...對人工智慧越來越高的期望，正讓他們的工作環境變得越來越糟糕。「使用這些工具的壓力實在太大，」一名亞馬遜員工說。「有些人只是利用 MeshClaw 來最大限度地提升自己的代幣使用量而已。」
雖然亞馬遜明確表示，員工的使用數據不會被用於績效評估中，但並非所有員工都相信這一點。「主管們其實都在觀察這些數據，」另一位員工說。「當他們追蹤這些數據時，就會產生不良的激勵效果，而有些人則會因此而過度競爭。」
據報導，要求員工增加人工智慧使用量的公司並非只有 Amazon。在 OpenAI 和 Anthropic 等公司，每個員工每週都要耗用數十億個 token；而在 Meta 和 Shopify，管理層則將員工在人工智慧方面的使用情況納入績效評估中。在 Google，即便是非技術類的員工，也被要求在日常工作流程中運用人工智慧。

AI sticker shock hits corporate America (Internet Archive)

他們的一位客戶最近在一個月內花費了五億美元，原因是未能對員工的 Claude 授權設定使用限制。
裁員可能是他們「唯一能拉動的槓桿」來抵銷 AI 費用。
大多數人會自動化自己不喜歡的任務，而非對公司最有價值的任務。

Corporate America Is Starting to Ration AI as Cost Skyrockets (archive.today)

這種向以使用量為基礎的定價方式的轉變，迫使企業客戶不得不重新考慮自己的資源消耗方式。Uber 的一位高層表示，截至 3 月，該公司用於自動化人工智能相關功能的年度預算已經被耗盡。微軟則限制了部分員工使用 Anthropic 軟體的權限，這些員工可以改用內部的編程輔助工具。Salesforce 則引入了新的系統，用於追蹤 token 的使用方式，以及這些使用方式如何帶來正面的業務成果。

過去的程式行數

過去大家就知道，衡量工程師的生產力，不應使用撰寫程式行數，因為這是很容易被操控的指標。若想追求指標上升，很容易就可增加大量 (且無效的) 程式:

• 隨意增加無意義註解
• 不進行共用邏輯抽取重構，到處複製貼上
• 絕不刪除過時無用程式碼
• 下載加入任意開源程式碼
• 把引用開源套件改為下載並引用其原始碼 (然後可能就不再更版了，不管來源端是否有修正錯誤或漏洞)
• ...

若組織使用程式碼行數衡量工程師績效，將會懲罰認真實在工作的人，而利用以上無效技巧的人卻得到獎勵與晉升。劣幣驅逐良幣的結果，組織產出不進反退，終嚐苦果。

現在的 AI token 使用量

現在相同的劇本又開始發生在 AI token 使用量上。組織若以 token 使用量來衡量生產力，員工也很容易以隨意的浪費行為，衝高指標。比如:

輕微

• 所有任務一律使用最高等級模型
• 絕對不碰程式碼，最最簡單的任務仍要寫提示執行
• 加入大量非必要註解、文件

中度

• 要求上網搜尋大量資料，整理報告並儲存 (但沒有要看)
• 重複要求讀取全部程式碼尋找弱點 (沒必要修正，反正消耗用量目的已達)
• 加入大量重複性質測試

嚴重

• 重新實作引用之函式庫、既有功能
• 進行語言、框架的全面改寫 (當然要加入 repo 但不必上線使用)
• 功能需求實作十次一百次，再由 AI 挑出最好的一個

相信各位還可以想到更多的無意義浪費行為。以上全部可以要 Agent 自動代勞，還可以自主隨意變化，不會重複做相同的作業，避免被發覺。更可以在下班後繼續地自動化提升績效。

這裡刻意不將 token 用量與計費金額加以區別 (比如使用前沿模型追求計費更高，或改用便宜快速模型來最大化 token 數量，若要衝 PR 數當然也沒問題)。當然組織實際使用什麼指標，人們就會找到操弄該指標最快速又簡單的方法。只要沒有有效的方法能糾出浪費行為加以懲罰，浪費行為就必定會存在。

提升效率有上限

我相信原本就有能力的高效工程師，確實也有能力運用 AI 提升速度還能兼顧品質。但有更多的人，能力原本就不足，根本無法在大量產出中，快速發覺產出程式碼裡潛在的問題。

即使沒有以上所述無謂的浪費，我認為追求效率極大化仍然是錯誤的目標。若要確保品質，產出速度仍有一定的上限。個人小工具有些錯誤無所謂；新創要衝快速迭代，願意接受一定量的錯誤率；傳統大企業可能更偏向減少犯錯。效率上限在哪裡? 沒有一定的標準。組織若以 token 用量來訂定績效目標，鼓勵儘可能多用及快速產出，由少數人使用大量無監督的 yolo agents，製造出來的問題也將會越滾越快，越多越大。

預測組織趨勢

如報導所說，即使組織官方說不會依 token 用量來評定績效，但運用 AI 提效，就是所有組織的最重大任務。哪個組織落後了，就好像即將被淘汰，大家都在 FOMO (Fear of Missing Out 懼怕落後) 的恐懼中不斷提升。管理者都會看到每個人的用量，就會有排序有影響。更不用說明確表達獎勵衝高用量的組織了。

巧妙浪費不被發覺的人獲得晉升，堅持認真不浪費的人只能私下抱怨，想著要不要跟上其他人腳步。組織的 AI 支出增加，自然要拿不會善用 AI 的人開刀，最直接的指標仍是 token 用量。組織瘦身後，剩下的人接下其他人的工作，當然要拼用量更兇才能出頭。更少的人，更多的極速產出，加上不可計量的隱藏無效產出。而堅持以少量最高效能員工，用 AI 就可以解決一切問題的組織，必會累積更多技術債/認知債，走向無真人維護的一大堆爛攤子，小火花四處併發，最終全面失火，一燃而盡，轟然崩塌了。

只要有幾個指標組織崩塌，行業氣氛開始轉變，剩餘組織將會開始嚴格控管 AI 費用，不再鼓勵無上限使用。但過去一段全力衝刺期間產出的大量 AI 程式，剩餘的員工仍然只能用 AI 繼續產出，繼續滅火。也不可能再找回過去員工，接手反正也從無人曾經理解的 AI 程式碼了。

對 Meta 的預測

這裡想特別提出我最擔心的 Meta。先前全力投入做 XR，最後證實完全失誤，黯然退場，已經損失不少。2025 年初 DeepSeek R1 釋出，讓 Llama 4 開源模型的釋出壓力大到只能灌水。後開超高價挖來頂尖 AI 人才，內部劇烈重組。現在已經不敢拿出來現眼，只能關著門自己搞了。成效如何? 能為 Meta 帶來相對的收益嗎? 如果模型真的很強，即使不開源，也可以提論文說自己的什麼模型第幾版有多麼厲害，提供 API 服務讓大家開開眼界，同時還能收回成本。Meta 是否不如直接使用中國的開源模型，完全不需要投入那麼巨大的成本，自行開發呢?

我非常懷疑，Meta 的 AI 投入太高，卻拿不出來給外面用，內部運用的成果也不如預期 (你認為 FB 導入更多 AI 功能，就可以賺更多錢嗎?)，開始要以裁員來展示投入 AI 的成本確實能提高效益。但我猜測這已經開始走向失控的死亡旋渦了。Meta 對 AI 的全力投入，最後是否也如 XR 般下場? (當然當初 XR 是造市沒造成，現在 AI 市場已經在了，Meta 的投入也不算晚，但頂尖投入卻沒換回頂尖成果)

預測 AI 服務提供者趨勢

對於 AI 服務提供者，包括上游供應鏈如 NVIDIA 等，當然還是要大力鼓吹，強調用得多的個人與組織就是高效能的前沿代表，跟不上的人就準備要被淘汰。反正他們內部使用 token 又不計費，拿出不計成本消耗大量 token 的酷炫實驗成果，製造其他人及組織已經落後的緊張感，其他人用越多他們賺越多。而資料中心與電力設施的線性擴充速度，永遠趕不上需求指數增加的速度。提供者預測接下來的指數成長曲線，要繼續更多融資，並簽下更多的容量擴充合約，並極速建造擴充。而越來越大的前沿模型，計費等級越加提高，只會吸引更多的無效浪費行為。

但若行業氣氛開始轉變，用量真的開始降下來，不再依循先前的指數成長曲線時，恐怕先前的極速融資與擴充需要暫緩下來。不過這些跡象我推測在 IPO 前暫時還不會被顯露出來。

結論

你是高效率工程師嗎? 你也是高品質工程師嗎? 你有自信自己的 AI 產出品質優於或等於過去自己親自動手的產出嗎? 你因為組織與同事壓力，開始進行浪費行為了嗎?

可以再追問自己兩個問題：

1. 是否重構

   • 過去時代，你會針對架構不佳的程式碼架構，進行手工重構嗎?
   • 現在你會注意 AI 產出的架構是否合理嗎?
   • 你會主動對不合理的架構進行重構嗎?

   如果以上任一為否，那你的程式碼可能正逐漸腐爛中，而且產出越快，腐爛越快。

2. AI 做的
   如果你會說「我寫了 XXX 好多好多功能」，但在出包被抓出來後，會說「那是 AI 寫的，不是我寫的」，那你可能還沒有準備好，為自己的所有產出負上責任的態度。

如果你的組織已進展到 AI 員工有獨立的權限，你不用為 AI 員工的執行績效成敗負上責任的話，我祝福你們能以無以數計的 AI 員工，將落後的其他組織遠遠拋在後頭。最後走向無人公司的境界，只剩投資人荷包滿滿。

自省

我知道這個預測蠻具爭議性的。這篇文章主體大致寫好，但又擺了超過兩星期未發出。這其中我還一直在考慮這個預測的正確性高低，也不斷修飾用詞。並繼續關注近期的發展，看到不少案例，都已提到開始控制 AI 預算，因此最後還是決定發出。

也許我是即將被淘汰的落後者，真的追不到先行者的車尾燈，也許我是預見未來的先行者，但也許仍免不了被「善用 AI 的人」淘汰。不管結果如何，我現在已不再 AI FOMO 焦慮，我回家後花更多時間做喜歡的事，比如在家練鋼琴再去台北車站秀。

內文修正:

• Pro/Pro+ 年訂制沒有前三個月超額積分
• 沒有免費版模型，仍有免費版方案，但目前仍暫停申請
• Business/Enterprise 訂閱制前三個月超額用量約六至八成

不到一個月前 (2026/4/1) 我寫的 AI 成癮者的未來 裡預測:

你已經 AI 成癮，無法回到沒有 AI 的世界了嗎?

對於習慣依賴 AI，已經生成大量人力無法理解維護之程式的工程師而言，要不忍痛花更多錢訂閱服務，要不只能忍受較低等級 AI 的愚蠢，以及經常的無意破壞後再救火的循環。然後遇到更常發生且為時更久的限流時，什麼事都做不了。當初 AI 助攻的衝勁，如今變成拖垮士氣的元兇。這些人已經很難回到手工慢慢撰寫程式的階段，寫程式開始變成痛苦的任務。

GitHub Copilot 帶頭衝

現在 (2026/4/28) GitHub Copilot 打出明確的第一砲:

• GitHub Copilot is moving to usage-based billing
• Models and pricing for GitHub Copilot
• Usage-based billing for individuals
• Usage-based billing for organizations and enterprises
• Setting up budgets to control spending on metered products
• GitHub Copilot is moving to usage-based billing
• 參考 2026/4/20 舊聞: Changes to GitHub Copilot Individual plans

2026/6/1 起方案大幅變更:

• Pro/Pro+ 月費制不再以請求次數及模型乘數為基礎 (每次要求塞大入量任務要求，執行越久越划算)，轉為 GitHub AI credits 模型積分，用多少算多少，超額當然仍可加購
• 先前 Pro/Pro+ 年訂制就已經暫停銷售，6/1 起年訂制一樣要面臨乘數大幅上漲 ，前三個月提供超額 AI 模型積分 (約 1/3) 以利轉換 (修正: 沒有超額)。已經不會有年費制，因此到期後要不轉為月費制，要不就轉為免費帳戶，或者隨時可取消並按比例退款 (已經沒有 0 點模型，改為 0.331，1 點改為 19，最貴的 Opus 4.7 由 7.5 點改為 27 點，表中還沒看到 GPT-5.5。最誇張的是 GPT-5.4 mini 由 0.33 轉為 6，暴增 18 倍，但 GPT-5.4 竟跟 mini 同乘數)
• 沒有免費版了 修正: 沒有免費版模型，仍有免費版方案，但目前仍暫停申請
• Business/Enterprise 訂閱制一樣算 AI credits 模型積分，一樣提供前三個月超額用量 (約 1/3 修正: 六成至八成) 以利轉換
• Business/Enterprise 訂閱制現在可以組織內不同人流用，也就是高用量的人可佔用低用量人的額度 (代表有人用得兇把額度先吃掉了，其他人就只能少用，要不就是提高組織預算)，但可為 個人/組織單位/專案 設定用量上限
• 最原始的 Code completions 及後來的 Next Edit suggestions 用量很低，仍不計量
• 先前用完每月點數，還有 0 點模型可以繼續用，現在完全依用量，沒了就沒了
• Code review 還要額外消耗 GitHub Actions 用量分鐘數，當然一樣有限額
• 五月內會推出預覽帳單體驗，可登入 github.com 後查閱

推測後續影響

不到一年前 (2025/6/18 起，參考 GitHub Copilot 模型選擇策略 及 6/18 (三) GitHub Copilot (預計再次) 開始計點)，GitHub Copilot 才由幾乎完全無限制，改為點數 (依請求次數) 方案，當時當然被罵翻天。現在又改為積分 (用多少算多少) 方案，當然又要引來一陣撻伐，但罵的人要 換家/退掉 嗎? 還是只能乖乖繼續用?

先前的點數表 (參考 Requests in GitHub Copilot)，新模型的點數經常跟舊模型一樣。先前我就覺得奇怪，想說新模型的參數量應該是一直加大才對。

依年費的乘數跳到原先 3~9 倍來預估的話，代表相同的月費，將來只能用三分之一到十分之一。此次方案變更後，GitHub Copilot 訂閱制可能就不那麼划算了，短時間內會有跳槽轉換潮。但我相信其他 AI 訂閱服務也很快會同步跟進，需要反應真實成本的上升。另我在猜，願意提供 AI 訓練的，可能會獲得一些折扣，畢竟開放可訓練材料都用盡了，下一代模型還要吃什麼訓練劇本? 當然是手邊的用戶資料最直接有效啦。

但如果真是用多少算多少，那就直接接 API 就好了嗎? 我猜想月費制還是會有一定的優惠空間 (預付一定用量，少用的人吃虧)。而接下來透過如 OpenRouter 使用開源模型會迎來一波復興潮，至少在原本月費額度用完後，月底前繼續撐著用。但我推測它們的用量增加，一樣要以價制量，同樣會上漲。

另外我推測可以本機執行開源模型的高檔 GPU/Mac Pro 等也會迎來搶購潮，付一次大錢，享受無限量 AI。當然這些硬體又得跟著搶購而 漲價/缺貨 了，再者個人本機能應付的任務還是有限。另開源模型我還是預測會越來越少選項，最新模型的完整版本不再預設開源，僅有縮減版本才開源。

那組織要如何面對超高用量用戶? 如果認為他們在浪費，那就限制嚴格些，讓他們不要佔用太多其他人的額度，當然這些人就很痛苦了。如果認為他們很有生產力，確實可以一人抵十人，仍然比那些不會善用 AI 的工程師划算多了，那就不要給他們太多限制，其他人不用的都給他們用。但若組織額度全被消耗光了，總不能全公司跟著一起放空，加價購就跑不掉了。再不然最後就是裁掉 不願/不會 善用 AI 的人了。

結論

Agent-base 的花式玩法，讓善用 AI 的工程師一個人能產出過去十個人的程式碼。這些走在尖端的工程師，也把 AI 提供者訂閱制的成本結構徹底拖垮，本就不可能永久持續。使用 AI 的真實成本，確實要反應在用戶付出的費用上了，用多少算多少的 API 模式計價是不得不然。各種 AI 服務的月費制，隨著模型越來越大，功能越來越豐富，用戶消耗的花樣越來越多，推測也將會更多偏向用多少算多少的模式。

AI 算力成本，已不像摩爾定律時代，隨著時間而腰斬降低。現在用量成長的速度，早高過營運成本下降的幅度。這些人經歷了一人抵十人的生產力多倍增加的快感，現在若要使用相同的模型，保持相同的生產力，需要付出的成本完全不止翻倍成長。

在過去一段時間內，推出多種輕易消耗算力的功能，養足大家的胃口，習慣十倍速提升的快感後，現在終於現形，養套殺的劇本已經亮出來了。過去一段時間十倍速產出的 AI 程式，如今也不可能人工維護，還是只能完全靠 AI 維護，付錢維持活路。

你是被套牢的其中一人嗎!?

We May Be Living Through the Most Consequential Hundred Days in Cyber History, and Almost Nobody Has Noticed
這篇分析了最近一百天內的非常多起資安攻擊事件，再加上 Anthropic Mythos 不直接公開，美國財政部邀集銀行業商討對策等等，提醒最近資安事件的頻繁度與嚴重性。

Thoughts on Claude Mythos

直接使用強化學習（RL）訓練來創建網路攻擊並非異想天開。事實上，這幾乎是完美的強化學習與虛擬實境（RLVR）任務。網路上有大量現成的作業系統軟體可供練習攻擊，而且這些軟體種類繁多，幾乎可以免費取得。判斷網路攻擊是否成功遠比創建攻擊本身容易得多，因此創建獎勵函數也相對簡單。用於強化學習訓練的智能體程式碼框架和沙箱已經存在，並且在過去一年左右的時間裡得到了快速發展，例如用於軟體工程（SWE）任務、程式碼差異比較、端到端程式碼專案實現以及網頁瀏覽等。

依我看其實是閉環自我改進的 Agent 的框架環境成熟了，自主成功的攻擊就變得更觸手可及。不止是未公開的 Mythos，其他的模型也可以利用相同的架構自我改進，而在這類容易自動化檢驗成果的特定領域中，不斷取得突破。

再加上防守方必需做到全面防堵，滴水不漏，但攻擊方只要找到一個 系統/服務 缺口，或者利用 AI 深偽/社交工程 騙到一個人，就可能讓防守方全線失守。這預告了接下來的資安事件將會越來越頻繁、越廣泛、越嚴重。原本攻擊的難度很高，只有最廣泛流行又知名的系統、函式庫、廠商等才會被盯上。現在攻擊的難度越來越低，代表一個心存不滿的泛泛之輩，都有可能對任一個不起眼的小目標發動有效的攻擊。

除了等待它人的 系統/函式庫/工具 修補外，自己的 環境設定/服務，也需要自主掃描。但問題是要求知名公開 AI 掃描資安漏洞，也很有可能觸發護欄拒絕，而很難自主持續進行下去。惡意攻擊者會積極尋找繞過護欄或自建開源模型的方法，而防守方恐怕就不會那麼積極。我看使用開源 (而且較少護欄) 的 (中國) AI 掃描，恐怕是比較可行的自我檢測方向?

另一方面，防守方若積極運用 AI 代理來自主防護，偏偏又可能發生像 Anthropic 的機密外洩 (如 Mythos 曝光與 Claude Code map 檔流出) 的烏龍情事，實在是兩難。

而人的環節嘛...只能再多培養什麼都不輕信的預設立場? 但若什麼都不信，不能相信開源閉源供應鏈，以及各種網路訊息傳遞，那要回到全部自己重頭打造的時代嗎? 想要自己打造，還是得靠人家提供的 AI 模型與工具...

現時已進展到攻擊比防守容易得多的時代，資安威脅，迫在眉睫!!! 所有人都要認知危機，動員起來!!!

最近的一些動態，讓我開始大膽預測: 接下來會很艱難。

伊朗戰爭

Miscellanea: The War in Iran

美國抓委內瑞拉總統這麼簡單，肯定也是預期伊朗領導人何梅尼一死，飛彈多投幾顆，加上人民起義配合，政權很快就會崩潰。目前看來沒有如預期般容易了結。

伊朗政權在拼自己的死活，川普只是在拼下一屆總統能不能連任的問題。伊朗對美國沒有直接的威脅，它只能打得到以色列。濃縮鈾以及原子彈是最大的問題，去年飛彈打一打也沒有解決問題。川普絕不願收手認輸，但僅靠飛彈打一打會投降嗎? 若派地面部隊，這麼大一個國家要打多久，傷亡肯定大增，國內壓力就更大了。但若伊朗政權沒垮台，濃縮鈾沒銷毀或取回，又怎麼宣稱贏得戰爭呢?

戰爭一日不結束，伊朗繼續掐住海峽，全世界都跟著痛苦。不像烏俄戰爭，除歐洲外對其他各國影響不大。雙方都不退讓，僵局還得要好一陣子，油價還會持續上漲。

石油及相關下游許多原料漲價，已經影響全球經濟，再加上戰爭的龐大支出，也傷美國自身。是美國自己要打的，也沒取得聯合國授權，各盟友多坐壁上觀。只希望川普盡快收手，之後才能慢慢恢復元氣。

AI 泡沫

How the AI bubble bursts | Volpe's Blog

石油及能源漲價，電費上漲，物價上漲，所有人都要開始勒緊褲帶，減少支出。新 電腦/手機/3C 裝置 的價格，先前就因資料中心大筆訂單，再加上現在戰爭影響而漲價，但消費者預算減少，儘可能延用或翻新二手等。消費者於 AI 的支出必定受影響，降等級/退月費成免費的用戶卻增加。在此同時現有資料中心的電費營運成本上升，而建置新資料中心的成本，包括 運輸/材料/GPU/記憶體/SDD/... 等等也都在上升。

大家可見 OpenAI 關閉不賺錢的 Sora 及購物，並開始投放廣告；各 AI 程式工具用量開始限縮，並封禁非授權工具如 OpenClaw 之類的高用量帳號；阿里巴巴 Qwen 開始要走向閉源等等。這些跡象顯示出瘋狂燒錢擴充的大方向，已漸漸走到盡頭，接下來需要更精打細算。而 Anthropic 的尚未釋出新模型 Mythos/Capybara 的運作卻要超高成本，該如何回收訓練的成本呢? 我推測目前的月費允許用量還會繼續更加限縮，也還會推出更高等級的訂閱。

我認為 AI 絕對有泡沫等著要破，絕對有需要回檔重新整理的一天。戰爭的長久持續將是觸發的最大導火線。

AI 成癮

你已經 AI 成癮，無法回到沒有 AI 的世界了嗎?

對於習慣依賴 AI，已經生成大量人力無法理解維護之程式的工程師而言，要不忍痛花更多錢訂閱服務，要不只能忍受較低等級 AI 的愚蠢，以及經常的無意破壞後再救火的循環。然後遇到更常發生且為時更久的限流時，什麼事都做不了。當初 AI 助攻的衝勁，如今變成拖垮士氣的元兇。這些人已經很難回到手工慢慢撰寫程式的階段，寫程式開始變成痛苦的任務。

AI 實驗室訓練了更巨大的模型，面臨節節上升的資料中心成本，漲價限流是必然的結果。新創藉著 AI 助攻，大量出頭。但在成本明顯提升，服務故障率也跟著提升後，面對客戶不滿及精打細算後退訂，我預測將會面臨更大壓力的淘汰賽。各 AI 巨頭們還有原本賺錢本業加持，在停止不會賺錢的瘋狂投資止血後，還有可能倖存下來。

那各大企業也要降 AI 成本嗎? 或者，會選擇砍人以保留 AI 預算，給有能力善用 AI 的人? 畢竟給一個人更多 AI 預算，可以一人抵兩人以上用，裁掉一人省下的錢絕對比多給的 AI 成本還要多，因此我預測裁員風會更盛。但更少人監督更多 AI Agents，我預測會產出大量難以維護的爛攤子。因為基礎架構面不良的根本問題，AI 修東壞西，也沒人有能力手工修正。最近 Anthropic 爆出新模型資訊洩漏，以及 Claude Code 原始碼 (npm/map) 洩漏，我相信與大量依賴 AI 寫程式/自動化管理，欠缺最基本的人為監督很有關係。

結論

這裡的觀察重點，在於川普何時找到什麼台階可以下? 他何時找個理由，宣稱美國打贏了，隨時就可以終戰。但若戰爭打越久，全球經濟傷越重，AI 泡沫就越早到來。

我大膽預測，AI 寒冬將至。會有一堆新創倒閉，巨頭也會大傷。AI 仍然存在，只是變得更加昂貴。依賴 AI 的人無法脫離，只能付出更高的成本，繼續追求限流之前越來越短暫的快感。依賴 AI 的企業，也無法脫離，只會壓迫現有的員工，榨出更多價值。

你已經 AI 成癮，無法脫離了嗎? 還是你仍珍惜，保留著不必依靠 AI 的工人智慧呢?

我自己

我個人的思維習慣，會杞人憂天，為最壞的可能預做準備。以上的推論很可能完全錯誤，AI 熱潮也許可以一直燒到奇點過後，也許AI 真的可以創造豐饒無缺乏的未來。但我還是會努力保留獨立的思考能力，不讓 AI 牽著走。這篇文章 (以及我的其他所有文章，除非明確提及，均) 完全手工撰寫，有請 AI 提供意見以及圖片，但我基本只調整一點修辭，仍保留我思維成果的原汁原味。

後記

剛剛才得知 GitHub Copilot - Plans & pricing 已經刪除年繳省兩個月的選項，這已經是漲價了。而且這也可能隱含著未來月費會調整，或提供價值縮水的可能性。

更正

有人指正川普不能再選下一任總統，這點我確實疏於查證。撰寫文章當時，我的想法是他即使沒有資格，也會想盡各種合法違法的管道，繼續當總統，不然就是扶一個傀儡讓自己繼續掌權。

與 ChatGPT 討論後，找到兩篇文章:
Trump says ‘there are methods’ for seeking third term in White House
Legal Scholars Dispute Constitutional ‘Loophole’ for a Third Trump Term

川普確實有暗示連任第三屆的可能方法，也說並非開玩笑，但未明示實際方法。即使他不再企圖連任，仍然要拼下一屆由他的心腹繼續當總統，因此也不影響本文結論。

spec-kit 最近很紅，我也試用了一下，並且翻譯了樣版內容。底下分享個人經驗，還有一些對 BDD 及 敏捷宣言 的想法。

spec-kit 繁體中文翻譯

我想多了解 spec-kit 樣板內容，利用自己寫的 mass-translate，將產出之 GitHub Copilot 英文樣版轉為中文，結果置於 spec-kit-translation，有興趣更深入了解的人可以前往看看樣版內文。若想問我看了內文有什麼想法...嗯，內容看來應該也都是 AI 生的，當然一定有厲害的前輩在把關。只能說內文非常詳盡，即使是看繁體中文版，我也沒辦法吸收了解。

自己的經驗

但個人最近使用 spec-kit 的體驗並不好，應該是我不會善用這個工具。

第一個 audio-browser 是想要快速瀏覽大量音檔的網站，由 Commits 可以看到我的提示過程。初始提示不多，後面的實作花非常久時間，建立了約 70 個程式檔 (含測試)。但到目前還是不能執行的狀態。

另一個 mediapipe-demo 是想用 MediaPipe 做人臉座標辨識，目前是本機可執行，線上版還有問題沒修好。過程可見 Commits，它建立了約 40 個程式檔 (含測試)。但我需要的只是簡單的三個檔案 (html/js/css) 示範網站，最後還是回到直接用 Copilot 生成，放在 demo-mediapipe，線上檢視。

不過 spec-kit 可以適用於多種 IDE/CLI，這下使用什麼工具的差異變小，最終還是回到 AI 模型能力。

BDD 及 水球潘/保哥 課程啟發

在先前的水球軟體學院 SDD.tw 課程看到 Gherkin 還沒注意，只想說他怎麼取這麼奇怪的名字。後發現是推動 BDD (Behavior-driven development) 之 Cucumber 的 Gherkin 語法。這方面我都沒接觸，我剛剛的了解是 Gherkin 是接近自然語言的表達語法，Cucumber 像是直譯器般，讀取 Gherkin 文件後執行對應的測試作業。

保哥簡報裡面的範例是井字遊戲網頁，我目前找到 vitalets/playwright-bdd 可以依 Gherkin 腳本生成 Playwright 測試程式。又想到保哥才剛開了 實戰 E2E 測試：使用 Playwright 測試框架 課程，猜想應該就是在配合 spec-kit 當中，發現要自動測試網頁，Playwright 非常重要，因此保哥又多磨練了這方面技能，並單獨開課。

就我目前猜想，主流的各語言各框架應該都會有開源工具，可用來由 Gherkin codegen。我猜想保哥提供的可能是整串現成可用的方法。我猜也會有開源專案，把 spec-kit 的統一標準樣版，特化打造成 Gherkin 加「Python + React 網頁」、「ASP.NET + Blazor 網頁」...等樣版，供常見的開發類型更快導入 AI BDD 開發。

敏捷宣言思考

再看看已經提出多年的敏捷宣言及 12 原則，都是由開發者的角度，來談如何進行團隊開發。但若是未來一個人帶一群 AI Agents 以 BDD 開發的話，開發者變成提出需求的客戶，實際開發者不再是人類了，角色完全不同。

而敏捷宣言的這四條:

個人與互動 重於 流程與工具
可用的軟體 重於 詳盡的文件
與客戶合作 重於 合約協商
 回應變化 重於 遵循計劃

在 BDD 時代，恐怕變成反過來，是後者重要 (流程/工具/需求文件/執行計劃 比較重要)，前者是 AI 自己的事，人類 (只要調整優化工具後，就) 不用再關心了?

人機協作的法則，似乎還有待觀念再更新...

The RAG Obituary: Killed by Agents, Buried by Context Windows
這篇說因為 LLM 允許上下文長度越來越長，RAG 已是過去式，應該要讓 Agent 自主使用適合的工具 (如 ripgrep) 來查找資訊。當然 ripgrep 只能查找純文字檔，無法應付 PDF 等其他格式。

Designing agentic loops - Simon Willison's Newsletter
但這篇提到，作者不依賴 MCP，而是撰寫 AGENTS.md，裡面列出可以使用的 CLI 工具，比如螢幕截圖，這樣 Agent 就可以在需要螢幕截圖時自行呼叫 CLI 取得。

我想這招對於前面的搜尋 PDF 也一樣適用，可以提供查 PDF 內文的 CLI 工具。

跟以前利用人類編寫規則方式進行翻譯，最後仍然不如讓機器自己學習如何翻譯一樣。與其由人類想出運用 RAG 的各種固定招式，希望向量資料庫可以提供各種不同問題的精準上下文，不如讓 Agent 自主決定，該用什麼工具去查找能夠回答問題的相關資訊。RAG 比較是一次定生死，查來的資訊有就有，沒有就幻覺亂生，而 Agent 可以在多次循環下用各種條件去查找，直到查到才傳回答案。

The Cold Start Problem: Using Network Effects to Scale Your Product

看到這篇介紹 The Cold Start Problem: Using Network Effects to Scale Your Product 這本書，裡面提到的 MVN (Minimum Viable Network)，讓我想到 精實創業 (The Lean Startup) 提出的 MVP (Minimum Viable Product)。

書中強調的網路效應 (Network Effects) 我 2022 年看過的一篇 History's Network Effects 有由最基本的原理介紹歷史的網路效應。後來還有有關科技業的 Platforms and Aggregators，以及一個實例 The Future of Substack，都非常值得一讀。以上三篇文章都出自 Uncharted Territories | Tomas Pueyo，是我唯一付費訂閱的文章網站，裡面所有文章 (有免費有付費) 都值得推薦!

我預測 The Cold Start Problem 一書會成為繼 The Lean Startup 之後同樣著名的暢銷書，MVN 相當於 MVP，會成為啟動一項業務，大家必要朗朗上口的秘訣。我個人沒有買此書，只有看上文書摘，更沒有業配。

我認為，若有面對客戶的業務推動很辛苦，這裡面的 網路效應 問題值得用力關注!

平時我不寫摘要的，希望大家親自閱讀 (我都讀翻譯)，直接吸收第一手資訊 (或者你要點進去後再請 AI 摘要)。不過這一篇書摘覺得太重要了，請出 AI 再來幫忙寫更濃縮的摘要:

1. 核心矛盾（Paradox） 要打造大規模的網路效應，必須先從「最小可行網路」（Atomic Network）起步，並利用該小型網路的成功，逐步撬動下一個更大的網路。
2. 原子網路（Atomic Network）定義 能自行運作、為其成員創造價值，並保持穩定、自我增長的最小用戶集合。關鍵在於用戶之間的互動能持續產生價值迴圈。
3. 困難端（Hard Side）重要性 困難端指那些為網路核心價值提供大量貢獻的少數用戶（如 Uber 司機、Airbnb 房東、YouTube 創作者）。必須優先鎖定並解決他們的痛點，才能吸引大量「容易端」（消費者／觀眾）。
4. 冷啟動（0→1）階段策略
   • 解決難題（Solving a Hard Problem）：打造真正能解決痛點的產品。
   • 單人工具／吸引工具（Single-Player ／ Come for the Tool）：先做對個人有用的工具，再引導他們進入網路互動。
   • 原子網路（Atomic Network）：聚焦於特定社群或場景，例如校園、垂直市場。
   • 殺手級產品（Killer Product）：功能易用、體驗卓越，讓用戶自發口碑傳播。
   • Flintstoning（偽造首批內容）：手動或「假裝」創造前期內容，讓平台看起來已有活躍度。
   • Magic Moments（魔力時刻）：精心設計首次使用的驚喜體驗，加速用戶「上癮」。
5. 常見反模式及對策
   • 迴避過度追求大規模用戶、忽視網路密度、只拉「容易端」、或依賴持續補貼。
   • 建議：先深耕小眾、提升互動質量、精準補貼、及早佈建內容策劃與社群管理機制。
6. 溫啟動（1→N）成長階段重點
   • 裂變效應（Acquisition Effect）：邀請制、邀請獎勵、社交傳播。
   • 參與效應（Engagement Effect）：優化互動、推播機制、用戶留存。
   • 經濟效應（Economic Effect）：貨幣化與商業模式優化。
   • 同時防範「飽和天花板」：建立內容策展、品質控管與競爭壁壘。
7. 成功案例對照 Uber、Airbnb、Tinder、Slack、Zoom、Instagram、LinkedIn、PayPal、Dropbox、YouTube、Twitch、Clubhouse、eBay、Craigslist、Microsoft 等，分別展示如何在冷啟動與擴張階段，透過上述策略突破初期瓶頸並持續成長。
8. 實作建議
   • 數據分析：追蹤用戶行為、互動頻率與留存率。
   • 用戶調研：與早期用戶深度訪談，發掘痛點與魔力時刻。
   • 低摩擦價值行為：優化新手任務，引導產生關鍵互動。
   • 精準社群經營：從小眾社群切入，逐步拓展。

總結來說，要克服「冷啟動問題」，必須先在一個小型、可自持的原子網路中打下基礎，確保困難端的活躍與價值持續，然後再透過一系列精準策略，逐步撬動更大範圍的網路效應。

It is no longer safe to move our governments and societies to US clouds
這是荷蘭重要人物對政府的發言，已可預見世界局勢接下來的發展。

自從川普再次上台，大家應已見識到他的各種創新作為。而由烏克蘭礦產協議，可見烏克蘭要不接受俄羅斯的軍事入侵，要不只能接受美國的經濟入侵，而且還不給安全保證 (參考 川普、澤倫斯基白宮撕破臉，本來要簽的協議是什麼？)。

而川普甫一上台，美國科技巨頭也一一輸誠，連一向支持民主黨的 Meta 祖克伯也已經向川普低頭，各項 DEI (多元、平等、包容) 要求一一取消 (參考 川普上任後宣布廢除 DEI 政策 哪些企業已表態跟進？哪些企業仍堅持多元化原則？)。再等聯邦政府靠馬斯克的 DOGE 將不合心意的人全部換掉 (可能再跟法院鬥一陣子)，美國就會完全依川普意志領導。

川普領導下的美國，不再擔任世界警察維持秩序的角色，轉變為只重利益不重道義，完全符合川普的精明商人本色 (參考 美國不再充當「世界警察」了)。世界各國也開始認知到，不能再以美國馬首是瞻，靠美國獲得安全與經濟繁榮，得要想辦法自己保護自己。

連美國自己都要用關稅壁壘，逼企業回美國設廠，建立自己的在地化產業鏈。第二次世界大戰之後建立的全球化經濟，開始走向瓦解 (參考 從全球化到碎片化...2025 世界經濟變局新挑戰，企業如何因應？學者提解方)。

自川普與澤倫斯基白宮鬧翻，歐洲是否能支持烏克蘭持續戰鬥下去，是個困難的問題。是有第三次世界大戰的風險，但我認為風險上升是因為川普暗助俄羅斯所導致。

美國對台灣態度又如何呢? 台灣的矽盾台積電，也可能被川普要求入股救英特爾 (參考 川普真要台積電助英特爾 美媒分析可能踩到這些紅線)。不管英特爾扶不扶得起來，台積電也只能繼續往美國搬移，落地生根 (參考 川普逼烏讓出礦產 台灣能否保住神山？)。連川普被問到是否會保護台灣，也不明確表態，還強調跟中國關係良好 (參考 美國能保證「中國不侵略台灣嗎」？川普回應了：我才不告訴你，但我們會跟中國保持良好關係)。

我大膽推測，川普看重的是利益，台灣是個有用的籌碼，可以談個好價錢。川普也一再表示跟習近平關係很好，當初就職還有邀習近平來觀禮。我推測只要談好利益交換條件，什麼都是可以交易的。

國家基礎建設，與公司的所有資料與服務，真的全都要繼續依賴美國巨頭嗎? 即使設有台灣本地區域中心，它們也都不可能拒絕川普的指令。

即使沒有戰爭，只要全部圍起來，切斷對外海纜，也不會有海纜船敢來維修。此時台灣本地區域中心真的還能維持雲端廠商一貫保證的可靠度嗎? 我非常懷疑這種大規模中斷的混亂場景，是沒有任何雲端廠商能應付的。遠在美國的指揮中心，屆時恐怕就是兩手一攤，頂多賠錢了事。但恐怕川普指令下來，連賠錢都不用了，因為只有台灣賠償美國損失的份，美國是不用賠償台灣的損失的。又或甚至是川普下令切斷服務連線，就為要逼你簽下賣身契，乖乖就範，看看烏克蘭現在的處境就知道了。你還是堅持要把頭伸進預備好的繩索圈套裡嗎?

國防安全，一般人可能較難插手，但提升 個人/公司 自立更生的能力，是可以努力的。我這邊呼籲，仍然必須建立並保留本地完全自主環境，仍然要認真看待戰時對外全斷的風險。

去全球化，回頭走在地化，在川普再度執政的 2025 年，已經是不得不走的路。這需要付上相當高昂的代價，重拾已生疏的技能，重建曾經運作的資料中心。但這是為自己的未來留一條退路，一條活路。