熱血漢誌 - 技術新鮮人到技術經理人，必懂的事

最近在看 Anthropic 剛推的 Claude Skills，官方文件把這東西定義成「AI 的職前訓練手冊」。 根據 Anthropic 官方定義與技術文件，所謂的「Claude Skill」（正式名稱通常稱為 Agent Skills ）是一個非常獨特且強大的功能模組。 關於 Claude Skills 的官方技術文件，看完後確實很有意思。 特別是它提到的核心概念： 「漸進式揭露 (Progressive Disclosure)」 。 簡單說，以前我們寫 Agent，是把所有規則一次塞給它；但 Claude Skills 是讓它像人類員工一樣，平常只知道自己「有這個技能」，等到真的要寫信、分析報表時，才去打開那個 SKILL.md 檔案讀 SOP。 這在邏輯上非常合理，把 Token 省下來，準度也提高。但當我試著把官方範例那個 professional-email-writer 真正放進商業流程跑過後，發現這中間有些「理論與實戰」的摩擦點 一、 Claude Skills 有什麼特別之處？ 與一般 LLM 的「Tool Use (Function Calling)」不同，Claude Skills 的設計核心在於 「漸進式揭露 (Progressive Disclosure)」 與 「情境注入」 。 漸進式揭露 (Progressive Disclosure) - 最核心的差異 一般做法： 通常我們會把所有規則寫在一個超長的 System Prompt 裡，這會佔用 token 且讓模型分心。 Claude Skills： 技能以資料夾形式存在。Claude 平時只知道「我有這個技能的名稱與簡介」 。只有當你要求它執行相關任務時，它才會「打開」這個資料夾，讀取裡面的 SKILL.md (詳細指令) 與相關檔案。這極大地節省了上下文空間，並提高了執行精準度。 檔案系統導向 (Filesystem-based) 一個 Skill 就是一個資料夾。裡面可以包含說明書 ( SKILL.md )、範本 ( templates/ )、甚至可執行的程式碼 ( scripts/ )。Claude 可以像人類員工一樣，去翻閱這個資料夾裡的參考資料或執行裡面的腳本。 模組化與可攜性 你可以把「撰寫 Code...

Vibe Coding 經過一年的發酵，年底這波討論真的蠻有意思。 Steve Yegge 在 Latent Space 喊出：「拒絕 AI 的資深工程師，兩年內會被降級成 Intern。」這句話乍聽之下很聳動，像是為了流量的暴言。但仔細拆解他的邏輯——從 IDE 手寫轉向 Agent Orchestration——這其實不只是技術迭代，更像是工作流程的重構 (Refactoring)。 作為一個經歷過 Node.js 剛出來那段混亂時期，到現在看著 GenAI 改變開發流程的人，我覺得這個「警鐘」邏輯是通的，但實際落地時，摩擦力比想像中大。 // 資歷 12-15 年的這群人（剛好也是我這輩），肌肉記憶最強。要放棄自己最擅長的「精準控制」，轉而去「協調」一群還偶爾會幻覺的 Agents，這中間的轉換成本 (Switching Cost) 其實比想像中高。 這不是能力問題，是信任機制的問題。 // 所謂的 Orchestration，說穿了很像在當 PM 或 Tech Lead。以前是自己動手修 bug，現在是要寫清楚 spec 讓 Agent 懂。這意味著新一代的 Engineering，核心技能可能不再是 Syntax 的熟練度，而是把模糊需求轉化為精確 Context 的能力。 // 這把火不會只燒到工程師。如果工程師被要求變成 Agent 的指揮官，那沒跟上 AI 的資深副總、老董，甚至是一整間企業，會不會在幾年內被降級成「傳統產業」？ 未來的職缺或許不只是「AI 工程師」，而是需要大量的「AI 策略修復者」來 Debug 舊組織的決策流程。 這一塊其實我也還在測試邊界。 我自己這一年在寫一些新的專案時，確實發現花在 Prompting 和架構設計的時間變多了，那種「一行一行 code 敲出來」的掌控感變少了， 但產出的維度卻完全不同 或許未來的 Top Player，定義不再是誰 code 寫得多快，而是誰能最快把商業邏輯翻譯成 Agent 聽得懂的語言？從 Developer 變成 Architect + PM 的混合體。 這題想聽聽大家的體感，你們開始感受到這種「角色轉移」的壓力了嗎？

Seeing the recent buzz about AI usage on my feed really got me thinking. As someone who has written code, built algorithms, and is now managing physical products at Cymkube, I’ve noticed that most people still use AI with a Web 1.0 "Search" mindset. They ask a question and expect a standard answer. To me, that’s like driving a Ferrari to the grocery store—you’re only utilizing 1% of its performance. Back when we were building crawlers or optimizing SEO algorithms, the core challenge wasn't just "fetching" data, but "cleaning" and "structuring" it. The same logic applies to AI collaboration today. If you only do the first layer of questioning, you’ll only ever get "Wikipedia-style" general knowledge. To generate commercially viable Insights, you need a system architecture mindset. This perfectly validates the concept of "Iterative Prompting." I’ve broken this process down into three layers—this is the standard SOP I use eve...

這幾天在社群上看到關於 AI 使用的討論，讓我非常有感。 作為一個寫過 Code、搞過演算法，現在在做實體產品（ Cymkube ）的人，我發現很多人用 AI 的方式， 其實還停留在 Web 1.0 的「搜尋」邏輯 。也就是問一個問題，期待一個標準答案。 但在我看來，這就像是開著法拉利去買菜——你只用了它 1% 的效能 (笑)。 以前我們在寫爬蟲或做 SEO 演算法時，最核心的邏輯不是「抓到資料」， 而是如何「清洗」並「結構化」這些資料 。回頭看現在的 AI 協作，其實也是一樣的道理。如果我們只做第一層的提問，得到的永遠只是維基百科式的通識；要產出真正能商業變現的 Insight，必須要有系統架構的思維。 這完全驗證了所謂的 「迭代式提示工程」（Iterative Prompting） 。我把這個過程拆解成三個層次，這也是我現在每天用來 Debug 商業問題的標準 SOP： L1 廣度掃描 (Information Acquisition) 這是大多數人停下的地方，把 AI 當 Google 用。 在這個階段，我只求「全貌」。就像剛接手一個新專案，我要先看懂所有的文件。重點不是精確，而是建立框架。 技術視角： 就像是發送一個 GET 請求，先把 Raw Data 抓回來再說。 L2 深度挖掘 (Keyword Interrogation) 這是分水嶺。高手的做法是從 L1 的回答中，抓出那些「行話」或「關鍵變數」。 我不懂某個技術名詞？那個名詞就是金礦。我會拿著這個關鍵字對 AI 進行單點爆破：「你剛提到的這個概念，運作原理是什麼？為什麼它是關鍵？」。 技術視角： 這是在做 Data Parsing。從雜亂的資訊中提取出真正的 Feature，這通常才是解決問題的 Key。 L3 循環驗證 (Iterative Verification) 有了深度資訊還不夠，因為 AI 會一本正經地胡說八道（幻覺）。 我會要求 AI 角色扮演反方，或是拿 L2 的結論去打臉 L1 的資訊：「如果 L2 是真的，那你一開始說的 L1 邏輯是否有誤？」。透過這種交叉詰問，逼 AI 進行邏輯收斂，產出決策建議。 技術視角： 這是 Unit Test（單元測試）。確保輸出的邏輯是自洽的（Self-consistent），沒有 Bug 才能上線執行。 結語 AI 不只是一個「回答機器」，它...

This Generation Doesn’t Need a Boss: The Rise of "Super Individual Retail" as a New Species Traditional retail giants are facing a silent "terrorist attack." The opponent isn’t another multinational corporation with thousands of employees, nor is it a unicorn startup flush with millions in venture capital. Sitting across the poker table might just be a creator with a ring light in their bedroom, supported by a micro-team of three. They have no factories, no massive marketing departments, and perhaps not even their own inventory. Yet, the sales volume of a single collaboration T-shirt can rival the quarterly performance of a fast-fashion brand’s hero product. Their conversion rates during a single livestream can make a traditional brand’s CMO look at their Excel sheets and question reality. This isn’t simply "influencer marketing"; it is a genetic mutation in the organizational form of business. Welcome to the era of "Super Individual Retail." He...

當「超級個體」成為零售業的新物種 傳統零售巨頭們正在遭遇一場無聲的「恐怖攻擊」。 對手不是另一家擁有數千名員工的跨國企業，也不是某個拿了幾億融資的獨角獸。坐在牌桌對面的，可能只是一個在臥室架著環形燈的創作者，加上一個幾個人的微型團隊。 他們沒有工廠，沒有龐大的市場部，甚至沒有自己的庫存。但他們一款聯名T恤的銷量，可能抵得上快時尚品牌一個季度的單品業績；他們一次直播的轉化率，能讓傳統品牌的CMO（行銷長）看著自己的Excel表格懷疑人生。 這不是簡單的「網紅帶貨」，這是一場商業組織形式的基因突變。 歡迎來到「超級個體零售」（Super Individual Retail）時代。在這裡，一個人就是一支隊伍，這不再是修辭，而是財報上的現實。   巨人的黃昏與個體的黎明 過去的一百年，商業世界的邏輯是「規模經濟」。 為了賣出一瓶洗髮精，寶潔需要建立龐大的研發中心、僱傭數萬名銷售、買斷電視台的黃金時段。這是一場重資產的遊戲，只有大象才能起舞。 但現在，這套邏輯出現了裂痕。 核心衝突在於：消費者對「機構」的信任正在崩塌，而對「具體的人」的信任正在指數級上升。 當你在滑Instagram或TikTok時，你更有可能因為信任某個博主的品味而下單一款小眾香水，而不是因為看到了某個大牌鋪天蓋地的廣告。根據Forbes的數據，超過三分之一的Z世代曾經購買過創作者推出的品牌產品。 傳統品牌是「冷冰冰的Logo」，而超級個體是「活生生的人」。 在這個信任稀缺的年代，超級個體用「人格」繞過了傳統品牌花費數億元建立的「通路壁壘」。 這就是為什麼傳統DTC（Direct-to-Consumer）品牌依然覺得累，因為他們還在試圖把自己偽裝成一個大公司；而超級個體零售（Individual-to-Consumer）則直接攤牌：我就是我，你買的是我的價值觀，產品只是載體。 轉折點：當「鋼鐵人」穿上了戰甲 如果僅有影響力，那只是「流量變現」，還稱不上「零售革命」。 真正的轉折點發生在基礎設施的「樂高化」。 在過去，一個創作者想要做品牌，會被供應鏈、物流、售後搞得焦頭爛額。但這幾年，Shopify、Print-on-Demand（按需列印）、AIGC（生成式AI）以及各類SaaS工具的成熟，就像是給創作者穿上了「鋼鐵人」的戰甲。 這是一個「能力外包，靈魂內收」的關鍵時刻。 現在，一個超級個體只需要...