涵蓋文章（2026-03-16 ~ 03-22）：

  1. 03/16 - 一個工程師用 AI 幫狗設計了 mRNA 癌症疫苗——AI 時代投資報酬率最高的事：填補短板
  2. 03/17 - 殘差連接被動刀了：DeepSeek 和 Kimi 先後改掉 Transformer 用了十年的「默認設定」
  3. 03/19 - Prompt 負責引導，工程負責約束：做 Agent 半年的核心體會
  4. 03/20 - Opus vs Sonnet：Benchmark 看不太出來的體感差距
  5. 03/19 - INSIDE Side Chat E397：用 AI 在物流業打造零工程師團隊
  6. 03/21 - Meta AI Agent Sev 1 事故：Harness Engineering 不是理論，是血淋淋的教訓

逐字稿

開場：如何跟 AI 做好協作

嗨大家好，這週的話主要議題就是——如何跟 AI 做一個很好的協作，並且如何在 AI 這邊設一個護欄框架，確保說 AI 就算出現幻覺的時候，我們不會被他帶著走。

這週其實提到很多相關的議題，都在講類似的東西。這些議題基本上就是我們現在最紅的 Harness Engineering。

系統是約束，Prompt 是引導

今天來講「系統是約束，提示詞是引導」這個概念。

我們在做 AI Agent 做那麼久了，都有一個感覺——不管你再怎麼會寫提示詞、寫得多好，到最後你可能有 10 個、20 個相關的提示詞去規範他、約束他。可到最後我們就發現：完全依賴提示詞來做規範跟約束，是非常非常困難的。

原因有幾個。

第一，模型能力的限制。 像 Gemini、Sonnet 這樣的模型，如果你給他 5 個禁止提示詞，基本上他還是可以做到。但如果你給他 50 個以上，就很容易出現——後面的 5 個你有辦法遵循，前面的 5 個他就忘記了，或在邏輯上他拐不過來了。

這邊要特別提，正向提示詞跟負向提示詞在模型這邊的能力是有差別的。

而且我們做 AI Agent 的時候為了省錢，不能完全用最好的頂塔模型。用性價比較高的模型時，禁止提示詞就只能有一定數量，不能太多。

第二，今天測好明天又壞。 就算你把測試測好了，可能今天測好，明天突然發現他又不對了。這是幻覺嗎？有時候是，有時候根本原因是降智——不管是 ChatGPT、Gemini 或 Anthropic，算力不太夠的時候就會對某些模型進行降智。

所以我們能做的最好情況就是：盡量讓提示詞是一個引導，告訴他我們要什麼東西。 當然你還是能放一些禁止的提示詞，但真正能夠規範他的，其實是用系統。

系統就是在 AI Agent 之外的 IT 系統——可能是程式碼、可能是 n8n、可能是 CI。用確定性的程式碼框架去框住他。當模型超出了原本設定的行為，直接報錯，阻止他做這件事。

這個方式非常有效。原因是：

  1. 禁止的行為通常影響很大。 與其依賴 LLM 自覺，不如在外面直接放一個框架來截住他、檢查他、擋住他。而且你比較心安。
  2. 系統框架比 Prompt 更難繞開。 就算大語言模型再厲害，有系統權限框住他，基本上都比較難繞開。

有一個很好的比喻：Prompt 有點像在方向盤上面貼一個說「你要怎麼開」，但真正決定車子不要開出車道範圍之外的，是路上的護欄。 有了護欄之後，你就確保這台車雖然坑坑洼洼撞撞的，但他不會開出大範圍之外。

這就是 Harness Engineering——框架工程。我們必須在 AI Agent 之外放一個框架，用提示詞去引導他要怎麼做，但當他超出範圍，我們就把他框住。

我再重複一次：提示詞是引導，系統是約束。兩個都非常重要。

📖 延伸閱讀：Prompt 負責引導，工程負責約束：做 Agent 半年的核心體會

mRNA 疫苗——AI 填補短板的投資報酬率最高

這週也講到一個我覺得很棒的故事。有一個創業者用 AI 做出 mRNA 疫苗——他什麼醫療背景都沒有，就是 IT 背景的人，但他用 IT 技術加上 AI，一步一步引導，為他的狗狗做出一個 mRNA 疫苗，而且最後是可以合作的。

這個故事代表的就是：在 AI 時代，投資報酬率最高的不是用 AI 去增強你所擅長的部分，反而是用 AI 去彌補你的短板。 這時候你的投資報酬率會非常非常高，因為你是從 0 到 1，從不會到會。

放到我們的生活當中——像我可能不太會寫文章，但現在用 AI 幫助我寫文章寫得很好。我可能不會做 SEO，但有了 ChatGPT、Gemini，他能幫我做 SEO，告訴我很多 SEO 的詞彙。而且我現在看到自己 Blog 的 SEO 成效也不錯。

所以 AI 最大的重點是：利用 AI 去增強你所不知道的部分，而不是去強化你所知道的部分。 因為你所知道的部分，可能是從 90 分變到 95 分，投資報酬率是低的。而且 AI 的幻覺還是會有，你會覺得他沒什麼用。但如果讓他做你原本做不到的部分，你就會覺得 AI 真是一個超級棒的老師。

📖 延伸閱讀：一個工程師用 AI 幫狗設計了 mRNA 癌症疫苗——AI 時代投資報酬率最高的事：填補短板

Opus vs Sonnet——差就差在那 5%

這週也講到我這一個多月來使用 Opus 跟 Sonnet 的感覺。

我在做 AI Coding 以及用 OpenClaw 的時候，發現 Sonnet 基本上大部分都可以用。但很多時候 Opus 就是比 Sonnet 好一點點。

我舉兩個例子。

第一個，我請 OpenClaw 寄信給 Amy，但 Amy 不在原本的記憶裡面。Sonnet 的做法是直接問我：「你說要寄給 Amy，那 Amy 的 Email 是什麼？」這完全正確，一點都沒錯。

但 Opus 多做一件事——在問我 Amy 是誰之前，他先去我的 Gmail 裡面搜尋有沒有 Amy 的 Email 往來記錄。 他發現裡面只有一個 Amy，所以他就說：「我認為你要寄給的是這個 Amy，我就寄給他。」

這件事讓我覺得：有些時候好模型跟不好模型、頂塔跟不是頂塔，差就差在那 5%。 就像在職場上永遠多做一點點、比別人多做那 5% 的員工，會覺得他的能力是無與倫比的。

從性價比來說，Opus 可能比 Sonnet 貴 3 倍，所以大部分時候 Sonnet 就夠用了。但像 OpenClaw 這種很臨時、很 random、很模糊的場景，Opus 多做到的那 5% 就是比你多做 5%——能幫我省下一些腦力，少一次的交互跟輪回。

這些模型其實大家都有水準，70% 到 80% 都很能用。但在最 random、最難掌握的場景下，我還是會用頂塔，就算他貴很多。

📖 延伸閱讀：Opus vs Sonnet：Benchmark 看不太出來的體感差距

Side Chat 訪談

這週我也很有幸獲得 INSIDE 塞掐的訪談，講了一下我之前的思維轉型經驗，以及我現在怎麼看 AI 這個浪潮、怎麼用 OpenClaw、還有一些 AI 資安的議題。

我個人覺得這是一個非常非常好的經驗，也非常謝謝 Fox 能給我這個機會。

📖 延伸閱讀：INSIDE Side Chat E397：用 AI 在物流業打造零工程師團隊

Meta Sev 1——AI 已經不是能不能用的問題

最後講到 Meta 這邊因為一個錯誤的流程，導致 Sev 1 資安事件。

這裡面有兩個問題：

第一，AI Agent 權限問題。 Agent 沒有獲得正確的 Approval，就能在內部論壇分析數據並且 Post，影響到內部同事。

第二，人對 AI 的盲信。 內部同事在沒有任何測試的情況下，就直接執行了 AI 的建議，造成內部資料外洩。

這反映到兩個根本問題：一是 AI Agent 的權限管理，二是現在社會中大家對 AI 的信任度越來越高，甚至會完全不做查核就直接信賴 AI。

這其實是未來公司的一個寫照。 我們未來會有大量流程被重新改寫，變成人機交互的過程。在這個過程中，怎麼確保我們還是能達到一樣的 Quality？不會造成誤會、不會造成外洩，或是被 AI 幻覺影響，為了追求效率而做錯？

AI 已經不是「他能不能用」了，我們都知道他能用。但接下來 AI 導入在人機協作上面、流程上面，會有很多很多的問題。

不是完全信 AI，也不是完全不信 AI。而是當 AI 跟人都有一定的可信度情況下，這兩個物種要怎麼互相交互。 這個我認為是很重要的議題，也是接下來所有 AI 落地的最大挑戰。

Harness Engineering 能夠做這件事情——確保人跟機器能夠交手、換手，整個流程下來大家都在正確的軌道上。

📖 延伸閱讀：Meta AI Agent Sev 1 事故：Harness Engineering 不是理論，是血淋淋的教訓

文章連結