全部文章.85 篇

Claude Code 的客製化機制有 5 層——CLAUDE.md、Skill、Subagent、Hook、 […]

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 […]

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 […]

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 […]

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 […]

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。

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。

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。

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。

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 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。

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。

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。

從 Chunking 策略到 Top-K 設定，建 RAG pipeline 的六個關鍵選型決策完整記錄。每個決策寫清楚考慮了什麼、選了什麼、為什麼、犧牲了什麼。用 200 份中英文混合文件的實際數據驗證，附 pipeline 效能指標。

200 份文件的知識庫，該不該用 RAG？實測三組 baseline：Context Stuffing 14 檔 88 分、64 檔 93 分、關鍵字搜尋 59 分。結論：小資料集不需要 RAG，但關鍵字搜尋的語義歧義讓跨文件問題崩壞到 1.80 分。附人工覆核驗證和 token 計算。

用白話拆解四種資料檢索方法的原理和 trade-off：向量搜尋靠語義、BM25 靠精確匹配、Hybrid Search 兩者互補、知識圖譜做多跳推理。大部分企業場景用 Hybrid Search 就夠了。附選型建議和常見問題。

NVIDIA 推出 OpenShell，作為 NemoClaw 開源堆疊的治理層，專門解決自主 AI Agent 在安全、能力、自主三者之間的根本矛盾。核心設計是「程序外政策強制執行」，把安全限制放在 Agent 執行環境之外，讓 Agent 就算遭到 prompt 注入攻擊也無法繞過。三層架構（沙箱、政策引擎、隱私路由）分別對應技能隔離、行為管控、資料分流三個面向，相容 OpenClaw、Claude Code、Codex、Cursor，零程式碼修改即可部署。

設計三個專職 AI Agent 處理企業內容生產：文章寫手、網路資訊專家、網站架構師。單篇產出從 3-6 小時壓縮到 30-60 分鐘，從素材到上線全流程自動化。完整拆解 Agent 拆分邏輯、人機分工邊界、AI 填補偵測機制，以及實際踩過的坑。

Anthropic 對 159 國、81,000 名 Claude 使用者進行史上最大規模 AI 質性研究。67% 持正面態度，但最深刻的發現是：人們同時抱持期待與恐懼，受益最多的使用者也最擔心依賴。開發中國家比已開發國家更樂觀，因為 AI 是繞過資源門檻的均衡器。前四大需求加總超過 57%，指向同一件事 — 人們不想用 AI 做更多事，而是少做不重要的事。