Blog
從 AI 工具更新到系統導入實務，先掌握重點
AI 每問一次都重讀專案？Graphify 想把 codebase 變成可查詢的知識圖譜
當 codebase 變大，AI assistant 最昂貴的成本常不是生成，而是反覆搜尋與重建關係。Graphify 想把這些結構先整理成可查詢的知識圖譜。
AI 知識68,000 次提交為何不是進步？AI Agent 蜂群真正的瓶頸是協作
高活動量不等於高進度。Cursor 的 agent swarm 實驗顯示，真正決定結果的不是開多少 agent，而是 planner、worker、reconciler 與共享狀態怎麼協作。
AI 知識Anthropic 砍掉 80% 系統提示詞：真正該刪的不是規則，而是上下文裡的噪音
Claude Code 移除超過 80% system prompt，重點不是規則都能刪，而是要把重複、衝突與放錯層的上下文清掉，留下真正的邊界。
AI 知識AI 模型單價變便宜，為什麼整個任務不一定更省？
Agent 時代的成本不只看每百萬 Token 單價，還包含推理強度、工具呼叫、重試、驗證與速度溢價。真正該比較的，是每個成功任務的總成本。
AI 知識AI 模型拿第一，為什麼不等於最好用？
同一個模型可以在不同 benchmark 拿到完全不同名次。真正該看的，不是醒目的第一名，而是它到底測了什麼、怎麼評、能不能重現。
AI 知識現在的 AI 不是不夠聰明，是每次上班都像第一天報到
現在的大型語言模型在單次任務上很強，但真正的缺口，是能不能從經驗中持續成長，同時保留舊能力、處理衝突與避免災難性遺忘。
AI 知識測試全綠，AI 還是可能把 React 修錯：ReactBench 揭露的驗證盲區
ReactBench 顯示，行為測試綠燈不等於 React 修復已經正確。真正的落差常出在 Hooks、render、可維護性與畫面驗證沒有一起被納入。
AI 知識模型再強也不夠：AI Agent 真正需要的是一套能限制、驗證與回復的 Harness
AI Agent 真正的風險，不只在模型能力，而是權限、隔離、審批、驗證與回復是否設計清楚。真正決定它能不能被信任的，常常是模型外面的 harness。
AI 知識128GB RTX 5090 是 AI 神卡，還是一場工程豪賭？
把 RTX 5090 的顯存從 32GB 擴到 128GB，看起來像桌面 AI 算力直接升級；但真正要回答的，仍然是資料路徑、持續效能、軟體支援與可維護性。
AI 知識你的網站不是醜，是太像 AI：跳出生成式設計平均值的 5 個決策
AI 生成網站常回到藍紫漸層、毛玻璃卡片與預製 Hero。真正要解決的不是禁用單一元件，而是補上受眾、任務、素材與構圖決策。
AI 知識AI 不只寫程式，開始連編譯器都自己造
Kimi K3 的 MiniTriton 展示，重點不只在產生 GPU 程式，而是打通 DSL、IR、最佳化、PTX 與 runtime 的整條工具鏈。
AI 知識權重都開放了，為什麼你的電腦還是跑不動？
Open weights 讓模型可取得，不等於一般電腦就跑得動。真正的門檻常在權重容量、精度格式、VRAM、RAM、頻寬與推理框架。
AI 知識AI 不是做不完，是你沒替它設計出口：Agent Loop 的三個控制面
Agent loop 真正的關鍵，不是讓 AI 一直工作，而是把何時啟動、如何驗證完成、什麼時候必須停止，設計成可判斷的狀態。
AI 知識AI 說沒讀檔，整個 Repo 卻出門了：Coding Agent 的資料邊界比你想得更複雜
可重現測試顯示，AI coding agent 的模型上下文與獨立儲存通道可能是兩條資料路徑；模型沒讀檔，不等於資料沒有離開本機。
AI 知識AI 11 天搬完 53.5 萬行程式碼：真正的門檻不是生成，而是驗證
AI 可以高速產出大量程式碼，但真正決定能否合併與上線的，是規格、獨立審查、可執行測試、跨平台驗證與持續修正形成的閉環。
AI 知識AI 模型不是越強越好：選模型正在變成一種任務路由能力
AI 工具進入模型分層時代，成熟的使用方式不是永遠選最強模型，而是依任務深度、錯誤代價與交付需求，分配剛好的模型、推理預算與驗證流程。
AI 知識AI 代理寫程式前，為什麼要先把規格說清楚？
AI coding 真正容易出事的地方，常常不是模型不會寫，而是人在需求、限制與驗收都還沒講清楚前，就讓代理先把模糊想法猜成程式碼。
AI 知識AI 沒說出口，不代表它什麼都沒在想：看懂 Claude 的 J-space 研究
AI 的可見輸出不是全部。Anthropic 對 Claude J-space 的研究提醒我們，模型內部可能有一個不寫出來、卻正在整理概念與支撐推理的工作台。
AI 知識AI Agent 省 Token，不是少做事，是少塞廢料
AI agent 變貴，常常不是因為模型太弱，而是因為工作流讓它反覆讀了太多不必要的上下文。真正該優化的，不只是提示詞，而是資訊進場的方式。
AI 知識AI agent 越像同事，越要看清楚它背後送出了什麼
當 AI agent 開始能讀檔、跑命令、串 gateway 與外部工具，真正的信任問題就不只在回答品質，而是它到底看見什麼、送出什麼、記錄什麼。