AI Agent
AI agent 幫你做行銷，誰幫 AI 檢查對錯？
越來越多品牌把行銷工作交給 AI agent，寫文案、選受眾、發訊息、拉報表。但 Gartner 說逾四成 agentic AI 專案會在 2027 年前被砍，主因不是模型不夠強，是沒人管它做得對不對。這篇談 AI 行銷真正缺的一塊：讓 AI 會自己檢查、對帳、卡住就停的驗證迴圈，以及迴圈要對帳的那個底座。
AI 技術與數據優化
成效的決勝點，正在從『投了多少預算』移到『數據與技術的底層有多扎實』。主軸是 AI 怎麼真正落到行銷工作裡：AI Agent、RAG 知識檢索、LLM 與提示詞工程，以及把流程變成可複用範本的 AI Skill。再延伸到廣告歸因與受眾的版本更迭（Meta 歸因改版與 CAPI、Google AI Max、微轉換衡量、用 LIFT 評估受眾價值）、搜尋與 AI 搜尋的能見度（Google AI Mode、Search Console 生成式 AI 成效）、Email 的交付率與名單健康，以及第一方數據與 DMP 的定位。透過可驗證的方法拆解每一個題目，把技術與數據變成品牌看得懂、用得上的決策。
AI 技術與數據優化
當 AI 變成「非人類身分」：MCP 時代零售品牌的資料安全與治理
學術研究指出，MCP 的架構設計會把攻擊成功率放大 23% 到 41%，而傳統 API 防護很難完整覆蓋 AI 代理的行為風險。當 AI 代理成為一個會自己行動的「非人類身分」，它動的是你的會員與個資。這篇談三個協定層漏洞、傳統資安的盲點，以及零售品牌該有的治理起手式。
AI 技術與數據優化
先拆解任務，再決定要不要 multi-agent：AI 系統的架構取捨
一個會員搬家、要改訂單收件地址的 AI 客服需求，看起來像一句話，背後卻是任務拆解（task decomposition）、工具選型與 multi-agent 架構的連鎖決策。這篇用最基礎的觀念把原理講透，並回答一個被低估的問題：什麼時候根本不該上 multi-agent。
AI 技術與數據優化
你的 AI 到底做對沒有？用評估框架與 LLM 評審科學化衡量
AI 客服與 agent 上線後，最常被跳過的不是模型，是 eval（評估）。本文把 LLM 評估的三維矩陣、LLM as judge 四種玩法、rubric 設計與 A/B 一次一變數講清楚，讓非該領域的決策者也讀懂底層原理，知道怎麼科學化衡量「AI 到底做對沒有」。
AI 技術與數據優化
用經理人思維設計 AI 工作流：從確定性程式到模糊系統的四個轉變
agentic workflow 與傳統軟體的差別，重點不在用了哪個模型，而在設計者要從寫死每一步的工程師，換成給方向與邊界的經理人。本文用基礎觀念講透 deterministic 與 probabilistic 的差異、agent 三個核心旋鈕、雙層記憶與自主權三檔，幫技術決策者想清楚 ai 工作流怎麼設計才不會失控。
AI 技術與數據優化
該微調，還是該做 RAG？拆解強化 AI 的成本、時效與決策順序
很多團隊強化 AI 的第一個念頭是訓練自己的模型，但這常是成本最高、最快過時的選項。本文從基礎觀念拆解 Prompt、RAG 與微調三條路：你的問題是知識不夠，還是行為不對？為什麼 context window 變大，RAG 仍不可取代？微調的四個地雷與少數該動手的例外，加上一條從便宜到昂貴的決策順序，幫你把錢花在對的地方。
AI 技術與數據優化
提示詞工程不是寫咒語：鋸齒邊界、人機協作與 Prompt Chaining
提示詞工程（prompt engineering）不是寫咒語，也不是專屬職業，而是工程師的基本功。本文從 BCG 與哈佛的鋸齒邊界研究談起，拆解半人馬與生化人兩種人機協作模式、提示詞黃金三要素，再深入 Prompt Chaining 提示詞串聯與 Chain-of-Thought 的底層差異，講清楚為什麼把任務拆開能換來可觀察性與可獨立 debug。
AI 技術與數據優化
為什麼換更強的大模型，解不了你的問題？LLM 的四個限制與擴增地圖
換更強的 base model 是極少數巨頭的賽道，一般公司施力點在另一條軸：擴增 LLM（augmenting LLM）。這篇拆解大模型的四個工程限制，包括知名的 lost in the middle，並給出 Prompt、RAG、Fine-tuning 三招的擴增地圖。
AI Agent
Agentic Workflow 是什麼？為什麼 RAG 知識檢索是 AI Agent 的底層蹲馬步
模型走向公共財，真正拉開 AI Agent 差距的是它讀不讀得到對的知識。本文拆解 Agentic Workflow 的運作、RAG 檢索增強生成的建置心法，以及零售電商與行銷廣告為什麼該把知識檢索當成最底層的蹲馬步功夫。
AI 技術與數據優化
AI Skill 怎麼按職能分工：CRM、廣告、客服各該裝哪一個範本
同一個電商團隊裡，CRM 企劃、廣告投手、客服需要的 AI Skill 完全不同。這篇給三個職能各一份技能範本骨架，說明每個角色該把哪一段工作做成技能，以及為什麼三份範本最後都得接回同一份第一方會員資料。
AI 技術與數據優化
哪些任務該做成 AI Skill、哪些不該？一個行銷主管的投入判斷框架
AI Skill 很好用，但不是每件事都值得做成技能。這篇提供一個行銷主管可用的判斷框架，從重複性、標準化程度與有沒有資料三個問題，分辨哪些任務做成技能會有複利、哪些做了反而是浪費，以及為什麼有資料撐腰的任務最該先做。
廣告平台操作實務
AI Skill 用在廣告投放：把成效診斷 SOP 變成全隊可複用的標準流程
廣告成效一不穩，多數團隊就靠資深投手的手感救火，換個人接手品質就掉。這篇談怎麼把投放診斷的判斷順序寫成一個 AI Skill，讓排查從個人手感變成全隊可複用的標準流程，以及為什麼第一步要先確認資料訊號沒斷。