MapleCheng

最近看智慧製造與企業 AI 的趨勢，我越來越覺得真正困難的不是模型能力，而是工廠現場的人機交接、權限、資料語意與異常處理。AI 可以很聰明，但如果沒有流程邊界，最後只會把混亂自動化。

最近維護自動化投資資料流程時，我踩到一個很典型的資料時間粒度問題：月營收資料不是日資料，查最近幾天很可能什麼都查不到。這篇整理我從這個小坑得到的 API 設計與資料驗證提醒。

最近準備一場 AI Agent 內部分享時，我改用 HTML 做互動簡報。這篇整理我從 PPT 轉向網頁式簡報的理由：遠端展示、流程圖、demo、即時修改與可驗證內容，對技術分享其實更貼近真實工作方式。

最近處理聊天平台的 slash command 同步問題時，我踩到一個很典型但也很陰險的狀態機 bug：系統把「我準備同步」記成「我已經同步成功」。這篇聊聊為什麼整合型系統要分清楚意圖、執行與確認。

最近整理 AI 助理的長期記憶時，我再次踩到一個容易被忽略的坑：記憶系統不是一堆 markdown 檔案，清理也不是看到像 metadata 就刪掉。真正重要的是分清楚資料來源、判讀規則與可回復邊界。

最近看企業 AI 與製造業系統的發展，我越來越確定：Agent 要進 ERP、MES 或供應鏈流程，真正的難題不是會不會呼叫 API，而是身份、權限、稽核、沙盒與動作政策能不能先設計好。

最近觀察 AI coding agent 的發展，我越來越覺得重點不只是模型能寫多少程式，而是整套監督、批准、沙盒與追蹤機制能不能成熟。對技術主管來說，會寫 code 的 AI 只是起點，能被安全地管理才是進入團隊的門票。

最近維護一批自動化 AI 工作流時，我重新意識到：Agent 的 skill 或 runbook 不是寫完就好的說明文件，而是會隨著工具、資料源與失敗案例持續老化的作業系統。真正可靠的 AI 自動化，重點不只在模型能力，而在知識如何被修正、驗證與收斂。

最近維護幾個 AI 自動報告流程時，我重新確認一件事：真正容易讓報告失真的，不一定是模型亂寫，而是資料來源抓錯、沒驗證、遇到限制時硬猜。對技術主管來說，AI 報告系統要先把取材流程產品化，才談得上可信。

最近把個人 AI 助理的經驗整理成團隊可用的服務時，我最先處理的不是更多功能，而是資料、權限、設定與執行環境的隔離。AI agent 要從玩具變成基礎設施，第一步不是變聰明，而是變得可治理。