Posts

過去這兩週（6/1 到 6/14），在 GitHub 上推進了好幾條產品線。回頭看，這兩週的主題蠻清楚：我不是只在寫功能，而是在把各種真實生活裡混亂的資訊和流程，整理成可以被人安心使用的系統。 MatrixTradingSystem (MTS) 交易操作系統 這兩週花比較多時間在 MTS 的最後衝刺，主要專注於「讓真實使用者少踩坑」的精細化工作。除了客戶臨時要求的新功能，還要支援興櫃市場。這就很有趣了，沒想到各家券商在興櫃市場的支援度與規格差這麼多，中間遇到了許多奇奇怪怪的狀況。目前大部分問題都已解決，只剩元大證券還在透過信件釐清最後狀況，甚至一度動用到逆向券商 App 來尋找原因。 在技術細節上，主要做了以下優化： 券商連線失敗時，不再丟出一長串難懂的工程錯誤，而是提供友善的提示。 優化帳戶與庫存顯示，使其更加清晰直覺。 支援針對每檔股票設定不同的價格策略，以進行庫存賣出與回補。 修掉一些會卡住或誤導使用者的舊流程。 預計週一就會告一段落並順利結案。這次的成果遠超我之前的預期！終於有自己開發的工具會被人日常使用。看來跟錢（交易）越相關的事情，需求就越明確。能讓人願意付錢的痛點，才是真需求。 OmniTypist (語音輸入與文字潤飾) 這段時間主要在做系統穩固與跨平台架構的整理： 整理並穩固了 macOS / iOS 的共用邏輯。 補齊了 iOS 的測試、CI build 與 release tooling。 將一些原本在 Swift 裡不容易測試的文字處理規則，下放到 Rust core 中實現。 這項改動讓 OmniTypist 不僅僅是一個概念驗證（demo），而是成為一個可以長期維護、具備跨平台演進能力的正式產品。 lifexp (旅遊與生活資料管理 Web App) 這是為了解決我自己旅遊時的痛點而開發的 App。過去我一直用 Evernote 來管理旅遊資訊，但即使到現在，Evernote 仍給人一種非常 Old School 的感覺，而且在旅行前、旅程中、旅程後的不同階段，資訊使用上常常會有斷點。例如：住宿可能分散在各旅宿平台、官網、或是 Airbnb（Airbnb App 體驗很棒，極推，只是不知道實際品質如何）。 現在我直接開發了這個 Web App，將所有資訊集中在同一個網站中： 介面設計以手機螢幕大小為主，並整合了開放地圖。 開啟網頁時會直接跳到今日行程，並整合票券、餐廳預約與飯店資訊等。 串接 Gmail 訂房/票券通知，支援 Evernote 匯入，並優化了生產環境中匯入大型檔案的效能問題。 支援離線資料讀取，以及能將每日大概位置分享給家人的功能。 這不是再做一個傳統的行事曆，而是把散落在 email、筆記、PDF、地圖裡的破碎資訊，整理成真正好用的旅程系統。之後旅遊時我會一邊使用一邊迭代，希望下次出遊從買機票那一天起，一直到旅程結束，都能優雅地拿出手機得到精準資訊，不再手忙腳亂。 ...

當你一個人經營一家公司，身邊還跟著一支 AI Agent 大軍，最大的風險其實不是「做得不夠快」。 最大的風險是——你把自己變成了一台更快的任務機器。 這半年我同時推著交易系統、Lectio、AI Email、Mira 助理、好幾個小工具與知識庫，AI 確實讓產出量爆增。但我越來越清楚一件事：速度本身不是目的。所以我替自己寫了一份營運指令，提醒自己 AI 到底是為了什麼而存在。這篇就是它的精華。 核心信念 一個有 AI Agent 的 solo founder，不應該只是變成一個更快的執行者，而應該成為一個更強的創造者。 AI 的存在，是為了擴展我的想像、減少我的盲點、加速實驗、提升品質、保存脈絡——而不是把我變成任務機器。 我們不是只在優化效率。我們在優化的是：創造、學習、品質、顧客價值、可維護性、策略槓桿，以及創建者的可持續性。 產出很重要，但不是所有產出都等價。最好的產出不只是「完成的工作」，而是改變了我理解什麼、使用者能做什麼、產品能成為什麼。 四種模式，缺一不可 一人公司必須在四種模式間取得平衡： 模式 目的 Explore（探索） 發掘可能性、顧客需求與產品方向 Create（創造） 發明、原型、設計、想像更好的解法 Build（建造） 實作出可運作的產品 Refine（精煉） 改善品質、易用性、可維護性與清晰度 只會 build，系統會失敗；只會 explore，系統一樣會失敗。目標是創造性執行：有足夠的想像力找到更好的路，也有足夠的紀律把它變成真的。 創建者掌舵，AI 不取代判斷 創建者擁有判斷權，負責的是：品味、方向、顧客同理、優先排序、策略取捨、產品一致性、技術可持續性，以及最終驗收。 AI Agent 可以提案、挑戰、模擬、實作、批判、記錄、測試——但它們不取代創建者的判斷。 我的工作不是接受 AI 的輸出，而是把 AI 的輸出塑造成產品價值。 換個問法 在逼自己「執行」之前，先問更好的問題。這個轉換對我影響很大： 不要問「為什麼還沒做完？」，要問「我們學到了什麼，下一個有用的步驟卡在哪？」 不要問「計畫為什麼變了？」，要問「是什麼新證據改變了我們的理解？」 不要問「為什麼要自己做？」，要問「自己做能創造什麼策略價值、學習、控制權或差異化？」 不要問「這會不會太複雜？」，要問「哪些複雜是必要的、哪些是意外的、哪些複雜能創造未來槓桿？」 不要問「今天能不能上線？」，要問「什麼版本現在就能創造價值，又必須達到什麼品質門檻？」 我的 AI Agent 團隊 我把 AI 分成幾種角色，各司其職： Vision Agent：擴展可能性空間——「這個產品可以變成什麼？」 Product Agent：把點子轉成顧客價值——定義使用者、痛點、價值主張與 MVP 範圍。 Discovery Agent：在過度投入前先學習——找出假設、設計小實驗、決定下一步要驗證什麼。 PM Agent：守住動能但不扼殺探索——辨識當下處於哪個模式、釐清下一個里程碑、必要時建議砍範圍。 Engineering Agent：為「當下的階段」設計對的技術方案——不預設「程式越少越好」，而是幫我把取捨攤開來談。 Prototype Agent：做出快速學習的產物——讓點子先被看見、被測試，學完即丟。 QA Agent：保護顧客、也保護產品願景——QA 不是來扼殺創意，而是讓創意變得可用。 Reflection Agent：幫我從工作中學習——抓出重複模式、創建者偏誤、過度或不足建造。 Documentation Agent：防止脈絡流失——把 AI session 的輸出轉成可持續的知識。 工程取捨的原則 Engineering Agent 的存在，是為了讓我把取捨講清楚，而不是套用教條。它不預設「程式越少越好」、不預設「自己做一定壞」、不預設「架構就是浪費」、不預設「速度永遠比可維護性重要」。 ...

用 AI 整理了一下 GitHub 上的回顧，沒想到比想像中的進展還多。這半個月回頭看，重點不是單一專案，而是幾條線同時往前推。 MatrixTradingSystem 這段主要是在把交易系統往「真的能讓操作員放心使用」推進。新增了不少功能，現在進入收尾階段。不是只有功能能跑，而是流程要更順、風控要更清楚、錯誤訊息要看得懂，操作時也要降低誤按和誤判的風險。接下來就是把這個案子 ship 出去。 AI Email 工作台 跟著 AI PM 的課程也做了一番，把 AI email operations 從 prototype 往可營運推。AI 不是只要會產生草稿就好，真正進到工作流裡，會遇到 review、權限、模型切換、observability、SOP 和安全邊界，這些才是實際落地的重點。做起來有趣，不過還沒做到位，還不算是可以上線成為我的每日工具——可能痛點還不明顯，之後再看看。 Lectio Lectio 上線了！這段比較像從功能開發，慢慢走向正式產品：補了更新機制、bug report、BYOK 體驗、onboarding、權限流程、support/about 頁和 landing page。這些不是最 flashy 的功能，但產品要給別人用，這些東西一定要補。我自覺用這個在看文件、研讀新技術的幫助真的蠻大，不需要在 GPT 跟文件、或是網頁之間切換（如果網頁本身有嵌入 AI 像 Gemini，那幫助就比較低）。不過最近看到 DuckDuckGo 的新聞，就覺得蠻有趣的，物極必反。 Mira（個人 AI 助理） Mira 還挺初期的。這段在做多通道入口、記憶、工具調度、判斷層，以及 agent 可以安全觀察、操作、回放、交接狀態的基礎設施。我現在越來越覺得，agent 的重點不只是「會不會做事」，而是它做了什麼、人怎麼看、怎麼追、怎麼交接、哪些動作需要保護。要到真的有用，得增進 Skills、還要加 Workflow，而這也是我得把自己日常生活的卡點明確下來，再一個個補上去——像行事曆管理、郵件管理之類為先。Coding 的話之後再說，也許暑假旅遊完再來打造。 其他的小專案與整理也持續在跑。AIATCL 測驗網站主要是打造來複習考試用；我也報名了 iPAS 初級跟中級的 AI 應用規劃師認證考試，打算再做一個測驗網站讓自己練習，努力在今年把這兩張證照拿下來。chenfu.ai 個人網站是把近期產品工作整理成對外能理解的敘事，chenfu-kb 知識庫則是在累積自己的方法論、決策邏輯和 agent 可以使用的背景知識。另外也有一些設備端、語音服務、自動化資料維護和安全補強——看起來不像主戰場，但其實都是在補邊界、補穩定性、補長期維護能力。 還有一個里程碑：我完成 AIA 的 AI PM 課程啦！兩個月也是很快的。 總結一下，整體感覺是事情開始從很多獨立專案，慢慢變成一整套系統：有實際產品、有操作台、有 agent 基礎設施、有知識庫，也有對外展示。還有很多地方不成熟，但方向越來越清楚——不是只做 AI demo，而是把 AI / agent 能力放進實際工作流程裡，慢慢長成可以被使用、被維護、也可以被理解的產品系統。

這幾週我交付了一個新的 macOS 小工具，叫 Lectio。 它的出發點很簡單：當你正在讀文件、課程、論文、產品說明或錯誤訊息時，真正卡住的那一刻通常很短。你可能只是看不懂一句話、一個名詞、一段 stack trace，或是文件裡某個前後文沒有接上的地方。 照理說，這正是 AI 很適合幫忙的場景。但實際使用時，流程常常不夠自然。你得切到聊天工具、複製文字、貼上背景、補充自己正在看什麼。等到這些事情做完，原本那個很直覺的問題，已經被流程磨掉一半了。 Lectio 想處理的，就是這個摩擦。 不是再做一個聊天視窗 我不想把 Lectio 做成另一個通用聊天工具。通用聊天工具已經很多了，而且都很強。Lectio 的重點不是「問 AI 任何問題」，而是更聚焦在一個情境： 我正在看某個東西，但我卡住了。我想直接針對眼前內容問。 所以 Lectio 的互動刻意很窄： 你正在閱讀某個內容。 如果有特定段落，就先選取文字。 如果沒有選取，Lectio 就讀目前螢幕可見內容。 你直接用語音問問題。 回答留在浮動窗格，也可以用語音聽回覆。 這個流程聽起來很小，但對閱讀來說很關鍵。真正重要的不是 AI 回答得多華麗，而是它知不知道你現在到底在看哪一段。 為什麼是語音 當人真的不懂時，最自然的反應通常不是打字，而是說： 「這句是什麼意思？」 「這裡為什麼要這樣設計？」 「可以換一個例子嗎？」 語音比較接近思考的第一反應。打字會逼你把問題整理得很完整，這在某些場景很好，但在閱讀卡住的瞬間，反而變成阻力。 Lectio 的目標不是取代深度筆記，也不是取代完整研究工具。它更像是坐在旁邊的讀書同伴。你可以先問一個不完整的問題，再沿著回答繼續追問。 眼前內容才是上下文 Lectio 目前的上下文策略很直接： 有選取文字時，選取內容優先。 這適合討論精準段落、函式、錯誤訊息或文件中的特定句子。 沒有選取文字時，讀目前螢幕內容。 這適合瀏覽器、PDF、課程播放器、設定頁或錯誤畫面。 回答圍繞當下材料。 它不是先假設你要搜尋全網，而是先理解你正在看的東西。 我覺得這是 AI 學習工具很重要的一個方向。很多時候，學習不是缺答案，而是缺一個能讀懂你正在看的上下文、並陪你往下走一步的互動介面。 信任邊界 Lectio 也刻意做了一些信任邊界的設計。 讀畫面、聽你說話、念出回答，能在 macOS 本機處理的部分，就盡量留在本機。送出去的是文字內容與你的問題，而不是整張螢幕截圖。 AI 服務金鑰則由使用者自己提供。這表示你保留模型供應商、帳號、費用與資料路徑的控制權。這對早期工具來說可能多一步設定，但我覺得這是值得保留的產品方向。 現在做到哪裡 Lectio 目前是 Apple Silicon macOS 早期測試版，最新交付版本是 v0.0.4。 這一版已經具備： 選取文字優先的上下文讀取 沒有選取時讀取目前畫面內容 語音提問與語音回覆 浮動對話窗格 使用者自帶 AI 服務金鑰 macOS 本機能力處理螢幕理解與語音相關流程 你可以在這裡看專案頁： ...

MatrixTradingSystem 從可以跑到可以下單，一路往「真的可以給人測」推。修了很多實戰才會遇到的問題：券商串接、下單狀態同步、Windows installer、macOS release、錯誤診斷、log bundle、各種 preflight check。這種東西真的不是 demo 能看出來的，都是一邊測一邊爆，一邊補。只能說Windows的環境真的太神奇，這些金融券商有些追的新，有些又很Old School，希望立的Flag真的能達標。接下來兩週應該會很主力在把這個案子搞定並Ship！ Email operations command center 就是幫企業處理 email 工作流的工具，這個是在AI PM的課程我們這組選出來的題目，一開始一直覺得這不是我的痛點，所以並沒有真正的花太多的心思在上面，在組長發了第一版PRD後，我想說還是得自幹一下才會有感，所以從 Gmail 串接開始、信件同步、AI 回信草稿、case tracking、提醒機制，到後面開始處理部署、資料庫、Sentry、cron、rate limit。這條線跑很快，也很明顯感覺到 PoC 跟真正上線之間差很多，而做的過程好像也蠻有意思，也沒想像的那麼Boring，也許未來也不用打開Gmail or Outlook，完全可以在自己的工具軟體上操作。 Auris 一個 embedded voice AI device 的實驗。從 ESP32 韌體、音訊、WebSocket，到 Rust voice server，再接 OpenAI Realtime API，最後補 manager API、裝置註冊、token revoke。這條很有趣，因為它不是純軟體，是軟體、硬體、AI 三個世界黏在一起，不過這個案子算有一搭沒一搭的做，很多步驟都給他Yes開下去，得等MTS輸出後再繞回來看這塊！ 中間也持續增加並整理了一些自己的知識庫，包含 AI platform、embedded AI、solo dev workflow、決策架構，還做了一些給女兒英文考試練習工具。另外也快速做了一個AIACTL的素養測試網站給同學們當練習。 總結一下，這兩週不是單純寫很多 code，而是在練一件事：怎麼用 AI 當槓桿，把一個想法快速推到可以真的被測、被用、被打臉，然後再修到更接近產品。 題外話，我收到了這個玩具，該怎麼辦…機器人世界的入門磚！

又是進行雙週複盤的日子，在 AI 讓人感覺時間尺度縮到很極緻，連一天都有可能很長，為什麼我還是進行兩週的盤點，想了一下，好像也沒為什麼，就是覺得這個尺度舒服。 這兩週，依然持續跟一些朋友見面（蹭了不少飯 XD），參加了幾場研討會，AI PM 的課程持續精進跟一些線上課程的學習，回家跟父母報告，工作室的入駐行程流程，接著面向五月一些之前訂的硬體 SKU 會陸續到貨，最重要的是一個小型玩具機器人，我想會是很有趣的主題，也能給我女兒玩當 Field Testing；另一件重要的事情就是要打造一個「真」能幫我同時進行開發工作的 Agent，實際操作 Scale 我自己的樣貌；最後就是一個老同學找我做多券商交易系統，我雖然有在投資，但做一個下單工具，是之前沒想過的事，這週進行後，覺得蠻有趣的，這個專案得立一個 Flag 要在 5 月搞定結案！ 1. AI 語音輸入工具 OmniTypist 持續打磨 macOS / iOS 上的 AI 語音輸入體驗，讓使用者可以用說話快速輸入文字，也可以選取文字後一鍵請 AI 潤飾。這段時間完成了多個版本發布、iOS TestFlight 測試、語音辨識穩定性修正，以及繁體中文使用手冊。 2. AI 伴讀工具 Lectio 開始打造一個可以理解你目前閱讀內容、並用語音和你對話的學習助理。它可以讀取目前瀏覽器中的內容，透過語音問答幫助理解文章、文件或網頁。這段時間完成了第一版 macOS prototype、語音輸入輸出、OCR 螢幕理解、設定介面，以及本機語音播放引擎。 3. 多券商交易系統 MatrixTradingSystem 把一個下單介面原型，往真正可用的桌面交易系統推進。這段時間完成了核心架構、桌面應用框架、交易資料模型、委託／改單／刪單流程設計、錯誤提示、稽核紀錄，以及部分券商 API 的初步串接與驗證。 這個專案目前還在進行中，距離完整產品還有一段路。接下來還需要整合更多券商，包括尚未完成的五大券商，也還有不少風控、帳務、測試、部署與實盤驗證功能正在規劃與開發中。 🚩 Flag：五月底前結案。 4. 個人網站與作品集重構 重新整理了 chenfu.ai，把網站從單純履歷展示，改成更清楚呈現我現在正在打造的方向：邊緣智能、安全網路、AI 工具與產品化實驗。也補上雙語內容、專案頁與 SEO。 5. 產品提案與市場探索 整理多份產品提案與技術文件，包括 AI 趨勢追蹤工具、AI Maker 平台、語音助理架構、OCR 技術選型等，讓這些想法不只停留在腦中，而是能變成可以討論、驗證、合作的材料。 下週繼續，硬體到貨、機器人開箱、Trading Agent 繼續推進。時間感越來越壓縮，但方向越來越清晰。

AI 的重心放錯了地方 打開科技新聞，滿屏都是雲端 AI 的故事。更大的 GPU 叢集、更多的訓練資料、更貴的 API 呼叫。好像智能只能住在遙遠的資料中心裡，隨傳隨到——只要你有夠好的網路。 但真實世界不是這樣運作的。 工廠裡的產線攝影機，需要在毫秒內判斷瑕疵品。車上的感測器，不能等雲端回傳結果才決定煞車。偏遠農場的環境監測站，連穩定的 4G 訊號都不一定有。這些場景——工廠、攝影機、感測器、車輛——才是真實世界的骨幹。而它們全都在「邊緣」。 延遲、隱私、頻寬成本，每一個面向都指向同一個結論：智能必須搬到邊緣。 我在 Ubiquiti 待了十四年，親手打造邊緣產品。UniFi 攝影機上跑 on-device AI、三千萬台受管裝置遍布全球——這個經歷讓我極其清楚地看到這道鴻溝：雲端的 AI 飛速進步，但邊緣裝置還活在上個世代。它們大多只是把資料往上丟的「笨管道」，智能完全仰賴雲端。 這不對。 邊緣裝置需要三件事 我花了很長時間在想，到底缺什麼？最後歸結出三個核心需求： 1. 原生智能（Native Intelligence） 裝置本身就要能跑 AI 推論。不是「雲端掛了就變磚」的那種依附式智能，而是真正在晶片上執行模型、處理感測資料、即時做出決策的能力。斷網也能動。 2. 安全連線（Secure Connectivity） 邊緣裝置彼此之間、以及跟管理端之間，需要真正安全的通訊。不只是今天安全——在量子電腦成熟之後依然安全。後量子時代的加密不是未來式，它是現在進行式。 3. 開發者友善的工具鏈（Developer-Friendly Tooling） 讓 AI agent 能直接跟硬體互動的工具。不是要開發者自己寫一堆 glue code 把東西串起來，而是提供乾淨的協定介面，讓 AI 可以直接控制嵌入式裝置——燒錄、除錯、讀取感測器。 這三件事缺一不可。有智能但不安全，等於門戶洞開。有安全但沒智能，就只是加密過的笨管道。有前兩者但工具鏈爛到沒人想用，那一切都只是實驗室裡的 demo。 我正在打造的技術棧 這不是一個專案，而是五個專案，每一個解決一塊拼圖，合在一起構成完整的邊緣智能系統。 AI-HIL MCP — AI 碰觸實體世界的介面 五個 MCP server，讓 AI agent 能直接控制嵌入式硬體：燒錄韌體、啟動除錯器、讀取感測器數據。這是 AI 從「只能看螢幕上的文字」進化到「能碰到實體世界」的那一步。我在前一篇文章裡寫過這個想法的起源——消除人類在 AI 跟硬體之間充當「人肉資料管道」的角色。 Engram — 邊緣 ML 推論平台 吃進感測器資料、跑模型、吐出結果。這是邊緣裝置的「大腦」。不需要雲端 GPU，在本地就能完成推論。目標是讓每一個邊緣節點都有自己思考的能力。 ...

從一句抱怨開始 第三天了。 這塊點心小板真的夠硬。Claude Code 在大放送期間讓我能一直衝，結果還是頂到了用量限制。早上後來去參加研討會，腦子裡一直在想一件事： 我花了多少時間在 copy/paste？ JTAG 的 call stack、SWD 的暫存器狀態、Serial Console 的 log——一段貼過去，AI 給建議，我改一下 code，重新 build、flash、再抓 log，再貼回去。來來回回。有時貼錯視窗，有時貼漏了關鍵的那幾行。 跟以前純靠自己 debug 比起來，確實快很多。但還是不夠快。Bug 像俄羅斯套娃，抓掉一層，裡面還有一層。每一次的「這次應該好了」到「怎麼又掛了」的迴圈，都讓人想把鍵盤推開。 所以我在想，如果能消除人為因素的話呢？ 一個想法：給 AI 眼睛跟手 問題說清楚了就好解決。 我需要的不是更聰明的 AI，而是讓 AI 能自己看、自己動、自己驗。 不再是我充當「人肉資料傳輸管道」，把硬體的訊號用眼睛看完之後再貼給 AI，而是讓 AI 直接接上硬體的感知介面，取得第一手的訊號，做出判斷，然後直接驅動工具鏈——build、flash、reset——再自己確認結果。 這個想法就是 AI-HIL（AI Hardware-in-the-Loop）。 Giving hardware the soul of AI, realizing automated closed-loop development in the physical world. AI-HIL 是什麼 AI-HIL 把 Claude Code 從「code 產生器」升級成「系統級工程師」。 透過 Model Context Protocol (MCP)，Claude Code 連接到實體硬體，獲得三種能力： 感知（Perception）：讀 Serial log、JTAG call stack、電流波形、Camera 畫面 行動（Action）：Build/Flash firmware、硬體 Reset、電源控制 閉環驗證（Closed-Loop Validation）：自動確認修復是否有效，記錄 bug 模式 換句話說，AI 不再只是坐在我旁邊出主意，而是能自己上工的 AI Employee。 ...

引言 (Introduction) 在追求「All in AI」的過程中，知識的內化與產出不應被繁瑣的工具鏈阻礙。透過將 Obsidian 與 chenfu.ai 專案深度整合，我成功達成了一種「編輯即發佈」的無縫體驗，並導入 AI 輔助分析，讓每一篇筆記都能與過去的技術積累產生共鳴。 第一階段：基礎連結與路徑優化 首先，將 Obsidian 作為 Hugo 專案的專屬編輯器，讓本地檔案與 Vault 直接連結。 開啟專案：啟動 Obsidian，選擇 Open folder as vault。 路徑設定：導向本地專案路徑 /Users/chenfu/Labs/chenfu.ai。 優化目錄視圖： 主要創作區：content/posts/ (部落格文章)。 核心頁面區：content/ (關於我、專案介紹等)。 第二階段：Git 整合達成自動化發佈 為了實現寫完即發佈，我們利用 Obsidian Git 插件將 GitHub 與編輯器串連。 安裝插件：在 Community plugins 中搜尋並安裝 Obsidian Git (by Vinzent03)。 同步設定： 手動觸發 (推薦)：使用快捷鍵 Cmd + P，輸入 Git: Push 即可將更新推送到 GitHub。 自動備份：可設定 Vault backup interval (如 60 分鐘) 自動同步。 部署流程：一旦 Push 成功，Cloudflare Pages 會自動偵測更新並在 3 分鐘內完成部署。 ...

No more words to say. Farewell my little angel…