mk-brain - Maki Chiang｜Notes (Page 15)

Maki Chiang｜Notes

Sign in Subscribe

mk-brain

A collection of 379 posts

CLI 裡加規範檢查，比靠 prompt 調參更能穩定 agent 輸出

CLI 裡加規範檢查，比靠 prompt 調參更能穩定 agent 輸出

在 agent 架構裡，比起在 prompt 裡堆砌規則，在 CLI 執行層加入自動驗證和子代理分工，更能穩定輸出質量，尤其在成本優化的場景。

從逐行審查到架構指令：AI 時代開發者角色的根本轉變

從逐行審查到架構指令：AI 時代開發者角色的根本轉變

AI 時代開發者的工作不是逐行審查代碼，而是寫清楚架構指令，讓 AI 在明確的約束下生成代碼。

AI Agent 規模化前的隱形成本，單部門試點才能看清

AI Agent 規模化前的隱形成本，單部門試點才能看清

AI Agent 規模化失敗的根源往往不是技術，而是跳過了單部門試點導致的隱形成本在規模化時才爆發。

AI 生成程式碼的風險，不在模型，在缺乏自審

AI 生成程式碼的風險，不在模型，在缺乏自審

AI 生成程式碼的風險不在於模型本身，而在於缺乏自審機制。建立分層的驗證流程，比等待更聰明的模型更實際。

AI 當 on-call 的邊界：減少碎碎念，但不是減少思考

AI 當 on-call 的邊界：減少碎碎念，但不是減少思考

AI 當 on-call 的真實價值不在回應速度，而在於用自動化篩選碎碎念，但前提是你得先理解問題本身。

Fork 子代理不是優化技巧，是架構決策

Fork 子代理不是優化技巧，是架構決策

Fork 子代理不是優化技巧，而是一個架構決策——它解決 context 膨脹的同時，引入了參數傳遞的新風險。

記憶管理可能比向量資料庫更值得優化

記憶管理可能比向量資料庫更值得優化

內建記憶管理可能比向量資料庫更適合某些應用場景——成本更直觀，複雜度更低，關鍵是問對問題。

LLM 只能是驗證者，不能是決策者

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 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

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

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。

Agent 編碼的擴展單位不是 token，是 Thread

Agent 編碼的擴展單位不是 token，是 Thread

IndyDevDan 提出的 Thread 框架給了 Agent 編碼一個可量化的擴展單位。但大多數人還卡在單 Thread 品質不穩的階段。

AI 產碼的品質把關，答案一直在 git diff 裡

AI 產碼的品質把關，答案一直在 git diff 裡

AI 產碼的速度不是問題，問題是你多快能判斷產出的品質。git diff 是 Human-in-the-Loop 最低成本的實踐。

本地跑萬億參數模型，雲端算力危機來了？

本地跑萬億參數模型，雲端算力危機來了？

AMD 用 4 台桌機跑 1 萬億參數模型，讓本地推理變得可能，雲端算力的價值會被挑戰，你會怎麼選？

Vectorless RAG 實測：用樹狀推理幹掉向量化的精準度坑

Vectorless RAG 實測：用樹狀推理幹掉向量化的精準度坑

不用向量資料庫照樣查得準？Sliven 的樹狀推理方法直接解決長文件檢索的黑盒問題，而且還能看到推理過程。

AI Agent 可靠性怎麼驗？別只看單一指標，多維度評估系統才是正解

AI Agent 可靠性怎麼驗？別只看單一指標，多維度評估系統才是正解

別只看單一指標評估 AI Agent，一個維度好看，另外兩個指標就爆炸——多維度同步驗證效能和創造性，才是正解。

開源大模型狂衝，成本與可控成新賽道

開源大模型狂衝，成本與可控成新賽道

開源LLM在2026年大爆發，成本與可控性成未來關鍵，你覺得商業大模型還能保持領先嗎？

模型抽象層：打破供應商鎖定的祕密武器

模型抽象層：打破供應商鎖定的祕密武器

前陣子看到一個路由器代理，讓 Claude Code 可以自由切換多種模型，感覺像是開發者的救生圈。

AI Coding 必須先有架構，否則對話會變災難

AI Coding 必須先有架構，否則對話會變災難

欸，你有看到 Vibe Coding 只靠聊天寫程式會卡住嗎？我分享三招讓 AI Coding 有架構、不卡對話災難。

遠端控制讓開發跑起來：Claude Code 能否打破辦公室枷鎖？

遠端控制讓開發跑起來：Claude Code 能否打破辦公室枷鎖？

Claude Code 推出的遠端控制讓開發者可以在手機上接手電腦任務，真的能讓我們在散步、健身時繼續 coding，值得一試。

只換個 URL 就省 93% token，LLM 成本真的可以被壓縮？

只換個 URL 就省 93% token，LLM 成本真的可以被壓縮？

只改一行 URL，對話成本降到原本的 7%，我在茶水間跟你聊聊這招到底有多神。

前景 Sub‑agent 才是拯救 Claude Code token 的祕密武器

前景 Sub‑agent 才是拯救 Claude Code token 的祕密武器

看到 Claude Code 被 context 污染卡住？用前景 sub‑agent 把 token 省回來，真的超省心。