Posts

三個月前，我抱著「又一個 AI 工具試試看」的心態打開 Claude Code CLI。三個月後，它已經成為我每天工作流程的核心。不是因為它完美，而是因為它改變了我思考「人機協作」的方式。 這篇文章不是功能介紹，是我真實踩過的坑和摸索出的工作節奏。如果你在考慮要不要花時間深入學 Claude Code，希望這些心得能讓你少走一些彎路。 它不是更聰明的 Copilot 第一個要搞清楚的事：Claude Code 和 GitHub Copilot、Cursor 不是同一種東西。 Copilot 是補全工具，你寫，它預測下一行。Cursor 是 AI 增強版 IDE，聰明的自動補全加上 Chat 視窗。這兩者的核心假設是「你在主導，AI 在輔助」。 Claude Code 的核心假設是不同的：你在導演，AI 在執行。 你給它一個目標，它會讀懂整個 repo、寫計畫、執行程式碼、跑測試、修錯誤，然後回報結果。你的角色從「打字員」變成「技術主管」。 這聽起來很美好，但這也是很多人一開始用不對的原因——他們把 Claude Code 當成更貴的 Copilot 在用，然後覺得「也還好嘛」。 為什麼選 CLI 而不是 IDE 整合？ Cursor 有 Claude 整合，VS Code 也有 GitHub Copilot。為什麼要跑去用 CLI？ 老實說，我一開始也覺得很反直覺。但用了一段時間後，我理解了 CLI 的核心優勢：它可以在任何地方跑，不依賴 UI。 我現在的工作方式是：在遠端伺服器上跑 Claude Code，透過 SSH 操作。這讓我可以在任意機器、任意環境下發派任務，關掉 terminal 它還在跑。Cursor 做不到這件事。 另外，CLI 的腳本化能力也是 IDE 整合版本沒有的。你可以把 Claude Code 嵌進 cron job、CI/CD pipeline、Slack Bot 的觸發流程裡。這是一種完全不同的擴展維度。 ...

LCC 會員經濟學：低成本航空的忠誠度戰爭 一個讓人不安的數字 全球前六大航空公司，帳上合計背負約 US$300 億（約 NT$9,600 億）的點數負債（數字根據 American Airlines、Delta、United、Lufthansa、Air France-KLM、IAG 各 2024 年報加總估算；各來源因計算方式不同略有差異）。 這些是旅客累積但尚未兌換的里程、點數、優惠券。從會計角度，它們是遞延負債，必須列在資產負債表上，等旅客兌換時才能認列收入。 問題是，這個數字每年還在成長。 傳統全服務航空（FSC）之所以能承受這個壓力，是因為他們的忠誠計畫真的在創造價值——Delta 的 SkyMiles 每年為公司帶來超過 US$74 億的聯名卡收入，會員消費比非會員高出 1.5 到 2.5 倍。 但低成本航空（LCC）面對的是完全不同的方程式。 LCC 的忠誠度困境：三重詛咒 如果你問任何一個 MBA，「LCC 旅客有沒有忠誠度？」標準答案是：「沒有，他們只看價格。」 數據是這樣說的：LCC 的忠誠計畫對旅客消費行為的影響力（β 值）只有 0.15-0.20，在購票決策因素中排名第七——遠低於 FSC 的 0.30-0.40。換句話說，給你點數幾乎沒用。 但這只是問題的一半。 第一重詛咒：低頻次。LCC 旅客平均一年飛 1.2-1.8 次，相比 FSC 常旅客的 8-12 次。你很難對一年只飛一次的人建立忠誠度。 第二重詛咒：高沉睡率。LCC 的會員沉睡率高達 60-70%，遠高於 FSC 的 40-50%。以虎航為例，推估的月活躍會員佔比不到 5%，而 AirAsia 能做到 30%。 第三重詛咒：低附加收入。虎航的附加服務（行李、選位、餐食等）佔營收比例只有 3.88%，而產業平均是 25-35%，Ryanair 更高達 35%+。沒有附加收入，就沒有足夠的利潤空間支撐忠誠計畫。 所以，傳統 FSC 的會員經濟模型在 LCC 中結構性失效。 那為什麼 AirAsia、easyJet 這些 LCC 還在做？因為他們找到了不同的玩法。 ...

我的 Zettelkasten 實踐：一年後的回顧 一年前，我決定認真建立一套 Zettelkasten 系統。 我讀了 Niklas Luhmann 的故事，看了 Obsidian 社群的炫圖，相信自己也能建立一個會自己長出洞見的知識網絡。 一年後，我的 Vault 有 123 則永久筆記、30 個主題地圖、數百個原子化概念。 這篇是我誠實的回顧：什麼有效、什麼沒有、以及 AI 如何從根本上改變了這套系統的運作方式。 什麼是 Zettelkasten（給不熟悉的人） 快速說明，如果你已經知道就跳過。 Zettelkasten 是德文「卡片盒」的意思，是德國社會學家 Niklas Luhmann 用來管理知識的系統。核心概念是： 原子化：每則筆記只有一個想法 連結：筆記之間用雙向連結串起關係 演化：系統會隨時間長出你意想不到的洞見 Luhmann 用這個系統在 40 年間寫了 70 本書、400 篇學術文章。 聽起來很吸引人，對吧？ 第一年：真實發生的事 前三個月：建立習慣的痛苦 最難的不是理解概念，而是改掉「剪貼收藏」的習慣。 以前我的習慣是看到有趣的內容就截圖，或複製貼上到一個叫「有趣的事」的資料夾，然後再也不看。 Zettelkasten 要求你在記錄的當下就消化——用自己的話說出這個想法，找出它和你已知的什麼有關聯，並且想清楚這對你意味著什麼。 這很慢。比截圖慢十倍。 但慢是有意義的。那個停下來消化的過程，才是真正的學習發生的時刻。 三到六個月：系統開始有重量 當永久筆記超過 50 則，有趣的事情開始發生。 我在寫一則關於「AI Agent 的安全邊界」的新筆記時，系統提示我有三則舊筆記和這個主題相關：一則是關於「分層授權設計」、一則是關於「人類監督節點」、一則是關於「Claude Code 的 permission mode」。 這三則筆記分別在不同時間記下，但它們拼成了一個完整的論述。 那個時刻，我理解了 Luhmann 說的「第二個大腦」是什麼意思。 六到十二個月：速度瓶頸 這是我沒有預期到的問題。 當我開始用 AI 工具（Claude Code、n8n 自動化）加速知識擷取，問題出現了： ...

歡迎！ 歡迎來到 Notes47y 部落格 ✨ 關於這個部落格 這裡是我分享實踐經驗的地方，主要內容包括： 🤖 AI 協作開發 Claude Code 使用經驗 AI 輔助開發工作流程 提示工程（Prompt Engineering）技巧 MCP (Model Context Protocol) 整合 📚 知識管理 卡片盒筆記法（Zettelkasten）實踐 Obsidian 工作流程設計 個人知識管理系統建置 ⚡ Salesforce 技術 Apex 開發最佳實踐 Lightning Web Components (LWC) Salesforce 整合方案 CRM 導入經驗 為什麼寫部落格？ 寫作是思考的延伸，教學是最好的學習。 透過整理與分享，不僅能深化自己的理解，也希望能幫助到有類似需求的朋友。 訂閱更新 RSS 訂閱：/feed.xml GitHub：@requiemnameless 讓我們開始這段知識分享的旅程吧！🚀

從指令到協作：重塑開發典範的 2025 年 AI 協作四大轉折點 前言：你的 AI 副駕，已從聊天室駛入你的專案核心 還記得 2023 年，我們在 IDE 和 ChatGPT 視窗間瘋狂複製貼上的日子嗎？那時的 AI 像個博學但健忘的實習生，雖然能給出精彩的程式碼片段，卻無法真正理解我們專案的全貌。我們像個循循善誘的導師，不厭其煩地提供上下文，只為求得一段可用的程式碼。 快轉到 2025 年，場景已截然不同。AI 不再僅僅是個「對話框裡的聰明腦袋」，它已經進化成一個深度整合在我們工作流程中的「協作夥伴」。它能閱讀整個專案、串接外部服務、甚至能化身為不同領域的專家團隊，與我們共同完成複雜的任務。 這一年，我們見證了 AI 協作從「點狀問答」到「立體協作網絡」的驚人躍進。這是一場從根本上改變我們工作方式的典範轉移。本文將以我個人的實戰經驗，歸納出推動這場革命的四個關鍵轉折點，並探討在這波浪潮中，我們人類的核心價值將如何重新定義。 AI 協作的演進：從點、線到面 在深入探討四大轉折點之前，讓我們先建立一個思維框架：「點、線、面」的演進。 點 (Point): 早期的 AI 對話是「一次性」的。你問一個問題，它給一個答案。每個互動都是一個孤立的「點」，缺乏連貫性。 線 (Line): 隨著記憶功能的增強，AI 能記住對話的上下文，讓互動得以延伸成一條「線」。我們可以圍繞一個主題進行深入探討，而不會輕易失焦。 面 (Plane): 2025 年的突破，則是將多條專家「線」整合起來，形成一個多維度的協作「面」。我們不再是與單一 AI 互動，而是指揮一個由多個 AI 專家組成的團隊。 這個「點→線→面」的框架，將貫穿我們接下來要探討的四大轉折。 轉折點一：專案級上下文感知 (Claude Code) —— AI 終於學會了閱讀 第一個轉折，是 AI 從「失憶金魚」進化為「專案圖書館員」。 年初，Anthropic 推出的 VS Code 擴充套件 Claude Code，徹底改變了遊戲規則。它最關鍵的突破，在於賦予 AI 檢視整個專案資料夾 的能力。 這意味著，AI 不再需要我們手動餵養程式碼片段。它能像一位新加入的團隊成員一樣，自己去閱讀專案結構、理解程式碼之間的依賴關係、甚至參考過去的工作日誌（Work Log）。每一次的協作成果都被記錄下來，成為未來任務的養分。當你需要修改一個與三個月前某個功能相關的模組時，AI 不再是一臉茫然，而是能迅速調閱相關文件與程式碼，提供精準的建議。 ...