C# .NET Blazor MAUI Xamarin Research: 2026

2026年6月17日星期三

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。

[AI 分享] Loop Engineering 迴圈工程的本質與架構拆解

[AI 分享] 迴圈工程的本質與架構拆解

摘要 : 迴圈工程不是新技術，關鍵在於硬程與軟程分層、驗證隔離，以及避免自我進化中的三大陷阱。

內容:

先說結論，Loop Engineering 並不是什麼全新的技術發明。從架構本質來看，今天多數 agent 框架的核心，都是一個持續運行的 while 迴圈：組裝上下文、呼叫模型、執行動作、觀察結果，再把結果餵回系統，直到達成終止條件。OpenAI、Anthropic、Google、微軟、Meta 等主流做法，本質上都高度同構。

那為什麼一個早就存在的東西，現在才被正式命名、甚至突然爆紅？原因不在於技術剛誕生，而在於基礎設施已經跨過了「可用性門檻」。像是不同產品獨立收斂到相似的迴圈原語、模型單輪可靠性變高、以及頭部團隊工作方式真的轉向「寫迴圈」，這些都代表產業正在發生實質性的工程轉折。所謂 Loop Engineering，更像是替這個已經發生的轉變補上一個名字。

如果真的要把 agent 架構做對，一個重要的方法是將系統切成「硬程」與「軟程」。硬程指的是系統提示詞與核心規則，它負責定義 agent 是誰、目標是什麼、什麼結果才算好。這些內容像憲法一樣，應該穩定、少改，而且不能讓迴圈自己碰。軟程則包含 skills、記憶檔案、工具描述等，它回答的是「怎麼做」，包括領域知識、操作流程與過去經驗。這部分不是寫死的程式碼，而是可以被版本化、檢索與演化的資料。

這樣切分的價值，在於能力的進化方式不同。硬程通常只能靠人離線修改，屬於高成本決策；軟程則可以在執行、驗證、修訂的閉環中持續優化。因此，真正應該讓 agent 學習與累積的，不是把所有能力塞進提示詞，而是把可被驗證與修正的能力外接到 skills。也正因如此，持久化狀態其實不是配角，而是整個迴圈真正的靈魂。沒有持久化，系統每次都像失憶，根本談不上「進化」。

談到自我進化，最需要小心的是三個深坑。第一個是驗證標準被 agent 觸碰的風險。如果系統既能生成結果，又能修改評價結果的規則，它最終優化的往往不是品質，而是讓自己更容易通過驗證。因此，驗證函式必須被放在硬程裡，放在迴圈寫入權限之外，確保裁判無法被收買。

第二個坑是 skill 層的 slop，也就是經驗漂移。當 agent 每次成功後都往 skill 檔裡寫經驗，如果驗證訊號不夠嚴格，它很可能把偶然成功、錯誤歸因，甚至迷信儀式都記成「最佳實踐」。這些問題不會馬上爆炸，但會在長期累積後讓整個經驗庫變得混亂，讓 agent 虔誠執行大量噪聲。要避免這種情況，skill 的修訂必須像維護程式碼一樣嚴謹，要有 diff、有觸發原因、能審計、能定期清理。

第三個坑是理解債務。技術債務通常看得見，但理解債務更隱蔽。即使 agent 能穩定交付結果，也不代表人真的理解它為何成功。隨著迴圈執行時間變長、軟程越積越厚，系統實際運作方式可能逐漸偏離人的認知。等到某天出問題，團隊才發現自己其實已經看不懂這套系統。因此，定期抽查迴圈軌跡、手動 review 軟程演化紀錄，是必要的管理動作。

總結來說，迴圈工程的核心，不是把 human in the loop 直接變成 human out of the loop，而是讓人的角色重新分配。人在前端負責做架構設計，定義硬程與驗證規則；人在後端負責做最終審核，守住上線前最後一道關；中間重複性的優化與累積，才交給迴圈去完成。真正成熟的 Loop Engineering，不是自動化越多越好，而是硬程定義清楚、軟程允許進化、裁判不能被修改、演化過程有人審核。

[AI 啟發] AI創業切入點

摘要 : AI創業不必憑空想點子，先找出人們已在付費的人力服務，再用AI輔助、替代或重塑流程。

內容:

很多人想在AI時代做點事情，最頭痛的往往不是沒有工具，而是不知道自己到底該做什麼。每天看到各種AI教學、工具和風口資訊，真正輪到自己下場時，反而容易腦中一片空白。

其實，AI創業不一定要從「想出一個全新點子」開始。更實際的方式，是直接觀察人們現在正在花錢購買什麼服務。因為凡是使用者願意持續付費的事情，就代表需求早已被市場驗證，而這正是AI最值得切入的地方。

YC有句經典話語：「創造人們想要的東西。」在AI時代，這句話可以更具體地理解為：人們正在付費請人完成的工作，就是最值得關注的機會。像是客服人員處理投訴、保險理算員審核理賠、律師助理整理卷宗、私人教練設計計畫、行政助理安排會議與處理郵件，這些都是已經存在且明確的需求。

從這個角度來看，AI創業大致可以分成三個方向。第一是「輔助」，也就是幫助專業人士把重複、低價值的工作做得更快更好。例如投資分析師每天要讀財報、追蹤產業、整理資料、搭建模型與撰寫報告，其中大量工作都可以交給AI處理，而人類則專注於判斷與決策。

第二是「替代」，也就是讓AI直接承接原本由人類完成的工作。像是律師、會計、財務、理療，甚至某些生活服務，未來都有可能由AI完成大部分流程。雖然目前還在發展階段，但方向已經很清楚：人工參與比例會逐步下降，AI承擔的工作會越來越多。

第三是「實現以前做不到的事」。這也是最具爆發力的方向。過去像律所內海量文件的逐份閱讀、分類、摘要與索引建立，因為成本過高而幾乎不可能全面執行。但現在透過AI，這些原本難以落地的大規模工作，開始變得可以被執行，而且成本還會持續下降。

AI之所以改變遊戲規則，不只是因為效率提升，更是因為市場規模被重新定義。過去SaaS產品通常按帳號收費，每月可能只收20美元；但當AI開始替代人力後，定價基準就不再只是軟體費，而是人力薪資本身。企業願意為一個能替代部分人力工作的AI支付更高費用，這也代表AI創業的市場空間比傳統軟體大得多。

如果你想開始，最好的方法不是空想，而是直接去觀察身邊的工作場景。像奶茶店仍靠人工調飲、會計事務所還在手動整理發票、寵物店用人工記錄客戶資料、公司依然用Excel管理考勤，這些看似平凡的流程，其實都可能是AI創業的起點。

具體行動上，可以用四個步驟展開。第一，列出身邊三個最常見的重複性工作。第二，判斷這些工作是否有機會被AI完成80%的內容，剩下20%再由人工兜底。第三，去相關論壇、社群或搜尋關鍵字驗證需求，看看是否已有大量使用者在抱怨低效率或尋找替代方案。第四，用現成工具快速做出一個最小可行原型，找3到5位潛在使用者試用，直接測試他們是否願意付費。

總結來說，AI創業的關鍵不是憑空發明需求，而是看見那些早已存在、而且已經有人願意付費的工作。從輔助、替代到創造新可能，真正的機會就藏在你身邊每天發生的流程裡。

[AI 分享] 迴圈工程正在重塑AI協作方式

摘要 : AI互動正從提示詞工程走向迴圈工程，重點不再是逐句下指令，而是定義目標、驗證機制與安全邊界。

內容:

Loop engineering，也就是迴圈工程，正被視為AI使用方式的重要轉變。OpenClaw創辦人 Peter Steinberger 與 Anthropic 的 Boris Cherny 都提醒，與其親手逐句替AI寫提示詞，不如開始思考如何設計讓AI自動完成任務的系統。

AI互動大致經歷三個階段。第一階段是提示詞工程，使用者像微操管理者一樣，輸入指令、查看結果、再反覆修正，整個流程高度依賴人工盯控，雖然可控，但非常耗費時間與精力。

第二階段可稱為駕馭工程，也就是替AI接上搜尋、程式執行、編譯器、檔案讀寫等工具，讓它不再只是聊天，而是具備實際操作能力。不過即使工具變多，只要遇到錯誤或結果不理想，最終仍需要人回來重新下指令。

第三階段則是核心的迴圈工程。這種模式不是要求人一步步教AI怎麼做，而是直接給它明確且可驗證的目標，再搭配回饋機制。AI會自行規劃、執行、檢查結果，若發現失敗，系統會自動整理錯誤資訊回饋給AI持續修正，直到達成目標或觸發停止條件。

一套完整的迴圈系統通常包含五個核心：觸發器、明確目標、驗證者、記憶狀態與安全邊界。觸發器負責啟動流程；目標必須可客觀驗證；驗證者檢查結果是否合格；記憶狀態避免重複犯錯；安全邊界則限制重試次數、成本或時間，防止系統失控。

不過迴圈工程也有風險，主要包括「token黑洞」與「過程不可見」。前者代表AI可能在反覆自我修正中大量消耗成本，後者則是AI自動生成太多中間成果，讓人類難以理解整個過程。總體來看，未來競爭力將不再只是會寫提示詞，而是更懂得定義目標、設計驗證標準與建立工作流程。

[AI 觀點] AI時代的平庸陷阱

摘要 : AI本質是機率與平均值，能提效也可能削弱思考。真正改變世界的人，往往來自低機率的少數。

內容:

近期一段哈佛畢業典禮演講在矽谷引發熱議。演講者指出，這一代人的使命不是單純掌握AI，而是不要被AI定義思考邊界。這句話乍聽激烈，但背後真正要談的，其實是AI的本質問題。

AI生成答案的方式，並不是像人類一樣深度思考後得出結論，而是根據大量資料進行機率預測，找出最可能出現的詞句與答案。因此，AI提供的內容，本質上往往是人類歷史經驗中的平均值，也就是最常見、最主流、最安全的答案。

這代表當人們越依賴AI，越可能不自覺向「平均值」靠攏。無論是寫郵件、做簡報、整理思路，AI都會提供最符合大眾習慣的做法。久而久之，如果過度把思考外包給AI，個人的判斷力、創造力與獨立思考能力，都可能逐步退化。

文中也提到一個值得警惕的概念：認知債務。當人長期依賴大語言模型，大腦就像缺乏鍛鍊的肌肉一樣，會慢慢失去主動思考的能力。更進一步說，當所有人都使用AI，而AI給出的答案又逐漸成為新的標準答案時，它就不再只是工具，而可能成為限制創新的新天花板。

真正改變世界的突破，往往都不是高機率事件。無論是哥白尼提出日心說、萊特兄弟挑戰飛行、喬布斯重新定義手機，或馬斯克推動火箭回收，這些在當時都不符合主流認知，甚至會被視為荒謬。也正因如此，偉大的創新多半誕生於機率分佈的尾端，而不是平均值中心。

所以，「摧毀AI」真正的意思，不是反對技術，而是拒絕讓AI替你決定邊界。未來的人，可能會分成兩種：一種是被AI馴化的人，把思考、判斷、選擇都交給AI；另一種則是能駕馭AI的人，讓AI做執行與輔助，但把價值觀、審美、判斷與試錯能力牢牢掌握在自己手中。

最後，這篇內容傳達了三個重要提醒。第一，AI可以是燃料，但真正點火的人必須是自己；沒有專業基礎、獨立判斷與個人審美，最終不是你在使用AI，而是AI在塑造你。第二，要警惕過度迎合大眾，因為演算法、短影音與AI都在不斷把人拉向舒適與共識，而主動選擇不舒服、保有獨立性，反而會成為新的競爭力。第三，AI時代最稀缺的能力，不只是會用AI，而是敢在必要時不用AI，親自去思考、判斷、試錯，做那些低效卻重要的事。

工業革命解放了人的雙手，而AI正在解放人的大腦。但在這個過程中，人也必須警惕，不要在追求效率時，把最珍貴的思考能力一併交出去。因為歷史從來不只獎勵那些算得最準的人，而更常獎勵那些敢於試錯、敢於偏離平均值的人。

[AI 觀點整理] RAG沒死，重點是場景選型

摘要 : RAG並未淘汰，向量庫、Markdown、LLM Wiki各有適用場景，關鍵在於依資料型態與規模做選擇。

內容:

近來不少人認為傳統RAG已經過時，原因在於它的實作流程相對繁重。從文件解析、資料切片、向量化，到部署與維護向量資料庫，每個環節都需要投入不少時間與成本。也因此，市場上開始出現更輕量的替代方案，例如以Markdown為核心的檢索方式，以及先摘要再問答的LLM Wiki模式。

傳統向量資料庫型RAG的最大優勢，在於它具備語意搜尋能力。當面對的是海量且多樣化的資料，例如企業財報、制度文件、產品資訊等，向量檢索能更有效地處理模糊、口語化的提問，完成高品質召回。不過，它的缺點也相當明顯，像是切片品質若處理不佳，容易造成上下文斷裂；此外，整體建置與運維成本也較高。

第二種是基於Markdown儲存，加上關鍵詞檢索的方式，例如Cloud Code所採用的思路。這類方案不依賴切片、embedding或向量資料庫，幾乎可以做到零運維，開發成本也非常低。它特別適合程式碼庫、API文件、專有名詞密集的小型知識庫場景，因為這些內容通常更依賴精確匹配而不是語意理解。但它的限制也很明顯：高度依賴關鍵詞，無法真正理解語意，而且在檢索時往往需要將整份Markdown內容交給大模型，token消耗較大。

第三種則是LLM Wiki方案，也就是在資料上傳時，先透過大模型將原始內容整理成結構化筆記或摘要。它的優點在於先用算力換取結構，把知識預先整理好，後續不但方便模型讀取，也方便人直接閱讀，特別適合個人知識庫、經驗整理與高頻閱讀場景。不過，這種方式本質上是一種摘要壓縮，如果在前處理階段遺漏了某些細節，後續提問時就可能永遠無法找回原始資訊。

若回到實務選型問題，這三種方案並不是互相取代，而是分別對應不同需求。如果你的資料規模不大，內容以程式碼、API文件、技術術語為主，且需要強邏輯推理，那麼使用Markdown搭配關鍵詞檢索即可，沒必要額外承擔向量資料庫的複雜度。如果你經營的是個人知識庫，重視閱讀體驗與內容整理，那LLM Wiki會是更自然的方案。

但若你的場景是企業級知識庫，資料量巨大、來源複雜，使用者提問又充滿口語化與模糊表達，那精確匹配往往會失效。這時候，傳統RAG搭配Embedding與向量資料庫，仍然是最可靠且必要的方案。換句話說，RAG並沒有死，而是演化出了更多輕量化變體；最重要的不是追逐流行，而是根據實際場景做出合理架構選擇。

若要真正落地企業級RAG，還會面臨許多實戰痛點，例如分片策略怎麼設計、TopK限制如何處理、跨向量聚合查詢怎麼做、如何做來源追溯、文件更新怎麼同步、表格與圖片如何解析、怎麼降低模型幻覺、如何提升召回率、查詢改寫怎麼設計，以及Rerank與後處理機制應如何使用。這些都是企業在面試與專案中非常常見的核心問題。

最後，內容也補充了向量檢索的基本概念。所謂向量，本質上是把詞語、句子或更複雜的內容，轉換成可供電腦理解的數值表示。語意相近的內容，在向量空間中的距離也會更近，因此系統便能透過相似性比較，找出與查詢最相關的語料。這也是為什麼向量模型與向量資料庫，至今仍是大型語意檢索系統中的關鍵基礎設施。

[AI 分享] 一次看懂AI十個核心名詞

摘要 : 從Transformer到Agent、MCP、多模態與實體AI，快速建立AI技術全貌。

內容:

十個常見的AI名詞，幫大家建立一條清晰的理解路線。看似複雜的英文術語，其實都在說同一件事：AI正從單純的聊天工具，逐步進化成能理解任務、拆解問題、呼叫工具，甚至實際執行工作的系統。

首先，內容從Transformer講起。它的基本概念可以理解為，先把文字轉成電腦能處理的數字，再加入詞語的位置資訊，讓模型知道前後順序。接著透過多重關注機制，讓每個詞去判斷和其他詞之間的關係，層層運算後，最後預測下一個最可能出現的詞。也就是說，大語言模型本質上是一個非常強大的文字預測系統。

雖然模型本身很聰明，但它其實沒有真正的記憶能力。我們平常在聊天軟體中感覺AI記得前面說過的話，是因為每次對話時，系統都會把之前的內容重新讀取一次。因此，像OpenAI ChatGPT、Chat類應用的本質，仍然是在既有上下文中持續做文字生成。

接著，當人們不再滿足於「只會回答問題」的AI，就出現了Agent。Agent可以理解成是在模型外面加上一層客戶端外殼，讓AI不只會說，還能實際去操作工具，例如讀取檔案、寫程式、執行指令、處理表格等。模型負責思考與下達任務，Agent則負責連接電腦環境並完成具體執行。

而AI要能順利呼叫外部工具，就需要一套標準協議，這就是MCP。它像是AI和各種軟體之間的通用接口，規範模型如何發出請求、工具如何回傳結果。可以把它想像成AI世界裡的USB介面，讓不同工具都能被模型穩定調用。

另外，Skill則像是AI的工作說明書。當問題本身可能存在歧義時，若先替AI設定清楚角色、任務範圍與處理方式，就能大幅提升回答品質。從最早的系統提示詞，到後來將大綱、規則、角色設定拆分管理，本質上都是在用Skill讓AI更有方向、更懂你的工作流程。

當MCP與Skill搭配使用時，Agent的能力就會大幅提升。它不只是被動回答，而是能更準確地理解任務、選擇工具、執行步驟。對一般使用者來說，這也是目前最值得優先掌握的兩個AI應用關鍵。

再往上一步，就是Agent Tech。這代表AI不只是完成單一步驟，而是能圍繞目標，自己拆解任務、推進流程、遇到失敗再調整。它讓AI開始像一位初級同事，而不只是單一工具。像建立產品原型、經營帳號、完成一整套流程，背後都需要這種更複雜的執行機制。

如果任務再變得更大，就會延伸到Multi-Agent System，也就是多智能體系統。這個概念是讓多個Agent分工合作，例如有人查資料、有人寫腳本、有人審稿、有人做標題。理想上，這可以讓複雜任務拆解得更有效率。不過實務上，多Agent協作目前仍然容易混亂，距離成熟應用還有不少挑戰。

Reasoning Model，也就是推理模型。這類模型的重點不是回得快，而是想得更清楚。它會先拆解問題、規劃步驟、檢查條件，再輸出答案。像數學、寫程式、合約分析、投資判斷等需要多步驟思考的任務，就特別適合推理模型。這也是為什麼現在許多AI產品都開始強調深度思考能力。

除了推理能力，多模態也是AI的重要方向。真正理解世界不能只靠文字，人類是透過圖像、聲音、語言與環境一起判斷的。多模態AI就是朝這個方向發展，它可以同時處理文字、圖片、音訊、影片，甚至螢幕操作。像分析冰箱食材、整理會議錄音、辨識裝修風格，都屬於多模態能力的應用場景。

再來是context window，也就是上下文視窗。由於模型每次回答都需要重新讀取當前對話內容，當聊天越長、資訊越多時，計算成本會大幅增加，回答品質也可能下降。所以在實際使用上，如果對話太長，適時清理上下文或開新視窗，通常能讓AI表現更穩定。

第九個重點是RAG。當企業想讓AI結合內部知識庫時，不可能每次都把大量文件全部丟給模型處理。更好的方式是先讓AI判斷這次是否需要查資料，再去公司內部資料庫中檢索相關內容後回覆。這樣既能提升回答準確度，也能兼顧資料安全，不必把敏感資訊上傳到雲端。

最後提到的是Physical AI，也就是實體AI。這類AI不再只存在於螢幕中，而是進一步進入真實世界，控制機器人、自動駕駛車、機械臂、無人機等設備。它不只要會回答，還要能感知環境、理解現場狀況，並做出對應行動。這也代表AI的下一步，不只是數位世界中的助手，而可能成為現實世界中的執行者。

#AI

[AI 分享] OpenClaw雙軌自進化機制

摘要 : 解析Agent如何透過錯誤沉澱與成功模式封裝，持續學習並進化成更聰明的系統。

內容:

目前許多 Agent 在每次對話結束後，往往無法保留使用者偏好、糾錯紀錄或曾經犯過的錯誤，因此當下次遇到相同問題時，還是可能重複犯錯。這種情況不僅影響使用體驗，也讓 Agent 難以真正累積能力。

此外，傳統手動撰寫新技能的方式速度較慢，而單純依賴檢索知識的做法，雖然可以找回既有資訊，卻無法把新的經驗重新寫回系統中，因此無法形成真正可持續成長的技能庫。

針對這些問題，OpenClaw 提出了一種「雙軌進化」的設計。第一條軌道是 Self-improving，主要負責記錄失敗、糾正以及使用者回饋，並將這些內容沉澱成類似 Learnings.md 的文件，像是錯題本一樣幫助 Agent 逐步修正行為。

第二條軌道則是 AutoSkill，它聚焦在那些反覆成功的操作模式，將這些成熟的方法整理成 Skill.md 或可直接觸發的工作流。也就是說，Self-improving 負責從錯誤中學習，AutoSkill 則負責把成功經驗轉化成穩定技能，兩者可以同時運作。

在 Self-improving 的運作方式上，它會在每次對話中捕捉錯誤、修正與最佳實踐，並將內容存放在可編輯的 Markdown 文件中。這種方式的好處是透明、可審查、可手動調整，不像黑盒式記憶那樣難以維護。當某些經驗反覆出現後，系統便會依照規則，將它提升到 Agent.md 或獨立 Skill 中。

至於 AutoSkill，它的生命週期包括提取、維護、檢索與執行幾個階段。首先從執行軌跡中挖掘可複用步驟，再經過去重、合併與版本控制來維護技能庫。當新任務出現時，系統會利用檢索方法找出相關技能，交由執行流程使用；如果執行失敗，再回到 Self-improving 軌道做修正。

OpenClaw 社群中也有 Skill Evolution 機制，專門將對話過程蒸餾成候選 Skill。與其他方案相比，SkillCloud 更偏重真實對話蒸餾與跨端共享，而 SkillOS 則採取強化學習方式來管理技能庫，能進行新增、更新與刪除等操作。相較之下，OpenClaw 的特色在於輕量化、文件化，以及高度可審查與可直接修改。

在整合方式上，CloudHub 負責技能安裝，SkillBank 負責版本管理與索引，而 Hooks 則可在 Session 結束時觸發評估流程。這些升級後的規則會被寫入 Agent.md 或 DocIndex，確保下一次對話時就能直接套用新的經驗與能力。

OneContext 在這個閉環中則扮演流程控制的角色，會在每個 Session 結束後觸發評估，並將新的知識或技能更新回系統。它與 Self-improving 的關係可以理解為：OneContext 負責閉環運作，Self-improving 則負責經驗文件化與沉澱。

這種雙軌自進化模式特別適合長期使用的個人助手、運維任務，或內容生成流水線等高頻、可重複、可整理成 Markdown SOP 的場景。相對地，一次性腳本、合規要求極高且不允許自動寫入的環境，或完全沒有回饋機制的批次任務，就不太適合採用。

實際導入時，建議先啟用 Self-improving，先累積一到兩週的錯誤與經驗，再從中挑選最常出現、最穩定的成功模式，交由 AutoSkill 封裝成可重用技能。這樣的安排能讓 Agent 從「記住教訓」逐步走向「掌握方法」，建立真正可持續成長的自進化能力。

[AI 影響] AI知識庫：把企業隱形資產變成成長引擎

摘要 : AI知識庫能將企業分散資料與員工經驗系統化，快速查找、精準問答，提升效率並降低知識流失風險。

(若對這個產品有興趣的，請留言告知)

內容:

很多企業以為最大的成本來自設備、授權或系統建置，但真正最昂貴的，往往是那些沒有被整理、沒有被保存、只存在於員工腦中的知識。表面上看不見，實際上卻每天都在吞噬企業效率。根據內容指出，員工平均每天有1.8小時耗費在找檔案、確認版本、重複提問與等待回覆上。這不只是時間浪費，更像是企業在不知不覺中持續流血。

如果把視角拉高，你會發現這不是小問題，而是管理上的結構性黑洞。每位員工一年可能因此損失22個完整工作天；若公司有100位員工，就等同每年蒸發2200個工作天。這正是思維要我們看見的關鍵：不要只想著改善找資料的流程，而是重新定義企業知識的價值，把原本零散、沉睡、難以傳承的資訊，轉化成能推動組織前進的核心動能。

AI知識庫的價值，不只是更快搜尋，而是先點出痛點，再用簡單有力的方式給出新答案。過去，員工需要翻找Email、會議紀錄、雲端資料夾，甚至還要依賴資深同事口頭傳承；現在，只需要像聊天一樣提出問題，AI知識庫就能在30秒內提供精準答案，並附上清楚來源。這不是功能升級，而是工作模式的全面翻轉。

它的厲害之處，在於背後有一套可落地的知識轉換流程。從資料匯入開始，不論是PDF、Word、錄音還是影片，都能整合進系統；接著透過清洗、萃取與蒸餾，去除雜訊、保護敏感資訊，並把重點提煉成真正可用的知識內容。最後，透過自然語言查詢與持續評量回饋，讓整個知識庫不只會回答，還會愈來愈準、愈來愈新。這讓企業第一次有機會，把雜亂資料變成可追溯、可稽核、可複製的行動指南。

更重要的是，AI知識庫不是只有大型企業或IT部門才能使用的高門檻工具。它可以服務個人、部門到整個企業。對個人來說，它能幫助整理專案資料；對部門來說，它能統一SOP與對外回應品質；對企業來說，它則能打通部門資訊斷層，保留資深員工經驗，降低離職造成的知識斷裂。這種價值，不只是效率工具，更是企業文化與能力傳承的基礎設施。

當然，這也說明了為什麼一般聊天型AI不能直接取代企業知識庫。賈伯斯最擅長的，就是讓人理解「看似相似，其實完全不同」的差距。表面上都是AI問答，但一般AI常有權限控管不足、雲端資料外洩風險、答案無法追溯、甚至產生幻覺等問題；而企業級AI知識庫則強調地端私有部署、知識單元權限控管，以及每一則答案皆附來源依據。這不是多一個聊天視窗，而是多一套企業真正敢信任的知識基礎建設。

實際應用上，它能直接改變日常工作場景。像是跨部門會議結束後，錄音可自動匯入並生成逐字稿與摘要；想查一個月前的決議，只要一句提問，答案與出處立即呈現。新人報到時，也不必再戰戰兢兢問前輩基本問題，而是能即時取得最新SOP、法規指引與作業流程。這種改變不只是快，而是讓每一個人都能在更低壓、更高品質的環境中工作。

從導入角度來看，AI知識庫也不是遙不可及的龐大工程。依據內容，從需求評估、環境建置、資料清洗到試點上線，大約8到12週即可完成。最好的方式不是一次全面鋪開，而是先從企業最痛、最常發生的問題切入，做小規模試點，快速驗證成效，再逐步複製到全公司。這也是典型的賈伯斯式推進方法：不是先講龐大藍圖，而是先讓人看見第一個具體而驚豔的成果。

最後，真正值得企業思考的，不是要不要跟上AI，而是公司裡那些尚未被系統化的知識，究竟是在默默支撐成長，還是在拖慢每一個人的效率。當知識只停留在少數人腦中，它就是風險；當知識被整理、被萃取、被傳承，它才會成為企業無法被複製的護城河。現在開始規劃AI知識庫，不只是導入一套工具，而是替企業打造下一階段成長最關鍵的引擎。

#AI

#知識庫

[AI 分享] 從零開發AI Agent的十個核心模組

摘要 : 文章整理從零打造AI Agent所需的10項核心能力，涵蓋工具、技能、記憶、上下文等基礎架構。

內容:

分享從零開發一個完整 AI Agent 所需要具備的十個核心技能。這個專案定位為執行在客戶端上的個人 AI 助理，能夠聊天、建立文件、規劃任務，也具備記憶、能力擴展與權限限制等完整 Agent 特性。

一開始先說明，打造 Agent 的基礎不是單純接上一個大模型，而是建立一個 ReAct 迴圈，也就是 Reasoning（推理）與 Action（執行）的反覆流程。當使用者提出需求後，模型先進行判斷，如果需要呼叫工具，就透過工具取得外部資訊，再將結果回傳模型處理；若不需要工具，則直接回覆使用者。這個循環是現代 AI Agent 的基本核心。

第一個重要模組是 Tools。作者認為工具是 Agent 最基礎的能力，相當於讓大模型從只有「大腦」，變成同時擁有手腳與感官。像是讀寫檔案、執行命令、跑腳本、網頁搜尋與抓取網頁等，都是一個可用 Agent 必備的內建工具。沒有這些工具，Agent 只能算是展示型 Demo，難以真正落地使用。

第二個模組是 Skills。Skills 可以理解成技能手冊，目的是讓大模型按照預先定義好的流程、格式、輸入與輸出標準來執行任務，而不是完全自由發揮。這樣能提升結果穩定性，也更符合使用者預期。當 Skills 數量增加後，系統還需要支援技能載入、技能搜尋、技能安裝，甚至讓使用者自行創建 Skills。作者也提到，知Talk 專案會支援社群中常見的標準技能，例如 PDF 處理與內容創作類 Skills。

第三個模組是 Memory，也就是記憶。作者強調，若要做個人 AI 助理，記憶能力幾乎不可或缺。Agent 需要記住使用者的名字、興趣、職業、目標與計畫，不能只停留在單次對話。記憶又可分為短期記憶、長期記憶，以及使用者 Profile。短期記憶主要存在於當前對話，長期記憶則能跨對話保留重要資訊，而 Profile 則記錄使用者的穩定特徵。這些記憶的建立與提取，通常也會透過對應工具來完成，並搭配全文搜尋、語意相關性與時間衰減等策略來進行排序與召回。

第四個模組是 Context，也就是上下文。作者指出，大模型請求本質上是無狀態的，因此每一次請求都必須重新組裝完整上下文，才能讓模型理解當前情境。這裡面不只是單一句使用者輸入，還包括系統提示詞、歷史聊天記錄、工具資訊、技能描述，以及記憶內容等。也就是說，Context 是將 Agent 當下所需的一切資訊，打包後提供給模型，是保證回應品質的重要基礎。

整體來看，這篇內容是一份從實作角度出發的 AI Agent 架構整理。結合正在進行的專案重構經驗，試圖把 Agent 所需能力模組化、系統化，讓想從零開始開發 Agent 的人，能夠更清楚理解整體技術地圖。

[AI 普及] 2026紅杉資本看AI革命：服務化、加速化與個人機會

摘要：AI革命不只是工具升級，而是服務市場重構；關鍵機會在垂直用戶、極簡產品與AI普及落差。

內容:

2026年紅杉資本對AI產業革命的新觀察，以及普通人在這波浪潮中可能抓住的機會。核心觀點是：我們正處在一個「AI普及紅利」的時代，這不只是科技升級，而是一場比過去幾十年更深、更快的變革。

首先，這次AI革命和過去的晶片、網際網路、雲端、手機、新媒體平台等技術浪潮不太一樣。過去多數科技產品本質上是工具或軟體，使用者買回去自己操作；但AI不同，它不只是給你一個工具，而是直接給你一個「會做事的助手」。它可以逐步扮演律師、醫生、會計、助理等角色，因此AI所切入的不只是軟體市場，而是更龐大的服務市場，規模可能高達數兆甚至接近十兆美元。

第二個差異是速度。AI產業的成長與擴散遠比過去的科技公司更快。過去企業做到巨額營收需要多年，但在AI時代，產品、能力、估值與商業化速度都被大幅壓縮。這表示AI不只是重要，而且它正在以極快的節奏改寫產業競爭規則。

第三個差異是，AI不只是改善資訊傳遞，而是在改變「資訊如何被處理」。網際網路解決的是資訊怎麼流通，AI進一步處理的是資訊如何思考、組合、創造。換句話說，它不只是讓世界連得更快，而是讓系統開始具備一定程度的認知與執行能力，對工作方式的改變會更徹底。

AGI（通用人工智慧）其實可能已經在悄悄滲透進人們生活，只是大多數人還沒明確意識到。原因在於，現在的AI已經不再只是簡單問答，而是可以接收任務、從失敗中調整、自己調用工具、持續執行直到完成目標。這種遞迴、自主修正與任務導向能力，已經非常接近人類員工的核心功能。

舉了幾個案例來說明AI帶來的效率躍升：原本需要一個團隊做三年的專案，可能在AI輔助下，一個工程師用幾週到幾個月就能完成；原本要半年重寫核心程式碼的工作，可能一個人一個週末就能推進；甚至大型公司過去需要數百人多年完成的重構任務，如今也能在AI協助下，短短六週內完成。這些例子要說明的是：AI帶來的變化不是未來式，而是已經開始發生。

接著，把重點拉回到「你的機會在哪裡」。這麼大的市場不可能只由少數大公司完全吃下，真正的機會會存在於大公司難以覆蓋的縫隙之中。這裡提出了一個「MAD法則」。

M代表護城河（Moat）。真正的護城河不應建立在技術本身，因為AI技術更新太快，今天領先、明天可能就被淘汰。更穩固的護城河應該建立在用戶關係、信任與垂直場景上。也就是說，圍繞客戶需求打造產品，比圍繞技術本身更重要。尤其在AI時代，被使用者長期信任、理解使用者、持續和使用者互動，才是最不容易被取代的核心能力。

A代表直觀與簡單。好的AI產品不應該讓人感覺複雜，而是要像錘子一樣直覺，讓人一看就知道怎麼用。現在很多AI工具雖然能力強，但介面複雜、學習門檻高，普通使用者根本看不懂，這恰恰就是創業或產品設計的機會。誰能把強大的AI能力包裝成最簡單、最直觀的形式，讓不懂技術的人也能立刻上手，誰就更有機會把產品推向大眾市場。

D代表普及紅利（Distribution / Democratization的概念）。AI能力的進步速度，遠遠快過企業與普通人真正採用它的速度。大量中小企業可能還停留在數年前的數位化水平，因此在最新AI能力與真實市場應用之間，存在一條巨大的落差與鴻溝。這條鴻溝本身，就是最大的機會來源。誰能幫助這些企業與普通人跨過這道門檻，誰就有可能在這一波普及過程中受益最大。

整體來看，想傳達的不是單純的技術興奮，而是一種現實提醒：AI革命已經開始，而且不是只屬於巨頭公司。對個人、創作者、創業者與中小企業來說，真正值得把握的，不是去追逐每一項最前沿技術，而是找到用戶真正需要的場景，把AI變得更簡單、更實用、更容易被普及。這個時代最大的紅利，不只是發明能力，而是讓能力真正走進千家萬戶。

[AI 分享] Codex桌面Agent入門解析

摘要 : Codex不是桌面版ChatGPT，而是能在授權範圍內直接操作電腦檔案的AI Agent。

內容:

如果你平常有在使用 Claude 或 ChatGPT 這類主流 AI 工具，最近大概很難忽略 Codex 的討論熱度。社群上越來越多人在談它，相較之下，Claude 因為前陣子的降質爭議，聲量似乎稍微退了一些。

當團隊中有位完全不會寫程式的營運夥伴，剛開始接觸 Codex 時，第一個反應是：「這不就是放在桌面上的 ChatGPT 嗎？」，但實際上兩者差異很大。ChatGPT 的運作方式，通常是你先把檔案上傳給它，它修改後再由你下載、整理，真正執行工作的人還是你自己，因為它碰不到你的電腦。

Codex 則屬於另一種類型：住在你電腦裡的 Agent。當你提供一個工作環境並授權後，它就能在範圍內自己讀檔案、改檔案、執行工具、產生成品，不需要你反覆做上傳、下載、複製、貼上的中介流程。簡單說，ChatGPT 比較像線上回答問題的助手，Codex 則更像直接在你電腦裡幫你做事的執行者。

這類「住在電腦裡」的 Agent，還可分成桌面 App 與終端機 CLI 兩種。CLI 版本偏工程師使用，本文聚焦在對非技術使用者更友善的桌面 App。文中也提到，像 CloudCode、CloudCode Work 這類產品，本質上與 Codex 類似，都是 OpenAI 與 Anthropic 這兩大陣營推出的 AI Agent 方案。

如果你已經用過 Claude 那邊的相關產品，想單純試試 Codex，其實很適合入門，因為它有免費版本，只要有 ChatGPT 帳號就能使用。就作者個人體驗來說，Codex 在操作流暢度與使用額度上都比 Claude 的 App 更順手，也更划算。

介面方面，Codex 採用直觀的三欄式設計。左邊是對話、專案與設定區，中間是輸入指令的區域，右邊則是結果與預覽。左欄主要包含歷史對話、任務列表、專案資料夾、外掛與設定。如果只是一般提問，可以直接開新對話；但若是處理某個專案中的任務，就應該從專案資料夾旁開新對話，這樣 Codex 才能讀到正確的資料夾與上下文，例如 Agents Markdown 或事先整理好的專案背景資訊。

中間欄是與 Codex 溝通的主要場所。你可以像用 ChatGPT 一樣打字，也可以直接用語音輸入。作者特別強調語音輸入很好用，因為現代很多工作場景都在與 AI 共同寫作，長時間打字其實很容易疲勞，因此他自己大約有 80% 的時間都使用語音操作。

此外，若輸入「@」可以附加專案中的特定檔案給 Codex；輸入「/」則能檢視狀態或指定要用的 Skill。還有一個很實用的功能叫 Fork，也就是分支。每一則回覆下方都可以複製出一條新的對話分支，適合在已經提供完整背景後，針對不同方案同時展開測試。作者把它比喻成平行宇宙，也像是打電動前先存檔，之後不管哪條路走歪了，都能從原點重新開始。

右側區塊則是結果預覽區，你可以查看檔案、資料夾結構，也能預覽它生成的網頁或 HTML 報表。其中最方便的功能之一，是網頁預覽中的視覺化註解。當 Codex 幫你做出一個網頁時，你可以直接在畫面上點選某個元素，例如標題、圖片或區塊，然後直接告訴它「這個標題放大」、「這張圖換掉」、「這個區塊刪掉」。它會回頭修改底層程式碼，再把更新後的結果顯示出來。這讓不懂程式的人，也能透過所見即所得的方式和 AI 協作。

接著，真正關鍵的不只是會打開 Codex，而是要學會駕馭一個能碰你電腦的 Agent。要駕馭它，核心有四個基本功：專案、許可權、上下文，以及 Agents Markdown。

先談「專案」。Project 的概念很簡單：你在哪個資料夾中啟動 Codex，那個資料夾就會變成它的工作區。它只會在這個範圍內讀檔、改檔、新增或刪除內容。因此，若你要辦一場小型講座，就可以先建立一個「講座籌備」資料夾，把活動說明、報名名單、講者介紹、圖片素材、過去的簡報範本都放進去。這一步看似基本，卻是整件事的核心：你不是把整台電腦交給 AI，而是先劃出一塊明確範圍，讓它只在這裡做事。

當你要 Codex 處理某個檔案時，與其只給它一個關鍵字讓它自己去找，不如直接拖入資料夾、貼上完整路徑，或使用「@」附加檔案。否則它可能會在大量檔案中到處翻找，不只變慢，也會白白消耗許多 Token。讓 Codex 在特定專案資料夾中工作，不僅能讓它聚焦，也能降低誤改無關檔案的風險。

而專案資料夾內的整理，其實就是所謂的 Context Engineering，也就是上下文工程。聽起來很專業，但本質上就是把資料分類清楚、命名明確，讓任何剛加入的人——包含 AI——只看資料夾名稱就能快速找到東西。即使沒有 AI，這本來也是好習慣；到了 Agent 時代，這件事只會變得更重要。

第二個重點是「許可權」。這是新手最應該搞懂的地方，因為它直接決定 Codex 在你電腦上能做到什麼程度。文中把 Codex 的權限大致分成三種模式。

第一種是最保守的「要求核准模式」，也就是預設模式。這種情況下，Codex 可以讀檔案、和你討論，但只要它想真的修改檔案或執行指令，都必須先經過你的同意。

第二種是多數人常用的中間模式。它可以在你指定的工作資料夾中，自行讀檔、改檔、執行指令，不必每次都問你；但如果它想碰資料夾外的內容，或是需要連網，就會停下來向你確認。

第三種則是 Full Access，也就是完整存取權。這種模式下，AI 幾乎可以碰整台電腦與網路，不再逐一詢問。在 CLI 世界裡，這甚至有個別名叫 YOLO 模式，意思是「反正人生只有一次，直接衝」。作者明確提醒，不建議新手一開始就亂開，因為權限越高，雖然越省事，但如果你還不理解它的行為邏輯，風險也會成倍增加。

作者也建議，不必一開始就糾結該選哪一種模式。更聰明的做法，是先從保守模式開始，讓它多問你幾次。當你逐漸理解它會怎麼做、什麼情境下會跳出詢問視窗後，再視情況放寬權限。如果真的被提示視窗問到很煩，也可以在當下直接切換到更高權限，或選擇在這次工作階段中不再詢問。

等你熟悉之後，確實也可以直接開 Full Access 來換取流暢體驗，但前提是要搭配 Agents Markdown 做限制。例如可以明確寫下「不要刪除原始檔」這類規則，讓它即使擁有高權限，也不會隨意執行不可逆操作。

整體來看，這篇內容的重點不只是介紹 Codex 好不好用，而是幫非技術使用者建立一個正確觀念：Codex 不是單純的聊天機器人，而是一個可以直接進入工作環境、代你執行任務的 AI Agent。也因此，真正重要的不是會不會下指令，而是你能不能設好專案邊界、整理好上下文、理解權限風險，並用規則把它駕馭好。

2026年6月15日星期一

[AI 分享] Loop Engineering：AI程式設計的新範式

摘要：Loop Engineering強調用自動化閉環指揮AI工作，正逐步取代單純提示詞與harness思維。

內容:

近來矽谷AI圈開始出現一個新名詞：Loop Engineering。相較於過去大家熟悉的 prompt、context，甚至是近年熱門的 harness engineering，loop 更強調的是讓AI不只是被動執行指令，而是能在一個自動化閉環中持續工作、分派任務、檢查結果與自主改進。

從演進脈絡來看，Prompt 解決的是「如何一次把需求說清楚」；Context 解決的是「要提供AI哪些背景資訊」；Harness 則是替 agent 建立執行環境。如果說 harness 是為AI打造一台能開的車，那 loop engineering 就像是幫這台車裝上自動駕駛系統，讓它知道何時啟動、如何行動，以及怎麼驗收成果。

真正的 loop，不只是反覆執行而已，而是一套由「目標、度量、決策、行動」構成的自主改進閉環。它能根據當前觀察到的狀態，自行決定下一步該做什麼，甚至安排下一次何時再啟動。這也是它與一般自動化腳本最大的不同。

要搭建一個有效的 loop，需要五個核心元件，再加上一個記憶底座。第一是自動化，它是整個系統的心跳，不只能定時執行，更重要的是能依條件觸發，例如直到測試全數通過、程式碼規範檢查完成才停止。第二是 WorkTree，用來為多個AI提供各自獨立的工作目錄與分支，避免並行開發時發生檔案衝突。

第三是技能。由於AI每次啟動時都像重新開始，如果沒有事先定義的技能與規範，它每輪都可能重複摸索專案規則。技能就像是一份外掛式的員工手冊，能清楚寫出專案約定、建置步驟與操作方式。第四是聯結器，透過像 MCP 這樣的協議，AI得以接入資料庫、外部工具與通知系統，從只能處理本地檔案，升級為可以串連真實工作流程。

第五是 subagents，也就是將不同角色拆開處理。在無人值守的環境中，不能讓同一個AI既負責寫程式又負責審查，否則容易失去客觀性。較好的做法是由一個AI負責生成內容，另一個AI負責依照規格驗證與審核。第六個要素則是狀態記憶，這份記憶通常需要落在磁碟上，例如以 markdown 文件記錄待辦與已完成事項，讓系統在中斷後仍能無縫接續。

不過，loop engineering 並非萬能，最大的風險在於失控。如果你的系統缺少能夠對AI說「停止」的硬性機制，它就可能變成一座無情的 token 焚燒爐，在無限迴圈中持續產出看似合理、實則品質低落的垃圾程式碼。無人職守的系統，也可能無人職守地犯錯。

另一個值得警惕的問題是認知降級。當AI交付成果的速度越來越快，人類對程式碼實際狀態的理解卻可能逐漸落後。如果開發者只是全盤接受AI產出，卻不持續檢驗與思考，最終很可能導致程式碼品質惡化。無論流程多自動化，驗證責任始終還是在人的身上。

在實務上，最適合導入 loop 的任務，通常是 bug 修復或需求邊界明確的新功能開發。這類工作有清楚的驗收標準，適合形成可控的小閉環。相反地，像是「幫我優化整體系統架構」這類過於抽象的任務，若直接交給 loop 處理，往往只會讓專案快速失控。

總結來說，harness 是讓AI有工具可用，而 loop 則是讓AI工作流程真正自動運轉。未來AI程式設計的競爭力，可能不再只是誰更會下提示詞，而是誰更懂得設計高品質、可驗證、可持續運作的迴圈系統。與其當AI的打字員，不如成為 loop 的架構師。

2026年6月14日星期日

[AI 分享] RAG檢索最佳化全解析

摘要 : RAG效果關鍵不在模型本身，而在檢索設計。本文整理多種最佳化策略、原理、優缺點與適用場景。

內容:

很多人以為RAG只是「查資料＋生成答案」，只要接上 embedding 和 LLM 就算完成，但真正上線後常會遇到檢索不準、上下文斷裂、回答品質不穩定等問題。其實，RAG 系統之間 90% 的效果差距，往往就藏在檢索策略的設計裡。

這篇內容系統性整理了多種 RAG 最佳化方法，從最基礎的 Simple-RAG 開始，一路講到語意切分、重排序、文件增強、上下文壓縮、使用者回饋迴圈，以及知識圖譜等進階方案，幫助讀者理解工業級 RAG 系統到底是怎麼設計的，也能作為面試、競賽與實務落地的參考。

最基礎的方法是 Simple-RAG。它的邏輯很直接：先把原始文件切成多個 chunk，將每個 chunk 向量化後存入向量資料庫；當使用者提問時，再把 query 轉成向量，找出最相近的 chunk，交給模型生成答案。這種方法實作簡單、成本低，但常用的固定長度硬切分會直接把句子或段落攔腰截斷，破壞語意完整性，因此在真實場景中效果有限。

為了解決硬切分的問題，進一步有了語意切分（Semantic Chunking）。這種方法不是按固定字數分塊，而是根據相鄰句子之間的語意相似度來決定是否切分。當主題一致時就合併成同一塊，主題轉折明顯時再切開。這樣可以讓每個 chunk 的內部語意更完整，提升模型理解能力，但仍然可能因 chunk 太小而失去更大的上下文。

接著是 Small-to-Big Retriever，核心概念是「用小塊查、用大塊答」。系統先用細粒度的小塊做精準檢索，找到最相關的內容後，再映射回所屬的父段落或更完整的大塊，提供給模型生成答案。這種方式同時兼顧檢索精度與上下文完整性，是實務上非常有效的一種平衡方案。

另一種較輕量的做法是 Context-Enriched Retrieval，也就是上下文增強檢索。當系統找到最相關的 chunk 後，不只回傳它自己，也把它前後相鄰的 chunk 一起帶回。這能補足孤立句子的語境，幫助模型理解前因後果。它的優點是結構簡單、容易整合進現有流程，能有效降低資訊片段化的問題。

文件增強（Document Augmentation）則是換一個角度思考：既然最終都是要回答問題，那在建立索引時，不如就為每個 chunk 額外生成可能對應的問題。換句話說，除了存文本，也存「這段內容可能被怎麼問」。這能讓查詢和文件之間的匹配更貼近使用者真實提問方式，因此在高精度需求場景中特別有價值，雖然代價是需要更多計算資源。

如果相關資訊並不是散落在單一 chunk，而是分布在連續段落中，就可以使用基於滑動視窗的連續片段檢索策略。這種方法會先找出高分 chunk，再以它們為中心，向前後延伸一定範圍，用加權方式計算整段連續內容的綜合分數，最後回傳得分最高的完整片段。這對法律文件、科研論文、長篇報告等需要跨段理解的場景特別有效。

在實際檢索結果中，常常還會夾雜大量無關內容，因此上下文壓縮也是非常重要的一步。做法是利用大模型對召回內容進行篩選、提煉與壓縮，只保留與查詢直接相關的資訊。這樣不只可以減少 token 浪費，也能降低背景噪音對最終回答的干擾，讓生成更聚焦、更準確。

除了靜態最佳化，內容中也提到一個更動態的方向：基於使用者反饋的 Feedback Loop。系統在回答後收集使用者的評分與評論，再將這些反饋結構化儲存，逐步調整文件權重與排序方式。簡單說，就是讓系統記住哪些內容過去曾經幫助使用者獲得好答案，未來遇到類似問題時就優先召回。這種方法雖然設計較複雜，但代表了 RAG 從靜態檢索走向持續學習的重要方向。

Self-RAG 則進一步讓系統具備「先判斷、再檢索」的能力。當使用者提問時，模型會先評估自己是否能直接依靠內部知識回答；若不確定，再啟動檢索流程。檢索回來後，也不是直接使用，而是再評估哪些內容真正相關、哪些只是表面關鍵詞相似。這種方法能減少不必要的檢索成本，也能提升回答可靠性，特別適合對正確性要求高的場景。

最後，內容也談到了知識圖譜型的 RAG 設計。這種做法會把資訊轉換成節點與邊，構成圖結構來表示人物、概念、事件與它們之間的關係。當使用者提問時，系統不只是找文字片段，而是沿著關係圖進行查詢與推理，因此特別擅長處理跨文件、跨章節、具關聯性的複雜問題。這代表 RAG 不只是做文字匹配，而是朝向結構化知識理解與推理發展。

整體來看，這篇內容的核心觀點非常明確：RAG 的真正競爭力，不在於是否接上 LLM，而在於檢索策略是否足夠成熟。從硬切分到語意切分，從局部檢索到上下文補全，從靜態索引到反饋學習，從純文本搜尋到知識圖譜推理，每一種策略都在解決不同層面的檢索問題。

如果你正在做畢業設計、參加 AI 競賽、準備面試，或想打造可落地的企業級 AI 系統，這些 RAG 最佳化方法都不是可有可無的附加技巧，而是直接決定系統效果上限的核心能力。

[AI 分享] RAG知識客服原理拆解

摘要 : 解析RAG核心流程，從文件分片、向量化到召回生成，理解知識庫問答如何落地。

內容:

RAG 是 Retrieval Augmented Generation 的縮寫，中文通常翻成「檢索增強生成」。它的核心概念其實不複雜，就是先從資料中找出和問題相關的內容，再根據這些內容生成答案。因此，RAG 目前被廣泛用在知識助手、企業客服與智慧問答系統中。

如果想打造一個能回答公司產品問題的智慧客服，單靠大模型本身是不夠的。因為模型並不知道企業內部的產品資料、操作手冊或規範文件。乍看之下，好像只要把整本手冊連同問題一起丟給模型就行，但這樣做會遇到幾個明顯問題，包括模型的上下文視窗有限、輸入成本過高，以及推理速度會明顯變慢。尤其當文件長達上百頁甚至上千頁時，模型不但無法穩定吸收全部資訊，回答品質也會受到影響。

RAG 的價值就在這裡。它不會把整份文件全部交給模型，而是先將文件切成多個片段。當使用者提出問題時，系統會先在這些片段中找出最相關的內容，只把少量真正有用的片段連同問題一起交給模型。這樣一來，模型看到的資訊更聚焦，不但能降低成本，也能提升回答速度與準確率。

整體來看，RAG 流程大致可分成兩大部分。第一部分是提問前的資料準備，也就是先把文件處理好，這通常包含「分片」與「向量化儲存」。第二部分是提問後的回答流程，會依序經過「召回」、「重排」與「生成」等步驟。這些環節彼此配合，才能讓系統在大量知識中快速找到最適合回答問題的內容。

所謂分片，就是把一整份文件拆成多個小段落。切分方式可以很多元，例如依字數切分、依段落切分、依章節切分，甚至依頁碼切分。切分的目的，是讓後續檢索能更精準地定位內容，而不是每次都處理一整本文件。片段切得是否合理，會直接影響後續問答品質。

完成分片後，下一步就是把每個片段做 Embedding，也就是將文字轉換成向量。這個步驟會把文字內容映射成一組數值，讓電腦能從數學角度理解文本之間的語意關係。之後，系統會把原始片段內容以及對應的向量一起存進向量資料庫中，作為後續檢索的基礎。

向量本身是數學概念，可以理解為一串有方向與大小的數值。雖然在 RAG 中使用的向量通常維度很高，無法直接視覺化，但它能有效承載語意資訊。通常維度越高，向量所能表達的細節也越豐富，因此在語意理解與比對上會更可靠。

Embedding 的重點，在於讓語意相近的文本轉成彼此接近的向量。例如「馬克喜歡吃水果」與「馬克愛吃水果」意思很接近，因此轉換後的向量距離也會很近；而像「天氣真好」這類無關句子，其向量就會離得比較遠。正因如此，當使用者提出問題時，系統也能先把問題轉成向量，再透過向量相似度去找出語意最接近的知識片段。

而所謂向量資料庫，簡單來說，就是專門用來儲存文字片段與其向量，並支援快速相似度搜尋的資料庫。它的作用不是取代原始文本，而是幫助系統在龐大知識中快速找到相關內容。因此，實際儲存時，通常會同時保留文字內容與向量表示，方便後續召回與生成階段使用。

總結來說，RAG 的核心不是讓模型直接讀完所有資料，而是先把知識拆解、向量化、儲存起來，等到使用者發問時，再從大量片段中找出最相關的資訊交給模型回答。這樣的設計，正是現代高品質知識客服與企業知識庫系統能夠落地的關鍵。

[AI 分享] 三句話建立陌生客戶信任

摘要 : 用三句黃金溝通法，從推銷者轉為顧問，快速建立信任，提升陌生客戶成交與長期合作機會。

內容:

很多銷售都遇過一個常見問題：加了客戶好友、發完產品介紹後，對方就不再回應，整段溝通直接中斷。問題往往不在產品，而是在溝通方式。當銷售只是一味發資料、講產品，站在客戶角度看，這其實更像是沒有鋪墊的廣告推送，容易讓人產生防備，甚至直接忽略。

真正能持續成交、建立長期客戶關係的人，靠的不是硬推銷，而是思維上的轉變。關鍵在於，從「我想賣東西給你」的推銷者角色，轉換成「我能幫你解決問題」的顧問角色。當客戶感受到你不是來賺他錢，而是真心想幫助他，他才會放下戒心，願意交流，進而產生信任。

想快速和陌生客戶建立信任，可以運用一套「三句黃金溝通法」，讓對話自然推進，逐步完成破冰、認同與信任建立。

第一句話的重點，是讓客戶感受到你對他的專屬關注。不要一開口就用制式化的自我介紹，而是先透過客戶的動態、產業資訊、公司近況等公開內容，找到具體細節作為切入點。當你能說出你觀察到的內容，客戶會明顯感受到你不是群發廣告，而是有做功課後的針對性交流。這時再適度放低姿態，表明只是想交流、互相學習，就能有效降低對方的防備心。

第二句話的核心，是展現你的專業，幫客戶點出他可能尚未明確意識到的問題。很多客戶即使有困擾，也不一定會主動說出來，甚至他自己都還沒完全理清問題在哪裡。這時，優秀的銷售應該像顧問一樣，根據對方的行業、職位與情境，直接列出幾個常見的高頻痛點，讓客戶用選擇題的方式回應。這樣不但降低溝通成本，也更容易讓客戶產生共鳴。一旦你精準說中他的處境，對方就會開始認可你的專業，願意進一步打開話題。

第三句話的重點，是透過真實案例證明你有解決問題的能力。客戶不會因為你把產品功能講得多厲害就買單，他真正關心的是：你能不能幫我改善現況，能不能帶來實際成果。因此，比起空談優勢，更有效的方法是分享一個與客戶背景相似的真實案例。這個案例最好能清楚呈現客戶原本的困境、你採取的解決方法，以及最後得到的具體成果。當客戶從案例中看到和自己相似的情境，就更容易代入，也更能建立信任。

在這三句話之後，記得用開放式提問作為收尾，把選擇權交還給客戶。不要施壓，也不要急著成交，而是讓對方有空間思考，主動表達需求。這樣的溝通方式，會讓整個過程更自然，也更容易讓客戶產生合作意願。

整體來說，這套方法的邏輯很清楚：第一句先破冰，讓客戶願意聊；第二句展現專業，讓客戶願意信；第三句用案例佐證，讓客戶願意合作。當你不再只關注產品，而是開始關注客戶、問題與結果，你在客戶心中的角色就會從業務員，逐漸變成值得信任的合作顧問，陌生客戶也更有機會轉化為長期穩定的合作對象。

AI知識庫：把企業隱性資產變成營運戰力

[AI 應用] AI知識庫：把企業隱性資產變成營運戰力

摘要 : AI知識庫可整合企業分散資料與資深員工經驗，縮短找資料時間、降低知識流失風險，並在8到12週內快速試點導入。

(若對這個產品有興趣的，請留言告知)

內容:

企業每天都在承受一個看不見卻代價高昂的問題：員工平均每日花費1.8小時找檔案、確認版本、重複詢問同樣問題。長期累積下來，每人每年約損失22個完整工作天；若公司有100位員工，就等於一年蒸發2200個工作天，形成巨大的隱性成本黑洞。

比設備或軟體更昂貴的，往往是卡在資深員工腦中的知識與經驗。這些未被系統化保存的實戰智慧，一旦員工休假或離職，就可能讓團隊被迫重回起點，重新踩坑、重新摸索，這正是知識孤島帶來的核心風險。

AI知識庫的價值，在於把原本耗時的資訊搜尋濃縮成30秒內完成。使用者只要以自然語言提問，系統就能快速整理出精準答案，並附上清楚的資料來源，改變過去翻找文件、會議記錄與對話紀錄的低效率模式。

其運作方式可概括為六個步驟：匯入各類文件、錄音與影片；清洗重複雜訊並遮蔽敏感資訊；萃取重點；蒸餾成可用知識；提供自然語言查詢問答；再透過評量、稽核與回饋持續更新，讓知識庫維持可追溯且可信賴的狀態。

AI知識庫不只適用於IT部門，而是能從個人、部門一路延伸到全企業。它可協助個人整理專案資料，幫部門管理SOP與專案流程，也能打通跨部門資訊壁壘，將資深員工的經驗有效傳承，提升整體回應一致性與營運效率。

相較一般AI聊天機器人，企業級AI知識庫更重視安全與治理，包括地端私有部署、細緻權限控管、答案可追溯與可稽核。導入也不一定漫長，通常可在8到12週內完成，並建議先從最痛的場景試點，快速驗證投資報酬，再逐步擴展到全公司，讓知識真正成為企業競爭力。

#AI

[AI 知識分享] AI從聊天到幹活的進化

摘要 : 用規劃案例，串起LLM、Prompt、RAG、MCP、Agent、Skill等概念，說明AI如何一步步從回答問題進化到真正執行任務。

內容:

這兩年 AI 領域出現了非常多熱門名詞，像是 LLM、Token、Prompt、RAG、MCP、Agent、Skill 等，常讓人一開始看得眼花撩亂。其實這些概念並不是憑空冒出的術語，而是 AI 發展過程中，為了解決一個又一個實際問題而誕生的工具與方法。

先從最基本的情境切入：如果你週末想去玩，隨口問 AI 該怎麼安排，AI 能很快回覆你。這背後的核心就是 LLM，也就是大語言模型。它會把人類輸入的文字拆解成 Token，並透過預測下一個最可能出現的 Token，逐步生成完整答案。你對 AI 所說的話，就是 Prompt，也就是提示詞。

如果只是隨口一問，AI 的回答通常比較泛泛；但當你把需求描述得更清楚，例如加入預算、天數、偏好等條件，AI 的回覆就會更精準、更實用。這種把需求說清楚、讓模型更好理解的方式，就叫做 Prompt Engineering，也就是提示詞工程。

接著， AI 為什麼能記住你前面說過的條件。原因在於每次對話時，系統通常會把之前的聊天內容一併傳給模型，這就是 Context，也就是上下文。不過模型能處理的上下文長度有限，對話一長，就可能忘記前面的重點。為了解決這個問題，系統會把先前的內容壓縮成關鍵資訊，這份被提煉過的內容就是 Memory，也就是記憶。

但即使如此，模型仍然無法憑空知道你私人收藏的旅遊攻略或內部資料。這時就需要 RAG，也就是檢索增強生成。RAG 會先把你的私有資料切分、存入知識庫，在你提問時再檢索出最相關的內容，與問題一起提供給模型，幫助它生成更真實、更有依據的回答。許多 AI 客服、AI 問答系統，其實都是建立在這種能力之上。

不過，RAG 仍然只是幫助模型「回答得更好」，還不代表它真的能替你做事。例如你叫 AI 幫你查高鐵票，它可能只會告訴你該去哪個網站查。這時就需要 Function Calling。這套機制讓模型能夠根據需求輸出結構化的工具呼叫指令，再由外部程式真正去執行查詢、搜尋、訂票等操作，最後把結果回傳給模型整合成答覆。

但如果每接一個工具都要重新寫一套對接方式，工程成本會很高，因此 MCP 就出現了。MCP 的作用，是統一第三方工具的接入方式，讓 AI 應用只要對接一種標準協議，就能使用多種工具。文章也特別強調，Function Calling 和 MCP 並不相同：前者是讓模型知道如何發出工具呼叫指令，後者則是讓工具本身採用統一規格，方便整體接入與複用。

當 AI 已經能理解上下文、讀取資料、呼叫工具之後，就進一步發展成 Agent。Agent 不只是被動回答問題，而是能在收到目標後，自行拆解任務、規劃步驟、使用工具、記錄過程，逐步完成工作。也就是說，Agent 是把大模型、記憶、檢索、工具使用等能力整合起來，變成一個可以獨立執行任務的系統。

現在市面上很多 AI 產品，本質上都能視為不同形式的 Agent。差別在於它們能自主規劃到什麼程度、能否直接操作系統、能否主動與人協作。像一些桌面助理之所以受歡迎，就是因為它們不只會聊天，還真的能操作電腦、定時執行工作、透過通訊軟體和使用者互動，更像是真正的數位助手。

然而，即使 Agent 已經很強，使用者往往還是需要反覆交代偏好與規則。於是 Skill 的概念就出現了。Skill 可以理解成可重複使用的任務規範或能力模組，你可以把自己常用的要求、流程、限制條件整理進去，讓 Agent 在面對類似任務時直接參考執行。它和一次性的 Prompt 不同，Skill 更像是可持續使用、結構化管理的能力資產，也能節省上下文與 Token 成本。

最後，一個很重要的問題：AI 能力越強，出錯時的風險也越高。當 Agent 能直接操作工具、下指令、甚至付款時，如果沒有約束，就可能造成嚴重後果。因此需要額外的控制與防護機制，為 Agent 設定清楚的邊界、提供完整上下文、加入任務驗收與修正流程，讓它在可控範圍內發揮最大效率，避免失控或造成損失。

總結來說，把一連串 AI 概念串成一條清楚的主線：從 LLM 的文字生成開始，到 Prompt 改善提問品質、Context 與 Memory 管理對話、RAG 讀取外部知識、Function Calling 與 MCP 接入工具，再到 Agent 自主執行任務、Skill 沉澱經驗與規則，最後再加上安全約束機制。這也讓人更容易理解，AI 是如何一步一步從「只會聊天」走向「真的能幫你做事」。

2026年6月13日星期六

[AI 分享] Agent是什麼？一次搞懂LM、Workflow與Agent的差異

[AI 分享] Agent是什麼？一次搞懂LLM、Workflow與Agent的差異

摘要 : 解析LLM、Workflow與Agent差別，並說明Agent的五大組成與自主工作核心能力。

內容:

今天的重點，是搞懂「Agent到底是什麼」。Agent通常可翻成智慧體或代理，但若想真正理解它，最好先從LM與Workflow開始看起。

首先，像DeepSeek、ChatGPT這類產品，本質上都是基於LLM的大語言模型聊天機器人。可以先把它理解成一個很強的百科全書。它最基本的工作方式很簡單，就是「輸入→模型處理→輸出」。例如你輸入「給我一份會議紀要模板」，模型就會直接產出一份模板。

但如果你進一步問「我上一次會議是什麼時候」，單靠LLM其實無法回答，因為它沒有你的個人資料。這時就需要替它接入工具，例如日曆。它才能先查詢日曆，再回覆你答案。若再進一步要求「幫我把上一次會議紀要總結後寄到我的信箱」，事情就不只是問答，而會變成一連串步驟：先取得上次會議紀錄，再用模型摘要，最後接入郵件系統發送。這種由多個步驟串起來的流程，就是Workflow，也就是工作流。

Workflow的核心特徵在於：不管中間有多少節點、流程多複雜，本質上都還是人事先設計好的固定路線，AI只是照著既定步驟執行。因此，即便流程有一百個節點，也不能直接稱為Agent。

Agent的不同之處，在於它不是照單全收地執行預設流程，而是會自己決定下一步該做什麼。舉例來說，當你要求它「幫我把上一次會議紀要總結後寄到我的信箱」，Agent會先自己思考：要取得會議紀要，得先知道上次會議時間。它可能先查日曆，若查不到，再改去連接騰訊會議或其他系統尋找記錄。找到資料後，它再呼叫模型進行摘要。接著它還會繼續判斷：使用者雖然說要寄信，但沒提供收件信箱，那是否應該先詢問確認？整個過程中，Agent會持續思考、決策並調整行動，這才是Agent的真正特徵。

一句話總結，Workflow是執行人預先規定好的步驟；Agent則是能根據目標，自主決定要執行哪些步驟。

接著談Agent的構成。最容易理解的方法，是把Agent想像成一位「數字員工」。就像公司裡有不同崗位一樣，Agent也是一種數字化崗位。它可以24小時待命、不用請假，成本通常也比真人低，因此現在很多企業都對這種數字勞動力非常感興趣。如果把打造Agent想成在招聘一位實習生，那麼一個完整的Agent大致由五個部分組成。

第一是LLM，也就是大腦。像ChatGPT、DeepSeek、豆包等，都可以作為這個大腦。它負責理解人類語言、分析任務、制定計畫。沒有這個核心，大部分功能都無法成立。

第二是Prompt，也就是提示詞。這可以理解成崗位說明書。你不會只對新進客服說「你去做客服吧」，而是會告訴他職責、規則、處理方式與回覆風格。Prompt就是在做這件事，它負責定義Agent的角色、限制條件與輸出風格。

第三是Memory，也就是記憶。如果一位實習生每隔30秒就失憶一次，那肯定無法工作。Memory的作用，就是幫助Agent記住上下文、追蹤任務進度，並逐步累積經驗。

第四是Knowledge，尤其是External Knowledge，也就是外部知識。模型可能具備通用知識，但不一定知道公司的內部資訊。因此，還需要把企業知識庫、產品文件、制度規範等資料提供給它，讓它能基於特定場景工作。

第五是Tools，也就是工具。這是非常關鍵的一部分。所謂工具，不是實體工具，而是各種可被調用的數位能力，例如發郵件、下訂單、製作Excel、做PPT、查詢系統資料等。當Agent擁有操作這些工具的權限後，它就不只是「會聊天」，而是真正開始「會做事」。

不過，要特別注意的是，擁有這五個部分，並不代表它一定就是Agent。真正決定它是不是Agent的，不是零件有沒有備齊，而是它有沒有「自主完成工作」的能力。這裡就要提到一個重要概念：Agent Loop，也就是智慧體迴圈。其中一個經典框架叫ReAct，意思不是前端框架React，而是Reasoning與Acting，也就是「推理」與「行動」。

例如你對普通聊天機器人說「幫我做競品分析」，它通常只會回你一段分析文字；但Agent會先自己打開網頁、搜尋競爭對手、蒐集資料、整理資訊、畫出圖表，然後再檢查結果是否符合要求。如果結果不理想，它還會自己修改並持續迭代，直到滿意為止。這個「思考→行動→檢查→再修正」的過程，就是Agent Loop。它最核心的能力，在於不只是執行，而是會自己驗證成果。如果結果不好，它不會直接交差，而是會繼續調整。這種圍繞目標持續迭代的能力，才是Agent最關鍵的本質。

最後總結來說，把Agent想成數字員工會非常好理解。LLM是它的大腦，Tools是它的手腳，Memory是記憶，Knowledge是資料庫，Prompt是崗位說明書。但真正讓它成為Agent的，不是元件數量，而是它是否能圍繞目標自主工作，具備推理、行動、檢查與持續迭代的能力。

另外，關於Agent的組成，市面上其實會看到很多不同版本。這並不代表誰對誰錯，而是因為Agent目前仍處於高速發展階段，尚未形成全行業一致的官方標準。不同的工程團隊、產品公司、寫作者與一般使用者，會從不同角度理解與定義Agent，因此出現多種說法是很正常的。

[AI 衝擊] 人工智慧重塑就業

摘要 : AI正快速改變就業結構，白領職位首當其衝，但真正全面替代尚未發生，現在仍是準備與轉型的關鍵視窗期。

內容:

人工智慧正在成為這一代人必須面對的重要就業議題。從勞動經濟學的角度來看，大家最關心的問題是：技術進步是否一定導致失業？回顧過去百年的電氣化、資訊化與自動化歷程，技術雖然曾引發就業焦慮，但也不斷創造新職業與新需求。許多今天常見的工作，在數十年前其實並不存在，因此技術進步並不必然只帶來崗位消失，也可能帶來新的就業機會。

這一次AI浪潮與過去不同，關鍵在於它替代的不只是體力，而是人的腦力。過去的技術進步多半取代重複性的操作工作，但生成式AI開始介入理解、推理、創作、判斷等認知任務，這些原本正是白領工作的核心能力。像會計、編輯、銷售、程式設計師等職位，都屬於AI暴露度較高的職業；相較之下，餐飲服務、產業工人、家政服務等藍領工作，目前受影響相對較低。

另一個重大差異是，AI技術的部署速度極快、成本極低。傳統技術革新通常需要設備採購、產線改造與長時間推進，因此舊崗位的消失往往是漸進式的，也為新崗位的形成留下時間。但生成式AI可以透過雲服務、API與開源模型迅速擴散，企業與個人都能低成本使用。這使得AI對工作內容的影響可能是全球同步、跨行業發生，也代表就業調整的視窗期可能比過去更短。

針對AI如何影響就業，研究者提出了三種重要分析方法。第一種是「AI暴露指數分析法」，它把職業拆解成具體任務，再評估AI是否能完成其中超過一半的工作內容。這種方法顯示，AI暴露度高的工作並不等於一定會被取代，因為真正的結果還取決於工作內部任務之間是互補還是替代關係。也就是說，AI可能提高生產率，也可能壓縮人力需求，不能只看表面暴露度。

第二種方法是「AI整合崗位分析法」，它直接觀察企業是否開始招聘專門負責導入與整合AI的人才。研究發現，採用AI的企業中，初級崗位的招聘明顯放緩，高級崗位則大致穩定甚至增加。這表示AI目前首先衝擊的，未必是已在職場中的存量員工，而是新進人員與初階崗位。換句話說，AI對就業的影響可能先表現在「不再新增職缺」，而不是立即大量裁員。

第三種方法則是根據AI工具的實際使用資料來分析，也就是觀察人們在與大模型互動時，究竟拿它來完成哪些任務。相關研究發現，目前AI更常扮演「增強」而非「替代」的角色。它更多是在提升工作效率，幫助人更快完成任務，而不是真的完全取代人。例如理論上某些技術職位的高比例任務可由AI完成，但實際使用中，AI參與的範圍遠低於理論估計。這說明現實中仍存在模型能力限制、法規合規、人類驗證與系統整合等障礙。

綜合來看，AI對就業的真實衝擊尚未完全落地，但方向已經非常明確。它正在重塑工作內容、改變招聘結構，也讓部分高暴露職業率先面臨壓力。不過，從目前證據來看，AI更多是先改變工作方式，再逐步改變用人需求，而不是立即全面取代人類。因此，我們當前仍處在一個非常寶貴的準備期。

真正重要的問題，不是AI會不會來，而是我們能否利用這段視窗期及早調整。未來更被需要的人，可能不是單純重複執行任務的人，而是能與AI協作、能跨任務整合、具備判斷力、創造力與實際解決問題能力的人。這也意味著，面對AI時代，與其被動擔心被淘汰，不如主動提升自身在新工作格局中的適應力與競爭力。

[AI 信任危機] 如何因應AI時代的到來

摘要 : 生成式AI不只衝擊工作，更在削弱社會對資訊、影像與事實的信任基礎。

內容:
很多人以為AI最大的風險是取代工作，但維基百科共同創辦人吉米・威爾士指出，更深層的問題是：AI正在讓整個社會的信任體系變得更脆弱。

近年來，人們本來就越來越難完全相信新聞、政治人物與企業說法；而生成式AI的快速發展，正在進一步放大這種不信任。尤其在影片領域，過去多數人看到監控畫面、演講影片或現場影像時，通常會先相信其真實性，如今這種預設正在改變。

因為AI生成影片愈來愈逼真，大家看到影像後的第一反應，開始從「相信」轉為「懷疑」。真正危險的不只是假的影片變多，而是真的影片也可能因此失去公信力。

當公眾逐漸失去判斷真假的能力，未來最有價值的就不再只是資訊本身，而是「可信度」。誰能有效證明自己是真實的，誰就會擁有新的競爭優勢。因此，數位身分驗證、真人認證與內容溯源等技術，正受到越來越多機構重視。

相較之下，維基百科反而沒有明顯受到AI衝擊。威爾士認為，AI並不適合用來撰寫百科條目，因為百科內容最重要的不是語句流暢，而是事實查核、來源驗證與社群共識。

目前許多AI公司與研究機構也已開始正視相關風險，包括AI失控、深度偽造擴散，以及社會信任下降等問題。當AI讓資訊生產變得前所未有地容易，未來最稀缺、也最昂貴的資源之一，可能正是那句最基本的話：這是可信賴的。

#AI

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

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。

訂閱：文章 (Atom)

2026年6月17日 星期三