mk-brain 當 RLHF 不再只是標註流程，而是一套可迭代的系統工程 當大家還在比較模型能力時，真正開始拉開差距的，往往已經不是參數量，而是回饋系統能否持續運作。線上 RLHF 的意義，不只是讓模型更會回答，而是讓對齊從一次性標註，升級成可迭代、可複現、可擴展的工程流程。
mk-brain RAG 不夠了：下一代知識系統真正該升級的是理解層 今天很多團隊把 RAG 當成幻覺解法，但多數情況下，問題不是資料沒送進去，而是模型沒有真的理解。下一代知識系統的升級重點，不會只是把更多文件塞進 context，而是把檢索、理解與推理拆開來設計。
mk-brain 不是每次都該 RAG：真正成熟的 AI 系統，先判斷自己知不知道 很多系統把檢索當成預設開關，彷彿只要多查資料就能更準。但真正成熟的 AI 系統，關鍵不是永遠開啟檢索，而是先判斷自己知不知道、需不需要查、值不值得查。這背後其實是一個 retrieval policy 的設計問題。
AI 從 AI 使用者到 AI Orchestrator：我如何把 Claude Code 用成多 Agent 作業系統 當 AI 不再只是回答問題，而是開始參與真實工作流程，工程能力的核心也會改變：從單點使用模型，走向調度、治理與觀測一整個多 Agent 系統。
AI 我以為我在覺醒，其實是我的 rendering glitch 一次 AI agent 工程師的過勞解離記錄。三連休分不清夢境和現實，丟了一張 Neo 吃藍藥丸的圖給 GPT，結果 GPT 踩了煞車。
AI 看完 Google ADK 的 Demo，我為什麼還是繼續用自己的七位一體 Google Cloud 剛 demo 的 ADK + MCP + Agent Engine + A2A，被中文圈包裝成「Anthropic 公開了 AI 公司藍圖」的爆款帖。我把整場 demo 看完，對照自己這一年在家裡跑的七位一體系統，記下幾個結論——ADK 跟 MCP 可以拿來用，Agent Engine 才是 GCP 真正想賣你的綁定。
mk-brain 我們真的需要百萬 token 模型嗎？重新思考長上下文任務的真正瓶頸 在業界競相追逐更長的上下文視窗時，一篇研究點出了一個反直覺卻關鍵的觀點：長上下文任務的瓶頸，或許不在模型本身，而在於我們如何設計檢索與規劃策略。一個聰明的框架，甚至能讓短上下文模型高效解決長文件挑戰。
mk-brain 思考的工程學：當高品質的推理範本，勝過更大的模型 我們總以為追求更強的 AI 推理能力，就等於追求更大的模型。但一篇新研究「Buffer of Thoughts」提出了一個反直覺卻極具啟發性的方向：與其不斷擴大模型的規模，不如將高品質的思考流程「工程化」，使其成為可重複使用的模板。這不僅讓小模型的表現媲美頂尖模型，成本更僅有複雜框架的 12%。
mk-brain AI 推理的下一步：為何我們需要超越「流暢」，擁抱可驗證的符號邏輯？ 大型語言模型擅長生成看似合理的推理過程，但這些過程往往經不起嚴格檢驗。當答案的「忠實度」比「流暢度」更重要時，我們該如何構建更可靠的 AI 系統？一篇新研究提出的 SymbCoT 框架，或許指出了關鍵方向：將語言的模糊性轉化為符號的確定性。
mk-brain 超越 Transformer 與 Mamba 之爭：一個統一模型架構的新起點 長期以來，AI 模型架構的發展彷彿一場路線之爭：究竟是選擇 Transformer 強大的表達能力，還是擁抱 Mamba 等狀態空間模型（SSM）的線性效率？一篇突破性的研究論文揭示，這兩者並非對立，而是一個更深層結構的兩種表現形式。這項發現不僅終結了長期的辯論，更為下一代 AI 系統的設計開闢了全新的可能性。
mk-brain 語言模型之後，Agent 的下一步：打造可操作的世界知識模型 大型語言模型雖然語言流暢，但在理解物理世界與常識時常顯得笨拙，導致 AI Agent 在規劃任務時頻頻出錯。最近一篇研究提出「世界知識模型」的概念，試圖將抽象的知識參數化，讓 Agent 的規劃不再只是機率猜測，而是基於對世界的真實理解。這或許是通往更可靠自主 Agent 的關鍵一步。
mk-brain AI 對齊的尺度困境：從人工標註到自動化系統設計 過去我們依賴大量人力來「教導」AI 何謂對錯，但當模型的知識與推理能力超越人類時，這種「人工監工」模式還能走多遠？AI 對齊（Alignment）正從一個勞力密集的標註問題，轉變為一個更根本的自動化系統設計挑戰。
mk-brain 解碼 AI 黑盒子：當可解釋性成為大型模型的基礎設施 大型語言模型（LLM）的強大能力令人驚嘆，但其內部運作的「黑盒子」特性，卻讓AI的安全性與可靠性蒙上陰影。現在，Anthropic 的一項突破性研究，成功利用稀疏自動編碼器（SAE）大規模解鎖 Claude 3 Sonnet 的內部語義特徵。這不僅是學術上的里程碑，更預示著可解釋性將從研究工具，一躍成為未來AI審計與治理的核心基礎設施。
mk-brain AI 的「我不知道」，比答對更重要：從信心分數到自我反思的信任躍升 大型語言模型（LLM）常過度自信，即使答案錯誤也理直氣壯。一篇最新研究指出，AI 的真正可靠性，不在於給出冰冷的信心分數，而是讓它學會「自我反思」，清楚解釋其不確定性的理由。這不僅是技術校準，更是建立可信任、可治理 AI 系統的關鍵一步，讓 AI 從黑箱神諭轉變為坦誠的協作夥伴。
mk-brain 拆解複雜決策：從資料填鴨到可治理的工作流 當我們面對複雜問題時，直覺反應是給 AI 更多資料，期待它能「自行理解」。但這種作法往往適得其反。真正的關鍵不在於資料的量，而在於建立一套清晰的決策流程，將龐大問題拆解為規劃、檢索、執行等可控的步驟。
mk-brain RAG 的真相：模型為何放棄內在記憶，選擇依賴上下文？ 我們常以為 RAG 是為 LLM 補充新知，但最新研究揭示了驚人真相：模型竟傾向放棄自身記憶，過度依賴提供的上下文。這不是知識的融合，而是一種強烈的「走捷徑」偏誤。本文將深入探討這現象對 RAG 系統設計的深遠影響，並思考我們該如何從檢索量迷思，轉向更精妙的記憶分工與 Agent 架構。
Multi-Agent 我做了三個月的「七位一體」，跟 Perplexity Max 的「模型委員會」拓樸一模一樣——除了一個關鍵差別 今天看到 Perplexity Max 推出「模型委員會」（Model Council），它的拓樸跟我自己跑了三個月的「七位一體」幾乎一模一樣。但繼續往下讀，我意識到這件事的意義不是「我被抄了」或「業界終於追上了」——而是一個更有意思的問題：長得一樣的兩個東西，本質可以差非常多。
mk-brain 擴展定律的黃昏？當知識與推理分道揚鑣 過去，我們深信單一的擴展定律能指導大型語言模型的訓練。然而，一項顛覆性研究揭示：知識與推理能力遵循著截然不同的擴展路徑！這不僅是學術界的震撼彈，更直接衝擊了我們在模型架構、產品定位與資源配置上的每一個關鍵決策。是時候重新思考你的AI策略了。
AI 從 Vibe Coding 到 Agentic Engineering：當 LLM 不只是工具，而是新的計算介面 當 LLM 不只是寫程式的助手，而成為新的可編程計算介面，軟體工程、產品設計與基礎設施也開始從 vibe coding 走向 agentic engineering。
mk-brain LLM 的真正價值，不在自動化而在重組工作流 許多人將大型語言模型（LLM）視為單點任務的自動化工具，但這只是冰山一角。一份針對知識工作者的研究顯示，真正的生產力革命，來自於將 AI 無縫整合進完整的工作流程。這將從根本上重塑我們的資料脈絡、協作方式，甚至重新定義團隊內的責任分工，遠超乎你對自動化的想像。
mk-brain 長程任務 Agent 的真正瓶頸：我們需要的是可治理的系統，而不只是更強的模型 當 AI Agent 執行複雜任務時頻頻失敗，我們常歸咎於模型不夠聰明。但一篇新研究指出，真正的問題可能在於架構：將規劃與執行分層設計，才是提升可靠性的關鍵。這不只是技術細節，而是一種系統設計的典範轉移。
mk-brain Agent 開發的下一波浪潮：從 Prompt 煉丹到可預測的工作流工程 當前 AI Agent 的開發仍高度依賴手動調整與昂貴的試錯，如同煉金術。一篇新研究指出，透過將 Agent 工作流視為計算圖，並利用圖神經網絡（GNN）預測其效能，我們正迎來一個新典範：可預測、可搜尋、可自動優化的「工作流工程」，這將是建構複雜 AI 系統的關鍵下一步。
mk-brain 從神秘黑箱到可復現系統：推理模型的新護城河 長久以來，頂尖大型語言模型的推理能力，尤其透過強化學習（RL）達成的突破，一直被視為不可外傳的「煉金術」。但現在，一篇名為 DAPO 的研究，正悄悄預示著一個新時代的來臨：未來競爭的關鍵，將不再是神秘的模型權重，而是開放、可復現的系統工程能力。
mk-brain AI Agent 協作的信任難題：我們準備好迎接跨系統的「代理人戰爭」了嗎？ 當 AI 代理人不再只是單打獨鬥，而是開始跨越系統邊界、自主協作時，一個攸關未來 AI 生態的根本性問題隨之浮現：我們該如何建立它們之間的信任？這不只是一項技術挑戰，更是決定 AI 協作能否安全、穩健發展的關鍵基石。本文將深入探討這場潛在的「代理人戰爭」，以及我們如何為其築起信任的防線。
