Box 創辦人 Aaron Levie 訪談心得：人為什麼還在 AI workflow 頭尾、企業 AI 導入為什麼比矽谷想的慢
Box 創辦人 Aaron Levie 訪談看完、整理 5 個值得停下來看的論點：Agent 為什麼還是要人在 […]
主題
系列
為什麼我故意讓兩個 AI 工具不知道彼此存在——多工具協作的 Context 隔離原則
用多個 AI 工具完成一件複雜任務，直覺會想讓它們無縫互通。但跑過一輪你會發現，這恰好是整套架構最容易崩掉的地 […]
AI Agent 5 種設計選型：什麼時候該用哪個、什麼時候別用（拆解微軟官方課程 L3 / L4 / L7 / L8 / L9）
微軟 AI Agents 18 課裡有 5 個章節是「怎麼蓋一個 agent」的設計層教材——Design P […]
Browser-Use 跟 MCP 都很熱——但官方課程說：兩個都不是「全或無」的選擇（拆解微軟 L11 / L15）
Browser-Use（CUA）跟 MCP 是 2025-2026 AI agent 圈最熱的兩個題目——但官 […]
微軟把 Context Engineering 升格為單獨一課：4 種 context failure 跟一個成本悖論（拆解微軟官方 L12 / L13）
微軟在 AI Agents for Beginners 第 12 課直接把「Context Engineeri […]
Agentic RAG vs 傳統 RAG：5 個關鍵差別、3 種 self-correction、跟「什麼時候別用」（拆解微軟 L5）
「Agentic RAG」是 2025-2026 RAG 社群最常被誤讀的詞——多數人以為它是「加 agent […]
我為什麼把這 7 個東西都寫成 Skill——一個 PM 的客製化判斷
Claude Code 的客製化機制有 5 層——CLAUDE.md、Skill、Subagent、Hook、 […]
Claude Code 不是更強的補全——它跑的是會自己驗證的 Agent 迴圈
Claude Code 跟 Cursor、Copilot 看起來像同一類工具，用過之後會發現它根本是另一種東西 […]
Context 才是 Claude Code 的稀缺資源
用 Claude Code 用一陣子之後常會發現它越用越笨——但多半不是模型變差，是 context wind […]
Claude 怎麼接到你的工作世界？Connector、Enterprise Search、Research 三種機制
摘要：「Claude 能用來做什麼」跟「Claude 能碰到什麼資料」是兩回事。Connector 把 Cla […]
Claude 是什麼？三種介面、三種組織方式，搞懂這個 AI 工作平台
摘要：多數人把 Claude 當成一個聊天機器人，這個比喻漏掉了 Claude 真正的設計重點。它不只是一個聊 […]
AI 工具會來來去去，真正該設計的是底下的資料庫
花一整天調查 AI Agent 架構，被自己的提問推了三次轉向，命題從「選哪種架構」升級到「設計一個不被工具綁住的個人知識系統」。完整記錄三次認知轉向、我歸納的四層架構（Markdown + Obsidian + MCP + AI 工具層）、以及三步執行方向。
AI 系統做完了然後呢？從 UAT 到 Rollout 的導入實戰紀錄
大部分 AI 專案死在導入階段，不是技術階段。這篇記錄一套跨語言社群分析系統從 UAT（7 項測試 4 通過 2 不通過）到三階段 Rollout 規劃的完整過程。附 Adoption Metrics 框架和五份操作文件清單。
AI 專案撞牆紀錄：零成本社群監測的天花板在哪裡
跨語言社群聲量分析系統跑通了 pipeline，但社群媒體只拿到 6 則可信資料。系統性診斷後發現：蒐集層的天花板是結構性限制，不是搜尋策略問題。研究業界做法後重新定位系統價值：分析和洞察層已驗證品質，蒐集層是可替換的模組。
AI 系統架構設計：為什麼我選純 API 不用 Agent 框架
跨語言社群聲量分析系統的架構設計紀錄。評估 CrewAI、LangGraph 後選擇純 Claude API + Python，因為線性流程不需要框架的複雜抽象。附資料來源技術限制調整、水軍過濾機制設計、技術風險評估。
不懂當地語言怎麼做海外市場？一個品牌人的 AI 解決方案拆解
品牌負責人不懂當地語言，怎麼掌握海外市場情報？從 As-is 流程的五個斷裂點、問題本質的三個缺口，到 AI 介入點定義和 MVP 切分的完整需求拆解紀錄。附產出品質對比和四個成功指標。
企業導入 RAG 完整實戰指南 — 從「要不要做」到「做完怎麼評估」
企業評估 RAG 導入的完整流程：200 份文件、五組對照實驗、從 Context Stuffing 93 分到 RAG 88 分的數據解讀。結論：小資料集不需要 RAG，大規模才是 RAG 的價值所在。附六個技術決策 trade-off、品質診斷方法論、不同規模下的最佳方案選擇。
RAG 優化實戰：Query Rewriting 怎麼把分數從 77 拉到 88
RAG 系統從 77 分優化到 88 分的完整記錄。Query Rewriting 讓 Retrieval Failure 減少 60%、Type A 達到滿分 5.00。六方比較表顯示 RAG v2 追平 Context Stuffing，但能處理 3.8 倍資料量。附優化決策過程和 20 題樣本局限性分析。
RAG 系統的 77 分怎麼來的？一次完整的 Retrieval 品質診斷
逐題標記 100 個 chunks 的檢索相關性，發現 60% 品質問題來自 Retrieval、Generation Failure = 0。Retrieval Precision 從 Type A 的 36% 降到 Type C 的 16%，Hybrid Search 互補效果只在 40% 題目有效。附三大優化方向和理論上限推導。
RAG 實測：用 200 份文件跑出來的數據，跟你想的不一樣
用 200 份文件跑四組對照實驗：Context Stuffing 14 檔 88 分、64 檔 93 分、關鍵字搜尋 59 分、RAG Hybrid 77 分。RAG 用 2% 資訊量達到 83% 效果，是唯一能處理 462K tokens 規模的方案。附不同規模下的最佳方案選擇指南。