熱血漢誌 - 技術新鮮人到技術經理人，必懂的事

最近看到很多人在討論： Obsidian + Claude Code 可以打造 AI 第二大腦。 聽起來好像很硬、很技術、很像工程師才會用。 但如果用簡單一點的方式講，其實它在做的事情是： 把你散亂的筆記、資料、靈感、專案，整理成 AI 看得懂的知識庫。 這樣之後 AI 就不只是回答你通用答案，而是可以根據你的資料，幫你整理、查找、產出內容。 為什麼這件事值得關注？ 因為現在大家不是沒有資訊。 反而是資訊太多。 我們每天可能都有： 會議紀錄、課程筆記、文章收藏、靈感備忘、專案資料、聊天紀錄、AI 對話、客戶需求、研究資料、內容素材。 但問題是： 真正要用的時候，常常找不到。 就算找到了，也要重新整理一次。 更麻煩的是，每次問 AI，都要重新解釋背景。 所以很多時候不是 AI 不夠強，而是我們自己的資料沒有整理成 AI 可以使用的樣子。 這件事可以解決什麼？ 簡單說，它可以幫你把「散亂資訊」變成「可用產能」。 例如： 把課程筆記整理成重點 把會議紀錄整理成待辦 把靈感整理成文章大綱 把專案資料整理成進度報告 把研究資料整理成簡報或企劃 把過去的 AI 對話變成可重複使用的知識庫 重點不是多學一個工具。 而是讓你手上的資料，真的可以被再次使用。 誰適合？ 我覺得特別適合這幾種人： 常常做筆記的人 資料很多但很難整理的人 內容創作者 學生、研究者 PM、行銷、顧問 老師、講師 創業者 想把 AI 放進工作流程的人 尤其是這種人： 明明累積很多資料，但一直沒有把資料變成成果。 這套方法可能會很有幫助。 可以怎麼開始？ 其實不用一開始就搞得很複雜。 可以先分三步： 第一步：先把資料集中 先找一個地方放資料。 例如 Obsidian 這類筆記工具。 把你的筆記、靈感、專案、素材、課程內容，先集中起來。 不用一開始整理得很完美。 先做到一件事就好： 之後找得到。 第二步：讓資料有一點基本結構 不用很複雜。 先簡單分成幾類就好： 工作 學習 專案 靈感 素材 已完成資料 重點不是分類漂亮，而是你自己看得懂，AI 也看得懂。 第三步：讓 AI 幫你整理和產出 當資料有基本結構之後，就可以用 Claude Code 這類工具協助： 幫你找資料 幫你整理重點 幫你產出摘要 幫你檢查缺漏 幫你把素材變成文章、簡報、企劃或報告 這時候 AI 才會開始變得真正好用。 因為它不是憑空回答，而是根...

  In the AI Era, We Do Not Lack Output — We Lack Verifiable Output If we agree that AI can produce different thinking models and working methods when it takes on different roles and identities, then we should no longer use the old PM, RD, and Designer workflow to structure how work should happen in the AI era. Traditional workflows were essentially formed because humans have limited role flexibility and cannot freely switch between different areas of expertise. Over time, this created a collaboration structure based on fixed roles and handoffs. But with the emergence of AI, output capability has been greatly amplified. The real question is no longer “Who will do the work?” but rather: Who can verify whether the output is correct, feasible, and deliverable? From Prompt Output to Domain Calibration In the past, many people believed that the key to AI was the prompt. But in enterprise and manufacturing contexts, the real focus is not the prompt. The real questions are: After AI genera...

AI 時代不是缺產出，而是缺「可驗證的產出」 如果我們同意 AI 在不同角色與身份下，會產生不同的思考模型與工作模式，那我們就不應該再用舊有的 PM、RD、Designer 流程去組建 AI 時代的工作方式。 傳統流程其實是人類因為角色能力有限、專業無法自由切換，而長期形成的協作結構。但 AI 的出現，讓產出能力被大幅放大，真正的問題不再是「誰來做」，而是「誰能驗證它是否正確、可行、可交付」。 從 Prompt 產出，走向 Domain Calibration 過去大家以為 AI 的重點是 prompt。 但在企業與製造場景裡，真正的重點不是 prompt，而是： AI 產出後，誰來驗證？ 誰來校準？ 誰來把錯誤變成規則？ 誰來把經驗轉成系統？ 這才是企業真正能累積的能力。 當一個人使用 AI 進入自己不熟悉的領域時，AI 可以產生看似完整的結果，但使用者往往無法判斷其底層是否正確。就像 Vibe Coding 可以快速做出看似能運作的產品，但若缺乏工程、安全性、架構與測試能力，最後可能只是表面漂亮，實際上充滿風險。 製造業也是一樣。AI 可以生成設計、規格、報價、製程與提案，但這些結果若沒有被真實製造經驗驗證，就只是「看起來可行」的內容，而不一定真的能被製造、報價、量產與交付。 所以新的工作流程不應該是： PM → RD → Designer → Product → Delivery 而應該變成： 需求 / 問題 ↓ AI 產生多種可能解法 ↓ 專業角色進行驗證、校準、修正 ↓ 系統記錄可行參數與限制條件 ↓ 形成可重複使用的 AI 能力 ↓ 交付給客戶或內部流程使用 這裡最關鍵的新角色，不是傳統 PM，也不是傳統 Designer，而是前面提到的會是專注於結果產出的工作模式。 因此，AI 時代的人類『核心能力』不是單純的生成，而是『驗證。』 不是讓 AI 取代 PM、RD、Designer，而是建立一套能夠讓 AI 產出被專業校準、被數據約束、被流程驗證、被結果回饋的工作系統。 這就是「可製造 AI」的本質： 讓 AI 不只是產生答案，而是產生能被驗證、能被修正、能被製造、能被交付的結果。 Prompt 是一次性的產出。 Calibration 是可累積的能力。 AI 不只是要會生成答案， 而是...

 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

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

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？ 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...

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...

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...

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...