James Hsieh 謝碩峯
1 位追蹤者
James Hsieh 謝碩峯
1 位追蹤者
我愛寫程式與創造有趣的產品
全部內容
由新到舊
一、問題背景：為什麼大家覺得有機會，但不知道在哪？
這一兩年，AI 幾乎成為所有產業的共同語言。
但當你真的想問「那我可以做什麼？」時，多數資訊會變得很分散：有人談模型，有人談工具，有人談趨勢，卻很少有人提供一個能判斷機會的結構。
AI 討論很多，但缺乏結構
多數資訊停留在「技術 / 模型」
本文探討如何解決AI使用時常出現的結果不穩定、缺乏重點的問題。作者分享了一個簡單卻有效的方法：不是直接讓AI執行任務，而是先請AI協助生成一個高品質的Prompt（提示詞），再利用此Prompt來驅動AI完成任務。這種做法將「思考」與「內容產出」分開，讓AI能更專注於執行，進而提升輸出的穩定性...
本文探討當 AI Agent 的輸出不再是確定性時，「對」不再是唯一答案。文章指出，許多客戶期望 Agent 能夠「turn-key」且結果正確，但這常忽略了「標準未對齊」的核心問題。在傳統軟體中，輸入輸出明確，對錯分明；但在 Agent 系統中，由於輸出可能存在多種合理情況，需要使用者定義偏好..
一種很簡單的判斷方式
我後來用三個維度在看一個問題：
這個問題，有沒有標準答案？
如果做錯，代價是什麼？
你是在「組合已知」，還是「探索未知」？
當這三件事放在一起，其實就會自然分出四種完全不同的問題類型。
第一種：可以被 vibe coding 解掉的問題
這類
多數人在談 Agent，會把優化集中在：
模型能力（更強的 reasoning）
工具能力（更多 tool）
Prompt engineering
但如果你實際跑過 production 級 Agent，你會發現真正的瓶頸通常不是這些。很少有機會可以看到這麼完整的 agent 設計細節（通常
AI 的出現讓人們輕易跳過解決問題時所需的「卡住時刻」，直接獲得答案。然而，這可能導致「能力幻覺」，讓人誤以為自己學有所成，實則根基不穩。文章深入探討 AI 在組織中帶來的雙重期待，員工視其為效率工具，老闆則視為生產力工具，揭示了這背後關於人性、組織心理、風險分配及權責歸屬的根本衝突。從 Cop..
本文深入剖析了一個創新的 AI 系統架構，強調「系統」而非單一模型。該架構分為 Agent、Planner/Executor、Workflow、Skill、Service 等五層，以「可控性」為核心設計理念。文章詳述了各層的職責與價值，例如 Agent 作為統一入口，Planner/Execut..
責任感，更深的是害怕代價規避損失。
我發現一件震撼的事
讓我有點不舒服但也坦率承認！我變強了，但也變弱了。
原來的習慣限制了我的想象！
最近在看我們家的設計師做東西。他其實不會寫程式，但他用 AI 做出一堆我直覺覺得「這很難」的東西，而且還真的能用。
我第一個反應不是驚嘆。
是拆解。
本文深入探討 AI Agent 導入的常見誤解，指出許多企業將其視為單純的工具導入，卻忽略了其本質是「決策系統重建」。文章剖析了企業在迭代、Context 獲取、使用者學習意願、客製化成本以及企業內部流程問題上所面臨的真實挑戰。結論強調，AI 導入的成敗關鍵在於企業是否已準備好被系統化，並提出...
在過去兩年，生成式 AI（如 ChatGPT、Gemini）快速普及，讓使用者第一次體驗到「用自然語言與系統互動」的可能性。然而，當這些能力被帶入企業場景時，卻出現了一個明顯的落差：
為什麼在日常使用中看似「聰明」的 AI，一旦進入企業環境，就變得「不可靠」？
更關鍵的是 — —
為
