AI - Maki Chiang｜Notes (Page 23)

Maki Chiang｜Notes

Sign in Subscribe

AI

A collection of 678 posts

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

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。

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

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？

多 Agent 協作不該用版本控制來救

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 開發工具的合規窗口正在關閉

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。

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。

模型選型的真實成本：為什麼 85 個場景最後只用 3 個

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。

Dispatch 和 Channels 不是同一件事

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。

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。

LLM 代理層的成本控制：從 token 計數到架構選擇

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。

Sora 獨立應用的死亡，是生態整合的必然

Sora 獨立應用的死亡，是生態整合的必然

OpenAI 關閉 Sora 獨立應用轉向 ChatGPT 整合，反映的不是技術失敗，而是單一功能應用在生成式 AI 時代的生存邏輯已經改變。

Apple 用免費企業服務鎖定中小企業，MDM 才是真正的籌碼

Apple 用免費企業服務鎖定中小企業，MDM 才是真正的籌碼

Apple 用免費企業服務吸引中小企業，但真正的目的是透過 MDM 和身份系統鎖定企業用戶，強化生態系控制力。

AI 編程助手的控制權問題：從被動補全到主動協商

AI 編程助手的控制權問題：從被動補全到主動協商

AI 編程助手的核心問題不在預測精度，在於開發者能否保持對代碼生成過程的主動權。折衷方案用協商代替推薦，代價是交互次數增加，收益是信心和控制力。

AI Coding 工具的真正競爭力在治理，不在模型分數

AI Coding 工具的真正競爭力在治理，不在模型分數

AI Coding 工具的競爭力已經轉向系統控制能力——context 管理、驗證迴圈、審計追蹤——而不是單點模型性能。

電腦操作自動化的天花板在於理解上下文

電腦操作自動化的天花板在於理解上下文

Claude Copilot 和 Dispatch 能自動化滑鼠鍵盤操作，但它們的天花板是視覺理解，不是邏輯理解——真正的業務決策還是得人工把關。

Vibe Coding 的真正威脅：你根本不知道自動裝了什麼

Vibe Coding 的真正威脅：你根本不知道自動裝了什麼

Vibe Coding 最大的風險不是 AI 寫爛代碼，而是自動依賴拉進了你看不見的惡意代碼——現有防禦機制本質上是被動的。

AI 輔助的邊界：人類判斷不能外包

AI 輔助的邊界：人類判斷不能外包

AI 輔助最大的風險不是出錯，而是人開始不思考。設定明確的驗證邊界，才能避免把判斷力外包給工具。

Dispatch 和 Channels 不是同一件事

Dispatch 和 Channels 不是同一件事

Dispatch 和 Channels 都是自動化工具，但一個是為了通知人做決策，一個是為了讓流程自動跑到底。搞反了，自動化就會卡在該人工的地方。

圖結構減少幻覺，但你得先有個靠譜的圖

圖結構減少幻覺，但你得先有個靠譜的圖

用圖結構約束 LLM 能減少幻覺，但前提是你的知識完全確定、邊界清晰。超出預設邊界，系統一樣編造。

MCP 的死亡不在技術，在成本曲線

MCP 的死亡不在技術，在成本曲線

Perplexity 放棄 MCP 不是因為協議設計差，而是當模型足夠聰明且成本夠低時，直接調用比標準化協議更划算。

自建 LLM 的三個隱形成本——硬體、隔離、架構

自建 LLM 的三個隱形成本——硬體、隔離、架構

自建 LLM 的成本不只在算力，硬體、隔離、架構的決策都會產生隱形開銷——而且通常被低估。

Claude Channels 的代價：異步執行換來的信任風險

Claude Channels 的代價：異步執行換來的信任風險

Claude Channels 用異步執行換來便利，但失去了即時反饋和安全邊界——企業用途需要重新思考權限管理和失敗恢復。

效率化幻覺 — 有 code 不等於有產品

效率化幻覺 — 有 code 不等於有產品

AI 工具讓 prototype 的速度變快了十倍，於是人們誤以為 production 也變快了十倍。我把這個現象叫做「效率化幻覺」。

開源模型的推理成本戰開始了

NVIDIA 推出 NemoClaw 參與開源推理社群，背後是晶片廠商在確保自己在開源推理生態中的位置。

代理型AI的瓶頸不在模型，在工程複雜度

代理型AI的瓶頸不在模型，在工程複雜度

代理型AI的普及瓶頸不在模型能力，而在工程複雜度和企業級信任——NemoClaw的推出邏輯說明了這一點。

開源工具的治理風險被大廠收購暴露了

開源工具的治理風險被大廠收購暴露了

uv 被 OpenAI 收購後，真正的風險不在代碼質量，而在於開源工具鏈的決策權正在集中到少數 AI 巨頭手上——開發者需要從評估技術本身，升級到評估治理風險。