2026年6月16日 星期二

[AI 衝擊] 加拿大年輕人就業困境與AI時代出路

 [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

 [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

[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?

 [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

 [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

 [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

 [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

 [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

 [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。