Blog
Generative AI · Enterprise AI · Realtime AI
- Agentic RAG：向量搜尋遇上代理推理
整理我在《RAG 2026：當向量搜尋遇上代理推理》報告中的核心觀點：為什麼純向量 RAG 會卡在上下文盲視、為什麼 2026 的方向是向量粗篩加代理精讀，以及企業該如何落地可驗證、可治理的混合架構。
- 長時間 AI 工程的 Harness 設計：生成、評估與驗證鏈
根據 Anthropic《Harness design for long-running application development》整理：用生成-評估分工、外部評測與 QA 合約，提升長任務的可靠性與可控性。
- 長任務代理的 Harness：跨上下文穩定交付
根據 Anthropic《Effective harnesses for long-running agents》整理：用初始化代理（initializer）＋漸進式編碼代理（coding）＋特徵清單與端到端測試，讓代理能在多個 context window 間持續推進並保持乾淨狀態。
- Harness Engineering：讓 Codex 可觀測可交接
根據 OpenAI 工程文章整理：在程式碼由智慧體生成後，Harness 必須同時提供可讀的知識地圖、強制邊界架構、以及可端到端驗證的回饋迴路。
- 高效學術論文閱讀：三遍掃描法
把「三遍讀論文法」落地成可執行流程：用 5–10 分鐘做海選、用 1 小時抓住方法與證據、再用「虛擬重做一遍」吃透細節。本文整合 Keshav 的 three-pass 與李沐老師的實作要點，附檢查清單與文獻綜述讀法。
- AI 對勞動市場的衝擊：從「理論能力」到「實際使用」的新衡量方式
根據 Anthropic《Labor market impacts of AI: A new measure and early evidence》整理：介紹「觀察到的曝光度」指標，說明哪些職業最暴露在 AI 之下、與就業成長與失業率的關係，以及對政策、企業與個人職涯的啟示。
- 推理模型為何「無法控制自己的思路」——反而是 AI 安全的好消息
OpenAI 最新研究發現，現有前沿推理模型幾乎無法依指令隱藏或改變自身的思維鏈（Chain of Thought），可控性最高僅 15.4%。這個「缺陷」不只不是問題，更是當前 CoT 監控機制值得信賴的關鍵理由。
- 不必苦練畫功！揭秘 LINE 貼圖的「邪修」快速上架指南：不會畫畫也能完成的上架教學
給不會畫畫也想做 LINE 貼圖、快速搞懂上架流程的創作者，從題材選擇、角色設定到工具與實作的一條龍 LINE 貼圖上架教學，走一條不靠高超畫技、專攻「題材 x 流程」的邪修路線。
- 打造有效的 AI Agent：架構模式與實作策略總覽
根據 Anthropic《Building Effective AI Agents》整理：從單一 Agent 到多 Agent 協作、常見架構模式、工作流設計，以及如何依控制需求、問題複雜度與資源選擇合適架構。
- BloomRender 操作手冊：從文字生圖到證件照、形象照、旅遊照與虛擬試穿
BloomRender 是以 Google Gemini 驅動的 AI 照片工作室。本篇詳述文字生圖、AI 證件照、編輯器微調、形象照、旅遊照與虛擬試穿的完整操作流程與建議學習路徑。
- AI IDE、Code Agent 與 Vibe Coding
從傳統 IDE 到 AI 協作，軟體工程的重心正在從實作能力轉向問題定義與系統設計。我對 Vibe Coding 的理解：在不確定性中建立可控的開發流程。
Looking for an AI platform or Agentic AI partner? I help teams ship enterprise-grade RAG, multi-agent, and real-time AI systems.
Contact