[AI 分享] 用 AI 重構工程工作流

 [AI 分享] 用 AI 重構工程工作流

摘要 : 從高中後少有代表作，到成為 Python 核心貢獻者，Matt 用一套可複製的 AI 工程方法，打造高影響力開源成果。

內容:

這次想分享一個很震撼的案例：一位自稱高中畢業後就沒再做出「讓別人覺得有價值的軟體」的人，竟然在今年成為了 Python 核心貢獻者，還同時維護兩個合計超過三萬四千星的開源專案。

這個人是 Matt Van Horn。他是矽谷連續創業者，曾參與創辦後來成為 Lyft 的公司，也共同創辦了 AI 烤箱公司 June，產品能自動辨識食物並調節溫度，之後被收購。雖然經歷亮眼，但他自己認為，真正高價值的軟體產出反而是最近才開始爆發。

今年，他用 Cloud Code 打造了兩個專案。第一個是 Last 30 Days，一個幫助使用者回顧過去三十天工作的工具，累積超過三萬星；第二個是 Printing Press，一個 AI 內容生產工具，也快速累積數千星。除此之外，他還成為 Python 核心貢獻者，以及 Compound Engineering 這個 Cloud Code 外掛的第三大貢獻者。

Matt 把自己的工作方法整理成 22 個 hack。與其說這些是 AI 工具使用技巧，不如說是一套完整的工程哲學重構。他的核心觀點很直接：工程師的價值應該來自思考、架構決策與問題解決，而不是把大量精力消耗在環境配置、查錯、切換 IDE 與瀏覽器之間。

他認為，工具應該消失，思維應該留下。當一個工具需要你花太多力氣去管理，它本身就已經在消耗你。這套方法論的第一個核心，就是在動手寫任何程式碼之前，先產出一份結構化計劃文件，也就是 Plan.md。這份文件會先定義問題、列出可能方案、推薦方案的理由，以及潛在風險。重點不是讓 AI 立刻生成程式碼，而是先驗證方向對不對，避免陷入寫了再改、改了再重來的循環。

更特別的是，他不主張逐字閱讀這份長篇計劃，而是要求 AI 進一步用三句話濃縮出核心假設，並說明如果假設錯誤會發生什麼事。這個做法的本質不是檢查細節，而是審計推理框架。因為真正致命的錯誤，往往不在技術實作，而在一開始的前提判斷。

在工作環境上，Matt 採取極度工程化的方式。他不用傳統 IDE，而是同時開六個終端視窗，每個視窗對應一個獨立任務，例如新功能、測試、文件、程式碼審查等。這不是單純的多工，而是把不同任務拆成可並行處理的工作流，讓大腦只專注於排程與決策。

當他需要向 AI 解釋複雜背景時，會優先使用語音輸入，因為語音比打字能承載更高密度的上下文資訊。語氣、停頓、補充說明，這些平常打字容易省略的內容，反而能讓 AI 更準確掌握真正的需求與語境。

在每個專案中，他還會維護一份 Cloud.md。這份文件不是寫給人看，而是寫給 AI 看。內容包括專案核心限制、哪些目錄不能動、程式碼風格邊界、以及專案存在的根本原因。這等於是 AI 的入職文件，讓每次新的互動都能快速對齊上下文，而不必重頭再解釋一次。

版本控制在這套系統裡也不只是版本控制。Matt 每完成一個邏輯單元就會立刻 commit，且 commit message 不是描述「改了哪些檔案」，而是說清楚「解決了什麼問題」。這其實是在強迫自己做思維檢查點：如果你無法用一句話說明剛才做了什麼，代表那個改動本身可能就還不夠清晰。

在任務拆解上，他的原則是：一個任務只解決一個問題，一個問題只有一個成功標準，而且成功標準必須可驗證。因為 AI 的輸出品質，與任務定義品質高度正相關。如果你丟給 AI 一個混雜了效能優化、文件更新與 Bug 修復的複合需求，它往往會每件事都做一點，但沒有一件事做到真正到位。

程式碼審查方面，他會讓 AI 審查 AI 自己寫的程式碼，但審查時一定指定角度，例如從安全性、效能、可讀性，或新進工程師能否理解的角度來看。不同視角會暴露出完全不同類型的問題，這比泛泛地問「有沒有問題」有效得多。

在測試策略上，他主張先寫測試案例，再寫實作。這不一定是傳統意義上的 TDD，而是用測試先把需求具體化。如果連測試案例都無法明確描述，通常代表需求本身還沒有被真正理解。至於文件，他認為未來的文件主要不是寫給未來的自己，而是寫給未來會協助你的 AI。因此文件應該更加結構化、上下文完整、假設明確，方便 AI 快速吸收並協助決策。

最後，他還把這套方法沉澱為可持續系統，例如建立私人 prompt 庫，依照架構設計、程式碼審查、文件生成、除錯等場景分類管理。這代表他不是把 AI 當成一次性的聊天工具，而是當成可訓練、可複用、可工程化的生產系統。

整體來看，Matt 的 22 個 hack 真正厲害的地方，不只是讓 AI 幫你寫程式，而是把工程師的工作重心，從大量低價值的操作，重新拉回高價值的思考、判斷與系統設計。這不是天賦神話，而是一套有機會被複製的方法論。

[AI 分享] AI 程式設計的企業級專案方法

 [AI 分享] AI 程式設計的企業級專案方法

摘要： 企業級 AI 開發的核心不只在生成程式碼，而是建立 SOP 閉環、全鏈路日誌與健壯性驗證，讓 AI 能持續根據日誌結果迭代優化專案品質。

內容

企業級專案的四個關鍵：企業級專案最重要的不是單純把功能做出來，而是同時滿足：SOP 閉環、專案穩定、程式碼健壯，以及日誌可追溯。程式碼越健壯，專案就越穩定；而 SOP 是否真正閉環，最終要靠測試報告來驗證。

測試報告來自全鏈路日誌：在 AI 程式設計流程中，全鏈路日誌（埋點）是核心基礎。AI 不只是生成程式碼，而是持續分析執行日誌，根據結果調整實作方向，逐步逼近需求目標，直到整個 SOP 流程被完整跑通並完成標記。

健壯性檢查的內容：當主流程完成後，還需要進行健壯性檢查，包括壓力測試、漏洞注入、正常業務流程驗證，以及逆向或異常流程驗證。這些測試的分析依據同樣來自日誌，AI 會根據測試結果持續優化系統。

日誌是測試與自動化的基礎：無論是暴力測試、壓力測試，還是 SOP 測試，測試工具都需要利用日誌進行結果比對。因此，日誌設計不是附屬工作，而是整個品質保證流程的核心基礎設施。

AI 工程師角色的轉變：實務上大量時間不是在手寫程式碼，而是在讓 AI 分析日誌，再根據分析結果下達新的指令。工程師的角色也從傳統的「程式碼審查員」，逐漸轉變為「日誌審查員」與流程監督者。全流程日誌帶來的價值：當全流程日誌建立完整後，專案的故障定位、問題追蹤與快速修復都會變得更有效率。對企業級 AI 開發而言，日誌不是事後補強，而是從一開始就必須被納入架構設計的重要能力。

總結

這篇內容強調：AI 程式設計要真正落地到企業級專案，關鍵不在於「一次生成正確程式碼」，而在於建立「需求 → 日誌 → 分析 → 修正 → 測試 → 驗證」的閉環流程。全鏈路日誌、健壯性測試與可追溯性，才是讓 AI 開發成果能穩定運行於真實企業環境的核心能力。

[AI 衝擊] AI編碼時代的開發者分化

[AI 衝擊] AI編碼時代的開發者分化

摘要 : AI編碼工具全面普及後，開發效率大幅提升，但開發者之間的差距也正以前所未有的速度被放大。

內容:

隨著 AI Coding 工具快速普及，軟體開發產業正在經歷一場深刻變革。根據最新開發者使用數據顯示，短短一年多時間內，開發者每週平均產出的程式碼量已經成長超過一倍。過去需要多年經驗累積才能換來的效率提升，如今透過 AI 輔助，在極短時間內就能實現。這不只是工具升級，而是整個開發模式的改變。

更值得注意的是，開發者一次完成的工作規模正在快速擴大。過去一個功能可能需要拆成多次提交，如今透過 Coding Agent 協助，許多原本需要數天甚至數週完成的工作，可以在一次大型 Pull Request 中完成。超過千行程式碼的大型 PR 比例持續攀升，代表開發者開始有能力管理更複雜、更完整的開發任務，而這背後最大的推手正是 AI。

除了程式碼產出增加之外，開發者與 AI 的協作模式也在改變。AI 已不再只是單純的程式碼補全工具，而是逐漸成為能夠執行任務、呼叫工具、分析專案上下文的開發代理人。越來越多工程師開始將繁瑣、重複性的工作交由 AI 處理，自己則專注於架構設計、需求分析與決策判斷。這代表開發工作的重心正逐漸從「寫程式」轉向「管理 AI 寫程式」。

許多人擔心 AI 生成的程式碼品質是否可靠。從實際數據來看，AI 產出的程式碼保留率正在穩定上升，代表越來越多 AI 生成的內容能夠直接被納入正式專案。雖然仍需要人工審查、優化與修正邊界情況，但 AI 已經從過去的輔助工具逐漸演變成能夠參與實際生產的開發夥伴。

然而，真正值得關注的並不是效率提升，而是開發者之間差距的急速擴大。數據顯示，最頂尖的 AI 開發者所產出的程式碼量，可能是一般開發者的數十倍；完成任務的速度也遠遠超越平均水平。AI 並沒有平均地提升每一位工程師的能力，而是讓那些懂得善用 AI 的人獲得更大的放大效果。相同的工具，在不同人手中產生的價值差異，甚至比過去任何技術革命都更加明顯。

這場變革帶來的一個殘酷現實是：未來開發者的核心競爭力，可能不再只是演算法、框架或語言能力，而是如何與 AI 協作、如何設計工作流程、如何拆解問題並驅動多個 Agent 完成任務。AI 並沒有取代工程師，但它正在快速拉開工程師之間的距離。未來真正稀缺的，不是會寫程式的人，而是能夠駕馭 AI、放大自身能力的人。這道差距，正在成為 AI 時代最重要的新門檻。 

[AI 分享] AI Native 公司的作業系統革命

 [AI 分享] AI Native 公司的作業系統革命

摘要 : AI帶來的改變不只是效率提升，而是重新定義企業運作方式，讓公司從依賴人力協調轉向由智慧系統驅動的閉環組織。

內容:

傳統企業談論 AI 時，大多聚焦在提升工作效率，例如讓工程師寫程式更快、讓員工整理文件更省時間。然而，真正的改變可能遠超過提效 20% 或 50%。當 AI 已經能夠讓一個人完成過去一整個團隊的工作時，企業需要思考的問題不再是「如何使用 AI 工具」，而是「是否應該重建整個組織運作模式」。

核心關鍵在於從「開環系統」走向「閉環系統」。許多公司做完決策、執行任務後，只在事後進行回顧，卻沒有將結果系統化地回饋到流程中。資訊散落在會議、郵件、聊天訊息、口頭溝通與管理者腦海裡，導致知識不斷流失，也難以持續優化。而 AI Native 公司則會持續收集每個流程的輸入與輸出，將結果反饋給智慧系統，使流程不斷學習與改善。公司越接近閉環，AI 越能參與真實決策；反之，AI 就只能停留在問答工具的層次。

要建立這樣的能力，第一步是讓整家公司變得「可查詢」。所有重要資訊都必須被記錄並納入統一的智慧上下文之中，包括會議紀錄、專案管理系統、即時通訊頻道、客戶郵件、程式碼庫、銷售錄音以及每日站會內容。這些資訊不再只是員工的記憶負擔，而是 AI 學習與推理的重要基礎。當智慧體能同時看到需求、開發過程、客戶回饋與實際成果時，它便能分析哪些決策有效、哪些地方偏離目標，甚至協助團隊持續修正方向。

在產品開發與軟體工程領域，新的模式也正在形成。過去工程師負責撰寫程式碼，如今人類的角色逐漸轉向定義規格、設計測試與判斷結果。AI 負責根據規格產生程式碼、反覆修改並通過測試。未來真正稀缺的能力，可能不再是敲程式碼，而是能否清楚定義需求、建立正確的驗證機制，以及判斷輸出是否符合商業目標。程式碼本身，逐漸成為一種中間產物。

當企業大量導入 AI 閉環與智慧工廠模式後，傳統的管理階層也可能發生變化。過去中層主管的重要職責之一，是在不同部門之間搬運資訊、協調溝通與追蹤進度。但當智慧系統能即時掌握所有資訊並自動完成路由與分析時，組織層級將被大幅簡化。管理者的角色將從傳話與催促，轉向明確定義責任、校準方向與確保成果品質。

這樣的未來組織可能只剩下三種核心角色：第一線的執行者（Builder），直接對結果負責的負責人（DRI），以及負責制定方向與價值觀的創辦人（Founder）。每個人都直接對成果負責，而不是隱藏在複雜的組織架構之後。企業競爭力也不再取決於員工數量、辦公室規模或部門編制，而是取決於組織能否有效利用 AI、建立高品質的資訊閉環，以及用更少的人創造更大的成果。

最後有三個值得深思的原則。第一，給 AI 與正式員工同等級的上下文資訊。若只給 AI 一個孤立任務，卻期待它理解整個業務，那就像要求新進員工第一天上班就做出正確決策一樣不切實際。第二，領導者不能把 AI 全部外包給專門團隊，而必須親自使用與體驗，才能真正理解其能力邊界。第三，在 AI 時代，新的競爭優勢來自更高品質的智慧輸入、更快速的學習循環，以及更精簡的組織結構，而不是單純擴張人力規模。

總結：

AI 的價值不只是讓現有流程跑得更快，而是讓企業有機會重新設計整個作業系統。未來最具競爭力的公司，未必是擁有最多員工的公司，而是那些能夠建立完整資訊閉環、讓 AI 深度參與決策與執行，並以最少的人力創造最大價值的組織。真正的轉型，不是替公司加上一個 AI 工具，而是讓 AI 成為公司運作的核心基礎設施。

[AI 分享] AI Native公司的真正樣貌

 [AI 分享] AI Native公司的真正樣貌

摘要 : AI Native 並非只是會用 AI，而是讓 AI 成為公司運作的基礎設施，透過閉環機制、經驗沉澱與智慧化流程，讓組織能力能持續累積與複製。

內容:

隨著 AI 時代加速到來，無論是企業還是個人工作者，都無法避免受到 AI 的衝擊。許多人認為導入 AI 就是使用聊天機器人、生成文案、製作圖片或剪輯影片，但真正值得思考的問題並不是「有沒有使用 AI」，而是「公司是否已經按照 AI 的特性重新設計工作方式」。

許多團隊過去一年大量使用 AI 工具，內容產出速度變快了、工作效率提升了，但實際感受卻是事情沒有變少，反而越做越多。大家每天依然忙於追進度、處理專案、培訓新人與重複傳授經驗。問題並不在於 AI 不夠強，而是組織仍然沿用傳統公司的運作模式，只是在原本流程上額外加了一層 AI 工具而已。

判斷一家公司究竟是「很會用 AI 的傳統公司」，還是真正的「AI Native 公司」，有一個簡單標準。如果今天把所有 AI 工具拿掉，公司只是效率下降但仍然能正常運作，那本質上仍是傳統公司；如果把 AI 抽離之後，公司許多流程直接停擺，甚至無法繼續運作，那才代表 AI 已經成為組織基礎架構的一部分，真正融入公司的核心能力。

這也是為什麼許多大型企業推動 AI 轉型特別困難。因為它們原本的組織架構、流程制度與工作模式，都是建立在傳統商業邏輯之上。相反地，小型團隊反而有機會從零開始，以 AI 為中心重新設計流程、分工與管理方式，讓整個組織從一開始就是為 AI 而生。

建立 AI Native 組織有三個重要關鍵：閉環（Closed Loop）、可查詢（Queryable）以及智慧可呼叫（Callable Intelligence）。其中最核心的是「閉環思維」。許多公司經常開檢討會、做覆盤、討論成功案例，但會議結束後經驗仍然停留在少數人的腦袋裡。當負責的人離開、忙碌或換人接手時，過去累積的知識就跟著消失，團隊又得重新摸索一次。

真正的閉環不是單純記錄資料，而是讓每次成功與失敗的經驗都能回流到系統中。未來不論是新員工、老員工還是 AI Agent，都能直接使用過去累積的知識與最佳實務。組織不再依賴特定個人，而是依賴一套持續成長的知識系統。當經驗能夠被保存、被搜尋、被複用時，企業的能力才真正開始沉澱。

為了實現這種閉環，可以透過一套 PDCA 類似的循環流程來運作。首先是 Plan（規劃），明確定義目標、對象與執行方式；接著將任務 Delegate（委派）給 AI Agent 執行；然後由人員進行 Assess（評估），確認結果品質與方向是否正確；最後再將成功與失敗的經驗 Archive（固化），轉化成 SOP、技能文件、規則庫或知識庫。

特別重要的是，許多人只會記錄成功案例，卻忽略失敗經驗同樣具有價值。AI 本質上是機率模型，今天有效的方法不代表明天一定有效。因此每一次修改、每一次調整、每一次踩過的坑，都應該被記錄下來。這些內容未來不只可以幫助人員學習，也能成為 AI Agent 持續優化的重要依據。

當公司開始將所有流程、規則、經驗與決策邏輯逐步沉澱到系統裡，AI 就不再只是工具，而是組織能力的延伸。未來每一次執行任務，都不是從零開始，而是站在過去所有經驗的基礎上繼續前進。這或許才是真正的 AI Native 思維：不是讓人適應 AI，而是讓整個組織圍繞 AI 重新設計，形成能夠持續學習、持續進化的智慧型企業。

---

總結：

多數企業目前只是「會使用 AI」，但真正的 AI Native 公司，會把 AI 視為組織運作的核心基礎設施。關鍵不在於用了多少 AI 工具，而在於是否建立了經驗沉澱、知識複用與持續優化的閉環機制。當每一次執行、評估與學習都能被記錄並轉化為組織資產時，企業才能真正享受到 AI 帶來的長期複利效應。

[AI 分享] 心理登月：用1%的成本創造99%的價值

 [AI 分享] 心理登月：用1%的成本創造99%的價值

摘要 : 真正影響使用者體驗的，往往不是物理層面的改善，而是心理感受的改變。與其花巨大成本改變現實，不如用更低成本降低不確定性、提升感知價值，創造更高的商業回報。

內容:

大部分人做產品、服務或改善流程時，都有一種很自然的反應：當問題出現，就去解決造成問題的物理原因。

App 太慢，就優化程式碼、增加伺服器；物流太慢，就增加倉儲與運力；服務不好，就增加人力與訓練。這種思維本身沒有錯，但很多時候卻不是最有效率的解法。

全球最大廣告公司澳美副董事長 Rory Sutherland 提出了一個非常有趣的觀點：在工廠裡製造出來的物理價值，與人腦感受到的心理價值，同等重要。而在許多情況下，心理價值的投資報酬率甚至可能是物理價值的100倍。

第一個經典案例來自歐洲之星（Eurostar）。

當時英國鐵路公司希望提升倫敦到巴黎的競爭力，工程團隊提出的方案是重新鋪設鐵路，將列車時速從約200公里提升到接近400公里。

整個計畫預算高達60億英鎊，而最終只能將原本約2小時15分鐘的車程縮短約30分鐘。

就在大家認為這是唯一解法時，Rory Sutherland 提出了另一種思考：

為什麼不拿1%的預算，在車上提供WiFi、升級餐飲服務、改善乘坐體驗，甚至安排更優質的服務人員與香檳招待？

如果乘客能夠上網工作、享受美食、獲得更好的服務，他感受到的旅程時間就會大幅縮短。

工程師思考的是：

「如何讓旅程更短？」

而 Rory 思考的是：

「如何讓旅程感覺更短？」

物理上縮短30分鐘需要60億英鎊，但心理上讓兩個多小時變得愉快，可能只需要6000萬英鎊。

這就是感知價值的巨大槓桿。

第二個案例則是我們每天都可能使用到的 Uber 地圖。

當 Uber 推出即時車輛位置地圖時，很多人以為這是導航功能的延伸。

但實際上，它解決的並不是交通問題，而是心理問題。

想想看：

有了那張地圖之後，車子真的比較快到嗎？

沒有。

原本需要5分鐘到達，現在仍然需要5分鐘。

司機沒有變快，道路沒有變順暢，等待時間完全沒變。

但神奇的是，使用者焦慮下降了、取消訂單率下降了、滿意度提升了、回購率提高了。

原因在於，人們真正討厭的並不是等待。

而是不確定性。

不知道司機在哪裡、不知道還要多久、不知道會不會被放鴿子，這種未知感帶來的焦慮，遠遠大於等待本身。

當地圖出現後，等待變得可預測。

使用者看到車子正在接近，就會知道：

「還有3分鐘。」

「還有2分鐘。」

「快到了。」

雖然等待時間沒有縮短一秒鐘，但等待體驗卻被徹底改變了。

Uber 並沒有花大錢讓車開得更快，而是透過資訊透明化，消除了不確定性。

這就是心理登月最典型的案例。

所謂「心理登月（Psycho-Logical Moonshot）」的概念，其實是在提醒我們：

與其花數十億去改變物理世界，不如花數百萬去改變人們的感受。

前者可能只能帶來有限提升，後者卻可能創造數十倍甚至數百倍的價值。

這個觀念不只適用於大企業，也適用於每一個人。

當你在做產品、提供服務、經營社群、管理團隊，甚至處理人際關係時，都可以先問自己：

我現在遇到的是物理問題，還是心理問題？

很多時候，客戶抱怨服務慢，真正受不了的並不是速度，而是不知道還要等多久。

很多時候，員工抱怨制度差，真正不滿的並不是制度本身，而是不知道未來會發生什麼。

很多時候，伴侶感到焦慮，也未必是事情本身，而是缺乏明確的溝通與預期。

因此，當使用者抱怨時，不要急著解決表面的問題。

先思考：

他真正痛苦的是什麼？

是時間太長？

還是不確定性太高？

是成本太高？

還是感覺不被重視？

很多時候，真正的答案藏在抱怨背後。

從今天開始，可以試著用「心理登月」的角度重新觀察生活。

排隊等餐、等電梯、等醫生、等外送、等主管回覆、等客戶決策、等另一半回訊息。

所有令人焦躁的場景背後，往往都隱藏著一個降低不確定性的機會。

誰能夠用最低成本，把「不知道」變成「知道」；

誰能夠把焦慮變成可預期；

誰就有機會創造遠超過物理改善的價值。

總結：

工廠裡製造出來的價值，與人腦感受到的價值，同等重要。

過去工業時代教導我們，解決問題就是改變物理現實；但未來真正巨大的機會，可能來自於另一個方向——在不改變現實的情況下，改變人們對現實的感受。

真正高明的創新，不一定是把火車開得更快，而是讓旅程變得更值得期待；不一定是讓等待變短，而是讓等待變得可以理解。

當你學會尋找那些隱藏在人性中的不確定性，你就會發現：

很多時候，用1%的成本，就能創造出99%的價值。

[AI 啟發] 第一性原理的賺錢邏輯

賺錢的第一性原理是創造價值，不是出賣時間。

創造價值的第一性原理是解決問題，不是提供勞動。

解決問題的第一性原理是識別真需求，不是自我感動。

識別真需求的第一性原理是實踐反饋，不是閉門造車。

實踐反饋的第一性原理是快速迭代，不是仔細打磨。

快速迭代的第一性理是驗證模型，不是為了交付。

驗證模型的第一性原理是為了系統複製，而不是個人苦幹。

系統複製的第一性原理是槓桿思維，不是線性積累。

[AI 啟發] 第一性原理的賺錢邏輯

摘要 : 賺錢的本質不是出售時間，而是持續創造價值。從需求、驗證、迭代到系統化複製，每一層都指向同一件事：建立可放大的價值槓桿。

內容:

很多人以為賺錢靠的是努力工作，但真正決定收入上限的，往往不是投入多少時間，而是創造了多少價值。當你的收入只能和工時綁定時，再努力也會遇到天花板；但當你的價值能被放大、被複製，收入的成長空間就完全不同了。

而價值的本質，不是做了多少事，而是解決了多少問題。客戶不會為你的辛苦買單，他們只會為問題被解決買單。寫程式、做設計、提供服務都只是手段，真正有價值的是讓別人的成本降低、效率提高、風險減少或收益增加。

但問題的背後還有更深的一層：需求。很多人花了大量時間打造自己覺得很棒的產品，最後卻沒有人願意付費。原因並不是產品不好，而是解決的問題根本不存在，或者不是使用者最在意的問題。與其閉門造車，不如盡快接觸市場，驗證需求是否真實存在。

因此，實踐與反饋遠比完美更重要。許多人把時間花在反覆打磨產品，卻遲遲不敢推出市場。事實上，市場才是唯一的評審。快速推出、快速收集回饋、快速修正，往往比花半年追求完美更有效率。

而快速迭代的目的，也不是為了交付產品，而是驗證商業模型。你需要知道的是：這個需求是否存在？這個方案是否有效？客戶是否願意付費？成本與收益是否合理？只有驗證成功的模型，才值得投入更多資源。

最後，所有商業活動都會回到一個終點：系統化複製。如果一件事情只能靠你親自完成，那本質上仍然是在出售自己的時間。真正的成長來自建立流程、工具、產品、品牌、團隊甚至 AI 工作流，讓價值可以被持續複製與放大。

從第一性原理來看，賺錢其實是一條非常清晰的路徑：

創造價值 → 解決問題 → 找到真需求 → 獲得市場反饋 → 快速迭代 → 驗證模型 → 系統化複製 → 建立槓桿。

當你開始用槓桿思維取代線性思維，用系統取代苦幹，用驗證取代猜測，用需求取代自我感動，你就不再只是努力工作的人，而是在打造一個能持續創造價值的成長引擎。

---

真正拉開差距的，不是誰比誰更努力，而是誰能把自己的價值，從「做一次」變成「複製一萬次」。

[AI 分享] AI 推理成本的物理真相

 [AI 分享] AI 推理成本的物理真相

摘要 : 大模型定價不只是商業策略，而是受到GPU算力、記憶體頻寬與硬體物理極限共同決定。

內容:

很多人看到 AI 平台推出快速模式、高級方案或長上下文加價機制時，第一個反應往往是商業套路。但如果深入到底層運作原理，就會發現這些價格設計其實與硬體物理限制高度相關。從輸入 Token、輸出 Token，到長上下文處理成本，背後都可以用數學模型與硬體規律解釋。

大語言模型的推理本質是「自迴歸生成」，也就是一個 Token 接著一個 Token 產生結果。每生成一個 Token，GPU 都必須重新執行一次模型。這個過程不只是計算矩陣乘法，更重要的是從顯示記憶體中搬運龐大的模型權重資料。現代 GPU 的問題往往不是算不動，而是在等待資料傳輸完成。

因此，推理速度受到兩個關鍵因素制約：計算能力與記憶體頻寬。即使 GPU 擁有極高的運算能力，如果資料無法及時送達，計算單元仍然只能閒置等待。整體推理時間取決於兩者中較慢的那一項，而不是兩者相加。這也是為什麼晶片設計時，算力與頻寬必須保持平衡。

進一步來看，大模型推理的記憶體開銷包含兩部分。第一部分是模型權重讀取，這是一筆固定成本；無論服務一位使用者還是一千位使用者，都必須完整載入模型。第二部分則是 KV Cache，也就是模型記錄上下文的記憶空間。隨著使用者數量增加、對話內容變長，這部分成本會持續上升。

這也引出了大型 AI 服務商的重要經營策略：批次處理（Batching）。當大量使用者的請求同時進入系統時，固定的模型讀取成本可以被眾多使用者共同分攤，使單一 Token 的平均成本大幅下降。這也是為什麼大型平台能以相對低廉的價格提供服務，而個人自行租用高階 GPU 推理時，成本往往高得驚人。

然而，成本下降並非無限。當批次規模持續增加後，KV Cache 的讀取與實際計算量會逐漸成為新的瓶頸。此時即使再增加使用者，也無法再顯著降低成本，因為系統已經接近硬體所能達到的物理極限。這也是大型模型服務商持續追求推理最佳化、模型壓縮與晶片創新的根本原因。

從這個角度來看，AI 產業的競爭不只是模型能力競爭，更是硬體效率競爭。模型價格、快速模式、長上下文費率、輸出 Token 定價，許多看似商業決策的設計，其實都受到 GPU 算力、記憶體頻寬與資料搬運成本的深刻影響。理解這些底層規律後，你會發現 AI 商業模式的核心，並不是單純賣模型能力，而是在不斷逼近硬體物理極限的過程中，尋找最高效的成本結構與資源利用方式。

---

當大多數人還在討論哪個模型比較聰明時，真正決定 AI 公司獲利能力的關鍵，往往是背後那張 GPU 每秒能搬多少資料、能服務多少使用者，以及能把固定成本攤薄到什麼程度。這才是 AI 時代最容易被忽略，但也最重要的一層競爭力。

[AI 觀察] AI越強，人為何反而更忙？

 [AI 觀察] AI越強，人為何反而更忙？

摘要 : AI並未直接取代人力，而是重塑工作型態。未來最有價值的人，不是會使用AI的人，而是能設計、管理與駕馭AI工作流的人。

內容:

過去很多人認為，AI普及後企業最先做的事情一定是裁員、縮編、降低人力成本。但現實卻出現了有趣的反差。有些公司幾乎全員深度使用 AI 工具，從程式開發到文件處理都交給 AI 協助，結果一年下來員工數量不減反增。原因並非 AI 不夠強，而是每一個 AI Agent 的背後，都需要有人負責規劃、監督、維護與修正。當 Agent 越多，管理 Agent 的需求也隨之增加。

許多人曾經幻想，只要建立好 Agent，它就能自主完成工作。然而實際運作後發現，沒有持續維護的 Agent 很快就會失效、偏離目標，甚至變成另一種技術債。因此真正成熟的做法，不是讓每個人各自養一堆 Agent，而是建立公司級的核心 Agent 平台，由專門人員負責管理與優化。自動化沒有消滅工作，而是創造出全新的工作內容。

另一方面，AI 的發展方向也正在改變。過去大家討論的是聊天機器人、提示詞與命令列工具；現在則逐漸走向桌面化、系統級 Agent。這類 Agent 不只是回答問題，而是能看到畫面、操作應用程式、跨系統執行任務。AI 正從協助單一工作，逐步演化成協助整個職務。以前是幫你寫一封郵件，未來則可能直接幫你處理整個郵件工作流程。

這也讓許多人誤以為軟體服務將被 AI 取代。但實際情況可能正好相反。AI Agent 雖然變成新的操作入口，但背後仍然需要大量專業系統提供資料、流程與服務。AI 更像是一個新的作業層，而原本的應用系統則成為被呼叫的能力模組。未來競爭的焦點，不一定是誰擁有 AI，而是誰擁有最完整、最容易被 Agent 使用的服務能力。

在軟體開發領域，同樣出現了一個重要現象。AI 已經能快速生成大量程式碼，但真正困難的問題並不是寫程式，而是判斷該寫什麼、怎麼設計才符合業務需求。模型可以根據已知問題產生答案，但往往缺乏對現場情境的理解與取捨能力。當面對架構決策、產品方向或複雜商業邏輯時，人類仍然扮演關鍵角色。

因此，未來最被看好的角色未必是純工程師，而是兼具產品思維、設計能力與技術理解的人。當 AI 讓實作門檻快速下降後，真正稀缺的是能夠定義問題、設計流程、判斷品質與整合資源的人。產品經理、全端設計師、AI 工作流設計者，將成為新一波價值提升最快的角色。

我自己最大的感受是，AI 並沒有讓工作消失，而是在重新定義工作的內容。以前我們管理人，現在開始管理 Agent；以前設計功能，現在開始設計工作流；以前學習工具，現在學習如何協調多個模型共同完成任務。真正值錢的能力，不再只是執行工作，而是能把整個職務拆解成一套可以持續運作的系統。未來的競爭力，不是「會不會用 AI」，而是「能不能讓 AI 為整個工作流程創造價值」。當所有人都擁有 AI 時，最有價值的人，將是那個能夠駕馭與編排 AI 的人。

[AI 觀察] 蘋果的AI豪賭時刻

 [AI 觀察] 蘋果的AI豪賭時刻

摘要 : WWDC 2026被視為蘋果全面轉向AI的關鍵戰役，從Siri重構到系統級智慧化，顯示科技競爭已從硬體規格轉向AI生態與使用者入口之爭。

內容:

過去大家期待開發者大會時，最關心的是新手機、新電腦或新硬體。但今年的焦點似乎完全不同。市場普遍認為，這次發表會將幾乎沒有硬體亮點，而是把所有資源集中在作業系統與人工智慧能力上。這不只是產品策略調整，更反映出整個科技產業正在經歷一場從「硬體競爭」走向「AI競爭」的巨大轉變。

其中最受矚目的變化，就是語音助理的全面升級。未來的智慧助理不再只是查天氣、設鬧鐘，而是逐漸演變成真正的個人智慧中樞。它能理解使用者的行程、郵件、文件與使用情境，甚至整合不同AI模型提供服務。對於使用者而言，重點已經不是背後是哪一家模型公司，而是誰能提供最順暢、最自然的智慧體驗。

這也透露出一個重要訊號：科技巨頭開始接受「開放合作」的重要性。過去封閉的生態系統正在鬆動，因為AI時代的競爭已經不是單純靠硬體或作業系統就能取勝。當模型能力快速演進，使用者更在意的是能否自由選擇最適合自己的AI服務。誰能留住使用者，誰就擁有下一個時代的入口。

除了智慧助理之外，AI也開始滲透到影像、相機、相簿、鍵盤、搜尋與自動化工具之中。過去需要專業技能才能完成的工作，例如圖片修復、內容創作、工作流程自動化、文字潤飾等，現在都逐漸變成系統內建能力。這代表AI正在從一個額外安裝的工具，變成作業系統的基礎設施，如同網路、儲存空間與圖形介面一樣不可或缺。

但這場變革背後也存在另一個值得思考的問題。當AI開始參與照片生成、內容創作、資訊判斷甚至決策建議時，我們看到的究竟是真實世界，還是經過演算法重新包裝後的世界？當技術能夠讓每一張照片變得完美、每一段文字變得流暢時，人類原本的不完美與創造過程是否也正在被逐漸弱化，這將成為未來幾年持續被討論的課題。

從更大的角度來看，這場發表會真正反映的並不是某家公司推出了多少新功能，而是整個產業權力中心正在轉移。過去十多年，科技公司比的是晶片效能、螢幕規格與相機畫質；而現在，比的是模型能力、算力規模以及誰能掌握使用者每天最重要的互動入口。未來人們可能不再頻繁開啟各種App，而是直接透過AI完成工作、購物、訂票、搜尋與決策。當這一天真正到來，AI將不只是功能，而會成為新的作業系統，而這場競爭，才正要開始。