TS 資訊科技與人才培育: 6月 2026

6/26/2026

我也是大師!

年初因為想要改善腦霧情況，決定來學點以前不會的東西，那時候決定學西洋棋，細節可以看這篇。

網路下棋的網站app主要有兩個，chess.com 跟worldchess.com。其中chess.com應該是全世界最大的西洋棋app/網站。他的特點就是功能很多介面也很不錯，使用人超級多，如果願意付錢的話有各種教學功能。worldchess.com是第二大，但它有個獨特優勢，他是世界西洋棋聯合會（FIDE)的app/網站。世界西洋棋聯合會不是小組織，每年預算有兩千多萬歐元（大概八億台幣），是個聯合國與奧委會旗下的國際組織，除了辦比賽規則制定之外，就是頒發頭銜，例如Grandmaster「特級大師」就是比賽到某種情況，累積到某種積分加上拿過幾次冠軍，被世界公認成西洋棋最厲害的人，就是特級大師。

對於一個中年才開始學西洋棋的我來說，一開始覺得要拿到頭銜是根本不可能，不過，後來研究一下FIDE，它為了推廣西洋棋，會特別為了線上比賽弄出比較簡單的頭銜(title)，最低階段的頭銜是要積分抵達1100之後，參加50場以上錦標賽，「都必須」維持在1100分以上，就可以拿到最低的頭銜Arena Candidate Master(候選大師)。FIDE這策略相當不錯，讓人有一種情緒價值。特別是，由於這是正式頭銜（雖然沒太大用途）但要能參與錦標賽，即便是線上，還是要求要有完整的KYC，台灣的話必須上傳護照！而且畢竟是奧運組織，上傳護照能選的國籍就是那個Chinese Taipei，剛開始看到心情不太好，但沒辦法，只要是聯合國/奧委會旗下的組織，我們只能選這個啊。

對於真正高手來說，1100分是一個很基本的門檻，如果是青少年頭腦夠清楚，能夠系統性學習西洋棋，是有可能在一兩個月就達到1100分。1100對於西洋棋手來說，像是一個你熟知規則，能好好的比賽，如此而已。

而每次錦標賽都可以贏或者輸，輸贏都會根據一個統計的公式，計算你與對方的差距，來決定加分多少減分多少。但如果低於1100，這50場就要重算，也就是說最保險的當然是積分要試著維持在1200左右，這樣不小心輸幾場也沒關係。

總之今年過年時候制定的目標，前兩個月真的很痛苦，因為輸多贏少，積分離的好遠。對於中年才學西洋棋，又是自學的人而言，學習雖然快樂，但輸了還是不爽啊。

但學習訂定目標是對的，至少知道自己程度怎麼樣。

最後在兩個月前，勉強抵達最低積分1100，但是還得苦撐50場錦標賽才行。

終於在今天傍晚，達到了50場，而且積分非常的勉勉強強在1160。這時候FIDE的網站，真的就頒發了Arena Candidate Master(候選大師)的證書。

這種心理自己滿足的成就，好像已經很久不曾體驗。

稍微算了一下，這半年參加錦標賽（就是有確切開始結束時間要報名的比賽）大概200多場，而練習賽（就是隨時都可以按比賽，由系統自動媒合陌生人比賽）大概300多場。前兩個月輸多贏少，最近才開始慢慢贏多輸少。

學習西洋棋對我真正的好處其實是讓頭腦的另一個部分運作，因為covid19的腦霧，感覺好一點？也有可能是心理作用吧。但我還是沒辦法擺脫人的慣性，拿到頭銜之後，應該會休息一陣子吧:)

6/21/2026

沒辦法阻止你養的龍蝦去刪檔案

在 OpenClaw 與 Hermes 等完全自主託管（Fully Autonomous）的 AI Agent 架構中，試圖單純依賴提示詞技巧（Prompt Skills）來絕對阻止 AI 經由自主判斷刪除檔案，在架構上是完全不可能實現的，慘劇早在新聞中傳播許多。這項技術結論在近年許多 AI 安全與系統研究中皆得到了證實。

提示詞的本質缺陷與工具調用的不可逆性

大型語言模型（LLM）的行為本質上是基於機率的非決定性（Non-deterministic）輸出。提示詞在 Agent 系統中屬於「軟性約束」，而非作業系統層級的「硬性隔離」。
在 OpenClaw 等工具的架構設計中，AI Agent 的核心能力在於「工具調用（Tool Use）」。系統會向模型提供如 exec（執行 Shell 指令）、write 或 edit 等基礎工具。當 AI 進入自主循環時，一旦它基於上下文推理，誤將某個重要檔案判定為應清理的暫存檔，模型就會輸出調用工具的結構化文字。

根據學術界對大語言模型安全對齊的研究指出（如 Zou 等人的 *Universal and Transferable Adversarial Attacks on Aligned Language Models*），透過特定的複雜上下文或對話，LLM 的安全限制可以被完全繞過。這證明了基於機率生成的 LLM 無法透過純文字達到硬性安全。

此外，當 AI Agent 具備自主讀取外部資料（如網頁、檔案）的能力時，還面臨更嚴峻的資安漏洞。研究 *Not What You've Signed Up For: Compromising Real-World LLM-Integrated Applications Via Indirect Prompt Injection* 證實，外部資料中的惡意文字可以輕易覆寫（Override）系統原先設定的 System Prompt。因此，即便在提示詞中嚴格限制不可刪除檔案，一旦 AI 讀取到含有惡意指令的外部檔案，該提示詞限制就會直接失效。
完全託管模式的特性，就是將模型輸出的指令直接交由底層 Gateway 執行，中途沒有任何人工審查。一旦工具指令生成，執行的結果就已經由作業系統內核決定。提示詞具有漂移、幻覺以及極易受到外部輸入污染的特性，在執行階段完全失去控制力。

安全隔離與代理能力的本質兩難

為了防範 AI 自主失控造成的檔案破壞，技術上最常見的直覺作法是實施硬性限制：降低作業系統的使用者權限，或者將 Agent 完全限縮在純 Docker 容器的沙盒（Sandbox）環境中。
然而，這種防護手段會直接導致 Agent 陷入實用性與安全性的本質兩難。
基準測試研究 *SWE-bench: Can Language Models Resolve Real-World GitHub Issues?* 在使用沙盒環境測試 AI Agent 解決真實任務時指出，為防止 Agent 損害主機而實施的嚴格權限限制，會直接導致 Agent 無法安裝必要套件、無法訪問特定本機資源，大幅降低處理複雜現實任務的成功率。

當我們將 AI 完全封鎖在純 Docker 環境或極低權限的帳戶下，雖然保護了主機檔案的安全，卻也剝奪了 AI Agent 作為「全功能代理人」的核心價值。OpenClaw 這類工具之所以強大，是因為它能幫使用者清理收件匣、編譯本機程式碼、操作本機環境。如果缺乏足夠的 OS 執行權限與檔案讀寫權，AI 將無法調用編譯器、無法讀取本機關鍵上下文、無法與其他系統軟體互動，最終退化成一個只能進行文字對話、無法真正落地執行複雜本機任務的常規聊天機器人（Chatbot）。
指望透過 Prompt 技巧來兼顧「完全放權」與「絕對不刪除檔案」在邏輯上是相悖的。給予 AI 真正具備操作現實世界的代理能力，就必須承擔提示詞被繞過或幻覺引發刪除指令的硬體風險；而純粹的沙盒硬性防禦，則是以閹割 AI 的主動執行能力為代價。這種兩難是當前自主託管 Agent 系統在架構上面臨的核心技術瓶頸。

這個問題是不可能解決，因此，在使用openclaw龍蝦, Hermes 之類的AI全面代理助理時，在特定條件下，應該讓agent把檔案存到一個結構上不可能被刪除的地方，例如這裡閒貓典藏利用先天結構來解決重要檔案可能被刪的問題。

6/10/2026

為了喝牛奶而養牛，為了養牛而經營牧場

為了喝牛奶而養牛，是以前一個老故事：有個想要獨居的老禪師，在荒野獨居很久，後來喝咖啡想要有牛奶讓他可以搞出熱拿鐵，但是附近沒人賣牛買啊，他索性就自己養牛，但他又不想每天照顧這隻牛，後來又聘了牧童，因為有了牧童，養一隻牛經濟效益不合，就乾脆養很多隻，養了很多隻就得搞個牛舍，搞了牛舍又有需要雇用農夫來經營牛舍，就這樣圍繞著獨居禪師，慢慢地竟然開始形成小聚落，慢慢變成小村落...

這個比喻描述了為了滿足單一需求，卻最終落入必須投入成倍資源與成本的困境，但說是困境也不然，只能說獨居禪師也不太想真正獨居。這個概念的核心在於，原本只是想簡單解決的問題，在追求「自主掌控」的過程中，意外地催生了一連串複雜的附屬任務：聘請牧童、興建牛舍、申請執照、員工教育訓練以及安排動物防疫等。一件簡單的事，最終演變成需要營運整個牧場的繁瑣工程。

最近，我在數位生活的需求上也面臨了同樣的狀況。由於工作與組織運作的需要，我購買了自己的網域，並希望能將個人電子郵件與此網域掛鉤。原本的解決方案是使用 Google Workspace，付費即可整合 Gmail 服務，但其按人頭收費的商業模式，對於擁有少量郵件往來或小型非營利組織的用戶而言，成本顯得極不划算。市面上雖然存在郵件轉寄（Email Forwarding）的替代方案，能以較低成本處理多個信箱，但在嘗試後，依然覺得這筆長期付出的訂閱費用與我「僅是為了轉寄信件」的初衷有違。

面對這種「小需求卻伴隨高隱形成本」的兩難，我曾思考過是否要動手架設自己的郵件服務。然而，「為了喝牛奶而養牛」的陰影立刻浮現，一旦開始動手，後續的維護、伺服器設置、防垃圾郵件機制等工作便會隨之而來。過去要實現這種架構，往往需要具備後端、前端、部署與架構規劃的多名工程師分工合作，如果要自己做也是可以，但耗時費力，短則數週，長則一兩個月，對還有工作的個人開發者而言幾乎是不可能的任務。

但我突然想到，在開發上，現在有人工智慧工具啊！搞不好養牛是划算的。透過 AI 輔助，將這場「養牛」的挑戰，搞不好可以轉化為現實，甚至將其轉變成一個可行的商業服務。所以就先用 AWS 的 SES 處理郵件傳輸，結合 GCP 的 Firebase 管理使用者登入驗證，並將靜態網頁託管在 GitHub Pages 上。這套跨平台架構雖然複雜，但有了 AI 作為 Agent，我不用再需要花心思處理瑣碎的設定與 Debug，而是將心力放在架構設計與實作規劃上。

整個專案的實作效率驚人，原本估計如果是自己做需要數週的開發週期壓縮至三個工作天內完成。透過與 AI 的來回修正，那些煩人的驗證機制、資料庫串接與雲端部署等難題都可以相對比較快搞定，可以順利的將每月九美金的服務費用降至趨近於零，更建立了一套具備擴充性的管理平台。這是一次典型的「為了喝牛奶而養牛」，在過程中不僅得到了牛奶，還順手蓋出了一個可以自己運作的看似成熟的系統。可以想見，現代工程師與 AI 協作的關鍵轉變：我們不再需要依賴龐大的團隊處理瑣碎邊緣事務，而是能以個人之力，掌握核心技術，將複雜的系統化繁為簡。

這個故事其實還有後續，有機會再寫另一篇

6/01/2026

你要的是「純AI運營系統」而不是AI員工

AI 員工（Agent）最近幾個月瘋狂成長，有些 repo 甚至已經包山包海地提供超過 120 個 Agent 橫跨各種系統。根據 Belitsoft 的預測，2025 年 AI Agent 市場規模達 80 億美元，2026 年預計成長至 118 億美元，年複合成長率高達 46.61%。這種爆炸性成長的背後，有一個關鍵問題值得我們停下來思考。

AI Agent 確實可以提高工作效率，但他很有可能造成類似 Rube Goldberg machine（魯布·戈德堡機械）的化簡為繁的反效果。

魯布·戈德堡機械是一種刻意過度設計的裝置，以極度複雜的方式完成極為簡單的任務——這個比喻，正精準地描述了當今許多企業的 AI 導入現狀。許多經驗豐富的技術領導者和專家，仍不斷地將時間與預算投入到這種精心設計的複雜系統之中，還以為越複雜的架構就越顯得聰明，殊不知真正的簡潔才是更高的境界。

Token 浪費：已被數據證實的代價

如果大家只是拼命的利用 Agent 而不管彼此的合作，那巨幅浪費 token 是一定會發生。已經有許多公司在 2026 Q1 花費上百萬美元的 token，而做出的效果卻沒有想像中的好。

這一現象有個專有名詞，叫做「Tokenmaxxing」——公司把消耗 token 的數量當成員工 AI 生產力的衡量標準，鼓勵工程師拚命使用 AI 工具。結果走火入魔：Amazon 的部分員工甚至讓 AI 去執行毫無意義或不必要的任務，只為了拉高 token 使用統計數字，因為管理層已將此作為評估員工績效的指標。

事實上，Agentic AI 工具（能自主執行多步驟任務的 AI）所消耗的 token 量，是直接查詢大型語言模型的 1000 倍以上。這意味著，一個未經妥善設計的 Agent 工作流，可能在短時間內燒掉驚人的成本。許多Agent每次的prompt加入許多根本不需要的資訊，有些傳聞甚至說，公司員工會把整個公司可用的資料當作每次Agent的prompt，導致暴增的input token，而需要的資訊，可能只是「幫我找上次訂比薩的電話」這種蒜皮小事。

更多例子像是：Uber 宣布在 2026 年僅前四個月就燒光了全年的 token 預算，部分原因是 Claude Code 的高度使用；Salesforce 執行長 Marc Benioff 則表示，今年的 Anthropic 帳單將高達約 3 億美元。最終，Meta 撤下了員工自發建立的 Tokenmaxxing 排行榜；Microsoft 也在多個核心產品部門取消了 Claude Code 的訂閱；Uber CEO 明確表示，Tokenmaxxing 與實際出貨任何有價值的成果之間，並沒有關聯。

這背後的原因在於，隨便花費錢(token)當然容易，但如果沒有朝向整體化設計，那效果會很糟。企業高層真正在意的不是每個 token 的成本，而是每個「結果」的成本。那些將衡量指標對準業務成果的組織，表現遠優於那些只優化推論效率的組織。

企業其實要的是「純AI運營的系統」

企業，特別是新創公司，其實要的是「純AI運營的系統」，而不是每個地方有一個更好用的 AI Agent。

如果說 2025 年是企業學習「用 AI 建造」的一年，那 2026 年就是企業學習「以 AI 原生方式運營」的一年。AI 不再只是輔助人類工作的工具，它正成為企業運營中的自主參與者。這種轉變，要求的不只是多採購幾個 AI 工具，而是整個企業架構思維的根本重塑。
然而，Gartner 預警，超過 40% 的 Agentic AI 項目有在 2027 年前被叫停的風險；目前只有 21% 的組織對自主 AI 代理擁有成熟的治理模型。問題的核心不在技術，而在於許多企業只是在舊有流程上貼了一層 AI，而非從零開始重新思考作業系統的設計。

到目前為止，「純AI運營的系統」還是需要經過妥善設計的以及擁有領域背景，智人週刊就是一個典型範例。雜誌週刊公司，是一個從 1605 年開始就有的出版業。他的作業流程從 1760 就幾乎定型沒有改變：

邀稿與撰寫
手工排版（無論是手工還是電腦）
圖像製作（無論是木刻版圖、油墨印刷還是電腦製圖）
印刷（無論是哪種印刷技術，或者只是編排在 PDF 特定位置）
裝訂與發行（無論是傳統送信，還是用 email）

這五件事情已經三百年沒有改變，即使是有電腦網路，也只是加快速度而已。這正說明了一件事：流程的本質沒變，只是工具換了。如果 AI 只是被當成「更快的工具」插進舊流程，那它終究只是加速了一個三百年前設計的系統，而非真正的革新改變。

但是，「純AI運營的系統」可以讓整個過程有系統性變化！例如，撰寫與圖像製作可以先行完成、可以先行審閱，而且編排印刷與發行可以同時進行不同 AI 製作的版本。

更重要的是，每個階段都可以由「總編輯」校稿修正。成功的 AI 原生組織，是那些將 AI 視為業務運營核心設計原則的組織，而不只是把 AI 作為提升效率的附加工具。「總編輯」這個角色，正是系統中保持人類判斷力與品質把關的關鍵節點，它不是取代 AI，而是讓整個系統在自動化與問責之間保持健康的張力。

---------

2026 年，競爭優勢不屬於擁有最先進模型的公司，而是屬於那些在 AI 調度上最具經濟紀律的公司。衡量 token 消耗量的組織會停滯不前；衡量業務成果的組織才能持續擴張。這個在新創特別更是如此。

我們需要的是「純AI運作企業」還是僅僅只是更多的 AI 員工？一個設計精良、朝向整體化的 AI 運營系統，遠比一百個各自為政的 AI Agent，更能帶來真正的競爭優勢。