這兩天,一段關於「Claude 幫工程師榨乾 GPU 性能」的貼文在技術社群瘋傳:

有開發者讓 Claude 把 TRELLIS.2 從 PyTorch 改寫成 CUDA C++,整體速度提升 5.3 倍,H200 上相關測試另有 2.2 倍性能提升,AI 開發成本約 67 美元。

最後那句結論寫得很準:「AI Coding 真正值錢的地方,不只是寫代碼,而是能把代碼跑得更快。」

過去兩年,多數企業算 AI Coding 的 ROI(投資報酬率),算的都是「幫工程師少寫幾小時 CRUD、省下多少人力工時」。但在真實的企業財報裡,這種帳最難算——因為少寫兩小時程式不會立刻變成現金,反而常常因為 Vibe Coding 缺乏審查,製造出更多技術債與資安漏洞。

然而到了 2026 年,一條財務長(CFO)與基礎設施主管一聽就懂的硬核變現路線已經徹底跑通:拿幾十到幾千美元的一次性 AI Agent Token 預算當槓桿,去啃下過去「資深人力太貴、工期太長、沒人敢自己造輪子」的硬骨頭,直接砍掉企業每個月固定失血的四張帳單:

  1. GPU 推論算力帳單(PyTorch 改寫純 CUDA C++)
  2. 雲端 VM 運算帳單(Python / Ruby 改寫 Rust)
  3. Big Data 叢集帳單(Spark / Presto 診斷調優與轉譯)
  4. 第三方商業 Library 與框架授權帳單(用 AI 客製模組取代昂貴商業 SDK 與生態綁定)

在把這套模式搬進公司之前,我們先照慣例:把四個戰場的原始案例、真實數據與翻車邊界全部查清楚。


一、戰場一:AI 寫 CUDA C++ 榨乾 GPU——還原 TRELLIS.2「67 美元換 5.3 倍加速」的三個真相

先核對出處。這起案例並非都市傳說,原始作者是任職於 Hugging Face 的 3D 與電腦視覺機器學習工程師 Suvaditya Mukherjee(X 帳號 @halcyonrayes)。他在 2026 年 11 月 16 日開源了 suvadityamuk/trellis2-cuda,在 Cursor 內驅動 Claude Opus 5.5(medium),將微軟 40 億參數的 Image-to-3D 模型 TRELLIS.2-4B 端到端改寫成零 Python 執行期(Zero Python Runtime)的純 CUDA C++(約 3,100 行 C++/CUDA)。

但如果你直接去讀開源儲存庫裡的 docs/blog.md 工作紀錄與基準測試檔,會發現中文轉傳貼文漏掉了三個最關鍵的工程事實:

真相 1:「5.3 倍」與「2.2 倍」都在同一張 H200 上,差別是「精準度契約」

中文貼文寫成「整體提升 5.3 倍,H200 上另有 2.2 倍提升」,容易讓人誤以為是在不同硬體跑出來的兩組測試。事實上,兩組數據都是在 Hugging Face Jobs 的同一規格 NVIDIA H200 上,連續跑完 5 張官方範例圖的端到端總耗時(不含模型載入):

執行版本 5 張圖總耗時(秒) 相對官方 Eager 加速倍率 數值一致性標準
官方 PyTorch Eager 566.5 秒 1.0×(基準) 官方參考輸出
官方 torch.compile 477.8 秒 1.19× 編譯器浮點重排誤差範圍
CUDA parity(位元對齊版) 260.9 秒 2.2× Bitwise Identical(位元級完全一致)
CUDA fast(T2_FAST=1 極速版) 106.6 秒 5.3× Tolerance-bounded(誤差落在 torch.compile 同等區間內)

換句話說,如果你要求從輸入圖片、4 個 13 億參數的 Flow DiT、Sparse 3D VAE 到最終匯出紋理網格,每一步浮點運算順序、亂數種子甚至 PIL 縮放四捨五入都跟官方 PyTorch 一模一樣(Bitwise Parity),純 C++/CUDA 拿掉 Python 框架稅與動態調優開銷後,就已經直接快了 2.2 倍。而當你允許在官方 torch.compile 本身就能接受的微小幾何/色彩公差內換演算法時,速度直接暴衝到 5.3 倍——單次任務佔用 H200 的時間直接減少 81.2%。

真相 2:67 美元裡,Claude 只花了約 7 美元,剩下 60 多美元都在租 H200 跑驗證

很多人看到「AI 開發成本 67 美元」以為燒了 67 美元的 Token。根據作者公開帳單與儲存庫紀錄:

  • Claude 模型消耗:僅約 7 美元。
  • Hugging Face Jobs 開發與測試算力:合計約 64 美元(其中 H200 每小時 5 美元 × 8.4 小時開發與對齊測試佔 42 美元;排隊等待 H200 時開啟的 CPU 機器佔 17 美元;最後開全新容器從零重現位元對齊驗證 58 分鐘佔 5 美元)。

這筆投資回報有多誇張?一張雲端 H200 每小時租金 5 美元。花了 7 美元買 AI 腦力、60 多美元買測試環境,換來推論管線省下超過八成的 GPU 秒數——只要這個模型在線上累計跑超過 16 個小時,省下來的 H200 租金就把全部研發成本連本帶利賺回來了。

真相 3:真正拖慢 H200 的元兇根本不是 40 億參數模型,而是「餓死 GPU 的 CPU 後處理」

這份工作紀錄裡最值得架構師畫紅線的一句話是:

「令人意外的是,真正的瓶頸在 to_glb 匯出函式,而不是神經網路本身。把匯出搬上 GPU 帶來的收益比任何模型最佳化都大。」

把 DiT 注意力機制升級成 Hopper 架構專屬的 FlashAttention-3,確實讓 Shape 與 Texture 模型推論分別從 7.7s → 5.6s 與 3.7s → 2.6s。但真正讓總時間雪崩式下降的,是 Agent 剖析完整條管線後,抓出了三個讓昂貴 H200 停下來空等單執行緒 CPU 的致命卡點:

  1. BVH 空間樹建構搬上 GPU(7.1 秒 → 5 毫秒,快 1,420 倍):原本 cuBVH 在 CPU 上序列建樹,改寫為 GPU 上的 Linear BVH(Morton 編碼 + CUB 基數排序 + Karras 平行二元樹),耗時直接縮短三個數量級,且網格重建結果依然保持位元級一致。
  2. 切分巨型 UV 圖塊 + 修復容器 cgroup 假核心陷阱(36 秒 → 1.3 秒,快 27.7 倍):xatlas 展開 UV 圖塊的時間複雜度趨近二次方(O(n²)),17,815 個圖塊裡僅有 54 個超過 1,024 面的大圖塊卡死了整體時間;Agent 先將超標圖塊遞迴對半切分再平行處理。更精彩的是,它抓出雲端容器裡 nproc 回報有 192 顆 CPU,但容器的 cgroup 實際配額只有 23 顆 vCPU——預設執行緒池超額開了 8 倍執行緒互相搶資源被瘋狂節流!只補了 6 行讀取 cpu.max 的程式碼,就解開了隱藏的容器降速鎖。
  3. GPU Wavefront 平行紋理修補(8.2 秒 → 0.15 秒,快 54.7 倍):OpenCV 原生 cv::inpaint(TELEA)在 CPU 上用 Priority Heap 一次彈出一個像素,處理 850 萬個待修補像素必須序列跑 850 萬次;改寫為按整數距離層推進的 GPU Wavefront Kernel 後,只需平行跑完 17 輪 就全部填滿。

二、戰場二:AI 把 Python、Ruby 改寫成 Rust——打破「絕不重寫」鐵律,直接砍雲端 VM 帳單

如果說 GPU 優化省的是 AI 推論帳單,那麼企業雲端帳單裡更普遍的失血點,就是成千上萬台跑著 Python 或 Ruby 微服務與單體應用的 AWS EC2 / GCP / Azure 虛擬機(VM)。

直譯式語言加上垃圾回收機制(Garbage Collection, GC),在高併發下天生伴隨著兩筆高額「執行期稅」:第一是每個 Request 消耗數倍的 CPU 週期,第二是 GC 造成的記憶體膨脹與長尾延遲(P99 Spikes),逼得團隊必須開更大規格、更多台 VM 來留安全水位。過去工程界奉行 Joel Spolsky 的名言「永遠不要從頭重寫系統」,因為養資深 Rust 團隊重寫半年的薪水,遠超過省下的機器錢。

但在 2026 年,兩個指標性案例證明這條經濟公式已經徹底翻轉:

案例 1(Python → Rust):Anthropic 零 Rust 經驗團隊,靠 Claude 重寫核心 Messages API,CPU 砍半

2026 年 10 月 27 日,Anthropic 平台工程主管 Katelyn Lesse 在《Latent Space》Podcast 訪談中公開了內部實戰:全球開發者呼叫 Claude 最核心的入口 Messages API,最初是一座龐大的 Python 單體服務。隨著流量暴增,Python 的運算效率成為基礎設施瓶頸。

最驚人的細節是:專案啟動時,負責團隊裡沒有任何一位工程師具備 Rust 經驗。

  • 分工模式:絕大多數 Rust 實作程式碼由 Claude 生成;人類工程師專注於系統架構、安全邊界與遷移策略。
  • 驗證防線:團隊建立完整的 Shadow Traffic(影子流量) 驗證機制——將線上真實流量同步複製一份打向新寫好的 Rust 服務,拿舊 Python 系統當「標準答案神諭(Oracle)」,逐筆比對輸出完全一致才逐步切流。
  • 帳單與效能成果:上線後,API 服務層 CPU 消耗直接下降 40% 至 50%,首字回應時間(TTFT)同步改善 10% 至 20%。對超大規模閘道而言,CPU 砍半,代表底層支撐的雲端運算節點規模直接腰斬。

案例 2(Ruby → Rust):連最討厭 Rust 的 Rails 之父 DHH,都用 AI 把 HEY 後端改寫成 Rust

另一個震撼彈發生在 2026 年 9 月 23 日的 Rails World 2026 開幕演講。Ruby on Rails 創造者、37signals 技術長 DHH(David Heinemeier Hansson) 過去曾公開嫌棄寫 Rust 像「往眼睛裡倒強酸」;但在宣布轉向由 AI Agent 主導寫碼(「Pencils Down」)後,他透露正使用 AI Agent 將旗下郵件服務 HEY 的後端重建為 Rust。DHH 在演講中分享了團隊內部的早期估算(註:演講當下明確標示為研發中估算值,尚未經第三方基準稽核):相較舊架構,CPU 使用率預估下降約 99%、記憶體下降約 95%,正式環境僅保留 10 台伺服器 作為高可用性冗餘。

不過,同一場大會閉幕演講上,Ruby 核心貢獻者 Aaron Patterson(Tenderlove) 給出了一句所有技術主管都該貼在牆上的警告:「AI 不是你的編譯器(AI is not your compiler)。」 編譯器有嚴格的語意等價規則擔保,LLM 沒有。如果沒有像 Anthropic 搭好 Shadow Traffic 對帳防線(或像 Shopify 保留百萬行 Rails 商業邏輯,僅將底層 YJIT 與熱點元件用 Rust 改寫並以 FFI 嵌入),盲目上線沒人讀過的 Rust,省下的 VM 錢遲早會在半夜事故裡賠回去。


三、戰場三:AI 把 Big Data Cluster 變快——專治 Spark 與雲端數倉「亂開大機器」的叢集稅

第三塊能靠 AI 榨出驚人現金流的金礦,在企業的資料平台(Apache Spark、Databricks、Presto/Trino、Snowflake、BigQuery)。

待過資料工程現場的人都知道大數據叢集有多燒錢:遇到 Data Skew(資料傾斜)、Shuffle 溢寫硬碟或 OOM 報錯時,前線工程師最常見的解法不是改演算法,而是直接把叢集 Executor 記憶體跟節點數量調大兩倍。資深 Data Infra 架構師根本不可能人工翻完每天幾萬支 Job 的 Spark History Server Log。

案例 1:Sportsbet 打造 GenAI 顧問「Kill Bill」,直接砍掉 49% Databricks 總體擁有成本(TCO)

澳洲最大線上運動博弈平台 Sportsbet 在 Databricks Data + AI Summit 公開分享了內部名為 「Kill Bill」 的專案(由技術交付經理 Abdul Furkhan 與 AI 團隊主導)。他們建立了一套 GenAI 驅動的自動化調優 Agent 工作流,自動串接並交叉剖析 Spark 叢集執行 Log、資源利用率指標、組態檔與底層 SQL/程式碼庫,抓出閒置 Executor 與分區瓶頸,並搭配 Liquid Clustering 等動態最佳化,最終在不拖慢產品交付的前提下,將整個 Databricks 環境的 TCO 硬生生砍掉 49%。

案例 2:Uber 自動化遷移 18,000 支 ETL 與原生引擎替換,砍掉 50% 至三分之二叢集算力

Uber Engineering 公開的資料平台演進則展示了「大規模自動化轉譯 + 底層原生化」的天花板:

  1. 18,000 支舊版 Hive 工作流自動轉譯:面對每月 500 萬次查詢,透過自動化查詢轉譯搭配資料驗證服務(Data Validation,自動比對新舊引擎輸出一致性),全面遷移至開啟 Adaptive Query Execution(AQE)的 Spark SQL,整體執行時間與運算資源消耗直接下降 50%。
  2. JVM 退位給 C++ 向量化引擎:將每日處理 50 萬次查詢的 Presto 底層從 Java JVM 切換至 C++ 原生向量化引擎 Velox(涵蓋 90% 合格流量),平均執行時間減少逾 50%,單次查詢 CPU 消耗大降約三分之二(約 66%)。過去只有巨頭養得起的遷移與對拍工程,今天結合讀得懂 Query Plan 的 AI Agent,中型資料團隊也能低成本複製。

四、戰場四:用 AI 自寫「以前要付錢買的 Library 與框架」——省授權費的真實戰績與兩條紅線

除了省雲端算力,2026 年軟體產業正在發生的另一場安靜地震是:過去企業每年花幾萬美元採購的「商業 UI 元件庫、工具 SDK、雙重授權函式庫與平台綁定框架」,正在被 AI Coding 快速瓦解。

以前這類商業軟體公司的護城河很明確:「這個輪子太髒太累,你自己派工程師刻兩個月絕對比買授權貴。」 但當 AI Agent 把「刻輪子」的邊際成本壓到幾小時與幾百美元 Token 時,市場立刻出現了三個真實案例:

案例 1:付費 UI 元件庫首當其衝——Tailwind UI 營收暴跌 80% 的啟示

最震撼的真實財務數據來自 Tailwind Labs。2026 年 1 月,Tailwind CSS 創辦人 Adam Wathan 在 GitHub(PR #2388)與公開聲明中坦承:儘管免費開源的 Tailwind CSS 下載量創歷史新高,但公司賴以為生的付費商業元件庫與模板(Tailwind UI)營收卻暴跌了約 80%,迫使團隊裁掉 75% 的工程師。

原因非常直白:過去企業與開發者為了省時間,願意付費購買現成的商業 UI 元件包、付費圖表庫(如 Highcharts)或高價資料表格(如 AG Grid Enterprise);現在開發者直接在 Cursor 或 Claude Code 裡下指令,讓 AI 在免費的 MIT 開源底座(如原生 Tailwind、TanStack Table、Apache ECharts)上,幾分鐘內長出完全貼合自家設計系統的虛擬捲動表格、匯出模組與互動圖表。當企業只用到商業 SDK 裡 10% 的通用功能時,「買整套昂貴年費授權」的理由正在迅速消失。

案例 2:花 1,100 美元 Token 重寫整套框架——Cloudflare 一週打造 vinext

2026 年 2 月,Cloudflare 官方工程部落格公開了一個讓業界瞠目結舌的實驗:為了讓開發者不必再被鎖定在昂貴的專屬託管生態、也不必忍受脆弱的轉接層(OpenNext),Cloudflare 一位工程師指揮 Claude,僅花了 1 週時間、約 1,100 美元的 API Token 費用,在 Vite 之上從零實作出相容 Next.js 公開 API 表面的替代框架 vinext。

它為什麼能成功?因為團隊直接拿 Next.js 公開的數千個單元與端到端測試套件當作 「機器可讀規格(Machine-readable Spec)」,讓 AI 一路寫到測試通過為止。結果不僅達到約 94% 的 API 相容度,正式環境建置速度還快了 4.4 倍、前端打包體積縮小 57%。這證明只要有清楚的測試規格,連複雜框架的綁定稅都能用一千多美元買斷。

案例 3:繞過「雙重授權費(AGPL / LGPL)」的開源大論戰——chardet 7.0 與 Malus.sh

企業採購裡還有一種常見的付費情境,叫做 雙重授權(Dual-Licensing)函式庫——例如 PDF 處理領域的 iText、Artifex PyMuPDF,或是各類底層解析庫:開源版採用具傳染性的 AGPL / LGPL,閉源商業 SaaS 如果不想被迫公開整包公司原始碼,就必須掏錢買商業授權。

2026 年 3 月,Python 經典編碼偵測庫 chardet 爆發了震撼開源圈的指標事件:現任維護者 Dan Blanchard 使用 Claude Code,宣稱僅依據 API 規格與測試集從頭重寫出 chardet 7.0.0(程式碼結構相似度 JPlag 僅約 1.3%,且效能大幅提升),並直接將授權從嚴格的 LGPL 改掛為商業友善的 MIT!這舉動讓退網 15 年的原作者 Mark Pilgrim 直接現身發出 GitHub Issue #327(“No right to relicense this project”),甚至催生了半諷刺、半實作的雙 Agent 自動化無塵室專案 Malus.sh(號稱用隔離 Agent 幫企業「緊急移除 AGPL 授權枷鎖」)。

架構師的踩坑提醒:什麼付費 Lib 該用 AI 換?哪兩條紅線千萬別碰?

我們在實際查核社群回饋時,也看到鮮明的翻車反例:有工程師試圖叫 Claude 從頭手寫 .docx 與複雜多欄 PDF 轉檔模組,想省下 Aspose 等老牌商業文件 SDK 的授權費,結果在各種詭異的微軟舊版格式與排版邊界條件裡無限鬼打牆,最後還是買商業庫一次搞定。

想用 AI 省第三方軟體授權費,請務必守住兩條原則:

評估維度 適合用 AI 自建取代(高 ROI) 繼續買商業授權(別自己造輪子)
功能複雜度與邊界 只用到昂貴 SDK 5%–15% 通用功能(如後台表格、標準圖表、簡單 CSV/Excel 匯出、內部管理介面) 累積十幾年骯髒相容性的深水區引擎(如複雜 Office/PDF 精準排版渲染、跨國稅務合規、硬體驅動、密碼學與支付核心)
正確的工程路徑 免費 MIT / Apache 2.0 開源底座(如 TanStack、PDF.js、ECharts)+ AI 撰寫上層客製化膠水程式碼 嚴禁把廠商閉源反編譯碼或 AGPL 原始碼直接貼給 AI「換皮改寫」(涉及衍生著作侵權,在企業併購 SCA 程式碼掃描下必爆雷)

五、企業落地的三道 Harness 鐵律:怎麼賺到真金白銀,而不是買到線上災難?

把 GPU 推論(PyTorch → CUDA C++)、後端微服務(Python/Ruby → Rust)、大數據叢集(Spark/SQL 調優) 與 自建替代商業 Library 四個戰場攤開來看,你會發現所有成功案例背後都長著同一個工程骨架:

flowchart LR
    A["1. 全鏈路盤點<br/>(找前 5% 燒錢算力與高價授權)"] --> B["2. 確認安全底座<br/>(硬體邊界 / MIT 開源底座)"]
    B --> C["3. AI Agent 執行重構<br/>(CUDA / Rust / Spark / 客製模組)"]
    C --> D{"4. 等價驗證 Harness<br/>(Bitwise Parity / Shadow Traffic / 測試集)"}
    D -->|"誤差超標 / 邊界失敗"| C
    D -->|"通過嚴格對拍閘門"| E["5. 立即縮機器與退租<br/>(Right-Sizing & 取消多餘授權)"]

想在公司內部複製這套模式,請務必鎖死三道 Harness 工程閘門:

1. 先抓前 5% 燒錢熱點,絕不盲目重寫全系統

  • 算力面:學 trellis2-cuda 先跑全鏈路剖析——你以為慢在神經網路,結果八成時間卡在 CPU 幾何處理跟容器 cgroup 配額錯置。永遠先拉出雲端帳單 Top 10 最貴微服務 與 Top 20 最貴每日 Spark Job 下刀。
  • 授權面:盤點今年即將續約的第三方軟體清單,專挑「按人頭/按機器計價極貴,但公司只用到一小角功能」的通用組件庫開刀,用「寬鬆開源底座 + AI 補齊缺口」取代。

2. 把舊系統與測試集當「神諭(Oracle)」,沒有自動對拍就不准上線

AI 寫底層與替代模組之所以划算,前提是你有明確的機器可讀標準答案:

  • GPU 算子改寫:像 trellis2-cuda 先存下每個階段的中間張量,用 memcmp 位元比對或明確公差閘門卡死,防止 AI 鑽漏洞做 Reward Hacking(改壞計算換取假加速)。
  • 微服務與大數據改寫:像 Anthropic 與 Uber 建立 Shadow Traffic(影子流量) 與 雙跑資料對帳,讓新舊系統平行吃線上真實流量,100% 一致才切流。
  • 框架與 Library 替代:像 Cloudflare vinext 一樣,先備齊幾千個自動化測試案例當驗收規格;若涉及開源授權轉換,務必由法務確認採真正的規格隔離或直接基於 MIT/Apache 2.0 專案擴充,絕不做「貼原始碼洗授權」的違法捷徑。

3. 上線當天立刻「縮機器、砍續約」,否則省下的只是空氣

這是企業現場最常發生的收尾失誤:工程團隊把 Python 改成 Rust、把 Spark 跑快兩倍,CPU 使用率從 75% 降到 12%,結果三個月後 AWS 帳單一毛錢都沒少——因為 Kubernetes 的 Pod requests/limits 沒調降、Auto Scaling 保底節點沒縮、到期商業授權忘了提前解約。效能提升不會自動變成現金;把省下來的機器關掉、把不用的授權退掉,才算走完算力套利的最後一哩路。


結語:從「省打字時間」走向「重塑技術毛利率」

當「把程式碼寫出來」像黃仁勳說的一樣變成大宗商品,AI Coding 的下半場競爭,看的就不再是誰用 AI 生出最多行沒人維護的樣板程式碼,而是誰懂得用架構師的眼光,拿幾十到幾千美元的 AI Token 當槓桿,直接撬動每年數十萬美元的 GPU、雲端 VM、大數據叢集與軟體授權成本結構。

去翻開你們公司上個月最貴的那四張技術帳單吧——今年最容易讓老闆跟財務長點頭買單的 AI 專案,答案往往就寫在上面。


參考資料與查核出處

  1. Suvaditya Mukherjee (@halcyonrayes):suvadityamuk/trellis2-cuda 開源儲存庫與 docs/blog.md 完整工作紀錄(2026-11-16,微軟 TRELLIS.2-4B 純 CUDA C++ 改寫、H200 基準測試與 Hugging Face Jobs 成本明細)。
  2. Anthropic 平台工程實戰:Katelyn Lesse(Anthropic Head of Platform Engineering)於《Latent Space》Podcast 專訪(2026-10-27),揭露以 Claude 協助零 Rust 經驗團隊將核心 Messages API 由 Python 重寫為 Rust 並透過 Shadow Traffic 驗證之成效(CPU 消耗下降 40%–50%,TTFT 改善 10%–20%)。
  3. 37signals / Rails World 2026:David Heinemeier Hansson(DHH)於奧斯汀 Rails World 2026 開幕演講(2026-09-23)分享以 AI Agent 將 HEY 後端重建為 Rust 之早期估算;以及 Aaron Patterson(Tenderlove)於同大會閉幕演講提出之 “AI is not your compiler” 工程安全提醒。
  4. Sportsbet 與 Uber 大數據叢集調優:Abdul Furkhan 與 Sportsbet 團隊於 Databricks Data + AI Summit 發表之 “Kill Bill” GenAI 調優方案(降低 49% Databricks TCO);以及 Uber Engineering 官方部落格關於 18,000 支 Hive 工作流自動轉譯遷移 Spark SQL(省 50% 資源)與 Presto 導入 C++ Velox 引擎(省約三分之二單次查詢 CPU)之實錄。
  5. AI 衝擊商業元件庫、框架與雙重授權案例:Adam Wathan 公開揭露 Tailwind Labs 付費元件庫營收下滑約 80%(2026-01,GitHub PR #2388);Cloudflare 官方部落格發表以約 1,100 美元 Token 於一週內建構 Vite 版 Next.js 替代方案 vinext(2026-02);以及 Python chardet 7.0.0 以 Claude 重寫並由 LGPL 改掛 MIT 引發之開源授權爭議(2026-03,GitHub Issue #327 與 Simon Willison 專文分析)。