C# .NET Blazor MAUI Xamarin Research

2026年6月17日星期三

[AI 分享] 提升AI生產力的核心Skill架構

摘要 : 真正拉開AI效率差距的，不是模型強弱，而是Skill配置與工作流設計。

內容:

很多人使用 AI 時，常陷入一個誤區：一直糾結到底哪個平台最強、哪個大模型最聰明。但真正決定生產力上限的，往往不只是平台本身，而是你替它配置了什麼 Skill。若底層能力沒有補齊，再強的 Agent 也可能只是空轉。

這套核心 Skill 架構大致可以分成四個部分。第一部分是原生基礎 Skill，它不直接負責執行具體任務，而更像是替 AI 裝上一個自我進化引擎，讓它能自己寫新工具，或是到外部尋找現成幫手。這是無論未來想讓 AI 做什麼，都應該最先打好的基礎。

第二部分聚焦在程式開發時常見的幻覺問題。AI 生成的程式碼經常看起來邏輯完整，但實際執行卻會報錯。因此這裡引入工程化規則，例如測試驅動開發與專家審計，讓 AI 不再憑直覺亂寫，而是依照嚴格標準來完成程式碼。

第三部分談的是前端設計。現在許多 AI 生成的網頁都有一種明顯的「AI 味」，缺少質感與耐看度。因此需要專業設計類 Skill，協助 AI 產出更成熟、更有審美與商業感的介面設計。

第四部分則是內容創作。目標不只是讓 AI 寫出好內容，而是打通從配圖、資訊圖表繪製、排版、翻譯，到一鍵多平台發布的完整流程，形成真正的自動化閉環，把大量瑣碎工作交由 Agent 處理。

在原生基礎 Skill 中，第一個重要工具是 Skill Creator，這是 Anthropic 官方推出的工具。它的核心作用，是把成熟工作流打包成可以高頻重複使用的原子工具。過去如果想自己製作 Skill，往往需要研究繁瑣格式、手動修改配置檔，稍有錯誤就容易報錯，而且做出來的效果也未必理想。

有了 Skill Creator 後，流程被大幅簡化。使用者不需要硬啃開發文件，只要像對同事交辦工作一樣，用自然語言描述流程，或者直接提供既有 SOP 與操作手冊，它就能協助生成 Skill。整體流程大致分成三步：先用口語提出需求，再由系統在後台自動測試、打磨與迭代，最後不到一分鐘，就能產出標準且可用的 Skill。這大幅降低了手寫配置與除錯的負擔。

第二個原生 Skill 是 Find Skills。它不只是傳統意義上的應用商店搜尋工具，而是把被動搜尋變成主動指派。當使用者交給 Agent 一個複雜任務，例如設計帶有一鍵結算機制的系統 UI，若 Agent 本身不具備 UI 設計能力，它不會直接卡住，而是會在後台先把需求拆解成像 UI Design 這樣的原子意圖，再連接到 skill.sh 平台，主動盤點合適的 Skill。

它會評估哪些 Skill 安裝量高、作者可靠、口碑佳，並過濾掉冗餘或廢棄的工具，再把最適合的選項呈現給使用者。確認後，還能透過一行指令自動下載安裝。簡單來說，Skill Creator 讓 Agent 能自己造工具，Find Skills 則讓它能主動尋找外援。這兩者搭配後，Agent 的能力邊界會被大幅打開。

進入實戰場景後，軟體開發是一個很重要的應用方向。這裡提到的第一個 Skill 是 Superpowers。它的核心邏輯很硬核，直接把測試驅動開發的工程標準，變成 Agent 必須遵守的規則。很多人用 AI 寫程式時，第一直覺是讓它幫忙寫測試，而 Superpowers 則把整個流程徹底制度化。

它會強制 Agent 進入標準的紅綠重構循環。第一步是先寫一個必然失敗的測試，用來證明功能尚未實現；第二步只允許撰寫最少量、剛好能讓測試通過的程式碼；第三步則是在測試通過後，再進行結構優化與程式碼重構，去除不良設計與壞味道。

更穩健的是，完成程式後它不會立刻交差，而是啟動兩輪內部交叉審計。第一層是藍圖對齊審視，重點不是只看程式碼是否能跑，而是檢查實作邏輯是否真正對齊最初需求。第二層則是高危邊界挑刺，專門去找像空指標、例外狀況與隱藏邊界條件這類問題。雖然這套流程看似更花時間，但因為第一版程式碼品質更高，能大幅降低後續反覆 debug 的成本，長期來看反而更省時間與 token。

此外，它在流程最後仍保留人工決策空間，使用者可以選擇直接 merge 合併、暫時 stay 觀察，或是 drop 作廢。這代表 AI 並不是完全接管，而是以工程化方式輔助人類做更高品質的判斷。

如果要打造的不是單一功能模組，而是完整的商業系統，那麼單靠一位程式設計師的視角通常不夠。這時候就需要更像團隊協作的工具，例如 G-Stack。這個工具由 YC 總裁 Gary Tan 推出，最大的特色是在 Agent 裡直接內建 23 個不同專家角色，例如 CEO、視覺設計師、後端架構師、安全專家與發布架構師等。使用者可以透過斜線命令直接召喚這些角色，讓 AI 在單一工作流中模擬跨職能團隊協作。

[AI 分享] 可交付AI Agent系統構建

摘要 : 從產品認知、上下文管理到評估體系，整理可交付AI Agent系統的實戰方法與原則。

內容:

這篇內容主要在討論：**如何構建真正可交付的 AI Agent 系統**。整體思路來自 5 月 31 日 AI Engineer 的一支 YouTube 影片，但也與企業 AI Agent 交付、AI Coding Harness 以及陪跑專案中的實際經驗高度契合，因此很值得整理分享。

全文大致可分成五個核心方向，從最底層的認知開始，談人類與 Agent 使用產品的方式差異，接著談上下文管理、狀態機制、評估體系建設，以及提示詞與技術實作上的原則。其中作者特別強調：**評估體系是最關鍵、也最容易被忽略的一環**。

首先，最核心的認知是：**人類與 Agent 消費產品的方式並不一樣**。

以 HTML 為例，人類在看網頁時，往往是從視覺、元素、關聯與互動效果去理解；但 Agent 在處理 HTML 時，更多是從文字結構與語意關係去推斷內容。因此，當我們設計產品或資料給 AI 使用時，不能完全沿用「給人看的方式」，而要開始思考怎樣讓模型更容易抓取、總結與理解。

這也帶出第一個重要原則：**不需要把所有文件都丟給 AI**。

因為很多通用知識模型本來就知道了，真正需要補充的，反而是那些模型最容易誤解的地方，例如產品中的特殊規則、常見踩坑點、容易混淆的邏輯等。換句話說，給 AI 的資訊不在於多，而在於是否能幫助它避開誤解。

此外，在設計產品時，也可以逐步往 **更容易被 AI 理解的結構** 靠攏。比如以往很多頁面設計是優先給人類瀏覽體驗，但未來也許需要兼顧「是否有利於 Agent 抓取、解析、摘要與推理」。這些與人的差異雖然微妙，卻會在實作過程中持續影響成效。

第二個重點是**上下文管理**。

在 AI Coding 或 Agent 工作流中，常常有大量時間花在補充背景資訊與前置條件上，而且每次新開一個上下文，都要重新講一次，效率很低。比較好的做法，是把這些重複性高、可複用的資訊提前整理起來，做成可被調用的內容模組，例如 skills 或 agent cmd，讓模型在需要時自動載入。

這樣做的價值在於：當你發現某些背景資訊、操作說明或工作流程總是要重複提供，就應該把它們結構化，沉澱成系統能力，而不是每次人工重新輸入。這能大幅降低前置溝通成本。

不過，就算把 skills 都準備好了，也不代表模型就一定能從頭到尾穩定執行。

因為大模型本質上仍然是機率性系統，即便 temperature 設為 0，穩定性仍有限，也可能出現幻覺或中途偏離。因此，在 AI Agent 產品中，不論是 AI Coding 還是其他 Agent 類型系統，**狀態機制** 都是很有效的處理方式，可以幫助流程更可控。

接著進入全文最重要的部分：**評估體系建設**。

這裡引用了一個很關鍵的觀點：如果沒有評估，就沒有改進。對可交付的 AI Agent 系統來說，評估不是附屬品，而是核心能力。

曾把過去大量的人類經驗文件整理成 skills，讓 AI 在處理問題時調用，原本以為這樣效果會更好；但在建立評估體系後卻發現，**把所有 skills 都給模型時，準確率只有 70%；反而什麼 skills 都不給時，準確率可以達到 97%**。這是一個非常有啟發性的結果。

原因在於，skills 本身也會佔據上下文，而且其中可能混入過時文件、不夠精準的指導，或與當前專案結構不一致的內容。這些資訊不但沒有幫助，反而可能干擾模型判斷。因此，這裡得到一個非常重要的結論：

**與其給模型固定規定，不如給它指導原則。**

也就是說，不要試圖用大量細碎、陳舊、僵硬的規則去束縛模型，而應該提供方向性的引導，讓模型依據當前情境做合理判斷。這被認為是整支影片中最有價值的一個觀點。

至於評估體系怎麼建立，可以分成幾個層次：

第一層是**確定性驗證**。

例如在程式碼提交流程中，透過單元測試、Lint、Build 驗證等方式做檢查，這些屬於 CI/CD 中本來就應該存在的固定環節。AI 介入後，這些機制不能省，反而更重要，因為它們能提供穩定、可重複的品質保障。

第二層是**規則化檢查**。

像是程式碼規範、靜態檢查、格式化與一些明確可定義的規則，這些也應該交給工具或系統做，而不是完全依賴模型的主觀判斷。

第三層才是**模型評估**。

但這裡有個關鍵技巧：不要讓模型做過於寬泛的評價。例如不要問「這段程式碼好不好」，而應該把問題窄化成具體維度，例如：「找出這段程式碼中與需求不一致的地方」、「列出可能缺失的邊界條件」、「指出風險較高的區域」。當評估範圍被縮小後，模型的焦點會更集中，輸出品質也更穩定。

最後一層仍然是**人工審查**。

即使前面有規則檢查與模型評估，人依然不能完全退出。對於重要程式碼、關鍵業務邏輯、風險區域，例如支付流程、核心架構、可維護性等，人還是需要親自看。也就是說，真正可交付的系統，不是把責任全部推給 AI，而是建立一個多層次驗證機制，讓 AI、規則與人工彼此補位。

因此，不只是 AI Agent，包含 RAG、Harness、AI Coding 流程，只要是要落地交付的系統，**都必須有評估體系**。這一點非常關鍵。

最後回到 skills 的問題，這段內容也再次提醒：**不是 skills 給得越多越好**。

當模型本身的理解與執行能力越來越強時，我們需要做的，不是塞滿所有文件，而是「輕推一下」，把它引導到正確方向。真正有效的做法，不是用大量陳舊規則綁住模型，而是提供清楚、簡潔、方向明確的原則，讓模型在具體任務中靈活發揮。

[AI 反思] AI寫程式一年後，你是變強還是更依賴了？

摘要 : AI能讓寫程式更快，但也可能讓獨立思考、判斷與重構能力悄悄退化，真正風險是你失去離開AI後的戰力。

內容:

這提出一個很值得所有工程師自問的問題：這一年大量使用 AI 寫程式，到底是真的變強了，還是只是變得更依賴工具？表面上看，很多原本要花很久的工作，現在只要幾分鐘就能完成，效率提升非常有感，也容易讓人產生「自己明顯進步了」的感覺。

但真正的風險不在於 AI 取代你，而在於你長期依賴它之後，獨立解決問題的能力可能正在退化。當某一天碰上 AI 幫不上忙、給錯答案，或者情境非常複雜時，你若已失去判斷與修正能力，就會發現自己既離不開它，也無法真正頂上去。這才是最危險的地方，因為那往往直接影響職場競爭力。

AI 確實在某些任務上能顯著提速。以 GitHub 的 Copilot 實驗為例，使用者完成任務的速度快了將近 56%。但這類任務往往是邊界清楚、標準答案多、重複性高的模板型工作，例如從零寫一個 HTTP 伺服器。這正是 AI 最擅長的「甜區」，並不能代表一個工程師真正的整體能力。

真正有價值、也真正困難的部分，通常不是模板工作，而是那些複雜業務邏輯、架構設計、效能瓶頸排查，或是在模糊情境下做出正確判斷。這些問題沒有單一標準答案，也很難靠模式套用解決。AI 在這類場景裡給出的內容，常常只是「看起來合理」的參考，而不是真正理解系統後的推理結果。

AI 的核心不是理解，而是模式匹配。它根據大量既有資料去猜測「下一段最像什麼」，所以面對常見題型時表現很好，但只要題目稍微偏離它熟悉的範圍，就可能產生語法正確、語氣篤定、實際卻完全不適用的答案。最可怕的不是 AI 出錯，而是它出錯時，你也剛好失去了辨識錯誤的能力。

這種「錯覺式提效」並非空談。引用一項 2025 年的實驗，讓 16 位資深開發者在自己熟悉的大型成熟專案中完成 246 個真實任務。這些人原本預期 AI 能讓自己快 24%，實際做完後主觀感受也認為快了 20%，但客觀測量結果卻是平均慢了 19%。雖然研究樣本有限，不能當成絕對定論，但至少說明一件事：連資深工程師都可能誤判自己在 AI 輔助下的真實效率。

除了效率錯覺，程式碼品質的變化也值得警惕。GitClear 分析了 2.11 億行程式碼、長達 5 年的資料後發現，2024 年 5 行以上的重複程式碼塊暴增到 8 倍；而代表整理、重構、抽象化的程式碼比例，則從 2021 年的大約 25% 一路下降到 2024 年不到 10%。更值得注意的是，2024 年成為首次「複製貼上的程式碼量超過重構整理程式碼量」的一年。

這代表整體開發行為正在改變：大家都更快地新增程式碼，卻越來越少回頭整理結構、抽象邏輯、提升可維護性。而後者恰恰是資深工程師最重要的價值所在，也是判斷力與設計能力的體現。若這部分長期不練，留下來的系統就會愈來愈像拼湊品。研究也指出，這類克隆式程式碼的缺陷率，可能比正常程式碼高出 15% 到 50%。

進一步把問題擴大到整體認知層面。根據一項針對 666 人的研究，越頻繁使用 AI 的人，批判性思維分數越低；其中關鍵機制被稱為「認知卸載」，也就是把原本應由自己完成的思考外包給工具。更值得注意的是，越年輕、越依賴 AI 的人，能力下滑的幅度越明顯。當你把「想」這件事長期交出去，自己的思考肌肉就會更快萎縮。

最後把使用者分成三類來看。第一類是新手，AI 讓他們看起來進步很快，但其實很多只是短板被工具暫時撐住，能力本身未必真的補上。第二類是中階使用者，效率感最強、爽感最高，但也最容易在不知不覺中減少親手解題的頻率，因此退化風險最大。第三類是真正的高手，他們不會只看「有 AI 時我多快」，而是更在意「拿掉 AI 之後，我還剩多少戰力」。

整篇文章的核心提醒是：當某項能力可以被工具低成本取代，市場就不再為「只會執行」的人支付高溢價。AI 已經逐漸把「會寫程式碼」這件事變成標準化能力，因此真正更值錢的，不再只是寫得快，而是你是否知道該寫什麼、為什麼這樣寫、出了問題怎麼判斷，以及能不能在沒有 AI 的情況下仍然獨立完成關鍵決策。

2026 .NET 開發者現代技術棧與實務建議

1. IDE 與編輯器（IDE & Editors）

主力推薦：VS Code + GitHub Copilot / Cursor
企業級選擇：Rider
核心思維：AI-assisted coding is the default now AI 輔助編碼已成為標準工作方式，而非額外加分項。

2. 測試（Testing）

單元/整合測試：xUnit + NSubstitute + Shouldly
容器化測試：Testcontainers
E2E 測試：Playwright
核心思維：Testcontainers changed integration testing forever 讓測試環境真正貼近真實系統依賴。

3. 日誌與可觀測性（Logging & Observability）

結構化日誌：Serilog
標準觀測：OpenTelemetry
本機儀表板：Aspire Dashboard
後端分析：Seq / Grafana
核心思維：If you're not using OpenTelemetry yet, start now 它已成為可觀測性的事實標準。

4. API 開發（API Development）

主力框架：Minimal APIs
文件介面：Scalar（OpenAPI UI）
HTTP Client：Refit
中介處理：MediatR
核心思維：Minimal APIs are all you need 對大多數情境已完全足夠，大幅降低複雜度。

5. 資料與快取（Data & Caching）

ORM：EF Core（大多數情境）
高性能查詢：Dapper（熱路徑）
快取：Redis
資料庫：PostgreSQL / SQL Server
核心思維：EF Core for most things, Dapper for hot paths

6. 驗證與安全（Auth & Security）

自架方案：Keycloak
雲端方案：Entra ID (Azure AD)
標準協定：OAuth 2.0 / OIDC + JWT Bearer
核心思維：Keycloak is the go-to for self-hosted auth

7. 容器與編排（Containers & Orchestration）

基礎：Docker + Docker Compose
.NET 整合中樞：Aspire
生產環境：Kubernetes
核心思維：Aspire makes local dev with containers trivial

8. CI/CD

主力：GitHub Actions
企業級：Azure DevOps Pipelines
快速部署：Aspire deployments
核心思維：Aspire manifest to Azure deployment in minutes

9. 雲端（Cloud）

主要平台：Azure（推薦深入）、AWS、Google Cloud
IaC：Bicep（Azure）或其他 IaC 工具
核心思維：Pick one cloud and go deep

10. 前端（Frontend）

企業內部工具：Blazor
對外產品：React + TypeScript + Tailwind CSS
核心思維：Blazor for internal tools, React for public-facing

11. 訊息與背景處理（Messaging）

訊息代理：RabbitMQ / Azure Service Bus
抽象層：Wolverine
背景工作：Background workers
核心思維：Wolverine abstracts the broker for you

12. 架構設計（Architecture）

Vertical Slices
Event-Driven Design
Microservices（視規模而定）

整體趨勢總結（2026 版）

AI 已成標配：Copilot / Cursor 是日常開發基礎。
可觀測性標準化：OpenTelemetry 是必備。
開發體驗大幅整合：Aspire 成為本機多服務 + 容器 + 觀測 + 部署的關鍵橋樑。
務實混合策略：EF Core + Dapper、Blazor + React、Minimal APIs 為主。
少而精：每個領域選擇 1~2 個成熟工具深入，而非廣度優先。
端到端思維：現代 .NET 工程師必須掌握從開發、測試、觀測、部署到架構的全鏈路。

2026年6月16日星期二

[AI 影響] WebMCP正在改變AI連接世界的方式

摘要 : WebMCP有望統一AI與各類系統的連接方式，讓AI從只會回答問題，進化到能真正調用工具完成任務。

內容:

最近許多人開始討論一個新詞——WebMCP。它之所以受到開發者關注，不是因為技術本身多麼複雜，而是因為它可能解決AI目前最關鍵也最尷尬的問題：模型雖然很聰明，卻無法直接接觸現實世界中的資料與工具。

過去的大模型像是一位被困在房間裡的天才。它懂程式、懂法律、懂醫學，也懂商業分析，但它不知道企業資料庫裡有什麼，也無法直接接觸公司的內部系統、最新網頁內容，或是支付系統、工單系統與辦公軟體中的即時資訊。

因此，當企業希望AI真正幫忙做事時，往往必須額外開發各種介面、外掛與適配層。不同工具有不同接法，不同模型又有不同協議，導致開發團隊花費大量時間在重複建設連接能力。

而WebMCP想做的，就是把這些混亂的連線方式統一起來。它可以被理解為AI世界裡的USB介面。過去每接一個裝置都需要不同的線材與轉接方式，現在只要支援同一套標準，就能更直接地完成連接。

當一個系統支援WebMCP後，AI便可以透過一致的方式發現可用能力、呼叫工具並取得資料。這代表企業不必再為每一個模型單獨開發整合方式，也不必為每一套工具重新做一次適配，整體開發效率將大幅提升。

更重要的是，這背後代表一種新的工作模式正在形成。過去是人操作軟體，後來變成軟體輔助人，而現在正逐步進入第三種模式：人只需要告訴AI目標，AI就能主動調用多個系統來完成任務。

例如，銷售經理只要說一句「幫我整理本週客戶跟進情況並生成下週計畫」，AI就可以自動讀取CRM系統、檢查郵件往來、分析客戶狀態，甚至進一步安排相關會議。整個流程中，人類負責下達目標，AI則負責執行。

這也是為什麼越來越多公司開始關注MCP。因為大家逐漸意識到，大模型本身的能力提升雖然重要，但已經不是唯一瓶頸。能否順利、安全、可靠地把AI接上真實世界的工具與系統，才是下一階段競爭的核心。

誰能讓AI安全地存取工具，誰能讓AI穩定地執行任務，誰就更接近真正可用的AI助手。從這個角度來看，AI革命或許並不是已經完成，而是才剛進入基礎設施建設的階段。

過去幾年，整個產業都在努力訓練更聰明的大腦；而現在，大家開始為這個大腦裝上眼睛、耳朵與雙手。WebMCP所代表的，正是AI從「會思考」走向「會做事」的重要一步。

[AI 衝擊] 加拿大年輕人就業困境與AI時代出路

摘要：加拿大青年失業惡化，入門職缺銳減，AI正改變職場規則，年輕人需及早調整方向與技能。

內容:

加拿大年輕人近年找入門級工作的難度明顯升高，尤其對即將畢業的大學生與剛離校的年輕人而言，情況相當嚴峻。節目一開始引用了多位年輕人的真實案例：有人成績優秀、實習評價良好，畢業後卻長期找不到工作；有人投出70份履歷仍無錄取通知，只能靠零售工作維生；也有人投了超過100家公司，卻連一次面試機會都沒有。這些案例顯示，問題已不只是個人努力與否，而是整體就業結構正在改變。

從數據上看，這種困境並非個案。2025年第一季度，加拿大應屆畢業生平均失業率達到11.2%，創下至少20年來、除疫情期間外的最高水平。同時，全國入門級職位空缺從高峰時超過7萬個，跌到2025年初不足3萬個，跌幅超過一半。2026年第一季度，加拿大經濟流失約9.5萬個職位，其中青年勞動者承擔了53%的失業壓力，儘管他們只占整體勞動力市場的14%。

更值得注意的是，過去「大學學位比職業證書更有保障」的傳統認知也正在被打破。根據加拿大統計資料，自2023年起，在15到24歲年齡層中，擁有學士學位的年輕人失業率，已高於僅持有職業證書的同齡人。這並不是否定大學教育價值，而是說明職場需求正在快速偏移，學歷本身不再像過去那樣天然具備優勢。

節目認為，AI正大規模削弱傳統職場發展鏈條中的初級入門崗位。那些大量依賴資料整理、模式辨識、基礎行政、初級分析與標準化產出的工作，最容易被AI吸收。原本適合應屆生進入職場、累積經驗的「第一張椅子」，正在消失。這使得許多年輕人即使做對了所有事情——好好讀書、順利畢業、積極投履歷——依然得不到理想結果。

至於為何加拿大年輕人比美國更辛苦，內容指出，這不代表AI沒有影響加拿大，反而是因為加拿大的經濟吸納能力較弱。美國雖然AI應用更普及，但其經濟成長更強，能夠創造更多新需求與新職位，把被AI擠出的年輕人重新吸納回市場。加拿大則缺乏這種足夠大的「經濟海綿」，因此青年失業問題顯得更加集中與明顯。

面對AI衝擊，節目提出人類仍有三張重要底牌。第一張是靠手藝與實體能力吃飯的工作，也就是需要真實肉身到場、動手操作、與物理世界互動的職業。第二張是需要專業執照、最終由真人承擔責任的工作，例如醫療、法律、會計與金融監管等領域。AI可以成為工具，但無法代替真正持牌並負最終責任的人。第三張則是最難被模仿的——人陪伴人，也就是以共情、在場、判斷、創造與希望為核心的工作，像心理諮商、社工、護理、教育、治療、照護、顧問、真人內容創作等，這些工作的真正價值不只是資訊，而是人與人之間的情感連結。

對還在校的大學生，節目建議應把握「還有時間」這個優勢，盡快行動而不是等待。第一個策略是積極參與co-op或各類實習計畫，提前累積真實工作經驗。因為現在許多工作雖然仍標示為初級職位，卻要求兩到三年經驗，等於樓還在，但梯子沒了。co-op、研究助理、志工專案、實習機會，都是讓自己提前站上樓層的方法。如今，這類實務經驗的重要性甚至已超過單純的GPA成績。

第二個策略是給自己增加一張執照或專業認證，建立一道AI難以跨越的門檻。專業執照不只意味著技能，還代表法律與制度層面的認可與責任承擔，因此能提高就業穩定性與薪酬水平。對於希望進一步建立職涯護城河的年輕人而言，這是一條相對清楚的路徑。

第三個重點則是學會在工作中使用AI，而不是抗拒AI。企業導入AI後，員工的工作效率普遍提升，而每天持續使用AI工具的人，在效率與職業安全感上都高於不使用者。AI可以協助整理會議紀錄、提煉長篇報告重點、撰寫郵件與提案初稿、進行資料分析、快速補足新領域知識。會用AI的人，與不會用AI的人之間的產出差距正逐漸拉大。不過也必須遵守紅線，不能把公司機密、客戶隱私、財務資料與內部文件輸入公共AI平台，並應仔細閱讀公司的AI使用政策。

針對已經在商科、IT或文科等高AI暴露專業中的學生與畢業生，節目則提出更具體的轉型方向。以商科為例，雖然初級財務分析、市場調研、行政報表與基礎客服等工作正快速被AI取代，但商科生同時也是最容易轉型的一群。第一條路是考取CPA等專業證照，讓自己從一般商科畢業生轉變為持牌專業人士；第二條路是進入金融科技、AI風險分析、合規審查等金融與科技交叉領域，並搭配CFA、CFP、FRM、CIM等認證；第三條路則是往以人際關係與信任建立為核心的工作發展，例如大客戶銷售、策略顧問、商業談判等。

整體來看，這篇內容傳達的核心不是單純渲染焦慮，而是提醒年輕人：今天的困境並非因為你不夠努力，而是時代規則變了。在AI重塑就業市場的過程中，單靠傳統升學與求職路線已不再足夠。未來真正有競爭力的人，不只是學歷高的人，而是能提早累積經驗、掌握AI工具、建立專業責任門檻，並投入那些仍然高度依賴人性、信任與陪伴價值領域的人。

[AI 複利] 個人AI作業系統的差距正在指數擴大

摘要 : 頂尖使用者把AI變成會累積流程、記憶與校驗的系統，普通人卻常每次從零開始。

內容:

YC總裁 Gary Tan 認為，頂尖使用者與一般人之間的 AI 槓桿差距，正以指數級方式拉大：現在可能差十倍，兩個月後變一百倍，再兩個月後甚至上看一千倍。關鍵不只是「會不會用 AI」，而是有沒有把每次使用都變成下一次的基礎。

Gary Tan 舉例，他在準備與 DeepMind 創辦人 Demis Hassabis 的對談時，只對 AI 說了一句「幫我準備一下」，兩分鐘內系統就整理出 Demis 近幾個月的公開觀點、傳記重點、對 AGI 時間線的判斷、研究優先順序，以及雙方立場的重合與分歧，甚至給出對談切入角度。這不是臨時搜尋，而是系統長期累積上下文後的直接調用。

這種差距來自「複利系統」與「歸零系統」的不同。一般人常在需要時才臨時蒐集資料、翻郵件、查新聞；Gary Tan 的做法則是每次接觸到某人、某公司、某議題時，系統都會持續更新，等真正要用時，資訊早已整理完成。他每次用完 AI，都會問自己一句：「這次工作結束後，有什麼東西應該留下來？」

他所累積的第一類資產是流程，也就是 skill。像會議準備、人物研究、讀書筆記這些任務，第一次手動完成後，就把步驟固化，之後系統可自動按既定流程執行，不必每次重新教 AI。第二類資產是上下文，也就是 brain。會議紀要、人物背景、公司資訊、書籍觀點與專案內容會持續進入一個結構化知識庫，彼此關聯、可檢索、可引用，讓決策起點遠高於只靠記憶與臨時搜尋的人。

第三類資產是錯誤，也就是 eval。當 AI 曾出現事實錯誤或內容瞎編時，他不只修正當次結果，而是把錯誤轉成永久規則，例如要求先交叉比對已知事實、輸出必須引用記憶頁面、不同模型分別檢查事實精度與上下文遺漏。對一般人來說，錯誤只是一次返工；對他來說，錯誤是一次系統升級。

Gary Tan 已將這套思路開源為 G-Brain，作為個人 AI 作業系統框架，核心包含 brain、skill 與 eval。但更重要的不是工具本身，而是思維方式：讓今天的工作成為明天的起點。從固定一條常用指令、保存一段常用背景資訊、寫下一條防錯規則開始，就能逐步建立屬於自己的 AI 複利系統。

[AI 分享] Loop Engineering 101：讓 AI 自主迭代交付程式碼

摘要 : 介紹 AI Loop Engineering 核心概念，涵蓋迴圈設計、開放與封閉模式、品質關卡、單代理與多代理協作，以及自我學習機制。

內容:

Loop Engineering 101 是一套讓 AI 代理能夠在你不持續介入的情況下，自行完成「發現問題、規劃步驟、執行修改、驗證結果、反覆修正」的工作方法。其核心概念是把 AI 從一次性輸出工具，轉變成能自行檢查與重試的迴圈系統。

所謂的 Loop，本質上是一個會自我迭代的代理流程。最基本的循環包含五個步驟：先找出需要處理的內容，再把目標拆成可執行步驟，接著執行任務，然後驗證結果是否符合目標，最後根據差距繼續修正並再次執行。以修 bug 為例，AI 可以先重現問題、撰寫修正、重新執行測試，直到結果通過為止。這類任務通常具備幾個特徵：容易形成明確步驟、能夠重複嘗試、有可自動檢查的完成定義，而且失敗成本低。

區分了開放式迴圈與封閉式迴圈。開放式迴圈讓代理自由探索與發現，雖然靈活，但往往消耗高、容易偏離目標，甚至產生品質不穩定的結果，因此不適合作為起點。相對地，封閉式迴圈會先定義清楚目標、步驟與驗證條件，代理在限制條件內運作，因此更可預測、更省資源，也更容易控制。作者強調，在實務上封閉式迴圈更適合多數工程場景。

一個設計良好的 Loop，需要具備完整的結構。六個關鍵組件：第一是自動化機制，用來驅動整個流程；第二是工作樹或工作切分，讓不同任務能並行處理；第三是技能，包含代理在專案中需要具備的知識與操作能力；第四是插件與連接器，用來串接 PR、測試、Slack 等外部工具；第五是子代理，讓不同角色分工合作；第六是記憶，用於保存目標與關鍵上下文。不過作者也提醒，不要過早把規則與記憶全塞進對話中，也不要所有事情都靠手動觸發，更不要在還沒明確需求前就把全部組件一次建完。

在代理配置上，比較了單代理與代理艦隊兩種模式。單代理迴圈是由一個代理反覆優化自己的工作成果，當結果不夠好時就持續重跑。這種做法簡單、便宜，對大多數任務已經足夠。若任務複雜度更高，才需要採用多代理模式，也就是讓多個專業代理在協調者管理下共同完成工作。這種方式適合單一代理難以勝任的場景。

實務上，Loop 通常會被設計成一條可持續運行的流水線。系統會從磁碟或既定規則載入目標與規範，再由生成者負責產出內容、檢查者負責驗證、品質關卡負責把關。如果某一步失敗，流程就會回到前面重新迭代。這樣的設計能把「重現問題、修正、驗證」自動化，但最終是否合併與發布，仍應由人類掌控。好的 Loop 會主動提出修正並通知你，但不會自行上線。

品質關卡是整個 Loop 中非常重要的一層。若沒有品質把關，代理只會更快地產出低品質結果。因此，在成果真正送出前，必須經過嚴格的驗證。這個關卡應建立在人類無法妥協的檢查項目上，例如編譯是否通過、型別系統是否正確、整合測試與變異測試是否成功、屬性測試是否符合預期，以及靜態分析、格式檢查、CI 等是否全部通過。品質關卡不只是保護機制，更是讓整個 Loop 能持續運作的前提。

最後，「自我學習迴圈」的觀念。真正有價值的 Loop，不只是重複執行，而是能把每次失敗的教訓保留下來，讓下一輪做得更好。這代表系統需要能攜帶規則、記錄錯誤、分析原因，並把學到的經驗納入後續執行。文中建議建立專門的規則文件，例如把錯誤轉化為可重用的經驗、自己維護規則庫、信任但驗證每次輸出，並且不要讓代理自動修改最重要的檢查規則。

整體而言，這篇內容強調的不是單次提示詞怎麼寫，而是如何設計一套能持續運作、能自我修正、能受控學習的 AI 工程流程。你真正要打造的，不只是會提示代理的系統，而是會從經驗中變得更好的系統。

[AI 影響] AI會取代普通人工作嗎？

摘要：AI更可能重塑工作分工，而非大規模取代多數普通人；真正先吃到紅利的，多是上游基礎設施公司。

內容:

這一年來，關於「AI可能要替代你了」的說法幾乎隨處可見。從文員、設計師、程式設計師、客服到會計，很多職位都被拿來討論，甚至還有人認為未來普通人將大規模失業。面對這種焦慮，作者提出一個相對逆向的觀點：未來十年，AI大機率不會像許多人想像的那樣，直接大規模取代絕大多數普通人的工作。

AI當然會深刻影響職場，但它更像是在改寫工作的結構、分工與流程，而不是把大部分人直接踢出職場。更重要的是，這一波AI帶來的最大產業紅利，往往不屬於普通人，而是集中在上游基礎設施領域，例如賣晶片、賣雲服務、賣算力、做資料中心、做大模型底座的公司。普通人更可能拿到的，不是產業紅利，而是工具紅利，也就是利用AI讓原本的工作做得更快、更便宜、更體面一些。

這裡的關鍵差別在於，「吃產業紅利」和「使用工具紅利」是兩回事。產業紅利屬於資本、技術、牌照、能源和基礎設施擁有者；工具紅利才與多數普通人有關。這和當年網際網路興起時很像，真正先賺大錢的是平台、支付、廣告、物流與雲服務公司，而不是每一個會做網站的人。對普通人來說，真正的機會往往來自用新工具改善效率、延伸能力，而非一夜暴富。

至於AI為什麼很難在未來十年大規模取代多數崗位，需要從更底層的邏輯來看。判斷一個崗位能否被替代，不是看AI會不會寫字、識圖、畫圖或寫程式，而是看三件事：第一，AI能不能長期穩定地把整串任務都做對；第二，它的犯錯機率是否足夠低；第三，一旦出錯，企業能不能承受代價。

這裡牽涉到機率論的問題。很多人誤以為只要AI平均表現夠高，就能替代人類。但實際上，真正決定能否替代的，不是平均水平，而是整條流程的可靠性。若一個系統每一步有95%的正確率，聽起來很高，但如果一份工作包含20個關鍵環節，而且每一環都要可靠，那整條流程全部正確的機率就會快速下降。現實中的工作往往不是解一道題，而是由理解需求、蒐集資訊、處理例外、溝通協調、做判斷、交付結果與承擔責任等多個環節串聯而成，因此AI在真實公司流程裡常常會卡住。

從資訊理論的角度看，也能理解這個問題。AI最擅長處理的是那些規則清晰、格式標準、重複度高、已經被表達出來並結構化的資訊；但它較不擅長處理上下文缺失、資訊殘缺、噪聲大、需要在不完整資訊下做判斷的情境。而人類工作中最有價值、最困難的部分，往往恰恰就是後者。

例如，主管一句「這個方案我感覺不太對，但我也說不上來，你再改改」，表面資訊量很少，實際上背後藏著大量隱性資訊，包括主管偏好、產業經驗、組織政治、資源限制、風險偏好與外部環境判斷。這些資訊沒有被完整說出來，而是散落在關係、經驗、語境與歷史決策之中。AI擅長的是明牌任務，不擅長的是暗牌任務。

所謂明牌任務，指的是規則清楚、目標明確、輸入輸出邊界清晰的工作，例如出稿、整理格式、轉換內容、摘要提煉、常見程式碼補全與標準文案生成。暗牌任務則是需求模糊、上下文複雜、利益相關者多、犯錯代價高的工作，例如商務談判、團隊管理、跨部門協調、做最終拍板、處理危機，以及理解客戶沒有明說的真實需求。這也意味著，AI短期內更可能處理標準化任務，而非直接取代複雜崗位。

即使技術上能做到，也不代表商業上值得做。這是第二層邏輯。老闆不是只看技術展示，而是要算總帳。文中引用麻省理工的一項研究指出，若按照當下成本來看，美國企業認為真正值得自動化的視覺相關工資支出，大約只有23%。這說明「替代」很多時候不是技術問題，而是經濟問題。

企業若要用AI替代員工，支付的不只是模型費用，還包括系統接入、流程改造、權限管理、風險控制、審計、維護、故障處理、人工複核等成本。最關鍵的是，一旦出事，究竟誰來負責？相較之下，一名普通員工雖然不完美，但往往更便宜、更靈活、能應變，也能在關鍵時刻承擔責任。對真實商業世界而言，很多崗位沒有被自動化，不是因為技術不行，而是因為用人依然更省心、更划算。

AI通常替代的不是整個職業，而是職業中的一部分任務。這是理解未來就業最重要的觀點之一。現代勞動經濟學更傾向認為，技術首先取代的是任務，而不是完整的職業身份。技術會把原本由人完成的一部分工作轉移給機器，但同時也會創造新的任務、新的分工與新的需求。

以影片剪輯師為例，工作內容不只是剪片，還包括找素材、配字幕、調整節奏、理解品牌風格、與客戶溝通、處理臨時改稿、決定成片情緒等。AI比較可能接手的是那些標準化、重複性高、容易模板化的部分，例如自動字幕、找相似鏡頭、粗剪、自動降噪、批量產出封面草稿等；但對於理解觀眾情緒、掌握節奏、拿捏語氣、審美判斷，以及處理客戶那些模糊難解的要求，短期內仍然是人的優勢所在。

對於自動櫃員機（ATM）的歷史案例。ATM確實取代了銀行櫃員部分標準化任務，但並沒有簡單把整個職業消滅。反而因為銀行網點營運成本下降，銀行得以開設更多據點，而櫃員的角色也逐漸轉向更複雜的服務與銷售工作。這個案例說明，技術往往是在重構任務，而不是線性抹去職業。

因此，更準確的說法是：AI最先拿走的，往往不是你的飯碗，而是你飯碗裡最無聊、最重複、最容易標準化的那一部分工作。

最後，AI有可能創造更多新崗位。因為技術進步從來不只是做減法，也會同時做加法。雖然原文最後一段未完整展開，但核心觀點很清楚：AI帶來的，不只是替代，也包括新的產業需求、新的職務類型與新的協作方式。

總結來說，AI與普通人當然有關，但這種關係更多是效率工具、分工重組與門檻再分配，而不是簡單粗暴的全面取代。面對AI，普通人真正應該做的，不是沉迷於「一夜暴富」的幻想，也不是陷入「全面失業」的恐慌，而是學會把AI當成工具，提升效率、補強能力，並把自己的價值轉向那些更難被標準化、更依賴判斷、溝通、協調與責任承擔的部分。

[AI 進階] AI Agent 學習路徑

摘要 : 學 AI Agent 不能只學框架，而要從模型、RAG、工具調用到系統部署逐步建立完整能力。

內容:

用「燈塔」作為隱喻，說明學習 AI Agents 不是一開始就衝去玩框架、接 API、做 Demo，而是要像爬燈塔一樣，一層一層往上建立能力。燈塔代表方向，梯子代表學習路徑；真正重要的不是知道有哪些工具，而是理解 AI Agent 背後的能力堆疊。

第一層是 GenAI & RAG Basics，也就是生成式 AI 與 RAG 基礎。這一層要先理解什麼是 GenAI、LLM 怎麼運作、Prompt 如何設計、資料如何前處理，以及 RAG、向量資料庫、API Wrapper、工具整合等基本概念。簡單來說，必須先知道模型能做什麼、不能做什麼，並學會讓模型連接外部知識與工具。

第二層是 AI Agent Essentials，開始從「問答系統」進入「代理系統」。這時要學習 AI Agent 與一般 Chatbot 的差異，理解 Agent 如何具備目標、狀態、工具、規劃、記憶與決策流程。接著透過 LangChain、CrewAI、AutoGen 等框架，建立第一個可執行真實任務的 Agent，例如整理郵件、摘要文件、查詢知識庫或執行工作流程。

在這個階段，更核心的是 Agent Workflow、Memory、Evaluation、Multi-Step Reasoning、Multi-Agent Systems、Action Planning 與 Safety Guardrails。也就是說，Agent 不只是會回答，而是要能拆解任務、調用工具、記住上下文、評估結果、修正錯誤，甚至和其他 Agent 分工合作。同時也要加入權限控管、敏感資料保護、輸入輸出審查與人工覆核，避免系統失控。

第三層是 Advanced Agent Skills，重點是把 Agent 從 Demo 帶進真實世界。這包括串接 Slack、Notion、Gmail、企業 API 或內部系統，建立能持續運作的 Autonomous Loops，打造自訂工具包，並優化速度、成本、錯誤率與穩定性。這時候要考慮的已經不只是「能不能跑」，而是「能不能長期穩定、安全、可維運地創造價值」。

所以真正想表達的是：AI Agent 不是單一技術，而是一套由 LLM、RAG、工具調用、工作流設計、記憶機制、評估方法、安全治理與系統工程組成的完整能力。學習路徑應該是先理解模型，再連接知識與工具，接著設計代理能力，最後進入企業整合與產品化部署。真正有價值的 AI Agent，不是炫技式 Demo，而是能在真實場景中穩定完成任務的系統能力。

訂閱：文章 (Atom)

2026年6月17日 星期三