不是追上每一個熱點，而是找到那個讓你願意長期學習、精進，並拿來幫助別人的方向。

想做的事不是憑空想出來的，而是可以透過自我認知慢慢找到。工作、創業、跳槽都只是實現它的手段。隨著年齡增長，人很容易被各種「應該」綁住，活成失去自由的人。與其被AI熱點推著焦慮前進，不如趁現在正視自己，找到真正想做的事。當你願意為那件事持續投入、主動學習、自然行動，人生就會逐漸進入更開心、更有成長感的良性循環。

#AI

[AI 分享] Codex Skill 技能新手入門指南

 [AI 分享] Codex Skill 技能新手入門指南

摘要 : 從概念、建立、管理到進階配置，系統整理Codex技能的入門重點。

內容:

這是一份關於 Codex 技能的新手入門整理，目的是幫助開發者與 AI 愛好者，快速理解如何為 AI 助手建立更強大的任務處理能力。整體內容從基礎概念出發，逐步帶到建立、使用、管理與進階最佳實踐，讓學習路徑更清晰。

首先，Codex 技能可以理解為一個打包好的工作流單元，裡面包含指令、參考資料與指令碼。它的核心價值在於提升 AI 處理複雜任務的能力，同時增加執行的穩定性與可重複使用性。官方工具如 CLI 與 IDE 擴充套件都支援這套技能系統。

技能與外掛是兩個容易混淆的概念。技能代表「如何完成一件事」的工作流定義；外掛則是用來打包與分發技能的形式。簡單來說，技能是內容本體，外掛是分享技能的包裝方式，通常是先建立技能，再透過外掛對外分發。

在載入機制上，Codex 採用按需展開的方式來節省模型上下文。系統啟動時只會先載入技能的原資料，而不是完整內容；只有在真正需要時，才會讀取完整指令。這樣的設計有助於提高效率，也讓更多技能有機會被系統辨識與使用。

技能的使用方式分為兩種。第一種是顯示呼叫，也就是由使用者明確指定要使用哪個技能，例如透過介面選取，或輸入特定技能指令。第二種是隱式呼叫，Codex 會依照使用者輸入內容，自動判斷並匹配最適合的技能。因此，技能描述必須寫得清楚、準確，並把關鍵字盡量放在前面，才能提高匹配效果。

如果是第一次建立技能，可以直接使用內建的 `$SkillCreator` 工具。只要輸入指令並依提示回答問題，就能快速產生一個技能框架。對初學者而言，建議先從純指令型技能開始，把工作流程邏輯設計清楚後，再逐步加入指令碼能力。

若需要更高的控制彈性，也可以手動撰寫 `Skill.md` 檔案。這個核心檔案通常包含技能的名稱、描述、原資料與具體操作指令。當技能修改後若未立即生效，通常重新啟動 Codex 就能解決問題。

一個完整的技能不只是單一檔案，而是一個具結構的目錄。除了核心的 `Skill.md` 外，還可以包含 `Scripts` 目錄存放指令碼、`References` 存放參考資料、`Assets` 放置靜態資源，以及 `Agents` 目錄進行進階配置。這種模組化結構讓技能更易於擴充與維護。

在管理層面上，技能可以存放於不同層級。倉庫級技能通常與專案程式碼綁定，適合放在專案根目錄或模組目錄下，方便團隊共用與版本管理。除此之外，還有使用者級、管理員級與系統級技能，分別對應個人使用、全機器共用，以及 Codex 內建技能。必要時，也能透過符號連結來彈性組織技能。

如果技能只在專案內部使用，通常直接放在 `Skills` 目錄並透過 Git 管理即可。但若希望分享給更多人，或釋出為通用工具，則適合將技能打包成外掛。外掛是技能標準化分發的重要形式，也更利於安裝與流通。

安裝技能方面，Codex 提供了 `$SkillInstall` 工具。使用者只要輸入像 `$SkillInstall Linear` 這樣的指令，就能快速安裝指定技能。若只是想暫時停用某項技能，也可以透過修改全域配置檔來完成，將對應技能設定為停用即可。不過在修改後，通常也需要重新啟動 Codex 才會生效。

進入進階應用後，可以透過額外配置檔案來強化技能體驗。例如在技能目錄中建立對應設定檔，進一步定義技能的顯示方式、呼叫策略與依賴工具。在介面設定中，可以調整顯示名稱、圖示與顏色；而在策略設定中，則可控制是否允許隱式觸發。若將自動觸發關閉，就能確保某些敏感技能只能由使用者手動啟用，提升安全性。

此外，也可以在依賴設定中宣告技能所需的外部工具，例如 MCP 伺服器。這不僅方便其他開發者理解執行環境，也有助於 Codex 在特定情況下協助完成相關配置，讓技能真正具備與外部系統互動的能力。

在開發高品質技能時，有幾個重要原則值得遵循。第一是單一職責原則，每個技能盡量只專注完成一件事，這樣更容易複用、維護與測試。第二是優先使用自然語言指令，而非一開始就依賴指令碼；只有在需要更精準控制或整合外部系統時，再考慮加入腳本。第三是指令撰寫必須清楚，明確說明每一步的輸入、輸出與操作要求，避免模糊描述造成結果不穩定。第四則是充分測試，不只要測試正確情境下是否能被觸發，也要驗證在無關場景中是否會保持安靜，避免誤觸發。

若想進一步學習，建議參考 OpenAI 官方技能範例倉庫，以及相關的智慧體技能規範文件。透過閱讀高品質案例與標準規範，可以更快掌握實作方法，並寫出更容易分享與維護的技能。

總結來說，Codex 技能是一種封裝工作流能力的重要機制，能以顯示或隱式方式被觸發。建立技能可以從 `$SkillCreator` 開始，核心在於 `Skill.md` 與良好的結構設計；管理上則可依不同層級存放，並透過外掛進行分發。若能搭配清楚的設計原則與測試流程，就能有效打造出穩定、實用且可擴充的技能系統。

[AI 分享] Codex Agents.md 新手入門指南

 [AI 分享] Codex Agents.md 新手入門指南

摘要 : 介紹 Agents.md 的用途、查找與覆蓋規則，協助建立可重複使用的 Codex 工作約定。

內容:

這次內容主要帶大家認識 Codex Agents 的入門觀念，重點在於如何透過 Agents.md 檔案，為 Codex AI 助手建立持久且可重複使用的工作約定。這能幫助使用者在自動化任務中提升效率、一致性與準確性，無論是剛接觸 Codex 的新手，或是想優化工作流程的開發者，都很適合從這裡開始。

Agents.md 可以理解成提供給 Codex 的一份操作手冊或備忘錄。使用者可以在其中定義各種工作規則，例如程式碼風格、測試要求、套件管理偏好與文件更新方式等。Codex 在執行任務前會先讀取這些內容，讓後續行為更符合預期，因此它的核心價值就在於建立穩定且可靠的工作流程。

在檔案查找機制上，Codex 每次啟動都會重新從頭讀取設定，並不使用快取，因此每次都會採用最新版本的規則。它會先檢查全域層級的指導檔案，再檢查專案層級的檔案，最後把所有有效內容合併成最終指令集後才開始工作。這樣的流程能確保配置即時生效，也有助於維持指令的一致性。

查詢規則分成全域層與專案層兩部分。全域層位於使用者目錄下的 Codex 資料夾，用來定義適用所有專案的通用規範；專案層則會從專案根目錄一路往目前工作目錄逐層查找。每一層都會按照固定順序尋找指導檔案，並將找到的內容依序納入。

在合併邏輯上，最重要的原則是「越具體越優先」。也就是說，全域規則的優先順序最低，專案根目錄次之，而目前工作目錄下的規則優先順序最高。距離當前工作位置越近的設定，就越能覆蓋上層較通用的規則。除此之外，指令內容總大小也有預設上限，若有需要可透過設定檔進行調整。

在實作方面，可以先從建立全域指導開始。做法是先建立 Codex 主目錄，再新增 agents.md 檔案，將個人的通用工作約定寫入其中，例如測試習慣、套件管理器偏好或提交前檢查流程。接著再透過 Codex 指令驗證設定是否正確載入。若有臨時需求，也可以利用 override 類型檔案來快速調整全域規則。

針對特定專案，則可以利用分層設計進一步客製化。專案根目錄可以放置專案通用規範，而在特殊子目錄中，例如某個支付服務模組，則能額外建立 override 檔案，覆蓋更上層的設定。透過這種方式，同一個專案中的不同模組就能依需求套用不同工作約定，同時又保留整體規範的一致性。

如果某個目錄中存在 override 檔案，通常會優先於同層的 agents.md 生效，達到明確覆蓋的效果。這也代表不同模組可以非常細緻地控制自己的工作流程。例如某個子模組需要更嚴格的測試命令或安全檢查，就能在該目錄單獨定義，不影響其他區域。

進一步來看，Codex 也支援高級配置。如果團隊原本就有自己的指南文件，例如 team_guide.md，可以透過全域設定檔將這些檔名加入備用文件列表，讓 Codex 在查找 agents.md 的同時，也能識別這些既有文件。這樣不但能減少重複維護規範，也更容易與現有團隊流程整合。

另外，也可以調整指令內容大小上限，避免大型專案因規則過多而被截斷。除了修改查找檔名與大小限制外，還能透過切換不同的配置目錄，讓 Codex 在特定專案或自動化腳本中使用獨立設定。這種方式非常適合需要隔離環境或客製化流程的情境。

完成設定後，驗證配置是否生效非常重要。建議先讓 Codex 總結目前載入的指令內容，確認是否正確讀入規則。也可以切換到不同目錄進行測試，觀察各層設定是否有依照預期被覆蓋。如果發生異常，查看日誌通常是最有效的排查方式，因為它會記錄實際載入了哪些檔案。

常見問題包含指令沒有載入、規則被意外覆蓋、備用檔名未生效或內容超出大小限制等。遇到這些情況時，可以先確認目錄位置是否正確、檔案是否為空、上層是否存在未注意到的 override 檔案，以及修改設定後是否已重新啟動 Codex。若內容被截斷，則需進一步調整大小限制。

總結來說，Agents.md 是一個非常實用的工具，能透過全域與專案分層機制，為 Codex 建立清楚、可延續的工作約定。只要掌握「越具體越優先」這個核心原則，再搭配 override 檔案與進階設定功能，就能更靈活地管理不同專案與模組的需求。對於希望提升 AI 協作效率的人來說，這是一個非常值得立即動手實作的功能。