MapleCheng

維護多個 AI Agent 之後，我越來越少一看到機器人沒反應就急著重啟服務。真正該先問的是：這是單一服務壞掉，還是幾個 Agent 其實踩到同一個上游依賴？

最近把一個內部決策系統從靜態報表改成即時 dashboard，我重新想清楚一件事：dashboard 應該是觀測層，不該偷偷變成另一個資料源。資料來源越多，畫面越漂亮，系統反而越不可信。

一個 AI agent gateway 卡住的除錯筆記：問題不是 bot 沒收到訊息，而是 runtime database 被雲端同步資料夾拖住。聊聊什麼資料該同步、什麼資料應該留在本機。

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。