
AI 修改一直繞圈,因為「更有質感」沒辦法比較
請 AI 改稿越改越遠,問題通常不在提示詞不夠厲害,而在回饋看不出差異:「自然一點」「更有質感」有十種解釋。每一輪只給三件事:什麼要保留、一個看得見的改動、哪些地方不能碰;再讓 AI 交兩個版本比較,保留每一版。
tag
把同一個主題的微課集中閱讀,從最新文章開始補齊上下文。
lessons
標籤導讀
這個標籤收集同一個細主題下的微課。先看最新文章,再用分類與延伸閱讀補齊上下文。

請 AI 改稿越改越遠,問題通常不在提示詞不夠厲害,而在回饋看不出差異:「自然一點」「更有質感」有十種解釋。每一輪只給三件事:什麼要保留、一個看得見的改動、哪些地方不能碰;再讓 AI 交兩個版本比較,保留每一版。

試算表的空白,可能是還沒填、不適用,或資料匯入失敗,不等於 0。讓 AI 彙總之前,先把每一欄的空白分成已確認為 0、未知、不適用三種;報比率時,同時報出用了哪個分母、還有多少缺值。

Google 的 AlphaEvolve 這類工具,會自動產生大量程式版本,挑出分數最高的那個。它只看評分程式量得到的東西,沒量到的條件就可能被犧牲。交給它之前,要先把基準、分數、不能違反的限制、停止條件和放行的人寫清楚。

AI 讓寫出第一版程式變得很便宜,但審查它、半年後維護它的成本沒有跟著變低。第一版的用途是試價:看清這次修改要付多少代價。合併之前,要有人能不看 AI 的對話紀錄說明它,也要有人答應接手維護。

掃描分數衡量的是漏洞本身有多嚴重,不是它在你的系統裡有多急。排序時依序問三件事:外面是否已有人在利用、你的服務會不會執行到那段程式、外部輸入能不能送進去。AI 可以替每筆警示整理證據,關閉警示仍由人決定。

模型單價越降越低,長任務的帳單卻常常超出預期。錢多半花在每一步重送的上下文和失敗後的重跑,所以上限要由模型以外的程式,用整個任務共用的一筆預算來執行。

AI 流程工具被暴露時,危險的不只是工具本身,而是每條流程裡存放、可被呼叫的憑證。先關入口、保全日誌,再依「哪條流程握著哪把鑰匙」排定輪替順序,重發時順便縮小權限。

冒充剪貼簿工具的 Mac 惡意程式 PamStealer,會跳出寫著「Maccy 想要進行變更,請輸入密碼」的視窗,輸入錯了還會一直要求,直到拿到正確密碼。外觀分不出真假,判斷要靠情境:你剛剛有沒有做需要密碼的事、這個 App 從哪裡來。說不清楚就先按取消。

來網站抓內容的 AI 爬蟲,有的替搜尋建索引,有的替使用者即時讀頁面,有的把內容拿去訓練模型。三種用途和網站交換的東西完全不同,不該用一個「擋或不擋 AI」的開關決定。先依用途訂預設規則,再挑出最需要保護的頁面。

Anthropic 推出給科學研究用的 AI 工作台 Claude Science,賣點是每張圖都附上產生它的程式、執行環境和完整對話紀錄。判斷任何 AI 分析工具,都可以問同一個問題:同事幾個月後拿到這張圖,能不能不問 AI 就重做一次?

Cursor 的 iPhone App 能從手機啟動 AI 程式代理、看修改差異,代理完成後也能直接合併。手機適合啟動和追蹤進度,但在小螢幕、零碎時間裡按下合併,不能只靠當下的自制力。先把「哪些修改不能合併」寫進儲存庫的保護規則。

AWS FinOps Agent 能調查雲端費用異常、找出是哪個設定變更造成的,再送到 Slack 或 Jira。但報告裡的「負責人」準不準,取決於你有沒有先給它一份帳號與團隊的對照表。導入前先寫好這份對照,再決定哪些結果進頻道、哪些開工單。

Apple 因 AI 資料中心搶走記憶體供應而調漲 Mac 和 iPad 價格。漲價沒有改變你需要什麼,只是讓「為了未來 AI 功能先升級」變得更貴。升級理由要從現在每週卡住的工作出發,而不是從新價格或 AI 宣傳出發。

Android 的假來電偵測能確認電話是不是從熟人的手機打來,卻無法確認電話那頭是不是本人,也攔不到「我換了新號碼」的說法。真正可靠的防線是一條家規:要錢、要驗證碼的請求,不在來電中完成,掛斷後用你原本知道的號碼回撥。

NVIDIA 的 RTX Spark 把 Arm 處理器、強力顯示晶片和最高 128GB 共享記憶體帶進 Windows 筆電,主打在本機跑 AI。但換到 Arm 架構,你每天用的軟體、外掛和驅動程式不一定都能原生執行。買之前先列出自己的工具清單逐一核對,再拿一件每週都會等的工作實測。

日誌好不好,不是看記了多少行,而是只看日誌能不能答出:什麼時候、在哪裡、發生了什麼、當時帶著什麼資料。拿上一次事故回放一次就知道缺什麼。Python 內建的 logging 幾乎都做得到,換成 Loguru 主要是省設定,但要注意它預設會把變數值寫進錯誤紀錄。