研究筆記
AI 工具、證照、讀書與動手實驗：一邊學，一邊記下來。共 62 篇。
從對話框變成同事：這一個月冒出來的四個雲端 AI Agent，到底換掉了什麼
《科技浪》EP157 把 Instinct、Grok Bot、Muse 與 OpenAI 的 Dots 放在一起比，從產品定位、資安機制、兩條商業模式一路談到 CPU 需求試算。這篇是我的聽後心得與延伸判讀，屬於教育性質的產業觀察，不構成投資建議，也不推薦任何個股。
同時開三個 AI agent 寫程式，真正卡住的是什麼？看完 Orca 示範，再對照我自己在 Windows 上跑三席的那一天
Joe Maddalone 在 2026 年 8 月 21 日的影片裡，用開源工具 Orca 讓三個 AI 程式助理各開一個 git 工作樹同時改同一個專案。這篇只挖一個論點：工作樹解決了互相踩檔，卻沒解決額度與驗收，席位一多，瓶頸就搬到你身上。附 Orca、herdr、Claude Code 內建工作樹的比較表，以及我 9 月 22 日在 Windows 上實跑三席撞到的坑。技術學習分享，不是任何商業建議。
英文課文 CD 找不到，我用鏡頭和 AI 做了一台朗讀機
小朋友要聽英文課文錄音來練習，CD 卻找不到。我在舊筆電夾上一顆鏡頭，寫了兩支小程式：一支拍課文，一支用離線的自然人聲慢慢念出來，AI 看照片、決定念什麼、念幾遍。這篇記下它怎麼運作、和其他辦法比起來差在哪、做不到什麼，程式全文也放在文末，可以直接拿去用。個人使用心得分享。
免費 AI 閘道真的免費嗎？Free LLM API 和 OmniRoute 正反兩面看，差在你送出去的是什麼
Joe Maddalone 在 2026 年 9 月 4 日的影片裡，示範用 Free LLM API 把三十幾家 AI 服務的免費額度串成一個入口，讓程式代理自己挑模型、一毛不花，並和 OmniRoute 比較。這篇先把它的好處講到最強，再站到反面，對照各家官方條款找出「免費」的代價，最後寫我自己分派多家 AI 的經驗與判斷。技術學習分享，不是任何商業建議。
把家裡的舊電腦重生成 AI 伺服器
抽屜裡一台裝著 Windows 7 的 HP 老筆電，我只插了一支安裝隨身碟、打幾行短指令、自己輸入密碼，其餘交給 AI 從另一台電腦用 SSH 遠端裝好 Arch Linux 與 Omarchy、硬碟加密、Tailscale 與輸入法，原本的 Windows 7 也保留下來。這篇記下它做了什麼、卡在哪、做不到什麼，以及照著做的步驟。個人使用心得分享。
AI 助手的大腦接 DeepSeek，資料安全嗎？我把 OpenCode Go 和 OpenRouter 的隱私條款翻了一遍
2026 年 10 月，我想把自家 AI 助手的 DeepSeek 官方接口換掉，主因是資料機敏性。這篇照時間順序記下我查到的事：OpenCode Go 每月 10 美元、DeepSeek 標「保留 0 天」但協議只簽到 10 月 31 日；OpenRouter 上同一個 DeepSeek V4.1 Flash 有 31 家在賣、25 家列在零資料保留名單，DeepSeek 官方不在其中。最後拿用量算一次：什麼時候月費划算、什麼時候按量付費划算。個人使用心得，不是任何服務的推薦。
vast 租顯示卡心得，順便跟 RunPod 比一比：最貴的不是租金，是開機
2026 年 9 月在 vast.ai 與 RunPod 租雲端顯示卡的實際紀錄：vast 一張 RTX 3090 每小時 0.22 美元、50 張圖 0.18 美元；兩家怎麼選、各自的坑在哪。個人使用心得，不是任何服務的推薦。
零元做一個 AI 小程式？跟著影片走一遍 Hugging Face Spaces，再把「免費」的三個條件找出來
Joe Maddalone 在 2026 年 9 月 11 日的影片裡，不到十分鐘用 Hugging Face Spaces 做出一個去背小程式，還能從自己電腦用 API 呼叫，全程零元。這篇照時間順序走一遍他做了什麼，再對照官方文件找出「免費」成立的三個條件，最後拿我自己租雲端顯示卡的實測數字比一比：什麼時候用免費額度、什麼時候該租卡。技術學習分享，不是任何商業建議。
讓 AI 當我的 MLA-C01 家教：四週裡它做了什麼、又替不了什麼
2026 年 9 月 26 日考過 AWS MLA-C01 的備考心得第二篇：怎麼讓 AI 查規格、寫繁中講義、一次出五題附提示、把 271 題考古題配成中文語音，以及哪些事只能自己做。個人學習紀錄。
四週考過 AWS MLA-C01：我走的路線，和一個差點錯過的死線
2026 年 9 月 26 日考過 AWS 機器學習工程師助理級認證 MLA-C01 的準備心得：考試規格、英文版 9 月 28 日停考與改報簡中版的做法、四週排程與刷題原則。個人學習紀錄，供準備同張證照的人參考。
恐懼填得滿戰壕，戰爭卻要有人拍板：讀文安立《大戰將至》
耶魯冷戰史學者文安立拿一九一四年前的歐洲對照今天的多極世界。我讀完記得最牢的一段是：大國之間的恐懼與怨恨從來不缺，真正把世界推進戰爭的，是危機裡某幾個人做的具體決定。教育性的讀書筆記與延伸，不是投資建議。
你不是知識工作者，你是認知運動員
讀 Tommy Wood《The Stimulated Mind》的心得：一天被切成幾十段的工作型態，為什麼比工時長更傷大腦。教育與方法論分享，不構成投資建議。
想在家玩 AI，先買 Mac mini 還是顯卡？先分清楚你缺的是哪一台
掄錘者講 Mac mini 賣到缺貨：蘋果跑大模型能跑、跑影片很吃力，他買它的理由是穩定、省電、軟體齊全，當成指揮 AI 的操作台。我家也拆成兩台：一台負責指揮，一台 8GB 舊顯卡負責出力，訓練再去雲端租卡。用白話講清楚「操作台」和「算力」各看哪幾格。個人心得與實測紀錄，非購買建議。
同一張 4090，從每秒 20 字到 184 字：本地模型慢，先找卡在哪一段
小天把 Qwen3.6 27B 放在一張 4090 上，靠量化、一次猜好幾個字、擴散式猜字三刀，把速度從每秒 20 個 token 推到峰值 184。每一刀解的是不同地方的卡點。我那張 8GB 的 AMD 舊卡走的是另一條路：換一種形狀的模型，從 1.8 跳到 23。用白話拆解這幾刀各自在救哪一段，以及買卡之前該先查什麼。個人心得與實測紀錄，非購買建議。
本地跑 AI 的顯卡怎麼選：該買的新卡，和該避開的舊卡
掄錘者連兩天講顯卡：一支排出他推薦的四張卡，一支勸退 48GB 的老卡。我家那台 Windows 桌機裝的正好是 AMD 上一代的舊卡，這個月實測生圖、生影片、跑語言模型，哪些能跑、哪些要繞路都記了下來。用白話講清楚看顯卡的兩格：顯示記憶體和 BF16。個人心得與實測紀錄，非購買建議。
［AI 應用落地］裝陌生人寫的程式之前，先讓 AI 把原始碼讀一遍
一個 60 顆星、沒有授權條款的傳檔小工具，我請 AI 花五分鐘讀完 280KB 原始碼，找出四個該關掉或避開的地方，再挑三條親手核對。附裝軟體前可以問 AI 的四個問題。
讓人用不好 AI 的，常是輸入法這種小事：看小天拆解馬維斯
小天fotos 在 2026-09-11 的影片裡拆開騰訊的系統層級 AI 助手馬維斯（Marvis），主張卡住普通人的常是電腦上的小毛病。我整理它怎麼把設定入口遞到你面前、怎麼規定自己回報，再對照我自己被小事卡住的兩次經驗。
【新書讀書會】房間裡有幾隻猴子：讀《Uncommon Sense》，看到連勝紀錄先問分母
新書讀書會第一本：前約翰霍普金斯大學校長 William R. Brody 的《Uncommon Sense》。我畫線最多的是講運氣的三章：一封 AI 選股信怎麼從 64,000 人篩出 500 個信徒、一千位基金經理人裡為什麼會冒出 31 位天才，還有我自己的驗證尺被亂數騙過的一次。教育性的讀書筆記與延伸，不是投資建議。
額度用完之後怎麼辦：CodexBar 看額度、監國協議交棒、排程跟著調，三個零件怎麼接成一條線
上一篇講了怎麼用一行額度表排 AI 的班，這篇講額度用完之後發生什麼事：誰接手、接手的人能做什麼、額度回來怎麼交還，以及排程怎麼跟著減肥。附監國協議的 GitHub 倉庫，和五件我當初沒想到、後來付了學費才知道的事。技術分享，不是投資內容。
herdr 新手操作手冊：剛開始用 Claude Code 或 Codex 的人，怎麼把一群 AI agent 放進同一個視窗
很多剛開始用 Claude Code 或 Codex 的朋友問 herdr 怎麼用。這篇假設你只開過終端機、對資料夾和設定檔沒什麼概念：先把五個名詞講白話，安裝只講一條最簡單的路，第一次打開只教三個按鍵，用鍵盤就能開第二個 agent。腳本那些放在最後，可以先跳過。技術教學，不是投資內容。
沒有人會來救你：讀《Crisis Engineering》，順便檢查持股在不在危機裡
三個救過 HealthCare.gov 的工程師寫了一本危機手冊。我讀完最有用的一段，是他們給的五個指標，用來判斷你到底在不在危機裡。帳上有六檔股票跌掉一半，我拿這五格逐一對了一遍。教育性的讀書筆記與延伸，不是投資建議。
出門在外，用手機接手電腦上的 AI agent：Tailscale ＋ Herdr ＋ Moshi 一步一步裝
Fred大大 教的方法：三個通用零件，把電腦上正在跑的 AI agent 視窗原樣搬到手機。照 Windows 筆電實裝順序寫，含兩個會踩的坑與修法，並和 X 上流行的 UU远程 方案比較。
Mac 裡那顆沒人在看的晶片，讓 AI 推理快了 1.8 倍：小天的實測，和我在 Windows 上算的一次
小天用一台入門款 Mac mini 做了一週實驗，把影片入向量庫的時間從 127 秒壓到 70 秒，靠的是蘋果晶片裡一塊多數人沒注意的神經網路引擎。我把他的數字跟自家在 Windows 上跑的同一種工作放在一起比，想回答一個更實際的問題：電腦跑 AI 慢，該換機還是換模型。教育性整理與延伸，非採購建議。
AI 要罵才會乖？
掄錘者說罵 AI 有用，DeepSeek 很吃這套，OpenAI 不吃。我拆開他那句罵，裡面裝的是兩樣東西：把決定權收回來，只留結果驗收。再拿自家今天派出去的二十三條驗證對帳，不罵也拿得到同樣的效果，但尺給錯了它會很有禮貌地量出一百分。教育與方法論分享。