跳到主要內容

發表文章

Figure AI 這場直播,讓企業看見下一個競爭門檻:AI 從回答問題,走向親自上工

 Figure AI 這場直播,表面上看起來像是在做一件很直白的事: 把 humanoid robot 放進真實場景裡,讓大家看它怎麼工作。 它不只是一種「機器人 demo」,也不只是有趣這件事情而已。 它真正想測試的,是企業會不會開始改變一個更根本的認知: AI 到底只是軟體工具,還是已經開始具備「勞動單元」的雛形。 重要分水嶺 因為過去兩年,市場對 AI 的想像大多還停留在 LLM / AI 回應內容 寫文案、寫 code、做摘要、做客服、做知識助手。  這些都很重要,但它們本質上仍然停留在「資訊處理層」,數位流程上。 Figure 想往前推的,不是另一個更會講話的模型,  而是讓市場開始重新思考:  當 LLM 負責語意推理,AI 負責感知判讀,Agent 負責流程編排,而 Robot 負責實體執行時,企業裡有沒有一些原本只能靠人撐住的流程,開始可以被重新定義? 這場直播真正的價值 它不是在證明「機器人很酷」,  而是在試圖證明另一件更接近商業本質的事: AI 不再只是幫白領提高效率的工具,而是有可能慢慢變成企業可採購、可管理、可衡量報酬的執行基礎設施。 有更多細節可以從中探索,也更多可以知道為什麼中國一直搶佔這個機器人賽道領域。 直播連結, https://www.youtube.com/watch?v=luU57hMhkak
最近的文章

川習會後判斷:台灣在談判桌的哪個位置

川普這次真正丟出的訊號,不只是「沒對習近平承諾什麼」。 更值得警覺的是:  台灣議題正在被放進美中談判框架裡,而美國對台軍售的確定性,被刻意保留。 表面上,川普說他和習近平談了很多台灣,但沒有做任何承諾,並表示對台軍售很快會有決定。  但深一層看,這句話的意思不是「我明確挺台」,而是:*我兩邊都不把話說死。* 這釋放了幾個訊號: 第一,川普沒有承諾北京,但也沒有明確承諾台灣。   他保留的不是立場,而是談判空間。 第二,對台軍售被放進了交易語境。   過去美國通常避免讓北京介入對台軍售決策,但現在這件事被直接拿到美中領袖對話裡談,這本身就是變化。 第三,這碰到「六項保證」的敏感邊界。   因為其中一項精神,就是美國不應就對台軍售與北京協商。 第四,美國制度上並沒有放棄台灣。   《台灣關係法》仍在,台灣的防衛承諾不是一句話就能推翻。 第五,川普同時也在提醒台灣:不要主動改變現狀。   也就是說,美國支持防衛,但不想被拖進一場由台灣主動升級的戰爭。 第六,北京正在把台灣問題推向美中關係核心。   意思是未來不只安全議題,連經貿、科技、地緣談判,都可能被綁進台灣條件。 第七,台灣政府正在努力把焦點拉回「嚇阻」而不是「交易」。   因為軍售如果被視為交易籌碼,台海穩定就會開始變質。 所以,這件事最值得記住的一句話是: 台灣沒有被直接拋棄,但正在被放上談判桌。 接下來真正要看的是三件事:    1. 美國是否正式推進下一批對台軍售  2. 白宮或國務院是否重新確認六項保證  3. 北京是否利用這種模糊空間,加大對台軍事或外交施壓

Claude code 政策調整,請大家務必要注意 6 月份重點

很多人最近應該都收到這封信,會以為重點是: 「Claude 每個月多送你 200 美元可以用。」 如果講白一點,事情其實是這樣: Anthropic 發現,越來越多人不是只拿 Claude 來聊天,  而是拿它去接別的工具、別的服務,甚至包成別的產品在用。 以前這些用法,有些人其實是在用原本的訂閱額度,  去放大 Claude 在外部服務上的能力。 所以官方現在做的事,就是把這條線劃清楚。 之後你平常聊天、互動,用的是原本訂閱額度。  如果你要把 Claude 接到其他工具、跑自動化、當成別的服務背後的能力,就改用另外一筆 credit。 說得好聽,這叫「規則更清楚」。  說得直接一點,就是: 以前大家有機會用訂閱方案,把 Claude 的能力接出去放大用。  現在這個口子,被補起來了。 所以這不只是送你 200 美元。  而是官方開始把: - 一般聊天 - 自動化使用 - 外部服務串接 這三種用法,正式分開算。 這代表一件事: Claude 還是能用,  但平台開始更認真管理「你怎麼用它賺價值」這件事了。 --- 你的錢,就是我的錢,薛翻啦!  

什麼是 DESIGN.md?

什麼是 DESIGN.md? DESIGN.md 是由 Google Stitch 推出的一種開源格式,專門用來讓 AI 撰寫程式的 Agent(如 Claude Code、Cursor、Windsurf 等)理解專案的設計系統 。它可以被理解為視覺設計領域的 AGENTS.md 。 它的核心精神在於 將設計視為嚴謹的邏輯與系統工程 。這份文件結合了機器可讀的 YAML 設計標記(Design Tokens)與人類可讀的 Markdown 說明文字 。YAML 負責給予 AI 精確的數值(例如色碼、字級),而 Markdown 則賦予這些數值語意和使用情境 。 DESIGN.md 的核心設計方法與技巧 要讓 AI Agent 完美遵循品牌邏輯,撰寫 DESIGN.md 時需要掌握以下技巧: 雙層架構(YAML + Markdown) :不要只給 AI 數值,要給予脈絡。在 YAML 區塊定義像 #1A1C1E 這樣的精確標記,並在 Markdown 中說明「這是主背景色,傳達科技與冷靜感」 。 遵循標準的 8 大區塊 :根據官方規範,依序定義:品牌總覽、色彩系統、字體階層、版面與留白、深度與陰影、形狀、元件樣式,以及 Do's and Don'ts 。 定義語意化標記(Semantic Tokens) :使用變數參照(如 {colors.primary} )而非寫死色碼 。這能讓 AI 知道該在主要按鈕上使用「主色」,而不是隨機挑選顏色 。 善用 Do's and Don'ts 設立護欄 :大型語言模型對於「負面指令」的反應非常好。明確告訴 AI「不要亂加額外顏色」、「不要過度裝飾」,能有效約束 AI 的發散行徑 。 搭配 CLI 工具驗證與輸出 :官方提供了 @google/design.md CLI 工具,你可以使用 lint 指令來檢查檔案是否有無效的參照或不符合 WCAG 規範的對比度,也可以使用 export 將其直接轉換為 Tailwind 設定檔 。 對不同角色的價值與實戰指南 對設計師來說:從「畫布」到「規則制定者」 DESIGN.md 並不會取代 Figma,Figma 依然是視覺探索的工具 。但對於設計師而言,這是一個改變工作交付模式的契機: 作法 :你不再只是把...

MCP 宣布對大廠真實影響:慢火燉煮的基礎設施革命

SAP、Shopify 和 Salesforce 等軟體巨頭近期積極擁抱或建立 MCP (Model Context Protocol, 模型上下文協定) ,不僅僅是技術上的跟風,更是 企業軟體商業模式與互動典範的重大轉移 。 這些 SaaS 巨頭(或是其生態系開發者)陸續宣布支援或整合 MCP 時, 股票市場並沒有出現像「發布全新殺手級產品」那樣一夜暴漲的戲劇性波動。 在華爾街與機構投資人的眼中,支援 MCP 屬於「底層基礎設施升級」 與 「防禦性護城河策略」,它不是短期的炒作題材(不像推出某個冠上 AI 名稱的聊天機器人那麼吸睛),而是確保公司未來五到十年不會被 AI 時代淘汰的關鍵保命符。 大家心中的問題,這些大廠放棄掙扎了嗎? 先說結論: 他們絕對沒有捨棄原有的 UI(使用者介面)和系統流程。 相反地,他們是在做「系統擴容」——把原本「 只給人類操作的軟體 」,升級為「 也能讓 AI 代理(AI Agents)無縫操作的基礎設施 」。 1. 意義上有什麼不同?為什麼是現在? 在過去,企業軟體的護城河是「功能齊全的 UI」加上「綁定用戶的專屬工作流」。但隨著大型語言模型(LLM)的崛起,互動模式改變了,這帶來了幾個根本性的差異: 統一對接標準,終結 API 碎片化: 過去如果要讓 AI 幫忙查 Salesforce 的資料,開發者必須針對 OpenAI、Anthropic、Google 各寫一套 API 串接邏輯。MCP 就像是「AI 界的 USB Type-C」,提供了一個標準協定。Salesforce 或 SAP 只要提供一個 MCP Server,所有的 AI 模型就能以安全、標準化的方式讀取其上下文與數據。 從「軟體作為目的地」到「資料即服務」: 過去,業務員必須「打開(登入)」Salesforce 才能工作。未來,業務員可能在 Slack 或自建的 AI 助理中打字:「請幫我總結客戶 A 昨天的會議,並更新他在 SAP 裡的報價單。」AI 透過 MCP 在背景完成一切。SaaS 巨頭意識到, 未來的入口可能不再是他們自家的 App 畫面,而是各種對話框 。 捍衛「真實資料來源 (System of Record)」的霸主地位: 這些公司知道,他們真正的價值不在於「按鈕設計得多好看」,而是裡面儲存了企業最核心的客戶、庫存、財...

告別 GUI,迎接 LUI:Meta Ads MCP 如何將廣告投放轉化為「自然語言」對話

過去,你需要親自登入 Meta Ads Manager,在複雜的介面中點擊數十次來設定受眾、調整預算、下載 CSV 報表來分析。現在,Meta Ads MCP (Model Context Protocol) 就像是給了 AI(例如你熟悉的 Claude 或是 Cursor)一把直通你廣告帳戶後台的專屬鑰匙,以及一本完整的操作手冊。 等於讓你把 Meta Ads 變成一個可以用程式碼和自然語言呼叫的函數。你目前會想先拿哪一個項目來測試這個整合?是想先讓 AI 幫忙分析現有的廣告數據,還是直接嘗試為某個專案建置一套自動化的投放流程? 在 Meta 的系統架構中,「Meta Ads」本身就是一個涵蓋旗下所有社交平台的統一廣告投放中樞。當這個 MCP (Model Context Protocol) 伺服器與你的「Meta 廣告帳號」連線時,它接管的是整個底層的 Ads API。 這意味著,只要是 Meta Ads Manager 能投放與管理的版位,這個 AI 代理 (Agent) 都能直接存取與操作,這包含了: Instagram: 動態消息 (Feed)、限時動態 (Stories)、Reels、探索區塊 (Explore)。 Facebook: 動態消息、Reels、Marketplace、右側欄位等。 Messenger: 收件匣廣告、贊助訊息。 Audience Network: Meta 的外部合作應用程式與網站聯播網。 實際應用上的意義 這代表你可以透過自然語言,非常精準地控制 AI 針對特定平台進行操作: 精準設定版位 (Write): 你可以直接告訴 AI:「幫我建立一個全新的廣告組合,預算每天 20 美金, 版位只要鎖定 Instagram 的 Reels 和限時動態 ,不要投放到 Facebook。」AI 就會在後台自動將 Placement 設定為純 IG 平台。 跨平台數據拆解 (Read): 你可以詢問 AI:「幫我拉出上個月的廣告報表,並 對比 Facebook 動態消息與 Instagram 限時動態的點擊成本 (CPC) 與轉換率 。」AI 會直接調閱詳細報表並幫你總結出哪個平台的成效更好。 至於 可以做到什麼程度 ?我們可以從輕到重分成四個層次來看: 1. 深度數據洞察與即時診斷 (Rea...

Hermes Agent「Curator」功能全解析:AI 代理的技能生命週期與自我維護

深度解析 Hermes Agent Curator:AI 代理的自我維護與技能生命週期管理 在構建與研究 AI Agent(如 Claude Code、OpenClaw 等)的自動化工作流時,代理的「長期記憶」與「技能維護」一直是一大挑戰。Nous Research 為 Hermes Agent 推出的 v0.12.0「Curator」更新,正式補齊了技能生命週期管理系統的最後一塊拼圖。 本文將詳細解析 Curator 的核心能力、解決的痛點、實作方式、目前的社群回饋,以及未來可改進的方向。 為什麼需要 Curator?(解決的核心痛點) 在 Curator 推出之前,Hermes Agent 擁有強大的自我改進迴圈(Self-improvement loop):當代理成功解決複雜任務或修正錯誤後,會自動將經驗寫成「技能(Skills)」保存下來。然而,這個機制存在一個致命缺陷—— 技能只會單向增加,缺乏「遺忘」或「淘汰」機制 。 隨著自動化工作流的持續運行,這會帶來以下嚴重問題: Token 消耗與上下文污染 :社群用戶回報,當代理累積了上百個技能後,系統提示詞(System Prompts)的體積會暴增,每次對話可能白白消耗掉 4,000 多個 Token。 技能碎片化與衝突 :代理可能會為了微小的差異,生成數十個高度相似的狹隘技能,導致代理在選擇工具時產生混淆。 習得性無助(Learned Helplessness) :如果代理在某次任務中因為暫時性的網路或環境問題失敗,它可能會記錄下「這個工具不能用」的過時經驗,並長久受到這個錯誤的負面規則影響。 Curator 可以做什麼?他做到了什麼事情? Curator 是一個作為背景守護行程(Background Maintenance Pass)運作的自主代理。它會在不干擾主要對話的情況下,定期幫代理「打理」工具箱。 1. 雙階段的技能淘汰與封存機制(確定性狀態機) Curator 會追蹤每個代理生成技能的使用數據(包含讀取、使用、修改次數與最後使用時間),並執行無 LLM 介入的自動轉換: Stale(過期) :超過 30 天未使用的技能,將被標記為過期,降低其在提示詞中的優先級。 Archived(封存) :超過 90 天未使用的技能,將被移出運作...