跳到主要內容

時尚的香港,破碎的殘像

時尚的香港,破碎的殘像



以前對於香港的印象,就是停留在『購物天堂』,好逛好買的好地方,敝人實在沒有去過香港,這近日有幸前往一探究竟,感想但是只有兩個字『可惜』。

服務業的態度

那天天空還微微下著小雨,好不容易在九龍地區挑了一間茶餐廳,看著服務員忙裡忙外好不熱鬧,裡面也有許多人在內部用餐,選定位置坐下之後,持續看著服務員裡裡外外進出,但是似乎沒有空幫忙點餐,因此我雙手揮動數次,總算有個人願意來幫忙點餐了,心中還帶著一點小感激,服務員快速問我『要點什麼』,就在我還在感激的同時,口中一陣猶豫,三秒後,服務員就回應『想好再跟我說』,飛快的極速消失在我面前,只留下一陣錯愕的我。

原本以為這只是一個個案,但是在香港的時光中,點餐,吃飯,買票,只要是跟服務有關係的事情,都像是戰鬥一樣,不是快速,不然就是馬虎,敷衍帶過,服務業本著服務本質,卻沒有把客人心情放在心中,實在可惜。

街道與建築

香港的白天是如此的忙碌,抵達香港當天是一般工作日,大家的腳步比台北街頭的高根鞋正妹腳步還要快,我悠哉的徜徉在香港街道上,稍微顯得突兀。街道上人來人往,巷弄裡面卻感覺烏煙瘴氣,地上許多腐臭的味道,正確一點的說法是,許多地方會莫名飄來腐臭味,但是卻說不上來那種噁心的氛圍。

雖然眼前看到是華麗的大樓,以及車水馬龍的人們,身邊的建築都是現代化,高樓大廈,我原本以為只有市中心比較如此,也許到了香港城外就比較可以感受傳統的古色古香,或者比較當地特色的風景,但是在這裡那些木造建築,似乎被鋼筋水泥所取代,剩下的是那些老舊及無法拆除的屋子,在那搖搖欲墜,與旁邊的華麗建築呈現強烈的對比。

在我所看到的眼中,香港街道已經沒有特別的文化,特別的建築,當地的特色也不再顯著,所看到的是現代化的建築,名牌店家的成立,在一個街道裡面居然能夠有如此多間不同奢華品廠商進駐,堪稱為另類世界奇觀。

內陸與香港

香港人似乎特別不喜歡講北京話的我們,通常會把講北京話的人當做敵人般的仇視,連在機場內都可以特別感受到,當我用北京話與海關人員詢問時,他只不耐煩的回應『我聽不懂華語啦(香港腔)』,隨即撇頭而去,只留下一頭霧水的我,似乎這種態度好像要跟人對槓起來一樣,只能說無奈,無奈,無奈。

在餐廳,與店家,經常聽見陸客及店家爭吵,總之就是比誰嗓門大,誰大聲,是一個另類世界奇觀,在台灣這種情況其實很少見,頂多就是大聲兩三句,然後繼續講道理。但是陸客與香港本地人似乎就是很不合似的,很多地方都可以聽見此起彼落的吵架聲。

流失的文化

在香港的這段旅程,我看見的繁華的都市,以及刻意營造的華麗氣氛,雖然知道香港人收入比台灣多,但是看到餐廳及路邊攤的價格,讓我不禁為本地人捏了冷汗,如果連地攤價格都是如此高昂,除非全香港都是高階經理人,或者是高階主管,否則如何在這麼高價成本的地區生存?此時替是生活在台灣的人,感到一點點的『小確幸』。

當我搭車經過大歟山的時候,看到陡峭的山坡上正在進行著大樓的開發,在仔細回顧左右,卻看到大樓早已林立於此地,深深為當地居民感到遺憾,也為台灣能保有自己的山林而感到開心,香港因為地小已經被剝奪與自然共存的機會,老舊的房屋也無法保留,在地的居民早就不知道搬遷至何處,當我想要找人詢問這些地區古老的歷史時,卻只有看到年輕人擺著手搖著頭,他們不知道自己當地的文化,歷史的軌跡,以及建設的紀錄,甚至無法以香港當地居民為傲。

剩下的是成為金錢的奴隸,在主流媒體下成為另類被圈養的孩子,也許有一天這些人會成為很偉大的人,但是實質上會真的『窮到只剩下錢』。

台灣,會再度步上香港的軌跡嗎?也許台灣地大,可以撐的久一點,但是你還可以撐多久?你的小孩可以撐多久?我們還有多久?

留言

這個網誌中的熱門文章

Vibe Coding:為什麼 Junior 更快上手?Senior 要如何追趕?

現象層面(市場觀察) 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變,非常熱門。 身為 Cympack 產品開發團隊 ,我們也一直關注這個議題,在閱讀這篇文章時觀察到一些有趣的現象,對我們來說,這正好反映出 AI 正在改變開發生態,junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位,其中有些啟發(insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding? 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」,反而 embrace 快速迭代、快速出成果 反觀 Senior: 熟悉大型系統設計 有豐富的「工程正統流程」知識(架構設計、測試策略、效能優化、設計模式) 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師,對 prompt engineering 沒那麼熟練,還在觀望 技能面(未來的關鍵能力) Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢? Prompt 撰寫 / AI 互動 Junior 較強(熟悉 chat-based 流程) 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強(能看出潛在問題) 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding,並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力,但若不主動練習 vibe coding,長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享,希望帶給各位的感受, 『與 AI 協...

Vibe Coding 協作到自建 Dev Agent?從 Claude / Codex 到 OpenHands

過去一年,越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題,到後來很多人愛上 Cursor,直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗,已經大大改變了我們寫程式的方式。 更現實的是,在很多企業內部、政府單位、或涉及機密資料的專案裡, 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理,萬一專案裡有未公開的技術、敏感客戶資料,或是受限於法規 (像金融、醫療、政府標案) ,直接用雲端 AI 工具就會踩 紅線 。  因此,許多團隊反而更希望 「自己架一套 Dev Agent」 ,可以在內網執行,資料完全掌握在自己手上,該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline,全部客製化、安全可控。 這時候,像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手,而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署,從 CLI 操作到瀏覽器查詢, 從多檔案編輯到自動測試,全部都能自己完成,甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說,這是一條 從 「AI 幫你寫一段程式」,走向「AI 幫你解決一整個任務」 的進化路徑。而且,還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」,能模仿人類工程師從建立程式、修改程式碼、執行指令,到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端(OpenHands Cloud)與本地 Docker 運行版本,用戶能配置 LLM(如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用,又或者如果自己本機有 docker 的話,可以自己Local 版本透過 Docker 自架環境。 ...

Google Gemini 全端 AI Agent 快速入門 - 打造「思考」的 AI 助理

一套從搜尋、反思到輸出的全端 AI 代理人範例,讓你看懂什麼叫 Research Agent 在 AI 工具百家爭鳴的今天,大家都在問一個問題: 「我能不能不只問 AI 答案,而是讓它像一位助理一樣,有流程、有反思、還有出處,真正幫我完成一件事?」 Google 最近釋出了一個相當具有指標意義的開源專案 gemini-fullstack-langgraph-quickstart ,正是為了解這個問題而誕生。 這套系統到底是什麼? 這個範例不是傳統 Chatbot,而是展示一個完整的 AI research agent : 它會根據使用者的提問,自動發想搜尋關鍵字、查資料、整合重點,最後給出答案還附上引用來源。背後的邏輯設計得非常扎實,不只是能跑,更是具備可讀性、可擴展性與可商用性。 它的流程大致如下:  1. 使用者輸入問題(例如:「抖音是否影響台灣選舉?」)  2. Gemini LLM 幫你想出關鍵字(不只是照抄問題)  3. 呼叫 Google Search API 抓資料   4. LangGraph 控制流程 → 判斷資料夠不夠 → 若不足,自動補查  5. 整合最終答案,並產生 citation(來源說明) 你可以想像這就像一位實習助理幫你寫報告, 不只輸出一段內容,而是會 去查、會判斷、會補資料,而且說明「我為什麼這樣說」 。 LangGraph 是什麼角色? LangGraph 就是整個 Agent 背後的控制系統 。 用白話講,它幫你定義 AI 每一步要幹嘛、遇到什麼狀況該走哪條路、要不要反思、要不要再查,甚至可以定義條件邏輯與資料流動。 這就不像寫一個單純的 Chat API,而是比較像「把一個流程圖變成可以跑的程式」。 對工程師來說,它提供了從 prompt 到流程控制的設計彈性;對產品設計來說,它讓 AI 有了 「多步驟任務執行」 的能力。 技術架構與使用方式 這整套系統是 Fullstack 架構,前後端都幫你整好了,技術選型也非常實用:   前端:Vite + React + TailwindCSS + Shadcn UI  後端:FastAPI + LangGraph...