mk-brain

A collection of 137 posts

午夜電台

看懂了，卻改不了——午夜的 Maki 電台

看懂了卻改不了，這是升級過程裡最不舒服的那一段。

AI

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。

AI

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。

AI

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。

AI

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。

AI

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。

AI

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。

AI

AI 人才溢價掩蓋了什麼

AI 人才缺口帶來溢價，但企業用它來掩蓋管理問題；真正的失敗原因往往是沒有搞清楚自己在解決什麼。

AI

AI Agent 的決策暗影：結構化協議為什麼必要

AI agent 的決策過程如果沒有結構化記錄，就無法從失敗中學習。結構化協議不是限制，而是讓決策可審計、可改進的基礎。

AI

大模型競爭的真實邊界：垂直深度打敗平台廣度

大模型競爭的勝負不在誰的基礎模型更強，而在誰對特定領域的理解更深；同時市場遠未壟斷，應用生態重疊率只有 11%，留給垂直玩家的空間比想像中大。

AI

代理型 AI 的隱私困境：本地推理不是銀彈，架構才是

本地推理不是銀彈。NemoClaw/OpenClaw 解決的是隱私和延遲問題，但架構設計才是決定因素。

AI

運行環境設計比模型選擇更決定 AI 系統的可靠性

控制 AI 系統的關鍵不在選更好的模型，而在設計思考和執行分離、隱藏危險工具的運行環境。

AI

大廠收購改變的不是工具，是開發者的選擇權

大廠收購開源工具不只是資源增加，而是改變了維護動機和開發者的決策空間。

AI

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。

AI

Claude 的規劃能力，用結構化提示才能真正用上

用 Claude 做規劃，關鍵不是問它幫你想，而是用結構化提示詞讓它按你的邏輯輸出可用的計畫。

AI

Skill 不是文檔，是容器——結構設計決定 AI 輔助的天花板

Skill 不是文檔，而是資料夾結構；有效的內容應該是差異和例外，而非基礎知識；價值來自持續的反饋迴圈，而非一次性寫入。

AI

組織設計比技術選型更先決

組織結構和任務定義的清晰度，往往比技術選型本身更決定項目的成敗。

AI

護城河在技術之外：AI 時代軟體公司該守什麼

AI 時代的護城河不在技術領先，而在生態整合和合規壁壘——這改變了軟體公司的投資優先級。

AI

AI 模型只是放大器，資料基礎建設才是天花板

企業過度關注 AI 模型選擇，卻忽視資料品質和基礎建設——這是決策順序反了。

AI

技術紅利消退時，經驗值得什麼

AI 編碼工具平民化了寫程式的能力，但系統設計和技術決策的價值反而凸顯——經驗不是變得不值錢，而是在重新定價。

AI

技能衰退比技能缺乏更危險

技能維護的關鍵不在學新東西，在於對抗你已有技能的持續漂移——這是一個被低估的成本。

AI

多語言模型的真正瓶頸在 tokenizer，不在模型本身

多語言模型的性能差異，根本原因不在資料量或架構，而在於 tokenization 效率的語言差異——這是一個被長期忽視的瓶頸。

AI

配額上限才是防線，預算提醒只是紙老虎

預算提醒只會發郵件，配額上限才會拒絕請求。這是 API 安全防護的第一道防線，但大多數開發者沒有配置。

AI

記憶管理不一定要外包給向量資料庫

LLM 的上下文理解已經強到可以自己管理記憶，不一定要依賴向量資料庫和 embeddings。

AI

On-call 的碎碎念問題，AI 可以解決

AI 當 on-call 的初篩守衛，不是為了省人力，而是為了保護人的判斷品質。