SERIES
AI agent 開發
彙整發包、記憶管理、成本分層與治理四個面向，說明如何有系統地使用 AI agent 處理日常工作。
系列・共 7 篇
- 1
learning
為什麼你的 AI 越用越貴、產出還越來越雜？先把它當「預算」管，別當「工具」用
很多人用 AI 的方式，是把它當一個永遠不會累的免費工人——結果帳單越滾越大、產出越堆越雜。這篇提出一個換框架的想法：別把 AI 當工具，把它當一條有損益的產線來管。先拆給你看 AI 產能的三個成本源，再示範怎麼把「越用越貴」這件事，變成一個你算得出來、控得住的預算問題。
- 2
learning
別用同一個模型做完所有事：AI 的成本結構，該像人力一樣分層配
你不會請一位資深顧問去幫你影印，但多數人用 AI 就是這樣——不管大事小事，都丟給最強、最貴的那個模型。這篇把 AI 的成本結構翻成人力配置的語言：該像一間公司一樣，把工作分層，簡單的交給便宜的、難的才動用貴的。先給你三層分工的大框架，再示範怎麼判斷一件事該派給哪一層。
- 3
learning
脈絡稅：為什麼對話越長越貴又越笨——管好 AI 的「記憶預算」
你有沒有發現，跟 AI 聊得越久，它反而越容易忘東忘西、答非所問，帳單卻越來越高？這不是你的錯覺，是一種叫「脈絡稅」的隱形成本。這篇解釋為什麼對話越長越貴又越笨，並把「管好 AI 的記憶」變成一件像編預算一樣可以操作的事——決定什麼該讓它記、什麼該讓它忘。
- 4
learning
發包：學會把工作「派」給 AI，而不是自己盯著它做
多數人用 AI 的方式，是站在它旁邊一步一步盯著——這其實跟自己做沒差多少，只是換個人打字。真正能放大產能的，是學會「發包」：把一件事的目標、規格、驗收標準交代清楚，讓它自己跑，你只驗收成果。這篇把發包拆成一套可操作的協定，教你從「監工」升級成「發包方」。
- 5
learning
AI 產能規模化後怎麼確保它不亂來：護欄、稽核、可追溯
當你會發包、AI 幫你做的事越來越多，一個新問題浮現：它偶爾會安靜地闖禍——用了錯的資料、給了你查不到來源的答案、做了你沒授權的事。這篇談 AI 治理的三層框架：護欄（不讓它做不該做的）、稽核（事後查得到它做了什麼）、可追溯（每個產出都找得回根據），把「放手用 AI」變成「放心用 AI」。
- 6
learning
鬆綁：Anthropic 刪掉八成的 AI 指令，它反而變聰明了——新一代 AI 的使用規則
Anthropic 在 Claude 5 世代做了一件反直覺的事：把自家工具的系統指令刪掉八成以上，效能不但沒掉，還變好了。這篇把官方新版「脈絡工程」的六條規則翻成一般人聽得懂的話——為什麼規則寫越多 AI 越笨、什麼該交給它判斷、什麼才值得白紙黑字寫下來。你跟 AI 的相處方式，可能該從「管小孩」換成「帶資深同事」了。
- 7
learning
我花了 165 美金，買到 35 萬台幣的 AI 工作量——攤開兩個月的帳單與 82 億 token
這個系列的六篇文章、網站上的工具、每一張配圖，都是同一套自動化系統做出來的。這篇不談方法，只攤帳：四筆實際付款總共 165.30 美金（約新台幣 5,344 元），同一段時間跑掉的工作量按官方單價估算是 10,857 美金（約 35 萬台幣），倍數 65.7 倍。而這 35 萬還是有快取的價錢——同樣的 token 量若不做快取要 4.8 萬美金，約 156 萬台幣。逐筆金額、逐個模型、四張後台截圖全部公開。