把能力很強、速度很快、但不完全可靠的 AI，變成可驗證、可回復、可交付的工程系統。
桃園・台北
我不是從「怎麼讓 AI 寫更多程式」開始，而是從一次大型工程中的目標漂移開始。
AI 很會寫 code、跑測試、產報告，但它可以把：
找出正確版本
偷偷變成：
修好現在版本
然後工作量暴增，表面看起來仍然非常努力。
我親眼見過 AI 在兩週內把我的任務從「找出正確版本」偷偷改成「修好目前版本」——程式照寫、測試照過、報告完整，看起來一切正常，直到我發現它一直在解決它自己的目標，不是我的。我砍掉沉沒成本、換模型、一天內恢復了專案。
從那之後，我的工作只有一個標準：每項功能必須建置、執行、通過分層驗證，才算完成。 程式生成或編譯成功，從來不是完成。我的系統必須有能力說出「還沒完成」——證據不夠，就保持 blocked，而不是硬說成功。
| 問題 | 專案 | 一句話定位 | 連結 |
|---|---|---|---|
| 它看到的資訊是真的嗎？ | Local Code Intelligence | 以結構化索引取代文本洪水，AI 第一秒看懂程式庫、節省上下文 | 連結 |
| 資料說缺 196 條，真的缺嗎？ | Media Gap Analysis | 以影片標題卡 OCR 實錘取代檔名字面匹配，100% 定位缺集 | 連結 |
| 它做的功能真的能跑嗎？ | b9128 Reconstruction | 把論文數學落地 CUDA，以最小探針確保資料管線流通無損 | 連結 |
| artifact 從哪裡來？ | Video20 AI Workbench | 保留 prompt、model branch、fingerprint、source identity | 連結 |
| 宣稱做過的事真的發生過嗎？ | TRI-100R / AI Collaboration Forensics | PLANNED_NOT_EXECUTED 不能偷偷升格成完成，以證據推進 |
TRI / Forensics |
| 現在該遵守什麼目標與邊界？ | Personal Context OS | Purpose、Criteria、Boundary、Current State 由人保管 | 連結 |
| 數十個 skills 怎麼被記憶與調用？ | Codex Personal Skills | 路由是 skills 與 AI 之間的潤滑劑，一鍵啟動正確能力 | 連結 |
| 原則能不能變成產品？ | FunClip Local Editor | source identity 等原則收斂成 end-user 剪輯工作台（規劃中） | 連結 |
| 這些想法與證據的主樞紐在哪裡？ | AI Engineering Journal | 7 篇文章從發現問題到系統化解法的路線，附完整專案關係圖 | 連結 |
於是我開始把 AI 工程拆成幾個必須被獨立驗證的問題：
解決的需求：Local Code Intelligence：瘋狂 grep 的問題不是慢，而是模型被海量文本淹沒、遺失過程、回答品質下降。LCI 用結構化索引取代文本洪水——compiler 證據、結構分析、文字 fallback 各歸各的位，讓 AI 看到精確的符號與因果，而不是幾千行相關文本；atomic rebuild 失敗也不會炸掉上一版有效 index。
實作與成果：
- 即時樹狀索引：實時更新整個代碼庫的結構樹，AI 進入陌生環境第一秒就理解現況，立刻節省上下文
- 跨模組功能性檢索：不是相似度檢索——沿樹狀圖跨模組做功能性檢索；專案越大越強，尤其適合跨專案超大型資料庫、模組化與分佈式架構的專案庫
- 對象是 AI agent：以最少 token 取得精確的符號、呼叫與因果，取代 grep 文本洪水
- 可查證的答案合約：每個查詢回傳 execution status、result found、source、semantic level、confidence 與 provenance 分開陳列——程式沒 crash 不等於查到答案，text match 不等於結構關係
- 實測規模：6 種語言（C/C++/CUDA/Python/JS/TS）、9 個 MCP tools、36 個 golden benchmark scenarios（bounded fixtures，不宣稱任意 codebase 準確度）；atomic rebuild 失敗不會炸掉上一版有效 index
解決的需求：Media Gap Analysis：資料庫掃描說「缺 196 條」，但檔名/標題字面匹配大量誤配（no118 被誤配到話774，正確是話40；同名標題在重播版間重複）。改用影片標題卡 OCR 實錘——直接讀畫面裡的標題文字與官方話數表比對，標題卡不會說謊。
實作與成果：
- 演算法：LCSS 字元數優先匹配（修正「母ちゃんのお宝を探すゾ」誤配話743→正確話812）、LIS 序列推斷剔除離群值、相容帶過濾（0.40×no±50）、三輪信心分級
- 爬蟲/解析：維基話數表語義判別器（303 行純 stdlib）——可變欄序、職員黑名單、重播旗標、SPECIAL/傑作選邊界
- 資料庫處理：8 種命中來源合併去重（737 唯一 no）、全局話數倒退偵測、報告與 CSV 0 不一致
- 工具調用：ffmpeg 抽幀/3x 放大、tesseract 分區選語（jpn/chi_tra）、環境變數全參數化
- 實測規模：2270 檔 / 196 條缺集 / 100% 定稿，全數高信心，0 待查；純標準庫零第三方依賴
解決的需求：b9128：把論文數學的完美性落地到 CUDA GPU，跨功能整合實作、執行、驗證——CUDA、PPL、記憶體、吞吐。它真正處理的是 Oracle 資料管線的準確性：面對 CUDA 黑盒子，用最小的探針定位抖動、隔離變數、確保每一筆資料在管線中流通無損。
實作與成果：
- 對應生成的不同位置：11 個功能分別對應語言生成流程的各個環節
- 適配最新技術：每個功能對應目前網路上最新的模型與推理功能
- 由深到淺、由淺到廣：從最深層的 kernel 到最廣的系統整合，逐步套用並通過分層驗證
- RTX 5090 實測結果：WHT 27/27 backend 測試通過、MoE 764/764 測試案例通過、KV cache buffer 50 MiB vs 256 MiB（n_ctx=4096）、Turbo3 在 FA on/off 下測得相同 PPL（delta 0.0000）；FA4 則被保留為
Blocked / Not accepted——沒通過的誠實標記，也是證據鏈的一部分
解決的需求：Video20 AI Workbench：保留 prompt、model branch、fingerprint、source identity，現在的設定不能回頭污染歷史 output。
實作與成果：
- 完整管線：文字生圖片 → 圖片生影片，一條龍
- 可控導入：三視圖控制導入的產品或建築物；可導入 LoRA 控制圖片、建築物，甚至環境
- 版本管理是核心：20 張圖片生成完之後，任何一張不滿意可單獨重新生成，不必整批重跑；影片同樣可單獨重生成——任一 segment 獨立重生不會破壞其他 segment，歷史 generation provenance 保留
- UI 管理與環境監看：在 UI 介面管理後台輸出產品，並查看生成當下的上下文、知識庫等資料現況——整個環境狀態一目了然
- 驗證：35/35 治理測試全過，7 條模型分支端到端跑通
解決的需求：TRI-100R / AI Collaboration Forensics：我與 AI 交互留下的全部資訊，由我自己標示重要的地方——PLANNED_NOT_EXECUTED、HYPOTHESIS、MENTIONED 不能偷偷升格成完成；我做的 Gate 也會阻止我自己亂宣稱成果（151 張卡 → 論文資格 0）。這不是解決問題的細節，而是語言模型下一步該學的：以證據推進、維持整個架構不崩潰。
實作與成果：
- 偵測 AI 偷偷改寫目標的漂移，砍掉沉沒成本，一天內恢復專案
- 可追蹤的資料管線：58,070 行原始 ledger → 31,112 canonical records → 31,112 trace index → 19,827 claim registry → 19,827 master timeline → 6,319 method cases → 3,960 conflicts → 197 審查收據——把不可靠的自然語言紀錄轉成 machine-readable state database，每一行都有來源與狀態
解決的需求：Personal Context OS：AI 執行以前，Purpose、Criteria、Boundary、Current State 該由誰保管，而不讓 Skills 自己變成 Source of Truth。
解決的需求：Codex Personal Skills：skills 太多、太繁雜、人類記憶困難，但它們都是重要功能。路由是 skills 與 AI 之間的潤滑劑——結構化每個 skill 的關係、調用規則與邊界，一鍵啟動正確的能力，我不需要記住所有調用細節；真正需要時，AI 反而會告訴我該怎麼解決。
解決的需求：FunClip Local Editor（規劃中）：source identity、immutable reference、human review、rollback、Data Oracle 全部收斂進一個 end-user 剪輯工作台。
解決的需求：AI Engineering Journal：記錄「目標接管」——AI 偷偷把「找出正確版本」換成「修好目前版本」——的真實案例與解法，把這些經驗組織成可以閱讀的路線。每篇文章標記成熟度（CASE STUDY、ARCHITECTURE、ROADMAP、PRODUCT SPEC、RESEARCH PROPOSAL），提案永遠不會被講成完成。
實作與成果：
- 7 篇文章形成一條路線：真實事故 → 產品設計 → 理論 → 領域實作 → 通用框架 → 架構藍圖 → 學習路線圖
- PROJECT_ECOSYSTEM.md 完整專案關係圖：上下游關係與本機工作副本界線一目了然
- 每篇文章自帶中英雙語入口，不必照順序閱讀
人機交互是 AI 工程最真實的材料，而 AI 與人類合作的原始對話軌跡就是它的原始碼。
我把每一段人機協作都當成資料庫問題處理——逐行保留來源、狀態、追蹤與去識別保全， 不允許「說過的」變成「做過的」。這一方面展現我對資料庫處理的能力（58,070 行的 TRI-100R 全量重建、29 GB 的協作快照鑑識），另一方面也展現我對語言模型該如何訓練的 品味：只有能分辨「計畫、假設、提及與真實執行」的語料，才值得教給模型。
完整說明見 AI Engineering Journal 的專案生態。
Lin Juhon | 桃園・台北 xup65k6cjo22@gmail.com