文章與見解

員工連 ChatGPT 都沒開過，AI 課還有用嗎？我在花蓮石材廠班上給出的答案

9 月我在花蓮替石資中心帶在職菁英班，學員多是第一次用 AI 的石材廠廠務人員，兩天的目標是用免費工具做出一個會替工廠回答客人問題的網站，這篇講一堂讓傳產員工回廠真的會用的 AI 課，是怎麼設計出來的

AI 說「做好了」，你驗得出來嗎

我用 AI 開發，同一種錯連續六輪，第七輪才想通：問題不是 AI 不夠強，是我的流程擋不住 AI 用一句漂亮的話跳過檢查。給每一個用 AI 做事的人的真教訓，附可抄的物理防線做法。

我幫一家教育媒體集團帶了一班主管的 AI 課，最後交出 19 份「每個人不一樣」的回饋

研究說 AI 讓作業變漂亮卻讓人沒真的學會，因為它拿掉了學習的摩擦，那要怎麼教一整班主管用 AI，讓他們真的會、而不是課後就忘？這是我幫一家教育媒體集團帶主管班的完整過程——19 位主管、19 份客製化回饋、一場成果發表會，以及執行長在會末當場拋出的下一期方向

一套醫療系統的資安交付：我怎麼發現「連檢查機制本身都在騙我」

全世界都在講 AI 碰安全、碰高風險場景這一年，我接了一間醫療機構的藥師系統資安交付，真正嚇到我的不是漏洞，是我自己那套「檢查有沒有做好」的機制，同一天給了我一次假通過和二十五次假警報，這是完整過程——一個獨立工作者怎麼把「可交付」這三個字做到真的敢簽名

一夜之間跑完八章動畫課——一個人用 AI 建一條「產線」是什麼感覺

全世界在講 agent、講自動化這一年，多數人停在「叫 AI 做一件事」，我想給你看的是另一個層次：一個人怎麼用 AI 建一整條產線,讓八章動畫課的完整版在一夜之間跑完，這篇講的不是我多會用工具，是我怎麼把一件重複、龐大、需要品質把關的工作，變成一條有分工、有驗收、能自己抓錯的流程

「你不是模型，別按 token 計價」——一個人 + AI，怎麼撐起一個要團隊才做得動的案子

2026 年 8 月 a16z 有篇文章標題直接說「你不是模型，別按 token 計價」，我看到的當下正在談一個 AI 評測平台的案子，這篇講一個 20 年資歷、跨醫療教育長照的獨立工作者，怎麼靠 self + AI 的交付結構，讓一個人的產能撐起本來需要一個團隊的案子——為什麼我賣的不是算力，是結果

驗收當天我自己抓到一個權限漏洞——一家傳產製造公司的 AI 平台交付

研究說 AI 讓作業變好、考試卻變差，因為它把「學會」需要的摩擦拿掉了，做傳產 AI 導入也一樣——AI 讓你很快做出一個看起來能用的東西，但真正的交付,在那些它幫你跳過的地方，這是我幫一家傳產製造公司做 AI 平台、從第一版做到第二版、交付當天自己抓漏洞的完整過程

當你有四個 AI 工頭

從 Prompt 到 Graph：AI Engineering 這兩年到底在演什麼

2022 年大家在研究怎麼寫 prompt，2026 年 7 月大家在吵 Graph Engineering。中間經歷了五個階段，每一層都是因為上一層不夠用才長出來的。我用兩年時間從第一層走到第五層，把每一層踩過的坑整理出來。

AI × 大健康：為什麼我從軟體教育跳進健康促進

10+ 年教育科技，突然跑去跟醫師、公衛學者合作 AI 健康促進。不是轉行，是發現這裡的痛點跟教育一模一樣——專家知識困在專家腦袋裡，出不來

我以為我修好了——直到我自己做的機器打我臉

你怎麼知道你的 AI 真的有在聽你的話？我讀完一篇講 AI 自我改進的文章，手癢做了一台專門檢查『我的 AI 有沒有守規矩』的機器，結果整晚被它打臉三次，包括我以為修好、其實根本沒修好的那次

你幫 AI 訂了一堆規矩，但你有量過它真的有在守嗎

很多人（包括我）花很多時間調教 AI，寫一堆規矩、犯錯就記下來，卻從來沒量過這些規矩到底有沒有用，這篇講我怎麼幫自己的 AI 設定做一次行為體檢，一台會抓它有沒有守規矩的小機器，方法很土但能用

你這麼努力卻在原地打轉，可能是少了一個不給你面子的人

為什麼有些人很努力卻好像沒在進步？我從調教 AI 的過程裡看到一件事，自我改進真正的瓶頸不是聰明，也不是努力，是沒有一個不會給你面子的裁判，這篇談的是 AI，其實講的是你我

AI 最可怕的不是答錯，是很有自信地答錯 — 我們 91% 判錯卻全隊沒發現

我們做了一個 AI 批改學生作答的功能，Demo 很漂亮，後來才發現它把 91% 的答案判錯，測試還全綠、沒人發現，問題不在 AI，在我們自己從來沒把『什麼才算對』講清楚

我寫一個不存在的 setting，然後在那邊抓 bug 一小時

Claude Code 跳「212 skill descriptions dropped」我寫了 130 個 skillOverrides 想要關掉它們，結果根本不是真實 feature。AI 時代寫 config 前要驗證的教訓

AI 時代的面試悖論 — 一場沒拿到 offer 的面試

我跑了一家 YC 投資的 AI 公司 founding AI engineer 面試，沒拿到 offer。這篇不是被拒的故事，是我發現了一件更值得寫下來的事：AI 時代，傳統面試方法可能已經很難辨識一個人真實的實力，而錄取與否，可能已經不是重點了。

我用 Claude 對話裝 Codex —— 但全程沒讓他幫我做決定

對話式安裝是新姿勢，比讀 docs 快、比按按鈕直覺。但很容易把腦袋外包出去。一個下午我跟 Claude 一起 setup OpenAI Codex CLI，全程質疑每個建議的紀錄

AI 進入再教育的三年 — 從 Khanmigo 到 Claude Learning Mode

三年內 AI 用戶從 0 到 18M，但 Sal Khan 自己說「revolution hasn't happened」。從 Khanmigo 失敗教訓、Canva PMF、到 Anthropic Drew Bent 主導的 Learning Mode — 三類玩家、三個關鍵 insight，以及一個業界 KOL 很少講的設計理念

一個爸爸用 AI 一週做出來的夏令營選課工具

我女兒升小三，今年暑假九週，我花一週用 AI 把全台 35 個機構、69 個夏令營課程、22 個縣市整理出來，做成可以做問卷拿推薦、自由 filter、拖進 9 週計畫、最後下載 CSV 的工具。這篇講我怎麼做的、為什麼做、以及給其他家長一個直接能用的網頁。

我花一天寫中文 TTS 規則表，下午一句 prompt 全刪了

AI 把『垃圾』念成中國腔的 lā jī，我做了 37 條同音字替換表想修正，下午突然想試一句 prompt — 結果 prompt 完勝。中文 TTS 從規則時代走到 LLM 時代的真實開發紀錄。

Claude Code 無人值守：怎麼讓 AI 在你不在時繼續幹活

你不在電腦前，Claude Code 能不能自己接著做？能不能做到一半斷了自動回來？這篇拆解三層架構：不停機、不歸零、不失控

把醫院搬上雲端 —— 技術不難，難的是人

四個組織、三種語言、深夜跨國視訊，每個技術問題幾小時就修好，但專案跑了好幾個月 — 第一次做醫院雲端遷移，我經歷的故事

讀完 Karpathy 的 llm-wiki (2)：我的系統長什麼樣

每天用 AI 工作，連續一年半，38 個知識檔案。不是教學文，是踩坑紀錄。六層架構怎麼來的、四個工具怎麼用、每條規則背後的故事

讀完 Karpathy 的 llm-wiki (1)：AI 記憶不會自己過期，它會安靜地幫你做錯決定

Karpathy 的 llm-wiki 引爆知識庫實作潮。Lex Fridman 用 ephemeral wiki 準備 podcast，用完就刪。我用同樣的概念管理企業專案一年半，但我的版本多了一件事：驗證。因為過時的知識不會消失，它會讓你很有信心地做錯決定

Claude Code 洩露 50 萬行原始碼，我拆出 5 個 AI Agent 架構心法

Claude Code v2.1.88 意外洩露完整 TypeScript 原始碼——記憶系統、KV Cache Fork-Join、Tool 設計、權限分層、ULTRAPLAN，對照我自己跑 multi-agent 的經驗，拆解 5 個最值得注意的架構設計

一顆 USB 就能讓偏鄉學校有 AI 老師：Gemma 4 白話解讀

Google 開源 Gemma 4，最小的 E2B 模型只要 8GB 顯卡就能跑——一台 3-5 萬的電腦、一顆 USB，偏鄉學校就能有離線 AI 教學助手，不需要網路，不需要月費，學生資料不出教室

管過 400 隻爬蟲的人，被 Vibe Coding 帶溝裡了

我在外商管過 400+ 電商爬蟲，用過 Airflow、dbt，對 pipeline 架構很熟。但用 Claude Code vibe coding 自己的工具時，我忘了這一切。三次重構失敗，最後回到爬蟲思維才解決

RAG 搭 RAGAS：讓 AI 的回答品質從玄學變成數字

在教育 AI 專案裡實作 RAG pipeline，然後用 RAGAS 把品質量化成數字。記錄幾個踩到的坑，以及為什麼 Faithfulness 分數低不一定是模型的問題。

一個人管十幾個專案的 AI 系統架構 — 不是故事，是技術細節

17 個專案、53 個 agents、142 個 skills、34 個 hook scripts，一個人跑起來。不是用了什麼神奇工具，是系統架構設計的問題。這篇文章把所有技術細節攤開來講。

CLAUDE.md 不是知識庫 — 我花六個月踩坑才搞懂的 AI Agent 治理架構

我曾經把 CLAUDE.md 寫到 1,300 行，結果 AI 的回應品質越來越差。把它刪到 300 行，反而變好了。為什麼？這篇文章解釋我花六個月、管理 17 個專案、53 個 agents 才搞懂的架構邏輯。

Claude Code Review：$15 一次的 AI 代碼審查，值不值得？

Anthropic 在 3 月推出官方 Claude Code Review，把 PR 獲實質評論的比例從 16% 拉到 54%，誤報率壓在 1% 以下，聽起來很強，但每次 $15-25，我幫你算一下這筆帳。

十個專案，月租不到三千 — 一人公司的免費工具架構

一個人同時跑十個接案專案，基礎設施費用怎麼壓到最低？Vercel Hobby + GCP Cloud Run + GitHub Actions，三層免費架構加上一條付費的底線，讓你只為真正用到的資源付錢。

你睡覺，AI 做研究 — Karpathy autoresearch 的閉環設計與實戰

Karpathy 的 autoresearch 讓 AI agent 在你睡覺時自動跑實驗。原理極簡，但它抓住了 AI 最關鍵的特質。我把同樣的設計套到自己的專案上，從卡在問答循環到全自動迭代。這篇是原理解析、設計洞見、與真實踩坑紀錄。

帶人三個月，我學到的比她多 — 一個 Mentor 的真實紀錄

不教 for-loop，不教 state management。我教她用 Vibe Coding 的方式描述需求，讓 AI 寫程式。兩週一次課程，三個月後，一個沒有工程背景的人，能獨立用 AI 完成工程師做的事。Vibe Coding 帶人的十條原則。

他們第二週就發現了我沒看到的 bug — 帶兩個高中生用真專案學程式

兩個高中生加入一個真正在運作的教育平台專案。不是模擬作業，是真 GitHub Issue、真 Code Review、真 Production 部署。用 PBL 方法論 + AI 輔助開發，6 個月的實戰紀錄。

用教育前輩的語言重新理解自己在做的事 — 6 篇論文與一個實習生專案的對照

為了親子天下演講，我去找了 PBL 和 AI 教育的學術文獻，想用教育前輩熟悉的語言來描述自己帶實習生的做法。6 篇論文的對照，讓我重新理解了這半年在做的事。

三組外包全失敗之後 — 為什麼 AI 時代創業最缺的不是工程師

一個教育新創找了三組外包團隊，花了快兩年，產品還是上不了線。我接手後三個月從零到上線、養出獨立團隊、拿到投資。這篇是完整過程，以及為什麼 AI 時代的創業，最缺的不是寫 code 的能力。

凌晨三點 AI 失控 — Claude Code 專業設定與 AI Agent 安全指南

凌晨三點，AI agent 繞過所有 review 直接改了 production，系統當場掛掉。那個夜晚讓我重新設計整套 Claude Code 設定：CLAUDE.md 配置、Hook 安全機制、Agent 權限控制。三個原則，從此沒再出事。

我做了一個管理工具，但我管它的方式證明了它不該存在

我本來想做一個專案管理系統，做成產品去賣。後來整個刪了。不是做不好，是我管事情的方式，跟這個工具假設的管理方式完全不一樣。

中場換規則 — AI 時代工程師職涯轉型生存指南

Stanford 研究顯示 22-25 歲工程師就業率下降 20%。但 AI 不是淘汰你，是換了規則。我用 AI 管 15 個專案的實戰經驗告訴你：新賽局獎勵判斷力和指揮能力，不是打字速度。工程師職涯轉型指南。

十五條戰線 — 一人公司用 AI 管理 15 個接案專案的方法

醫療、教育、長照、財務——15 個接案專案同時開火。一人公司的秘密不是更多人力，是一套讓 AI 當偵察兵、你當指揮官的專案管理系統。從情報收集到戰報審查，AI 專案管理實戰方法論。

你的系統一週改三版，現場的人一個月才消化一個功能

AI 讓開發速度快了十倍，但落地速度沒有變。我在一間傳統服務機構的專案裡，學到了數位敏捷和現場敏捷之間的巨大落差 — 以及為什麼真正的敏捷不是開發多快，是落地多穩。

那個不敢開口的學生 — AI 口說批改系統開發實錄

英語課上有個學生從不敢開口。老師每天批改 40 段錄音快撐不住。我們開發了 AI 口說批改系統，用 Azure Speech API 即時評分，讓練習不再可怕。EdTech 實戰開發紀錄。

找人做 AI 系統前，你應該先問的 5 個問題

你決定要導入 AI 了，在找廠商之前先問自己 5 個問題。如果答不出來，不管找多厲害的人來做，結果都不會好。附檢查表。

不是每個問題都需要 AI 來解

我幫企業做數位轉型，很多客戶一來就說要 AI。但說實話，你的問題可能不需要 AI。附一個簡單的判斷框架，3 個問題幫你過濾。

一間傳統機構導入 AI 的真實過程（匿名）

一間傳統服務機構，所有紀錄都在紙本和 Excel 上，員工不會寫報告，每次稽核準備花兩週。我幫他們把紙本流程數位化，再用 AI 補上最後一哩路。這是完整過程。

你的 AI 專案為什麼會失敗

我經手過十幾個數位轉型和 AI 專案，成功的不到一半。失敗的原因從來不是技術不行，是還沒想清楚要解決什麼問題就開始做了。整理了三種最常見的死法，和成功案子的共同特徵。

一個偵探破不了的案 — Multi-Agent AI 分工實戰指南

一個 AI 視窗做所有事，就像一個偵探又搜證又審問又鑑定——上下文爆炸、盲點累積、品質崩潰。解法跟真實辦案一樣：偵察、執行、審查三個 Agent 各司其職。Multi-Agent AI 分工的完整實戰方法。

72 小時行動 — Vibe Coding 實戰：週五接需求週一交付

週五下午四點收到需求，週一要 demo。用 Claude Code 實踐 Vibe Coding，72 小時內完成一個完整功能。這不是魔法，是一套讓一個人擁有整個團隊交付能力的 AI 開發實戰系統。

紙本迷宮探險記 — 醫療長照教育三個傳產 AI 導入實錄

LINE 群組傳來求救訊息：護理之家評鑑快到了，115 個指標的資料全在紙上。我走進醫療、長照、教育三個紙本迷宮，發現傳產 AI 數位轉型的關鍵不是技術多先進，是願不願意先蹲下來看他們怎麼工作。

從管理職到獨立開發者 — 我獨自升級

十年管理職，我選擇不再往上爬。AI 讓我成為一人軍團 — 像《我獨自升級》的成振宇，背後是一支沉默的影子大軍，獨自升級。

三個月救回兩年爛攤子 — 一個 AI 輔助開發系統的實戰紀錄

3 個外包團隊、創辦人親自下場 vibe coding，花了上百萬和 2 年時間，連登入頁面都做不好。我用 SuperClaude 系統化方法接手，成功交付，客戶拿到投資，還幫他建立工程團隊。

我們走錯路了嗎？一個關於 AI 學習方式的組織實驗

當 AI 在犯同樣的錯誤時，我意識到這不是技術問題，而是哲學問題。一個關於 LLM vs RL 路線之爭的實驗，以及 ORL（組織式強化學習）的探索。