Posts

在深入研究 LLM 應用與 Agent 系統的過程中，我實在對業界那種「AI 馬屁精」式的玄學行銷感到反胃。現在廠商動不動就愛吹自家的新模型「會思考」、「有邏輯」，彷彿加了一個 “Pro” 或 “Thinking” 的後綴，神經網路就突然長出了人類的大腦。我們如果不採取懷疑與質問的態度，很容易就會被這些漂亮話牽著鼻子走。今天我們就冷酷地從底層運作機制與物理限制出發，拆解 Flash 模型與 Thinking 模型真正的差異，以及那些所謂的「思考過程」到底是什麼。 1. 根本不是「想久一點」：訓練目標與機率分佈的差異 很多人以為 Thinking 模型只是 Flash 模型跑得比較久，或者我們透過 Prompt 叫它「你想仔細一點喔」。這完全是個誤解。 Flash 模型的訓練目標是追求極致的推理速度與低延遲，它依賴強大的壓縮記憶和直覺式的 Pattern Matching。而標榜推理的 Thinking 模型，是在訓練階段引入了大量的RL，被「刻意訓練」成在給出最終答案前，必須先產生一長串的內部推理軌跡（Chain of Thought）。 無論是哪一種，它們本質上依然是在做 Next-Token Prediction。我們來看自迴歸生成最核心的機率公式：P(Y | X) = 根據過往生成的X個token 預測目前要接龍的下一個token Y的sampling長什麼樣子。 給定輸入 X，模型每一步都是在計算下一個 Token y_t 的最大條件機率。Thinking 模型並沒有跳脫這個框架，它只是被訓練成在生成最終答案的 y 之前，先利用這個公式接龍出一大堆中間步驟。 2. KV Cache 的暴力美學：破除「重新計算」的直觀迷思 既然是接龍出思考過程，這就帶出了第二個嚴重的迷思。很多人直觀地以為，Thinking 模型的運作方式是： 原始問題 -> 產出思考步驟 1。 接著把「原始問題＋思考步驟 1」整包重新餵給 Transformer -> 產出思考步驟 2… 就這樣像俄羅斯娃娃一樣越疊越大。 如果真的是這樣運作，GPU 的算力早就原地爆炸了。真正的底層魔法，在於 KV Cache（Key-Value Cache）。 ...

當時的我會覺得，Decoder 說穿了根本只是看著輸入做「文字接龍」，沒辦法預先知道整體要生成什麼。但現在回頭看，如果我們不跟著那些 AI 馬屁精瞎起鬨、講一些「因為 GPT 比較有靈性」的漂亮話，而是冷酷地從Information Theory與工程現實的底層來拆解，你會發現 Decoder-only 的勝出，根本是一場數學與物理限制下的必然。 1. 統一架構的暴力美學：交叉熵與自作聰明的代價 Seq2Seq 雖然邏輯清晰，但它把「理解」與「生成」拆成兩個模組，其實在數學目標函數上「自我閹割」了資訊壓縮的純粹性。 我們回到機率與資訊理論最純粹的定義——熵的鏈律（Chain Rule for Entropy）： $$H(X_1, X_2, \dots, X_n) = \sum_{i=1}^{n} H(X_i | X_{i-1}, \dots, X_1)$$ 這條公式告訴我們，要量化一段人類語言的總體不確定性，最完美、最無損的拆解方式，就是去計算「在給定所有歷史資訊的情況下，下一個字的條件熵」並全部加總。 而 LLM 每天在跑的 Next-Token Prediction，其損失函數本質上就是最小化真實世界人類語言分佈 $p$ 與模型預測分佈 $q$ 之間的交叉熵（Cross-Entropy）： $$H(p, q) = H(p) + D_{\text{KL}}(p \parallel q)$$ 這裡面的物理意義非常優雅：$H(p)$ 是「上帝的熵」，人類語言本身自帶的終極亂度；而 KL 散度 $D_{\text{KL}}(p \parallel q)$ 則是模型因為不夠聰明，導致我們在進行接龍時，平均每一步要多付出的資訊代價（雜訊）。優化模型的終極目標，就是要把這個代價逼近到 0。反觀 Seq2Seq，它偏要把這個統一的優化任務拆開，用雙向 Attention 去搞 Span Corruption（挖空填空），再用 Cross-Attention 去撈 Embedding。這打碎了能量化一切的條件熵鏈律，讓參數空間的優化目標變得極度不純粹。 2. 質問：我們真的希望 KL 散度歸零嗎？ 好，這時候如果有人舉手質問：「照你這樣說，我們希望 $D_{\text{KL}}$ 越低越好，那終極目標不就是讓它等於 0？如果模型分佈跟人類真實資料採樣完全一模一樣，那它不就只是個死記硬背的隨機鸚鵡？你們天天掛在嘴邊的『湧現能力』到底從哪裡蹦出來的？」這個質問，就是解開 Decoder-only 勝出謎題的終極鑰匙。 ...

「如果要通往圖靈機的路上，Seq2Seq 本身比 Decoder 還要合理。」這是我在 2022 年的筆記裡寫下的一句話。 當時我試玩了早期的 GPT-2，心裡總覺得：這到底是個什麼東西？相比之下，基於 Seq2Seq 概念的 BART 或是 T5 看起來合理太多了。沒想到幾年後的現在，在這場 AI 軍備競賽中，竟然是 Decoder-only 架構拿下了 MVP。 當時的我會覺得，Decoder 說穿了根本只是看著輸入做「文字接龍」。它沒辦法預先知道自己整體要生成什麼，只能不斷在 Sample Space (樣本空間) 中選擇「現在這個情況下，下一個字機率最大的是誰」。 相較之下，Seq2Seq 才是完整使用 Transformer 架構的「好學生」： Encoder 負責看懂整個句子架構，並生成富含語意細節的 Embedding。 Decoder 應用 Encoder 給的全局上下文 (Context) 來輸出序列。 這樣的分工聽起來超合理，對吧？但為什麼現在的發展卻完全偏向了 Decoder-only？以下是我後來自己的反思，以及結合近期與 AI 討論後整理出的幾個關鍵原因。 1. 統一架構的暴力美學：Scaling Law 與目標函數 Seq2Seq 雖然邏輯清晰，但它把「理解」與「生成」拆成了兩個模組。Encoder 負責理解並產生針對細部觀念的 Embedding。這其實帶來了一個隱形的代價：訓練目標的不一致。 Seq2Seq 常常使用 Span Corruption（例如把一段話挖空，讓 AI 填空，類似 BERT/T5 的作法）來預訓練；而 GPT 則是貫徹到底的 Next Token Prediction (預測下一個詞)。 後來的事實證明，當模型參數規模放大到百億、千億等級時，遵守 Scaling Law (規模法則) 的 Next Token Prediction 是最能榨取資料價值的「目標函數」。當我們要壓低 Loss Function，讓 Decoder-only 的模型表現越來越好時，因為要預測下一個字足夠準確，模型被迫要在內部「模擬」出整個世界的邏輯、常識甚至物理規律。 ...

在〈datafox 竣工後記〉裡，我很自豪地介紹了我怎麼用 JSON-LD 做 AI-SEO、怎麼把 Person Schema 埋進 extend_head.html 裡讓 Perplexity 認識我、怎麼讓 AI 搜尋引擎理解我的技術邊界。我當時覺得我在做很厲害的事情。 在大概兩個月後我打開 Google Analytics，發現一個問題。 我的流量，幾乎全部來自我自己推。每次發文 → 丟 LinkedIn → 丟群組 → 流量來一下 → 消失。 自然搜尋？幾乎零。幹我超難過的，之前在medium發文都可以吸引到自然流量，但是我這裡幾乎沒有，可憐。 一、我到底漏掉了什麼？ 這件事讓我有點汗顏，因為我之前寫過的那篇 SEO 文章，某種程度上也在教別人怎麼做 SEO。但是我忽略了一個超大的問題，也就是，我做了「AI 時代的進階 SEO」，但跳過了最基本的那幾件事。 譬如說，我的文章 URL 長這樣： https://datafox.tw/posts/260303_2222/ 這串數字對 Google 來說毫無意義。Google 不知道這篇文章在講什麼，所以也沒辦法在有人搜尋相關關鍵字時把它推出來。Medium 之所以能搜尋到，原因之一就是 Medium 的 URL 長這樣： https://datafox-tw.medium.com/datafox-竣工後記-2026-個人網站實戰指南-從-想要一個網站-到真正上線-3ae9d5a615b7 一眼就知道在講什麼。 然後是文章的 description。我翻了一下，25 篇文章裡有 17 篇是空白的。 description: "" 這代表 Google 抓到我的文章時，不知道要在搜尋結果裡顯示什麼摘要。只能自己猜。猜出來的東西通常不太好看，點擊率自然也不高。 再來是，我根本沒有主動告訴 Google 我的網站存在。robots.txt 有、sitemap 有，但我從來沒去 Google Search Console 提交過。我之前都只知道ga4，但是我沒有去gsc，讓我的自然流量門可羅雀，尤其這件事情根本只要三分鐘就搞定了 二、今天做的四件事 2.1 讓 URL 說人話 在每篇文章的 front matter 加上 slug，讓新的 canonical URL 帶有關鍵字： ...

因為ai社課的原因，我想要用v0這個vercel開發的ai coding平台，來建立一個可以部署上vercel的服務。如果我可以成功，學生也一定能成功，我原本是這樣想的。沒想到，因為我前幾個版本，因為我的prompt寫得不夠好，加上v0本身的智商限制（例如他常常漏東漏西或者是根本沒看懂我給他的spec導致出現幻覺亂作一通），所以一直都沒有辦法在v0給的5美金quota裡面搞定。 最後，靠我的好夥伴 Chuan-Chi Hsu 花了重本，探索v0的邊界，最後才寫出一個可以一步（喔不，最後還是靠了4步但至少做出來了）到位的prompt，讓v0 ai可以在quota限制內寫出一個想要的rag 平台，給學生參考練習。 很多人說現在是 Vibe Coding 的時代，只要有手、有 AI，什麼都能蓋出來。但作為一個正在裡面掙扎的開發者，我的 Hot Take 可能會讓你冷靜一點： 你對資料工程（Data Engineering）越一無所知，你就要花越多錢。 AI 可以幫你寫 Code，但它沒辦法幫你補齊底層邏輯的空缺。如果你不懂 Data Pipeline、不懂向量檢索的原理，你只會在錯誤的邏輯裡反覆消耗 Token。 你的需求 Spec 寫得越不清楚，你就要花越多時間 Debug。 「幫我做一個 RAG 平台」這句話在 v0 面前價值趨近於零。模糊的指令只會換來模糊的實作。最後你會發現，花在精煉 Prompt 的時間，其實就是以前在寫 Spec 的時間。 v0 是個還不錯的工具，但務必要寫非常清楚的 Prompt。 它確實能讓你無痛接上 Vercel 快速部署，這點非常強大。但如果你沒辦法給出極度精確的約束條件，你不是在開發，你是在跟你的信用卡過不去（或者像我一樣，在跟 Gmail 帳號的數量過不去）。 🛠️ 實作成果： 在嘗試到第六個免費帳號後，我終於在額度內成功搭建了這個 RAG 平台的 Demo App。這是一個從慘痛經驗中萃取出來的產物。 因為這個平台問問題還是會花我的錢，所以如果大家想要玩玩看的，只能夠到下週的AI社社課（5/4, 19:00-21:00, 博雅505） 來試用！ ⚠️ 重要提醒： 由於這是使用免費帳號搭建的 Demo，你上傳的資料其他人都會看到！ 請當作測試場域就好，千萬、絕對、務必不要上傳任何敏感或機密資料！

為什麼想做這件事 靜態網頁有一個很常見的誤解，就是「靜態」代表死的、不能動的。但其實搭配 CI/CD 之後，它可以做到很多人沒想到的事情。 我想做一件事：讓這個網站的某個欄位，每個禮拜自動更新，不需要我手動寫任何東西。我的動機有兩個： 第一個是純粹想測試 GitHub Pages 這類靜態部署在自動化上能走多遠。從爬資料、呼叫 LLM、到最後 commit 進 repo 觸發部署，整條鏈可以完全在 GitHub Actions 裡完成，不需要任何後端伺服器。這件事本身就很有趣。 第二個是實用性：GitHub Trending 是我覺得目前還沒有被充分利用的資訊源。每週跑一次 top 15，用關鍵字篩掉不相關的，剩下的讓 LLM 幫我整理摘要，然後自動發布到網站上。這樣我不用每週主動去追，資訊會自己跑到我的網站來。 技術細節 起點是找到一個乾淨的 RSS 來源。GitHub 官方沒有提供 Trending 的 RSS，但有人做了：mshibanami/GitHubTrendingRSS，每天自動更新，週報的 URL 格式長這樣： h t t p s : / / m s h i b a n a m i . g i t h u b . i o / G i t H u b T r e n d i n g R S S / w e e k l y / a l l . x m l 有了 RSS 之後，pipeline 的結構就很清楚了： ...

雖然我沒有直接擔任講師，但是這是NTUAI一次非常好的嘗試，雖然這次的活動還是有一些缺點，例如場地有點太小導致我們交談的音量混雜在一起有點困擾，或者是在桌遊店卻沒時間玩桌遊等等（這很重要！），但是透過這次的機會，讓講師和參與者進行連線，我在上禮拜五的活動中，也感受到活力滿滿、歡快的氣息。 也有可能是酒真的很好喝啦，我們買了裡面真的有檸檬的韓國燒酒，滑順香甜，覺得很讚。 最近也越來越多人意識到台灣coffee chat或者是這種交流文化相較於西方國家比較不盛行，也漸漸開始有越來越多相關的平台和活動讓人與人之間有互惠的交流，包含ntuai和我自己的coffee chat與podcast在內，雖然我是今年(2026)才開始認真經營，但透過幾次美好的交流經驗，我也漸漸發現到這一塊的重要，而且我是擅長將我的故事分享給他人的人。希望在未來我可以不忘初衷，就算真的很忙也要投入在這些事業上，不然只專注於技術真的太可惜了（也容易被AI取代！) 上星期五我們舉辦了 60 人的微醺聊職涯 AI Round Table。 這是 NTU AI Club (國立臺灣大學 人工智慧應用社) 首次舉辦大型圓桌活動，很榮幸再次與 Cake 台灣 合作，邀請到 8 位重磅講者與各位交流。 這次活動雖酌收些許費用，但不到 5 天即報名額滿，且有近六成非 NTUAI 社員（學生、社會人士）。顯示在 AI 技術劇烈發展下，大家對於深入了解 AI 職涯發展、創新創業與落地應用的企圖，早已打破界線、不再侷限於同溫層而已。 為了給大家最特別的體驗，我們做了幾個創新嘗試： 導入「AI 侍酒師」於報名過程中，即刻依據來賓經歷智慧推薦圓桌主題，並給出推薦理由。 這個網站由我帶領部門的 主題標籤#MarTech Engineer - 林奕昕（他也是本場活動的講者）在不到三天內迅速開發、測試並上架。在近期 Google API 時常 503 的情況下還能獲得超過八成的滿意度，算是非常好的表現了。 有參與者特地留言表示：「推薦結果跟我預想的圓桌志願一模一樣！」，這代表透過精準的工程設計，LLM 在極度有限的資料下也能做到令人驚豔的個人化推薦。 透過與 Cake 深度合作，共同尋找講師、善用宣傳資源。 在完全未投放付費廣告的情況下迅速滿額，非常感謝 Wan Hsuan Wu 的大力支持與協助。 活動名稱 主題標籤#AIcohol 前面兩個字母刻意設計為 主題標籤#AI ，微醺氛圍搭配自由 Networking，打破傳統圓桌交流框架。 有許多參與者也回饋他們與身邊來賓交流後，發現各個臥虎藏龍、經歷多元且豐富，能與各路好手共同交流 AI 產業知識、格局與思維，是非常難得的一次機會，很開心能讓大家有意外的收穫。 這場活動的成功，離不開所有參與夥伴的付出。 在此特別感謝五位重量級業界講師 Jeff Hu、Ray Chang、Marco (Yi Hsuan) WANG、Cheng Che Kuo、Chun-You Yang 的到來，也感謝 Mia Wang 主持本次活動、Guan Hua Wen 與 Jie-Kai (Jay) Chang 代表 NTUAI 擔任桌長，以及幕後協助活動的夥伴們。 這是我們全新的嘗試，可能有些不盡周全的地方（像是場地太小…），我們都會再檢討改進！ ...

在 LLM 的世界裡，我們常聽聞「多步推理（Multi-step Reasoning）」或「多代理架構（Multi-agent）」能顯著提升表現。對於激發創意、腦力激盪的場景，讓 Insights Agents 「多說幾句」確實能擴增語義邊界，激發出意想不到的火花。 但在對精確度要求極致的「金融量化驗證」場景，多說話反而可能讓表現變得很爛。 最近讀了 JPMorgan 發表在 EMNLP 2025 的論文 《A Multi-Agent Framework for Quantitative Finance》。這篇論文提出了一個包含 Data Summarizer、Finance Expert、Query Refiner 等「Insights Agents」的框架，試圖透過增加金融知識與數據預處理來強化 Base Agent 的表現。 雖然這項研究在學術上探索了複雜架構的可能性，但從實戰角度看，我必須說一句重話：這絕對不可能是 JPMorgan 內部實際在跑的 Production 系統。 原因很簡單：正確率（Pass@1）太低了。 1. 46% 的準確率：這只是個 Baseline 根據論文數據，即便疊加了這麼多 Insights Agents，整體的 Pass@1 準確率僅有 46%（對比單一 Agent 的 39.59%）。在處理「Hard」級別的金融問題時，準確率更是慘不忍睹 。對於量化金融這種「錯一個正負號就差之毫釐，謬以千里」的領域，這樣的表現遠未達標。 2. 「反思」的陷阱 (Reflection Trap) 論文提到了一個有趣的現象：在某些簡單（Easy）任務中，加入反思機制（Reflection）後的 Pass@5 或 Pass@10 指標竟然比沒加還低 。這再次證實了：如果 Agent 缺乏外部的物理驗證（如：硬性的符號檢驗或單元測試），它只是在「胡亂自信地修正」，結果往往越改越糟。 3. 缺乏標準答案的危險性 在真實業務場景中，如果我們手頭沒有標準答案（Ground Truth），這種「多代理、多話」的架構會產生極強的誤導性。它會吐出一堆看起來非常專業的金融術語、生成的代碼和詳細的反思日誌，讓用戶產生一種「它懂很多」的錯覺。但當你深究其計算邏輯，會發現它可能連欄位定義都搞錯了 。 核心反思： 金融驗證需要的是符號式的精確（Symbolic Precision）與邏輯的嚴密檢驗，而不是更多浮誇的語義填充。我們不能依賴 LLM 的「語言天賦」來解決「邏輯運算」的問題。 ...

去年的今天，我在米蘭大教堂吃Princi的奶油包、看米蘭大教堂、在森皮奧內公園躺者很隨便地刷者西班牙大停電的新聞，當天深夜要回巴賽隆納，我正在想者巴賽隆納機場到底會不會恢復營業，今年的現在，我正在看擔任機率助教課程時學生出的題目，趕者機器學習的作業，但是所有的機器學習作業都會有很多的零碎閒暇時間，我現在這個模型train一個大概要10分鐘，然後有很多種不同的variant要準備，看了model要看論文，看了論文要看數據合理性，就算覺得不太合理也會透過與ai討論讓他變得合理，最後還要把報告壓在六面之內，我默默的把一些好像不重要但對我來說很有趣的實驗結果刪掉，感覺有一點點空白。 在等待模型收斂的時候我永遠都在分心，就算我有在專注於目前的任務上，我也不敢一口氣改太多的code，深怕我一動，terminal在跑的任務就開始出bug，一步錯步步錯讓我的ddl追趕計畫更加的不從容，所以我就開始滑者一些無意義的手機試圖麻痺自己，等到滑完了模型也差不多好了，那我就看結果，看數據，繼續，然後看個論文之類的，這樣子的切換、整合、思考常常讓自己覺得是不是在孤軍奮戰。 但其實不是啊，我今天的行程是這樣的，我睡了九個小時多（我知道這對於研究生來說是不合理的時數，但我就很累很愛睡覺）、跟我的好朋友去錄音podcast兼吃午餐，跟實驗室開會，也吃了好吃的晚餐，但就是靜下來試圖要處理實驗室或助教或課程的時候常常會質疑自己，我目前做的一切會不會很空泛而沒有意義，就算我真的發現出了什麼，在AI的洪流下我就像一個微小的水滴一樣，可能滴下的時候會有一點小水花，但是AI以及把AI玩得嚇嚇叫的人總是會繼續產出更多會讓人分心的內容，我的研究和想法除了自己之外到底還有誰會認真對待？在現今注意力越來越破碎，太多人只看成就評斷他人，甚至連成就都不看只看外表或傳言就對人品頭論足，那我現在做的這些LLM研究、教學工作、甚至是普通的寫作業到底意義何在呢？ 我也在想，這些研究內容如果是讓LLM自己研究，搞不好他也可以做得很好，在LLM知識逐漸超過人類的時代，我們研究這些LLM可以很隨意的講出我原本要研究好一陣子才會理解的內容，那知識的意義和價值到底是什麼？ 其實這些問題我早就想過很多次了，也大概有初步的答案，例如說我正在建立dots, 未來我這些dots會被connect起來，像是我結合過往的實習經驗成功組合出一個更好的實習，或者是我過往的點子剛好合併起來，讓人想喊Eureka的時候，但我剛剛在隨機亂想的時候，我忽然想到，我累積的知識資本連接起來，應該可以讓我換更多的自由和可移動性。 我的生命函數是這樣的：我人生的最大效用函數是從現在此時此刻起到人生結束這段時間的快樂總和，然後有time weighted所以現在或者短期內快樂的效用是更高的且比較容易取得，但未來還有好長就算time weighted折現到現在還是重要，所以我現在不能夠直接放棄學術和研究因為這對未來重要。 那麼為什麼會說學術和研究甚至現在眼前的功課重要呢？那就要用倒推法推回去。 如果我要追求快樂，我認為最好的方式要馬是累積更多不同的體驗來為人生增添色彩，要馬是透過與人之間愉悅的相處來取得快樂，就是累積自己的選擇權，而且這些選擇權是「買起來沒啥成本，但用起來可能會在某個時間點很快樂的」，所以累積自己的選擇基本上就是在未來都可以保持「有很多個選項可以選」的狀態，通常這個狀態如果我選好的話可以帶給我快樂，至於如何幫我增加選擇呢？我認為來源可以歸類成兩個，一個是金錢一個是自由度（可移動性），這也是我目前最想要平衡的內容，如果我現在犧牲短期的快樂，那應該就要換來長期的快樂源頭，也就是金錢和自由度，而我做的那些讓自己現在沒那麼快樂的事情（例如現在的作業）帶來的經驗軌跡，通常都是為了提升這兩個指標。 而要怎麼得到金錢和自由度有很多種方式，但是其中提升自己可以選的選項是重要的，例如最近很紅的問題是問ai「你覺得我做什麼截然不同的工作會大放異彩？」，ai跟我說「非虛構敘事策展人（Non-fiction Narrative Curator）」或「城市歷史轉譯者」會非常適合你。我聽了他的理由也覺得非常的有道理，但是我要怎麼樣才能夠比較舒適的在有備援計畫的情況下，讓我嘗試這一塊呢？自然就是，首先我要累積賺到自由度和金錢才能夠去做選擇，那麼原則上做個人品牌，累積coffee chat和做podcast可以讓我認識更多人，我自然有更多選擇，這個算是直接的貢獻，然後去做軟體工程師，想辦法搞到google實習，這些就是同時累積金錢和自由度的好方式，而經營自媒體也是幫自己提升自由度，因為如果自己夠有能力（包含提升金錢和自由度）的話，就可以移動到不同的城市，花更多的時間做自己想做的事情（那些可以直接帶來快樂的事情），讓我可以回到米蘭躺者看人同時也能夠保持收入這樣。 哎兜兜轉轉一大圈還是得回到我有點不想面對的ddl，我現在學的llm技巧或者是機器學習基石，除了讓自己得到學習本質性的快樂以外，也是為了展示我的能力，這樣的dots累積更多，未來就能夠取得更多機會，然後選擇好的機會就可以帶來更多錢和自由，金錢、自由和機會是相互循環的，而我現在的投資技能長期來看至少可以幫我帶來自由金錢機會其中一個，而這三個的組和和正循還可以為我帶來快樂，例如我可以更無痛的嘗試城市歷史轉譯者這個領域，帶給我更多幸福及正循環，如果這三個加起來總和起來是提升的我應該都是一個幸運且在往上的人。

1. ☕️ 聊聊 AI，也聊聊人生：免費 Coffee Chat 預約 不要再做一些華而不實的自我感動了，來利用coffee chat破解職涯迷霧 我深信最強大的技術如果沒有經過對話與轉譯，就只是冰冷的代碼。我重視質疑精神、嚴謹的技術，以及真摯的合作。如果你也厭倦了 AI 圈常見的馬屁文化，嚮往那種「Zero-bullshit」、直指核心的交流，歡迎找我敲門。 Coffee Chat 對我來說是一個共學的過程，因此完全免費。如果你覺得這場對話對你有幫助，我會邀請你將這份喜悅轉化為對 他鄉狐狸 或者是台灣猛禽研究會的支持。這是我作為 DataFox，對這片土地與生態的一點私心。 2. 🎤 技術轉譯：公眾演講、工作坊與顧問諮詢 除了私下的 Coffee Chat，我也喜歡在講台上將複雜的技術碎形，拼湊成大家都能理解的實作地圖。我具備引領不同背景的使用者（從技術新手到中階開發者）深入理解 AI 應用的經驗。如果你有以下需求，歡迎來信洽談或直接預約時段討論： 🔸 針對企業與公部門 (Consulting & Speaking) AI 導入與基礎建設：避開盲目追求模型的陷阱，建立符合資安規範且具備商業邏輯的 RAG 系統。 跨部門 AI 通識教育：打破技術門檻，讓非工程人員也能精準掌握 Prompt Engineering 與 Agentic AI 的潛力。 🔸 針對技術團隊 (Engineering Workshop) LLMOps 工程實踐：從資料前處理、GraphRAG 建構到自動化評測流程的完整落地。 Agentic Workflow 設計：打造具備長期記憶、能自我糾錯且靈活調用工具的智能體系統。 On-Device AI 諮詢：評估 AI 模型在邊緣端（行動裝置）落地的可行性與效能優化。 最重要的：🗓 預約交流網址 / Book a Session “Þetta reddast”—— 冰島人常說「一切都會好轉的」。無論你是對技術感到迷惘，還是對職涯感到焦慮，說不定聊一聊，我們就能找到那個正確的推理路徑。 Calendly網址