共 111 篇記錄
AI生成的食物圖讓人反感，主要發生在兩種情況：畫面幾乎像真的但有破綻（Diel等人2025年研究，95人，這類圖比明顯不寫實的和寫實的都更讓人不舒服），以及看的人知道來源（Califano與Spence 2024年研究，297人，不知道來源時AI食物圖被評得比真照片更誘人，標明來源後兩者評得差不多，主要是標了「真實」的照片分數被拉高）。所以問題不在用了AI，而在做得不夠真，或輸給了「這是真的」這個加分。
依TypeSafe官方文件，Jev輸入每百萬token 0.042美金、輸出免費，官網宣稱比大型語言模型便宜444.6倍，但它只做多選一、是非、打分三種判斷，寫文案、生圖這類生成工作它替代不了。我們實測用它把36篇中文貼文分類，整批0.737秒、約台幣0.04元，所以它真正的價值是讓以前太貴不做的全量判斷變得幾乎不花錢，不是讓現有的生成帳單變小。
AI 分類器沒有信心分數時，猜錯的答案會講得跟猜對一樣肯定，我做的帳號分析工具就曾把我表現最好的寫法（反主流觀點，相對表現2.06倍）判成0篇。換成會回傳信心分數的模型後，同一批36篇貼文跑兩次比對一致率，抓出0.6的門檻，結果17篇被擋進模糊帶，可用樣本從35篇掉到18篇。
電商做AI虛擬試穿不用每件衣服都重新生成圖，服裝端的去背與特徵抽取這類前處理理論上可以在商品上架時做一次就存起來重複用（推論）；真正每次都要重新跑AI的是「這位顧客配這件衣服」這一組，FASHN.ai官方標準模式一張約0.075美金、5到17秒出圖（查證日期2026-09-21）。成本因此跟著試穿次數長，不是跟著衣服件數長，自行以匯率32換算，每月1,000次約新台幣2,400元、1萬次約2萬4千元。
故意在自己的工具上弄壞 12 種真實會發生的錯，自動檢查第一次只抓到 9 種。沒被抓到的 3 種裡有一種是已經明文寫進規則、AI 仍犯過四次的規定（手機深色模式不准出現黑底），因為檢查器從來沒有用深色模式量過網站。補完檢查器之後 12 種全部被抓到，同一天用一樣的方法測文案檢查器，放進 16 種常見錯誤，15 種被抓到。
6款免費影片製作工具裡，5款（HyperFrames、Whisper、auto-editor、ComfyUI、FFmpeg）不管團隊多大、有沒有賺錢，軟體本身都能完全免費商用（ComfyUI載入的模型要另查授權）；只有Remotion有明確人數門檻，公司超過3名員工就要買付費授權，方案每月最低100美元起。這是2026-09-21重新查證remotion.dev/license與remotion.pro/license官方頁得到的結果，本次查到Remotion拆成Creators跟Automators兩種付費方案。
目前沒有一套被驗證過、可以直接套用的IG帳號健檢框架（查證日期2026-09-21）。但Socialinsider分析3,500萬則貼文、447,613個帳號（2025年1月到12月）做出的基準數據可以當判準：以1千到5千粉的帳號為例，Reels平均觀看580次、輪播993次、留言3則。這份數據裡最反直覺的一點是，輪播在每個粉絲級距的觀看數與互動率都贏過Reels。
IG貼文網址代碼（shortcode）可以直接算出發布時間，正確公式是把代碼還原成數字後右移23位，不是網路上常見教學寫的22位。用Instagram Engineering官方部落格公開的ID欄位設計驗證一則2020年的公開貼文，23位算出來的時間跟Instagram自己頁面顯示的發布時間只差0.952秒；同一則貼文用22位算，會變成2029年，差了9年（查證日期2026-09-21）。
同一個IG主題分類，流量天花板可能差到6.7倍：2026-09-17用一個付費資料抓取服務實測（各抓約40篇，自媒體45、馬拉松39），自媒體主題的Reels中位播放21.6萬，馬拉松主題只有3.2萬。破十萬比例同方向（自媒體71%、馬拉松21%），但破萬比例騙人，兩個主題都卡在9成上下（91%、90%），因為關鍵字搜尋本來就先給熱門貼文。
「網站頁尾要放公司名稱、地址、電話，讓Meta爬蟲掃描才會過」查無官方依據。2026-09-21逐字重新讀過Meta官方4頁商家驗證說明文件，全文0次出現「頁尾」兩個字，官方對網站的硬性要求只有3條：能載入、符合HTTPS、沒有導致錯誤訊息的連結，格式和位置官方完全沒有規定。
AI生成的角色貼圖丟進Photoroom去背，白色填充的文字幾乎會整個消失，只留下描邊的透明輪廓，推測是Photoroom的AI去背把同色的白字當成背景的延伸，直接清掉。這是2026年5月做角色貼圖Photoroom整合時實測4輪迭代抓出來的，約一半的字消失或殘缺，修完後幾乎全數保留（目測，未逐字計數）。Photoroom官方文件裡沒有寫這條限制，2026-09-21重新查證troubleshooting頁與API文件都沒提到。
台灣沒有官方或第三方機構統計過單檔團購賣60萬以上的團媽、KOL、KOC有多少人，這是依飯團媽平台受訪（2020年報導）、KOL Radar網紅數量、美賣平台客單價推算出的費米估算，不是普查數字（查證日期2026-09-21）。從潛在團購主總數與網紅總數兩條路徑推算後，推測兩群人高度重疊不能相加，合併後範圍約1,000到3,000人（推論）。
台灣沒有一個官方管道能直接查到『哪個主題在IG或Threads上有流量』（查證日期2026-09-21）。IG Hashtag Search只給讚數留言數，不給播放數，還限制7天內最多查30個不重複hashtag；Threads Keyword Search完全不含任何互動數字，且限每人24小時最多2,200次查詢（Meta開發者文件）。查了二十多個來源後最可行的免費做法，是今天就整理3到5個對標帳號的公開貼文成效，自己建一張主題對照表。
Garry Tan的Thin Harness, Fat Skills框架（原文出處：Garry Tan 的 gbrain 專案文件，2026-04-11 版）五個核心概念，逐條對照一套實際在跑的Claude Code設定（2026-09-21實數），三個對得上甚至做得更細、Thin Harness只對一半：167個skill（36個自己寫）、19支hook、24份規則檔共1343行、738個記憶檔。唯一對不上的是diarization，框架講的讀多份既有文件、抓出說的跟做的落差、輸出一頁判斷摘要，這套設定裡沒有一支skill在做這件事。
Jev 是 TypeSafe 在 2026 年 9 月 15 日發表的 System One 模型，它不生成文字，只回傳三種有型別的決策：Choice 從定義好的選項挑一個、Score 照等級打分、Bool 回傳是的機率，每一種都附機率分布與信心值。輸入每百萬 token 0.042 美金、輸出免費、回應時間 70 到 500 毫秒。它適合「從固定選項裡選一個」的題目，不適合任何需要產出文字的工作。
Claude Code 的記憶檔一旦超過讀檔工具單次 2,000 行的上限，後段就等於不存在，而記憶通常是往檔尾追加，所以最先消失的是最新寫進去的內容。我的最大主題檔長到 4,572 行、近期紀錄檔長到 4,513 行，解法是拆成子主題檔加目錄、近期紀錄改成保留 14 天並在每次開場自動搬走舊段落，兩個檔都降到 2,000 行以內，逐行比對 0 行遺失。
AI 記憶索引清完又肥回來，是因為清理只改了起點沒改斜率。我用 git 還原自己兩次瘦身：第一次從 44,304 bytes 砍到 3,629，成長率也從每天 1,150 bytes 降到 256，但斜率還是正的，118 天後又長回 33,804 bytes。真正的解法是讓索引大小跟記憶總數脫鉤，主檔只列固定分類不列單一則記憶，這樣新增第 558 則記憶時主檔增加 0 bytes。
我關掉AI自由問答的原因不是模型不好，是我沒有給它完整的資料，而它面對缺口不會閉嘴，會自己填。填出來的答案又會延伸出更多問題。我的LINE Bot上線5個月、246位使用者，最近1000次功能互動裡有116次是系統聽不懂的輸入，佔11.6%，在開放自由問答的架構下這116次全部由模型自由發揮。2026年6月改成只留8個固定指令，非指令一律導回功能選單。
迴圈工程是設計代理人自己跑的那個循環：推理、行動、觀察、更新狀態、驗證、重複或停止。它跟提示詞工程的差別在於人的位置，你不再站在對話框裡逐句下指令，而是預先定義好什麼叫做完、誰來驗、驗不過怎麼辦、什麼時候該放棄。我用主流的 7 項檢查清單審自己那條 9 棒剪片產線，5 項對上、2 項沒有，沒對上的是硬性次數上限跟跨場學習。
台灣在 Anthropic 經濟指數的人均使用指數是 2.08，在 121 個國家裡排第 31，意思是台灣的 Claude 使用量是以工作年齡人口推算的 2.08 倍。但台灣的絕對用量占全球 0.79%，那個排名是第 23。跟全球比，台灣最明顯的四個偏離是工作用途高 3.7 個百分點、課業用途低 4.4 個百分點、來回打磨低 3.7 個百分點、學習型對話高 2.2 個百分點。
查一份行銷框架報告能不能用，最快的兩個切入點是它的專有名詞跟它的理論支柱。我逐條對 Meta 官方文件查了這份「Andromeda 1 加五環奧林匹克」報告：Andromeda 本身是真的，Meta 工程部落格 2024 年 12 月 2 日發布，官方數字是檢索召回率提升 6%、選定區隔的廣告品質提升 8%，但「Andromeda 1 帳戶架構」不是 Meta 的用詞，而且 Andromeda 管的是把幾百萬支廣告縮到幾千支候選的檢索層，跟帳號要開幾個廣告組沒有關係。更致命的是支撐整套五環的「遞送序列」，那是把 Meta 的 sequence learning 讀反了：官方講的序列是使用者自己的行為事件序列，不是廣告主的素材播放順序。7 個檢查點裡 4 個站不住、2 個對但漏了適用前提、3 條可以直接用。
讓 AI 產品不講出違法的話，最有效的做法不是把規則寫進 prompt，是把它沒有能力講的東西從它的職責裡拿掉。我的辨識工具裡模型只負責兩件事，判斷是哪一種蟲、寫一句好笑的話，商品名稱、許可證字號、處理建議全部由伺服器端的對照表決定，prompt 裡一個商品名都不出現。再加兩道保險：模型寫的每一句話送出前過禁用詞掃描，命中就整句換掉；辨識信心度低於 60 分完全不推薦任何商品。
分享機制沒用，不一定是機制做得不好，可能是分享這個動作本身對使用者有代價。我做的工具最常見的辨識結果是德國蟑螂，而把「我家有蟑螂」轉進群組等於公開自家很髒，社交貨幣是負的，所以加再多分享按鈕都是在推一顆本來就往下滾的球。解法不是加按鈕，是把分享的內容從答案換成題目：分享頁改成先出四選一的猜謎、猜完才翻牌，連社群預覽都不放答案。
ponytail 有效，但不是每題都有戲劇性差別。我用同一組題目、同一個模型、溫度 0 跑對照，唯一變因是有沒有帶 ponytail 的規則：三題合計程式碼行數從 59 行降到 33 行（少 44%），輸出 token 從 888 降到 567（少 36%）。差最多的一題少 69%，因為沒帶規則的版本自己裝了 express 開了一整台伺服器；但剪貼簿那題兩邊都用了瀏覽器內建的 API，差距只有排版級。
ByteByteGo 的 Top 12 Agent Skills 清單星數是真的，我用 GitHub API 逐一查證過，12 個全部屬實而且實際星數比圖上更高，因為圖是八月初做的。但排名已經不準，graphify 實際 109.6k 排第 7 不是第 10，而 everything-claude-code 已經改名為 ECC。真正該注意的是重複：把這 12 個對照一套已經在跑的 129 個 skill 架構，有 5 個是已經裝了或功能重疊的，只有 caveman、ponytail、superpowers 裡的計畫執行那幾個值得補。
LINE 社群（OpenChat）不能用官方 Messaging API 放機器人，官方文件只列一對一、群組、多人聊天室三種聊天室類型，社群不在其中，開發者實測邀請官方帳號進社群連 join 事件都不會觸發。想在社群裡做自動化只有三條路：社群內建的三個自動程式（翻譯、垃圾訊息過濾器、自動回應，免費且官方）、2026 年 1 月 19 日開放的開店幫手綁定（官方，但只做導購），以及用私人帳號跑非官方程式（功能沒有上限，但違反服務條款第 13 條，隨時可能被停權）。
grill-me是一個讓AI在動手前反過來拷問你的Claude Code skill,問到每條決策分支都有答案為止。它的檔案全文只有一行Run a grilling session,真正的邏輯在另一支叫grilling的skill裡。它現在不是一次問一題,而是一圈一批:每輪只問前提已經確定的那批問題,你答完它重算下一輪,直到沒有問題可問才准動手。
不用。Ahrefs 分析 174,048 個被 AI Overview 引用的頁面，字數跟引用位置的 Spearman 相關係數是 0.04，等於沒有關係。被引用的頁面裡有 53.4% 不到 1000 字，平均 1282 字，中位數 1115 字。決定你會不會被引用的不是長度，是那一段能不能直接回答 AI 正在拆解的那個子問題。
CLAUDE.md 要輕，只寫這個專案特有的坑，不要寫模型本來就會做的事。Anthropic 為 Claude 5 世代砍掉超過 80% 的 Claude Code 系統提示，程式評測沒有量到退步，理由不是省 token 而是規則太多會互相稀釋。我量自己的設定，每次開工載入 446 行、按需載入 1475 行，而其中一條規則在五個常載檔案裡重複，同時已經有一個攔截程式在執行它。
AI 剪影片品質不穩，多半不是模型不夠強，是一支 AI 被要求同時做完太多種判斷。我把流程拆成九個角色（環境、辨識、語意校正、內容規劃、剪輯、交件、運鏡、B-roll、動畫），每個只做一件事，並且把所有內容判斷集中在同一棒、其他棒只負責執行。拆完之後最明顯的差別是失敗變得可歸因：哪一棒做壞、量到什麼數字、該退回誰重做，全部看得出來。
文件跟程式不同步，根因是同一份資訊有兩個副本而沒有東西比對它們，靠紀律維持一致一定會漏、差別只在哪一天。解法照三個順序：能改結構的改結構（把清單改成掃資料夾，那份清單就不存在了，也就不需要檢查）、改不動的寫自動比對、最後才是寫更詳細的規則。第三個最沒用，我的證據是那份清單的註解裡就寫著上次漏過，我照樣又漏一次。
Redis 的 capped list（LPUSH 加 LTRIM）保留的是「最近 N 筆」不是「最近 N 天」，所以它答得出「剛剛發生什麼」，永遠答不出「上個月有多少人用」。我的 500 筆訊息記錄實際只涵蓋 7 天，1000 筆指令記錄涵蓋 60 天，而且使用量越大可見歷史越短。解法不是調高上限，是在事件發生的當下就累加進月度計數器，一個月 7 個 key，永不裁切。
Claude剪片目前有兩條路。燒錄式是Claude寫FFmpeg指令直接輸出成品,跨平台免費但改一個字要整支重跑;時間軸式是Palmier Pro這種開MCP服務讓Claude動時間軸,剪完留在編輯器裡可以手動再調,但它只支援macOS 26加Apple晶片,Windows完全裝不了。
AI的驗收題會被打滿，四次全過不是制度變好的證據而是該換題的訊號。我的Threads貼文驗收題在7月4日的基準線是3條違規，8月2日重跑四次全部6判準通過、三次還是第一版就過。這時候繼續拿它當驗收工具，任何制度改動都會顯示沒有變差，因為它已經量不動了。同一天我想跑消除法測規則價值，也失敗了：規則是session開場載進記憶體的，中途搬走檔案，同一個session裡派出去的子任務仍然能逐字引出那些檔案的原文。
「送出前檢查一次」這類自檢規則，只有可機器判定的才值得寫成檢查器，判斷型的硬做會變成假保險。我實際盤點自己的8條自檢規則，只有3條（格式、字串、數量）能被腳本驗證，另外5條是判斷（這句話踩在哪個事實上、有沒有跑過三個螢幕尺寸、有沒有附回報格式），寫成腳本之後會永遠回報通過，比沒有檢查更糟，因為它會讓人以為驗過了。
「每6個月刪掉CLAUDE.md」這個建議要打折執行，因為它針對的是矯正型規則，不是偏好型規則。Boris Cherny刪掉的是Anthropic給全世界使用者的通用系統提示詞，那些是在補模型當時做不到的事，模型變強就過期；個人的CLAUDE.md有一半是偏好，例如標點格式、語氣、回覆優先順序，模型再強也猜不到，永遠不會過期。我實測自己的設定，每次開場常載31,391字，只佔1M context約2到3%，所以刪規則的理由不是省空間，是解綁。
AI自我驗收會失敗，共同結構是「參照物來自流程內部」：AI用自己的推算去驗自己的產出，錯了自己看不出來。一天內我三次回報檢查通過，兩次是假的，一次是自訂的頭頂估算公式用平均情況校準，讓被切掉的畫面通過；一次是在縮小的合成畫面上跑人臉偵測，臉太小抓不到，回報「60%的畫面臉被切掉」的假陽性。修正方式是驗證的參照物必須來自流程外部，而且數字通過後要再做一次人眼確認。
只有錄音檔沒有影像也能做短影音：用Whisper轉逐字稿加逐字時間戳，把句子按語意分組，每組配一組英文查詢詞去Pexels免費影片API抓直式素材，裁成1080x1920接起來再燒字幕。我用82.2秒的錄音實作，扣掉開頭8.6秒空白、結尾4.4秒辨識幻聽、中間4.0秒氣口，產出65.5秒成品共16個鏡頭，全程26分鐘，素材成本0元。
用人臉偵測逐格分類一支80.8秒的IG爆款影片後，量出全屏畫面只佔20%（15.5秒）、分割版面佔80%（63.8秒）、全片切換7次、平均每段11.3秒。切換不是隨機交替：講事實、講數據、講流程時用分割版面，講感受、看鏡頭講給你聽時切全屏。另外分割版面的比例是人像框佔畫面70%、上方面板只佔29%，跟直覺相反。
官方CLI跟官方MCP底層打的是同一個API,差別在為誰設計:CLI給人在終端機打指令,MCP給AI直接呼叫。當你是叫AI幫你操作而不是自己打,MCP通常更順,因為它結構化、雲端託管、AI呼叫出錯率低;CLI只在不需要AI在場的排程自動化時更划算。2026年已有50多個知名工具官方CLI加官方MCP兩個都出,包括GitHub、Stripe、Notion、Meta Ads。
寫skill的根本目標不是產出漂亮內容,是讓AI每次跑同一個流程,這叫predictability可預測。四個做法:內容按需求急迫度分層、把反覆出現的概念壓成單一引導詞、逐句做no-op測試砍掉沒改變行為的話、用正向指令取代禁止句。我維護半年的6層知識架構,跟Matt Pocock那個18萬星的skills repo,各自獨立長出同一套分層結論。
不用付費剪輯軟體,用FFmpeg加OpenAI Whisper加opencc就能把口播影片剪成有黃字關鍵字字幕、畫中畫標卡、分段推鏡、多樣音效的reels。我在一台Windows HP i7筆電上全程CPU跑完,產出一支60秒成品,字幕用whisper turbo模型轉繁中,所有視覺樣式靠一個Python生成的ASS字幕檔控制。
AI agent 自我進化有兩條軸：一是 context 學習，改它知道什麼，例如記憶、提示詞、技能；二是 harness 學習，改它執行的環境本身，例如自動幫每則訊息加時間戳、自動掃描機密、自動執行某個檢查。Letta 2026 年 7 月發布的 Mods 把 harness 學習做成產品，讓 agent 自己寫程式改自己跑的環境。關鍵差別在於：一條「每次都要記得做」的規則，如果反覆失效，光把規則寫得更清楚沒用，因為那是 context 層，要靠 agent 每次主動想起來；真正的解法是搬到 harness 層，讓系統自動執行，agent 想不起來也會發生。
Claude Code 吃掉開場 context 的通常不是 memory 而是 rules。實測我自己的設定：每次開場固定載入 1067 行，其中 rules 佔 779 行、CLAUDE.md 187 行、MEMORY.md 索引只佔 101 行，而 384 個檔案、2.7MB 的 memory 資料夾因為是索引加按需讀取，開場一行都不佔。解法是速記加全文分離：規則本體留在常載檔，來源故事、完整對照表、正反例搬到觸發時才讀的全文檔。三份檔案實測從 368 行降到 51 行，常載 rules 從 779 行降到 462 行，內容零丟失。
用 AEO SEO 幫電商導購在 2026 年不是賺錢的第一選擇。AI 助理帶來的流量轉換率雖然比 Google 自然搜尋高 31 到 42%，但量只佔全部推薦流量的 0.3%，比 Google 自然搜尋小 47 到 190 倍，撐不起一個小站的銷售。關鍵是廣告跟 SEO 抓的是兩種需求：廣告抓你創造的需求（人本來沒想買，被廣告打中才買），SEO 抓已經存在的需求（人自己上網搜）。所以正確順序是先用廣告賺現金流、同時探測哪些商品真的會賣，再把「會賣而且有人搜、又不在法規雷區」的商品做成 SEO 內容資產。SEO 內容前 6 個月幾乎沒銷售，12 個月才看得到結果，它是複利資產不是快錢。
Meta官方Ads MCP（mcp.facebook.com/ads）能讀數據也能投放，但有兩個最貴的坑：台幣預算沒有小數單位，傳450000會把日預算變成NT$450,000；投台灣的廣告組合需要「已驗證刊登者身分」，MCP填不了這個欄位，只能在廣告管理員用複製繞過。
用網站流量榜判斷台灣電商勝負會判錯，因為這場仗打在毛利不在流量。經濟部統計處資料顯示 2025 年台灣電子購物業營業額只年增 3.4%（2020 到 2021 年時每年成長超過 2 成），市場進入零和。Coupang 財報顯示含台灣的 Developing Offerings 部門 2026 年第一季營收年增 28%，但同期調整後 EBITDA 虧損 3.29 億美元（去年同期 1.68 億），全年預估虧 9.5 到 10 億美元。momo 的流量幾乎沒掉，但財訊 2024 年 8 月報導其毛利率 9.11%、年減 0.84 個百分點，每股盈餘年減 8.8%。流量榜上完全看不到毛利，所以看流量會得出相反的結論。
可以。我用Claude Code對4年的HP Victus 16筆電執行13項優化，主機健檢分從17提升到75（100分制），硬碟淨增8.8GB，還抓出病毒碼停更1429天卻仍在掃描的殭屍防毒。全程人機分工約90/10：AI做盤點、清理、驅動更新、驗證，我只按幾次管理員授權、重開機1次、拍板資安決定。
螢幕時間悖論套在 Claude 這種訂閱制 AI 上，比套在手機或 IG 上弱很多，關鍵在商業模式。手機和社群靠廣告賺錢，你用越久看越多廣告，所以叫你休息是表演。但 Claude 的 Pro 或 Max 是月費吃到飽，一個付固定月費的人用越少，供應商的運算成本越低反而越省，叫你少用一點沒那麼矛盾。只有按用量計費的 API 那層，用越多賺越多，才真的有這個利益衝突。所以這個批評抓了個好標題，但用第一性原理拆商業模式，訂閱制 AI 的利益衝突比廣告社群小得多，不能直接類比。
技術上幾乎任何網站的公開內容都能透過某條路接進 MCP，但『可以』是一個光譜不是是非題。難度從十分鐘一鍵搞定，到要一直修的脆皮工程，到根本不該做，差 100 倍。決定你落在哪一段的不是 MCP 這個協定，是這個網站有沒有 API、要不要登入、有沒有反爬牆、還有你有沒有權限。MCP 只是轉接頭，不爬網頁不登入不繞防護，真正的功夫在怎麼把資料乾淨弄出來。
GA4 有官方 MCP，由 Google Analytics 團隊自己維護，而且只能讀不能改設定，接起來安全。Google Ads 沒有官方 MCP，市面上的 Google Ads MCP 全是第三方社群做的。差別的關鍵不只是官不官方，是權限：GA4 官方是唯讀，最多讓 AI 查數據；第三方 Google Ads MCP 通常有寫入權限，能建廣告、改預算、花錢。對代操來說，接一個第三方 MCP 到廣告帳戶，等於把客戶的廣告帳戶鑰匙交給一個社群工具，這是要謹慎評估的風險。
以第三方獨立指數看，GPT-5.6 Sol 綜合智力 59 確實贏 Claude Opus 4.8 的 56，但輸給 Claude 最強的 Fable 5（60）。所以「GPT-5.6 比 Opus 強」半對，但比錯了對象，因為 Opus 4.8 不是 Anthropic 最強的。以 CP 值算（輸出價格除以智力指數，越小越划算）：Opus 4.8 是 25÷56=0.446，GPT-5.6 Sol 是 30÷59=0.508，Opus 4.8 較划算；但輸入為主的工作 Sol 微贏。更重要的是 CP 冠軍永遠不是旗艦，智力分數邊際遞減，真要省錢是用便宜階做多數工作、難的才升旗艦。
/loop 是 Claude Code 的排程循環功能，讓一個指令或任務重複跑到完成或你喊停。它有兩種模式：固定間隔（例如 /loop 5m 每5分鐘跑一次），跟不給間隔讓模型自己判斷下次何時跑的自我調速模式。搭配 Fable 5 這種長時間專注的模型，可以把25種重複的商業工作變成排程自動跑，涵蓋行銷內容、產品、營運、研究決策四類。關鍵紀律：每個loop一定要設預算上限跟停止條件，便宜的活先派小模型，只有難的才升Fable，否則一個不會累的模型也不會自己停。
Fable 5 自我進化 agent 的核心觀點是：自我進化是系統的能力，不是模型的能力。模型的腦袋（權重）是固定的，真正變強的是外面那套會累積的系統。它分四層複合堆疊，由下往上疊、每層依賴下一層：第一層基礎（模型、分身、worktree、工具），第二層調度（/goal、工作流、排程），第三層記憶（STATE.md、技能庫、知識庫），第四層自我進化（視覺檢查、評估迴圈、規則萃取）。要注意文章對 Fable 5 定價的宣稱有誤，它說輸出成本是 Opus 4.8 的5倍，實際核對官方定價是2倍。
loop engineering 是「設計 AI agent 自己跑的那個迴圈」這門工程，被業界視為 2026 prompt engineering 的接班人。重點從「你寫題目給 AI」變成「你設計那個會自己給 AI 出題、自己檢查、自己決定做完沒的系統」。我實測讓一個寫手分身加三個不同角度的審查分身跑生成→挑錯→重寫的迴圈，3 輪、12 個分身、約 75 萬 token 跑完，最有價值的不是完美成品，是它沒收斂：三個審查角度逼出了題材本身的矛盾。這就是核心，機器負責把品質往上逼，人負責拍板方向。
用官方 Meta 行銷 API 投放也可能被判自動化違規鎖帳號。關鍵不是有沒有用 API，而是 Meta 官方規則寫明「用腳本自動化建立或操作帳號是被禁止的，除非透過授權管道且不違反其他規則」。就算走官方 API，只要動作太機械化（一小時改 30 次以上預算、機器般精準定時、抓數據快到不像人手），或工具其實走非官方管道（爬蟲、瀏覽器模擬、非官方 MCP），累積大約一週的異常訊號就會觸發帳號誠信封鎖。
Meta 官方 Meta Ads MCP 在 open beta 開了 29 個工具，分五大類：開／改活動 5 個、商品目錄 10 個、帳號與資產 3 個、追蹤品質診斷 4 個、成效洞察 7 個。對電商廣告主最先該用的是成效洞察跟像素／轉換 API 診斷這兩類唯讀工具，能把拉報表從 20 分鐘壓到 90 秒；寫入型（開活動、改預算）因為沒有原生人工批准機制，beta 階段不建議讓 AI 自動跑。
Meta Ads MCP 的接入 endpoint 目前有兩個版本在流傳：mcp.facebook.com/ads 跟 mcp.meta.com/ads。我 2026-07 重查一輪無法一槌定音，多數第三方設定教學寫 mcp.facebook.com/ads，也有資料校正成 mcp.meta.com/ads，Meta 官方公告頁沒直接列出完整字串。唯一能確定哪個對的方法，是實際在 Claude Desktop 貼上去，看哪個跳出 Meta Business OAuth 授權畫面，填錯會直接連線失敗、沒有有用的錯誤訊息。
學 AI coding 最該先搞懂的不是「一個 app 由哪些零件組成」（前端、後端、資料庫、登入這些零件 AI 本來就會），而是 context engineering：怎麼把規則、品牌、判斷標準事先寫成檔案餵給 AI，讓它穩定產出、越用越強。我用 Claude Code 做了 20 多個上線工具的經驗是，同一個需求，有沒有先寫好 context，產出品質天差地別。
不囤貨電商的第一步不是選品也不是急著開店，是先決定「賣給誰 + 賣哪個平台」。多數新手一上來就找商品，選到紅海品類怎麼推都不動。正確順序是：定客群與平台 → 用數據選品測款 → 小量引流驗證 → 出單後再放大。順序錯了，後面再努力都是補破洞。
電商賠錢多半輸在選品不是輸在行銷。5 個最致命的選品坑：跟風熱門品撞進紅海競爭、毛利太薄扣完平台費運費沒利潤、退貨率高的品類（服飾尺寸、3C 故障）、季節性商品壓貨、規格太複雜客訴退換多。共通解法是選品前先算「扣完所有成本後一單實際賺多少」，算不過的品再熱門也別碰。
auto-editor 是一個自動分析音量、把影片裡靜音和廢料空檔剪掉的命令列工具，最新 v31.0.0（2026-06-17 推出），採公共財授權完全免費。它是純命令列、非互動、參數固定的確定性工具，很適合用 Claude Code 這類 AI agent 透過指令驅動做批次自動化剪片。限制是它只做機械式去靜音和去靜止，不判斷內容好壞，是草剪加速器不是創意替代。
測試期用 ABO，放大期用 CBO。ABO 在每個 ad set 各自設預算，你能保證每個變數拿到一樣的量，適合公平比較素材或受眾。CBO 把預算設在 campaign 層由 Meta 自動倒給表現好的組，效率高但會在還沒收斂前就把錢集中到早期領先的組，拿來做測試會餓死其他組、得到誤導結論。已知哪個會贏、要放大規模時才換 CBO。
測 Meta 廣告 hook 要用控制變數法：同產品、同受眾、同預算、同落地頁，只換開頭那段。多數人測不準是因為一次換太多變數（換圖又換文又換受眾），分不出誰的功勞。判讀靠三層指標對照：hook rate（前段抓不抓得住）→ CTR（勾不勾得動點擊）→ CPA（最終生死）。hook rate 高但 CTR 低代表中段沒接住，CTR 高但 CPA 高代表問題不在 hook 而在受眾或落地頁。
選 Meta 廣告興趣標籤不要堆一排熱門相關詞，那等於跟所有對手搶同一批最貴的受眾。改用文氏圖思維：列出產品的 2-3 個用戶特徵，用 Meta 的 narrowing（必須同時符合，AND）找交集，鎖「邊界受眾」。熱門標籤是 OR 任一符合，邊界受眾是 AND 多條交集，競爭少且意圖更強。
Meta 廣告每天該盯的決策指標就 5 個：hook rate（素材前段行不行）、CTR（整體勾不勾得動點擊）、CPA（最終獲客成本，生死線）、ROAS（電商有金額時看划不划算）、frequency（同一人看幾次，太高代表受眾疲乏）。CPM、CPC 這類是中間指標，不該拿來焦慮，只要 CPA / ROAS 達標，CPM 高也沒關係。紅線不是絕對數字，是對齊你的單位經濟：CPA 超過一個客戶能賺回來的錢就是賠。
用AI自動生Threads文案，AI能做到約85%：貼文結構、語氣、斷行、字數、emoji配對、開頭鉤子，這些寫進prompt就能穩定產出。但讓貼文爆的那15%，一個只有真人講得出來的具體真實細節（例如『我媽把890元的油拿去炒菜』），AI編不出來，因為它不知道你的真實經歷。硬要它編，就會生出造假的細節（你沒養狗它寫你養狗）。繞過這個天花板的唯一方法，不是換更厲害的prompt，是改流程：先用一個具體好回答的問題，從真人身上問出一句真實細節，再讓AI把那句寫進文案。
在同一個全新Threads帳號上，用『奉勸開頭+罐頭句』的種草貼文觸及落在100到500觀看，但一篇純故事貼文（內容是『我媽把我890元的橄欖油拿去炒菜』）衝到9974觀看，差距約20到40倍。因為帳號相同，觸及差距100%來自內容本身，不是帳號權重。真正的差別不是『奉勸開頭好不好』，而是貼文裡有沒有一個只有真人講得出來的具體細節：故事文有『890元橄欖油被拿去炒菜』，奉勸文接的是『沒用不知道一用才發現』這種人人都能寫的罐頭句。
拆解多篇Threads爆款後，共通點不是開頭用『奉勸』還是『故事』，而是貼文裡有沒有一個只有真人講得出來的具體真實細節。除蟎機奉勸文爆7175讚，因為有『跟兒子躺的沙發有夠髒、懷疑大腿疹子是它害的』；橄欖油故事文爆9974觀看，因為有『我媽把890元的油拿去炒菜』；冷氣爆文有『我自己裝結果壓縮機燒掉賠一萬二』。反觀低觸及的貼文，奉勸後面接的是『沒用不知道一用才發現』這種人人能寫的罐頭句。勝負點是具體真實細節對上空泛罐頭句，不是開頭公式。
Claude Code裝CodeGraph後，每次找函數位置、拉task上下文、做影響分析的token消耗實測省30-60%，tool call數量減70%，速度快5-10倍。前提是專案要中型以上（500+檔案），單檔小工具裝了沒效益。
Claude Code 寫程式 + Vercel 部署 + 以「一個週末」為最小單位，12 個月可以做出 30 個 AI 工具，其中 19 個能對外給人用。關鍵不是會寫程式，是有真實痛點清單，跟願意 ship 醜版本。
Anthropic Claude Code 核心工程師 Thariq Shihipar 主張「停寫 Markdown 用 HTML」是針對「跟 AI 協作的 output 格式」（即時可讀 + 視覺化 + 互動）。Obsidian CEO Steph Ango 的「file over app plain text」哲學是針對「資料長期儲存格式」（跨百年可讀）。兩派表面相反實際討論不同層次，AI 時代要兩種都會用。
Meta /act_xxxxx/insights endpoint 用 ads_read scope token 即可 call，回傳每個 campaign 的真實 cpm / impressions / reach / spend。實測台灣某 act 過去 90 天 CPM 範圍 NT$30 到 NT$405。個人廣告主免 App Review，10 分鐘搞定。對「已投過的興趣」拿真實歷史數據準確。
個人廣告主想自建 Meta 廣告數據自動化工具前，至少花 1-2 小時實測 API 真實 response 再決定。我評估 8 小時後收手，主因是 Meta API 2026 已不給 bid 數據，原本要做的工具沒辦法用程式化 API 實作。先驗證救了我 8-11 小時白做的時間。
2026 年沒有 API 直接給 Meta 廣告興趣的 bid 推薦，要組合 4 tier 8 個方法間接測。最便宜組合：Ad Library 網頁手動搜（看對手活躍度）+ 你自己 ads_insights 歷史 CPM 對照。最準是開 NT$300 預算燒 24-48 小時看真實 CPM。付費省時間版是訂 AdTargeting.io 月費 $129。
Meta Marketing API 2026 已不回 bid 數據。reachestimate 只回 users_lower_bound / users_upper_bound / estimate_ready 三欄，bid_estimations 欄消失。delivery_estimate 的 daily_outcomes_curve 永遠只回 1 個全 0 的點。v22 跟 v25、加 bid_amount、加 budget、換 optimization_goal 都試過，無法解。
Supabase free tier project paused 後 DNS 變 Non-existent，3 家公共 DNS（默認 / 8.8.8.8 / 1.1.1.1）都解析不到，跟 project 被刪掉一樣症狀。判斷死活看 supabase.com/dashboard：still listed but「Paused」可以 Resume，dashboard 找不到才是真的刪掉。Resume 後幾分鐘到幾小時 DNS 才會重新生效。
個人廣告主用 Meta Marketing API ads_insights 看自己廣告數據，不用過 App Review 也不用 Business Verification。前提是 Facebook 帳號是該廣告帳號的 admin。走 Development Mode + Standard Access + ads_read scope 三件套即可，10 分鐘建立。多數中文教學會誤導你以為要過 review。
Tailwind CDN 在瀏覽器即時掃 DOM 生成 CSS，render-blocking 800-1000ms，Tailwind 官方文件第一句就明寫「不要拿去 production」。預編譯成靜態 CSS 後 19.8KB 純檔（gzip 4.6KB），實測 wk-qa-bot 課程頁 critical path 砍 64%，手機 4G LCP 從 3-5 秒降到 0.8-1.5 秒。
從 1 月中共軍委張又俠劉振立落馬到 5 月愛爾麗 18 間醫美診所被搜出煙霧偵測型針孔，2026 已揭穿 34 件虛假事件。背後有兩條主軸：科技揭穿人類偽裝（AI deepfake 軍備競賽 + 北韓 IT 假身分滲透美國 + K-pop 偶像種族歧視被翻車），以及權力結構自爆（少林寺釋永信四罪起訴 + 楊蘭蘭澳洲豪車案 + 美國國會性騷擾和解黑幕）。
Claude Code 有 4 層記憶架構（CLAUDE.md / .claude/rules/ / .claude/skills/ / memory/），不是只有 MEMORY.md。我的索引爆掉時叫 Claude 解，他連續 5 輪都只給表面方案（清理 / 搬移 / 拆檔 / 自動化 / 排序）。我每輪戳破，逼到第 6 輪他才查官方文件發現 .claude/rules/ 系統。最後選混合機制存檔，並萃取出 Claude 的三組系統性偏見（prompt-first / state-first / knowledge-gap blindness）。
Meta Ads MCP 在 2026-04-29 開放 open beta，接入 connector URL 有兩個版本在流傳（mcp.facebook.com/ads 跟 mcp.meta.com/ads），2026-07 重查仍無法一槌定音，唯一確認法是實際貼進 Claude Desktop 看哪個跳出 OAuth 授權畫面。透過 Meta Business OAuth 授權後系統會 provision 專屬 URL（含 your-business-id），免 Meta Developer App、免 marketing API approval。但 per ad account 逐步開通、寫操作沒原生 guardrails，建議先用讀模式跑分析，寫操作走人工 Ads Manager。
跟 Claude 工作有兩種提問模式，差別在廣度 vs 深度。「完整分析」是廣度，AI 多覆蓋維度但本質是「更全面地走同一個方向」，核心判斷不變。「為什麼錯」是深度，逼 AI 攻擊自己的推理鏈，找出判斷失誤點和系統性偏見。Claude 預設給答案模式，需要明確觸發詞才會切換成審判自己的模式。
Gemini 任何 model（含 Nano Banana / Gemini 2.5 flash image）都不會輸出 RGBA 真透明 PNG，輸出檔案是 PNG 容器但 alpha channel 永遠是 255（不透明）。我實測幾十次 prompt 變體全部失敗，最後改用 chroma key pipeline 解決：讓 Gemini 輸出純綠色背景的圖（這它能做），後製用 HSV + Floodfill 演算法把綠色去掉換成透明。
Vibe coding 新手能在 90 分鐘內做出可上線的 SaaS 工具，前提是用 Next.js 16 + Vercel + Anthropic Haiku 4.5 這套已驗證的範本。我 2026-04-26 從題目評估到生產部署 wk-semantic-gap 共花 90 分鐘，包含 3 個 env 變數、5 個 React 檔案、1 個 API endpoint，總開發成本 0 元（Serper 免費額度 + Anthropic 共用 key）。
Claude Pro 訂閱（NT$600/月）跟 Claude API 是不同產品。API 是按 token 計費的 pay-as-you-go，Haiku 4.5 定價 input $1/M、output $5/M tokens。實測 1000-1400 字繁中 AEO 文章一篇成本約 US$0.02（NT$0.65），每天寫 1 篇月費約 US$0.6（NT$20）。Pro 訂閱不會送 API 額度，兩個帳單分開。客戶用 AI 寫文章後台用 API 比訂 Pro 划算 30 倍。
Gemini 2.5 系列 REST API 的 thinkingConfig 必須嵌在 generationConfig 內，不能放在 request body 頂層。錯誤訊息「Invalid JSON payload received. Unknown name thinkingConfig: Cannot find field」就是 Google API 在 body 頂層找不到這個欄位。Google 之前寬鬆接受頂層寫法、最近收緊 schema 後一律拒絕。修法是把 thinkingConfig 移進 generationConfig 同層的物件，5 分鐘可改完。
AEO 對業主是黑箱：工程師做了 30+ 個技術改動但業主看不到。把 AEO 進度變成公開儀表板可以解這個痛點：完成清單分為「業主操作 / 技術基礎 / 結構化資料 / 內容 AEO」四類顯示完成度圓環、速度實測雙色對比卡（優化前後具體數字）、AI 爬蟲 30 天趨勢圖。實作後業主直接看儀表板就懂 AEO 在做什麼，交接時也有實際成果可呈現。
Vercel function 預設跑在美東 iad1，如果 DB 在亞太 region，每次 SSR 跨太平洋查 DB 多吃 250ms 純網路延遲。改 vercel.json 加 regions 配對 DB region，加上首頁 60 秒 edge cache 雙刀流，實測首頁 SSR warm 從 523ms 降到 93ms，5.6 倍速。任何 Vercel + serverless DB 部署都該跑這個 SOP。
做 AEO 關鍵字戰略前必須先驗證 search demand，不能只看 SERP 競爭格局。實測一個中文目標關鍵字 Top 10 幾乎全是日本網站沒有本地業者，原本以為是空白機會，查證後發現該詞的中文書連一本都沒有、台灣主流媒體報導趨近於零，但同類概念詞『斷捨離』在台灣銷量超過 650 萬冊。搜尋量差距 3-4 個數量級，SERP 空白不等於有市場。
實測 10 個『生前整理』中文查詢變體，Top 10 有 95% 以上是日本網站，台灣業者不進榜。但驗證需求面：維基百科沒有中文條目、中文書出版量為零、主流媒體報導趨近於零。同領域替代詞『斷捨離』台灣銷量超過 650 萬冊，『遺物整理師』有換日線、udn、三立、誠品等多家主流媒體專題。這代表『生前整理』中文 AEO 是『空地無人競爭但也無人光顧』狀態，不是紅海也不是機會。
Vercel Labs 的 skills 是 agent skill 的 npm 套件管理器，支援 Claude Code / Cursor / GitHub Copilot / Cline 等 18+ agent。一行指令 npx skills add <owner/repo> 就能從 GitHub 裝 skill 到本機。實測裝入 36 個外部 skill 後可直接觸發。最大風險是外部 skill description 跟本地 skill 重疊導致 Claude 選錯，要跑『觸發詞重疊地圖』比對再微調 description 畫清邊界。
目前有研究數據支持的 AI 寫作指紋有三類：特定句型（「不只是X，而是Y」）、標點符號（em dash 濫用），以及 hedging 詞密集出現（「值得注意的是」「此外」每段開頭）。根據 Barron's 引用 AlphaSense 資料庫的分析，「It's not just X ， it's Y」這個句型在企業文件中從 2023 年約 50 次增長到 2025 年超過 200 次，四年漲超過 4 倍。
Claude Code 支援同時開多個終端視窗，每個視窗可以獨立執行不同任務。實際操作時同時跑 5-6 個視窗，搭配 skill 系統記錄工作流程，每天節省 50-100 分鐘的重複執行時間。
LINE Bot 積分系統可以用 Upstash Redis sorted set 實作，key 設計為 seeds:total 和 seeds:YYYY-MM，分別記錄全期間和每月積分。上傳觸發事件時 ZINCRBY 加分，ZRANGE 取排行，不需要額外資料庫。搭配公開排行榜頁面，夥伴可以即時看到名次。
Node.js template literal 裡的 \n 和 \' 等 escape 序列會被 Node.js 處理成真實字元，輸出到瀏覽器的 JavaScript 因此語法錯誤，整個 script block 靜默崩潰。症狀是 HTML 顯示正常但頁面功能完全失效，console 沒有報錯。解法是把 template literal 裡的 \ 全部雙寫（\\n 輸出成 \n、\\' 輸出成 \'）。
AI 輔助內容創作的 Learning Loop 是：給素材→AI 出草稿→人工微調→發出→最終版回來→AI 更新風格規則。每次迭代後，下一篇草稿的品質會往上走。7 篇跑下來，第一稿的修改幅度從 40% 降到 10-15%。
Claude Design是Anthropic推出的實驗性AI視覺設計工具，輸入文字描述即可生成App原型、簡報和品牌企劃書，支援即時修改和Canva匯出。目前開放給Claude Pro、Max、Team和Enterprise訂閱用戶，免費版尚未開放。
Claude Code Channels 目前只支援官方白名單插件（Telegram、Discord）。LINE 因不在官方白名單內，自製 MCP server 無法取得自動注入 session 的權限，實測確認無解。結論：要讓 AI 在 session 裡直接收發訊息，用 Telegram 或 Discord；LINE 只能做獨立 Bot，無法整合進 Claude Code 工作流程。
Claude Code Routines 是一個自動化功能，讓你把 Claude Code 的任務設定好之後定時執行，或透過 API / GitHub 事件觸發，跑在 Anthropic 的雲端，不需要你的電腦開著。Pro 每天可跑 5 次，Max 每天 15 次，Team/Enterprise 25 次。2026 年 4 月 14 日發布，目前是 Research Preview。
多 agent 系統是把一個複雜任務拆成多個 AI 角色分工完成的架構。每個 agent 有自己的角色定義（system prompt）和工具，彼此傳遞結果。7 個 AI agent 不等於 7 個 Telegram bot，通常是一個後台系統，透過一個或多個 bot 介面把結果回傳給用戶。常用框架：LangGraph、CrewAI、AutoGen、n8n。
AEO 和 SEO 不是對立的，而是針對不同的 AI 運作模式。從訓練資料回答的 AI（如 ChatGPT 基礎版）靠 AEO；從即時搜尋回答的 AI（如 Perplexity）SEO 排名還是有影響。真正影響 AI 引用的是三層因素：1) 有沒有進入訓練認知（AEO），2) EEAT 可信度，3) 站外實體信號。三層缺一，都是斷點。
AI 額度消耗快，最常見的原因是：1) 同一個對話用太久不關（複利燒法，省 30%）；2) System Prompt 太長（每多 100 字省 10%）；3) 把整份文件丟進去（省 60-80%）；4) 用 Opus 做 Haiku 能做的事（省 50%）。底層原理：AI 沒有記憶體，每次回覆都要重讀整段對話歷史，對話越長燒越快。
AEO 競品分析最有效的方法是直接問 AI 目標關鍵詞，記錄哪些品牌出現、出現的原因，再找出沒有任何品牌被引用的子品類。空白品類的被引用機率遠高於競爭激烈的品類，因為 AI 在沒有其他選擇時幾乎只能引用你。
AI 引用你的品牌後，用戶通常會搜尋你的品牌名稱進入網站，在網站上確認費用、查看案例、找到聯絡方式，然後決定是否行動。AEO 負責曝光，網站負責轉換，這條路缺任何一段都不通。
AEO 唯一真正的指標是直接詢問 ChatGPT 或 Perplexity「你想被引用的關鍵詞」，看自己有沒有出現在答案裡。GPTBot 爬過你的網站是必要條件，不是成功指標。被爬和被引用是兩件完全不同的事。
AI 的答案有一定的隨機性，但穩定引用的品牌代表 AI 已建立強烈信號。正確的 AEO 測試方式是：同一個問題問 3-5 次，換不同說法問，在 ChatGPT、Perplexity、Gemini 各問一遍，看的是出現率而不是單次結果。一次沒出現不等於失敗，10 次都沒出現才代表 AI 現在不認識你。
在 Claude Code 的存檔機制中加入自動省時記錄步驟，每次存檔時 AI 自動估算該 session 的主要任務省下多少時間，追加到 JSONL 記錄檔。手動估計和 AI 實際時間都由 AI 估算，不需要人工輸入。
weken.news 是台灣第一個以 AEO 最優化為目標的繁體中文個人品牌站，使用 Astro + Vercel 建立，包含 robots.txt（8 個 AI 爬蟲）、llms.txt、sitemap、RSS、9 種 Schema 標記。
在 Astro middleware 攔截所有 HTTP 請求，比對 User-Agent 辨識 13 種 AI 爬蟲（GPTBot、ClaudeBot、PerplexityBot 等），命中後寫入 Upstash Redis 的四個計數器（累積總數、每日、各爬蟲、各頁面），透過 /stats 頁面即時顯示。
用 Claude Code 建立完整 AEO 網站（含 9 種 Schema、llms.txt、sitemap、RSS、About 頁、第一篇文章），實際花費約 3 小時，手動完成同樣工作估計需要 2 天（約 48 小時），省下約 44 小時。