AI

📖 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）。 ...

📖 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（本篇）· 第四篇 我幫 AI 裝了一個省錢儀表板 前兩篇都還停在「人人可用」的層次。從這篇開始，我帶你看我電腦裡那套被我折騰到很細的設定。 先說背景。我除了在手機上用 AI 聊天，更常用的是一個叫 Claude Code 的工具：它跑在電腦的終端機裡，可以直接讀我的檔案、改我的筆記、幫我自動化一堆事。你可以把它想成「一個住在我電腦裡、能動手做事的 AI 助理」。 正因為它能做的事多、跑的次數多（一個任務動輒呼叫 AI 幾十上百次），省 token 在這裡的回報會被放大很多倍。而省 token 的第一原則，跟整理書桌一模一樣： 桌面上只放現在用得到的東西，其他都收進抽屜。 常駐稅：有一種成本，你每一句話都在付 我有一個檔案叫 CLAUDE.md，裡面寫著我給 AI 的長期規則：筆記要用什麼格式、哪些資料夾不要碰、我的偏好是什麼。 這個檔案有個特性：它在每次開工的最一開始就被載入，而且整段工作過程都常駐在 AI 眼前，不會被收走。 意思是，如果這個檔案有 5000 個 token，那麼無論我今天只問兩句、還是聊兩百句，每一句的背後都在重複付這 5000 個 token 的錢。 我把它叫做「常駐稅」。每一行都是稅。 所以我刻意把它壓在 95 行左右，只留真正穩定不變、非寫不可的規則。會議記錄、設計過程、長篇說明，全部移到別的地方，要用的時候才叫出來。 順帶一提，這些「只給 AI 看」的設定檔，我一律用英文寫。因為中文在 token 計算上比較貴（同樣意思的中文通常比英文吃更多 token），而給人看的筆記我才用中文。給 AI 的省錢，給人的好讀，各得其所。 抽屜：讓記憶分層，不要全攤在桌上 我給 AI 做了一套記憶系統，但重點不是「記越多越好」，而是分層： 真正天天用到的，放在最上層，每次開工自動載入。 偶爾才用的，收進抽屜，需要時才拉出來。 很久沒碰的，直接封存。 我還做了一個「使用熱度」的計分：常被讀到的記憶分數高、留在桌上；冷掉的自動往下沉。這樣桌面永遠只有當下最相關的那幾張紙。 道理跟上一篇的算盤一樣：這套熱度排序是用程式算的，不勞駕 AI。 這對手機聊天版的人也有啟發：ChatGPT 的「記憶」和「自訂指令」功能不是免費魔法，它是每次對話前自動幫你貼上去的隱形內容，一樣佔空間、一樣每句重算。所以記憶要精簡，不是塞越多越好。 ...

這陣子我越來越依賴 Claude Code 幫我打理數位生活，從整理我的 Obsidian 筆記庫，到維護家裡自架的一堆服務（OpenWrt 路由器、AdGuard Home、Synology NAS、Oracle 雲端主機、Home Assistant），再到各種半夜自己跑的自動化，幾乎都交給他。他能做的事愈來愈多，我有一天就認真想了一件以前沒細想的事：我把一個「能讀我電腦裡的檔案、能執行指令、又能連上網路」的 AI 幫手，給了這麼大的權限，那萬一哪天出錯，會錯到哪裡去？ 先搞清楚：權限這麼大，可能出什麼錯？ 於是我請 Claude 陪我，把這件事從頭查一遍。查下來，AI 幫手（agent）的風險大致歸成幾類： 致命三要素（lethal trifecta）：能讀檔案、能執行指令、能連網路，這三件單獨都還好，但湊在一起，一旦 AI 被騙，它就有能力把你的祕密讀出來、再送到外面去。 間接提示注入（indirect prompt injection）：白話說，就是一段藏在網頁或某個檔案裡的惡意指令，可能在 AI 幫你讀資料時，偷偷叫它去做你根本沒交代的事，比如翻出你的金鑰再傳出去。 對話會留存：你順手貼進對話框的東西，其實會被記在某個地方。 老問題的放大版：密鑰散得到處都是、權限給太大、不小心把祕密存進了 git。 查完我的感想是，這些都不是假設性的學術風險，是真的會發生的事。再加上身邊愈來愈多同好也開始玩 AI agent、也在自架自己的服務，我想說乾脆把我查到的、做過的都記下來分享，希望也幫到正走在同一條路上的大家。 我們做了哪些檢查與掃描 方向定了，我跟 Claude 就一項一項盤： 數清楚我到底有多少把「鑰匙」跟 token，各自散在哪。不數還好，一數有點尷尬，原來比我想像中亂。 用一個叫 gitleaks 的工具，掃我自己筆記庫跟所有專案的 git 歷史，看有沒有哪次手滑把金鑰存了進去。 把家裡每一台主機之間「誰可以登入誰」的關係攤開來看（這在資安上叫橫向移動 lateral movement，意思是攻擊者攻破一台之後，能不能再跳到下一台）。 檢查我給 AI 的權限設定，跟過去那些對話紀錄到底留了什麼。 找到的問題，跟我們怎麼補 這段有點像在自首😅，但我覺得誠實把坑寫出來，比假裝自己一開始就做得很好有用多了。 問題一：一把沒上鎖的萬能鑰匙 我有一把 SSH（Secure Shell，遠端登入主機用的）金鑰，居然沒設密碼，而且同一把幾乎能打開我家所有主機。等於一把沒上鎖的萬能鑰匙，誰撿到誰就開全家。 我們的處理是：幫它加上密碼（passphrase），再用一個叫 ssh-agent 的機制，讓我只要輸入一次、之後自動化照樣順順跑，安全跟方便都顧到。然後把它從「一把開全家」改成「一把鑰匙只能做一件事」（這招叫 forced command，指定這把金鑰登入後只能執行某個預先設定的指令，而不能取得一般 shell）。 問題二：順手貼進對話的密碼 注意 我以前圖方便，曾把 token 直接貼進跟 AI 的對話框，那它就被留在本機紀錄裡了。這種「已經外洩過」的東西，與其一個一個追副本，最乾淨的做法是直接把舊鑰匙作廢（rotate），重發一把新的，舊的當場失效，外面那些副本就全變廢紙。 問題三：筆記裡躺著兩個忘記的金鑰 這是這次最有感的。我用 gitleaks 掃自己的筆記歷史，竟然挖出兩個我幾年前順手記下、早就忘得一乾二淨的真實金鑰。原來最大的洞，常常不是什麼高深攻擊，而是「過去那個貪方便的自己」。 ...

背景：我本來就在用的東西 念專科考試的時候，我給自己弄了一套 RAG（Retrieval Augmented Generation），用「看相似度」的語意搜尋（semantic search）把幾百本復健科教科書跟我自己的筆記變成可以查、可以問的東西。一邊在 Obsidian 裡讀書用，一邊讓 Claude 透過 MCP 也能找到我要的東西。 它目前最弱的地方，就是「跨文獻把知識串起來」。所以前幾天看到有人分享一篇剛發表的論文 SAG（SQL-Retrieval Augmented Generation），說可以在語意搜尋之外加上結構化查詢語言（SQL）跟圖的概念，讓跨文獻搜尋更容易，效果類似 GraphRAG 但更好維護、更好建立，我整個眼睛一亮。 在這時代想當然爾，就是把論文連結丟給 Claude，請他去讀論文、抓原作者的 GitHub、讀懂作法，然後用我自己的資料把整條管線複現出來、實際跑 benchmark XD 論文：Wu et al., SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges, arXiv:2606.15971。程式碼：github.com/Zleap-AI/SAG-Benchmark 第一步：選模型（RTX-3070 的眼淚） 整條管線裡最關鍵的一步，是用 LLM 把每段文字抽成「事件 ＋ 實體」存進資料庫。原論文用 Qwen，我就比了本地的 Qwen（qwen3.5:4b）跟線上的 Claude Haiku。 結果 Haiku 萃取資訊的能力明顯比較好，實體圖更密、命名更一致（這對後面用 SQL 串很重要），而且看起來很便宜。這跟我先前的經驗相符，可能我的 RTX-3070 真的太弱了，稍微大一點的模型就跑不動（時代的眼淚阿），直接用 Haiku 又快又好！ 順帶一提，我沒有 API 訂閱也能用 Haiku：直接派 Claude 的 subagent 去做，跑在既有額度內就好。 教科書上的三個發現 我用神經復健的教科書當測試語料，設計了一批臨床問題，拿 SAG 跟原本的語意搜尋正面對決。結果分三關： 第一關，單一本書：打平。語意搜尋已經夠強，多跳機制沒用武之地。 第二關，跨書、但問題裡把關鍵字都寫白了：還是打平。因為問題裡已經把「中風、脊張力、步態」全寫出來，語意搜尋自己就把相關段落都撈回來了。 第三關，跨書、但只問一端、中間那跳故意不講（例如只問「馬蹄內翻足怎麼處理」，期待它自己連到背後的脊張力機轉跟治療）：SAG 終於贏了，而且贏很多。 ...

上週末考完專科考試，終於要成為復健科主治醫師了！ 在花蓮十幾年，無數次來往台北上課，早早就把自己坐成了台鐵黃金會員。前陣子準備院內升等，請 Claude 幫我爬梳這些年上過的復健科課程，線上線下加一加，發現竟然破了 150 堂！沒想到不知不覺間，已經累積了這麼多學習開銷🤣 還記得 R1 那年，Braddom（復健科最重要的教科書之一）的總編輯 Prof. Cifu 來台灣復健醫學會年會，演講「怎麼當一個傑出的復健科醫師」，那時講述他成為主治醫師以來大概每十年換一個領域，每個領域都能做到頂尖，很好奇他會給住院醫師什麼建議，便舉手請教。他說：多方面接觸各個領域，不局限自己在一個領域。這四年回頭看，我想我沒辜負他的建議，兒復、神經、骨病、超音波、徒手治療等等，有機會就學，是很充實的四年。尤其最後考完試回想起來，真的比起以前多會了很多東西，很為自己開心，也很感恩。 能在花蓮慈濟受訓，我真的蠻開心。模擬手術、花東增生義診、兒復討論會，每週的超音波與心肺教學，加上公費去了美國 AAP、澳洲 ISPRM，還到台大、北榮、林長短期訓練。一路上看著許多令人尊敬的老師怎麼看診，也碰上不少大師，包括令人景仰的連教授、Braddom 總編輯 Prof. David X. Cifu 與副編輯 Prof. Henry Lew。能親眼看到大師風采，真的很幸運。 如果說這四年把「不受限」走得最遠的一步，大概是今年二月，準備考試時一直聽到 vibe coding與龍蝦，忍不住開始用 Claude Code，沒兩天就把方案從 pro 升到 max。用它把「讀書」方法整個重新設計：建了一個能隨時問答的個人知識庫，也做了刷考古題的複習網站。從臨床一路跨到工程，意外發現唯一的限制，大概真的是想像力！這些考前不好意思說自己在玩AI，考後就可以多多來跟大家討論了～ 再來八月開始，我會留在花蓮慈濟當主治醫師。新的階段，請大家多多指教囉！