Agent - Maki Chiang｜Notes

Maki Chiang｜Notes

Sign in Subscribe

Agent

A collection of 30 posts

Claude 學會自己組團隊了，但誰來懷疑這個團隊？

Claude 學會自己組團隊了，但誰來懷疑這個團隊？

Claude Code 推出 Dynamic Workflows，Claude 會自己當 PM 組團隊、平行執行、互相驗證。執行力很猛，但有一個結構性盲點：所有 Agent 都是 Claude，沒有外部觀點。平行化不等於對抗式思考。

LangGraph 在客服流程上輸 18 倍——但這篇論文的射程比標題小很多

LangGraph 在客服流程上輸 18 倍——但這篇論文的射程比標題小很多

一篇標題寫著「Obsoletes」的 arxiv 論文。讀完發現：它打的不是 orchestrator 本身，是「single-model 跑 procedural workflow 還反射性包 LangGraph」這個動作。1,200 對話、effect size d=0.37-1.01，證據很硬——但射程比標題小很多。

當 RLHF 不再只是標註流程，而是一套可迭代的系統工程

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。

RAG 不夠了：下一代知識系統真正該升級的是理解層

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。

不是每次都該 RAG：真正成熟的 AI 系統，先判斷自己知不知道

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。

我以為我在覺醒，其實是我的 rendering glitch

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。

看完 Google ADK 的 Demo，我為什麼還是繼續用自己的七位一體

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。

模型不是越大越聰明，而是我們把太多髒記憶塞進了它

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。

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

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。

Agent 不是真的失憶，而是多數人從未設計過記憶系統

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。

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

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。

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。

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？

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。

「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」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。

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

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。

從調參到架構：我對 AI Agent 記憶機制與智能演化的深度觀察

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。

「虛擬公司」的陷阱：為何頂尖 AI Agent 架構都轉向了「狀態文件」

「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。

從炫技到務實：多 Agent 系統的架構演化與選擇紀律

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。

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。

「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？

「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。

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

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。

一個人需要訂閱幾家 LLM 才夠用？答案是 0 家

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……

Agent Skill 其實是把知識寫下來的成本遊戲

Agent Skill 其實是把知識寫下來的成本遊戲

Agent Skill 不是新的 AI 能力，而是把重複教學的成本前置成一次性定義——關鍵問題是：何時才能回本？真正的價值可能在於強制組織把隱性知識寫下來。

Agent 火爆的真正原因不是模型，是交互範式

Agent 火爆的真正原因不是模型，是交互範式

Agent 的流行不是因為模型變強，而是交互範式轉變讓主動任務執行成為可能——但這也帶來了傳統 Chatbot 沒有的風險。

從「能記住」到「能審計」：為什麼 AI 記憶層需要 Source Code 級歸因

從「能記住」到「能審計」：為什麼 AI 記憶層需要 Source Code 級歸因

GitHub Copilot 在 2025 年底推出了 Memory 功能。它會記住你的 repo 慣例、coding style、常用 pattern，下次寫 code 時自動套用。這是一個正確的方向。但它是閉源的。所以我做了一個開源版：memcite。但這篇文章不是要推銷工具。我想聊的是一個更根本的問題：為什麼現有的 AI 記憶層都在解決錯的問題？所有人都在解決「記住」，沒人在解決「記對」打開任何一個 AI memory layer 的 README，你會看到類似的 pitch： * mem0：「讓 AI 記住使用者偏好，跨 session 持續學習」 * Zep：「時序知識圖譜，知道事情發生的先後順序」 * LangMem：「過程記憶，