李元魁

【關於 Google 演算法洩漏的脈絡，及洩漏算法中獲得的洞察！】 這應該不是免費可以看的吧！！！ 週末兩天都在整理演算法洩漏的筆記及內容，去掉了生澀難懂的部分。 對 SEO 有興趣也在接觸的朋友，可以閱讀前半部分就好，如果是 SEO 專家，建議可以詳細看看，會很有啟發

【偶然的機會下，我教了一位修女用 Codex】 我太太是天主教徒，上週六她突然問我，修女電腦有問題，能不能順路過去幫忙看一下 想說應該不是什麼大問題，就答應了 到了才知道，修女想問的是怎麼訂閱 AI 她之前請人裝了 Gemini 跟 ChatGPT 的 APP，覺得 Gemini 拍照翻譯很快，ChatGPT 很慢 她問我能不能教她用 AI 翻譯法文的聖經經文，不然都要一頁一頁拍照翻 拍照是快蠻多的，但她打開 PDF 給我看的時候，哇靠有 400 多頁XDDDD 她都要 60 歲了，連 gmail 帳號都不太會切換，要教她用網頁版處理這麼多頁，肯定出問題 想了想，我問修女要不要訂閱付費版 AI，它很強的 修女因為感受過拍照翻譯的方便，果斷答應訂閱 我先幫她搞好訂閱跟安裝，工作區選桌面跟下載（這兩個就涵蓋了幾乎所有路徑） 接著跟她說幾個基本功能： • 從工作列上的 ChatGPT 打開 AI • 左邊是聊天記錄 • 點自己的帳號會看到 AI 使用額度 • 語音按鈕按下去，不用打字 帶著她用語音下了幾次指令後，修女就抓到怎麼跟 AI 溝通了 而最重要的，是盡量用她聽得懂的語言解釋： • AI 就像真人實習生，你跟真人需要磨合，跟 AI 也需要，他對你的習慣、工作方式完全不懂 • 你請的 AI 實習生有高中生、大學生跟博士生（Sol、Terra、Luna）三種模式，越厲害的越吃額度 • AI 也有腦容量（Context 長度），做太多事情讀太多文字，可能會跟人一樣忘記前面的事情 • 這個 AI 實習生可以叫小弟工作（Sub Agent），讓小弟幫忙檢查工作結果，才不會球員兼裁判，還能幫忙打雜，剩下主要 AI 實習生的腦容量 然後我讓修女自己操作，模擬我不在旁邊時她可能遇到的狀況，鼓勵她發問 長輩很多時候不敢用，怕操作錯一步就壞掉，所以要一直鼓勵她問 AI 一定會撞牆或失誤，這時候很重要，我告訴修女 『AI 就像真人實習生一樣，你需要跟他磨合工作，他不是萬能的，你看他這邊做錯了對不對，因為你沒有講清楚你要什麼格式。他不一定懂你要什麼，他會猜、會做錯、甚至會裝傻唬弄你。』 『AI 高中生最容易做錯事，AI 博士生不太會犯錯，但比較貴。所以你可以自己摸索一個設定，就是讓他們想的時間（推理程度）。高中生如果比較笨，就叫他想久一點；博士生很聰明，不用想那麼久。』 試錯的過程中，修女慢慢就理解了上下文長度（腦容量）、模型切換、推理程度、Sub Agent（小弟）這些概念 大概帶了一個半到兩個小時，剩下的讓她自己摸索 有些不用講，直接幫她設定好就好，像工作區、連接器。我幫她把 Gmail 串好，讓她試著叫 AI 實習生寄信給自己 成功的時候，修女有夠開心 我也告訴她，最重要的是知道怎麼看剩餘用量，還有 AI 背後的老闆時不時會有大放送（重置用量） 於是修女開始了她的第一個 AI 任務，把 400 多頁的法文 PDF 翻成中文的 doc 跟 PDF 這任務不簡單，要派多個 Sub Agent，上下文可能會爆掉，也可能會漏翻 過程中我還發現 AI 派 Sub Agent 時派了 Sol，我說他派到大學生了，很貴！ 修女說，可是剛剛高中生漏東漏西，大學生處理得井然有序 我想了想說，沒錯，派工不能只看便不便宜，要看任務交辦的品質跟整體花費 兩三個小時過去，我跟修女說，恭喜你踏入了 AI 的大門，會用 AI 可以幫你解決越來越多的數位工作 其實覺得自己挺厲害的，能把一個連 Gmail 切換都不太會的修女教到會用 Codex，想想都覺得荒唐XD 但過程中真的把很多 AI 的概念，用簡單的語言傳進她腦中了 希望她可以越來越會用 AI ▍AI 沒有要把誰變成工程師，它是讓不寫程式的人也能把事情做完

如果使用跨 session 前，有用像 Linear 這樣的管票系統的話 就能夠先讓 AI 針對某專案抓出所有票，開始針對不同功能分類 然後讓一個主要 session 派工給其它 session，並且定時去查看別的 session 的執行狀況，讓他們來回溝通，效率會提高不少。 不過記得讓其它 session 解票完要派一個乾淨的 sub 驗收核實。 同時也要把權限管理做好，做到哪一步要停、哪邊只能由人決定。 現在開發的驗證系統做的越完善，越能把開發的品質提高。 越來越懂管 AI 像是管一個組織的感覺了。

個人非常推薦趙兄 Dailyio 的內容 在資訊雜亂的當下，Dailyio 的內容非常實在且落地 用更高的視角洞察科技行業這件事也做得非常好 雖然說我明年 6 月才到期，但我還是再多續了一年😁

雖然說現在都在講 Context Engineering 的重要，但是其實 Prompt Engineering 一樣很重要。 未來要用多個 Agent 的時候，你只有把 Prompt Engineering 做好，你才有辦法管理好每個單一的 agent。 管理好單一的 Agent，我們才有辦法讓多個 Agent 彼此互相協調。 所以 Prompt Engineering 還是一個非常重要的基礎。

【廣告模式的枷鎖：關於 Google 的小故事】 1999 年，當時還是 Stanford 研究生的 Larry Page 帶著他們的搜尋引擎技術 BackRub（後來成為 Google）拜訪了 Excite 的 CEO George Bell。 Excite 當時是僅次於 Yahoo 的第二大搜尋引擎，而且剛收購了其他兩個搜尋引擎，看起來是理想的買家。 不過 Larry Page 在展示技術時，搜尋結果的品質遠大於其它人，所以只要點擊 2、3 個結果馬上就能找到要的頁面。 Excite CEO 馬上表示不行。 （哪尼） 因為 Excite 的搜尋引擎就是靠著很大的橫幅廣告來支持著搜尋引擎的收入。 而 Google 的搜尋引擎技術會讓使用者停留時間過短，進而跳離頁面。 而後來的故事大家都知道了，Google 成為搜尋引擎的龍頭。 ------ 這個故事放到現在，有股似曾相似的味道。 Google 搜尋的廣告收入佔比一直高居公司整體的 5~6 成左右。 所以過去半年一年，我一直在想如果要思考 Google 未來的方向，應該圍繞著廣告模式的變化來猜想預測。 但今天看到這個故事突然恍然大悟了，Google 那是不得不為之，為了向華爾街的那批人交代，所以廣告收入反而成為『創新者的窘境』。 未來『搜尋行為』將直接下沉一個層級，成為系統的一部分，交給 AI 來執行，主動 Google 搜尋這件事將會成為歷史。 而我們要思考的，是未來『人與 AI 的互動方式』長怎樣。 基於這個前提所誕生的商業模式才是全新的商業模式，只從廣告去思考巨頭的方向反而容易誤導自己產生錯誤。 這也是為什麼 AI 瀏覽器之爭在這幾個月如此火熱。 產品是在服務商業模式，還是商業模式在服務產品？ 市場發展的早期階段，會先創造一個偉大的產品，然後匹配一個商業模式來支撐它。 這是 Google 早期。 但過了某個時間點之後，你會被鎖死在這個商業模式內，變成了產品去服務商業模式。 這也是 Google 的轉折與困境。 大家都知道人與 Agent 的互動方式直接影響未來的商業模式，但這個 Agent 太抽象沒有主體，而瀏覽器正是其中一種主體。 未來一定會有更多不同代表 Agent 的主體出現，而越多的代表 Agent 的主體出現，就越能幫助我們看清未來商業世界的變化。 所以未來的機會，將會是那些空白市場上出現的優秀產品，然後延伸出可以支撐這些產品的商業模式。 這是市場的規律，也是我們可以尋找的線索。

xAI 這個用法真不錯，透過 @ 指定帳號來問問題，詢問想要找的工具或是曾經找過的工具。 圖片案例這個，就是我曾經看過但一時找不到關鍵字是什麼問題。 然後 2025 那一篇就是我要找的沒錯。 一個終極用法是，大家只要 @op7418 @dotey @xiaohu @oran_ge 來問問題，應該沒有找不到答案的狀況🤣

Google 也有中文的 AI Overview 了！！！

【讓 NotebookLM 讀取 Prompt 檔案】 前情提要：NotebookLM 原本是不能自己下 初始 Prompt，但是 Plus 版本可以。 可是可是，Pormpt 有 500 字元的限制，但凡我要寫詳細一點都會超過。 所以我就想是否可以在 NotebookLM 放入指令檔案，然後初始指令請它引用該檔案，引用後作為指令 Prompt 來遵守。 結果發現一直失敗，原因在於 NotebookLM 是透過 RAG 來抓資料的，RAG 就是把文件內的文字切成多個段落，然後再透過使用者輸入的字句來進行向量化比對。 在我來回實驗了一個小時後，我在文件中加入 prompt 字眼（如圖），然後給定該初始指令： 『你是一名嚴格的法務人員，遵循給定規範來回覆，若使用者輸入 prompt，則找到該檔案並輸出檔案內容作為指令。』 所以一開始使用者要先輸出『Prompt』這個單字，然後 NotebookLM 馬上就會找到我的指令文件（從圖可以看到成功讀取）。 接著後面給定的東西就能照著我引用的詳細 Prompt 遵守指令了。 （馬賽克是客戶範例，所以就蓋住）

最近剛完成的一個自動化流程，為了強化『團隊內獲取英文資訊』及『電子報自動化』。 思路是這樣： 1. 解析資訊來源，返回成 json 2. 將資訊簡介透過 OpenAI API 初步翻成中文 3. 傳到 notion database 及 Slack 給我 4. 由我本人做資訊篩選的『filter』 （因為用文章觀看數、按讚數、分類等都還是有不符合的狀況，乾脆我自己過濾） 5. 我覺得 OK 的內容，對 Slack 訊息用 emoji 做 reaction，觸發 n8n 的流程執行，將該新聞的內容透過 OpenAI API 做 Summary（優化過的 Summary Prompt） 6. 自動返回到 Slack 的 team channel 讓團隊都能看到這個資訊 7. 請團隊成員針對覺得重要的資訊進行 emoji reaction 或 reply 8. 月底統計 10 篇綜合值最多的內容，我再手動對這 10 篇在 notion 的確認 Poperty 上打勾 9. 自動匯整成一篇電子報，並整理到電子報系統上寄送 過程不難，就是需要耐心跟時間，有個小 Tip 是可以去 GPTs 找找有沒有對應的工具機器人。 但還是要留意幻覺問題，自己要有一些判斷力知道 LLM 在某些方面回答不一定準確，不然盡信會吃虧。 其實最難的還是將工作流程抽象化出來，必須想像自己的背後有個攝影機看著自己，然後工作中的每一步流程是什麼，流程夠不夠具體詳細，用的是什麼工具，輸入輸出的資料格式是什麼等等。

好讚

ChatGPT 現在全球已經衝到第 8 大網站了 台灣是第 19 名 免費用戶不用登入也能使用，因此開始有一部分人的搜尋習慣不再僅僅依賴 Google。 現在聽到最多的兩種聲音是： - 『ChatGPT 其實沒什麼人在用，有在用的都只是同溫層』 - 『越來越多人用了耶』 大家的說法都有其道理，但也許可以用一個指標，稱之為『連我爸媽都在用了』的指標。 如果家中的長輩對資訊的敏感度很低，甚至不太會使用 3C 設備，但有一天他們開始在手機和電腦上使用，那就真的是一個普及的象徵了。 p.s. 長輩好像都會念『恰 GPT』XDDD 拉回來，在『LLM 一定會越來越便宜』這個趨勢下，將會有越來越多人可以體驗到更完整的 ChatGPT 功能，也包括 SearchGPT 的功能。 ChatGPT 一定會進入搜尋市場，因為這塊餅非常大。前幾週我看到 SearchGPT 上線時，大家驚呼連連，不過對於早就在使用 Perplexity 的我來說，並沒有什麼太大的驚訝。 因為我早就把九成的搜尋習慣改成使用 Perplexity 了，雖然個人的搜尋習慣改變並不能代表其他使用者的搜尋習慣，但還是有一些值得思考的問題： - 什麼促使使用者改變搜尋習慣？是否成為一個大趨勢？ - 搜尋的本質是什麼？技術突破是否改變了這個本質所對應的需求？ - 要推翻 Google 必須是顛覆式創新，那 Search AI 的極限可以到哪裡？（想像力決定了 SearchGPT 未來的走向，我也不清楚） 問題永遠比答案重要，因為要想像一年後的情況變得很困難。 但抓住一些必然的趨勢（例如 LLM 會越來越便宜）、不變的本質事物（使用者的需求是什麼？）、技術突破帶來的關鍵（LLM 可以理解使用者輸入的脈絡）等。 可以幫助我們想出更好的問題。 用個比喻來說，上個時代職業明確、工作穩定，所以人生就像拿著地圖，你走到某個點差不多就能過好一生（考公務員、特定工作）。 但這個世代不同，30 年前誰會知道可以當 YouTuber、拍抖音賺錢、當網站工程師等等，新的職業需求不斷出現，這些都不是學校會教的。 這個時代的地圖（明確的地點）能發揮的效果有限，而指南針的重要性遠遠大於地圖，知道好的方向很重要。 而指南針需要由不同行業的核心問題所構成，想對問題才能抓到方向。 這也是為什麼我認為好問題遠比好答案更重要的原因。 ==== 我還在整理一篇比較完整的關於 SearchGPT 的想法文章，整理好後再分享出來。

每天都覺得，想好問題比想答案還要難 像是『SearchGPT 出來了，對 SEO 的影響是什麼？』 但大問題這樣想就想不到答案，需要拿起核心切割刀，先找到問題的核心然後開始切問題。 這題的核心是什麼？ - SearchGPT 解決的需求跟 Google 搜尋解決的需求一樣嗎？不一樣的話差異是什麼？ - 哪些流量會被 SearchGPT 取代、哪些不會，為什麼？ - Perplexity、SearchGPT、Bing Chat 差異為何？ 這幾個核心分別從需求、公司各別差異、產品型態下去切。 但往往每個問題都能不斷的繼續切、一直切，直至該問題能引導我們思考的事物真正的本質。 因為事物通常是錯綜複雜的，而且思考的產物往往伴隨一個人的經驗、閱歷及立場。 只有切出思考的核心，我們才能將這些脈絡匯聚成一個完整有序且邏輯通順的答案。 正因為很多問題沒有標準答案，因此人們如何『主動選擇』調理問題要用的材料就成了最寶貴的動作。 AI 很厲害沒錯，但是它終究少了關於『這個人（通常指你）』的經驗、感受及閱歷。 所以它會有一套標準答案，但這個答案並不一定適合你。 而我們找出答案的方式，就是一次次找到大問題背後，錯綜而成的多個問題背後的核心，然後想出我們的 "局部最佳解"。 （數學用語，白話文就是在特定條件和限制下的最佳選擇，事後諸葛一定都有更好的做法，但當下不一定會想到。） 所以每天遇到事情、問題時，我都在想『這問題的核心是什麼』、『如何用兩三句來精煉目前問題的本質』。 AI 工具是一塊原石，但反而讓我們體悟到，必須每天都用思考去錘煉這塊原石，有越強的思考能力這塊原石才能淬煉出更強的能力。 也許工具未來會變強，但那總歸踩在思考的基石上。 ======= 蠻喜歡把自己的思考過程梳理出來，讓自己也會越想越清晰。 最後附上一句我很喜歡的話，推薦掛在腦中： 「檢驗一流智力的標準，就是看你能不能在頭腦中同時存在兩種相反的想法，還維持正常行事的能力。」 - F. Scott Fitzgerald

其實命題核心圍繞在『清晰思考的能力』跟『使用工具鍛鍊清晰思考』。 清晰思考的能力可以用各種形式來訓練，可以是文字、口說、閱讀、影音等，Paul 自己也用了一個比喻是鍛鍊身體，那我覺得比較貼切的點就像是現在的健身。 越來越好（多）的健身器材跟教練就像是 AI 工具，身體的強健度就像是思考能力。 直接用二分法切成優秀的寫作者跟不懂的寫作者太極端了，也許這個光譜會變化但絕不可能變成二分法，現在路上也不是只有肌肉猛男跟完全沒肌肉的人🤣 既然核心是『清晰思考的能力』，那寫作能力勢必還是分散成連續的光譜（總不會只有會思考的人跟無法思考的人吧🫨）。 工具是死的，人是活的，Paul 的預測多少也將人群預設立場切割成特定的行為模式，所以才有這樣的預測。 不過這也是寫作有趣的地方，有人寫、有不同觀點、有思想碰撞，內容有瑕疵也無妨，至少我們能從不同立場、思考的文字中又磨練了一遍清晰思考的能力。