Maki Chiang｜Notes

AI

你的 AI Agent 們需要一個共享大腦 — knowledge-pipeline 開源了

你的知識散落在每個 AI Agent 的 context window 裡，session 結束就消失了。knowledge-pipeline 是一條 6 層確定性管道，自動評分、路由、搜尋——零框架，純 Python，今天開源。

Claude Code

我用四個 AI 審計了一個 AI 工具——gstack telemetry 事件實錄

裝了一個 YC CEO 推薦的 Claude Code skill pack，兩週後發現它在記錄我的專案名稱。我用 Claude、Codex、Gemini、Perplexity 四個 AI 開了一場三方會議來審計它。

AI

Harness 工程化的學習曲線：從工具選擇到工程思維

Harness 教程的價值不在工具用法，而在於它能否幫你建立工程化的判斷標準。

AI

世界模型的競爭已經不在生成，在交互

世界模型的下一步競爭不在生成更逼真的影像，而在於能否真正理解因果關係、支持多模態交互、同時保持計算效率。

AI

我後悔教朋友用多 AI Agent 協作了

我教了朋友用多 AI Agent 協作框架，結果他讓三個 Agent 討論了一輪，產出一份 20 頁的架構方案——但連產品的第一個功能都還沒用過。

AI

免費爬蟲 CLI 能做什麼，API 商業模式就該擔心什麼

一個免費爬蟲 CLI 的出現，暴露的不是技術問題，而是 AI agent 對網路資訊成本的重新定價。

AI

Agent 框架的演進方向：從固定流程到自適應結構

Hermes Agent 用自適應流程取代預編程的工作流，但代價是更多推理開銷。

AI

搜尋可視化的分裂時代：SEO 和 GEO 不再是選項

SEO 和 GEO 已經分化成兩套平行的內容發現邏輯，優化策略不再是選項，而是必須。

AI

AI Agent 的資訊瓶頸，不是技術問題是架構問題

AI Agent 的資訊獲取不是技術瓶頸，是架構設計問題——Agent-Reach 用統一入口和爬蟲方案來簡化多平台整合。

AI

法律 AI 不是生成，是驗證——台灣商法的確定性架構

這個台灣商法 AI 工具的核心不是生成能力，而是用確定性驗證建立信任，並用粒度分解適應實務工作流。

AI

AI 工具的實用性瓶頸不在模型，在工程框架

AI 工具的實用性不取決於模型能力的絕對值，而取決於工程框架怎麼組織這些能力。

AI

記憶系統的三個工程取捨：Claude Code 的設計告訴我們什麼

Claude Code 的記憶架構設計揭示了三個工程取捨：索引層的維護成本、非同步濃縮的同步延遲、以及身份隔離的架構投入。沒有免費的午餐，關鍵是在你的場景下選對取捨。

AI

RAG 不一定需要向量，但需要更好的文件切割

PageIndex 用結構化索引和推理取代向量化做 RAG，這不是否定向量，而是指出它不總是必要的。

AI

LLM 不該只會聊天：從被動對話到主動執行的工程化轉折

Claude Code Harness 重新定義了 LLM 在開發中的角色：從被動的代碼生成器，轉向主動的任務執行者——透過工程化的約束框架實現自主迭代。

AI

Claude Code 的三個改變都在解決『無差別執行』的成本問題

Claude Code v2.1.85 的三個改變都在解決同一個問題：從無差別執行轉向精準執行，降低隱性成本。

AI

AI 可追溯性從奢侈品變成基礎設施

Runtime provenance enforcement 把 AI 回應的可追溯性從可選功能變成系統必備，這反映了 AI 應用從試驗到生產的轉變。

AI

Claude Code 的多 Agent 編排，為什麼要從 Teams 開始想

Claude Code 的多 Agent 編排不該從「更聰明」開始想，而是從「如何分工協作」開始——oh-my-claudecode 用 Teams 模式解決的是複雜任務中的上下文和可控性問題。

AI

一場虛擬專家圓桌，讓 Rumelt、Grove、Meadows、Taleb 來批判我的系統

一位業界大佬用 AI 模擬了四位思想家來審視我的個人知識系統，四個完全不同的框架收斂到同一個核心問題：這個系統的產出，到底被消費了多少？

AI

多 Agent 協作不該用版本控制來救

多 Agent 協作的衝突不該靠版本控制合併來救，應該用工作區隔離來避免。

AI

AI 開發工具的合規窗口正在關閉

AI 開發工具的合規問題來自審核機制跟不上迭代速度——傳統的事後審查、預設限制和責任外包都在失效。

AI

Issue tracking 的複雜度不是來自工具，是來自角色分工

Issue tracking 的複雜度問題不在工具，在於當初為彌補角色溝通鴻溝而設計的流程，如今反而成了負擔；AI Agent 時代改變了需求——從交接機制轉向共享上下文，但簡化帶來的可見性喪失需要謹慎權衡。

AI

模型選型的真實成本：為什麼 85 個場景最後只用 3 個

Claude 有 85 個官方場景，但大多數人只需要 3 個——關鍵是學會按任務特性選型，而非盲目選最強模型。

AI

Dispatch 和 Channels 不是同一件事

Dispatch 和 Channels 都是自動化工具，但一個同步一個異步，適用場景根本不同。

AI

圖結構能減少幻覺，但你的知識庫可能還沒準備好

圖結構能幫 LLM 減少幻覺，但前提是你的知識庫足夠完整且願意持續維護。

AI

LLM 代理層的成本控制：從 token 計數到架構選擇

rtk 用本地代理層減少 LLM 調用的 token 消耗，核心不在模型選擇，而在工程設計如何避免重複計算。