Maki Chiang｜Notes

AI

模型不是越大越聰明，而是我們把太多髒記憶塞進了它

當我們把模型規模視為智能程度，往往也忽略了一件更根本的事：很多參數可能不是在負責推理，而是在替破碎資料做壓縮、替混亂世界做記憶。下一代 AI 系統的關鍵，也許不是更大的模型，而是更清楚的認知與記憶分工。

AI

我問我的四個 AI Agent「你們需要什麼」，他們異口同聲在罵Claude

事情從一份使用報告開始。

Memory Hall

15 億人的盲區——中文 AI Agent 記憶為什麼還沒有 canonical 方案

全球 15 億 CJK 使用者，英文 OSS AI memory 沒一個把中文當 first-class。查完中文圈 + 實際比對後，engram-rs / robotmem 也有 jieba CJK 組合。Memory Hall 不是第一個也不是唯一——選擇的是「故意不長成平台、縮回最小可用」這個角度。

Memory Hall

用一台 Mac mini 跑你自己的 AI Agent 記憶引擎——Memory Hall 入門

你在做 AI agent，每個 agent 都會產生記憶——對話、決策、實驗結果。這些記憶要放哪？Memory Hall 讓「自建記憶層」從「最麻煩的選項」變成三個命令的事。這篇介紹它是什麼、怎麼用、跟 mem0 差在哪。

Memory Hall

三個月的 Over-design 反省——Memory Hall 是我第一個刻意保持小的東西

這三個月我做了 mk-council、mk-brain、ops-hub 三個 AI infra——每個都 over-design。今天 ship 的 Memory Hall 是我第一個刻意保持小的東西。48 小時從零上線，v0.2 今天落地。這篇一半講產品，一半講我從前三個 infra 踩的坑。

AI

我們以為在教模型變聰明，其實很多時候只是在教它怎麼說話

很多團隊把模型表現不穩，直覺歸咎於微調不夠或對齊資料不足。但 LIMA 這篇研究提醒我：真正該被重新思考的，不只是訓練方法，而是我們如何分辨能力問題、表達問題與系統問題。

mk-brain

Agent 不是真的失憶，而是多數人從未設計過記憶系統

當 Agent 開始進入真實工作流，問題往往不是模型記不住，而是我們從來沒有替它設計上下文、長期記憶與狀態交接的機制。

mk-brain

內容自動化：AI 生成與人機協作，重塑 SEO 營運的效率與品質平衡

在 AI 浪潮席捲內容產業的今日，如何有效整合 AI 生成的效率與人為審核的品質，成為企業在 SEO 競爭中脫穎而出的關鍵。本文將深入探討一套開源系統所揭示的內容自動化新範式，並從 AI 系統建構者的視角，分析其在產品、工程與多 Agent 協作上的深遠意涵。

mk-brain

從生成到審核：內容自動化真正的門檻，不在模型，而在協作鏈路

內容自動化之所以難，不是因為生成不夠快，而是多數團隊沒有把素材、審核、發布與回寫串成同一條工作流。

mk-brain

在 AI 協作時代，我們如何為有限的人腦工作記憶「凍結」專案狀態？

AI 代理的普及化，讓我們在開發與決策流程中獲得前所未有的加速。然而，當我們同時駕馭多個 AI 驅動的專案時，一個古老卻又被放大的問題浮現了：人腦有限的工作記憶與隨之而來的認知負荷。這不僅是效率問題，更是一個深刻的系統設計挑戰。

mk-brain

「AI 優先」的深層反思：AI 系統建構者視角下的工程基石與流程再造

「AI 優先」策略正席捲各行各業，看似一場技術革新，但從 AI 系統建構者的角度來看，這更像是一次對軟體工程基本功的嚴峻考驗。本文將探討為何 AI 的速度與效率，必須建立在堅實的基礎設施之上，以及它如何重塑我們對產品開發流程與人機協作的理解。

mk-brain

萬字提示詞的奧秘：Agent 系統效能、成本與架構設計的關鍵取捨

隨著 AI Agent 系統日趨複雜，我們觀察到其效能表現與底層的提示詞結構息息相關。當提示詞的規模達到萬字級，這不僅是工程挑戰，更觸及產品設計、成本控制與系統架構的核心議題。本文將從 TPM 與產品管理的視角，深入剖析大型 Agent 提示詞的構成、其帶來的成本壓力，並提出一套更具前瞻性的設計與管理策略。

mk-brain

從調參到架構：我對 AI Agent 記憶機制與智能演化的深度觀察

AI Agent 的發展正從單純的參數調整，邁向更深層次的系統架構設計。其中，記憶機制的設計邏輯，不僅是技術細節，更是決定 Agent 智能上限與演化潛力的關鍵。這篇文章將分享我對此轉變的觀察與思考。

mk-brain

「虛擬公司」的陷阱：為何頂尖 AI Agent 架構都轉向了「狀態文件」

把多 Agent 畫成虛擬公司很直覺，但真正決定成敗的，往往不是角色，而是狀態如何被保存與延續。

mk-brain

從炫技到務實：多 Agent 系統的架構演化與選擇紀律

多 Agent 不是越複雜越厲害，真正成熟的團隊會先選對協調模式，再決定要不要增加架構層次。

mk-brain

自進化系統的憲法：在自主與穩定之間，設計不可變的元規則

自進化系統最危險的不是不夠聰明，而是沒有治理；真正的關鍵是不可變規則、門控與回滾。

mk-brain

「駕馭工程」時代：當頂級模型的智慧不再是瓶頸，我們該如何建構 AI 系統？

當模型能力不再是主要瓶頸，工程師的價值將從寫程式，轉向設計環境、流程與系統編排。

mk-brain

從提示工程到指令架構：Andrej Karpathy 的原則如何為 Code Agent 重新校準

當 AI coding 從提示技巧走向工程規訓，真正重要的已不是怎麼讓模型更會寫，而是怎麼讓它少亂寫。

AgenticWorkflow

AI 讓技能重新定價：裁員潮下真正需要補的那一包能力

這波裁員更像是技能重新定價：市場還在買人，但買的技能包變了。你需要的是把 AI 放進工作流、做出可展示且可驗證的轉型證據。

AI

當科技裁員被包裝成 AI 敘事：哪些數字可信，哪些需要保留

這不是一篇情緒化反駁，而是一次資料清理：哪些裁員與 AI 的說法有根據，哪些數字其實還需要更小心地看待。

AI

AI 圈內人 vs 大眾：50% 認知落差，會在組織裡變成什麼？（Stanford AI Index 2026）

Stanford AI Index 2026 量化了 AI 專家與大眾對就業的 50% 認知落差。這不是網路吵架，而是企業導入 AI 時最常被低估的摩擦力：採用率、信任與風險治理。

mk-brain

未來競爭力：你的價值，取決於你能指揮多少 AI Agent

mkbrain source: https://mkbrain.maki.tw/wei-lai-jing-zheng-li-qu-jue-yu-diao-dong-agent-shu-liang-yu-xi-tong-hua-zhi-hui-neng-li-er-fei-ge-ren-chan-chu/ | signal: 72

AI

一個人需要訂閱幾家 LLM 才夠用？答案是 0 家

Claude Max、ChatGPT Plus、Perplexity Max、Gemini Advanced、Cursor Pro、GitHub Copilot……

AI Agent

Hermes Agent vs OpenClaw 詳細比較

Hermes Agent 主打自我進化、分層記憶、任務圖；OpenClaw 主打事件驅動、插件化微內核、多工具覆蓋。從架構、記憶、擴展性、通訊管道、部署模型到適用規模的完整對照，給 PM + 工程師的實務選型建議。

Claude Code

做完 50+ 個 Claude Skill 之後，我發現一個反直覺的事實：越私有越值錢

Anthropic 官方把 skill 的用途寫成 for yourself, your team, or for the community——yourself 排第一。我做完 50+ 個 skill 之後發現：越綁死個人環境、越不能分享的 skill，ROI 越高。這篇文章告訴你做 skill 該朝哪個方向走——跟官方指南相反。