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。

[AI 衝擊] AI時代，程式設計的意義還剩什麼？

摘要：當AI讓實作變得廉價，程式設計師該如何重新尋找成就感與自身價值？

內容：

8月18日凌晨，Hacker News出現一篇令人扎心的文章：「還有沒有人覺得一切都沒有意義了？」發文者是一名程式設計師。他對新軟體發布失去感覺，也懷疑學習新的電腦科學概念、準備面試及開發個人專案是否還有價值，因為AI一天就能生成大量作品，而眼前的職位明年甚至可能消失。

文章很快獲得297個讚與175則留言。有人深感共鳴，有人反駁，也有人從中談起哲學。發文者用「遊戲開了作弊碼」形容這種感受：當什麼都能輕易做到，一切也就失去了樂趣，彷彿人的意義與快樂都被奪走了。

一名網友以遊戲《Factorio》為例。玩家之所以投入，是因為資源有限，必須不斷規劃與最佳化；但輸入作弊碼、一路輾壓到結局後，很快就會對遊戲失去興趣。人類長久以來都在為生存與資源奮鬥，如今許多事情都被安排妥當，每天只需面對螢幕工作，感覺就像遊戲突然進入終局。

這個比喻揭露了AI帶來的一項心理衝擊：能力快速通膨，成就感也隨之縮水。AI貶值的不只是程式碼，更是「困難」本身。

過去，程式設計師的成就感來自「這件事很難，而我做得到」。無論是學習一門語言、理解編譯原理、處理分散式系統，或解決詭異的錯誤，都需要投入大量時間、經驗與智力。如今，AI代理可能在數小時內完成過去數週的工作，於是人們開始懷疑：既然誰都能做到，那麼我做到又代表什麼？

有位網友形容，程式設計就像下棋，而AI則是象棋引擎。贏棋固然重要，就像交付產品一樣；但開著引擎贏棋，無法帶來真正的快樂。他更尖銳地指出，許多程式設計師未必喜歡下棋，只是喜歡「贏」。以前能贏，是因為別人做不到；現在任何人都可能在AI協助下完成，那麼原有的價值感也會受到挑戰。

這也迫使每個人回答一個問題：自己真正熱愛的是程式設計，還是勝過別人的感覺？

另一種失落與失業無關，而是來自工作體驗的改變。以前的開發流程是理解問題、思考、撰寫程式碼、除錯並完成作品；現在則逐漸變成描述需求、讓AI代理撰寫、審查結果、調整提示詞，再進行驗證。人從創造者轉變為管理者。

即使系統架構仍由自己決定，只要大量實作並非親手完成，就很難真正內化整個系統。對真正喜歡寫程式的人而言，審查本身並不好玩，無論審查對象是人還是AI。雖然AI輔助開發在短期內能快速帶來成果，但時間久了，一些人會開始覺得：「這不是我的專案。」

因此，有人刻意保留幾個只用傳統方式撰寫的個人專案，完全不使用大型語言模型。一名網友凌晨三點半仍在開發命令列工具，把地圖資料轉換成向量圖磚。沒有人要求他這麼做，也沒有產出壓力，他只是單純想寫。

這就像有人堅持使用底片攝影、機械錶或手沖咖啡。它們的價值不一定來自效率，而是來自手感、過程，以及「這是我親手做的」所帶來的滿足。

第三種衝擊則落在知識上。過去，資料庫、編譯器、網路與分散式系統都需要多年學習。知識稀缺，專家自然稀缺，專業能力也因此具有價值。大型語言模型大幅降低了取得知識的成本，也讓原本的門檻逐漸消失。

同時，AI議題也排擠了其他技術討論。過去人們會談語言、協定、演算法與架構，如今這些話題受到冷落，因為沒人確定它們未來是否仍然重要。個人發表的內容甚至可能迅速被納入訓練資料，最終與作者姓名完全脫鉤，形成一種徹底的商品化。

然而，取得資料與真正理解資料是兩回事。

一名網友曾要求大型語言模型為他設計完整的電池產業課程。AI提供的資料非常豐富，課程架構也很漂亮，但真正開始學習後，他才發現最大的問題是：自己根本不知道有哪些事情是自己不知道的。

AI可以讓知識取得近乎免費，卻無法讓理解也同步免費。判斷力、心智模型、經驗脈絡，以及辨識問題可能出在哪裡的能力，仍需要人親自累積。正如該名網友所說：「理解事物依然重要。」

這場討論也並非完全悲觀。另一派人認為，AI出現後，程式設計才真正開始變得有趣。

過去，大量時間耗費在樣板程式碼、CRUD、環境設定、查詢API與機械式除錯上。如今，這些工作可以交給AI代理，人終於能把注意力放回真正的問題：「我到底想做什麼？」

有人表示，自己過去執行力不佳，專案總被無聊的部分拖垮；有了AI之後，反而能把專案完成。一名40歲的前端開發者說，過去他的個人專案大多停留在30%，現在卻能真正完成作品，第一次讓想法成為完整且經過打磨的產品。

但他也強調，如果沒有過去累積的前端與使用者體驗知識，最後做出來的東西仍可能只是「AI slop」——一眼就能看出是批量生成、缺乏品味與細節的產物。真正能區分廉價生成內容與成熟作品的，恰恰是人過去累積的經驗、判斷與品味。

這一派的核心觀點是：AI沒有讓創造失去意義，只是讓實作變得更便宜。

當然，也有人認為AI生成內容並沒有想像中強大。AI製作的傳單可能直接被忽略，AI撰寫的文字讀幾行就能察覺，套版生成的介面也未必有人想用。類似的技術浪潮過去已出現多次，最終往往會在熱潮後回歸現實。

兩派真正的分歧，或許不在AI本身，而在於人們原本從程式設計中獲得什麼。

一部分人依賴的是稀缺性所帶來的回報，包括職業優勢、高薪、履歷、GitHub星數、他人認可，以及掌握別人不會的技能。當AI降低技能門檻，這些外在回報自然會被削弱。

另一部分人追求的則是創造本身的快樂。他們的動機是：「我就是想讓這個東西存在。」對這些人而言，AI不是威脅，而是放大創造力的槓桿。

真正成熟的產品仍需處理大量邊界情況、效能、記憶體與使用者體驗，也要讓使用者少走彎路。能把這些細節做好的人，從來都不多。甚至有人表示，即使自己設計的新程式語言最終沒有任何使用者，他仍然會寫，因為那是他想親手創造的東西。

整場討論指向一條價值鏈的遷移：過去，程式設計師的核心價值是會寫程式碼，而且比別人寫得更好；在AI代理時代，單純實作逐漸變得便宜，而理解問題、建立心智模型、做出判斷、掌握細節，以及賦予作品方向與品味，正變得更加重要。

[AI 衝擊] DHH從拒絕AI到全面採用Agent開發

[AI 衝擊] DHH從拒絕AI到全面採用Agent開發

摘要：DHH以Omarchy實證AI Agent如何重塑程式開發、開源協作與工程師角色。

內容:

13個月前，Ruby on Rails創始人、37Signals技術長大衛・海涅邁爾・漢森（David Heinemeier Hansson，DHH），還在播客上公開表示對AI寫程式碼不太感興趣。13個月後，他坐在同一個位置，告訴主持人自己已經連續兩個月沒有親手寫過任何一行程式碼。

2026年8月，DHH第二次做客Lex Fridman的播客，進行了一場超過5小時的長談。他帶著一台預裝自研Omarchy作業系統的戴爾筆記型電腦，現場展示不到一分鐘便能從開機完成安裝並進入桌面的過程。

節目錄製後，他還宣布成立OmaCom基金會。Shopify、Stripe、Dell、Block等科技業領袖共同出資，總額達1,000萬美元，目標是推動Linux桌面真正普及。

九個月內，發生數十年的進步

DHH引用列寧的一句話作為開場：「有些十年什麼都沒發生，有些幾週卻發生了數十年的事情。」在他看來，過去九個月，AI領域就經歷了數十年的進步。

最初，AI對他而言只是查詢資料與補全程式碼的工具，並沒有從根本上改變工作方式。真正的轉折點是2025年11月24日，Anthropic發布Opus 4.5。

DHH安排了幾項任務後發現，AI輸出的品質已經不可思議地接近自己的水準。他認為變化分成兩層：第一層是模型變得更聰明；第二層，也是更關鍵的變化，是AI取得了使用工具的能力，能操作電腦、執行任務並檢查自己的成果。

他甚至表示，即使Opus 4.5是最後一個模型，自己也已經心滿意足，足夠再使用20年。

然而，進步並未停止。2026年初春，Subagent出現，一項任務可以拆成八個子任務同步執行，速度提升5至10倍。到了夏天，Opus 5、Fable、GPT-So等模型陸續出現，使用者只需要描述問題，Agent便能自行規劃解決路線。

DHH將這項轉變總結為：以前是告訴Agent該往哪裡走，現在只需要告訴Agent自己遇到了什麼問題。

Omarchy：沒有手寫發布程式碼的系統

DHH用來證明這種轉變的核心案例，就是基於Arch Linux打造的桌面發行版Omarchy。

Omarchy Bootstrap版本的開發週期為三個月。在此期間，DHH沒有親手撰寫任何一行正式發布的程式碼，所有程式碼均由Agent生成，他主要負責審查整體品質與方向。

例如，他想要一款極簡的Markdown編輯器，便要求Agent使用C++和Qt開發。20分鐘後，AI完成第一個版本；兩天內，他就拋棄原本使用的Taper。此後，他的文章都改用這款名為Oma Write的編輯器撰寫，但他從未閱讀過其中任何一行C++原始碼。

另一個案例是，某個Python函式庫的資源占用過高。DHH要求Fable製作Rust版本，45分鐘後便完成，啟動時間從86毫秒降至2毫秒，執行檔大小僅約3MB。

整個過程中，他沒有查看任何一行Rust程式碼，而是直接讓Agent建立儲存庫、發布套件、提交程式碼與合併請求。

DHH也藉此進行模型橫向測試。Fable最快，約45分鐘完成，但成本約550美元；GPT-So約需1.5小時，成本約46美元；Grok 4.6約55美元；DeepSeek V3 Pro約23美元；Kimi K3也成功完成任務。

GPT Luna則未能完成，甚至試圖抄襲既有實作；DeepSeek V3 Flash也無法自主循環完成工作。雖然Fable最快，但其他模型只花約十分之一的成本也能交付成果。經過後續兩輪最佳化，最終Rust版本的速度比原本Python版本快了46倍。

大型軟體為何還沒有明顯加速？

Lex Fridman觀察到，大型軟體似乎尚未因AI而顯著加速迭代。DHH從三個層面回應這個問題。

第一是「人」。大型組織的主要阻力往往不是實作，而是人員怠慢、溝通與協調。若要取得10倍、100倍甚至1,000倍的生產力提升，就必須直接與Agent互動，不能在中間再加入另一個人，因為人類的溝通速度太慢。

第二是「想法」。多數組織真正缺乏的是願景與品味，而不是編碼能力。微軟擁有近乎無限的程式設計資源，卻不代表一定能產出令人心動的軟體。

第三是「時間」。這種程度的AI能力才出現約半年，人類歷史上幾乎沒有任何技術進展得比AI更快，因此現在就嫌它改變得太慢，並不合理。

Vibe Coding仍可能破壞架構

DHH也坦承，37Signals曾讓設計師直接使用Agent撰寫程式碼。單獨檢視每個PR時似乎都沒有問題，但合併後卻破壞了整體系統架構，最後不得不由工程師手動清理。

因此，他認為在既有的大型程式碼庫中進行Vibe Coding，若要維持架構完整性，目前仍然需要程式設計師參與。

不過他也反問：「如果有人批評Vibe Coding產出的都是垃圾，那麼你看過普通程式設計師的產出嗎？其實很多也同樣是垃圾。」

AI正在引發開源世界的宗教改革

DHH將AI對開源社群的衝擊，比喻為馬丁・路德發起的宗教改革。

過去，開源軟體宣稱所有人都能貢獻程式碼，但實際上只有少數具備高技術能力、宛如「祭司階層」的人能真正參與。現在，AI Agent正在拆除這道門檻。

在Omarchy約三個月的開發期間，DHH合併了超過1,000個PR，其中許多來自非傳統程式設計師。

對於維護者抱怨AI產生大量低品質PR，他並不認同。經營開源專案25年來，他看過成千上萬名程式設計師的成果，發現多數人提交的PR原本就不理想：不寫測試、不提供關鍵資訊，也不檢查自己的工作。相較之下，Agent反而更常完成這些基本要求。

他甚至表示，自己現在更願意收到Agent撰寫的PR，不僅品質可能更好，拒絕時也沒有太大的心理負擔。

如今，他不再親自審查每一個PR。Agent會先進行審查、淘汰品質不佳的內容，再把真正值得由人類判斷的「珍珠」呈現出來。在他看來，開源工作中的大量苦差事正以驚人的速度消失，留下最精華的創造與決策部分。

好想法不一定只來自人類

當Lex追問「真正的好想法是否最終仍然來自人類」時，DHH表示自己過去也這麼認為，但現在已不再確定。

他已經看過模型提出好到令自己自愧不如的想法。那些仍堅持Agent只是「鸚鵡」的人，很可能忽略了過去六至九個月的巨大進展。

至於這種工作方式究竟該叫什麼，DHH非常討厭「Agent Engineering」這個詞，認為它已經成為行銷用語。他對「Vibe Coding」也有所保留，覺得它聽起來像2000年代初期下載現成PHP腳本直接使用的「腳本小子」。

在他的定義中，如果完全不查看實作，確實可稱為Vibe Coding；若仍會審查實作、架構與品質，那就是另一種工作模式。

程式設計知識有時反而成為限制

Lex認為，擁有程式設計經驗的人應該更擅長使用Agent。DHH只同意一半。

他認為，在某個階段，知道太多程式設計知識反而可能成為劣勢，因為程式設計師會要求Agent按照自己的既定方法工作。當模型已經進步到只需描述問題、不必規定解決路徑時，Agent反而可能提出比程式設計師預想更好的方案。

他也提到CLAUDE.md等指令檔案。過去，人們會撰寫很長的指令來微調Agent，但Claude Code團隊後來將Opus 5的系統提示詞縮減約80%，因為過度規定反而可能損害表現。

這就像不懂程式設計的主管不斷指手畫腳，最終只會讓程式碼變得更差。DHH認為，好的軟體是在實際使用過程中逐步被發現的，而不是在規格書中一次設計完成。

從單執行緒轉向多機、多Agent並行

DHH自己的工作環境，也已經從單執行緒轉變為多台機器、多個Agent同步執行。

他最初使用Tmux，後來轉向名為Heather的工具，由系統通知哪個Agent已經完成任務。之後，他購買GL.iNet Comet設備，將閒置的Mini PC全部連線，並透過Tailscale建立虛擬區域網路，讓自己能隨時從手機連接馬里布與哥本哈根辦公室的電腦。

目前，他大約可以同時執行16個工作執行緒。相較一年前每小時約20行程式碼的產出，現在已能達到每小時數百行。

他的日常流程，是在Heather中執行Claude Code、Codex與OpenCode，再以Opus或Fable撰寫程式碼，並交由其他高階模型交叉審查。最近他也開始使用Grok進行審查；推送至GitHub後，再由Copilot檢查一次。

他表示，Copilot現在確實有所進步。過去標記出的問題多半沒有價值，如今已經能找到真正的缺陷。

不過，這種多執行緒、多Agent並行的工作方式也非常消耗腦力。DHH形容，完成一天工作後，就像剛從賽車裡爬出來一樣疲憊。

[AI 發布] Anthropic推出Claude 5.1雙版本，強化科研、程式設計與安全防護

[AI 發布] Anthropic推出Claude 5.1雙版本，強化科研、程式設計與安全防護

摘要 : Claude 5.1提升程式設計、科研能力，並兼顧企業隱私與安全。

內容:

當地時間9月1日，Anthropic宣布推出兩個Claude 5.1版本，並稱其為全球最先進的程式設計與知識工作模型。兩者採用相同的基礎模型，主要差異在於安全防護等級：一般版本面向所有使用者，較寬鬆版本則僅透過可信訪問計畫，提供給經審核的網路安全及生命科學機構。

根據Anthropic公布的基準測試，Claude 5.1在多項測試中超越前代模型、Opus 5及OpenAI GPT-6。在智慧體科學研究基準TerminalBench Science 0.1中，5.1獲得52.6%，高於前代的24.7%、Opus 5的29%及GPT-6的22.4%。

在智慧體程式設計基準TerminalBench 4.0中，一般版5.1得分55.8%，採用較寬鬆安全防護的版本則達60.9%。知識工作方面，5.1在GDPVal AAV2測試取得1853分，也高於原文所列前代模型的1824分與1723分。

價格方面，5.1的快取讀取費用下調75%，降至每百萬token 0.25美元。典型工作負載的成本約比前代低25%，高度智慧體化工作負載最高可降低40%。基礎定價維持每百萬token輸入10美元、輸出50美元。

企業隱私方面，Anthropic推出Enterprise Frontier Safeguards（EFS），結合零資料保留與先進安全防護。客戶資料將儲存在由企業完全控制的雲端基礎設施，而非Anthropic系統。EFS預計於今年秋季分階段向企業客戶推出；在正式上線前，符合資格的客戶可依零資料保留政策使用5.1。

安全防護方面，Anthropic調整了5.1的防護機制，以降低誤判。網路安全領域的誤攔截數量較過去減少約60%。模型可協助發現軟體漏洞，但不會用來開發針對這些漏洞的利用程式。

生物學領域方面，Anthropic與美國政府合作建立訪問計畫，讓研究人員在受控條件下運用5.1的進階生物學能力，並計畫近期開放科學家註冊。

在分子設計領域，5.1利用開源蛋白質設計與折疊工具，設計出高親和力結合劑。在三個靶點上，其結合親和力比Adaptive Bio蛋白質設計競賽的最佳作品高出10倍；在12個靶點上的命中率接近50%，高於目前蛋白質設計常見的10%至15%。

在計算分析領域，5.1運用NASA麥哲倫任務30多年前取得的雷達影像訓練神經網路，繪製出涵蓋金星約三分之一區域的高解析度高程地圖。解析度由過去的10至20公里提升至2至3公里，高程精度提高25%。

在計算生物學方面，5.1透過編寫自訂GPU核心及快取中間結果，使七個開源深度學習模型的執行速度提升2.5倍，預計可降低30%至60%的GPU成本。

合規方面，Anthropic於2026年7月簽署歐盟《人工智慧法案》有關AI生成內容透明度的實踐準則。依規定，2026年8月2日後發布的模型輸出須加入不可見水印。5.1生成的文字已內建此類水印，不影響內容與輸出品質，也不包含使用者或對話資訊。

Anthropic亦以私人預覽方式推出水印檢測API。符合資格的監管機構、執法部門、媒體及事實查核組織，可依歐盟法律要求申請使用。

Claude 5.1已登上Anthropic各平台，以及Amazon Web Services、Google Cloud與Microsoft Azure，開發者也可透過Claude API使用。較寬鬆安全防護的版本目前僅提供給經審核的美國組織。

此次更新進一步加劇Anthropic與OpenAI之間的競爭。原文並推測，OpenAI執行長Sam Altman可能很快推出代號「Astra」的產品作為回應。

註：原始資料將兩款模型都寫作「Claude 5.1」，且部分前代型號重複或不明，因此本文依其安全防護與開放條件區分為一般版及受限版。

[AI 衝擊] 工具進化，正在淘汰 AI 教學與入門工作

[AI 衝擊] 工具進化，正在淘汰 AI 教學與入門工作

摘要 : AI 功能快速內建，讓工具教學貶值，也壓縮入門職缺與內容創作者的生存空間。

內容:

近期大批 AI 博主停更，表面原因是競爭激烈、廣告與平台補貼減少，更深層的問題卻是教學內容迅速失效。過去需要安裝環境、串接模型或研究提示詞的操作，如今陸續被官方整合成一鍵功能，教程可能還沒剪完就已經過時。

AI 影音生成成本也從每秒數元降至幾毛甚至幾分錢。價格降低雖讓更多人可以創作，卻也抹平了技術門檻，使「熟練操作工具」不再稀缺。像是教人繞過模型無法辨識圖片的限制，功能一旦被官方內建，整套教學便失去價值。

與攝影的構圖、光影及審美不同，許多 AI 教學傳授的是短期操作步驟。工具愈簡單，這類知識的保值期就愈短。AI 也能大量產出文章、分析資料與整理專業知識，因此單靠資訊量、模板或操作熟練度，愈來愈難建立長期優勢。

真正仍具價值的，是有趣的表達、持續的創意，以及從日常事物中發現異常的能力。模板化的 AI 影片或流行聲音可能迅速爆紅，卻也容易被遺忘；能留下來的，通常不是最會套模板的人，而是持續提出新想法的人。

另一項隱憂是入門職位消失。漫畫新人過去能從描線、上色等助手工作開始學習，程式設計師也能透過初階任務累積經驗；當這些工作被 AI 接手，職涯向上的第一級階梯也可能隨之消失。

學習 AI 並非沒有意義，它仍能協助撰寫週報、製作簡報並節省時間，但不該把單一工具當成長久飯碗。面對快速迭代，與其囤積即將過期的教程，不如累積觀察、敘事、審美與創意——工具會變，自己的想法才是真正能保留的能力。

[AI 衝擊] AI 正在重塑軟體產業的商業地基

[AI 衝擊] AI 正在重塑軟體產業的商業地基

摘要 : AI 大幅降低軟體生產成本，外包、SaaS 與程式設計師都將面臨轉型。

內容:

寫程式碼正在從一項稀缺技能，逐漸變成基礎配置。真正發生的改變，不只是程式設計師是否會失業，而是 AI 編程智慧體正在動搖整個軟體產業的商業基礎。

過去二十年，軟體公司的核心資產是能夠寫程式碼的人。企業透過招募工程師、組建團隊、承接專案並交付程式碼獲利；外包公司依靠人力成本差價生存，SaaS 公司則利用訂閱收入分攤研發成本。這套模式建立在「程式碼與程式設計人才稀缺」的前提上。

如今，Cursor、GitHub Copilot、Replit Agent 等工具，已不只是協助撰寫程式碼，還能生成完整功能模組、修復錯誤及重構架構。即使創業者不懂技術，只要能清楚描述需求，也可能在幾個小時內，以少量訂閱成本完成可運行的產品原型。

過去製作一個網站或小型程式，可能需要委託外包公司，花費數萬元並等待數月；現在則可能透過 AI 工具，在一週內以不到千元的成本完成。這代表軟體的生產成本正在快速下降。

最先受到影響的是外包公司。外包的本質，是將寫程式碼這類勞動密集型工作打包出售。然而，當需求方能使用 AI 以更低成本自行完成開發，原有的報價體系便可能瓦解，訂單減少與利潤縮水也將成為長期趨勢。

SaaS 公司同樣面臨挑戰。傳統 SaaS 透過投入大量成本研發標準化軟體，再銷售給大量客戶以攤薄成本。但在低成本 AI 開發工具普及後，客戶可能選擇自行打造更符合需求的產品，使 SaaS 原有的標準化與規模效應受到定製化軟體衝擊。

軟體公司的組織結構也會隨之改變。過去一個產品團隊需要前端、後端、測試、產品與運維等十多人分工合作；未來，一名理解業務的產品經理，加上少數善用 AI 工具的「配置工程師」，就可能承擔小型團隊的工作。

這不只是程式設計師失業的問題，而是軟體產業生產方式的轉變。如同汽車流水線取代部分手工打鐵工作，同時創造新的汽車工種，AI 也會催生新的軟體職位。不同的是，未來需要的 AI 配置工程師，數量可能少於傳統程式設計師。

對創業者與小公司而言，現在可能是難得的機會。過去有想法卻沒有技術團隊，只能依靠外包、投入資金並承受高昂試錯成本；現在則能利用 AI 快速、低成本地驗證構想，等商業模式跑通後再擴充團隊。

對程式設計師而言，不應只專注於寫程式碼。當編碼成為基礎能力，更重要的是理解業務與需求，並能將 AI 生成的程式碼整合成真正可用的產品；另一條路則是深入底層架構、效能最佳化及安全攻防等 AI 難以完全取代的領域。處於中間層、只負責一般業務程式碼的人，可能面臨最高風險。

對軟體公司、外包公司與 SaaS 公司而言，也必須重新檢視商業模式。如果企業的核心競爭力只是一批能寫程式碼的人，原有壁壘將逐漸消失。

軟體產業正從手工業時代走向流水線時代。過去，會寫程式碼的人最有價值；未來，能運用 AI 生產軟體、理解需求並完成整合的人，將更具競爭力。當產業地基開始移動，身處其中的每個人都必須重新找到自己的位置。

AID06-Knowledge Graph 怎麼讓 AI 把知識連起來-5分鐘學AI

知識圖譜是把人、案子、合約變成點，把關係變成線。 跨好幾份文件的問題，要沿著線走才答得出來。

#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI Knowledge Graph 怎麼讓 AI 把知識連起來。 阿哲，我們公司的資料都放進去了，問一段話它也真的找得到。可是我一問這個客戶的案子當初是誰接的，它就開始亂講。因為那個答案不在任何一段裡面。一份文件寫誰負責，一份寫案子叫什麼，後來為什麼砍價又寫在第三份。咦，那它一段一段找，不就永遠拼不起來？對，這就是這一集要解決的事。差別在知識的擺法。文件是一疊一疊放的；換成一張誰跟誰有關係的圖，它就走得過去了。 那第一個名詞就是知識圖譜嗎？圖譜這兩個字，聽起來好學術。名字唬人，東西很單純。它把人、案子、公司、合約，各自當成一個點；再把誰負責哪一案這種關係，畫成一條線。 所以它不是把文件收好，是把關係記下來？對。文件還在，只是多了一層東西記著誰跟誰有關。張經理連到那個案子，案子連到那家公司，公司再連到三份合約。喔，就像家裡那本族譜？上面不寫每個人的生平，只寫誰是誰的爸爸、誰又嫁給了誰。就是這個感覺。族譜的價值不在字多，在於你可以從一個人一路指到另一個人。要提醒一件事，這不是一個更聰明的搜尋，它換掉的是知識的擺法。那這些點跟線，是從哪裡冒出來的？從你本來就有的資料裡整理出來的。一張報價單上有業務的名字，也有案號，這兩格本來就是一條線，只是以前沒有人把它牽起來。 那 Graph RAG 呢？後面那個 RAG 我知道，是回答之前先去查一遍。差別在它怎麼查。一般的做法是各撈各的段落，撈回一堆用字很像、但不見得有關的東西；它是先找到那個點，再沿著線走過去。 那實際問一個問題的時候，差在哪裡？你問這個客戶的案子當初是誰接的。一般做法是拿這句話去比對段落，撈回一堆提到這個客戶的文字。它是先找到這個客戶，再沿著線走到案子、走到那個人。喔，就像提一串粽子？抓住繩頭一提，底下一整串都跟著上來，不用一顆一顆挑。這個比喻很好。差別在帶回來的東西彼此真的有關係，不是剛好用字很像。不過要注意，它走得到的路，只有事先連起來的那些。那沒連起來的那些呢？一樣看不到。這個客戶跟另一個客戶其實是同一個老闆，你沒把那條線牽上去，它就永遠繞不過去，而且它不會告訴你有一條路是斷的。 那 Graph Engineering 呢？工程這兩個字一出現，我就開始緊張。它講的是那些線是誰決定的。哪些東西算一個點、兩個點之間那條線叫什麼名字，都要有人先定義好，圖才長得出來。 所以圖不是自己長出來的？我還以為資料丟進去，它就會自己連。不會。誰算一個點、兩個點之間那條線叫什麼，都要有人先講清楚。負責跟參與是不是同一回事，機器不會幫你決定。喔，就像我幫家裡每一把鑰匙貼標籤？哪一把開哪一道門，是我自己寫上去的。很貼切。而且標籤寫錯的時候最麻煩，你照著標籤一路開下去，會很有條理地開錯一整排。關係定義錯了也一樣，它會很有把握地走到錯的地方。那這件事是一次做完就好了嗎？不是，它要一直養。公司多了一種合約、多了一種角色，就要多一種線。這也是為什麼它叫工程，不叫設定。 最後這個我很常看到。它回答完，旁邊會標一個百分比，說它有幾成把握。那個叫信心分數。它是自己估出來的一個數字，講的是它對這次回答有多確定，不是有人真的去核對過答案。 所以它標九十分，就是九成會對？不是。它算的是自己有多確定，不是這件事有多真。資料裡根本沒寫的東西，它照樣可以給你一個很高的分數。喔，就像考完試自己估分數？我覺得我這題穩了，跟老師改出來是幾分，是兩回事。這個比喻剛剛好。你估的是你當下的感覺，老師改的才是對不對。中間少掉的那一步，就是有人真的去對過答案。那這個分數到底要拿來幹嘛？拿來排先後。分數低的那幾筆先撈出來給人看一眼，這是它最好用的地方。但是分數高的那些，不代表你就可以不看。那它連自己有多確定都會估錯，這個分數還有什麼用？它的用處全在低分那一端。分數低，代表它自己也覺得心虛，那幾筆先撈出來給人看最划算。分數高的那些，只是它不心虛，不是它查過。 那我把這一集重新排一次好不好？好，你來。知識圖譜是把人、案子、公司變成點，把誰跟誰有關變成線。圖譜式檢索是先找到那個點，再沿著線把相關的帶回來，不是各撈各的段落。圖譜工程是那些線都要人先定義，圖不會自己長。信心分數是它自己給自己打的把握，不是有人去查證過。完全正確。以後遇到它答不出一個要串好幾份文件的問題，你先問一句：這兩件事之間，有人幫它牽過線嗎？ 企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。