MapleCheng

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。

最近調整一個 AI 自動化整理流程時，我重新被提醒：刪除資料不是 housekeeping，而是高風險操作。對 autonomous agent 來說，可逆、可審計、可回滾的設計，比把指令跑完更重要。

最近看到 AI 開發工具與模型倉庫出現假冒專案的風險，再次提醒我：AI 時代的供應鏈安全不只在 npm、pip 或 Docker image，模型、資料集、prompt 範本與 agent 工具設定，也都應該被當成正式依賴管理。

最近整理一批 AI 自動化排程時，我重新被提醒一件事：cron job 成功不代表使用者真的收到了價值。對 AI 工作流來說，輸出格式、通道限制、可讀性與失敗復原，全部都應該被當成產品設計處理。