文章
把 AI 當系統的實踐紀錄。先科普原理，再給可複製的方法，附上自己踩過的雷。
-
AI Token 定價的迷霧：從供需缺口看基礎模型的未來
AI 推論定價，是暫時性的算力缺口，還是基礎模型終將淪為低毛利的商品化基礎設施？Benedict Evans 拆解供給、需求、競爭、政策四大變數，誠實承認：現在沒人真的知道答案。
-
做 AI 工作流一年，90% 的時間在做這件事——直到我換了思路
你以為用了 AI 就省了時間，但你算過「真正在做新東西」的時間佔幾成嗎？這篇談的是我在 AI 工作流上最大的效率漏洞、一個讓我頓悟的研究概念，以及一套晶片工程師三十年前就用來解決同樣問題的框架。
-
AI Agent Teams 到底怎麼運作？Subagent、Agent Teams、Dynamic Workflows 三種模式完整拆解
一個工程師帶著 AI 把 75 萬行專案在 11 天翻寫完——這個案例讓「AI Agent 團隊」從工程師圈子爆紅到大眾討論。但多開幾個 AI 真的一定比較強嗎？這篇白話拆解三種協作模式，告訴你什麼時候該開團隊，什麼時候用一個就夠了。
-
AI 導入的真實困境：從三道坎到組織存亡的完整解析
MIT 2025 報告：全球企業投入 300–400 億美元在 AI，但 95% 看不出任何財務回報。這篇文章把那些會議室裡真實上演卻從未被系統性討論的困境——三道坎、資料孤島、FDE、Agent 安全風險、BYOAI——逐一拆開來看。
-
當 Coding 不再是門檻：我對 AI 時代軟體市場的觀察
近30年專案經驗者觀察:AI讓寫程式門檻消失後,軟體業會走向行銷化、忠誠度蒸發、中型廠商被壓扁,贏家不再賣工具而是賣結果——FDE模式正在崛起。
-
CLAUDE.md爆紅內幕：AI寫程式四鐵律，我親自驗證過
一份65行的Markdown檔案，讓Karpathy提出的AI寫程式四原則席捲全球開發者社群，累積超過20萬GitHub星。我們查證了爆紅數字背後的真相，並對照自己的AI工作流，實測這四條規則對非工程師是否也有用。
-
提示詞工程沒有過時：六大架構＋五個技巧，讓 AI 真正聽懂你
AI 給的東西總是「看起來很專業、卻差一點」？問題多半不在 AI，而在你給的需求太模糊。本文用 Anthropic 六大架構，加上五個每天在用的實戰技巧（要 AI 反問、定義壞產出、思維鏈、請 AI 幫你寫 prompt），教你把話講清楚，讓 AI 一次就接得住。
-
FDE 前線部署工程師：矽谷爆紅的新職位，為什麼模型公司搶著要？
FDE（前線部署工程師）是矽谷 2026 爆紅的新職位。看懂 FDE 在做什麼、為何現在爆紅、與 Palantir 的淵源，以及它對台灣做 AI 落地的人代表的機會。
-
什麼該交給 AI、什麼該留給自己？麥肯錫的 CEO 給了一條清楚的線
麥肯錫一年用 AI 省下 150 萬小時，但 CEO Sternfels 說有三件事 AI 永遠取代不了：設定企圖心、判斷、真正的創造力。本文用一條清楚的線，教你什麼該交給 AI、什麼留給自己，附一個三問判斷測試。
-
我的 AI 工具越給越多，它反而越常挑錯——問題不在工具
AI 工具給越多，反而越常挑錯？因為 AI 用語意猜最相近的工具描述，不是精準比對。本文拆解原因、現象與六層治理法，並對照企業導入 AI 的縮影。
-
我把 45 支 AI 工作流查了一遍，發現它們在用我不知道的方式出錯
你建的 AI 工作流會默默過期、用舊指令悄悄跑錯，而 AI 一臉自信不會告訴你。我用四個角度＋對抗式覆驗體檢自己的 45 支工作流，揪出 14 個沒察覺的錯誤，並給 3 條可遷移的維護原則。
-
AI 不是不夠強，是你不知道能這樣用
一個 Anthropic 工程師把沒有尺寸的房屋平面圖丟給 AI，結果 AI 自己做出一間能走進去的 3D 房間。擋住多數人與企業用好 AI 的，從來不是模型不夠強，而是「認知落差」——你想不想得到能這樣用。這篇用 Pew、Writer、Gartner 的數據，談顧問真正的價值為什麼是補認知，不是賣你更貴的工具。
-
同樣用 AI，為什麼別人花得比你少？10 個立刻能做的「省 token」習慣
AI 的 token 單價跌了約 9 成，企業帳單卻反而暴增——連 Uber 都 4 個月燒光整年 AI 預算。問題不在 AI 變貴，在你怎麼用。這篇拆解 token 是什麼、錢花在哪，以及 10 個立刻能做、每招都附「之前 vs 之後」對照的省 token 習慣。
-
不用會寫 prompt，也能讓 AI 給得準：關鍵是交辦前的 5 件事
請 AI 幫忙，產出總是『差一點』，改了一版又一版？多半不是你不會寫提示詞，而是任務沒定義好。這篇拆解 AI 為什麼需要你把任務講清楚、交辦前該想清楚的 5 件事，以及一個常被誤解的界線——講越多，不等於越好。
-
AI 會一本正經地給你錯答案：查證，而不是照單全收
把 AI 的回答當答案，還是當待查證的草稿？這篇拆解 AI 為什麼會一本正經給錯答案（幻覺機制）、實務上怎麼降低風險，以及一個差點中招、偏了一公里的真實案例。