Keep Learning, Keep Hacking

分享關於技術、程式設計和生活的思考與想法

最新文章

Claude 降智風波的真相

Claude 降智風波的真相

過去一個多月，社群一直有聲音說 Claude Code「變笨了」。我自己也感覺得到：對話中段開始失憶、重複問同樣的問題，usage limit 也掉得比以前快。 4/23 Anthropic 發出 postmortem，承認確實有問題，而且不是單一事件，是三個獨立 bug 在 3 月到 4 月中疊加發生。 結論：核心 API 與模型推論層沒事，問題全部發生在 Claude Code 這個 harness 層。這件事對所有在做 AI 產品的人都有參考價值，因為它展示了一個殘酷的事實：模型本身沒退步，但使用者體感有可能因為不容易注意到的 bug 而退步。 三個 bug，三種失效模式 Bug 1：模型推理預設 effort 從 high 降到 medium（3/4 – 4/7） 3/4 那天團隊為了解決「UI 看起來卡住」的抱怨，把 Claude Code 的預設 reasoning effort 從 high 降到 medium，換取更低的 latency。影響 Sonnet 4.6 + Opus 4.6。 使用者的反應是：「感覺變笨了。」 後來客戶回饋很明確：寧願預設聰明

5 分鐘閱讀
AI agent 的外骨骼：超級個體增幅框架

AI agent 的外骨骼：超級個體增幅框架

每個超級個體都需要處理不同面向的工作，可能是開發、發表文章、錄製影片、工作專案，甚至事業體的各種事項。 在 Claude Code、Codex 這類 AI agent 出來後透過強大的工作能力，的確增加了很多工作效率 但有一個一直存在尚未解決的問題：個人化上下文 (personal context) 我自己使用 Claude Code 之後的真實痛點是 跟 AI 聊了一個多小時，討論某個技術決策，說清楚了背景、列出了取捨、最後達成共識。 隔天打開新對話時，我要先解釋一次背景、技術偏好，還有上次那個決策的脈絡…… 就這樣，「準備工作」用掉了十分鐘。 每次都要重新交代一遍雖然是一種低度的、持續的消耗，但相當耗費「認知切換負擔」。 重複要回想進度、找資料並且交代 AI 久了真的會心累 有嘗試過像 Mem0 這類記憶工具，但總是用起來不是很順手。 因為這類工具基本上就是用不同方式儲存的「資料庫」 資訊固然是記得，但每次 AI agent 去讀取這些資訊後都還要重新「消化」 直到我看到了鴨哥分享的 context-infrastructure ，馬上就知道這就

6 分鐘閱讀
你跟 AI 說了那麼多，它為什麼每次都失憶？

你跟 AI 說了那麼多，它為什麼每次都失憶？

每次開 session，你先做的不是工作，是「準備工作」 你今天要推進一個功能，或者解一個 bug。你開了一個新的 AI session，準備請它幫你。 因為 LLM 本質是一個無狀態，所以導致一個問題：它什麼都不知道。 你要先解釋這是什麼專案、技術棧是什麼、這個功能的背景是什麼。相關資料在哪裡？需求在 Notion 或某個 Google Doc；上次討論這個問題的 AI 對話已經關掉，來龍去脈消失了；相關的程式碼在三個不同的資料夾；前幾天在 Slack 跟同事確認過的一個設計決策，現在要回去翻、複製貼上。然後把這些拼在一起，用幾段話解釋給 AI 聽。 前置作業花了二十分鐘。然後 AI 幫你做了那個本來五分鐘就能解決的事。 明天，同一個專案，新的 session，整個流程重來一遍。 這個問題的惱人之處不只是「AI 不記得我是誰」。更根本的是：每一次工作，都要重新把散落在各個地方的 context 收攏起來、餵給 AI，它才能真正幫上忙。 你的工作記憶分散在 Notion、GitHub、Slack、本地資料夾、上個 AI session——而每個新 session

9 分鐘閱讀
insights
Advisor Strategy：一個讓我改變 Agent 架構思維的小模式

Advisor Strategy：一個讓我改變 Agent 架構思維的小模式

Anthropic 最近發布了一篇技術部落格，介紹他們稱為 Advisor Strategy 的 agentic 架構模式。讀完之後我覺得這件事比表面看起來更值得思考——不只是因為數字漂亮，而是因為它在反駁一個我們長期以來幾乎沒在質疑的直覺。 你一直以為的那個直覺 大多數人設計 multi-agent 系統的時候，直覺是這樣的： 聰明的大模型在前面規劃、分解任務、做決策；小模型在後面執行細節。 這是一種自然的類比——就像公司裡的層級架構，CEO 不做 Excel，工程師不定策略。合理。 但 Advisor Strategy 把這個邏輯倒過來了。 顛倒的架構 核心想法其實很簡單： 讓小模型（Sonnet/Haiku）主導執行全程，只有在遇到真正困難的決策時，才去「請教」大模型（Opus）。 大模型在這裡扮演的是 advisor，而不是 orchestrator。它不調用工具，不產出給使用者看的輸出，只提供一次性的判斷或建議，然後退場。 技術上，這是透過 Messages API 裡一個新的 advisor tool 實現的，單一

4 分鐘閱讀
insights
好文分享 -〈深耕垂直軟體十年：我如何看待這波拋售〉

好文分享 -〈深耕垂直軟體十年：我如何看待這波拋售〉

原文：https://www.linkedin.com/pulse/10-years-building-vertical-software-my-perspective-nicolas-bustamante-foczc 點評： 這篇文章分析了軟體產品（尤其是 SaaS）傳統的 10 大護城河，以及 AI 出現對軟體的影響和展望。 對於近期我在規劃開發軟體產品與傳統大公司的軟體與系統競爭，以及未來開發軟體產品的趨勢（有了 AI 加入後），這篇文章給了我許多 insight，也和我感受到的趨勢大致相同。所以我將原文翻譯成繁體中文，並花了一些時間校對和編修，給有興趣的讀者可以更方便的閱讀。 未來我會再寫一篇我對於這 10 個護城河衝擊的觀點，以及面向正在開發軟體系統或是產品的工程師們，要怎麼去因應。 以下原文： 在過去幾週內，軟體與服務類股市值蒸發了將近 1 兆美元。 FactSet 從 200 億美元高點跌到不到 80 億。 S&P Global 在短短幾週內 下跌 30%。 Thomson Reuters 在一年內 市值幾乎腰斬。 由 140 家公司組成的 S&P 500

34 分鐘閱讀
insights
【開發筆記-1】如何從頭安裝 Python 環境與 Poetry 2.0 設定

【開發筆記-1】如何從頭安裝 Python 環境與 Poetry 2.0 設定

2025.02.09 新增總結 最近因為想在家運行 LLM 和開發相關專案，添購了一台 Mac mini M4 於是又重啟了每個開發者必經的「環境安裝」天堂路 🥹 想必每個人的菜鳥時期都有經歷過這一段，深夜在爬各種 Stack Overflow, Github issue… 幸好生成式 AI 的出現，讓這一段天堂路痛苦指數直接打 2 折有吧！ 但是還是有蠻多坑可能會遇到的，尤其是有在用 Poetry 的朋友 因為 Poetry 2.0 的更動蠻多，所以趁這個機會順便也記錄一下 💡注意：本篇以 MacOS M4 的安裝環境為主 ▋安裝 Python 首先在 MacOS 中安裝軟體和套件，我們最好有 package 管理工具 package 的依賴 (dependency) 管理真的很重要啊！！！！ * 尤其 MacOS 的環境如果弄髒了通常處理起來會很麻煩，這裡我推薦新的電腦都先安裝 Homebrew 官方安裝指令： $ /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew

3 分鐘閱讀

開啟進化筆記的起點

原文發表於 Tue, 14 Mar 2023 03:58:08 +0000 存在主義哲學之父，齊克果(Søren Aabye Kierkegaard)：「果敢行動只會片刻失足，不敢行動則會失去自我。」 從小到大我特別喜歡學習新知，科學、文學、藝術、溝通、命理...不斷汲取知識的我，在現有的教育環境之下，唯一的輸出管道就是學校考試。想當然爾，能夠輸出的深度、廣度都和輸入的不成正比。雖然許多東西內化成思維方式、想法、喜好、人生觀等，屬於人類靈魂的一部分。但許許多多的記憶與點子還是逃不了天生的遺忘機制，消失在時間洪流之中。 不斷的吸收卻沒有辦法保留下來，化成行動，得到回饋。無論是正向還是負向的回饋。在有一天騎車通勤的路上，突然意識到這樣無法得到回饋的死路，最終消磨的是行動的動機。又有誰願意對著得不到任何答覆的話機，滔滔不絕好幾天呢？ 於是有了「輸入」 -> 「輸出」 -> 「行動」 -> 「輸入」的點子。 期許知識的輸出可以做有效的累積，醞釀成更有意義的知識。期許知識的輸出可以增加自己的影響力。期許知識的輸出可以化為行動的力量，為下一個關卡的突破帶來動能。期許知識的輸出可以幫助其他在

1 分鐘閱讀