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。
www.threads.com
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。
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 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？
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
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。