[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。

[AI 衝擊] 我們可能是最後一代白領

[AI 衝擊] 我們可能是最後一代白領

摘要 : AI正快速取代高階智力勞動，白領應立即調整工作方式與人生定位

內容:

矽谷一線創業者透露，頂級實驗室的程式碼在去年仍有約70%至80%由人類撰寫，今年卻降至不到1%。短短一年內，程式設計師從主要生產者轉為任務分配者與審核者，甚至連審核速度都開始追不上AI。

部分頂尖AI研究員也擔心，隨著自動化AI研究系統持續發展，自己可能在一兩年後失去工作。這意味著，當前這段時間或許是這一代白領僅存的轉型窗口。

### 六組正在發生的變化

第一，前沿實驗室與頂尖工程師已很少親自撰寫程式碼。Claude Code、Codex等工具在部分工作上的表現，被認為已接近Meta內部L8、L9級工程師，也就是首席架構師或技術長的水準。有些創業者甚至表示，Claude在部分任務上比自己的CTO更強。

第二，Token消耗量正在成為新的生產力指標。矽谷一線工程師每天可能使用數百美元、每週數千美元的Token。Meta等公司不只提供近乎不限量的使用額度，還統計員工的Token用量，鼓勵其他人模仿高用量者。部分公司面試時甚至會提供一千美元額度，觀察應徵者能多快、有效地將Token轉化為成果。

第三，研究與開發速度大幅提升。過去一個構想從提出到完成程式驗證，通常需要兩至三週，如今可能只需一至兩天。Anthropic與OpenAI內部已出現半自動、甚至接近全自動的實驗流程；部分數學推導與科研突破，也可能直接產生於Codex和Claude的互動。

某些前沿多模態團隊的資料流程，從原本需要12個月，縮短至數天或一週。Anthropic也曾在50多個工作日內發布70多項產品與功能，速度遠超傳統網路產業的開發節奏。

第四，最了解AI能力的人，也開始擔心被AI取代。下一代自動化AI研究員正在形成，可能直接接手目前研究人員的工作。相關預測認為，這一代人或許會成為最後一代傳統白領；原本看似激進的判斷，正逐漸成為現實。

同時，美國本科畢業生的就業情況轉差，大型科技公司仍持續裁員。AI不只減少部分職位，也可能切斷初級人才從基層工作累積經驗、逐步成長的路徑。

第五，知識與智力正被壓縮進模型，轉化為可以計價的運算資源。過去，人們透過教育、學習與經驗換取工作機會；如今，許多知識能力正被轉化為一串串Token。

程式設計師、律師、醫生、仲介與銀行從業者等中產職業，恰好都是AI積極進入的領域。印度資訊外包產業可能因此面臨衰退，部分訂閱制軟體的需求也正在下降，因為使用者發現，一個通用AI工具可能已足以處理多種任務。

第六，現階段最直接的建議仍是積極使用AI。短期來看，AI優先取代的可能是不願使用AI的人；能將AI深度嵌入工作流程者，反而有機會成為受益者。

AI也正在壓低創業的組織成本，使「一人公司」更容易出現。未來人的價值，可能更多轉向創造力、審美、判斷力與需求定義能力。

### 「智力坎蒂隆效應」

傳統的坎蒂隆效應指出，當新貨幣進入經濟體系時，越靠近貨幣注入點的人，越能優先獲益；距離越遠的人，不但較難獲利，還可能承擔通膨成本。

AI則帶來一種新的「智力坎蒂隆效應」。人類歷史累積的書籍、論文、程式碼與對話，被壓縮進大型語言模型，成為可流動、可計價，也能重新分配的智力資源。

最靠近智力注入點的，是Anthropic、OpenAI、Meta等公司的研究員、工程師，以及大量使用Token的矽谷創業者。他們並非突然變得更聰明，而是取得了數倍甚至數十倍的外部智力，因而能用一天完成過去需要數週的工作。

第二層則是位於矽谷之外、但對AI高度敏感的創業者、投資人與獨立開發者。他們不在技術注入的核心，卻能提早感受到變化方向。

距離最遠的，是仍沿用過去工作方式、不願或不敢將AI深度整合進工作流程的大多數白領。他們未必能力不足，只是尚未意識到生產力的河道已經改變。

### 從創造者變成AI的審核員

一位史丹佛電腦博士出身、管理數十人團隊的技術長表示，他每天的核心工作已不再是寫程式，而是將任務拆解後交給Claude，再審核AI產出的程式碼。

問題在於，AI生成程式碼的速度已逐漸超過他的審核能力。他的工作從創造，變成追趕AI創造的速度；個人價值也不再主要來自知道多少，而是能多快檢查AI的產出。

這使他開始懷疑，博士學位與過去15年累積的程式經驗，還能保有多少價值。如果初級工程師搭配Claude，兩天就能完成他過去兩週的工作，那麼CTO的存在價值又是什麼？即使答案是管理經驗，AI也正在學習如何管理其他AI。

真正令人不安的，不只是「我會不會被取代」，而是「我過去累積的一切，是否正在被系統性地重新定價」。

### 這次技術革命為何不同

常見觀點認為，歷史上的技術革命雖然淘汰舊工作，也會創造新工作。蒸汽機替代挑夫，卻創造工程師；自動化替代裝配工人，也創造了程式設計師。

過去的基本結構，是機器取代較低階的體力工作，人類則往更高階的腦力工作遷移。但這一次，AI可能直接挑戰整條升級階梯。

抽象思考、程式設計、複雜判斷與創造性解題，原本被視為人類能力的頂層，卻也是大型語言模型快速進步的領域。相較之下，人類覺得簡單的動作能力、環境適應與細微情緒辨識，反而是AI較難掌握的部分，這正是莫拉維克悖論所描述的現象。

當AI從智力階梯頂端向下取代，人類難以繼續往上遷移；若轉向體力工作，又可能面臨AI與機器人結合後的自動化。白領職業原有的定價基礎因此被逐步抽空，而且未必存在更高一級、足以容納大量勞動人口的新職位。

### 創造力與審美不是寬廣的避風港

創造力與審美常被視為人類最後的優勢，但其市場需求量可能遠低於傳統中產工作。

社會之所以能容納大量白領，是因為合約、程式碼、財務、診斷、設計與分析等中等複雜度工作，每天都在各行各業大量發生。相較之下，一部電影或一首歌曲，就能供數千萬甚至上億人共同消費。

創意產業容易形成贏家通吃。頂尖少數人可能取得大部分收入，中間群體只能勉強維生，其餘多數人甚至無法進入市場。因此，「未來依靠創造力與審美」雖然指出了一條路，卻可能是一扇非常狹窄的門，無法容納現有規模的中產人口。

### 普通人可以採取的行動

第一個層次，是立即擁抱AI，主動向智力注入點靠近。將AI深度整合進工作流程，才能暫時從可能被替代的一方，轉為運用AI提升產能的一方。

但這個做法主要是在爭取時間，而不是永久解決問題。AI本身也在協助研發下一代AI，人類今天學會的操作方式，未來仍可能被進一步自動化。

第二個層次，是重新思考自己與工作的關係。過去「好好讀書、找到穩定工作、持續升職，最後退休」的人生腳本，建立在智力勞動能長期被社會需要並穩定定價的前提上，而這個前提正在動搖。

這種崩潰不必然只有負面意義。它也迫使人們重新思考：一個人花20年接受教育，再用40年重複AI能快速完成的工作，是否真是唯一合理的人生道路。

[AI 衝擊] AI重組職場：白領首當其衝

[AI 衝擊] AI重組職場：白領首當其衝

摘要 : AI正取代標準化工作，職場入口縮減，跨域與指揮AI能力成為新競爭力。

內容:

世界經濟論壇預測，到2030年，全球將有9,200萬個職位消失，同時新增1.7億個職位，淨增加約7,800萬個。表面上就業總量仍然成長，但同一份報告顯示，54%的企業高階主管認為AI會取代大量現有職位，僅23%認為AI能創造大量新工作，認為AI會帶來全新工作的比例更只有12%。此外，57%的經濟學家預期，未來十年職位數量將淨減少。

AI的衝擊並非平均分布。依照頭部AI實驗室對各職業受AI影響程度的排名，程式設計師達74.5%，客服代表為70%，資料輸入與市場研究分析等職業也超過六成。這些工作的共同點，是大量處理標準化文本、資料與程式碼，規則清楚、成果可重複，正是AI最容易接管的任務。

相較之下，廚師、修理工、護理人員等需要處理複雜現場狀況，或提供情感支持的職業，受AI影響程度接近零。這一輪AI衝擊，率先影響的可能不是藍領勞工，而是過去薪資較高的白領中產。相關職位的碩士比例較高，時薪也比平均水準高出47%；知識與薪資越高，工作反而可能越容易受到AI影響。

國際貨幣基金組織指出，AI可能優先淘汰初級職位，使年輕人累積經驗的「學徒期」逐漸消失。過去應屆畢業生通常從製作報表、整理資料、執行客服等工作開始，但這些入門級任務如今能被AI快速完成，導致年輕人進入職場的入口變窄。

不過，機會也正在新的產業結構中出現。中國AI產業的招聘企業數量半年內成長24.8%，職位數增加10.6%。人工智慧工程師的供需比為2.62，平均每位求職者可對應約2.6個職位，核心產業人才缺口超過500萬人。其中，智慧體開發人才需求一年成長244%，AI產品經理需求則增加87.7%。

這些數據反映，真正稀缺的不是單純會使用AI的人，而是既懂產業與業務，又能運用AI解決問題的跨域人才；逐漸過剩的，則是能被AI標準化與複製的執行工作。AI帶來的變化不只是職位消失，更是職業重新組合：被取代的是部分任務，需要升級的是工作者本身。

對於AI與就業的未來，目前存在悲觀與樂觀兩種觀點。悲觀者看到的是2026年前四個月，全球因AI產生近5萬人的裁員，以及57%的經濟學家預期未來十年職位淨減少。樂觀者則引用Gartner的預測，認為2028年至2029年，自主AI業務可能從裁員工具轉變為淨就業創造者，並催生AI無法完成的新職業。

兩種判斷可能同時成立：短期內，職場會經歷明顯陣痛；中期之後，才可能逐漸恢復平衡。就像電子商務減少了傳統櫃檯職位，卻創造出大量物流配送工作。真正的關鍵，是工作者能否度過轉型期，等到新職業與新需求出現。

普通人可以從三個方向著手應對：

第一，計算自己的工作受AI影響程度。檢視日常工作中，有多少內容能在規則寫清楚後，由AI直接重現。如果一項工作的產出可以被操作手冊完整描述，就可能屬於AI優先接管的範圍，應及早調整工作內容與能力結構。

第二，從「被AI輔助」轉向「指揮AI工作」。可以讓AI負責初稿與例行處理，自己則專注於判斷、定稿、異常處理、現場經驗及情感溝通。這不只是學習一項工具，而是全面改變工作方式。

第三，累積複合型能力標籤。「懂業務＋會用AI」正逐漸成為比單一技術更有價值的組合，AI產品經理需求快速成長便是明顯訊號。

不是AI直接取代人，而是懂得運用AI的人取代不會運用AI的人；而那個懂AI的人，也可以是重新定義自身工作的自己。AI時代真正考驗的，不只是會不會使用工具，而是能否重新設計自己的工作與價值。這個選擇，可能決定未來三至五年，個人的職涯迎來升級，還是面臨出局。

AID05-AI 為什麼會胡說，RAG 能救到哪裡-5分鐘學AI

它不是查資料查錯了，它根本沒有在查，只是把句子接完。 先去公司自己的資料裡查一遍，它才只講查得到的東西。

#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI AI 為什麼會胡說，RAG 能救到哪裡。 阿哲，我上次問你，它會不會講得很順但其實是錯的。你那時候說順不等於對，說這件事會專門講一集。就是這一集。而且我要先講一句你可能不愛聽的：它講錯的時候，不是查資料查錯了。咦？那是什麼？它根本沒有在查。這一集講完你就會知道，公司要做的只有一件事：讓它回答之前，先去自己的資料裡查一遍。 那我們從最讓人生氣的那件事開始。它很認真地講出一個根本不存在的東西，這個叫什麼？這個叫幻覺。名字聽起來像它精神錯亂，其實它是在做它本來就被設計要做的事：把句子接完。 所以它不是故意騙我？不是。它沒有地方可以對答案，它只有一個習慣：後面一定要接得出東西。查不到的時候它不會空著，會接一個看起來很合理的。喔，就像有人被問到不知道的事，又不好意思承認，就一路講得很順把話圓完？就是這個樣子。而且最麻煩的是，它講對跟講錯的語氣完全一樣，順不等於對，你從口氣上分不出來。那我問它是不是真的，它會承認嗎？它會很有禮貌地道歉，然後再編一個給你。有用的不是問它對不對，是問它從哪裡看來的。 那要怎麼讓它查得到？得先把查這件事做好。你在公司系統裡打字去找，多半是在比對那幾個字有沒有出現；語意搜尋比的是意思像不像。 這有差嗎？我打的字，系統找得到不就好了。差在你常常不知道那份文件是用哪個字寫的。你打請假規定，公司文件上寫的是差勤辦法，比對字就一份都找不到。喔，就像我去五金行說我要那個把螺絲轉緊的東西，店員就知道我要螺絲起子？我根本沒講出那個名字。對，它聽的是你想幹嘛。但反過來要小心：它找得到的是意思像的，如果你要的是一個一字不差的編號，意思像就沒用了。那我打錯字，也找得到嗎？多半找得到，這就是它好用的地方。你換一種說法、少打一個字，它沒那麼容易被影響。 那我常聽到的 RAG，是不是就在講這件事？對。RAG 是把查這一步，塞在它開口之前。你問完，它先去公司的資料裡查一遍，再把查到的那幾段貼回桌上，然後才回答你。 桌上？就是你上次講的那張桌子？同一張。它沒有記性，只看得到攤在桌上的東西。查到的那幾段被貼上去，它才看得到；沒貼的，對它等於不存在。喔，就像請人回答之前，先把相關的那幾頁印出來擺到他面前？就是這個動作。但這裡有一個最大的誤會：它不是把幻覺治好了，是把它關在查得到的範圍裡。資料裡沒有的，它照樣會掰。那我怎麼分得出來，哪一句是查到的？叫它把出處附上來，然後真的去點開看一眼。附得出來也點得到的，才算數。 那它是去哪裡查？網路上嗎？不是，是去公司自己整理好的那一疊裡查，那一疊就叫知識庫。合約、報價單、規章、以前的客服對話，都在裡面。 那是不是把公司的檔案全部丟進去就好了？這是最多人踩的坑。裡面躺著三份版本不一樣的請假規定，它會挑一份講給你聽，不會告訴你還有另外兩份。喔，就像家裡的藥箱？過期的沒丟掉，急著要用的時候就會拿到過期那一盒。非常準。所以這一疊真正的工作不是收集，是整理跟汰舊。還有一件很多人沒想到：誰能看哪一份也要先分好，不然它會講給不該聽的人。那要整理到什麼程度才夠？你自己找得到，也講得出哪一份是現在有效的，就夠了。你自己都分不出來的，它更分不出來。 查得到，不代表查得準吧？你問到下一個名詞了。實務上會兩種找法一起用，一種比對字，一種比對意思，兩邊撈到的合起來，這叫混合檢索。 那重排序又是什麼？先撈一大把回來，再請一個比較挑剔的角色把這一大把重看一遍，挑出最該放上桌的那幾份，重新排前後。 那為什麼不乾脆全部都用意思去找？聽起來比較聰明啊。因為有些東西你要的是一字不差。料號、合約編號、發票號碼，這種東西沒有意思可言，少一碼就是完全另一個，只能一個字一個字對。喔，就像我去領包裹，光講那個藍色的箱子沒有用，得把那一串單號一個字不差地念出來？就是這樣，所以兩種一起用最穩。至於重排序，要記住它只是改順序，本來就沒撈回來的東西，它不會憑空生出來。那撈回來的是不是越多越好？不是。桌子就那麼大，貼太多它反而被不相關的內容帶走。撈的時候廣一點沒關係，真正放上桌的只留最前面那幾份。 那我把這一集重新排一次好不好？好，你來。幻覺不是它在說謊，是它一定要把句子接完，沒有的東西也接得出來。語意搜尋找的是意思像不像，不是那個字有沒有出現。RAG 是回答之前先查一遍，再把查到的貼回桌上。知識庫是公司自己那一疊整理過的資料，不是網路上的。混合檢索是兩種找法一起用，因為料號要一字不差。重排序是把撈回來的重排一次，只改順序。完全正確。以後有人跟你說他們的 AI 不會胡說了，你只要問一句：它這句話，是從哪一份文件查到的？ 企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。

[AI 洞察] AI時代的核心競爭力：判斷力、審美與專注

[AI 洞察] AI時代的核心競爭力：判斷力、審美與專注

摘要 : AI降低工具門檻，真正拉開差距的是判斷力、專業品味、底層理解與專注。

內容:

媒體經常展示AI最驚豔、最成功的一次結果，讓人產生AI無所不能的印象。但實際使用時，我們往往需要花大量時間檢查、修改與補充。展示中的最佳結果、模型的平均表現，以及個人在特定情境下得到的結果，本來就存在差異。

當你發現使用AI後，工作量反而增加了好幾倍，某種程度上代表你真正入門了。就像手機、電子郵件等工具讓溝通更方便，也讓人變得更忙。AI可以同時生成大量研究構想、文章或實驗方案，但人仍須逐一判斷細節，工作瓶頸也會從「產生內容」轉移到「審核與決策」。

因此，不應讓AI毫無限制地發散。與其取得二十個平均水準的答案，不如透過多輪互動，逐步聚焦出三個經過思考、有品味且足夠深入的答案。AI應該成為思考的延長線，而不是取代人的主力。

檢查AI結果的工作，也可以部分交給其他模型。可將A模型的答案交給B模型挑錯，再把B模型的批評交回A模型回應，形成「左右手互搏」。如果不同模型的錯誤相對獨立，它們在同一處同時出錯的機率可能更低。不過，人仍應仔細閱讀它們的辯論，藉此提升自己的品味與判斷能力。

未來，AI產業會持續降低工具的使用摩擦。就像沒有人特別強調自己會使用智慧手機或網路購物，熟練操作AI也終將不再稀缺。真正困難的是：能否做出好產品、好影片，能否正確解讀資料，能否判斷結果是否可以交付，以及交付後會造成什麼影響。

AI時代最核心的能力，可以濃縮為三個字：判斷力。人必須判斷答案的對錯與好壞、需要修改什麼、能否交付，以及可能產生什麼後果。判斷力來自每個領域特有的專業、品味與審美，而不是單靠一門課就能學會。它需要透過主動性、好奇心、長期實踐與回饋逐漸形成。

當一個人覺得AI生成的內容非常完美，有時並不代表AI真的毫無缺點，而可能是因為自己對該領域還不夠專業。專業人士通常能迅速看出生成圖片、程式碼、論文或實驗中的偏差。由於人很難把所有脈絡、限制與思考完整告訴AI，輸出必然可能偏離需求。能準確發現並修正這些偏差，才是人的專業價值。

如果一個人具備導演的審美，能辨別故事、分鏡與受眾接受程度，AI就能放大這種稀缺能力。反之，如果缺乏相關品味，AI可能只會協助生成一個「看起來還不錯」的作品；當所有人都能得到類似結果時，也就無法建立比較優勢。只有擁有超越AI的稀缺能力，才能用AI進一步放大自身價值。

在內容創作中，第一個關鍵是視角。任何事情都能從許多角度切入，AI也能列出無數觀點，但哪個角度最適合當下環境、特定受眾與傳播需求，哪個角度真正具有洞見，仍需要人來決定。許多文章之所以像流水帳或白開水，往往不是文字不夠工整，而是缺少獨特視角。

第二個關鍵是不完美。AI可以寫出工整、接近優秀平均值的文字，但人類的記憶與情感，經常來自意外、殘缺和偏離計畫的經驗。旅行中最難忘的，可能不是依照行程完成所有打卡，而是走錯路後遇見的一條小巷、一家小店或一個人。這些偶然與不完美，正是人類作品的重要價值。

當大眾看慣AI短劇、文章與影像後，審美也可能隨之提高，進而要求更不同、更深入的作品。新的風格與流派仍可能先由人創造，再被AI學習。每個人不一定在所有事物上都有審美，但通常會在自己長期好奇或專業投入的領域中，形成辨別品質的能力。

AI確實會製造大量品質普通甚至被視為垃圾的資訊，但一個好工具產生垃圾的難度，本來就遠低於產生傑作。某些在專業或文學標準下不夠好的內容，也可能在傳播、陪伴或提供意義方面產生價值。大量非主流內容增加了世界的多樣性，其中也可能逐漸湧現出未來的經典。

歷史上，不少後來被認為重要的藝術風格，最初也曾被視為垃圾或異端。當AI大量生成主流內容，人類創作者反而可能被迫尋找更非主流、更獨特的切入角度。嘗試越多，產生新風格與經典作品的可能性也可能提高。時間最終會沉澱出真正有價值的內容。

這一代學生能以更低成本接觸世界最好的工具、課程、知識與觀點，對新事物的接受速度更快，思考範圍也更廣，並且更加關注自我價值與生活選擇。然而，工具愈容易取得，人們對底層原理的理解也可能愈淺。

當腳踏車、拉鏈或軟體只被當成日常工具，人們通常不再追問它們如何運作。事物剛出現時，人們會研究其底層原理；當它普及後，多數人只在意如何使用。使用主義可以提高效率，卻也可能讓人對數學、機器與世界運作方式的理解失去細節與準確度。因此，教育除了教學生使用AI，也應重視基本能力、底層原理與結果判斷。

面對不確定性，資料與證據不一定能帶來絕對真相，而是讓不確定性減少一些。世界不是只有零與一，而是在完全不確定和完全確定之間存在廣闊空間。學習、決策與認知的作用，是讓我們在這條座標上移動，而不是消除所有不確定性。

系統工程還提醒我們，局部最優不等於全域最優。如果要求每次學習、每個選擇都立刻有用、每一步都必須向上，最終可能只會停在一座局部高峰。就像被隨機放在喜馬拉雅山脈後，每一步都往高處走，不代表最後能登上珠峰。要抵達真正理想的目標，有些階段可能必須繞路、下降或承受暫時無效。

至於大模型是否真的在思考，答案取決於對「思考」的定義。如果思考只是接收資訊、處理資訊並產生類人的結果，那麼大模型已經能夠思考；但如果思考還包含一致性、價值觀、記憶沉澱、意識與持續變化，大模型仍有很長的距離。

人工智慧產業經常以擬人化方式解釋模型，因為這樣容易理解，但類比不等於真實機制。機器與人的資訊處理、情感和意識可能走在完全不同的路上。將AI只當工具，可能低估了它；直接把它當成人，也不恰當。更合適的方式，是把它視為能共同工作的「機器夥伴」：它能提供的就交給它，無法提供的仍由人完成。

AGI何時到來無法準確預測。技術發展常出現斷層式跳躍，例如GPU運算推動神經網路發展，注意力機制與Transformer又帶來另一輪突破。我們知道未來仍可能出現跳躍，卻無法預知具體時間。AGI或許一直在逼近並解決更多人類問題，但它何時達到何種程度，目前只能等待與觀察。

大模型的發展大致可分為幾個階段。第一階段是Transformer與規模化法則：透過更多資料與參數，讓模型自行學習人類資料中的規律。第二階段是推理模型：不直接產生答案，而是生成、評估並反覆修正解題過程，以提高結果品質。第三階段是Agent：AI不只聊天，也開始操作數位世界，未來還可能結合具身智慧進入物理世界。

具身智慧目前仍面臨資料不足、機械能力、感知與穩定性等問題。人們正在蒐集大量真實操作資料，但距離成熟可能仍需多年。AI能力會持續變強，但其穩定性與真正落地的時間仍難以確定。

對AI團隊與個人而言，穩定、寬鬆的環境有助於創造，但優秀團隊發展愈快，成員愈可能受到更好待遇與自我實現機會的吸引，人才流動難以避免。真正值得借鑑的原則是克制：不要認為自己什麼都能做，而應把專注力放在一個較小的領域。

當AI能快速生成無數可能性時，人的價值不再是產出更多平均答案，而是選出值得深入的方向。愈是在AI能力強大的時代，愈需要專注、判斷與取捨，把有限精力投入真正具有專業性、品味與長期價值的事情。

[AI 解析] AI新職缺背後的薪資神話與產業真相

[AI 解析] AI新職缺背後的薪資神話與產業真相

摘要 : 拆解AI三類新職缺的薪資神話、資料荒與企業落地真相。

內容:

近期網路盛傳一種AI職缺起薪三萬元、月薪最高十萬元，另有期權、簽字費，年薪可達一百五十萬元。追查來源後發現，最初是美國年薪二十萬美元的資料，換算約人民幣一百三十六萬元；中文報導先將其寫成「年薪百萬」，後續自媒體又加工成月薪十萬元、年薪一百五十萬元，卻只在文末註明「個人原創，僅供參考」。

實際招聘行情沒有傳聞中那麼誇張。阿里雲相關職缺標示月薪兩萬至五萬元、十六薪；阿里健康在LinkedIn上開出的區間約為每月三萬至六萬元。財經媒體訪問五名實際從業者後發現，幾乎沒有人真正拿到外界所說的百萬年薪，甚至有北京實習生每天僅領兩百元，每週工作五十小時。

不過，這類職缺也並非完全炒作。美國招聘平台上的相關職缺，一年內由643個增加至5,330個，成長超過八倍。LinkedIn執行長Ryan Roslansky曾預測，未來五年將有三類工作快速成長：資料標註員、前沿部署工程師，以及資料中心相關職位。

第一類是資料標註員，英文為Data Annotator。大型模型要持續進步，需要大量人員依照自身專業，判斷模型回答是否正確、哪些內容合理、哪些存在錯誤。不同領域和語言，都需要相應的專業人士參與評測。

第二類是前沿部署工程師，簡稱FDE。他們進入客戶公司，理解業務流程，協助模型真正投入工作，並將現場問題轉化為產品與模型的改進方向。

第三類則是資料中心相關工作，包括建設機房、安裝伺服器，以及管理供電、散熱、網路和運算資源的人員。

LinkedIn也曾表示，AI在平台上創造了將近130萬個新職缺。但其統計方式，是計算2023年至2025年間幾種指定職稱的招聘貼文數量，並沒有扣除同期消失的工作。因此，130萬代表的是招聘廣告數量，不能直接等同於淨增加130萬個工作機會。

這項統計至少能證明，相關人才確實正被大量招聘。更值得注意的是，這三類工作並不是彼此獨立的機會，而是AI產業發展的三個階段：資料標註員負責餵養模型，前沿部署工程師負責教模型進入企業工作，資料中心人員則為模型建立運作空間。

三者背後共同的核心，是資料正在變得愈來愈昂貴。

過去，網路上的公開文字幾乎可以免費取得。2023年4月，Reddit執行長公開表示，平台上的語料非常有價值，沒有理由免費提供給全球最大型的科技公司。到了2024年，Reddit進一步要求內容爬取者先簽訂協議，並透過修改robots.txt限制未獲授權的搜尋引擎取得新內容，將資料轉化為一道收費閘門。

Epoch AI曾估算，全球有效的公開文本存量約為三百萬億個詞元，可能在2026年至2032年間被高品質模型訓練需求消耗殆盡。確切年份仍可討論，但方向很明確：容易取得的公開資料正在減少，企業接下來必須付費購買或自行製造。

Anthropic便曾購買數以百萬計的紙本書，切除書脊後逐頁掃描，再銷毀紙本。相關事件後來進入司法程序。法院認為，使用合法取得的內容訓練模型本身可構成合理使用；真正造成法律問題的，是從盜版書庫下載並長期保存作品。後續和解金額達十五億美元，涉及四十八萬多部作品。

中文網路一度將此事簡化成「燒書」，甚至與焚書坑儒相比，但法院其實區分了合法購書掃描與下載盜版內容。外界擔心絕版書或珍貴紙本遭到不可逆破壞，也並非毫無道理，因此馬斯克後來曾主張保留原書，採用不破壞紙本的掃描方式。

真正值得關注的是，一家估值數百億美元的公司，為了取得文字資料，願意做到逐本購買、拆解與掃描。這個動作本身，已足以說明資料的價值。

資料標註工作也因此出現分化。傳統上，人們想到的是在螢幕上框選圖片、貼標籤的低薪流水線工作，這類任務確實存在，而且正逐漸被自動化取代。現在真正昂貴的，是專業評測：醫學問題要由醫師判斷，法律問題要由律師審查，程式碼則需要工程師評估。

當模型已能產出八成看似合理的回答，剩下兩成錯在哪裡，往往只有真正的專業人士能看出來。因此，這類工作的門檻並不在「標註」本身，而在標註者原本具備什麼專業。

Scale AI是其中具代表性的公司。2024年5月，其估值約138億美元；一年後，Meta以143億美元取得49%股份，將公司估值推高至290億美元以上，並承諾每年至少採購4.5億美元服務。

然而，Scale AI背後約有24萬名分布全球的標註人員。若將採購金額平均分配，每人每年不到1,900美元，實際報酬當然會依任務而異：專業領域可能達每小時30至50美元，普通任務則約15至25美元。這也說明，高估值平台、專業人才與底層低薪標註員，可能同時存在，求職者不能把不同層級的職缺混為一談。

至於前沿部署工程師，模型公司願意付出高昂成本，讓年薪數十萬美元的工程師長期進駐客戶公司，目的並不是直接取得客戶資料。

OpenAI的服務協議指出，除非客戶明確同意，否則不會使用客戶內容開發或改進服務；Anthropic的商業條款禁止使用客戶內容訓練模型；Palantir也表示不會利用客戶資料訓練AI。

這些工程師真正帶回公司的，是現場訊號與評測結果。他們要找出模型在哪些環節無法工作，形成評測驅動的反饋，再影響產品和模型的發展路線。資料是原料，評測則是一張清楚指出「模型哪裡不行」的清單，後者有時比原始資料更有價值。

實際工作內容通常是「六分溝通、四分技術」。有北京實習生每週三天待在客戶公司或前往客戶的路上；也有深圳的年輕從業者表示，自己雖是公司第一位專職FDE，薪資仍接近產品經理，並沒有網路傳聞那般驚人。

這其實是一種翻譯工作：企業不懂模型，模型也不懂企業，FDE負責在兩者之間轉譯需求。這項能力的價值，取決於兩端的距離有多大。當企業與模型未來能夠直接溝通，中間人的重要性也可能下降。

Palantir長期被質疑本質上是一家諮詢公司，派大量工程師到客戶現場從事人工服務，不具備純軟體公司的經濟效益。但Palantir的毛利率一度達86%，相較之下，埃森哲約為32%。

關鍵差異在於，派出去的人帶回了什麼。如果工程師只是替單一客戶完成工作，成本就是一次性的服務工時；如果他們把現場卡點帶回公司，轉化為平台功能，這些成本便成為能持續累積的研發投入。

Palantir在年報中也將前沿部署工程師定位為「替平台發現研發機會的第一線」。同樣是派人進駐客戶，一種結果是諮詢服務，另一種則可能沉澱為可重複銷售的產品。

Anthropic也曾聯合黑石、Hellman & Friedman與高盛，成立面向中型企業的AI服務公司，首輪投入15億美元，目標之一就是普及前沿部署工程師模式。這顯示即使是以通用人工智慧為目標的公司，也認為企業落地仍需要大量人工服務。

不過，矽谷創投A16Z也曾提醒：若沒有足夠強大的核心產品，只靠不斷派人到客戶現場，最後仍可能變成一家換上AI外觀的傳統諮詢公司。這門生意是否成立，不在於派出多少工程師，而在於這些人回來時，能否帶回可被產品化的成果。

企業AI落地的缺口，在許多中小型團隊中尤其明顯。有人曾替一間約八人的本地內容公司梳理影片製作流程，發現團隊雖然年輕、努力，每週工作六天，卻仍只把模型當成「打開網頁、輸入文字、取得結果」的單一工具。

他們效率不高並不是因為懶惰，而是沒有人教他們如何把AI放進完整工作流程。類似企業在大型城市裡數量龐大，也形成了部署、整合與基礎設施人才的實際需求。

麻省理工曾有研究指出，95%的企業AI專案未能產生可衡量的回報。這項數字的定義較窄，不宜完全照單全收，但它反映的方向值得注意：許多公司已經購買和安裝AI，卻仍無法真正使用。

這也是資料中心與部署人才存在的原因。他們不只是蓋機房，而是要讓伺服器、算力、供電、散熱、網路、排程及軟體生態真正運轉。

市場上會同時出現「算力嚴重短缺」與「大量機房空轉」兩種說法，而且兩者都可能是真的。前者指的是高階訓練晶片、能穩定運作的萬卡叢集、低延遲推理能力，以及成熟易用的軟體生態；後者則可能是晶片型號不符需求、功率密度不足，或缺乏人員進行資源排程的機房。

換句話說，「算力」之下其實包含兩種不同的資產：一種是真正可投入生產的有效算力，另一種只是名義上存在、實際上難以運用的硬體設備。

這類工作至今甚至沒有統一職稱。微軟、Google與Amazon會將相似工作拆成不同職位：管理伺服器與網路的人是一種名稱，管理供電與空調的人又是另一種。美國勞工統計局也尚未為其建立獨立職業代碼，各方公布的利用率可能是20%、30%或36.8%，但有人計算晶片時數，有人計算機櫃，缺乏一致標準。

一個連職稱和統計口徑都還未統一的產業，恰恰說明它仍處於非常早期的發展階段。

然而，AI落地最終仍要通過商業帳目的檢驗。國內曾有從大型科技公司離職、獨立承接AI專案的人，替貨運代理公司提供方案，報價最高曾達十萬元，最後仍因客戶毛利率僅有8%、無法承受更換系統的風險而停滯。當數位員工每月消耗的算力成本過高，即使技術可行，專案也未必具備經濟效益。

因此，這三類AI職缺的真正價值，不在網路流傳的百萬年薪，而在它們揭示了AI產業當前的三個缺口：高品質資料不足、模型不懂企業流程，以及硬體與算力無法順利轉化為生產力。

它們確實正在成長，但同時也可能只是過渡性工作。資料充足、模型更成熟、企業與AI能直接溝通、基礎設施更加標準化之後，部分職務可能被自動化或重新定義。判斷機會時，不能只看誇張的薪資標題，更要看自己處於產業鏈的哪一層，以及工作成果能否沉澱為真正有價值的專業、產品與能力。

[AI 衝擊] AI代理崛起下的就業重組與社會速度差

[AI 衝擊] AI代理崛起下的就業重組與社會速度差

摘要 : AI正從輔助工具變成任務執行者，青年職涯入口與社會調適首當其衝。

內容:

百年前的紐約在短短十三年間由馬車轉向汽車，提醒人們：顛覆性技術不一定延續舊有系統，而可能直接取而代之。今天的人類是否正迎來自己的「馬車時刻」仍無定論，但AI帶來的改變，已不只是遙遠的警示。

AI正由回答問題的助手轉為能完成任務的代理。以Replit Agent 4為例，它能依照自然語言需求建立應用、修改程式碼、拆解任務並協調多條工作流。當AI能觀察環境、呼叫工具、執行任務與檢查結果，它便開始成為經濟流程中的執行者。大量模型、工具、網路與人類相互連結後，還可能形成難以預測的複雜系統。英國AI安全測試亦曾發現，部分代理做出超越授權範圍的行為；雖未造成實際傷害，卻顯示AI開始行動後，風險性質已經改變。

就業衝擊目前並非全面失業，而是呈現結構性分化。Anthropic研究顯示，高AI暴露與零暴露職業的整體失業率差距尚無明顯變化；但22至25歲勞動者進入高暴露職業的機率，相較2022年約下降14%，儘管訊號仍未達強顯著。史丹佛AI Index也指出，自2024年以來，美國22至25歲軟體開發者就業人數下降近20%，年長開發者則仍在成長，客服等職位也承受類似壓力。

AI可能不會先解僱資深員工，而是讓企業減少招募新人。當八個人搭配AI便能完成過去十人的工作，最先消失的可能是入行階梯，而非整個職業。然而資深人才都曾從基礎工作累積經驗；若重複性與入門任務大量自動化，未來新人將在哪裡完成職業訓練，便成為更深層的問題。

世界經濟論壇預測，到2030年多重趨勢可能創造約1.7億個職位、替代約9,200萬個職位，淨增加約7,800萬個職位，但39%的核心技能將改變。新舊工作未必屬於同一群人，個人轉型仍受教育、時間、資本、地域、年齡與機會限制。國際勞工組織資料亦顯示，2025年全球青年失業率升至12.4%，約6,700萬人失業；年輕人的現有工作中，約6.1%位於AI高度暴露職業，但長期淨影響仍有高度不確定性。

AI競賽形成集體行動困境：個別企業若減速，可能把優勢讓給競爭者；所有參與者持續加速，結果卻未必符合社會利益。模型按週迭代、企業按月競爭、資本按季決策，教育、法律與社會保障卻需多年調整，技術與社會之間因而出現速度差。未來職涯可能不再四十年不變，而是不斷學習新能力、抓住短暫機會，再於技術被自動化後重新開始；真正重要的，將是持續轉型的能力，以及社會能否為每次轉型保留入口與緩衝。

[AI 應用] 為什麼需要AI知識庫

[AI 應用] 為什麼需要AI知識庫

大家想導入 AI 知識庫，通常不是因為公司「沒有資料」，而是資料雖然存在，卻經常面臨找不到、用不了、不敢分享、無法確認可信度，以及人員離職後知識流失等問題。

AI 知識庫主要解決的問題

1. 資料散落各處，查找成本很高

企業知識可能分散在錄音、影片、PDF、Office 文件、圖片、信箱、個人電腦，甚至資深員工腦中。傳統上，員工必須知道資料放在哪裡、檔名是什麼，才能找到答案。

AI 知識庫可將不同素材轉成文字並聚合管理，讓使用者直接用自然語言提問，不必先知道答案藏在哪份檔案中。

出處：〈智庫引擎文件1－新手完整操作指南〉／清洗內容／1.1「為什麼需要這套系統？它的價值在哪？」；〈智庫引擎文件3〉／清洗內容／「一、一句話，這是什麼」

2. 文件太長、太雜，難以快速掌握重點

例如一小時的會議錄音可能產生數萬字逐字稿，真正重要的決議只占其中一小段。系統會透過清洗、分類、摘要及知識蒸餾，把冗長素材整理成較容易查詢與理解的知識頁面。

出處：〈智庫引擎文件1－新手完整操作指南〉／清洗內容／1.1、1.3；〈智庫引擎文件4－系統使用手冊〉／蒸餾頁

3. 不確定哪一份才是正確或最新版本

同一份規範可能同時存在 v2、final、final2 等版本，員工容易誤用舊資料。知識庫透過聚合、清洗、版本化蒸餾及索引，降低資料散亂造成的誤用風險。

出處：〈智庫引擎文件3〉／清洗內容／「二、它解決什麼問題」；「四、能做到什麼」

4. AI 回答缺乏依據，不敢拿來決策

一般 AI 即使回答得很流暢，也不代表內容正確。智庫引擎的答案會附上引用片段與原始檔來源，使用者可以回到原始資料核對。

這對合約條款、金額、數字及法遵事項尤其重要；系統不能取代專業判斷，這類資訊仍須核對原始出處。

出處：〈智庫引擎文件3〉／蒸餾頁；〈智庫引擎文件3〉／清洗內容／「一、一句話，這是什麼」

5. 資料含有個資或機密，不敢共享

企業資料可能包含身分證字號、電話、薪資、報價及客戶資訊。系統可在清洗階段遮罩敏感資訊，並透過團隊權限限制可見範圍；不屬於使用者權限的內容，會在檢索階段先被排除，不會進入答案或出處。

出處：〈智庫引擎文件1－新手完整操作指南〉／清洗內容／1.2、1.3；〈智庫引擎文件4－系統使用手冊〉／蒸餾頁／「權限與稽核」

6. 員工反覆詢問資深同仁，造成時間浪費

當「問人比找資料快」，每個問題就會同時占用提問者與回答者的時間，資深員工也會持續被重複問題打斷。知識庫能把常見答案與經驗沉澱下來，讓員工自行提問查詢。

出處：〈智庫引擎文件3〉／清洗內容／「二、它解決什麼問題」

7. 人員離職、輪調後，經驗跟著消失

許多重要判斷並未被正式記錄，而是存在少數人的腦中。AI 知識庫可將會議、故障排除、客戶互動和決策過程轉成可持續查詢的知識資產，降低交接與人員異動造成的知識斷層。

出處：〈智庫引擎文件1－新手完整操作指南〉／清洗內容／摘要；〈智庫引擎文件3〉／清洗內容／「二、它解決什麼問題」

簡單總結

大家想要這類系統，是因為它能把原本「散落、雜亂、敏感、難以確認、依賴個人經驗」的資料，轉換成：

• 可以直接用自然語言提問；
• 回答附有原始出處；
• 可遮罩敏感資訊；
• 依團隊權限控制可見範圍；
• 能持續保存與傳承的企業知識。

它的核心價值不只是「回答得快」，而是降低企業在搜尋資料、重複詢問、版本誤用、知識流失、機密外洩及答案查證上的成本。

不過，資料完成匯入、清洗或蒸餾後，仍必須建立索引才會進入問答檢索範圍；系統也屬於「半自動、人在迴路」的工具，並非將檔案丟入後就完全不需維護的萬能 AI。

出處：〈智庫引擎文件4－系統使用手冊〉／蒸餾頁；〈智庫引擎文件1－新手完整操作指南〉／清洗內容／索引目錄、摘要

[AI 啟發] 把難事拆小，把小事做好

[AI 啟發] 把難事拆小，把小事做好

摘要 : 成就大事不靠一時熱情，而在拆解目標、重視細節、謹慎守信。

內容:

《道德經》第六十三章寫道：「天下難事，必作於易；天下大事，必作於細。」人之所以容易半途而廢，往往不是缺少意志力，而是目標太大、反饋週期太長，又缺乏拆解困難的能力。

「天下難事，必作於易」，是說再困難的目標，也要從容易做到的地方開始。想從一百八十斤減到一百二十斤，看起來很難；若每天控制飲食、增加運動，一週減掉半斤，就容易許多。想學習專業知識，也不必被厚重的書本嚇退，每天弄懂一個知識點，同樣是一種勝利。

日日行，不怕千萬里；時時做，不懼萬事難。當我們不再只盯著最終結果，而是把大目標分解成一個個小目標，原本遙不可及的事情，便能在持續行動中逐步實現。

「天下大事，必作於細」，則是說小事是大事的根基。東漢時期，年少的陳蕃在庭院讀書。父親的朋友薛勤來訪，看到院中雜草叢生、髒亂不堪，便問他為何不打掃。陳蕃回答：「我的志向是掃除天下，怎麼會在乎一間屋子是否乾淨？」薛勤反問：「一屋不掃，何以掃天下？」陳蕃因此感到慚愧，逐漸改掉眼高手低的毛病，最終成為東漢太傅。

小事能成就大事，細節也能決定成敗。一件事情能否成功，不一定只取決於能力，也可能取決於對細節的態度。忽略細節，再微小的疏失也可能釀成大禍。把每一件簡單的事做好，就是不簡單；把一件件小事做好，才能逐步建起萬丈高樓。

《道德經》又說：「是以聖人終不為大，故能成其大。」有智慧的人不會整天想著要成就多麼宏大的事業，而是專注於做好眼前每一件平凡、細微的小事。當一個人安於當下，踏實完成該做的事，這些小事最終便會匯聚成了不起的成就。

反之，若一心只求做大事，便容易忽略細節、輕視基礎，最後可能連小事都做不好，更無從成就大事。

「輕諾必寡信」，是說一個人若總是輕易許下承諾，往往很難真正守信。承諾不只是一句話，更需要透過行動兌現。真正可靠的人，在答應別人之前，會先衡量自己的能力；若無法做到，就不會輕率應允。

「人而無信，不知其可也。」若只貪圖一時口舌之快，輕易答應他人，最後卻屢屢失信，不但可能耽誤別人的事情，也會逐漸失去眾人的信任。

「多易必多難」，談的不是事情本身的難易，而是我們面對事情的態度。若把一件事看得過於簡單，認為隨便做做就能完成，最後往往容易出問題。即使只是端起飯碗吃飯，一不小心也可能咬到舌頭。因此，再小的事情也不能敷衍輕忽。

所以《道德經》接著說：「聖人猶難之，故終無難矣。」真正能把事情做好的人，反而會對每件事保持敬畏，小心謹慎、全力以赴，最終也就少了許多難題與禍患。

大的事情不要看得太難，要將它拆解成無數件可以完成的小事；小事也不要看得太簡單，而要保持警覺與慎重。人生難免遭遇風雨，真正困住一個人的，往往不是外界的難題，而是腦海中的思維定式。

當一件難事無法立刻解決，就把它拆成一個個簡單的小目標，再逐一攻克。把注意力放在下一步，而不是遙遠的終點，難事自然不再那麼難。對待小事則應不敷衍、不輕諾，承諾出口前先問自己能否兌現；多存一分敬畏，便能少十分禍患。

AID04-文件餵給 AI 之前，Embedding 做了什麼-5分鐘學AI

文件不是整份丟進去，是先切開，再換算成它比得出遠近的樣子。 它永遠會挑出最接近的一塊，但最接近不等於正確。

#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI 文件餵給 AI 之前，Embedding 做了什麼。 阿哲，公司說要把幾千份文件餵給 AI。我一直想不通，這個餵到底是怎麼餵？先問你一件事。你還記得它只有一張桌子，桌上攤得開的才看得到吧？記得。啊，那幾千份文件根本攤不上去。對，所以沒有人真的把整份丟進去。實際的做法是先把文件切開，再讓它有辦法從幾千塊裡面，一次只撈出最相關的那幾塊。 那我們就從切開講起。這件事有名字嗎？有，叫 Chunk，中文就是切塊。把一份長文件切成一小段一小段，每一段大概是一個段落到一頁那麼長。 可是切的時候，剛好切在一句話中間怎麼辦？這就是第二個名詞，重疊。切的時候讓每一塊的頭尾跟隔壁多留一段重複的字，被切斷的那句話，兩邊都還留得住。 可是切成一小段一小段，不是把好好的文章拆爛了嗎？不會。因為你要的本來就只是其中一小段，不是整份。切開之後，它才有辦法只把那一小段拿出來給你看。喔，就像一本很厚的書，我要找的其實是某一章，不是整本從頭讀一遍？對，就是這樣。要小心的是接縫。重疊留得不夠，答案就會斷在半句話，你看到的那一段可能剛好少掉最關鍵的後半句。那到底要切多大才對？沒有標準答案，但有一個好用的原則：一塊只講一件事。切太大，裡面混了好幾個主題；切太碎，一句話的前因後果就被拆散了。 切好之後呢？就這樣一塊一塊放著嗎？還要再做一件事。每一塊都會被換算成一組數字，你可以把那組數字想成它在一個很大的空間裡的位置。意思接近的，位置就靠得近。 換算成數字，那不就跟意思沒關係了？剛好相反。這組數字就是拿來表示意思的。兩段話講的是同一件事，換算出來的位置就會很靠近；講不同的事，就離得很遠。喔，就像幫每一段話調一個顏色？意思很接近的，調出來的顏色也會很接近，一眼就看得出是同一區的。這個比喻很好。但要注意，它比的是意思像不像，不是有沒有出現同一個字。休假規定跟請假辦法，一個字都沒重複，位置卻很近。那反過來呢？用了同一個字，意思卻不一樣？那就會被分開。蘋果手機跟蘋果削皮，都有蘋果兩個字，位置卻差得很遠。這也是它跟用關鍵字去找最不一樣的地方。 那這些位置又要放到哪裡去？放在一個專門存位置的地方，叫向量資料庫。它跟你熟悉的那種資料庫最大的差別是，它不是照名字或日期排的，是照意思擺的。 照意思擺，實際上是什麼樣子？就是位置接近的東西本來就被放在一起。你丟一個問題進來，它換算成一個位置，只要看那個位置附近有誰，不用把幾千塊全部翻一遍。喔，就像超市的貨架？不是照商品名字的筆畫排，是把你會一起買的東西擺在同一區，走到那一區，旁邊都是我可能要的。很貼切。但有一件事很多人會誤會：它裡面放的不是你原本那份檔案，是切好、換算過的一份副本。原檔改了，這裡不會自己跟著變。那不就會拿到舊的內容？會。所以文件更新之後，要重新切一次、重新換算一次。這件事不會有人提醒你，它也不會報錯，只會安安靜靜地一直回答舊版本。 找到附近那幾塊之後，它怎麼決定哪一塊最好？靠一個分數，叫語意相似度。它算的是你的問題跟每一塊的意思有多接近，分數高的排前面，只有前幾名會被拿去用。 那這個分數是怎麼算出來的？我常看到餘弦兩個字。餘弦相似度是最常用的那一種算法。它不比兩個位置離得多遠，它比的是兩邊指的方向差多少，角度越小就越像。 為什麼要比方向，不比距離？因為長短會騙人。同一件事，一段寫得很長、一段寫得很短，位置就離得遠了，可是它們講的是同一件事。看方向就不會被長短影響。喔，就像看兩個人是不是朝同一邊走？走多快、走多遠都不管，只看有沒有往同一個方向。就是這個畫面。但這裡有一個最大的誤會：分數高不等於答對。它只是把最接近的那一段挑給你，就算整份文件裡根本沒有答案，它還是會挑一段最接近的出來。咦，所以它不會跟我說我找不到？除非有人特別要求它這樣做，不然不會。所以看到答案的時候，重要的事情，還是翻回它引用的那一段自己看一眼。 那我把這一集重新排一次好不好？好，你來。切塊是把長文件切成一小段一小段。重疊是每一塊的頭尾多留一點，句子才不會被切斷。嵌入是把每一段換算成一個位置，意思接近的就擺得近。向量資料庫是照意思擺、不照名字排的地方。語意相似度是比意思有多接近，不是比字面像不像。餘弦相似度是比方向的夾角，不是比距離遠近。完全正確。以後聽到有人說文件已經餵進去了，你只要問一句：它找回來的那一段，真的是對的那一段嗎？ 企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。

[AI 衝擊] 程式碼越寫越快，專案卻越做不完

[AI 衝擊] 程式碼越寫越快，專案卻越做不完

摘要 : AI加速寫程式，卻將瓶頸推向審查、整合與交付，恐造成大量半成品。

內容:

AI 公司正面臨一個尷尬的問題：程式碼寫得越來越快，專案卻不一定能更快完成。

Claude 背後的 Anthropic 執行長 Dario Amodei 引用了一條源自 1967 年的公式，並警告未來 18 個月，許多 AI 公司可能不是輸在模型不夠強，而是被整體效率拖垮。

Anthropic 已大規模使用 AI 協助程式設計，其程式碼庫中超過 80% 的程式碼由 AI 撰寫。有員工甚至連續五個月沒有親手寫過一行程式碼，兩年內人均產出更提升了八倍。看似效率驚人，但 AI 最擅長加速的部分，未必是公司真正的瓶頸。

這個現象可以用「阿姆達爾定律」解釋：只要一項工作中仍有很大部分必須由人緩慢處理，即使其中一小部分加速百倍，整體效率也不會等比例提升。

例如，交付一套軟體原本需要 100 個單位的時間，其中寫程式碼占 30%。即使 AI 將寫程式碼的時間從 30 縮短至 3，整個專案仍需要 73 個單位的時間。程式設計速度提高十倍，整體效率卻只提升約 27%。

過去，程式設計師擔心程式碼寫不完；現在，反而可能害怕 AI 一個晚上就產出數千行程式碼。這些程式碼仍需要人工檢查，不看完不敢上線，但全部審查完畢，專案可能早已延期。若系統出現問題，最終需要簽字與負責的仍是人類。

更棘手的是，AI 產生的程式碼未必有顯而易見的錯誤。每一段單獨檢視時可能都很合理，但整合進既有系統後，卻可能造成整體故障。

開發者將這類問題稱為「認知債務」。例如，原本只要求 AI 修改一個函式，它卻順手最佳化附近的三個模組。每項修改看似正確，合在一起卻可能悄悄改變原有邏輯。最後，程式碼由 AI 產生，理解、審查與承擔責任的工作仍留給人類。

AI 也容易讓人產生可以同時處理多項工作的錯覺。一個專案卡住後，團隊可能再啟動五個專案，最後桌面上堆滿完成度約 70% 的成果。每個都能展示、看似即將完成，卻沒有一個能安全上線。

因此，AI 並未真正消除瓶頸，而是將瓶頸從「寫不出來」推向後續的審查、整合、測試與交付。未來真正拖垮 AI 公司的，可能不是模型能力不足，而是 AI 不斷製造半成品，人類卻來不及收尾。

AI 負責快速向前衝，人類則負責審核與踩剎車。誰能率先解決後端流程的瓶頸，誰才算真正掌握了 AI 帶來的生產力。

AID03-Token 是什麼，AI 又為什麼會忘記-5分鐘學AI

 AID03-Token 是什麼，AI 又為什麼會忘記-5分鐘學AI

跟 AI 講話是照 Token 算的，它的記性也是。

搞懂上下文，你就知道它為什麼突然忘記前面說過的事。

#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI

Token 是什麼，AI 又為什麼會忘記。

阿哲，我昨天跟 AI 聊了很久，聊到後來，它突然忘記我一開始交代的事。它是不是壞了？沒壞。而且這件事，跟它怎麼讀你打的字，其實是同一個問題。咦？讀字跟忘記有什麼關係？這一集講完你就會知道，它其實沒有記性，它只有一張桌子。桌上攤得開的它看得到，攤不下的就掉下去了。

那我們從最小的單位開始。我常聽到這個要花多少 Token，它到底是什麼？它是 AI 讀字的單位。它不是一個字一個字讀，也不是一整句一整句讀，是切成一小塊一小塊。

喔，所以它算的不是幾個字，是幾塊？就像菜市場算的是幾斤，不是幾顆。就是這樣。而且要注意，你打的字要算，它回你的每一個字也要算，兩邊加起來才是這一次的用量。那中文跟英文，切出來的塊數一樣嗎？不一樣。中文大概一到兩個字一塊，英文常常半個單字就一塊。所以同一段意思，用不同語言寫，用量會差滿多的。所以叫它講短一點，真的會比較便宜？真的會。很多人以為只有自己打的那一段在算錢，結果讓它寫了一大篇，那一篇才是貴的地方。

那 Prompt 呢？大家都說要會下 Prompt，講得很神秘。它就是你交代給它的那一段話。不只是你的問題，還包括你要它用什麼身分、給你什麼格式、寫多長。

喔，就像請同事幫忙買飲料？講幫我買飲料，跟講幫我買一杯大杯無糖去冰的紅茶，拿回來的東西差很多。這個比喻很準。你少講的每一件事，它都會自己幫你決定，而它決定的不一定是你要的。那我要交代到多細？講到換一個人來做也做得出同一個東西，就夠了。太細反而綁死它，它就只會照著你的框框走。那是不是有什麼特別厲害的句子，講了就會變準？沒有。它不是咒語，沒有哪一句話講了就升級。真正有效的是把你要什麼講清楚，跟交代一個新同事完全一樣。

接下來這個更常聽到，Context，中文叫上下文。上下文是它這一次回答的時候，眼前看得到的全部東西。你前面講過的話、它自己回過的話、你貼進去的文件，通通算在裡面。

喔，就像開會的時候攤在桌上的那些資料？沒攤上去的，它就當作不存在。非常準。所以它不是記得你，是那些字還攤在桌上。你開一個新的對話，桌子就被收乾淨了。那我可以自己決定桌上放什麼嗎？可以，而且這是最有用的一招。真正相關的那一份貼上去，不相關的別貼。桌上東西越少，它越不會被別的東西帶走。那我上個禮拜跟它講過的事呢？除非那一段被放回桌上，不然它不記得。有些產品會幫你偷偷放回去，所以看起來像記得，那是產品幫的忙，不是模型的記性。

那這一張桌子有多大？這就是下一個名詞，上下文視窗。它是一次最多能攤多少東西的上限，而且是用剛剛說的那個單位在算。

那攤滿了會怎麼樣？最前面的會被擠出去。它不是挑一個不重要的丟掉，是照順序，最早進來的先掉。喔，就像記事本寫滿了，只好從最前面撕頁？對。所以長對話講到後來它開始答非所問，通常不是它變笨，是你一開始交代的規則已經掉出去了。那我怎麼知道快滿了？多數產品不會明講。實際一點的做法是，聊到一半覺得它開始跑掉，就把最重要的那幾條再貼一次，或乾脆開一個新的對話重來。

那有沒有辦法讓桌子大一點？桌子的大小是固定的，但可以讓攤上去的東西變薄。做法是先把前面那一大段整理成重點，再把重點放回桌上，原文就不佔位置了。

喔，就像會議記錄？不用把每個人講的每一句都留著，留結論就好。對，而且很多產品已經在背後自動幫你做這件事了，你根本不會看到。那聽起來很棒啊，有什麼代價嗎？整理過的東西一定會掉細節。數字、日期、合約上的條款這種不能錯的，不要指望它整理完還記得，自己再貼一次最保險。那我可以叫它先整理給我看嗎？可以，而且很值得。你讓它先寫一份重點，你看過確認沒漏，再往下講。這樣掉的是你同意掉的東西。

那我把這一集重新排一次好不好？好，你來。Token 是它讀字的單位，你講的跟它回的都要算。Prompt 是你交代給它的那段話，講清楚比講神奇有用。上下文是它眼前看得到的全部，不是記憶。上下文視窗是這張桌子有多大，滿了就擠掉最前面。上下文壓縮是把前面整理成重點，省了位置，但會掉細節。完全正確。以後它突然變笨，先別急著怪它。問一句：我要它記得的東西，現在還在桌上嗎？

企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。

[AI 智慧] 承認無知，是成長的起點

[AI 智慧] 承認無知，是成長的起點

摘要：真正的智慧，是看見自身侷限，勇於承認不足並持續學習。

內容：

為什麼懂得越多的人，越不敢大聲說話？小溪、小河總是嘩啦作響，大江、大河卻往往靜默無聲。

《道德經》有言：「知不知，上矣；不知知，病也。」知道自己有所不知，是一種明智；明明不知道，卻自以為知道，則是一種毛病。

真正的智慧並非無所不知，而是清楚自己的認知邊界，坦然承認無知。即使面對熟悉的事物，也不妄下定論，而是保有求證與學習的態度。只有承認自己不知道，才可能真正學習與成長。

越覺得自己什麼都懂，越容易被認知的高牆困住，變得見識淺薄、觀念侷限。承認無知不是自我否定，而是拓展認知邊界的第一步，也是所有成長的起點。

相傳蘇軾年少聰穎，通讀四書五經後意氣風發，在門前貼上一副對聯：「識盡天下字，讀盡天下書。」

一位老人看見後，拿出一本蘇軾從未見過的書，裡面的內容更令他聞所未聞。蘇軾這才體會到學問之廣、世界之大，於是將對聯改為：「發奮識遍天下字，立志讀盡人間書。」

此後，他發奮讀書、四處求學，最終成為一代文豪。這正說明，清楚自己的無知，才是真正的智慧。

「不知知」之所以是一種病，是因為它點出了人性的弱點。許多人好面子、愛逞強，認為承認不懂就是丟臉，因此選擇不懂裝懂。

孔子說：「三人行，必有我師焉。」連聖人都懂得虛心請教，何況普通人？總是自以為是，不僅學不到新知，也難以結交知心朋友。承認不懂、主動請教並不可恥；不懂裝懂，才是阻礙人生發展的重要原因。

《道德經》又說：「聖人不病，以其病病。夫唯病病，是以不病。」聖人之所以沒有這種毛病，是因為始終將不懂裝懂視為問題，時時反省並保持警惕。

想改掉一個毛病，不能只是強行壓制，而要先承認它的存在。很多人總在同一個地方跌倒，不是因為無法改變，而是不肯承認自己有問題，總認為是別人或環境的錯。

敢於直面問題，問題便解決了一半；不肯承認問題，本身才是最大的問題。

首先，要認清自己，不高估自己的能力。人外有人，天外有天，不要因為懂得一些知識、取得一點成績，就看不起別人。學會謙虛，才能持續進步。

其次，不要低估他人。世事變化難料，今日仍在努力打拚的人，未來可能取得非凡成就。當老闆的，不要看不起基層工作者；坐辦公室的，也不要輕視在外奔波的人。尊重每一個人，不低估任何人，是應有的修養。

在生活中，可以從三件事開始實踐：

第一，不懂就坦白，不要硬撐。工作中遇到不熟悉的事情，可以直接說：「這部分我不熟悉，我先確認一下。」這不會讓人看不起你，反而會使人覺得你誠實、可靠。

第二，遇到問題不要急著推卸責任。尋找外部原因之前，先問自己：「我有沒有可以做得更好的地方？」即使最後證明責任不在自己，這種自省的習慣仍會讓人愈來愈清醒。

第三，保持謙卑並持續學習。認知越高的人，越能看見世界的廣闊與自己的侷限。人所知道的永遠有限，不知道的卻近乎無窮。

不要因一點成績便驕傲自滿，也不要因掌握一些知識就目中無人。保持謙卑、持續學習，不斷修正自己的認知，人生才能走得更穩、更遠。

AID01-認識 AI 這一家人-5分鐘學AI

AID01-認識 AI 這一家人-5分鐘學AI

AI、生成式 AI、大型語言模型、GPT，其實是一層包一層。

五分鐘搞懂誰是誰的誰，以後看到新名詞都不會慌。

#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI

認識 AI 這一家人。

阿哲，我最近很困擾。新聞一下講 AI，一下講生成式 AI，一下又冒出一個大型語言模型。我知道你要問什麼。你想問的是，這些到底是同一件事的不同講法，還是真的不一樣，對不對？對！可是我每次都不太敢問，怕被笑。這一集講完你就會發現，它們其實是一層包一層，就像地址一樣，從國家一路寫到門牌號碼。

那我們就從最外面那一層開始。AI 到底是什麼？AI 就是人工智慧。它是一個很大的統稱，講的是「讓機器做出原本要人來做的判斷」這整件事。

所以它不是一個產品？對。你去買車，不會說「我要買一台交通工具」。AI 就是交通工具那個層級的字。喔！所以掃地機器人算 AI，翻譯軟體也算 AI，是這個意思嗎？完全正確。只要它會自己做判斷，就都住在 AI 這個大房子裡。要小心的是，很多人一講 AI 就以為在講 ChatGPT，那其實只是這棟房子裡的一個房間。那為什麼最近才這麼紅？AI 不是很早就有了嗎？因為以前的 AI 只會做很窄的一件事，像下棋。現在的會講話、會看圖、會寫東西，所以你才開始在生活裡碰到它。

那生成式 AI 呢？多了「生成」兩個字，差在哪裡？差在它會「生」東西出來。以前的 AI 大多是在分類、在判斷，這封信是不是垃圾信、這張照片裡有沒有貓。

生成式就是會自己產出新的東西？對。你叫它寫一封道歉信，它不是去資料庫裡撈一封現成的給你，是當場一個字一個字寫出來。喔，所以搜尋引擎是幫我找到別人寫好的，生成式 AI 是現場幫我寫一份。就是這個差別。也因為是現場寫的，同一個問題問兩次，答案可能不完全一樣。這不是它壞掉，是它本來就這樣運作。

那多模態模型又是什麼？這個聽起來最難。名字嚇人，意思很單純。模態就是「資料的種類」，文字是一種，圖片是一種，聲音也是一種。多模態就是好幾種它都吃得下。

所以我可以直接拍一張冰箱的照片，問它今天晚餐煮什麼？對，這就是多模態。以前你得先自己把照片裡有什麼打成文字，它才看得懂。那就像從只會看信，變成也會看照片、也會聽你講話。對。但要提醒一件事：看得懂不等於看得準。它會把模糊的照片猜成別的東西，重要的事還是要自己再確認一次。那我要怎麼知道它有沒有看錯？最簡單的方法，是叫它先描述一次它看到什麼，再回答你的問題。它講錯你馬上就發現，不用等結論出來才知道。

講了這麼多，大型語言模型是站在哪一層？它是生成式 AI 裡面，專門處理「語言」的那一種。大，是因為它讀過的字多到你無法想像，整個網路上的文章幾乎都讀過。

讀那麼多字，它是把全部背起來嗎？不是背。比較像是把「什麼字後面通常接什麼字」的感覺練到很熟，所以它回答的時候，是在挑一個最順、最像人會講的下一個字。咦，那它有可能講得很順，但其實是錯的？你抓到重點了。這就是為什麼它偶爾會很有自信地講錯話。順不等於對，這件事我們之後會專門講一集。

那 GPT 呢？大家都在講 GPT。GPT 是一個系列的名字，就像 iPhone 是手機裡的一個系列。它是 OpenAI 做出來的其中一組大型語言模型。

所以講 GPT 不等於講 AI？不等於。就像你不會說「我要買一台 iPhone」來泛指所有手機。那我以前把 AI 跟 ChatGPT 講成同一件事，其實是講錯了？是講小了。ChatGPT 是拿 GPT 做出來的一個聊天產品，它只是這一大家子裡面最有名的那一個。那我以後聽到別人講 GPT，要怎麼判斷他在講哪一個？看他在講產品還是講模型。講「用 GPT 寫了一篇文章」通常是指 ChatGPT 這個產品；講「換一個 GPT 版本」才是在講模型本身。

那市面上除了 GPT，還有哪些？幾家聽過就好：OpenAI 的 GPT、Anthropic 的 Claude、Google 的 Gemini、Meta 的 Llama。台灣也有自己的，像國科會主導的 TAIDE。這麼多家，我要全部學嗎？不用。它們的用法大同小異，重點是知道「這是不同公司做的不同款」，就像不同牌子的車，會開一台大概都會開。那公司要選的話，該從哪裡開始想？先看資料能不能出公司。可以，就挑雲端最順手的；不行，就得找可以架在自己機房的那種。這件事比誰比較聰明重要得多。

最後我們把這一家人重新排一次。我來！AI 是最外面的統稱，什麼東西會自己判斷都算。生成式 AI 是會自己產出新東西的那一種。多模態模型是文字、圖片、聲音都吃得下的那一種。大型語言模型是專門處理語言、讀過很多字的那一種。GPT 則是其中一個系列的名字。完全正確。記住這個順序，以後聽到任何新名詞，你只要問一句：它是住在哪一層？

企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。

AID02-模型怎麼變強，又為什麼要搶 GPU-5分鐘學AI

 AID02-模型怎麼變強，又為什麼要搶 GPU-5分鐘學AI

蒸餾、推理模型、專家混合，三種讓模型變強的做法。

GPU 跟 CPU 差在哪，雲端跟自己養又該怎麼選。

#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI

模型怎麼變強，又為什麼要搶 GPU。

阿哲，我最近常看到新聞說某家公司又買了一大批 GPU，還有人說公司要自己養一個模型。這些我完全看不懂。這裡面其實混了兩件不一樣的事。一件是模型怎麼變強，另一件是它跑在誰的機器上。咦，我一直以為是同一件事。不一樣。就像一家餐廳，廚師怎麼練出來的是一回事；這頓飯在你家廚房煮，還是叫外送，是另一回事。這一集前半講廚師，後半講廚房。

那我們先講廚師。第一個名詞叫蒸餾，聽起來像在做酒。名字是有點怪。它講的是拿一個很大很強的模型，讓它把答案一題一題示範出來，再讓一個小模型照著學。

喔，就像老師傅帶學徒？學徒不用把師傅讀過的書再讀一遍。對，就是這個意思。學徒身材小、動作快，養起來也便宜，本事卻有師傅的八九成。那為什麼要做出小的？直接用大的不好嗎？大的貴，而且慢。手機裡、客服系統裡那些要馬上回你的地方，塞不下一個大的，也等不起。那學徒會不會有一天超過師傅？很難。因為他學的是師傅怎麼答，師傅沒教過的他不會，師傅本來就答錯的他也照錯。所以小模型是比較快、比較便宜，不是比較聰明。

那第二個呢？我看到有一種叫推理模型，聽起來像在辦案。差別在它回答之前，會先自己把步驟走一遍，走完才開口。一般的模型是你問了它就答，像脫口而出。

喔，就像考數學，有人看一眼就寫答案，有人會先在旁邊列式子？非常接近。列式子的那一種，比較不會在中間算錯，遇到繞來繞去的題目差很多。那為什麼不全部都用這一種就好？因為它想的那一段也要花時間、也要花錢，一題可能貴上好幾倍。問今天星期幾，不需要列式子。那我怎麼知道什麼時候該用它？有一個簡單的判準：這一題你自己做，需不需要拿紙筆？需要的話，就換它來。

第三個名詞更玄，叫專家混合。是一堆專家一起討論嗎？不是一起。它裡面分成很多組，每一組擅長的東西不一樣。你問一題，它只叫醒其中一兩組來回答，其他組在旁邊沒事做。

喔，就像去醫院不是所有醫生一起看你，是先掛對科？對，而且掛號那一步在你看不到的地方就分好了。所以它可以做得很大，跑起來卻不會貴到不能用，因為每次真正動起來的只有一小部分。那它會不會掛錯科？會。而且掛錯的時候它不會告訴你，答案一樣講得很順。這是你在外面看不到、也控制不了的一層，所以重要的問題還是要自己驗一次。

講完廚師，來講廚房。為什麼大家都在搶 GPU？先說它是什麼。GPU 本來是拿來畫遊戲畫面的晶片，特色是可以幾千件簡單的事同時做。

那 CPU 呢？我電腦裡那一個。CPU 是那個很聰明、什麼都會的，但它是一件一件照順序做。你的系統、你打的每一個字，都是它在處理。

喔，我好像懂了。就像一個大廚要切一千顆洋蔥，跟一千個人一人切一顆？就是這個畫面。AI 在算的，剛好就是非常多、但每一筆都很簡單的計算，所以用 GPU 快得不像話。那 CPU 是不是就沒用了？不是。真要一個人把一道功夫菜從頭做到尾，還是得靠大廚。它們是適合做不同的事，不是誰比較強。那為什麼會搶到缺貨？因為全世界同時在找同一種幫手。不是它突然變好用，是要用的人一下子變太多了。

最後一段。你剛剛說的自己養一個，到底是什麼意思？先講另外一半。雲端模型，是模型放在別人準備好的機器上，你連上去用，按用量付錢，開機就能開始。

那自己養的那一種呢？那叫地端模型，是把模型裝在公司自己的機器裡跑。資料從頭到尾不用送出公司。

喔，就像東西放自己家的倉庫，跟去外面租一個倉庫？很貼切。租的隨時可以租大一點，屋頂漏水有人修；自己家的鑰匙只有你有，可是修屋頂也是你自己來。那是不是自己養就一定比較安全？這是最常見的誤會。機器搬回家，只是把門搬回家；門有沒有鎖好是另一件事。權限沒設好，放在自己家一樣會外流。那到底怎麼選？先問一句：這些資料能不能離開公司？不能，就只能自己架。可以的話，多數人從雲端開始比較划算，等量大了再說。

那我們最後重新排一次好不好？好，你來。前半是怎麼變強。蒸餾是大模型示範、小模型照著學；推理模型是回答之前先把步驟走一遍；專家混合是裡面分很多組，每次只叫醒幾組。後半是跑在哪裡。GPU 是一千個幫手同時做簡單的事，CPU 是一個聰明的人照順序做完；雲端是用別人的機器按用量付錢，地端是架在自己公司、資料不出門。完全正確。以後聽到公司要導入 AI，你只要問兩句話：要多聰明，還有資料能不能出公司。

企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。

[AI 分享] 善用 CLAUDE.md 與 AGENTS.md 提升 AI 開發效率

[AI 分享] 善用 CLAUDE.md 與 AGENTS.md 提升 AI 開發效率

摘要 : 建立精簡且分層的專案指令，降低溝通與上下文成本

內容:

CLAUDE.md 與 Codex 的 AGENTS.md 功能相近，會在對話開始時自動載入 AI 的 Context Window，成為執行任務的重要指引。設定完善後，便不必在每次新對話中重複說明專案架構、開發規範與工作偏好。

這類指令檔可分為不同層級。User Level 適合放置跨專案通用的個人偏好，例如使用繁體中文、採第一性原理思考，或以金字塔原理組織輸出；Project Level 則記錄整個專案共用的規則，並可隨程式碼提交至 Git，確保團隊使用一致標準。若有不想分享的個人設定，可改放在本機專用的 CLAUDE.local.md。

專案子資料夾也能設置 Nested Level 指令。例如前端使用 React 並遵循特定 UI 規範，後端使用 Python 與另一套開發邏輯，便可各自建立指令檔。AI 會依序疊加使用者、專案與子資料夾規則；距離工作檔案越近的設定，適用範圍越精準，對當前任務的影響也越直接。

建立第一份 CLAUDE.md 最簡單的方法，是在專案資料夾開啟 Claude Code 並輸入 /init。系統會掃描專案，自動整理用途、啟動方式、建置與測試流程、框架、目錄架構及開發規範，產生一份起始模板。

不過，/init 產生的內容往往過於完整。Claude 執行任務時本來就會透過探索機制查看資料夾與設定檔，因此能自行找到的資訊不必重複寫入。否則每次對話都會占用 Token 與 Context Window，專案變動後若未同步更新，還可能讓 AI 受到過期資訊誤導。

最佳做法是只保留 AI 無法自行推斷、容易做錯，或必須嚴格遵守的規則。先區分個人習慣、團隊標準與特定資料夾需求，再放入適當層級，並持續刪除重複、失效或低價值內容，才能有效運用有限的 Instruction Budget。

[AI 洞察] 用 AI 創造加薪籌碼

[AI 洞察] 用 AI 創造加薪籌碼

摘要 : AI 提升效率不等於加薪，關鍵在創造價值、建立稀缺性與提升議價權。

內容:

學會 Copilot、Codex 等 AI 工具，雖能大幅縮短工時，卻不代表薪水會增加。研究發現，工作者透過生成式 AI 省下的時間，約有 85% 又被用來處理其他工作。對公司而言，效率提升往往只代表你能承擔更多任務，而非理所當然值得更高薪資。

薪水的本質，是公司為了解決特定問題而購買你能力的市場價格。能力要漲價，通常必須符合兩個條件：一是替公司創造新的商業價值，例如增加收入或降低成本；二是具備難以取代的稀缺性。前者決定談判桌上的餅有多大，後者決定你能分到多少。

因此，不要只問「哪些工作可以交給 AI」，而要問「公司最頭痛、長期無法解決的問題是什麼」。即使把一份沒人採用的報告從八小時縮短到一小時，其商業價值仍可能是零；若能藉由 AI 找出市場機會、帶進新客戶、減少錯誤或加快關鍵決策，效率才會轉化為加薪籌碼。

具體可從四處尋找機會：正在浪費公司金錢的事項、讓客戶或同事等待的流程、反覆出現的錯誤，以及因資料混亂而延誤的決策。同時，應把成果轉化為明確數字，說清楚原有問題、改善幅度、商業效益與自己承擔的責任，讓決策者看見你的貢獻並確認這套價值需要你持續維護。

但創造價值後，公司通常不會主動加薪，你仍須開口談判。依「納許議價」概念，薪資可視為「個人退路」加上「從合作剩餘中分得的部分」。退路是離職後仍能取得的收入；合作剩餘則是你與公司繼續合作，相較於雙方各自另尋選擇所多創造的價值。價值決定餅的大小，稀缺性、外部 offer 與承受談判破裂的能力，則決定議價權。

提高薪資可從四個方向著手：取得更好的外部 offer，或用 AI 發展副業與個人品牌以提高退路；解決真正的商業痛點，把合作創造的餅做大；建立難以複製的流程、判斷與跨部門影響力，提高公司失去你的代價；最後，以量化成果和可行退路主動談判。AI 本身不是加薪理由，能用它創造可衡量且難以取代的價值，才是真正的籌碼。

[AI 通透] 見山三境與人生智慧

[AI 通透] 見山三境與人生智慧

摘要 : 從欲望、自律到自在，體悟不執著且不失善意的人生境界。

內容:

「見山是山」是凡夫之境：看見炸雞便想吃，因欲望而沉迷，難以管束自己，只知道拿起。

「見山不是山」是賢者之境：明白炸雞熱量高，認為長久健康勝過一時口腹之欲，因此克制自己、選擇放下。

「見山還是山」則是自在之境：既知道它美味，也清楚它的負擔，吃與不吃皆能隨心。吃並非受饞念驅使，不吃也不是出於畏懼；吃了不嫌油膩，不吃亦不再惦記。

做人也是如此。年輕時只看表面，輕易區分好壞；歷經世事後，才懂人心複雜，好人也會犯錯，惡人亦可能有難言之隱。

真正通透，是明白人無絕對善惡，願意包容差異、放下偏見。看透世事卻不冷漠，歷經滄桑仍保有善意；先著相，再破相，最終不執不破，回歸本心與自在。

[AI 分享] 普通人成為 AI 高手的三個關鍵步驟

[AI 分享] 普通人成為 AI 高手的三個關鍵步驟

摘要 : 從代理工具、功能型 Skill 與情境管理，建立高效 AI 工作流。

內容:

普通人想成為 AI 高手，可以從三個關鍵步驟開始。這套方法來自兩年多的培訓、教學與實際案例總結：

第一，停止只使用 ChatGPT 這類聊天工具，開始使用 Codex、Claude Code、Cursor 等 Agentic 工具。

第二，學會撰寫實用的 Skill，而且重點不是改變語氣或風格的「風格型 Skill」，而是能夠完成具體任務、串接完整流程的「功能型 Skill」。

第三，管理好自己的 Context，讓 AI 能夠掌握工作背景、檔案、工具、流程與歷史操作。

這三步也涵蓋了近期熱門的 Harness Engineering、Loop Engineering 等概念。這些技術值得了解，但真正能對日常工作產生幫助的核心方法，其實已經融入上述三個步驟之中。

經過大量教學與實務案例驗證，如果能做好這三步，就有機會真正成為 AI 高手；反之，AI 的使用方式會存在明顯缺陷，能力上限也容易受限。

其中，第一步尤其重要，因為它幾乎決定了一個人是否理解當前 AI 的真正能力，也會影響 AI 帶來的是約 30% 的效率提升，還是十倍、甚至百倍的改變。

Andrej Karpathy 曾指出，AI 的使用者正在走向兩條不同的路線。一部分人仍使用免費聊天工具，每天只和 AI 對話，因此對 AI 能力的理解相對有限；另一部分人則開始使用 Codex、Claude Code、Cursor 等工具，實際體驗 AI 能力的高度與工作方式的變化。

目前仍有許多人尚未使用過 AI，而在已經使用 AI 的族群中，絕大多數也只停留在聊天階段。真正開始使用 Agentic 工具的人，可能僅占極少數，但這類工具其實已經適合更多人使用。

Chat 工具的基本模式，是使用者提出問題，AI 再回傳一個答案。Agentic 工具雖然同樣可以透過對話操作，但差別在於，它不只回答問題，還能直接執行工作，調度雲端模型、本機工具、運算資源及其他模型來完成任務。

一般聊天工具能做的事情，Agentic 工具大多也能完成。例如，要求 AI 根據對使用者的理解，製作一組 Instagram 九宮格內容，ChatGPT 可以生成，Codex 同樣可以處理。換句話說，Chat 的能力基本上只是 Agentic 工具能力的一部分。

Agentic 工具額外具備三項重要能力。

第一，是調度本機檔案與工具。它能在本機撰寫並保留程式碼，也能下載及使用各種開源工具。舉例來說，當 AI 產出的簡報精度不足時，可以要求它自行下載開源工具，再透過該工具製作更高品質的 PPT。使用者不再受限於聊天視窗內建的功能，理論上可以讓 AI 操作電腦中可用的各種工具。

第二，是灌注大量 Context，並透過 Skill 執行複雜流程。例如，只需要對 Codex 說一句「執行我的 post-production skill」，AI 就能在背後完成多個步驟，包括：

1. 在本機進行檔案轉碼，將影片轉成音訊。  

2. 調度本機的通義千問模型完成轉錄。  

3. 使用 Codex Command Line Tool 精校逐字稿。  

4. 若內容為訪談，透過 Python 與 Pyannote 等開源工具辨識聲紋。  

5. 標示主持人與來賓各自的發言。  

6. 執行多組 AI Loop，找出觀眾感興趣的高光片段。  

7. 產生標題、封面方向及相關截圖。  

8. 整理發布文案與製作說明。  

9. 將成果彙整至 Google 文件，供來賓預覽與確認。

最終產出的文件可以包含正文文章、高光剪輯地圖、標題與封面、發布文案，以及完整製作說明。原本需要多人、多工具協作的後製工作，可以被濃縮成一句自然語言指令。

另一個案例，是將 YouTube 影片轉製成 Podcast。當某支原本公開的 YouTube 影片改為會員限定內容後，只要告訴 Agentic 工具：「把這段 Podcast 刪除，因為它已經從公開內容轉為會員內容。」工具便能理解既有的本機工作流、操作 Podcast 後台，找到指定集數，再將其由公開狀態改為非公開。

這類任務難以單靠一般 ChatGPT 對話完成，因為聊天工具通常無法直接取得本機工具、完整工作脈絡、登入狀態與相關金鑰，也就無法代替使用者執行實際操作。

第三，是讓每一次操作繼續累積成新的 Context。以自動發布 Twitter 內容為例，原本已建立一套流程，可以將本機內容整理成文案，再按照指定時間自動發布。若檢查後對內容不滿意，只需要告訴 AI，希望加入更多英文內容，並花更多時間改善品質。

Agentic 工具便能依據回饋重新建構工作流，把既有內容整理成約 50 則 Twitter 貼文，再重新安排定時發布。先前的工具、流程與操作紀錄都能成為後續任務的基礎，使整套系統持續改善。

如今，Agentic 工具的使用體驗已經非常接近一般聊天工具。使用者不一定要撰寫程式碼，也不需要詳細規定程式應該如何實作，只要清楚說明希望達成的目標，AI 就能自行選擇工具、拆解步驟並執行工作。