城市便條
通勤時、深夜裡、看完一部電影之後，想到什麼就先寫下來。沒做太多功課，也還在摸索。有些會停在這裡，有些會慢慢長成文章。
把公司 PPT 公版做成 Skill，並要求 Claude 使用投影片母版與可編輯格式，可以省下調版面、套公版和重做低解析度圖表的時間。
不用 API Key，登入 Claude Code 和 Codex CLI 就能讓兩個 LLM 對辯；不先分好正反方，它們客氣到根本吵不起來。
跨 Agent 交接不一定要共享原生 Session；把進度壓縮成短交接檔，便能用純文字在 Claude Code 與 Codex 之間重建工作脈絡。
Matt Pocock 的 retro Skill 會回頭讀 AI Agent 的工作階段紀錄，把重工整理成可驗證的改善項目；這篇整理它怎麼運作、什麼時候用、我實測抓到的五個問題，以及為什麼不該全自動。
一般 Agent 接到任務後完成並回傳；Dot 承接的是長期責任，會保留工作脈絡，持續處理同一主題的新任務。
Skill 告訴 Claude 怎麼做，MCP 提供外部工具，Mod 則在 Claude Code 程序內攔截事件並強制執行規則；三者差在由誰控制流程。
LLM 越強，人的工作越往監督與理解移動；把輸出改成圖表、網頁或解說影片，可以縮短消化 Agent 成果的時間。
H.265 串流若從兩個 Keyframe 中間開始讀取，預測幀可能因缺少參考影格而解碼失敗；改用 FFmpeg 只取關鍵影格後，灰色雪花圖便消失了。
階級傳承的不只是金錢，也包括談吐、品味、教育想像，以及一個人對人生道路習以為常的直覺。
養成一直追問 AI 為什麼的習慣之後才發現，問題可以無限生成，但能好好吸收的時間很有限，於是累積出一種「理解債」。
Prefill 是幫模型先寫好答案的開頭，不是讓它更懂你的判斷規則；碰到有 reasoning 機制的模型，塞了反而可能干擾生成。
使用者上傳的不是隨機圖片，而是有限種類的文件；先把錯誤資料攤開來找規律，很多問題在走到 Fine-tuning 之前就已經達標。
一包 multipart 請求其實有兩層 Content-Type；外層寫了 multipart/form-data，不代表裡面的檔案 part 有被標成 application/pdf。
Agent 可以道歉重跑，但錯誤後果仍由使用者承擔；有標準答案的任務要會驗證，沒有標準答案的任務則要守住真正目標。
兩種方法都關心選項的機率分布；一種把生成式 LLM 拿來當評審，另一種從一開始就朝決策模型設計。
模型看起來每秒輸出 888 個字，問題卻出在計時分母只算開口後的 0.8 秒，分子則包含先前 32 秒的思考內容。
看起來一樣的空白或橫線，背後可能有不同的 Unicode Code Point；人類看字形，電腦查的是字元身分證。
睡前跑長任務才發現，Claude Code 有用量重置後自動續跑的設定；我也重新整理了 Remote Control 與 Auto-resume 的差別。
鎖屏不等於休眠，遠端接手也不等於從手機建立新工作階段；我把兩種 Agent 的操作體驗拆成三個問題。
用《全面啟動》的任務流程記 RAGAS：Context Precision 與 Recall 看情報找得準不準、齊不齊，Faithfulness 與 Answer Relevancy 看有沒有亂講、有沒有答到問題。
Agent Plugins 將 Skills、MCP Server、工具與規則包成可攜、可互通的 Plugin，讓工作流不必跟著 Coding Agent 重配。
模型變強後，AGENTS.md 不一定要愈寫愈長；刪除不再必要的規則，並用 failures.md 重跑舊錯誤，讓 Context 也能像 Code 一樣被測試。
《反脆弱》讓我重新理解穩定、競爭與創新的關係：適度的混亂和壓力，有時正是新事物長出來的原因。
相近的日常任務，Codex 用量消耗體感變快；我開始把重複操作留給自己，搭配低階模型，也重新準備雙工具工作流。
MUSE 加上 JSON Prefill 後速度大幅提升，欄位正確率卻從 81.2% 降到 72.9%；真正要問的是，退步的是否為產品不能失去的能力。
模型跑出 95% 準確率，不代表實驗已經做對；一個能支持決策的結果，必須可信、可除錯、可重現，也可比較。
職涯不是單一薪資排序題；時間自由、工作地點、成長性、穩定性與未來選擇權，都有需要自己衡量的成本。
規格與流程討論得再完整，實測後仍可能因使用者體驗而改變；重要的是知道下一步該找誰一起判斷。
JSON Prefill 讓速度提升約 8–10 倍，規則遵循與轉錄正確率卻下降；工程選擇不能只看延遲。
Claude Code Desktop 提高了可讀性，卻仍有同步延遲、指令不穩與檔案無法預覽等摩擦。
MUSE Glimmer 的 JSON Prefill 實驗讓延遲大降，正確率卻跟著下降；模型選型不能只看能不能跑，還要看任務是否適合。
模型能力快速進步，但人仍要定義戰場、拆解任務、設定邊界，並判斷這場仗到底有沒有打贏。
有限賽局有公認的勝負標準，無限賽局則沒有終點；真正重要的是持續參與、調整並服務更長遠的目標。
司機增加不一定讓車資下降；當服務可靠性提高，平台反而可能得到更大的個人化定價空間。
環境會改變一個人看見的可能性；當兩條路都想走時，我更願意選擇短期較辛苦、未來選擇更多的那一條。
介面可能被 AI Agent 改寫，但 API 背後的商業邏輯、資料流程與問題定義，才是更難被取代的價值。
AI 能放大每個人的能力，也可能放大原有的認知差距；工具相同，問題框架與驗證方式仍會決定結果。
