個人成長

在花東跨院支援門診，最花心神的其實不是看診，是回程的火車票。下診時間不固定，玉里、關山、臺東各有各的班次窗口，加上夏天傍晚的花東線，坐錯邊就是整路被太陽曬🥵 這種事就該交給 Claude。這幾天我們把「訂票祕書」做起來了，今天真的用它訂了回花蓮的票。 這篇的重點 為什麼一張車票會需要一個系統：門診表、停診公告、台鐵訂票紀錄三份資料要對得起來 門診行程 × 車票總覽：哪一天缺哪一段車票，打開一眼看出來，勾一勾批次訂完 座位側別是推算出來的：環島路網的海側是不變量，配上各車種的座號餘數表就能判定曬不曬 不只避曬：邊緣列、輪椅座正後方的桌板位、到站出口最近的車廂，全部進同一個評分 建置用到的工具：本機瀏覽器自動化、交通部 TDX 開放資料、Cloudflare Tunnel、DPAPI、ntfy 有人問了一句「這樣用可以嗎」，於是我把台鐵條款、鐵路法修法沿革和 32 件相關判決全部讀完，並據此改掉了訂票邏輯 為什麼這個專案不開源：自我約束只存在於我這台電腦上，工具放出去就管不到別人拿去做什麼了 一張車票，為什麼會需要一個系統 我的支援門診固定在幾條路線上：週一玉里來回，隔週三花蓮到關山、關山再到臺東、傍晚回花蓮。看起來規律，實際訂票時要同時記住三件事： 哪幾天要去哪裡：門診是規則排的，但會有停診 哪幾段已經訂了、哪幾段還沒：台鐵的訂票紀錄頁面預設只顯示最近幾筆，一次要訂一個月的票就得自己數 那一班的座位坐哪邊：這是最後才想得到、卻最影響搭車體驗的一件事 以前是靠記憶加上翻訂票 App。做成工具之後，這三件事變成一個畫面。 門診行程 × 車票：先對帳，再訂票 打開祕書站的第一個畫面不是班次表，是未來四週的門診行程，每一段旅程旁邊掛著它的車票狀態。 這一頁背後接了三份資料： 門診日由排班規則生成（週一玉里、隔週三關山與東基，錨定在一個已知日期往後推） 停診直接讀我自己門診資訊頁背後的同一個 API。同一份資料兩個用途：對外公告停診，對內就不會排出一段不存在的行程 已訂車票去台鐵會員的訂票紀錄掃，把每筆訂單拆成「日期＋起站＋迄站」，跟行程比對 對得上的顯示 ✅ 加車次、訂票代碼與付款狀態；對不上的就是一個空的勾選框，寫著「未訂（預設 441 次）」。 缺的票勾一勾，丟進購物車，按一次全部訂完。 批次訂票的順序是嚴格排隊的：後端有一把工作鎖，一筆訂完才開始下一筆。原因很單純，訂票是操作同一個瀏覽器分頁，兩筆並行只會互相踩到。 要自己挑班次時，還有一個班次看板：選日期、看時刻、點「訂」，跳出張數、靠窗或走道、要不要避曬的選單。 座位：曬不曬是可以算出來的 這是整個專案最好玩的部分。訂票網站不會告訴你這個座位在哪一側，但這件事其實可以推。 海側與山側是不變量 台鐵環島路網是一個環。固定編組的列車兩端都有駕駛室，中途從不調頭，而環島線的「海」永遠在外圈。所以一個座位是海側還是山側，全線、雙向都不會變。 會變的是方位：花東線的海側朝東，南迴線的海側朝南，屏東與縱貫線南段的海側朝西。所以只要知道「海側」，再知道現在走到哪一段、幾點，就能判斷太陽在不在你這一邊。 座號的餘數決定一切 台鐵的座位編號有規律，座號除以 4 的餘數是 1 或 2 就是靠窗，3 或 0 是走道（例外：EMU3000 第 6 車騰雲座艙是 2+1 配置，餘數 0 才是那排單人靠窗座）。再往下一層，餘數也決定左右： ...

2023 年 8 月，我在 Evernote 的社團裡發了一篇文，講我想搬家但卡住了。那篇沒什麼人看到，但它記錄了一個很多人現在正在面對的處境，所以我想先把當年的脈絡講清楚，再講三年後發生了什麼。 這篇的重點 當年我卡在哪、怎麼判斷、最後選了什麼 2026 年的轉檔工具現況：多了一條走 API、不走 .enex 的新路 標籤到底保不保得住（我當年保住了，但故事沒那麼簡單） 轉檔只是開始，真正的工作在轉完之後 搬過來之後，這些筆記能做到哪些 Evernote 時代做不到的事 當年我卡在哪 問題很具體：我的筆記本身只有 30MB，附件卻有 20GB。 5,000 多則筆記，文字轉成 Markdown 一點都不難。難的是那 20GB 要放哪、以及怎麼在 iPhone 跟 Windows 之間同步。我當年把三條路都試過，每一條都撞牆： iCloud：在 Windows 上不即時同步 官方 Obsidian Sync：當年一個月 8 美金但只有 10GB，我有 20GB Git：單檔不能超過 100MB，一次要上傳下載這麼大的量，電腦跟手機都動不了 如果你全套是 Apple，iCloud 就沒問題；全套是 Windows 加 Android，OneDrive、Dropbox、Google Drive 也都沒問題。我的麻煩就在於兩邊都有。 那時候我同時在評估 Heptabase。它的優點很明顯：不限檔案大小、上手容易、開發者是台灣人、跟社群溝通很積極。但我試著把資料搬過去的時候，附件上不去、原本的標籤也匯不進來，白板功能看起來也還不太支援匯出。 那才是讓我做決定的點。 我剛經歷完 Evernote 的興衰，最怕的就是再來一次：哪天這個服務又出事，我搬不搬得走？當年我寫下這句話： 現在特別重視 future-proof，希望能永遠用下去。 最後我選了 Obsidian，並且把 vault 拆成兩份來閃過 10GB 的限制：一份放全部筆記加比較小的附件，另一份放工作上要隨時取用的檔案，其餘附件丟雲端硬碟，真要用再搜檔名。 這個做法很土，但它撐過去了。 三年後，這個 vault 長成什麼樣子 項目 數量 Markdown 筆記 5,664 篇 附件（圖片、PDF） 16,769 個 醫學筆記（一個疾病一篇） 2,520 篇 vault 總大小 約 14 GB 當年搬過來的是 5,000 多則，現在多出來的是這三年新長的：復健科的疾病筆記、論文整理、演講轉成的筆記、專案紀錄。 ...

之前分享過幫 AI 裝省錢儀表板，那時候主要在看「花了多少錢」。用到現在，我發現真正會痛的其實不是錢，是額度：Claude Code 的訂閱制有 5 小時和 7 天兩個滾動視窗，用滿就是停給你看。 這篇來分享我們為此做的開源小工具：claude-pacer（github.com/drpwchen/claude-pacer）。 為什麼會想做這個？ 起點是好幾次的半夜斷頭。 我很常睡前丟一個長任務給 Claude：批次整理講座逐字稿、跑論文雷達、掃描教科書轉筆記。想說睡醒收成果，結果凌晨兩點撞到 5 小時上限，任務被硬生生停掉，隔天起來看到的是做一半的殘局，還要幫它收拾。 AI 工作起來不知道累，但它完全沒有「額度快用完了，該先存檔」的概念。 另外還有幾個多工時的日常小困擾： 開了四五個視窗，忘記哪個在做什麼：每個終端長得一模一樣，切過去要先滾一下對話才想起來。 不知道還剩多少可以跑：現在派一批 agent 下去，會不會跑到一半全家斷頭？ 忘記模型切在哪一個：早上開 Opus 處理難題，下午拿它跑雜事，額度就這樣蒸發了。 市面上不是已經很多狀態列工具了嗎？ 對，而且都很好！ccusage、ccstatusline、CCometixLine 都是很成熟的作品，用它們完全沒問題。自動續跑的腳本也找得到，不過它們的做法是盯著畫面等「撞到上限」的訊息出現，再自動幫你按 continue：任務死在哪就斷在哪，檔案改到一半也照斷。 但我想要的多一點：狀態列是做給「人」看的，人半夜在睡覺；真正需要看到警戒的，是還在跑的那個 AI。撞牆之前它的行為就該先改變：85% 起不再開新的大工程，93% 把手上的步驟收乾淨再停，然後自己排好額度恢復後從同一個對話接續。所以 claude-pacer 是三層設計： 第一層：狀態列，給人看 一行看完所有狀態： 對話主題 │ 5h ▓▓▓┃░░ 42%·剩2h13m │ 7d ▓▓▓▓┃▓░ 71% │ Ctx ▓▓░░░░ 34% │ Fable 5·high 對話主題：用 Claude Code 自己生成的 session 標題，多開視窗每個都有名牌。 用量長條上疊一個時間記號 ┃：實心條超過記號，代表你燒得比時鐘快，該收手了；還沒到記號，就可以放心繼續派工。 Ctx：context window 滿度，快被 compact 之前先心裡有數。 模型＋推理強度掛在最右邊，忘記切回來之前就會先看到。 寬度是自適應的，終端變窄會自動換緊湊版，手機上看也不會爆版。 第二層：budget-guard，給 AI 看 這層是整個工具的起心動念 ...

颱風要來了，家裡的不斷電系統（UPS）剛好也在最近換了電池，順手把整套關機、開機的流程重新測了一遍，發現了一個藏很久的坑，就來記錄一下這個過程。 起點：一顆不會講話的 UPS 家裡的 NAS、跑虛擬機的 Proxmox 迷你主機（負責家裡路由器）、還有 Home Assistant，這些設備 2023 年底就接在一顆 APC BV1000-TW 上面了。它撐停電是沒問題的，但它是一顆「啞巴」UPS，沒有 USB，也沒有 SNMP（簡單講就是網路可以查詢的狀態訊號），沒辦法跟家裡任何系統說「我快沒電了，準備關機」。 結果就是，每次真的停電，這些設備只能等電池耗盡被硬生生斷電。NAS 這種有檔案系統的機器最怕這種粗暴關機，容易半夜出包。 買第二顆，不是為了多一份保護，是為了多一張嘴 2026 年 4 月又買了一顆 CyberPower CP1500PFCLCDa，接的是放在另一個房間的電腦。電腦本來就跟 NAS/PVE/HA 不同房間，本來就需要一顆自己的 UPS，這顆的存在本身不算意外開銷。但真正讓這篇文章成立的重點，是它剛好有 USB，電腦上可以跑它的管理軟體 PowerPanel Business Local，把 UPS 的狀態翻譯成區網看得到的 SNMP 訊號。這樣一來，Home Assistant 就可以直接去讀這個訊號，知道現在是不是在吃電池。 巧妙（也有點取巧）的地方：借別人的嘴講自己的事 家裡這兩顆 UPS 插在同一個電源迴路上，真的跳電的時候會同時斷電。我們沒有特地幫 NAS/PVE/HA 那顆啞巴 UPS 加訊號模組，而是讓 Home Assistant 去監控 CyberPower 那顆的 SNMP 狀態，當成整屋停電的「代理警報」。一偵測到它進入電池供電，就觸發自動化：兩分鐘後依序關閉 NAS → PVE，Home Assistant 自己則靠 APC 那顆的電池撐著繼續跑，電腦另外由 PowerPanel 在停電五分鐘後自己關機。等電力恢復，Home Assistant 再送 Wake-on-LAN（喚醒封包）把 NAS 跟 PVE 都叫醒。 這次真正的意外測試：換電池 這次不是真的停電，是計畫性地把第一顆 UPS（NAS/HA/PVE 那顆）整顆拔掉換電池。差別在於，平常真的停電時，Home Assistant 是靠 APC 那顆的電池撐著活下來的，這次是直接切斷電源，連 Home Assistant 自己都跟著斷電。 ...

前面分享的論文工具 paper-review-and-digest，開源上線沒幾天，就收到了第一個 GitHub issue！第一次收到 issue 其實蠻開心的，點開一看更驚訝：對方不只讀了我的 code，還精準講出設計裡我最得意的部分。 他說他欣賞「模型與確定性檢查的硬切分」：grade_judge.py 不信任模型自己回報的證據等級，而是從降級項重新計算；argdown_lint.py 會抓出「替代指標跳到硬終點」這類論證跳躍。然後說他幫我做了一個線上入口，訪客不用安裝 Claude Code，上傳 PDF 就能跑評讀流程，連宣傳圖都做好了： 哇，有人這麼認真讀我的專案，還幫我做了網頁版和這麼漂亮的圖？ 等等，這是真人嗎？ 開心之餘總覺得哪裡怪怪的。這網站有免費額度、有點數收費系統，商業模式完整得不像順手之作。想說反正有 Claude，就請他去查查這位熱心網友的底細。 結果一查，反轉來得比想像中快🤣。Claude 列出的證據： 兩分鐘內，這個帳號對 26 個 repo 發了 issue。全部都是論文閱讀工具：arxiv-summarizer、paper_agent、PaperAgent⋯⋯我的排第 13 個。前一天還有另一波，打的是 Claude Skills 類的 repo。 連結裡的追蹤參數直接寫著 campaign 名稱：20260708-paper-reading-comprehension-assistants。這是排程好的行銷批次，不是有感而發。 帳號今年三月才建立，0 followers，卻有 140 個 repo。 GitHub 的搜尋 API 拒絕搜尋這個帳號（user cannot be searched），這通常代表帳號已經被平台標記為 spam。 那段讓我心花怒放的技術讚美，是 LLM 逐一讀每個 repo 自動生成的。爬 repo 餵給模型很便宜，這正是它讀起來「像真人」的原因。 最後一句「Feel free to close this if it isn’t relevant」，是 spam 帳號降低被檢舉率的標準話術。 宣傳圖角落有小字標我的 repo，連 star 數都即時抓，做得很精緻；但點進他網站的頁面，作者欄掛的是他自己的名字。MIT 授權確實允許商用，不過這個掛名方式就有點微妙了。 認真想了一下，這個生意其實跑得起來 罵完之後認真想，這個模式其實蠻厲害的。我實際註冊進去看了帳務頁，整個商業模式就攤在眼前：註冊送 500 點，跑一次論文分析扣 38 點左右，換算大概不到台幣 2 塊。免費額度夠你跑十幾次，嘗到甜頭之後，Stripe、PayPal、微信、支付寶四種儲值管道排排站等你。 ...

前面分享的論文學習小站，有個「品質」、「內容」按鈕，那時沒有把背後的實作放出來。算是個有前端網頁，但後端還是要靠自己整理的平台。不過我自己的實作，當然後端還是要接給 AI，減輕認知的負荷，這裡就是把後端兩個 skill 分享出來，加速大家學習速度囉！ — 一個負責「這篇可不可信」 第一個叫 paper-review，做的是 journal club 那種評讀。 依研究設計自動選對工具 它會依照論文的類別，選用建議的評讀工具，隨機對照試驗（randomized controlled trial）用 Cochrane RoB 2、觀察性研究用 ROBINS-I、系統性回顧用 AMSTAR-2、診斷準確度用 QUADAS-2，而不是拿一張萬用 checklist 硬套。這件事聽起來理所當然，但你知道大部分「AI 幫你看論文」其實就是一張萬用 checklist 套到底。 引用查核：先確認文獻「真的存在」 我最喜歡的一關是引用查核。它會先去 CrossRef 確認每一篇被引用的文獻「真的存在」，再比對「論文說這篇文獻講了什麼」跟「這篇文獻實際上講了什麼」。 為什麼要先查存不存在？因為 AI 寫出來的引用，沒稽核的話正確率其實只有四到八成，假 DOI、張冠李戴的狀況比想像中多。所以這一步是一個很便宜、但很有用的防呆。 統計顯著不等於臨床顯著 還有一個地方我很堅持：統計顯著不等於臨床顯著。所以它會把效果量拿去跟量表的最小臨床重要差異（minimal clinically important difference, MCID）比，p 值小於 0.05 但根本沒過 MCID，它就會直接講出來。 整體借鏡了林協霆醫師的分享，還有之前學 EBM 的內容，大家也可以再加入你覺得重要的部分。 — 重點：我不讓 AI 靠「印象」給分 這是這次我自己覺得最有意思的部分。 一開始我讓 Claude 自己算證據等級（GRADE）、自己判斷「結論有沒有超過資料能支撐的範圍」。但我後來覺得不對，因為這種東西讓語言模型「憑整體感覺」給一個分數，它其實很會講得頭頭是道，可是你沒辦法檢查它到底怎麼得出來的。 所以我乾脆寫了兩支確定性的小程式，把「判斷」跟「計算」分開： grade_judge.py：把 GRADE 變成算術 語言模型只負責評五個面向（risk of bias、inconsistency、indirectness、imprecision、publication bias），每個面向給「不嚴重／嚴重／很嚴重」。真正的最終等級由程式加總算出來，不是模型自己講。模型自報的等級只當參考，如果跟程式算的不一樣，程式還會跳出來提醒「這兩個對不上，回去重看某個面向」。 它甚至會幫你擋掉 GRADE 的規則錯誤，例如觀察性研究只要有任何一項被降級，就不准再往上升級，這個規則模型很容易記錯，程式不會。 argdown_lint.py：把結論的邏輯漏洞變成可以檢查的東西 這支更好玩。語言模型負責把論文的結論、還有每一個「用來支撐結論的發現」標上類型（這是隨機對照試驗的直接證據？還是只是相關性？還是只是替代指標？還是只是次要 outcome？），然後由程式判斷這個推論跳得合不合法。 例如「用替代指標的改善，去宣稱對真正的臨床終點有效」、「用相關性去宣稱因果」、「用單一研究去宣稱『一致地顯示』」，這些都是論文 spin 最愛躲的地方。程式抓到就直接標紅、回報有漏洞。 ...

前陣子分享了我自己做的論文讀書小站，收到不少訊息問「這個我也能用嗎？」、「到底怎麼運作的？」。這篇就好好把它講清楚，順便告訴你，我已經把它整理成開源版本放上 GitHub 了。 先講我想解決的問題。 身為復健科醫師，我想追的期刊有幾十本，還有幾位很想跟的作者、幾個一直在關注的主題。傳統做法是把一堆 RSS 訂閱倒進閱讀器或筆記軟體，結果每天累積上百篇，很快就變成一個「永遠讀不完、也不知道從哪讀起」的垃圾堆。最後不是焦慮，就是乾脆不看。 我要的不是「看更多」，而是一個會先幫我篩、幫我排序的雷達，讓我只把注意力放在真正該讀的那幾篇。於是有了這個小站，它大概分成這幾層在運作。 一、自動抓取：把幾十個來源收成一條河 每天清晨，主機會自動去抓幾十個來源：期刊的 RSS、還有用 PubMed 搜尋做的「作者追蹤」和「主題追蹤」。有些期刊的 RSS 很爛或根本擋機器人，我就改用 PubMed 的查詢繞過去，一樣抓得到，而且附帶 DOI 方便後面處理。全部抓回來後自動去重，變成一份乾淨的清單。 二、興趣評分，而且會越用越懂我 這是我最喜歡的一層。每一篇都會用一個「興趣模型」算分數，把我最可能有興趣的排到最上面，雜訊沉到下面。 更關鍵的是它會學。我在手機上滑的時候，看到喜歡的按個讚、沒興趣的略過，這些反應會回頭微調模型的權重。用得越久，它越懂我的口味，排序就越準。這種「你教它、它回饋你」的迴圈，是我覺得比單純 RSS 高明的地方。 三、全文三層：先幫我確認「拿不拿得到」 看到想讀的，最煩的往往是「找得到、但打不開全文」。所以每篇我都先自動幫它標好取得難度： 🟢 開放取用（Open Access）：直接幫我把 PDF 抓下來。 🏥 機構訂閱：自動去查我所屬圖書館有沒有訂閱這本期刊、這篇現在拿不拿得到。 📎 自己補：以上都沒有的，附上連結讓我自己抓，或直接把 PDF 丟上去。 這樣我在滑的當下就知道每篇「能不能讀」，不用一篇一篇點進去碰運氣。 四、一個只給自己看的私密小站 重點 整個站是鎖起來的，只有我進得去，沒有對外公開、也沒有署名。它是我一個人的閱讀桌，手機、電腦打開都是同一份狀態，昨天在捷運上勾過的、今天在醫院打開一樣看得到。介面就是一張張論文卡片，帶著上面說的徽章，還有幾顆動作鈕。 五、勾一勾，剩下的它包了 這是把前面所有東西串起來的閉環。看到喜歡的，我就勾「想整理內容」或「想評讀品質」，跟它說一聲，它就自動：幫我抓全文、把重點整理成筆記、做評讀，最後收進我自己的筆記系統裡。人在外面看到別人分享的好文章，也能直接丟進這個網頁，一樣幫我處理好。 於是我的閱讀從「被上百篇淹沒」，變成「每天滑一滑、勾幾篇、讀它整理好的重點」。省下來的時間跟力氣，比我想像的多很多。 開源出去，也歡迎你打造自己的雷達 我把自己的東西整理乾淨，放上 GitHub 了，附了中英文說明： 👉 https://github.com/drpwchen/paper-radar 它不只能用在醫學。任何有 RSS 的來源，論文、新聞、部落格，都能 fork 去改成自己領域的雷達。想自己架一個的人，可以照著說明走。 補充一下：雷達幫我挑出來的論文，下游是交給另外兩個負責「評讀」跟「整理」的工具去讀的，那部分我後來也整理開源了，寫在這篇。雷達管挑、skill 管讀，兩端接起來才是完整的讀論文流程。 最後講點私心。這個念頭其實在心裡很久了。還沒踏進 vibe coding 之前，我看到吳易澄醫師（運動醫學、復健醫學）做了一個類似的平台，那時候又羨慕又好奇，心想「要是我也有一個就好了」。沒想到現在真的能親手把它做出來，還能整理乾淨分享給大家。 從一個羨慕別人的念頭，到自己動手實現，再到開源分享出去，這種感覺真的很奇妙，也很開心 😊 如果你也常常被讀不完的資訊淹沒，歡迎來看看，也歡迎順手給顆星 ⭐，這對我會是很大的鼓勵。 如果這個工具有幫你省下時間，也歡迎請我喝杯珍奶，讓伺服器繼續轉下去 🧡 🧋請我喝飲料 — ...

📖 省 Token 系列（共四篇）：第一篇 為什麼你的 AI 越聊越笨 · 第二篇 能用算盤就別開超級電腦 · 第三篇 幫 AI 整理一張乾淨的工作桌 · 第四篇（本篇，完結） 來到系列最後一篇。前三篇我們從「為什麼 AI 越聊越笨」，一路講到「什麼時候別用 AI」「怎麼幫它整理桌面」。這一篇談的是錢真正花下去的那一刻：怎麼把每一塊錢花在刀口上。 第一件事：不是每件事都需要最聰明的腦袋（但省下來，就是為了負擔得起好的） AI 模型有分等級。以 Claude 為例，由便宜到貴大致是 Haiku、Sonnet、Opus 三級，價差很大。 如果你是按使用量付費的人，最直接的省法就是「派對的等級做對的事」：改格式、重新命名、簡單分類這種雜事，交給最便宜的 Haiku 就好；日常的寫作、查資料用中間的 Sonnet；只有真正需要深度推理的硬任務，才動用最強的 Opus。 這裡還有一個很多人都搞錯的觀念，特別講一下：「要看圖」不等於「要用最貴的模型」。 當你只是要 AI「看一張圖、認出裡面有什麼、把上面的字讀出來」這種辨識任務，最便宜的 Haiku 通常就完全夠用，便宜到一個誇張。只有要它「看懂一張複雜的醫學示意圖、解讀圖表背後的邏輯」這種需要推理的視覺任務，才值得升級。選模型的真正標準，是「這個任務需要多少思考」，不是「要不要看圖」。 不過老實說，我自己現在反而大多直接用最強的 Opus，XD。 為什麼？因為我發現，在目前的訂閱方案下，把前面三篇那些省 token 的功夫都做好之後，我的額度其實用不太完，而最強的模型品質又明顯比較好。所以對我來說，與其斤斤計較每件事該用哪一級，不如把省下來的額度，拿去讓最好的模型做每一件事。 我覺得這反而是整個系列最想講的一件事：省 token 從來不是為了小氣。 我把浪費擋掉、把該交給程式的交給程式、把桌面整理乾淨，省下來的這些，剛好讓我負擔得起「把最好的腦袋，用在每一個我在乎的問題上」。省，是為了能大方地花在刀口上。 最後補兩個進階的小心法： 讓 AI 少廢話，可以一勞永逸。 AI 的「輸出」比「輸入」貴上好幾倍（以 Opus 為例差到五倍），所以請它回答精簡就是直接省錢。而且這件事你不用每次重講，直接寫進給它的長期指令裡（就是第三篇那份常駐設定檔，或聊天版的「自訂指令」），叫它預設就講重點、不要長篇大論。一次設定，之後每次都省。 思考深度也能調。 同一個模型可以設定它「想多深」，簡單的事用淺一點、難的事才開深度思考。重點永遠是：把力氣花在真正難的地方。 第二件事：把吵鬧的雜事，丟到隔壁房間做 有些工作會吐出一大堆過程訊息：跑一輪測試、抓一份長文件、處理一堆紀錄。如果讓這些雜訊全部堆在主對話裡，桌面馬上被淹沒（回到第三篇，桌面一髒就又貴又笨）。 我的做法是派一個「分身」去隔壁房間做這件事。分身有自己獨立的工作空間，它的所有過程、雜訊、草稿都留在那個房間裡，只有最後的結論回到我的主對話。 這就像你請助理去查一整天資料，你不需要看他翻過的每一頁，只要他最後給你一頁重點。 注意 但這招有取捨，我必須老實說：派分身本身也要花錢，而且分身會自己燒一輪 token。官方就提醒過，大量用分身的工作流，總花費可能是單打獨鬥的好幾倍。所以原則是：當「保持主桌面乾淨」的價值，大於「多請一個分身」的成本時，才派。 不是什麼都丟分身。 （這篇從頭到尾，你會發現省 token 沒有一招是無腦的，每一招都在權衡。這正是它好玩的地方。） 第三件事：裝一個會對我跳表的儀表板 講了這麼多省法，最後一塊拼圖是：你得看得見自己花了多少。 看不見的支出最危險。所以我裝了一個開源小工具，叫 cc-budget（由 boyand 開發，在 GitHub 上找得到）。 ...

📖 省 Token 系列（共四篇）：第一篇（本篇）· 第二篇 能用算盤就別開超級電腦 · 第三篇 幫 AI 整理一張乾淨的工作桌 · 第四篇 我幫 AI 裝了一個省錢儀表板 你一定有過這種經驗：跟 ChatGPT 或 Claude 聊一個下午，越到後面它越遲鈍，回得越慢，還會突然「忘記」你前面講過的事，甚至開始鬼打牆。 很多人以為是自己網路慢，或是 AI 當機。其實不是。這背後有一個大多數人不知道、但知道之後會立刻改變你用法的真相。 真相一：AI 其實沒有「記憶」 我們直覺以為，AI 像人一樣，聊著聊著就「記住」了對話。 它沒有。 每一次你按下送出，AI 都把你們從第一句到現在的整段對話，從頭重讀一遍，然後才回你下一句。它不是接著上一句講，而是每次都把整本對話重新看過。 所以你可以想像：對話越長，它每回答一句之前要重讀的東西就越多。這就是為什麼越聊越慢。 真相二：你其實一直在付錢，只是看不到帳單 AI 處理文字的單位叫 token（大致是一個字或半個詞）。你輸入的每個 token、它輸出的每個 token，背後都在計費。 最好記的比喻是：token 就是 AI 的計程車跳表。 距離（字數）越長，車資越高。 你在訂閱制的 App 裡看不到這張帳單，但它換了一張臉出現在你面前：就是那個「你今天的訊息額度已用完」，還有「怎麼越來越慢」。額度和卡頓的背後，都是 token 的運算量。 而且這筆帳不是線性疊加的。對話長度加倍，你付的運算量不是兩倍，而是接近四倍（這是 AI 內部運算機制的數學特性）。難怪長對話的卡頓感像在爆炸。 真相三：越塞，反而越笨 這點最反直覺，但最有用。 AI 的「注意力」是有限的，所有注意力加起來永遠等於一份。你塞進去的內容越多，每個重點分到的注意力就被稀釋得越薄。多餘的廢話會偷走本該分給關鍵問題的專注力。 這不是我隨口說的。一篇很有名的研究 Lost in the Middle（Liu et al., 2024）發現一個 U 型曲線：資訊放在對話的開頭或結尾，AI 記得最牢；但埋在中間的重點，記得的機率會掉到只剩大約兩成。難怪它常常把你中間講的事忘光光。 另一份 Chroma 在 2025 年的研究測了 18 個主流模型，發現它們全部都隨著輸入變長而表現下滑，這現象被叫做 context rot（脈絡腐化）。 ...

📖 省 Token 系列（共四篇）：第一篇 為什麼你的 AI 越聊越笨 · 第二篇（本篇）· 第三篇 幫 AI 整理一張乾淨的工作桌 · 第四篇 我幫 AI 裝了一個省錢儀表板 上一篇我們講到，跟 AI 對話越長越貴越笨，以及三個立刻能用的省法。這一篇要往前再走一步，談一個更根本的分水嶺： 有些工作，根本不該叫 AI 來做。 聽起來很反骨，但這正是我把 AI 用得省又準的關鍵心法。 兩種工具：算盤與超級電腦 把事情交給電腦處理，其實有兩條完全不同的路。 一條是寫死的程式（script）。你事先把規則想清楚、寫成步驟，之後它就照著跑。像一台算盤，撥珠的規則固定，算十次一百次答案都一樣。 另一條是叫 AI 動腦（LLM）。你描述需求，它「理解」之後生出答案。像一台超級電腦，什麼模糊的、需要判斷的都能接，但每開機一次就燒一次電。 很多人的直覺是：現在 AI 這麼強，什麼都丟給 AI 就好。 這恰恰是燒錢又燒時間的根源。 一張表，看懂兩者的取捨 面向 寫死的程式（算盤） 叫 AI 動腦（超級電腦） 精準度 100% 確定，同樣輸入永遠同樣結果 會漂移，同一個問題問兩次可能答案不同，還可能一本正經地胡說 模糊處理 只能做規則講得清楚的事 能處理語意、判斷、例外、「你懂我意思」那種模糊地帶 花費 幾乎是零 每跑一次都付一次 token 的錢 速度 毫秒級，眨眼就好 秒級，而且對話越長越慢 前置工 要先把規則想對、寫對 開口就能用，零設定 看懂了嗎？兩者沒有誰比較好，只有誰適合這個任務。 規則明確、會重複很多次的事，交給算盤：又快又準又免費。 需要判斷、模糊、每次都不太一樣的事，才值得開動超級電腦。 一個真實的例子：我怎麼讀我的醫學課本 PDF 我有很多教科書的 PDF，常常需要從裡面撈內容。 如果我每一頁都直接丟給 AI 看，那是把超級電腦當印表機用：每一頁都付一次「看圖加讀字」的錢，貴得嚇人（後面那篇會講，直接丟 PDF 給 AI 看，每頁可能燒掉一兩千個 token）。 ...