mk-brain

LLM 只能是驗證者，不能是決策者

LLM 應該驗證符號決策，而不是替代它——這是在關鍵業務上用好大模型的分界線。

後台任務的 Token 成本會被低估十倍

後台自動化任務的 Token 成本會因為 Session Context 累積而被低估十倍，需要在架構設計階段就考慮 Context 清理策略。

Google Workspace CLI 的真正價值不在自動化，在於動態適應

Google Workspace CLI 從 Discovery Service 動態生成命令，配合 AI 技能降低操作門檻。真正的價值在於架構的自我演進能力，而不是自動化功能本身。

RAG 的選擇不是技術問題，是資源問題

Agentic RAG 不是技術進步，是資源消耗。選它之前，先確認你有足夠的預算和清晰的領域邊界。

AI 代理的天花板是你的檔案系統

AI 代理的效能天花板，其實就是企業檔案系統的邊界。資料存取的結構和可管理性，決定了代理能做什麼決策。

AI 寫部落格的幻覺問題，靠多層驗證而不是更聰明的模型

AI 寫部落格的幻覺問題靠多層驗證而不是更強的模型來解決，同時要適應 AI 系統對內容可信度的新評估標準。

Prompt 寫得像任務單，模型就不會亂猜

跟 Claude 反覆來回幾次後，發現模型出錯幾乎都是指令太模糊。三個驗證過有效的做法，加上背後的認知原理。