AI 對軟體工作的影響,關鍵也不只是「能不能產生程式碼」。樣板程式碼、小型修改、文件查詢等工作,確實更容易獲得 AI 協助;需求釐清、理解既有系統、測試、資安、效能與架構取捨,仍需要人負責判斷。原文引用的程式碼庫分析,觀察到重複程式碼增加、重構相關指標下降,但該研究沒有隔離 AI 使用情況,因此不能據此認定這些變化都是 AI 造成的。
文中提到另一項讓資深開源開發者完成實際任務的實驗:在當時的工具與研究條件下,使用 AI 的受試者平均反而花了更多時間,即使他們主觀上覺得自己更快。這項研究常被歸於 METR,而非 Meta;其結果也不宜直接套用到今天所有模型、專案與團隊。它比較有價值的提醒是:衡量生產力,不能只看產生程式碼的速度,還要計入提示、等待、審查、修改與後續維護的時間。
對新人來說,最棘手的是學習路徑。過去,許多人透過修小問題、寫簡單功能、閱讀文件與接受程式碼審查,逐漸累積獨立判斷的能力。如果企業把這些任務大量交給 AI,同時又減少初級職缺,就必須回答一個問題:未來的資深工程師要從哪裡來? AI 可以成為新人的練習工具,但不能自動取代真實系統中的責任、回饋與指導。
原文進一步提到,部分美國電腦相關科系的修課或就讀人數出現下滑,而有些學生轉往資料科學等方向。這可能反映學生對就業前景的重新評估,但各統計的涵蓋範圍、時間與科系分類不同,不能合併成「年輕人不再學技術」的結論。科技公司一邊裁員、一邊投入龐大資本支出建設 AI 算力,也呈現了投資重心的轉移;然而,將兩筆金額相比,只能說明規模,不能證明每一筆算力支出都直接取代了某個職位。
近期討論值得補充的觀察是:職缺要求愈來愈常把 AI 工具使用能力與既有工程能力並列,但「會用工具」本身很難構成長期優勢。企業真正需要的是能把模糊需求轉成可驗收方案、辨認 AI 輸出的錯誤,並對上線結果負責的人。同時,AI 也可能讓小團隊更容易製作原型與推出產品,增加創業、接案及跨領域開發的機會。這些是值得關注的趨勢,不應當作已被本文數據證實、適用於所有地區的結論。本文亦無法即時查核原文所列的近期報告、裁員與資本支出數字,正式引用前應回查研究原文及統計口徑。
我的建議是:值得繼續做程式設計師,但不宜只把自己定位為「按規格快速寫出程式碼的人」。正在入行的人,應持續練習不依賴 AI 也能解釋的基礎能力,並透過專案展示測試、除錯、部署及維護經驗;已在職的人,則應深化對業務、系統可靠性、安全性和技術取捨的理解。使用 AI 時,把它當作需要驗證的協作工具,而不是成果的保證。至於是否勸年輕人讀電腦科學,答案不必是全面鼓勵或全面勸退:若對解決問題有興趣,仍值得學;但應及早了解所在地市場、爭取實習與導師,並為第一份工作預留更多時間與選擇。
第四場遷移,是人才價值從完成局部任務,走向交付完整成果。納德拉觀察到,一些原本優秀的工程師,在新的 AI 生產模式中仍然表現出色。專業知識沒有消失,只是發揮作用的方式改變了:專家可以將經驗轉化為規範、約束、驗證標準與系統能力,讓專業判斷被反覆使用。換言之,AI 未必淘汰經驗,更可能淘汰經驗過去的交付方式。值得保留的是對問題的理解,而不是對既有工作動作的依賴。
這也解釋了為何貼近真實業務問題的角色愈發重要。文中提到,微軟內部成長較快的職位之一是前線部署工程師(FDE):他們深入客戶場景,理解問題,再運用技術交付解法。LinkedIn 也在嘗試整合原本分散的角色。當 AI 降低跨領域實作的成本,能調動不同能力、對完整結果負責的人,就可能比只負責單一環節的人更具價值。
新人面臨的處境則較複雜。AI 可以幫助新人閱讀文件、理解專案,成為隨時可諮詢的導師;但過去用來培養新人的簡單工作,也可能先被 AI 吸收。於是,學習門檻下降,就業門檻卻可能上升。企業需要重新設計的不只是生產流程,也包括人才如何從初學者逐步成長,否則眼前省下的人力成本,可能換來日後的人才斷層。
第五場遷移,是企業從購買 AI 能力,走向累積自己的智慧資產與主權。納德拉提出一個關鍵問題:若企業無法自由替換正在使用的模型,它是否真正掌握了自己的智慧能力?當業務知識、工作流程、記憶與上下文都深度綁定某個供應商,更換模型便可能意味著失去多年累積。企業以為自己擁有一批「數位員工」,實際上卻可能只是租用一個難以搬走的「數位大腦」。
這個原則也適用於個人。若每天使用 AI 完成工作,卻沒有留下自己的知識庫、工作規範與回饋紀錄,得到的可能只是當下的效率,而不是可累積、可帶走的能力。納德拉因此看好雲端、本地、開放與閉源模型共同運作的混合智慧。他將未來的個人電腦形容為一座「Token 工廠」:部分智慧任務可在本地完成,不必每次都按雲端 token 用量付費。好的系統未必總使用最強模型,而是依任務需求、成本與風險,配置合適的模型。
第六場遷移,是將 AI 的能力與它被授予的權限分開。模型越聰明,不代表它越可靠,也不代表它應自動取得更多權限。Agent 可以分析財務資料,不等於可以轉移資金;可以提出經營建議,不等於可以自行修改目標;可以發現系統漏洞,也不等於能未經授權更動正式環境。智慧處理的是「能不能做」,授權處理的是「可不可以做、由誰負責」。企業在使用 AI 執行任務時,必須同時設計權限邊界、驗證機制與責任歸屬。
回頭看納德拉想重返工程一線的願望,核心或許不是學會某個新工具,而是親身理解一套正在形成的新生產邏輯:產品隨模型能力改變,生產重視可重用系統,組織同時配置人與 token,人才走向完整交付,企業累積可自主掌握的智慧資產,而 AI 的權限必須受到清楚約束。訪談最後,他給想成為優秀 AI 時代工程師的人一個務實建議:少一些只談論變化,多一些親手實踐。理解趨勢是起點;真正進入新世界,仍要靠持續嘗試與重新學習。
摘要:一場 AI 安全研究員訪談,引出超級智慧、就業衝擊與失控風險,也凸顯相關預測與財務資訊仍待查證。
內容:
這篇內容從一場據稱於 11 月 15 日發布的 AI 風險訪談談起。受訪者被介紹為 Anthropic 安全防護團隊的華人研究員「陶林」,工作涉及阻止使用者利用 Claude 尋求生物武器製造或駭客攻擊方面的協助。他在訪談中對 AI 的發展速度、就業與人類安全提出強烈警告。以下整理的是影片轉述的觀點;受訪者身分、訪談原文及部分數據,仍需要回到原始資料核對。
受訪者最受矚目的預測,是具備「超越人類」能力的 AI 可能在一至三年內出現;影片另提到約「1.3 年」、即 2027 年底前後的說法。他所描述的能力,不只是擅長單一任務,而是在程式設計、電影製作、政治等幾乎所有領域,都能達到或超過頂尖人類專家。受訪者也多次承認自己無法確定未來,這些時間點應被理解為個人預測,而不是已獲證實的技術進度表。
影片作者認為,AI 已在程式產出速度和知識覆蓋面上展現巨大優勢,甚至主張它的程式設計能力已全面超過人類。他尤其在意「品味」能否被取代:如果 AI 不只會生成影片,還能像優秀導演一樣判斷故事、畫面與觀眾感受,創作、產品設計及最終決策中由人把關的部分,也可能受到挑戰。不過,產出速度快、能完成特定任務,與在各種真實情境下穩定勝過所有頂尖專家,仍是不同層次的主張。
談到工作,受訪者預測的不是「未來十五個月所有人立即失業」,而是一個較長的過程:人們先失去原有職位,暫時轉往其他行業;若 AI 與機器人繼續進步,連新工作也可能逐漸消失。他認為在電腦上完成的白領工作會先受衝擊;體力工作則因機器人仍須大量製造與部署,取代速度可能較慢。影片作者將此延伸為「幾乎所有人最終永久失業、仰賴政府福利」的情境,並以程式設計師轉做外送或駕駛、未來又可能遭自動駕駛取代為例,說明轉職未必是長久的避風港。
除了工作流失,訪談還涉及 AI 的控制權。受訪者據稱主觀估計,AI 最終導致人類消失的可能性約為 20%;他也提出另一種不涉及暴力的「接管」方式:人類把越來越多決策與執行工作交給 AI,久而久之不再理解系統如何運作,也失去介入能力。影片以《瓦力》中的人類生活作比喻,擔心便利使人逐步喪失自主性。這些百分比是個人對不確定風險的判斷,並非可直接驗證的事故機率;「失業」、「權力流失」與「人類滅絕」也應分開討論。
受訪者擔心,AI 公司彼此競逐產品與市場,可能沒有足夠時間處理安全問題,因此主張大幅放慢研發速度。影片作者認為這很難由單一公司做到:一家企業若放慢,競爭對手卻繼續前進,它就可能失去優勢。文中也轉述其他 AI 公司安全人員的類似憂慮,包括發布壓力、安全研究可能讓位給產品與收入,以及必須透過國際協調才能有效降低競賽壓力。這些人的看法值得重視,卻不等於業界已對風險大小或發生時間形成共識。
影片進一步指出,開發 AI 的人與承受影響的社會大眾,可能生活在兩個不同的世界。受訪者據稱坦言,AI 研究者活在自己的「泡泡」裡,與可能失去工作的群體缺乏接觸;他希望 AI 改變世界,但認為速度應慢一些。另一方面,一般人在日常生活中未必已感受到與科技業相同的變化,這種感受落差也使公共討論更困難。
其中最需要謹慎看待的是財務敘述。影片聲稱 Anthropic 於 11 月 19 日在那斯達克上市,並列出發行價、市值、員工期權與大量新富員工等數字,再以此對比「全民可能失業」的警告。然而,這些具體上市與財富數據在原文中沒有提供可核對的公告或申報文件,不宜當作已確認事實。即使撇開個別公司的數字,影片提出的分配問題仍然重要:若 AI 大幅提高生產力,收益會流向勞動者、持有股權與算力的人,還是整體社會?
影片最後以作者自身的工作經驗收束。他表示,已利用 AI 將接收任務、產出程式修改請求等流程高度自動化,因而相信程式設計工作會率先改變,並推測多數白領職位可能在 2027 年前後遭遇重大衝擊。這是一個具體的個人觀察,但單一工作流程的自動化,不等於整個職業已被可靠、低成本地取代;企業仍須處理驗證、維護、安全、責任歸屬及與人的協作。
這篇內容值得補充的觀察是:即使 AI 在技術上能完成某項工作,實際就業變化仍取決於成本、可靠性、法規、硬體供應與社會接受程度。工作也可能先被重新拆分,而非一次消失。比起只押注某一年會不會出現「超級智慧」,更迫切的問題是如何評估高風險能力、建立可稽核的安全標準,並提前討論轉職支持、社會保障與 AI 收益的分配。對這類強烈預測保持警覺,同時查證原始訪談與數據,才能把焦慮轉成有用的準備。
一篇在 Hacker News 引發六百多則評論的文章,提出了 AI 程式設計的關鍵問題:程式碼越容易生成,誰來確保系統仍能持續演進?文章作者曾在 Meta 工作。他表示,離職前幾個月,自己至少九成的程式碼由 AI 生成;進入另一家大型科技公司後,比例更達到百分之百。然而,他並未因此得到兩倍或十倍的程式碼產出,反而注意到一些經驗豐富的工程師開始提交「能執行,卻可能難以長期維護」的程式碼,讓程式碼庫逐漸變得脆弱。
不過,也不能據此認定 AI 程式碼必然比較差。一項發表於 Empirical Software Engineering 的兩階段研究發現,使用 AI 的開發者在第一階段新增 Java 功能時,任務完成時間中位數縮短了 30.7%;第二階段由另一批開發者在沒有 AI 的情況下繼續修改程式碼,研究未發現兩組在後續修改耗時或品質上存在統計顯著差異。這項結果有任務規模與實驗情境的限制,但說明開發流程、任務類型、經驗與驗證方式,都會影響最終品質。
Hacker News 的討論也指出,技術債、過度抽象、測試不足、難以理解的舊程式碼,以及趕進度時跳過審查,都是 AI 出現前就存在的問題。AI 可能放大並加速這些問題,也可能在良好的流程中幫助團隊改善品質。Google 的 DORA 研究亦指出,較高的 AI 使用程度與較高的交付吞吐量相關,同時也與較高的交付不穩定性相關。AI 更像放大器:清晰的架構、可靠的測試與穩定的交付流程會受益;混亂的邊界與不足的驗證,也可能更快累積後果。
AI 已能分擔大量重複實作、程式碼遷移、測試輔助與問題定位工作,沒有必要因擔心技術債就完全放棄它。但生成程式碼的成本降低,不代表判斷業務需求、維持架構邊界與處理未來故障的成本也會消失。未來衡量開發效率,不能只看一天產生多少程式碼、合併多少 PR;更重要的是幾個月後,團隊是否仍能以合理成本理解、修改並維護這套系統。
經濟影響方面,Anderson Economic Group 初步估計生產力損失約 70 億美元,並估算週四約 2,600 萬人、週五約 5,100 萬人的工作受到可計量的影響。這是未能完成工作所折算的產值,不是微軟須支付的賠償,也不是直接蒸發的現金;數字仍屬初步估算。
微軟特別否認 AI 代理涉入,有其產業背景。《金融時報》曾報導,亞馬遜雲一宗故障與工程師使用編碼代理 Kiro 進行變更有關;亞馬遜則將問題歸因於存取控制配置不當,強調不是 AI 本身造成。兩種說法指向同一個治理問題:當代理取得足以修改生產環境的權限,授權範圍與變更審查就格外重要。就這次微軟事件而言,目前沒有證據顯示 AI 代理是肇因。
AI 在本次故障中更直接的角色,反而是下游受害者。OpenAI 提醒使用者,與微軟的新連線及部分工具可能異常;Anthropic 也通報上游服務商問題,Claude 連接郵件、日曆等工具的請求受到影響。企業 AI 助手若要讀取郵件、文件與行事曆,就必然依賴這些辦公系統。相關後端失效時,AI、資料工具及安全合規服務也可能一起受波及。
另一個值得討論的背景是擴容壓力。微軟表示,問題源於先前的網路容量升級;在 AI 需求與基礎設施投資持續增加的環境下,頻繁變更可能帶來更多操作風險。不過,「AI 需求促成此次故障」是對產業背景的推論,並非微軟公布的根因,兩者不能畫上等號。
C# 15 可以宣告「Pet 是由 Dog、Cat、Bird 組成的 union」。這些成員稱為 case types。宣告後,三種指定型別都能隱含轉換為 Pet,未列入的 Shark 則會產生編譯錯誤。程式也能直接針對各 case type 進行模式比對;當三種情況都已處理,編譯器便能確認比對具有窮盡性,不再要求額外處理未知物件。
如果其中一個 case type 允許 null,編譯器會明確提醒尚未處理 null。補上對應分支後,窮盡性警告就會消失。講者強調,這類具體的編譯器回饋,能引導開發者逐步補齊必要情況。
Union 本身是真正的型別宣告,不只能使用簡短的分號形式,也能加入大括號、泛型參數及屬性或方法等功能成員。例如,可以把處理不同寵物的邏輯寫成 Pet 的輔助屬性。不過,這種 union 不允許另外宣告儲存狀態:其中的值就是它的狀態。
講者也展示編譯器預設如何實作 union。預設產生的是 struct,包含保存目前值的 Value 屬性,以及接收各 case type 的建構函式;隱含轉換可藉由呼叫相應建構函式完成,模式比對則會取出值來判斷。編譯器產生的型別也會實作 IUnion,方便程式在不知道具體 union 型別時,仍能辨識 union 並取得其值。
開發者亦可自行建立 union:在類別或結構上標示 Union attribute,提供必要的值屬性與建立成員,讓編譯器辨識其 case types。這對效能要求較高,或想讓既有型別具備 union 行為的情境特別有用。例如,預設實作以較寬泛的型別儲存值,可能使實值型別發生裝箱;自行實作便能選擇其他儲存與取值方式。
將基底類別宣告為 closed 後,只有同一組件內的型別能直接繼承它;其他組件的繼承宣告會成為編譯錯誤。closed 也使該類別自動具有抽象類別的性質。如此一來,開發者可以保留既有的繼承模型,同時讓編譯器確認模式比對是否窮盡,而不必為了改用 union 重整整個資料結構。
第三項功能擴充了集合運算式。集合運算式原本適合簡潔地建立集合,但若建立時需要傳入參數,例如替 HashSet 指定忽略大小寫的比較器,或替 List 指定初始容量,過去往往得改回明確呼叫建構函式。C# 15 允許在方括號開頭使用 with 並提供參數,讓程式在保留集合運算式寫法的同時,控制集合的建立方式。
另一個重點是 .NET MAUI 團隊正在 MAUI Labs 實驗的 Essentials AI。它延續 Xamarin Essentials 將跨平台裝置能力整合為統一 API 的思路,嘗試為 iOS、Android 和 Windows 的裝置端 AI 模型提供一致的使用方式。開發者可依平台註冊對應的 IChatClient 實作,再讓應用程式其他部分透過共同介面呼叫。Gerald 說明,Essentials AI 目前以 MAUI Labs 預覽套件形式提供,方便團隊快速實驗並收集回饋;它受到團隊積極維護,但尚不等同納入正式產品支援承諾。
使用裝置端 AI 前,App 必須檢查裝置是否具備相應能力、模型是否已準備就緒,以及是否需要下載模型。不同平台與裝置支援的功能也不完全相同;以分享當時的情況來說,工具呼叫能力尤其需要逐一確認。這意味著開發者不能只因某台裝置「有 AI 模型」,就假設所有 AI 功能都能執行,仍須做好能力檢測、替代流程和實機測試。
要讓 AI「採取行動」,Gerald 展示了 AI attributes 的做法。開發者可在既有 C# 方法上標註匯出 AI 函式的屬性,替函式及參數寫出清楚描述,使模型能根據使用者語句判斷何時呼叫工具,以及該傳入哪些參數。例如,開啟講者頁面、搜尋議程或調整個人行程,都可以轉為模型可呼叫的工具。相關原始碼產生器會建立呼叫程式碼,避免在執行時依賴反射。工具最終仍透過 App 原本的 ViewModel、模型和服務執行,不必另建一套與既有介面脫節的操作邏輯。
讓 App 能行動,也必須讓使用者保持控制權。示範中,移除已儲存議程屬於可能造成損失的操作,因此 AI 會先列出將移除的項目並要求確認;使用者可以選擇移除或保留。Gerald 建議開發者驗證每項請求與工具參數、留意提示注入風險、清楚說明 AI 能做什麼,並只公開必要且願意讓模型操作的工具。AI 可以協助判斷意圖,但不應繞過安全檢查或替使用者擅自決定重大操作。
分享最後也提出更多延伸方向。語意搜尋可將文字轉成向量,讓使用者不必輸入完全一致的關鍵字,就能找到意思相近的議程。AI 也可能協助新使用者找到設定、推薦入門內容、說明觀看某場演講前應具備的背景知識,或將議程摘要翻譯成偏好的語言。MAUI Labs 中的 AI Wayfinding 實驗則進一步思考:如果使用者能直接表達目的,App 是否可以替他找到操作路徑,甚至呈現更符合個人偏好的介面?
ASP.NET Core 讓團隊運用共通的 C# 技能、程式庫與工具,建立 API 和網頁介面;Razor 工具、Hot Reload 與 AI 輔助則有助於縮短迭代時間。講者舉 Toscano Digital 為例:其五人開發團隊在既有 Blazor 內部 CRM 之外,建立公開房地產入口網站,每年服務約 500 萬次工作階段與 1,100 萬次頁面瀏覽。團隊結合 .NET 與 Blazor 的不同渲染策略,兼顧搜尋可見度、行動裝置效能和豐富互動,並透過 C# 全端開發及平台內建功能提高生產力。
Blazor 生態系也獲得合作夥伴投入。Infragistics 將超過 50 個 Ignite UI for Blazor 元件以免費、開源方式提供,涵蓋資料格、清單、輸入、導覽與版面配置等。Syncfusion 則推出免費開源的 Syncfusion Toolkit for Blazor,包含圖表、輸入、行事曆與對話方塊。這兩項產品均採 MIT 授權,可用於商業用途,且與廠商原有的商用元件套件分開提供。除了元件,Infragistics 也為 .NET 11 貢獻可找出常見錯誤的 Blazor 分析器;Syncfusion 則投入框架與鷹架修正、診斷訊息改善,以及新功能測試。
C# Union、OpenAPI 與非同步驗證
.NET 11 的 ASP.NET Core 支援在 API 和網頁介面中使用 C# Union。以退貨處理為例,同一個結果可以是「退款」或「更換商品」,兩者具有不同欄位。開發者可用 Union 表達這兩種情況,讓 System.Text.Json 依實際值序列化對應內容,並由 ASP.NET Core 產生描述各種可能結果的 OpenAPI 3.2 Schema。示範中的 Minimal API 分別回傳退款與更換商品資料,不需要額外包裝物件或型別辨識欄位;Razor 與 Blazor 介面也可依 Union 的實際情況,呈現對應內容。
商業規則常需要查詢資料庫或呼叫其他服務,因此不一定能同步完成。.NET 11 的 Data Annotations 加入非同步驗證 API:AsyncValidation 屬性可建立可重複使用的自訂規則,IAsyncValidatableObject 則可進行物件層級、涉及多個欄位的檢查。Minimal API 與 Blazor 都支援這兩種方式。
示範中,客服選擇更換商品型號時,系統會非同步查詢庫存。頁面在等待期間顯示載入提示,並依結果告知商品是否有貨。實作上,更換商品的請求模型沿用一般資料註解驗證,另以自訂的 InStockAttribute 執行庫存檢查;Blazor 表單仍使用一般的 EditForm 與 Data Annotations 驗證器,並可透過相關 API 偵測驗證是否仍在進行。相同模型也能用於 Minimal API:無庫存的型號會得到驗證失敗結果,有庫存的型號則回傳 HTTP 200。
兩種執行階段仍有較底層的差異。Mono 提供豐富的嵌入 API,讓原生 C 或 C++ 程式碼載入型別、呼叫方法並檢查 .NET 型別;CoreCLR 沒有完全對等的 API 集合。因此,依賴 Mono 嵌入 API 的特殊專案,例如某些遊戲引擎整合方式,可能需要重新設計。不過,這通常不是一般 .NET MAUI 應用會碰到的層次。
過去使用 Mono AOT 時,建置工具 mono-aot-cross 會處理應用程式的 DLL,並為各 DLL 產生對應的原生函式庫。改用 CoreCLR 後,對應的重要技術是 Ready to Run(R2R):CrossGen2 會在建置時產生原生碼,並將其放入仍含有 IL 的 DLL。這也是啟用 Ready to Run 後,DLL 可能變大的原因。
在 Android 上,.NET MAUI 預設採用部分 Ready to Run,而非將所有程式碼都預先編譯。團隊透過具有代表性的 MAUI 應用記錄啟動時用到的方法,將資料保存為 MIBC 檔案,交給 Ready to Run 編譯器使用。如此可優先加快啟動路徑,同時避免完整預先編譯造成應用程式體積大幅增加。開發者仍可評估自己的應用,決定是否以較大的檔案換取完整 Ready to Run 可能帶來的效能收益。iOS 則因無法以相同方式使用 JIT,沒有採用 Android 的這種部分 Ready to Run 預設方案。
應用程式的封裝方式也會隨之變化。在 Android 上,.NET 組件會被放入名為 libassemblystore 的原生函式庫中,便於依裝置架構封裝與配送。使用 CoreCLR 時,其中除了 IL,也可能包含 Ready to Run 映像;一般開發者通常不需要直接處理這些內部檔案。
Native AOT 是另一條路,不等於這次的 CoreCLR 切換
Native AOT 不只是「把 Ready to Run 開得更完整」,而是另一種執行階段與建置模式。它在建置時完成編譯,不依賴 JIT,並積極移除未使用的程式碼。其成果通常是啟動更快、體積更小的應用;例如 Android 可產生一個包含執行階段與已編譯 .NET 程式碼的 .so 檔案。不過,在這場分享所述的階段,Android 上的 Native AOT 仍屬預覽功能。
John 展示了以 Samsung Galaxy A16 等裝置測試的代表性結果,涵蓋 MAUI 專案範本、加入更多控制項與圖表的範例,以及實際以 .NET MAUI 建置的 Microsoft 365 Admin 應用。在 Android 上,Mono、預設的部分 Ready to Run,以及完整 Ready to Run 的啟動表現大致可比;部分與完整 Ready to Run 哪個較快,會因應用而異。在 iOS 的測試中,展示的應用啟動時間則普遍有所改善。
體積方面,Android 的部分 Ready to Run 與原先 Mono 版本相近,完整 Ready to Run 通常會讓 APK 稍微變大;展示的 iOS 測試則呈現應用程式體積縮小的趨勢。這些結果並不保證每個應用都會相同,因此團隊希望開發者以自己的實際專案測量;若出現明顯異常,也歡迎回報以便調查。
二十年前,Y Combinator(YC)聯合創始人 Paul Graham 曾把「一個人創業」列為可能害死新創公司的頭號錯誤。如今,YC 總裁 Gary Tan 卻在播客《Lightcone》中說:「YC 自己就是獨自創業者的 YC。」這並不代表找搭檔已經過時,而是 AI 正在改變創業初期需要多少人、哪些能力最難取得。
**第二個變化,是資深創業者更能發揮優勢。**Gary Tan 說,他最近見到的一些出色創始人,年齡在三十多、四十多歲,甚至五十多歲。他舉 OpenCLAW 作者 Peter Steinberger 為例:對方四十歲,先前有十年經營公司的經驗。合夥人 Jared 指出,管理 AI 程式設計代理,在某些方面與管理人員相似:都要拆解任務、訂立標準、驗收成果,並預判容易出錯之處。這些能力往往來自長年的實務經驗。當「不會寫程式碼」或「找不到技術搭檔」不再像以前那樣難以克服,熟悉一個行業的人,也更有機會親手驗證自己的想法。
強化學習環境可以理解為 AI 的模擬考場。例如建立一套虛構的公司財務系統,放入帳本、發票和待辦事項,讓 AI 練習對帳、報稅,並依結果自動評分。要讓 AI 學會處理真實工作,除了讀取資料,還需要能反覆操作、檢驗對錯的場景;環境越貼近現實,就越有價值。機器人領域也有類似需求:有公司在各地工廠,以第一人稱視角拍攝工人的操作,再將資料提供給機器人實驗室。YC 認為,部分業者不願公開談論這門生意,正因為不想讓競爭對手注意到機會;YC 於 2016 年投資的 Scale AI,則是這個領域的早期代表。
一段談論 AI 工作方式的影片近期引發討論。原文介紹,一名網名「土豆女神」的工程師 Lauren Tan,展示了由一個 AI 協調多個 AI 代理(Agent)處理工作的做法。原文也提到「指揮 50 多個 AI」、「完成 20 多名工程師的工作量」及「公司九成以上員工都在使用」等說法;這些是原文轉述的宣稱,不能僅憑這段文字確認。
在上一篇關於 Microsoft Agent Framework 系列教學文章 "MFA014 - 多模態輸入(圖片)" 中,我們學會了使用 Microsoft Agent Framework 建立能夠處理圖片輸入的 AI 代理。讓模型接收到多模態的資料,在這裡使用的圖片,這裡的圖片將會是冰箱的照片。透過這個練習,我們了解了如何讓 AI 代理分析圖片內容並給出建議。
在完成這篇文章的練習之後,你將能夠使用 Microsoft Agent Framework 建立一個能夠處理多輪對話的 AI 代理,並了解 Responses API 與 Chat Completions 代理在多輪對話中的差異。所謂的 Chat Completion API 則是每輪都需要將完整對話歷史送給模型,服務端不會保存對話狀態。而對於 Responses API,服務端會保存對話狀態,因此每輪不需要重送完整對話歷史,且能保留上一輪的推論摘要。那麼對於使用者而言,面對問題需求的時候,該如何挑選適合的代理,就可以根據是否需要服務端保存對話歷史以及對訊息數與 Token 使用量的考量來決定。
接下來看看如何做到這樣的效果。
建立 Console 專案
開啟 Visual Studio 2026
選擇「建立新專案」
在 [建立新的專案] 視窗中,在右方清單內,找到並選擇「主控台應用程式」 項目
然後點擊右下方「下一步」按鈕
此時將會看到 [設定新的專案] 對話窗
在該對話窗的 [專案名稱] 欄位中,輸入專案名稱,例如 "csResponsesAgent"
然後點擊右下方「下一步」按鈕
接著會看到 [其他資訊] 對話窗
在這個對話窗內,確認使用底下的選項
架構:.NET 10.0 (或更新版本)
勾選 不要使用最上層陳述式 (這是我的個人習慣)
然後點擊右下方「建立」按鈕
現在,已經完成了這個 Console 主控台 專案的建立
安裝需要用到的 NuGet 套件
要完成這個第一次接觸 Microsoft Agent Framework 練習專案,需要安裝以下幾個 NuGet 套件:
Microsoft.Agents.AI.OpenAI
這個套件是微軟官方為 .NET 整合 AI 服務所提供的擴充套件,專門用於與 OpenAI 進行整合。它實現了 IChatClient 與 IEmbeddingGenerator 核心抽象介面,讓開發人員能以一致的程式碼,輕鬆串接 OpenAI 或相容的 API 端點(例如 Azure OpenAI、GitHub Models 等)。
在上面的範例程式碼中,將會展示如何使用 Responses API 代理與 Chat Completions 代理,並比較它們在處理同一個邏輯題時的行為差異。為什麼會想要這麼來比較呢?因為,這裡提供兩種類型的 API,當我們遇到問題的時候,究竟要如何選擇採用哪種 API 呢?透過這個範例,我們可以觀察到兩者在訊息傳遞、對話管理以及推論摘要上的差異,進而做出更適合的選擇。
**Explaining the puzzle setup**
I’m considering a standard puzzle with three labeled boxes: apple, orange, and mixed, but they’re all incorrectly labeled. Typical strategies involve drawing from the mixed box to find the correct fruit, but here there are four types with three fruit kinds, which complicates things. It seems like one sample isn’t enough to solve this, and I should clarify using counterexamples to support that idea while keeping the explanation concise and clear.
【reasoning effort = High】
[推論摘要]
**Solving the labeling puzzle**
I need to find a solution involving boxes labeled incorrectly with their contents. The mixed-labeled box will help identify what’s inside, which will then allow me to label the others correctly. If I draw an apple from the mixed box, I can eliminate that as a possibility for the remaining boxes, given the constraints of labeling. For instance, if I label one box correctly, I can’t have the others labeled correctly. I’ll explore all possible arrangements next.**Analyzing the box labeling puzzle**
I’m trying to determine if the arrangement A-box B, O-box M, and B-box O is valid. Drawing from the mixed box could help identify one pure box, but it might not uniquely solve the problem with three remaining boxes. To answer the user’s question about guaranteeing the correct contents of four boxes, I need to explain clearly that it’s not possible with just one draw from the mixed box. I have to demonstrate this effectively in three sentences.**Examining labeling strategies**
I need to illustrate that no strategy guarantees accurate labeling, although drawing from the mixed-labeled box seems to be the best option. If I draw an apple, I can identify the mixed box but face ambiguity with two potential assignments. To clarify, I'll label the boxes as Apple A, Orange O, Banana B, and Mixed M. If I draw an apple from M, the remaining contents could suggest two valid assignments for the other labels, which complicates things further.
[答案]
**不能保證推出四個盒子的正確內容。**例如從「混合」盒取出蘋果,可知該盒是純蘋果;但剩下仍可能是「蘋果標籤盒=混合、橘子標籤盒=香蕉、香蕉標籤盒=橘子」,也可能是「蘋果標籤盒=香蕉、橘子標籤盒=混合、香蕉標籤盒=橘子」,兩者都符合所有標籤貼錯,因此一次取樣不足以唯一判定。
token:輸入 118(快取 0)/輸出 652(其中推論 516)/總計 770
從上面的 Low & High 的執行結果可以看出,ReasoningEffort.Low 的推論較為簡單快速,但可能忽略一些細節,例如:無法完整展示所有可能的盒子排列,對於保證正確標籤的推論不夠全面。而 ReasoningEffort.High 則提供了更完整的分析,考慮了多種可能性,能更清楚地說明為什麼無法保證推出四個盒子的正確內容。
觀察上面的對照小結:第二輪(追問)可以發現,Responses API 只送出一則訊息,但服務端會自動帶入上一輪的完整對話歷史,因此能保留推論摘要;而 Chat Completions 代理則需要每輪重送完整對話歷史,導致訊息數增加,且無法保留上一輪的推論內容。這也說明了兩種代理在處理多輪對話時的差異:Responses API 依賴服務端保存對話,Chat Completions 則依賴本機管理對話歷史。對於 Token 使用量而言,Responses API 可能因為帶入完整對話歷史而增加輸入 token,但仍能減少訊息數;Chat Completions 則每輪都需重送完整對話歷史,訊息數增加,且無法保留推論摘要。
執行結果
現在來看看這個範例程式碼的執行結果。
在 Visual Studio 2026 下,按下 F5 鍵執行程式,將會看到程式輸出的結果。
使用的模型:gpt-5.6-luna
邏輯題:有四個盒子,標籤分別是「蘋果」「橘子」「香蕉」「混合」,但四個標籤全部貼錯了。你只能從其中一個盒子拿出一顆水果來看(不能看盒子裡面),能不能保證推出四個盒子的正確內容?請說明。
======================================================================
示範一:Responses API + 推論摘要(同一道題,effort = Low vs High)
======================================================================
【reasoning effort = Low】
[推論摘要]
**Explaining the puzzle setup**
I’m considering a standard puzzle with three labeled boxes: apple, orange, and mixed, but they’re all incorrectly labeled. Typical strategies involve drawing from the mixed box to find the correct fruit, but here there are four types with three fruit kinds, which complicates things. It seems like one sample isn’t enough to solve this, and I should clarify using counterexamples to support that idea while keeping the explanation concise and clear.
[答案]
**結論:不能保證推出四個盒子的正確內容。**
應從標籤「混合」的盒子取水果,因為它不可能是混合盒,若取到蘋果,只能確定該盒是純蘋果,但其餘三盒仍可能有多種符合「全錯」的排列,例如「蘋果標籤盒」可為混合或橘子盒。
因此一次取樣所得資訊不足以唯一確定四個盒子的內容。
token:輸入 118(快取 0)/輸出 418(其中推論 295)/總計 536
【reasoning effort = High】
[推論摘要]
**Solving the labeling puzzle**
I need to find a solution involving boxes labeled incorrectly with their contents. The mixed-labeled box will help identify what’s inside, which will then allow me to label the others correctly. If I draw an apple from the mixed box, I can eliminate that as a possibility for the remaining boxes, given the constraints of labeling. For instance, if I label one box correctly, I can’t have the others labeled correctly. I’ll explore all possible arrangements next.**Analyzing the box labeling puzzle**
I’m trying to determine if the arrangement A-box B, O-box M, and B-box O is valid. Drawing from the mixed box could help identify one pure box, but it might not uniquely solve the problem with three remaining boxes. To answer the user’s question about guaranteeing the correct contents of four boxes, I need to explain clearly that it’s not possible with just one draw from the mixed box. I have to demonstrate this effectively in three sentences.**Examining labeling strategies**
I need to illustrate that no strategy guarantees accurate labeling, although drawing from the mixed-labeled box seems to be the best option. If I draw an apple, I can identify the mixed box but face ambiguity with two potential assignments. To clarify, I'll label the boxes as Apple A, Orange O, Banana B, and Mixed M. If I draw an apple from M, the remaining contents could suggest two valid assignments for the other labels, which complicates things further.
[答案]
**不能保證推出四個盒子的正確內容。**例如從「混合」盒取出蘋果,可知該盒是純蘋果;但剩下仍可能是「蘋果標籤盒=混合、橘子標籤盒=香蕉、香蕉標籤盒=橘子」,也可能是「蘋果標籤盒=香蕉、橘子標籤盒=混合、香蕉標籤盒=橘子」,兩者都符合所有標籤貼錯,因此一次取樣不足以唯一判定。
token:輸入 118(快取 0)/輸出 652(其中推論 516)/總計 770
======================================================================
示範二:服務端保存對話(Responses API,只傳上一輪的 response id)
======================================================================
【第一輪:原題】
[推論摘要]
**Explaining a classic puzzle**
I need to answer in traditional Chinese, starting with a clear conclusion followed by an explanation of three sentences maximum. The puzzle involves labeling where the contents are pure apple, orange, banana, or a mixed fruit, all with wrong labels. The strategy is to draw from the box labeled mixed, as it cannot contain mixed fruit, allowing identification of the true contents of the other boxes too.
[答案]
可以保證。先從標示「混合」的盒子取一顆,因標籤全錯,它不可能是混合盒,因此看到的水果即可確定該盒是對應的單一水果盒;再依「其餘標籤全錯」的條件,排除已知內容,唯一確定另外三盒的正確配置。
實際送出訊息數:1 則
帶出的對話 id :(無)
回來後 session.ConversationId:resp_09570987efccb64b006af16ce2a45c8193bf29d2ab8c90fe24
token:輸入 118(快取 0)/輸出 172(其中推論 81)/總計 290
【第二輪:追問(不重述題目)】
[推論摘要]
(沒有收到推論摘要:Chat Completions 不提供;Responses 則在推論太短時會省略)
[答案]
應從標示「混合」的盒子拿。因為標籤全錯,該盒必定是純蘋果或純橘子;若拿到蘋果,它就是蘋果盒,標示「橘子」的盒子只能是混合盒,剩下的是橘子盒(拿到橘子時反之亦然)。
實際送出訊息數:1 則
帶出的對話 id :resp_09570987efccb64b006af16ce2a45c8193bf29d2ab8c90fe24
回來後 session.ConversationId:resp_09570987efccb64b006af16d266f98819398624f4df0d0cb1b
token:輸入 331(快取 0)/輸出 89(其中推論 0)/總計 420
======================================================================
示範三:對照組 Chat Completions(每一輪都把整段歷史重送)
======================================================================
【第一輪:原題】
[推論摘要]
(沒有收到推論摘要:Chat Completions 不提供;Responses 則在推論太短時會省略)
[答案]
**不能保證推出四個盒子的正確內容。**
例如從「混合」盒取出蘋果,只能確定該盒是「蘋果」,但其餘仍可能是「蘋果標籤=橘子、橘子標籤=香蕉、香蕉標籤=混合」,也可能是「蘋果標籤=混合、橘子標籤=香蕉、香蕉標籤=橘子」,兩者都符合所有標籤貼錯。
因此一次取出一顆水果的資訊不足以唯一確定四盒內容。
實際送出訊息數:1 則
帶出的對話 id :(無)
回來後 session.ConversationId:(無,歷史存在本機 session)
token:輸入 118(快取 0)/輸出 660(其中推論 512)/總計 778
【第二輪:追問(不重述題目)】
[推論摘要]
(沒有收到推論摘要:Chat Completions 不提供;Responses 則在推論太短時會省略)
[答案]
**應該從標籤為「混合」的盒子拿一顆水果。**
因為所有標籤都錯,「混合」盒不可能是混合;若拿出蘋果,它就是蘋果盒,接著標籤「橘子」的盒只能是混合,標籤「蘋果」的盒則是橘子。
若拿出橘子,推理對調即可,因此一定能推出三盒內容。
實際送出訊息數:3 則
帶出的對話 id :(無)
回來後 session.ConversationId:(無,歷史存在本機 session)
token:輸入 307(快取 0)/輸出 177(其中推論 58)/總計 484
======================================================================
對照小結:第二輪(追問)
======================================================================
實際送出的訊息數:Responses = 1 則|Chat Completions = 3 則
帶出的對話 id:Responses = 上一輪的 response id|Chat Completions = (無)
輸入 token(其中快取):Responses = 331(0)|Chat Completions = 307(0)
推論 token:Responses = 0|Chat Completions = 58
兩輪中拿到推論摘要:Responses = 是|Chat Completions = 否
對話歷史存在哪裡:Responses = OpenAI 服務端|Chat Completions = 本機 AgentSession
觀察:Responses 第二輪只送 1 則訊息,但服務端會把上一輪的完整內容(含推論項目)接回上下文,
所以輸入 token 照樣計費,甚至可能比 Chat Completions 多;Chat Completions 重送的只有看得見的文字,
上一輪的推論內容直接丟掉。(提示快取要前綴超過約 1,024 token 才會命中,這個範例太短所以是 0)