[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。

Salesforce 豪擲 3 億美元買 AI Token，讓我看到企業用人邏輯正在改變

最近看到一則消息，Salesforce 預計投入接近 3 億美元購買 Anthropic 的 AI Token，同時延續軟體工程師的招募凍結政策。

乍看之下，這似乎只是一則大型科技公司增加 AI 預算的新聞，但仔細思考後，我認為它反映的其實是一個更重要的變化：企業正在重新定義「產能」是什麼。

過去公司想加快產品開發，最直接的做法通常是增加工程師、擴大團隊，讓更多人投入開發工作。但現在，企業開始思考的可能不再是「還要再聘多少人」，而是「現有團隊搭配 AI 之後，還能增加多少產出」。

這兩種思考方式看起來相似，背後的資源配置邏輯卻完全不同。

AI 預算正在逐漸取代部分人力預算

Salesforce 表示，工程團隊導入 AI 工具後，生產力提升超過 30%。因此，公司選擇維持現有約 1.5 萬名工程師的規模，透過 Claude、Codex、Cursor 等工具提升產能，而不是繼續增加工程師人數。

這讓我感受到，企業在做預算規畫時，AI Token、模型費用與 Agent 執行能力，已經逐漸成為一種新的生產資源。

以前企業的產能主要來自人，現在則變成「人加上 AI」。

公司不一定會直接解僱現有員工，但當 AI 能讓原本的團隊完成更多工作時，企業自然就沒有那麼強烈的理由繼續擴大招募。

因此，AI 對就業市場的影響，可能不一定會以大規模裁員的方式發生。另一種更安靜、也更容易被忽略的形式，就是職缺減少、招募凍結，以及新人進入產業的機會逐漸變少。

工程師沒有立刻消失，但工作內容一定會改變

我並不認為 AI 短期內會完全取代軟體工程師。

軟體開發不只是產生程式碼，還包含需求釐清、架構設計、系統整合、資安、測試、維運，以及對最終結果負責。這些事情目前仍然需要有經驗的人來判斷。

但可以確定的是，工程師的工作內容正在發生改變。

未來工程師可能不再花大部分時間逐行撰寫程式，而是將需求拆解成任務，交由不同 AI Agent 執行，再負責檢查程式碼、驗證結果、處理例外，以及確認整體系統是否符合需求。

過去企業重視的是「誰寫程式寫得快」，未來可能更重視「誰能正確定義問題、指揮 AI、審查結果，並對系統品質負責」。

換句話說，工程師不只是開發者，也會逐漸成為 AI 開發流程的管理者與品質把關者。

真正令人擔心的，可能是初階職位的減少

這則消息讓我最在意的，其實不是資深工程師會不會被 AI 取代，而是初階工程師未來還有多少機會可以進入產業。

一位資深工程師搭配 AI，可能可以完成過去需要數位初階工程師共同完成的工作。站在企業角度來看，這確實能降低成本並提高效率；但站在人才培養的角度來看，卻可能產生新的問題。

因為每一位資深工程師，都是從初階工程師一路累積經驗而來。

如果企業為了效率而大量減少初階職缺，未來可能會出現人才斷層。公司短期內可以依靠現有的資深人員與 AI 提高產能，但幾年之後，市場上是否還有足夠的人才可以接替資深工程師，將成為另一個問題。

因此，企業不能只把 AI 當成減少人力的工具，也必須重新思考在 AI 時代中，該如何培養新人、傳承經驗，以及設計新的職涯成長路徑。

AI 不只改變技術，也正在改變組織結構

另一個值得注意的地方是，Salesforce 並不是全面停止招募。

公司一方面凍結工程師招募，另一方面卻計畫增加業務人員，協助客戶導入 AI 產品。這代表企業不是單純縮減人力，而是在重新調整不同職位的重要性。

未來有些工作會因為 AI 而減少，有些工作則會因為 AI 而增加。

例如，單純執行、整理、撰寫與重複操作的職位，可能面臨較大的壓力；但負責客戶溝通、流程設計、AI 導入、結果驗證、治理與風險管理的人才，反而可能變得更加重要。

所以，AI 帶來的並不只是「人會不會被取代」的問題，而是整個企業組織會如何重新分工。

中小企業也應該開始思考同樣的問題

雖然 Salesforce 是大型科技公司，但我認為這種改變並不只會發生在大型企業。

中小企業的資源有限，反而更有動機利用 AI 提升效率。當企業需要增加客服、行銷、文件整理、研究、行政或程式開發能力時，未來不一定會先想到增加人力，而可能先評估能否使用 AI 工具完成。

這不代表企業應該立刻用 AI 取代員工，而是應該重新設計工作流程。

哪些工作適合交給 AI？

哪些工作仍然必須由人判斷？

哪些結果需要經過人工審查？

如果 AI 發生錯誤，最後應該由誰負責？

我認為，這些問題會比單純購買哪一個模型或工具更重要。

最大的風險，不是沒有使用 AI，而是不知道如何管理 AI

看到 Salesforce 投入 3 億美元購買 AI Token，很容易讓人產生一種感覺：只要投入更多 AI 預算，企業就能自然獲得更高的效率。

但我認為事情沒有這麼簡單。

AI 可以快速產生程式碼、文件與分析結果，但如果企業缺乏清楚的需求、流程、資料治理與品質審查，AI 也可能快速製造更多錯誤與技術債。

尤其在軟體開發領域，程式碼寫得更快，不代表專案就能更快完成。大量由 AI 產生的程式碼，仍然需要被審查、測試、整合與維護。

如果企業只追求產出速度，卻沒有同步強化審查與治理能力，最後可能只是把開發瓶頸從「寫程式」移到「驗證與維護」。

因此，企業真正需要建立的，不只是 AI 使用能力，而是 AI 管理能力。

我的感想

Salesforce 的案例讓我更加確定，AI 已經不再只是員工手中的輔助工具，而是企業正式計算產能與配置預算的一部分。

未來企業在規畫資源時，可能會同時衡量人力成本、模型費用、Token 用量、Agent 數量與自動化程度。

對個人而言，也不能只停留在「會不會使用 AI 工具」的階段，而是要進一步學習如何將工作拆解、如何驗證 AI 的結果、如何建立完整流程，以及如何對最後的成果負責。

我認為，AI 時代真正有競爭力的人，不一定是最會操作某一套工具的人，而是能夠理解業務、定義問題、設計流程，並讓人與 AI 有效合作的人。

同樣地，真正有競爭力的企業，也不一定是購買最多 AI Token 的公司，而是最早建立正確人機分工、治理制度與人才培養模式的公司。

Salesforce 的 3 億美元 AI 投資，表面上是一筆技術採購，實際上更像是一個訊號：企業成長與擴大產能，未來不一定會同步帶來更多職缺。

AI 不只是讓工作做得更快，也正在重新決定哪些工作需要人、需要多少人，以及人的價值應該放在哪裡。

[AI 警示] 比爾・蓋茨：AI轉型恐引發失業與社會動盪

[AI 警示] 比爾・蓋茨：

摘要 : AI將超越人類認知，但社會尚未建立足夠的應對制度。

內容:

比爾・蓋茨近期撰文警告，即使在最樂觀的情況下，AI時代的過渡仍可能成為人類史上最動盪的時期之一。然而，各國領導人、專家與社群尚未提出完整計畫，以因應失業、教育、稅制及社會保障等挑戰。

過去他多半強調AI對醫療、教育與農業的正面影響，也反對單方面暫停研發。但在親自使用Claude Code後，他認為AI的程式設計能力已實質超越自己，並意識到AI正首次具備取代、甚至超越人類認知工作的能力。

他最擔心工作永久消失，而且替代速度可能快於新職位的產生。客服、程式設計、法律文書等工作首當其衝，未來建築與旅宿業也可能大量導入機器人。尤其入門職位一旦被AI取代，年輕人將失去累積經驗、技能與人脈的職涯階梯；企業即使沒有惡意，也會因競爭壓力持續自動化。

AI也可能削弱教育及人格成長。若學生把思考、查找資料與完成作業全交給機器，學習過程便可能被掏空；若人們過度依賴永遠迎合、即時回應的AI伴侶，也會減少從衝突、拒絕、道歉與等待中培養同理心及心理韌性的機會。

比爾・蓋茨提出四項對策：依AI使用量課徵Token稅，補助失業保障與再培訓；向替代人力的機器或機器人徵稅，補充因工資稅萎縮而不足的社會安全網；保留護理等高度依賴人際接觸的工作；建立國家及國際層級的AI治理與協調機構。不過，Token稅可能促使運算轉向本地，機器人稅也面臨定義與執行難題。

儘管各界對危機發生的時間、路徑與嚴重程度看法不同，共識仍是AI轉型確實正在發生，而人類準備不足。一般人可降低負債與大型消費、增加現金儲備，評估自身工作被取代的程度，善用AI提升競爭力並培養副業或多元收入，以提高面對失業潮與社會動盪的韌性。

[AI 趨勢] AI顛覆為何比預期更慢

[AI 趨勢] AI顛覆為何比預期更慢

摘要 : AI能力快速進步，但企業慣性、責任風險與導入成本延緩全面取代。

內容:

AI雖已普及，北美卻尚未出現全行業的大規模裁員。OpenAI執行長奧特曼坦言，自己高估了AI落地速度：GPT-4發布時，他曾以為軟體業會迅速洗牌，但經濟與社會慣性遠比預期強，人們仍習慣向原供應商採購，沿用既有工具與工作方式。

企業導入AI並非只看技術能力，還要遷移資料、整合系統、設定權限、培訓員工、調整預算，並通過法務與合規。更關鍵的是，AI即使有99.9%的可靠度，剩下0.1%的錯誤若出現在合約、報稅、醫療或大型系統中，仍可能釀成重大事故；責任歸屬未明前，人工審核便無法取消，也因此成為效率瓶頸。

奧特曼以百視達為例：Netflix早期郵寄DVD明明更方便，消費者仍因習慣持續前往門市。慣性讓百視達多維持了數年，卻未能阻止流媒體最終取代實體租片。這說明更好的技術往往需要多年才能普及，但一旦習慣與基礎設施被突破，變化也可能在短期內急遽加速。

對一般工作者而言，AI變革仍會發生，只是更可能以年、而非月為單位展開。裁員未必一次爆發，而可能呈現持續縮編的「溫水煮青蛙」模式。嵌入複雜系統、仰賴客戶關係，或受到高度監管與責任約束的職位，受慣性保護較深，轉型速度也會較慢，但不代表永遠不受影響。

落地放緩也可能擴大AI投資與實際回報之間的時間差。科技公司依照高速成長預期投入巨額資本，若收入遲遲無法跟上，市場信心可能轉弱，甚至引發企業財務與產業連鎖風險。不過，這仍取決於時間差有多大，以及企業能否承受長期投入。

判斷自身行業是否接近加速轉型，可觀察三項訊號：AI是否進入公司正式流程並建立規範與審核機制；職缺是否開始要求AI能力或負責建置AI流程；AI支出是否由試點預算轉為固定營運成本。若三項中已有兩項出現，代表組織、制度與預算逐漸到位，產業變化可能隨時加速。

[AI 正能量] 面對AI焦慮，持續改變就有機會

[AI 正能量] 面對AI焦慮，持續改變就有機會

摘要 : AI重塑工作卻不會消滅需求；放下追趕恐慌，持續學習與調整，人人都能重新入局。

內容:

面對AI工具與資訊快速更新，許多人擔心自己跟不上，甚至認為職業終將被取代。這種焦慮並非個人問題，就連身處科技前沿的人也會感到變化太快、難以掌握，因此不必過度責怪自己。

AI可能改變或取代某些職業任務，卻不等於相關需求會消失。婚禮攝影師即使能用AI快速修圖，新人仍可能需要專業人士處理影像與流程；老闆即使懂得寫程式或收發快遞，也不代表會親自完成所有工作。過去秘書從打字轉向行程規劃與商務協調，也是相同的職能轉型。

真正容易被淘汰的，是效率提高後仍維持舊有工作方式與價值的人。如果AI把三天的修圖縮短為幾分鐘，服務者便可利用其餘時間增加影片、活動企劃、文案、造型建議與婚禮陪伴，讓客戶得到更多價值。AI取代的是低效率流程，而非所有人的服務需求。

AI時代像一波又一波的浪潮，每次技術更迭都提供重新上岸的機會。這不像需要長期累積才能追上老手的遊戲，而更像每個賽季都會重置的競賽；這一次沒有跟上，不代表下一次必然落後。企業也未必搶先就能建立永久優勢，等待成熟時機再布局，同樣可能後來居上。

焦慮可以成為學習動力，但若恐懼使行動變形、無法專注學習，傷害人的便不只是AI，而是失控的焦慮。工業革命時，部分工人因害怕機器而陷入絕望；今天更重要的選擇，是接受變化、學習工具，並依照新的商業需求調整自己。

這場洗牌不只讓打工人焦慮，企業主與投資人承受的壓力可能更大。講者以學生獲得高薪AI職位為例，指出企業願意投入大量時間與成本爭取人才，背後正反映老闆害怕錯失浪潮。知識與技術逐漸平權，雖會帶來動盪，卻也讓資歷較淺的人有機會打破舊有門檻；只要願意開始學習，就不算被時代淘汰。

[AI 分享] 用 Herder 管理多個 Coding Agent

[AI 分享] 用 Herder 管理多個 Coding Agent

摘要 : Herder 以狀態感知、終端持久化與 CLI，降低多 Agent 開發的切換成本。

內容:

現在寫程式時，最廉價的擴充資源就是 Agent：開一個 Codex 修改頁面，再啟動另一個做 Code Review，旁邊同時掛著開發與測試服務。帳面上的吞吐量看似拉滿了，人的注意力卻先爆了顯示記憶體。

你得在不同終端之間輪流查看：誰還在執行、誰卡在授權、誰早已完成？視窗一多，名稱很快就失去辨識作用。傳統終端只能顯示字元與日誌，無法理解其中的 Agent 究竟處於什麼狀態，因此大家只能手動巡查。

每次切換可能只花幾秒，累積起來卻會消耗大量心力，真正被破壞的是思考的連續性。Herder 想消除的，正是這筆隱形的排程成本。

為 Coding Agent 重新設計的 tmux

你可以把 Herder 理解成一套為 Coding Agent 重新設計的 tmux。它保留真正的偽終端窗格與持久化工作畫面，同時能辨識窗格裡執行的 Agent。

接入之後，Codex、Claude Code 等工具仍維持原生介面，測試腳本也能照常執行。若說 tmux、Zellij 擅長管理終端與版面，圖形化平台適合處理審批流程及環境隔離，那麼 Herder 剛好位於兩者之間，替終端補上 Agent 狀態感知、CLI 控制及本地 API。

整套程式只是一個 Rust 二進位檔，不強制建立帳號，沒有雲端控制面板，也不收集惱人的遙測資料。它沒有試圖吞下整套開發流程，而是專注於管理終端與 Agent。

Herder 的五層核心模型

Herder 的核心模型可分為五個物件：

Session

管理整套執行環境。日常使用一個預設 Session 通常就足夠，需要隔離時再建立具名 Session。

Workspace

通常對應一個程式碼倉庫，用來組織不同專案。

Tab

類似瀏覽器分頁，代表專案裡的特定工作視角。可以將 Agent、開發服務及測試工作分開。

Pane

真正的偽終端，可以執行任意命令。

Agent

在 Pane 中被 Herder 辨識出的 Coding Agent 程序。

測試腳本只算 Pane；Codex 則同時是 Pane 與 Agent。Pane 負責字元流，Agent 負責生命週期。底層狀態會一路向上彙整至 Tab 與 Workspace，因此即使同時開啟許多專案，也能快速找到卡住的節點。

程序、版面與對話是三種持久化

從架構來看，Herder 採用典型的 Client-Server 模式。伺服器掌握 PTY 程序與視窗版面，客戶端則負責顯示畫面及傳遞輸入。

正常 Detach 時，關閉的只有客戶端，背景中的 Agent、測試與開發服務都會繼續執行，也能讓多個客戶端連入同一個工作畫面。

但必須注意，伺服器才是狀態的唯一來源。Herder 伺服器一旦停止，其管理的程序也會終止。再次啟動時，雖然可以恢復目錄、版面與焦點，原本的程序卻無法復活。

官方整合可以保存 Agent 原生的 Session ID，協助接回對話，但無法讓已終止的建置程序重新執行。實驗性的 Pane History 也只是保存螢幕文字的緩衝區。

因此，不能把「持續執行」理解成所有狀態都會永久保存。程序、版面與對話的持久化是三件不同的事。

真正節省時間的是狀態追蹤

Herder 側邊欄會追蹤幾種主要狀態：

Working：Agent 正在執行工作。

Blocked：Agent 卡住，正在等待授權或使用者輸入。

Done：Agent 已在背景完成，但使用者還沒切過去查看，類似未讀訊息。

Idle：Agent 目前閒置，或完成結果已被查看。

Unknown：系統無法確定狀態，不能視為成功或失敗。

這些狀態會向上聚合。即使某個 Workspace 被放在背景，只要裡面出現 Blocked 狀態，Workspace 層級也會亮起提醒。

這才是關鍵：讓人的注意力跟著事件移動，而不是每隔幾分鐘手動巡查一次。

Herder 如何偵測 Agent 狀態

Herder 會先取得 Pane 的前景程序。遇到支援的 Agent 時，還會掃描終端底部畫面，透過 Screen Manifest 比對已知的 UI 特徵。

這種方式不要求每項工具都主動提供整合介面，因此 Codex、Claude Code 與 OpenCode 等工具可以低成本接入。不過，這種做法也有代價：如果 Agent 修改了提示介面，舊規則可能立即失效；若在 Herder 裡再套一層 tmux，也可能干擾前景程序的判斷。

官方整合則能利用原生 Session ID 補強辨識。遇到誤判時，可以執行：

herder agent explain

藉此查看究竟是哪一條規則命中。面對 Unknown 狀態時，不應盲信自動化，直接切到現場確認通常最可靠。

本機與遠端開發

安裝 Herder 後，在專案根目錄執行 herder，即可啟動預設工作畫面。使用者可以用滑鼠切換窗格及調整大小；習慣鍵盤操作的人，也能使用類似 tmux 的前綴鍵，不需要重新背誦大量快捷鍵。

遠端開發可直接使用原生 SSH。程式碼與 Herder 伺服器都留在遠端，即使 SSH 中斷，背景任務仍會繼續。網路恢復並重新連線後，原本的 Pane 仍會留在原位。

Herder 也針對窄螢幕做了調整，臨時使用手機終端查看部署結果或點選確認相當方便。若需要桌面端能力，也能在本機執行 Herder 客戶端連至遠端，甚至可將本機剪貼簿中的圖片傳入遠端工作畫面。

建議的 Workspace 配置

實務上，可以讓每個活躍倉庫使用獨立 Workspace，再依職責劃分 Tab：

Agent：程式碼生成與 Code Review。

Dev：執行熱更新開發伺服器。

Checks：編譯、靜態檢查與單元測試。

Deploy：監看發布流程。

切換 Workspace 時，目錄、Pane 與 Agent 狀態會一起切換，才能做到接近無損的上下文切換。

不要把所有程序都硬塞給 Agent 管理。基礎服務、測試與日誌最好獨立執行。Agent 完成後可以關閉，但開發環境仍要保留以便除錯；程式碼出錯時，到 Checks 查看錯誤，再到 Dev 重新整理頁面，各項工作互不干擾。

穩定的基礎目錄與版面配置，通常比背下大量快捷鍵更有價值。

雙 Agent 的高效陣型

一種典型配置是在同一個工作環境裡放兩個 Agent：

Builder：負責修改程式碼。

Reviewer：使用唯讀模式檢查 Diff。

旁邊另外執行開發伺服器與測試輸出。

Builder 完成修改後，Reviewer 直接接手檢查差異。如果 Reviewer 進入 Blocked，通常代表工作已到達需要人類判斷的系統邊界，此時再由人介入。

審查任務必須嚴格限制檔案範圍、測試腳本及寫入權限，否則一旦出問題，很難釐清責任。

Herder 不負責檔案隔離

必須注意，Workspace 只負責邏輯組織，不提供檔案隔離。兩個 Pane 如果指向同一目錄，仍然可能同時讀寫並產生衝突。

遇到大型需求時，應使用不同 Git 分支或 git worktree。Agent 之間的交接也應透過 Commit 或 Patch 完成。

Herder 提供的是執行容器與工作視角，Git 管理的是變更記錄，而最終驗收仍然必須由人負責。

CLI 才是真正的控制介面

不要只注意圖形介面，CLI 才是 Herder 控制面的真正入口：

layout：一次建立 Workspace、Tab 與 Pane。

pane：管理測試、服務與一般終端程序。

agent：啟動 Agent、傳遞 Prompt 並等待生命週期狀態。

透過腳本建立物件時，CLI 會回傳 JSON。應保存並使用其中穩定的 ID 操作，不要猜測新 Pane 的編號，也不要對目前焦點盲目發送命令。

利用這套能力，可以建立外部協調器：動態啟動 Reviewer、分派受限任務，再等待 Idle、Done 或 Blocked 等語義狀態。普通腳本若沒有 Agent 狀態，也能使用 Pane 的輸出等待功能捕捉關鍵字。

只要能等待語義狀態，就不要在腳本裡寫死 sleep 30。依靠固定時間猜測工作是否完成的流程非常脆弱，只要執行速度稍有變化，整條自動化管線就可能失效。

[AI 轉折] AI人才逆向流動：從技術競賽走向產業兌現

[AI 轉折] AI人才逆向流動：從技術競賽走向產業兌現

摘要 : AI核心人才轉向產品與傳統產業，反映競爭焦點已從技術上限轉向場景落地與交付。

內容:

在AI最熱門、融資與估值屢創新高之際，一批最接近技術前線的人卻開始主動離開。他們並非遭到裁員，而是轉往產品營運、傳統製造業，甚至回學校教書，或投入農業、連鎖餐飲等領域。

這些人的答案相當一致：看不到落地。

外界關注的是模型的能力上限，看它又能完成哪些新任務；業內人士面對的卻是交付下限，也就是模型在真實業務中能否穩定運作。實驗室裡效果驚人，到了客戶現場卻漏洞百出，兩者之間的差距就是「最後一公里」。

一名在大廠工作三年的模型工程師，曾參與化工廠設備故障預警專案。團隊投入半年，模型準確率超過九成，但正式落地時，現場師傅問：「如果誤報一次，停機一天損失六十萬，你們敢擔保嗎？」團隊無法承諾。

這名工程師後來轉往規模較小的工業質檢公司，薪資沒有增加，但能直接接觸真實資料、產線與工人。他認為技術已經足夠，真正不足的是對場景的理解，因此選擇深入產業補足能力。

從研究轉向產品的人，是在補商業化能力，因為再強的模型若不能解決具體問題，就無法產生收入。從大廠前往傳統產業的人，是在補場景縱深，因為通用能力已成紅海，真正的護城河藏在產業內部。至於徹底離開的人，則是在評估後認為投入產出比不再划算。

這些選擇雖然方向不同，卻指向同一件事：AI產業已經進入兌現期，開始從講故事轉為交答卷。

前兩年，AI職缺是明顯的賣方市場，只要具備模型調校能力便有人爭搶。如今，企業的招聘條件逐漸加入「熟悉特定行業流程」與「具備交付經驗」。單一技術能力的議價空間正在下降，結合技術、產業與交付經驗的複合能力則更加重要。

第一個提醒是，不要只學工具。AI工具的替代週期可能只有幾個月，今天花錢學習的技巧，明年或許就會內建成一個按鈕。真正有價值的是對行業的理解，包括哪個環節最痛、誰願意付費，以及驗收標準是什麼。

更可靠的路徑，不是從AI裡尋找問題，而是先從自己熟悉的領域找到真實問題，再運用AI解決。順序一旦顛倒，方向也可能隨之偏離。

第二個提醒是，警惕只談能力上限、卻不談交付下限的人。許多課程只展示模型能做什麼，卻很少說明它在真實業務中如何出錯。真正參與一線交付的人，更關心資料從哪裡來、錯誤由誰承擔，以及系統上線後如何維護。

判斷一個人是否真正投入實務，可以觀察他是否願意談風險、成本與代價。

最懂AI的人選擇離開，並不代表這個產業失去前景，而是容易完成的部分已逐漸結束。真正的機會才正要開始，只是它不一定存在於最熱門的地方，而是藏在那些艱苦、緩慢，卻又必須有人完成的產業現場。