2026年7月19日 星期日

[知識庫 4] 別再說「我幫您查一下,稍後回覆」

[知識庫 4] 別再說「我幫您查一下,稍後回覆」

客戶要的從來不是你查得認真,是你答得出來。

一個上午,這句話說了九次

林郁婷在鼎峰系統整合(示範情境)的客戶服務部,做技術支援第三年。她的工作台上開著五個視窗:工單系統、客戶名單、共用資料夾、公司內部群組,還有一份自己整理的 Excel,裡面是她這三年來慢慢抄下來的「常見狀況與處理方式」。

那份 Excel 是她最重要的資產,也是她最大的焦慮來源——因為它只有 137 列,而客戶的問題有無限多種。

那天上午九點到十二點,她說了九次「我幫您查一下,稍後回覆您」。

第一次,客戶問去年買的模組能不能相容新版系統。她翻工單,翻不到;問群組,沒人回;最後找到當初的售前工程師,對方在客戶端出差,晚上七點才回訊息。

第三次,客戶說設備顯示某個錯誤代碼。她印象中兩年前有人處理過一模一樣的,但那是在一個已經沒人用的舊聊天群組裡,往上滑了二十分鐘沒滑到。

第七次最傷。客戶在電話裡說:「你們上個月有另一位同事跟我講的不是這樣。」她當下答不出來,也查不到上個月那通電話的內容。掛掉電話之後她坐了三十秒,那三十秒她想的不是問題怎麼解,而是客戶剛剛是不是覺得這家公司不專業

十二點的時候,她真正解決的問題是三個。其餘六個變成待辦,帶到下午,有兩個帶到明天。

在第一線工作的人都知道,最消耗人的從來不是難的問題,是那些「公司裡明明有人知道,但你就是問不到」的問題。

這不是你不夠努力,是答案根本沒被放在你找得到的地方

如果你也是客服或技術支援,你大概很熟悉這種感覺:明明是自己份內的事,卻總覺得自己在猜。

但問題真的不在你。你可以把公司裡「那個問題的答案」在哪裡,列出來看看:

它可能在一張三年前的工單裡,只是當初結案時只填了「已處理完成」四個字;可能在一封資深工程師寄給客戶的信裡,而那封信在他的個人信箱;可能在一場售前會議的錄音檔裡,檔名叫「錄音_20240311.m4a」;可能在一個已經沒人用的群組訊息裡;也可能誰都沒寫下來,只在某個人的腦袋裡,而那個人今天請假。

這些東西理論上都還在公司,實際上等於不存在——因為找不到、或是找到的成本高過重問一次。於是最有效率的做法變成「問人」,而問人這件事,會塞住兩個人的時間,還會隨著資深同事離職而斷掉。

你不缺資料,你缺的是一個問得到答案的地方

第一線最需要的不是更完整的知識庫,是更快的那一句回答。

一張三年前的工單,變成一個你三秒查得到的答案

這正是知識庫系統要做的事。它不是雲端硬碟,也不是把檔案丟給 AI 就算數——它是一條把「原料」煉成「可查詢知識」的產線。

看一個實際的例子。這是一段客服電話的口語紀錄,雜亂、口語,而且夾著幾樣絕對不能外流的東西:

喂您好,那個…宏泰的張淑芬張小姐是不是,電話 0912-345-678 這支對嗎,
訂單編號 SO-2023-1147 那筆。啊她說那台設備一開機就跳 E-207,
我跟她講那個通常是韌體版本太舊,跟新的控制模組對不起來啦,
就先降回舊版韌體,然後排時間現場更新模組。她說好,那就下週三。

系統把它送進清洗程序——去掉贅字、遮蔽個資、分類、摘要——出來是這樣:

## 設備開機顯示 E-207 錯誤

- **現象**:設備開機後顯示錯誤代碼 E-207。
- **原因**:韌體版本過舊,與新版控制模組不相容。
- **緊急處置**:暫時降回舊版韌體,可恢復運作。
- **根本解法**:安排現場更新控制模組。

再進一步蒸餾,它變成一頁可以互相連結的概念頁,跟其他相關知識串在一起:

# E-207 韌體與控制模組版本不相容
當韌體版本低於控制模組要求時,開機自檢會中止並回報 E-207。
處置流程參見 [[韌體降版操作]] 與 [[控制模組現場更新排程]]。

於是下一次——不管是林郁婷,還是上週才報到的新同事——遇到同一個客戶問同一件事,只要打一句話進系統:

「客戶設備開機跳 E-207 怎麼處理?」

得到的是:

通常是韌體版本過舊,與新版控制模組不相容。可先降回舊版韌體讓設備恢復運作,再安排現場更新控制模組。
〔出處:客戶服務通話紀錄 → 原始逐字稿〕

請注意兩件事。第一,答案後面附著出處,點下去可以一路追回當初那通電話。這很重要——第一線敢不敢照著回客戶,差別就在這裡;主管事後要查你憑什麼這樣講,也查得到。第二,客戶姓名、電話、訂單編號一個都沒有出現,它們在進入知識庫之前就被遮掉了。

你不需要再記住 137 列 Excel。你只需要問得出問題。

那些「不敢放進系統」的內容,其實才是你最需要的

第一線的人最常遇到的狀況是:真正有用的資訊,剛好都是敏感的。客戶的報價邏輯、合約裡答應過的到場時效、上一次為什麼願意給那個折扣——這些才是客戶會追問的,偏偏也是最不敢隨便放的。

所以這套系統把安全做成兩條不能違反的鐵則。

一條是遮蔽失敗,整筆就算失敗。不是「盡量遮」,只要沒遮乾淨,整筆內容直接退回重跑,絕不放行到下游。寧可多跑一次,也不讓客戶的電話跟訂單編號流進一個誰都查得到的地方。

另一條是你無權看的,系統絕不會答給你。權限綁在「團隊」上,而且在每一次查詢的當下驗證。標成業務團隊的合約條款,客服查不到,甚至查不出它存不存在——不會出現「有這筆資料但你沒有權限」這種等於洩漏的提示。

這代表什麼?代表你的公司可以把合約、報價、客戶往來紀錄都煉進來,而不是只敢放那些本來就無所謂的東西。而對第一線來說,能不能答得出客戶的追問,決勝點恰恰就在那些「本來不敢放」的內容裡。

會不會過幾個月,又變成一堆沒人信的舊答案

會,如果沒有更新機制的話。所以更新被設計成一條可以重跑的產線。

韌體改版了、處理流程換了、客戶合約續約了,承辦人對原檔案按「上傳新版本」,系統自動建立版本鏈:新版標成 v2,舊版標示「已被取代」,版本歷史可回溯稽核。接著自動重新清洗、重新蒸餾、重建索引。下次有人問同一個問題,答到的就是新版內容,出處指向 v2。

對第一線來說,這件事的意義只有一句話:你查到的答案,是現在有效的答案,不是三年前有效的答案。

「稍後回覆」的成本,其實比你想的高

以一般知識管理導入經驗為基準,找答案的時間可以從「翻半小時檔案再問人」壓到「一分鐘內問到」,同類問題的重複發問下降六成以上。這是合理的導入目標與期望值,不是實測保證值,實際成效取決於餵進多少素材、清洗品質,以及團隊的使用習慣。

但如果你自己就在第一線,你其實不太需要看這些數字。你更清楚的是另一組帳:

一次「我幫您查一下」,是你多花二十分鐘,加上另一位同事被打斷的十分鐘,加上客戶多等的四個小時,加上他心裡多打的一個問號。乘以一天九次,乘以一年兩百多個工作天。

林郁婷那天下午收到客戶回信,只有一句:「所以到底可不可以?」

你不會希望這句話,是客戶對你們公司的最後印象。

如果你也有一份 137 列的 Excel

那份 Excel 不是問題,它是證據——證明你們公司真的累積了很多經驗,只是這些經驗現在得靠某幾個人用手抄、用記憶力、用「剛好我知道」來支撐。

這撐得住今天,撐不住那個人請假、離職,或是團隊要再進三個新人的時候。

[知識庫 3] 你接的是專案,不是考古

[知識庫 3] 你接的是專案,不是考古

接手第一週,你應該在推進度,不是在解讀前任留下來的資料夾。

資料夾裡有兩百個檔案,沒有一個叫「這個案子到底怎麼回事」

週一早上九點,主管把一個共用資料夾的權限開給了周佩璇。

「宏泰那個案子交給你,小李下週五就走了,有問題趕快問他。」

她點進去。兩百多個檔案。命名大概是這樣:宏泰_需求確認_final.docx宏泰_需求確認_final_v2.docx宏泰_需求確認_最新版(客戶確認過).docx會議_0311.m4a會議_0325(補錄).m4a報價_勿外流.xlsx新增資料夾/

她花了兩天,拼出了一個大概的輪廓:這個案子做了十四個月,換過一次客戶窗口,中間有一段改了規格,目前進度大約七成。

然後客戶打電話來了,問的是:「上次講好的那個報表格式,你們是照哪一版做?」

她答不出來。她知道有三份規格文件,但不知道哪一份是「講好的那一版」,也不知道那次是在哪一場會議「講好」的。她去問小李,小李想了五秒說:「喔那個啊,好像是三月的時候客戶口頭改的,我印象中有跟他們確認過。」

「有紀錄嗎?」

「應該在錄音裡吧。」

兩百個檔案,其實只回答得了一個問題:這個案子做過什麼。它回答不了那個真正要命的問題——為什麼要這樣做。

接手為什麼一定會卡,而且不是你或前任的錯

這件事值得說清楚,因為接手的人常常會覺得是自己不夠用心,或是前任交接不負責。兩個都不是。

一個專案交接得出來的,是狀態:做到哪、誰負責、檔案在哪、還欠什麼。

交接不出來的,是脈絡:為什麼這個功能後來被砍掉?為什麼報價要多加一成?為什麼這個客戶的窗口一定要先發信再打電話?為什麼那條整合方式明明比較快,我們卻沒有用?

這些沒有一條寫得成文件。它們是十四個月裡,一次一次的會議、電話、現場、爭執累積出來的判斷。要一個人在離職前一週把它們寫下來,物理上就做不到——他甚至不知道哪些是「你會需要知道的」。

而且脈絡並不是不存在,只是存放的位置很尷尬:一場 90 分鐘的客戶訪談錄音(會後沒人想重聽)、一封三月的往來信、一張現場拍的照片、一段記在筆記本上的口頭承諾、一份被改到 v7 的簡報。

所以問題不是「交接怎麼做得更完整」,而是「這個案子的脈絡,有沒有在它發生的當下就被留下來」。

一場沒人想重聽的會議錄音,變成一頁你查得到的決議

這正是知識庫系統要處理的事。它不是雲端硬碟,也不是把檔案丟給 AI 就算數——它是一條把「原料」煉成「可查詢知識」的產線。

回到那個報表格式的問題。那場三月的會議其實有錄音,長度 87 分鐘,沒有人聽過第二次。逐字稿的其中一小段長這樣:

…那個報表喔,客戶那邊王經理說,他們財務要的是每月一張、
不是每週,然後要含稅未稅分開列。啊他們窗口換成陳先生了,
chen@…那個信箱等下我再貼給你。這樣調的話工時會多,
不過我們這次先吸收啦,報價還是照原本的 168 萬走,不加價。

系統把它送進清洗程序——去掉贅字、遮蔽敏感資訊、分類、摘要——出來是這樣:

## 報表格式變更決議(客戶口頭確認)

- **變更內容**:報表出表頻率由每週改為每月一張,欄位需含稅、未稅分列。
- **提出方**:客戶財務單位需求,由客戶端主管於會議中提出。
- **商務處理**:本次追加工時由我方吸收,合約金額維持不變。
- **附帶異動**:客戶對接窗口已更換(聯絡資訊已遮罩)。

再進一步蒸餾,它變成一頁可以互相連結的概念頁:

# 宏泰案報表規格(現行版本)
出表頻率:每月一次。欄位需含稅/未稅分列。
本規格於專案期間經客戶口頭確認變更,未走書面變更單。
相關脈絡參見 [[口頭變更的認列原則]] 與 [[專案窗口異動紀錄]]。

於是周佩璇不必去猜哪一份 docx 才是對的。她打一句話進系統:

「宏泰案的報表格式最後是照哪一版?」

得到的是:

每月一張,含稅與未稅分列。此規格於專案期間由客戶口頭提出變更,我方吸收追加工時、合約金額未調整。
〔出處:宏泰案專案會議錄音(三月)→ 原始逐字稿 第 41 分鐘〕

兩件事值得注意。第一,答案附著出處,而且可以跳回錄音的那個時間點——所以她敢直接回客戶,主管要查依據也查得到。第二,客戶窗口的聯絡方式在進入知識庫之前就被遮掉了,而「報價維持 168 萬、我方吸收工時」這種商務資訊,只有具備對應團隊權限的人查得到。

你接手的時候,需要的不是兩百個檔案的存取權,是兩百個檔案裡那三十句真正重要的話。

為什麼敢把報價跟合約也煉進去

接手專案最尷尬的一件事是:你最需要知道的,剛好都是最敏感的。報價怎麼算、合約承諾了什麼、上次為什麼願意讓步——不知道這些,你根本不敢對客戶開口。

這套系統把安全做成兩條不能違反的鐵則。

第一條,遮蔽失敗,整筆就算失敗。不是盡量遮,而是只要沒遮乾淨,整筆內容退回重跑,絕不放行到下游。客戶窗口的手機與信箱不會因為「這次沒抓到」就流進知識庫。

第二條,權限綁在團隊上,而且每一次查詢當下驗證。專案團隊查得到自己案子的商務脈絡,隔壁部門的人問一模一樣的問題,會得到「查無資料」——不是「你沒有權限查看這筆資料」,是連它存不存在都不會透露。

所以你的公司可以把合約、報價、客戶往來一起煉進來。而接手一個案子最需要的東西,恰恰全部都在那裡。

那過一陣子,它會不會又變成另一個「新增資料夾」

會,如果沒有更新機制的話。所以更新被設計成一條可以重跑的產線。

規格改版了、合約續約了、窗口又換人了,承辦人對原檔案按「上傳新版本」,系統自動建立版本鏈:新版標成 v2,舊版標示「已被取代」,版本歷史可回溯稽核。接著自動重新清洗、重新蒸餾、重建索引。

差別在這裡:final_v2_最新版 這種檔名要靠人記得誰是最新的;版本鏈是系統記得。你只要從更新原料開始,下游會自己刷新,而且答出來的一定是現行版本。

第一週應該長什麼樣子

以一般知識管理導入經驗為基準,接手者的上手週期可以從一到兩個月壓到兩三週,大約縮短一半;同一件事被重複問的次數下降六成以上。這是合理的導入目標與期望值,並非實測保證值,實際成效取決於餵進多少素材與團隊的使用習慣。

不過對接手的人來說,感受最直接的不是這些數字,而是一種姿態的改變。

沒有知識庫的第一週,你在對客戶說:「這個我要跟同事確認一下。」有知識庫的第一週,你在對客戶說:「這個部分我們三月確認過,是每月一張、含稅未稅分列,我先照這樣往下推。」

同樣是第一週,一個像實習生,一個像負責人。

下一個接手你案子的人,會拿到什麼

這件事最後會繞回你自己身上。

你現在正在做的案子,總有一天會交給別人——可能是你升遷、轉調,或只是休了個長假。到那時候,你留給對方的,是兩百個檔案跟一句「有問題再問我」,還是一座他問得到答案的知識庫?

[知識庫 2] 他交接了十五頁文件,卻帶走了三年的答案

[知識庫 2] 他交接了十五頁文件,卻帶走了三年的答案

資深員工離職那一天,公司損失的不是一個人力,而是一整座從未被寫下來的知識庫。

交接完成的那一天

陳志遠在鼎峰系統整合(示範情境)待了 12 年,是第一系統開發部的資深項目經理。從公司只有八個人的時候就在,一路帶過的客戶案子超過三十個。

離職流程走得非常漂亮。一個月預告期,三場交接會議,十五頁的交接文件,附上專案清單、客戶聯絡窗口、系統帳號一覽、待辦事項移交表。人資核對完交接單,簽名,結案。同事在會議室切了蛋糕,拍了照。所有流程都對,沒有任何人犯錯。

三個月後,公司才開始意識到一件事:「交接完成」和「知識已經移轉」,是完全不同的兩件事。

三個月後陸續送到的帳單

第一張帳單在第五週送到。老客戶打來問,去年那個案子的維護報價為什麼是這個數字,能不能比照今年續約。接手的專案經理翻遍了報價單、合約、往來信件,找得到「報價多少」,但找不到「為什麼」——當初那個數字是陳志遠評估過客戶機房的特殊環境、加上一段口頭承諾的到場時效後算出來的。這段推算,只在一場沒有錄音的會議裡發生過。最後公司選擇照舊價續約,少賺的部分沒人算得出來。

第二張帳單在第八週。團隊在新案子上選了一套中介軟體,做到一半才發現與客戶端既有系統相衝,回頭重做兩週。而三年前,鼎峰在另一個客戶身上踩過一模一樣的雷——那次是陳志遠處理的,記錄在一封當時的內部信裡,沒有人知道要去哪裡找那封信。

第三張帳單在第十一週的凌晨三點。客戶主機服務中斷,值班工程師翻共用資料夾翻了四十分鐘,最後還是打電話給已經離職的陳志遠,對方在電話裡花了兩分鐘講完處理方式。

還有一些帳單沒有金額,但更難處理。客戶開始問「你們公司是不是換人了」。新的專案經理不敢對客戶承諾任何事,因為不確定過去答應過什麼。這些成本不會出現在任何一張財報上,但每一筆都是真的。

為什麼交接一定會漏,而且不是誰的錯

這裡要講一件對經營者最重要的事:問題不在陳志遠不肯寫,也不在交接文件寫得不夠認真。是因為交接文件本來就裝不下那些東西。

十五頁的交接文件,能裝得下的是流程——這個案子做到哪、誰負責什麼、帳號密碼在哪。而真正值錢的,是判斷

為什麼那家客戶的報價要多加一成?為什麼那條線路不能碰?為什麼這個錯誤訊息看起來像 A 問題,其實通常是 B 造成的?哪個客戶的窗口一定要先發信再打電話?這些沒有一條寫得成 SOP,它們是三年、五年、十二年一次一次踩出來的。

而且它們並不是不存在,只是存放的位置很尷尬:一場 90 分鐘的客戶訪談錄音(會後沒人想重聽)、一封三年前的內部信、一張現場拍的機房照片、一段隨手記在筆記本上的處理步驟、一份被改到 v7 的簡報。它們散落在錄音檔、硬碟、信箱、聊天群組裡,理論上都還在公司,實際上等於不存在——因為沒有人找得到,也沒有人有時間去找。

要一個人在離職前一個月,把 12 年的判斷寫成文件,這件事在物理上就做不到。所以正確的問法不是「怎麼把交接做得更完整」,而是「怎麼讓知識在他還在職的每一天,就持續被留下來」。

如果這些素材,當初有被煉成知識

這就是知識庫系統要解決的事。它不是雲端硬碟,也不是把檔案丟給 AI 就算了——而是一條把「原料」煉成「可查詢知識」的產線。

看一個實際的例子。這是一段客戶現場交接的口語錄音逐字稿,雜亂、口語,而且含著三樣絕對不該外流的東西:

嗯…就是那個客戶 192.168.10.5 那台主機啊,帳號 admin 密碼 P@ssw0rd 那個,
半夜三點服務就掛掉,啊我看 log 是記憶體不夠,就…就先把那個排程改一下,
然後重開機就好了啦,啊王先生你記得跟李小姐講一下喔,下個月要去複查。

系統把它送進清洗程序——去除贅字、遮蔽敏感資訊、分類、摘要——出來是這樣:

## 客戶主機服務半夜中斷處理

- **問題**:客戶主機(IP 已遮罩)每日凌晨服務中斷。
- **原因**:記憶體不足。
- **解法**:調整排程後重新開機即恢復。
- **待辦**:下個月安排複查。

再進一步蒸餾,它變成一頁可以互相連結的知識概念頁,跟其他相關知識串在一起:

# 記憶體不足導致服務中斷
當主機記憶體耗盡時,服務會被作業系統終止。常見於凌晨批次作業疊加。
處理方式參見 [[重新開機標準程序]] 與 [[排程調整]]。

於是第十一週凌晨三點的那位值班工程師,不需要打電話給已經離職的人。他打一句話進系統:

「客戶主機半夜服務掛掉怎麼辦?」

得到的回答是:

通常是記憶體不足造成。建議調整批次排程後重新開機即可恢復;並安排後續複查。
〔出處:客戶現場維運交接錄音 → 原始逐字稿〕

請注意兩件事。第一,答案附著出處,點下去可以一路追回當初那份原始錄音——所以他敢照著做,主管也查得到依據。第二,客戶 IP、帳號、密碼一個都沒有出現——它們在進入知識庫之前就被遮掉了。

關鍵不在於「離職前趕快把東西丟進系統」,而是這些素材在陳志遠還在職的每一天,就已經被持續煉成可查詢的知識。離職那天,只是換一個人來問同一座知識庫而已。

老闆真正會擔心的兩件事

聽到「把公司資料集中起來、還讓 AI 能查」,經營者第一個反應通常不是興奮,是緊張。這很合理,所以這套系統把安全做成兩條不能違反的鐵則。

第一條:遮蔽失敗,整筆就算失敗。 不是「盡量遮」,而是只要沒遮乾淨,整筆內容直接退回重跑,絕不放行到下游。寧可多跑一次,也不讓客戶的帳號密碼流進誰都查得到的地方。

第二條:你無權看的,系統絕不會答給你。 權限不綁在資料夾上,而是綁在「團隊」上,而且在每一次查詢的當下驗證。合約與 SLA 標成業務團隊的內容,工程師查不到,甚至查不出它存不存在;運維團隊的故障知識,開發人員問一模一樣的問題也會得到「查無資料」。同樣的規則也延伸到公司外——工程師若想在自己慣用的 AI 工具裡查公司知識,換一組帳號,就換成那個人能看的範圍,一模一樣。

這代表你可以把合約、報價、客戶資料都放進去,而不是只敢放那些本來就無所謂的東西。 而知識庫的價值,恰恰就藏在那些「本來不敢放」的內容裡。

那它會不會變成另一座檔案墳場

會,如果沒有更新機制的話。所以更新被設計成一條可以重跑的產線。

合約續約了、SOP 改版了,承辦人對原檔案按「上傳新版本」,系統自動建立版本鏈:新版標成 v2,舊版標示「已被取代」,版本歷史可回溯稽核。接著自動重新清洗、重新蒸餾、重建索引。下次有人問,答到的就是新版內容,出處指向 v2。

你只要從「更新原料」開始,下游會自己刷新。 知識庫不會因為沒人維護就悄悄過期成一堆謊話。

能被量測,才能被改善

以一般知識管理導入經驗為基準,這是合理的導入目標與期望值(並非實測保證值,實際成效取決於餵入多少素材、清洗品質與團隊使用習慣):

  • 找答案的時間:從「半小時翻檔案+問人」縮短到「1 分鐘問知識庫」,查詢效率約提升 10 倍。
  • 新人上手週期:從 1~2 個月縮短到 2~3 週,約縮短 50%。
  • 重複求助與重複犯錯:同類問題重複發問下降 60% 以上。
  • 敏感資料外洩風險:因強制遮蔽且「遮蔽失敗=整筆失敗」,外洩風險趨近於 0。

但對經營者來說,比數字更重要的是一件事:這些品質是可以被量出來的。 系統內建兩道評測——一道量「該遮的有沒有遮掉、該留的重點有沒有被誤刪」,一道量「問題找不找得到、答得準不準,以及有沒有任何一筆越權洩漏」。它們可以像回歸測試一樣定期跑,讓你知道這項投資的品質是在進步還是退步。

知識管理最常見的死法,不是導入失敗,是導入之後三年沒人說得清楚它到底有沒有用。

下一個遞辭呈的人,會是誰?

陳志遠的故事不特別。每一家有十年以上歷史的公司,都有兩三個「不能走的人」——不是因為他們的職位不能取代,而是因為只有他們知道那些從來沒被寫下來的答案

你沒辦法保證他們不走。但你可以決定:他們走的時候,帶走的是一份工作,還是一整座公司的記憶。

[知識庫 1] 當新人第一天,就能答出只有資深工程師才知道的答案

 

[知識庫 1] 當新人第一天,就能答出只有資深工程師才知道的答案


不是把檔案丟進 AI,而是把公司的經驗,煉成一座問得到、信得過、不外洩的知識庫。

那個只有王小明知道的答案

凌晨三點,客戶的主機服務掛了。運維工程師王小明趕到現場,翻日誌、發現是記憶體被批次作業吃光,調整排程後重開機,恢復。整件事處理得漂亮——然後解法被寫進他自己的筆記本裡。

三個月後,同樣的問題在另一個客戶端重演。這次值班的是剛報到兩週的新人。他查不到任何東西,只能打電話把王小明從床上挖起來。

這不是誰的錯。這是絕大多數企業的日常:公司最值錢的知識,存放的位置叫「某個資深員工的腦袋」。它不會出現在任何資產清單上,但它會離職、會請假、會在凌晨三點關機。

你其實不缺知識,你缺的是「找得到、敢用、敢信」

多數公司不是沒有累積知識,而是知識散在四個找不回來的地方。

一個 90 分鐘的客戶需求訪談錄音躺在硬碟裡,會後沒人想重聽;三週後大家對「客戶到底要不要那個匯出功能」各說各話。安裝 SOP 存在共用資料夾的第七層目錄,新人得靠運氣或爬 Line 群組的樓才翻得到。客戶的維護合約、SLA、報價單在業務的信箱裡,工程師想查「這個客戶保固到什麼時候」只能四處問人。

而那些真正重要的文件,往往含個資、含客戶 IP、含帳號密碼——所以乾脆不分享,或是人工塗黑,塗到自己也不確定乾不乾淨。就算現在把它們丟給 AI 工具,得到的答案也沒有依據,你不知道它從哪裡讀來的、對不對、能不能拿去跟客戶講。至於「誰能看什麼」,靠的是資料夾權限硬切,設錯一次就是一次外洩。

這四件事——找不到、不敢共享、不敢信、權限難維護——才是知識管理真正卡住的地方。

一段錄音,變成一個新人問得到的答案

以下用「鼎峰系統整合股份有限公司」第一系統開發部(示範情境)走一遍。這是王小明那次凌晨故障的現場交接錄音,逐字稿長這樣:

嗯…就是那個客戶 192.168.10.5 那台主機啊,帳號 admin 密碼 P@ssw0rd 那個,
半夜三點服務就掛掉,啊我看 log 是記憶體不夠,就…就先把那個排程改一下,
然後重開機就好了啦,啊王先生你記得跟李小姐講一下喔,下個月要去複查。

雜亂、口語、而且含著三樣絕對不該外流的東西:客戶 IP、帳號、密碼。

系統把它送進清洗程序——去重、遮罩、分類、摘要——出來的是這樣:

## 客戶主機服務半夜中斷處理

- **問題**:客戶主機(IP 已遮罩)每日凌晨服務中斷。
- **原因**:記憶體不足。
- **解法**:調整排程後重新開機即恢復。
- **待辦**:下個月安排複查。

再蒸餾一次,它變成一頁可被互相連結的知識概念頁:

# 記憶體不足導致服務中斷
當主機記憶體耗盡時,服務會被作業系統終止。常見於凌晨批次作業疊加。
處理方式參見 [[重新開機標準程序]] 與 [[排程調整]]。

於是三個月後的那個新人,不用再打電話。他在知識庫問答頁打一句話:

「客戶主機半夜服務掛掉怎麼辦?」

系統回答:

通常是記憶體不足造成。建議調整批次排程後重新開機即可恢復;並安排後續複查。
〔出處:客戶現場維運交接錄音 → 原始逐字稿〕

注意兩件事。第一,答案附出處,點下去可以一路鑽回當初匯入的原始檔——這是「敢信」的前提。第二,帳號、密碼、客戶 IP 一個都沒出現——它們在進入知識庫之前就被遮掉了。

為什麼你敢把合約也放進去

大部分企業卡在「不敢丟進去」,所以這套系統把安全做成兩條不可違反的鐵則。

第一條:遮罩失敗,整筆清洗就算失敗。 不是「盡量遮」,而是遮不乾淨就整筆退回重跑。寧可多跑一次,也不讓沒遮乾淨的內容流向下游。

第二條:你無權看的,問答絕不會吐給你。 權限不是綁在資料夾上,而是綁在「團隊」上,而且在每一次查詢當下即時驗證。實際跑起來是這樣的:王小明(運維組)問「客戶主機半夜服務中斷怎麼處理」,拿到附出處的完整答案;李四(開發組)問一模一樣的問題,系統回覆查無相關資料——因為那批運維知識不在他的可見範圍內,檢索階段就沒被撈出來。

同一個機制也延伸到公司外。當工程師想在自己慣用的 AI 工具(Claude、Codex 等)裡直接查公司知識時,系統開放一個標準端點;換一組憑證,就換成那個人能看的範圍,與網頁上完全一致。合約與 SLA 這種只有業務該看的東西,開發人員即使透過外部 AI Agent 也查不到、甚至查不出它存不存在。

那知識會過期,會不會變成一座檔案墳場?

會,如果沒有更新機制的話。所以更新被設計成一條可以重跑的產線。

客戶的維護合約續約了,承辦人對原檔案按「上傳新版本」,系統自動建立版本鏈:新版標成 v2,舊版標示「已被取代」,版本歷史可回溯稽核。接著重新清洗、重新蒸餾,索引自動跟著更新。下一次有人問合約相關問題,答到的就是新版內容,出處指向 v2。

你只要從「更新原料」開始,下游會自己刷新。

導入之後,具體會變成什麼樣子

以一般知識管理導入經驗為基準,這是合理的導入目標與期望值(並非實測保證值,實際成效取決於你餵入多少素材、清洗品質與團隊使用習慣):

  • 找答案的時間:從「半小時翻檔案+問人」縮短到「1 分鐘問知識庫」,查詢效率約提升 10 倍。
  • 新人上手週期:從 1~2 個月縮短到 2~3 週,約縮短 50%。
  • 重複求助與重複犯錯:同類問題重複發問下降 60% 以上。
  • 敏感資料外洩風險:因強制遮罩且「遮罩失敗=整筆失敗」,外洩風險趨近於 0。

但比數字更重要的是:這些品質是可以被量出來的,不是喊口號。 系統內建兩道評測——一道量「清洗到底乾不乾淨」(該遮的有沒有遮掉、該保留的重點有沒有被誤刪),一道量「檢索找不找得到、準不準,以及越權洩漏是不是等於 0」。你可以把它們當成知識庫的回歸測試:每次餵入新素材、每次調整設定,跑一次就知道品質有沒有退步。

知識管理最常見的失敗,是導入之後沒人知道它到底有沒有用。能被量測,才有辦法被改善。

如果你也有一個「只有某某某才知道」的答案

老手經驗難傳承、新人上手慢、敏感資料不敢共享——如果這三句話有一句戳中你,那你要的可能不是另一套文件管理系統,而是一條把散落素材煉成可信知識的產線。

2026年7月17日 星期五

[AI 衝擊] Cursor報告揭示AI開發者差距急速擴大

 [AI 衝擊] Cursor報告揭示AI開發者差距急速擴大

摘要 : Cursor報告顯示,頂尖開發者藉由AI工作流,產出與效率遠超一般使用者,核心差距在上下文、架構與任務拆解能力。




內容:

近期Cursor發布了2026年春季開發者習慣報告,內容指出,程式設計師當前面臨的真正危機,不只是裁員或求職困難,而是開發模式正在快速分化。當一些人仍以傳統方式逐行撰寫程式碼時,另一些人已經透過AI按模組、按系統規模提交程式碼,工作方式出現明顯代差。


報告顯示,最頂尖的1%開發者,每天產生的AI程式碼行數是普通活躍使用者的46倍;每週合併的PR數量則是普通活躍PR作者的15倍。這代表AI並不是平均地提升所有人的能力,反而可能加劇開發者之間的生產力落差。


從整體趨勢來看,過去一年中,開發者每週新增的程式碼行數已經翻倍,且在2026年2月後成長更加明顯。第75百分位PR的新增程式碼行數年增2.5倍,而超過1000行的Merged PR占比,也從約8%上升至13.8%。這反映出開發者不再只是微幅修改,而是開始利用AI完成模組級、甚至系統級的開發工作。


報告中另一個重要訊號是AI使用的極度集中化。其基尼係數高達0.77,代表AI產能、花費與token消耗集中在少數高頻使用者身上。這說明真正拉開差距的,不是單純有沒有用AI,而是是否掌握了一套成熟的AI工作流。


在這樣的工作流中,開發者的角色也正在改變。相較於過去強調語法熟練度與手動編碼速度,未來更重要的是任務拆解、架構判斷、上下文組織與結果審查能力。AI時代下,程式設計師的核心競爭力正從「怎麼寫」轉向「做什麼、怎麼拆、怎麼控」。


報告也指出,模型每輸出1個token,平均背後需消耗約11到13個輸入token,遠高於年初約4.52倍的水準;而cache rate長期占總token活動約89%至90%。這表示AI生成程式碼愈來愈依賴龐大的上下文,不再是單純輸入一句提示就能產出可用結果。


這也解釋了為何有些人覺得AI寫的程式碼很好用,有些人卻覺得問題很多。關鍵不只在模型本身,而在於是否提供足夠完整的上下文,例如介面文件、資料庫結構、歷史issue、專案規範與業務邏輯等。上下文的品質,正在成為決定AI程式碼可用性的核心因素。


此外,報告提到,無需手動接受diff就直接進入commit流程的Agent Generated Changes,占比從年初的7%一度上升至約38%。這顯示開發者對AI代理的信任度正在提高,工作流程也逐漸從「人寫機器輔助」轉向「機器生成、人類確認」。這不代表審查被取消,而是整個提交流程正在被重新設計。


綜合來看,這份報告傳遞出幾個明確訊息。第一,不要再和AI比輸入速度,因為真正重要的是方向感與架構能力。第二,要建立自己的上下文資產,把專案規範、業務知識與實務經驗文件化,提升AI生成結果的可用性。第三,要開始培養系統級的構建能力,因為現在一個人借助AI就有可能完成過去需要多人協作的產品開發。


對擔心失業的程式設計師而言,這份報告也提供了另一種思路。與其只停留在焦慮,不如實際嘗試利用AI做副業、做獨立開發,建立自己從需求到產品落地的完整能力。當一個人能借助AI跑通整個開發閉環,抗風險能力也會明顯提升。


最後,這份Cursor報告不只是統計資料的整理,更像是對整個產業的預警。15倍的PR差距、46倍的AI程式碼產出差距,背後反映的不是單純天賦問題,而是對AI工作流、上下文管理與提示設計的掌握程度。未來開發者之間的差距,可能不再只是技術高低,而是誰更早適應了這套新的生產方式。

[AI 分享] 企業AI報銷收單系統落地案例

 [AI 分享] 企業AI報銷收單系統落地案例

摘要 : 以工程企業為例,說明如何用本地AI自動收集微信群報銷資訊、整理臺賬、追蹤付款並強化權限管理,逐步完成數位化落地。




內容:

這是一個關於企業AI報銷收單系統的落地案例,主角是一家從事水利工程專案的企業。由於專案遍布全國,許多員工長期駐場,日常採購、材料費、工程款、加油、食堂買菜等支出,都先由現場人員墊付,再透過微信群進行報銷報備。


問題在於,這些報銷資訊分散在多個群組中,格式也非常混亂。有些人傳截圖、有些人發文字,還有人資訊沒說完整就撤回。財務人員必須每天在幾十個微信群裡逐條翻找,再手動整理進表格,依專案、付款方、用途分類對帳。尤其到月底,工作量極大,還容易漏單、錯行,幾乎整天都耗在這件事上。


這家企業的痛點可以整理成六個方面。第一,人工對帳負擔沉重,效率低且錯誤多。第二,資料過度依賴少數統計人員,一旦人員異動,歷史帳目就容易斷裂。第三,多專案同時進行時,費用常混在一起,難以精準拆分到具體專案、機械或材料。第四,報銷憑證與付款截圖分散在聊天記錄中,後續查帳、核查非常麻煩。第五,原有共享資料夾權限鬆散,資料安全性不足。第六,員工早已習慣用微信報銷,若強行改用新系統,通常會產生很大阻力。


針對這些問題,需求被拆成幾個核心層次。首先是基礎資料採集,也就是讓AI能夠自動進入報銷群、付款群與相關私聊中,靜默收集資訊,不影響員工既有使用習慣。系統需要能辨識報銷人、日期、用途、金額、專案與品類等關鍵資料;若無法完整結構化,也要保留原始內容,確保資訊不遺失。同時,所有報銷截圖與文字資料都要規範存檔,方便日後追查。


第二層是資料統計與分析。系統要能依專案、品類、時間自動彙總費用,例如柴油、混凝土、機械費、日常雜支等,並支援日、月、年查詢。進一步還可以做價格曲線、用量趨勢等分析,幫助管理者比價與控管成本,讓每一筆費用都能更準確歸屬到對應專案。


第三層是付款流程跟進。除了收集報銷申請,AI也要同步追蹤付款群中的付款截圖,自動標記已付款或未付款,記錄付款時間、金額與收款方,形成從報銷、審核到付款與回單的完整閉環,減少漏付、錯付與重複付款的風險。


第四層是權限與存取管理。由於企業很重視資料安全,因此方案採本地部署,不上雲。資料儲存在公司內部設備中,再依據角色設定權限,例如老闆與高管可查看全部,員工只能查看自己的內容。系統也支援區域網路存取,方便不同辦公地點使用。


在硬體選型上,因為這套系統不需要高併發伺服器能力,最終選定以 Mac Studio 作為本地AI主機,搭配 128GB 統一記憶體。這樣的設備穩定、安靜,也適合放在企業內部長期運行。


基於以上需求,最終提出的解決方案有幾個重點。第一,本地AI靜默收單:用固定帳號掛在AI設備上,自動收集微信群資訊,只收不發,自動識別、自動歸類、自動存檔。第二,資料標準化:不強迫員工改流程,只對現有報銷方式做輕度規範,例如標明專案、寫清用途、統一圖片命名。第三,自然語言查帳:管理者與財務不必學複雜系統,可以直接用問話方式查詢,例如某個專案某月加油花了多少、混凝土總支出是多少,由AI直接生成結果與表格。第四,付款閉環管理:把報銷與付款資訊一起納入追蹤,讓狀態清楚可查。第五,本地部署與分級權限:兼顧安全與實際使用需求。第六,零改造落地:員工仍然照常用微信報銷,不必改習慣、不必另外培訓,系統在後台完成整理工作。


整體來看,這個案例的關鍵不在於追求炫目的AI概念,而是聚焦在兩個最核心的問題:資料不規範,以及人工統計太慢。透過本地部署、靜默採集、標準化整理與流程閉環,企業可以用相對可控的成本,逐步把報銷收單這件事做得更有效率、更少出錯,也為後續的資料化與智慧化管理打下基礎。


這個案例也反映出一個重要觀點:AI不是為了完全取代人,而是用來接手那些重複、繁瑣、容易出錯的工作。企業的數位化與智慧化,通常不是一次性大改造完成的,而是從一個個小痛點開始,逐步累積成完整體系。

2026年7月16日 星期四

[AI 系統化] Loop邊界設計

 [AI 系統化] Loop邊界設計

摘要 : Prompt沒有過時,重點是替AI定義觸發、驗證與停止條件,避免失控循環。




內容:

Anthropic 官方談的不是「提示詞工程已經沒用」,而是不要再讓人類一直扮演 AI 的排程器。真正的重點已從「怎麼問」延伸到「誰來觸發、誰來驗證、什麼時候停止」。也就是說,Loop 並不是讓 AI 無限自動運轉,而是一個有明確邊界的工作系統。


許多人在使用 Claude Code 寫程式時,常遇到兩種問題:一種是 AI 陷入死循環,不斷修改卻無法完成;另一種是過早停止,明明還可以做得更好。根本原因通常是沒有清楚定義成功條件、驗證方式與停止規則。因此,Loop 的關鍵不只是執行,而是邊界設計。


官方將 Loop 分成四種類型,而且這不是能力成熟度階梯,而是依需求選擇的模式。


第一類是 Turn-based Loop。這是最基本的模式,由使用者送出 Prompt,Claude 取得上下文後修改程式碼、執行測試、自我檢查,最後回傳結果。人工仍負責最終驗收。它的優點是可控,人始終在流程中;缺點是速度較慢,因為每一輪都需要人工決策。


第二類是 Goal-based Loop。這類模式不是告訴 Claude「做什麼」,而是告訴它「要達成什麼目標」,例如測試全部通過,或 Lighthouse 分數達到 90 分。每輪結束後,會由獨立的小模型判斷目標是否達成。不過這個檢查模型不會自己重跑測試,而是依賴主 Agent 提供的結果與證據,因此主 Agent 必須確實執行測試並清楚展示結果。這種模式的優勢是可以自動反覆嘗試,直到達標或達到最大次數;但前提是目標必須可驗證,例如覆蓋率達 80%、效能在 5 秒內,而不是模糊地要求「寫得更好」。


第三類是 Time-based Loop,適合定期檢查的任務,例如每小時查看 CI 狀態、每天檢查依賴是否更新。系統會按指定時間自動重複執行同一個 Prompt。好處是自動化,但也有執行環境限制,例如 Claude Code 必須保持運行且處於可觸發狀態,部分週期任務還會在建立七天後到期,若要長期運作,需改用雲端排程方案。


第四類是 Proactive Loop,通常會結合更多機制,由事件或排程觸發,不需要人即時看守。例如新 Issue 建立後自動分類、標記並分派,或在收到 Bug 報告時自動執行測試確認是否可重現。這類模式可以處理大量重複性工作,但前提是觸發條件、處理邏輯、驗證規則與停止條件都要定義清楚,否則很容易失控。


官方的真正意思不是把自動化開到最大,而是先把規則補齊。表面上看像是自動化,實際上是在做系統化:不是單純把事情丟給機器不管,而是設定明確規則,讓機器在規則內推進任務。這也是 Prompt 沒有消失的原因,因為連最基本的一次提示都可視為最簡單的 Loop。


很多人誤以為 Loop 就是無限循環,但官方反覆強調最重要的設計之一就是停止條件。好的 Loop 必須清楚回答「什麼時候停」。若停止條件、輪次上限或驗證方式不明,系統可能長時間空轉、反覆嘗試錯誤方向,持續消耗 Token,甚至放大錯誤。


最後,從 Prompt 走向 Loop,並不是從一句話跳到無限自動化,而是從人工盯流程,轉向讓系統在明確邊界內推進任務。核心改變不只是提問技巧,而是從「如何問出好答案」,進化成「如何設計一個可控、可驗證、可停止的系統」。

[AI 分享] RAG四代演進史

 [AI 分享] RAG四代演進史

摘要:從向量檢索到Agentic RAG,梳理RAG 1.0到4.0的核心能力、問題與升級方向。




內容:

RAG如果還停留在單純的向量檢索階段,整體架構可能已經落後。目前相關研究已經把RAG的演進大致梳理成幾個階段,包含 Native RAG、Advanced RAG、Modular RAG,以及最新走向 Agent 時代的 Agentic RAG。這些框架不只是技術升級,也代表系統從「能查資料」走向「能規劃、能反思、能自主執行」。


第一代 RAG,可以理解為最典型的三段式架構:先建立索引,把 QA 文件、商品說明、售後政策切塊後向量化存入資料庫;接著在使用者提問時進行檢索,找出最相關的幾段內容;最後把檢索結果與問題一起交給模型生成答案。這種方式容易落地,但問題也很明顯。第一,向量檢索依賴語意相似度,像「換新」可能會誤召回「回收政策」這種看似相關、實際無關的內容。第二,資訊常分散在多份文件中,一次檢索可能只找到部分內容,導致答案不完整。第三,不同時間版本的文件可能互相矛盾,模型在拼接後容易產生前後不一致的回答。


第二代 Advanced RAG,主要是針對「檢索前」與「檢索後」兩端做強化。在檢索前,先透過查詢改寫、問題擴寫、澄清,讓原本隨意的提問變得更清楚,也可以先讓模型生成一段假設性答案,再用這段答案去檢索,因為答案語意往往更接近真正需要的知識。此外,也會搭配更精細的切塊策略與後設資料標籤,提升索引品質。在檢索後,則加入重排序模型,從較大的候選集裡重新評分,選出真正最有用的內容;同時結合向量檢索與關鍵詞檢索,兼顧語意理解與專有名詞精準匹配。這一代能大幅提升準確率,但本質上仍是固定流程,面對多步驟、跨領域問題時仍顯得吃力。


第三代 Modular RAG,則是把整個 RAG 系統拆成多個可自由組合的功能模組,突破固定流程限制。系統可以依據問題型別透過路由模組決定查詢哪個資料來源,用記憶模組保留歷史對話,再透過融合模組整合多來源結果、去重與合併資訊。更重要的是,檢索方式不再只能一次完成,而是能支援迭代檢索、自適應檢索,甚至先查目錄再查內容的階層式檢索。像同時涉及配送、退貨與運費的問題,就能拆成多輪逐步處理。這讓系統真正具備應對複雜諮詢的能力。


在這之間,還有一個值得單獨提出的方向是 Graph RAG。它不是單純哪一代的自然升級,而是補強傳統向量 RAG 不擅長的多跳推理與關係分析場景。這類方法會先從資料中抽取實體與關係,建構知識圖譜,而不是只切塊做向量索引。查詢時也不只是比對相似片段,而是在圖譜上做推理,例如從商品找到品牌,再連到設計師,最後延伸到設計師的其他作品。這種方式適合需要理解複雜關聯的任務,但建圖成本高、查詢速度也較慢,因此目前實際採用的公司還不算多。有些系統會把向量 RAG 與 Graph RAG 混合使用,讓日常查詢走向量檢索,深度關係分析再交給圖譜處理。


第四代 Agentic RAG,則是目前更進一步的演化方向。它不再只是被動地「你問我答」,而是讓系統具備規劃、拆解、工具調用與自我評估能力。當使用者提出一個複雜需求時,系統會先理解任務本身,再制定搜尋與執行計畫,決定先查什麼、後查什麼,以及該用哪些工具。它不只會檢索,也會對自己的結果做檢查,如果發現答案不夠完整或不夠好,會主動補充檢索、重新生成,直到達到要求為止。以推薦手機給不熟悉科技產品的長輩,並順便提供教學方式這類任務為例,Agentic RAG 能先拆成「推薦產品」與「教學方案」兩個子任務,再分別搜尋、整合與輸出。


整體來看,RAG 的演進邏輯非常清楚:第一代解決的是「把知識接進模型」;第二代強化的是「怎麼查得更準」;第三代處理的是「怎麼更靈活地應對複雜問題」;第四代則走向「讓系統具備自主規劃與反思能力」。如果現在對 RAG 的理解還停留在向量資料庫加大模型,那確實已經不足以應對更高階的應用場景了。

2026年7月15日 星期三

[AI 分享] 注意力對齊比長上下文更重要

 [AI 分享] 注意力對齊比長上下文更重要

摘要 : AI不是不夠聰明,而是常因資訊過多抓不到重點;真正關鍵在於幫它對齊人類注意力。




內容:

把一整場會議記錄交給 AI 整理後,AI 往往能輸出一份看似完整、邏輯清楚、結構分明的會議摘要,但讀完之後,人反而更困惑,因為真正的重點、尚未對齊的部分,以及是否需要後續行動,未必有被清楚凸顯出來。


這種問題很多時候不在於模型不夠強,也不一定是因為提供的上下文太少,反而常常是因為給了太多資訊。當所有內容一股腦丟給 AI 時,它很難自然分辨哪些是背景雜訊、哪些才是影響決策的真正關鍵。


接著,AI 與人類在「注意力機制」上的根本差異。對大型語言模型來說,輸入中的每個字、每個標點、每個語序變化都可能影響結果。這讓它看起來非常敏銳,但也代表它容易對所有資訊「一視同仁」。因此,像會議中的寒暄、跑題閒聊、正式決策,在 AI 眼中權重可能差不多,導致不重要的細節被認真整理,真正左右方向的關鍵時刻卻被淡化。


相對地,人類的大腦會主動過濾大量資訊,只抓住少數真正重要的訊號來理解局勢。更重要的是,人類判斷重點時,依賴的不只是文字本身,還包括許多隱性的線索,例如決策者的語氣、沉默、猶豫、態度轉變,或討論氣氛的微妙變化。這些內容往往不會直接出現在逐字稿裡,但對人類而言卻非常關鍵,而目前的 AI 幾乎無法完整掌握。


因此,未來真正優秀的 AI 產品,重點不只是能處理多長的上下文,而是能否用低成本、高效率的方式,讓 AI 的注意力和使用者的真實意圖對齊。也就是說,要讓 AI 明白哪些資訊只是背景,哪些內容必須被特別強調、不能遺漏。


這件事之所以困難,在於它卡在幾個矛盾之間。AI 若想更懂使用者,通常需要多問一些背景;但問太多又容易讓人覺得麻煩,像在填表格。更複雜的是,很多時候連使用者自己都還沒完全想清楚重點是什麼。因此,一個真正好用的 AI 系統,必須在不打斷流程的前提下,幫使用者挖出那些沒被明說、卻實際存在的內隱脈絡。


區分了兩種上下文:一種是外顯上下文,例如輸入文字、上傳文件、截圖、網頁等;另一種則是內隱上下文,例如專案的歷史、參與者之間的關係、過去踩過的雷、此次決策更重速度還是更重準確。後者其實對判斷重點非常重要,但目前多數模型還很難真正理解。雖然像長期記憶、使用者偏好記錄等功能正在進步,但距離完整掌握「這一次決策背後的隱性脈絡」仍有不小距離。


此外,現在大多數人餵給 AI 的資料都過於扁平,常常是把整場會議紀錄、數篇文章、幾份 paper 一次丟進去,但沒有告訴 AI 哪些文件是核心、哪些段落最重要。這種情況下,AI 只能平均看待所有資訊。相反地,只要幫資料加上目錄、層級、大綱,甚至標示出重點,回答品質往往就會明顯提升。因為這其實是在替資訊加權,讓 AI 有結構地理解內容。


最後提出一種更有效的協作方式:例如在會議中,AI 可以完整記錄錄音作為原始材料,而人類則在過程中順手記下自己認為重要的幾條重點。這些人為標註,就等於是在幫 AI 加權。會後 AI 不再平均對待每一分鐘內容,而是會優先圍繞這些高亮重點,回頭重構整場會議脈絡。如此一來,人類寫下的不只是筆記,更是在告訴 AI「這裡才是需要特別理解的地方」。


總結來說,想傳達的核心觀點是:AI 真正需要的,不只是更多資訊,而是更清晰的注意力。與其一味增加上下文,不如先整理出自己的判斷、結構與重點,再交給 AI 處理。只要多做「畫重點」這一步,即使使用的是同一個模型,最終輸出也可能完全不同。

[AI 分享] Agent、Skill 與大模型的關係

 [AI 分享] Agent、Skill 與大模型的關係

摘要 : 用老闆、員工、操作手冊的比喻,快速釐清大模型、Agent、Skill三者分工與差異。




內容:

用一個很直觀的比喻說明:大模型像老闆,負責判斷與決策;Agent像員工,負責實際執行任務。Agent本身可以搜尋、讀寫檔案、呼叫 API 等,等於隨身帶著工具箱,但真正要怎麼做,仍需要由大模型來拍板決定。


當 Agent 回報任務時,通常會把目前情況、可用工具,以及自己擬定的幾種方案交給大模型。大模型看完後負責選擇方向,例如決定採用哪個方案,Agent 再照指示執行。因此,Agent 是執行者,大模型是決策者。


Skill 則像是員工的操作手冊或 SOP。沒有 Skill,Agent 每次遇到任務都得從零開始思考流程、工具、順序與輸出格式,效率低又耗資源;有了 Skill,就能直接依照已驗證過的流程處理類似問題,大幅提升效率。


Skill 和提示詞不同。提示詞比較像一次性的口頭交代,用完即止;Skill 則是一整套可重複使用的能力包,裡面可能包含角色設定、工作步驟、所需工具、輸出規範,甚至參考資料。它不是一句指令,而是一套完整方案。


另外,Skill 必須安裝在 Agent 身上才有意義,單獨存在並不能自己完成工作。當 Agent 與大模型互動時,才會連同 Skill 的資訊一起帶上,讓大模型知道這個 Agent 具備哪些能力,進而在對應任務中觸發使用。通用型 Skill 甚至可以安裝在多個 Agent 身上,但前提是其中使用的工具不是某個 Agent 獨有。


最後總結就是:大模型是負責決策的老闆,Agent 是負責執行的員工,Skill 是裝在員工身上的操作手冊。真正用好 AI 的關鍵,不只是寫出一條好提示詞,而是持續沉澱可複用的 Skill;累積越多,Agent 就越強、越快,也越省成本。