AI 讓速度指標必然變好看——所以每個速度指標,我都配一個品質反向指標
導入 AI 之後,PR 數、部署頻率、產 code 量這些指標一定會變好看——它們量的正是 AI 最擅長放大的東西。想知道放大的是產出還是缺陷,速度指標要配品質反向指標成對讀;DORA 四大指標的成對結構就是現成模板。
能力下沉一個檔位:Sonnet 5 幫我驗證了 harness 該留什麼
旗艦能力半價下放、自我驗證沉進權重——之前寫的「模型會吃掉腳手架」拿到了實證。該丟的照丟,但獨立驗證那道 gate 反而更清楚了。
紀律放哪:讀完 flue 和 eve,我還是把 gate 留在自己手上
Astro 和 Vercel 同時押注「harness 是產品、模型是可換字串」,分歧在紀律放框架 runtime 還是自己的狀態機。我的答案:可靠性零件可以借,gate 規則必須自有。
Loop engineering:別再 prompt agent,設計會 prompt agent 的迴圈
把「下 prompt 的人」從你自己換成一套系統。建 loop 前先答兩問:done 是什麼、它怎麼 check——答不出來,loop 只是把空轉自動化。
台灣軟體弱,反而是 AI 時代的資產
沒有 legacy 包袱就沒有遷移稅。AI 把寫程式的門檻拉低之後,積累淺的人可以直接從乾淨的起點重建——前提是你會把 AI 接成自己的槓桿。
自建 Agentic OS:別盯著儀表板,價值全在引擎蓋底下
華麗的 AI 控制台只是錦上添花;真正讓你跟別人拉開差距的,是看不見的 skill 與檔案結構那兩層
Claude Design 真正厲害的不是會畫圖,是把設計跟開發接成一條來回的線
工具的競爭力不來自單點功能更強,而來自吃下整條鏈路、消掉人手搬運的接縫——Claude Design 拿這件事示範得很清楚
agent 上不了線,卡的不是模型,是治理層
大家在等更強的模型,但讓 agent 真正卡在門外的,是它沒有自己的身分、沒人問責、記憶到處串——治理才是上線的一級設計。
把寫 code 加速 3 倍,交付幾乎不動——AI 真正的槓桿不在打字那一段
AI 確實會寫 code,卻沒轉成生產力——因為瓶頸從來不是打字,是團隊互等。槓桿在需求和維運那兩端。
代碼圖刻意不用 embedding——因為你的料早就有邊了
大家看到節點加邊就以為是同一種圖。其實代碼圖跟 Graph RAG 押的是相反的賭注:當料本身就有客觀結構,付 embedding 的稅只會買到更慢、更會幻覺的版本。
「模型會吃掉腳手架」——那你該押在哪一層?
Logan Kilpatrick 說 Agent Harness 一年內一文不值。我的回應:被吃掉的是通用薄殼那層,吃不掉的是『把限制寫進 code、用可驗證 gate 卡住模型』那層——該押的是耐久的三塊,不是通用腳手架。
AI 導入的蜜月與幻滅:BCG 一手數據說的事
74% 一線員工已是 AI 常規用戶,但 66% 沒有指引知道省下的時間該做什麼。BCG 11,749 人調查的數字告訴你,蜜月期結束後剩下的是什麼——以及為什麼「給工具」跟「真的改變工作方式」之間有一道很深的溝。
把公司開成一個 git repo:讓 AI 看得懂、能自我改進的組織
把公司架構成 git repo + CLAUDE.md,不只是工具選擇,而是讓組織對 AI 可讀、支撐遞迴自我改進的基礎設施決策。
Token 是你買回的時間,不是成本
把「燒 token」從成本思維翻轉成時間匯率:你花的每一個 token,換的是機器替你執行的時間——這個匯率讓稀缺的人類時間可以近乎無限地放大。
Agent Harness 是什麼:拆開六個零件,定義自己浮出來
Harness 不是一個概念,是六個具體職責。從 tool registry 到 verify step,拆開六個零件,你就知道自己蓋的 agent 缺哪塊——以及為什麼改 prompt 改不了行為。
AI 越強,人的判斷越值錢——AI 落地真正卡住的兩端
大家以為 AI 落地的瓶頸是『模型還不夠強』。但模型一直在變強,瓶頸反而往兩端移:一端是『該做什麼』(方向與品味),另一端是『能不能信』(驗證與把關)。這兩件事 AI 都做不了——所以 AI 越強,人剩下的這兩件事越值錢。