鐵人檔案
工程師每天都在查資料、看監控、執行固定流程，最後再整理成報告。這些工作通常有明確的 SOP，卻很吃時間。這 30 天，我會從實際工作場景出發，拆解每項任務的輸入、判斷流程與輸出，實作能使用工具、蒐集證據並產生結果的 AI Agent。過程也會記錄 AI 猜錯、資料不足與重新驗證，看看哪些工作適合自動化，以及人類需要保留哪些權限與安全邊界。
現在關於 AI 的文章很多。有人分享怎麼寫 Prompt、怎麼加快寫程式，也有人用 AI 做出很炫的小工具。這些內容都很有趣。 但我腦中想起一個畫面：每天打開相...
上一篇提到，這個系列會從工作現場的需求開始，先把原本的 SOP 拆清楚，再想 AI 可以接手哪些部分。 時間回到兩年前，長官交辦了一個任務給我：研究混沌工程。...
上一篇研究完混沌工程，決定了自動化先讓 AI 理解實驗情境、產生 Chaos Mesh YAML，目標檢查與實際執行則交給程式控制。 接下來把時間拉回 gpt-...
上一篇 Day 3 我們聊過用程式碼當骨架、LLM 負責理解情境產出 YAML 來實現自訂流程的混沌實驗。這種做法雖然穩，但老實說，寫一堆流程控制的程式碼實在累...
在上一篇，我們提過說不定有一天 AI 可以自己看系統程式碼，覺得哪裡可能有問題，就設計實驗去跑看看，最後自己觀察，自己寫報告，自己修復。 沒有錯，有一天就是今天...
前幾天我們總算把混沌工程的主角 lite-bank 與監控架構都搞定了，但這時候問題來了：我要怎麼讓 AI Agent 記得這個系統的所有背景知識？如果每次要它...
昨天介紹完 llm-wiki，我們知道它會把讀過的資料整理成 Wiki，讓知識可以持續累積。 但直接把專案丟給 AI，然後只跟它說：「欸，你幫我整理成 Wiki...
昨天把 llm-wiki 的 Schema 訂好了，規則有了，接下來準備資料來源。 Raw Sources 內容選擇 這次我先把系統架構、部署設定、資料庫 m...
前兩天我們定義了 llm-wiki 的 Schema，也準備好 Raw Sources。接下來應該開始 Ingest。不過在讓 Agent 動手前，你可能有個疑...
前一篇我們說明了 llm-wiki 與外層 chaos-agent 的分工，Raw Sources 也已經準備完成。 今天要正式跑第一次 Ingest，看看 A...
