AI 時代的選擇題:追產品還是追技術?從問題出發,才是最聰明的路

在 AI 快速發展的年代,到底該追產品還是追技術?答案是:從問題出發。先問自己想解決什麼問題,再找技術、學技術、分享過程,你就已經在累積第一批使用者了。

AI 時代的選擇題:追產品還是追技術?從問題出發,才是最聰明的路
AI時代的選擇題

在 AI 快速發展的這個年代,你一定問過自己這個問題。

到底是該抓住機會趕快建造產品,還是趁這個時間點好好學習,讓 AI 來賦能自己?

這問題困擾過我好一陣子。

做產品這條路,沒有想像中美好

AI 讓技術門檻大幅降低,你可以快速做出以前不可能的服務。

但問題是,別人也可以。

真正比拼的從來不是技術本身,而是你有沒有既有的通路、有沒有一群願意買單的使用者。

更讓人焦慮的是,你看不到遠方那些大廠什麼時候會進入。

Google 只要簡單改一個功能,現有用戶就能馬上用到新服務。你花幾個月做的東西,人家幾天就複製了。

這種競爭,比的是誰的服務更高頻、更剛需,能更快吸引用戶。

另一條路:不做產品,專心追技術

有人選擇不急著做服務,反而是努力學習各種新技術。

技術不斷出來,不斷去嘗試,聽起來很累對吧?

但這裡有個關鍵的差別。

當你有一個很明確的目標在前面,你需要靠技術來解決問題的時候,追技術會變成一件快樂的事。

因為每一次技術演進,都在讓你的問題更容易被解決。

你會發現自己能處理的事情越來越複雜,因為你最清楚哪些技術可以幫助你達到目標。

問題導向,而不是技術導向

這才是核心思路。

先問自己想解決什麼問題,再來看需要哪些技術,然後去學習這些技術。

在學習過程中,把過程分享出來。

當別人看到你能處理這個領域的問題,你就已經在累積第一批使用者了。

根本不用等到產品做完。

什麼樣的技術最值得追?

有些技術的成長曲線非常陡峭,而且需要前面的經驗才能讓後面的學習更順利。

這種技術會形成自然的壁壘。

我認為目前最值得投入的就是寫程式。

因為程式讓你可以串接文字、程式碼、圖片、影片,把各種任務連結起來完成。

這是一個讓人興奮的時代,也是最競爭的時代。

最好與最壞,同時存在。

就等你來挑戰。

Read more

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

很多人問我,在 Claude 裡面,Project、Skill、Connector 這三個東西到底差在哪裡? 什麼時候該用哪一個? 老實說,我一開始也搞得很混亂。 但實際用了一段時間之後,我發現其實邏輯很簡單。 先從最基本的開始:Connector 是對外的資料來源 如果你需要從外部拿資料,比如說接 Google Calendar、接 Notion、接你自己的資料庫,你就需要 Connector。 它就是一個 MCP 的連結,讓 Claude 可以去外面抓資料回來。 沒有 Connector,Claude 就只能用它自己知道的東西,沒辦法碰到你的資料。 Skill 則是內部的運算邏輯 Skill 沒有辦法對外連接。 它只能在內部用 Python 或程式碼執行。 你可以把它想成是一個 Controller,專門負責處理運算的部分。 比如說,你想讓 Claude 用特定的格式改寫文章、

By Andy Lin
讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need 最近我在 Claude 上快速搭建了七大 Agent。 原因很簡單:你的助理應該是越使用越懂你。 而 Claude Project 有個關鍵功能叫 Memory,它會根據你不斷詢問的過程,主動提取記憶。 這就是我認為 AI 助手真正強大的地方。 GA 分析助手:從進階到客製化 自從我串接 GA MCP 後,這位助手已經變得非常厲害。 漏斗分析、訪客來源、異常事件追蹤、站上任何問題都難不倒它。 但我想要的不只是這些。 我希望它隨著時間,能夠對齊我的知識,知道我要什麼。 你不用想太多,不用一次設定好整個 instructions。 試著使用一週,再回頭看看 memory,你會發現它已經根據你的行為開始學習客製化了。 許多助手不需要懂老闆要什麼,但網站分析不一樣。 因為我沒有那麼多美國時間,

By Andy Lin
AGI 來臨:兩大 AI 巨頭的預測與警示

AGI 來臨:兩大 AI 巨頭的預測與警示

在近期的達沃斯論壇上,Anthropic 執行長 Dario Amodei 與 Google DeepMind 執行長 Demis Hassabis 進行了一場關於「AGI 之後的世界」的深度對談,揭示了 AI 發展的最新進展與未來展望。 AGI 時間線預測 Dario 重申了他去年的預測:在 2026-2027 年,AI 模型將能夠在諸多領域達到諾貝爾獎得主的水準。他表示目前 Anthropic 的工程師已經不再親自寫程式碼,而是讓模型來完成編寫工作,人類只負責編輯和周邊任務。他預估在 6-12 個月內,模型將能端到端完成大部分工程師的工作。 Demis 則持稍微保守的態度,認為在十年內有 50% 的機會實現 AGI。他指出編程和數學領域較容易自動化,因為結果可驗證;但自然科學領域則更具挑戰性,需要實驗驗證,且目前模型在「提出問題」和「建立理論」

By Andy Lin
讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

最近我嘗試做了一個 Agent,專門用來分析我的身體健康狀況。 這不是什麼有商業潛力的專案,純粹是出於好奇。 我想知道現在的 AI 到底能幫我們把健康分析做到什麼程度。 資料從哪來? 要讓 AI 分析任何東西,首先得有資料。 我第一個想到的就是 Apple Health。 因為我每天戴著 Apple Watch,它本來就會自動記錄睡眠、運動、心跳這些數據。 除此之外,我也在嘗試另一個經絡檢測的儀器,有點像中醫把脈的概念,只是還沒整合進來。 我覺得如果未來能把更多資料源串在一起,應該可以做出更有意思的應用。 技術架構其實不難 我用了一個叫「Apple Health Auto Export」的 App。 這個 App 可以把健康資料透過 REST API 自動傳送到你指定的伺服器。 資料打到伺服器後,我再處理並存到 Database 裡。 接著寫一個 MCP Server,然後在

By Andy Lin