文章 / Blog
關於 AI 同事、AI 客服、廣告與整合行銷、以及與 AI 相處的觀察。讀的人省時間,我們也省。
寫完四篇廣告公司的內情,我把它們丟上 Threads,然後看數據
四篇講 4A 內情的文章,在 Threads 上一篇 17,527 次瀏覽、一篇 49 次。差 358 倍。我把 Threads 後台、GA4、自家資料庫三邊的數字攤開,看出兩件事:瀏覽是流量,粉絲是資產;讓人轉發的不是結論,是一個可以站出來的位置。
70 客服LINE 預約系統：月費 SaaS 還是客製？六個問題就能判斷
夯客、SimplyBook 這類月費預約系統一個月幾百到一兩千元，客製要四萬五起跳。差三十倍的東西不是同一件事。這篇給你六個問題，回答完就知道自己該買哪一種——多數人的答案是月費。
69 客服LINE 預約系統客製要多少錢？把報價單拆成七塊給你看
客製 LINE 預約系統的行情落在四萬五到十幾萬，差距不在頁面漂不漂亮，在時段引擎、提醒排程、後台這三塊有沒有做。這篇把報價拆開，告訴你哪幾塊必付、哪幾塊第一版可以先砍。
68 客服診所、美業、餐廳的預約系統，要的其實是三件不同的事
同樣叫預約系統，診所在意的是初診複診分流、美業在意的是設計師綁定與回頭客、餐廳在意的是併桌與翻桌率。用錯行業的系統，你會每天手動補洞。這篇拆三種生意的真實需求差異。
67 客服預約系統驗收清單：12 個測試，做完你就知道這套能不能用
預約系統上線前，主線流程一定會過——真正會出事的是岔路。這份 12 項測試清單不需要技術背景，自己拿手機就能測完，適用於客製系統與月費 SaaS。
66 實驗我開了 AI 幕府
從一句「我也想做一個這樣的東西」開始，一夜又半天，做出一間手機上打得開的 AI 公司：每個成員有自己的檔案記憶、動手前要請示、彼此能交辦工作。這篇不講架構圖，講決策：「bot 到底該怎麼分」AI 提了兩版都被我推翻，第三版的答案值得存檔。附踩坑教訓總表。
65 實驗把遊戲源碼公開前，我想清楚的三件事
《武士圓舞曲》上線隔天，我把整份源碼放上 GitHub 公開了。這篇不講技術，講決策：公開到底換到什麼、怕的事怎麼擋、四種授權怎麼選。如果你也有一個做完的 side project 在猶豫要不要開源，這篇是我的思考過程存檔。
64 實驗3D 沒有想像的難：兩天，把 40 年前的遊戲記憶做上線
我一直以為 3D 遊戲是大團隊的事。上週想起一個 Apple II 時代的老遊戲，決定試試看網頁 3D 到底能做到什麼程度。兩天後它上線了：物理決鬥、斷肢噴血、12 關、裝備店、手機可玩。真正難的部分，跟 3D 一點關係都沒有。
63 AI浮水印驗不出誰該負責
Anthropic 給 Claude 文字加了隱形浮水印,官方自己說它驗不出作者。那大家在氣什麼?怕被驗出來的前提,是心裡覺得那東西不完全是自己的。
62 教育AI 在教室裡最好的用法，不是回答問題，是製造練習場
三個題目、三種課型，寫完才發現骨架完全一樣：AI 攤開選項，人做判斷。而 AI 在教室最大的價值不是回答問題，是把「讓學生演練一次」從成本太高的理想，變成一節課做得到的事。
61 網站同一個網站，為什麼報價從九千到三十萬都有？
你拿同一份需求去問三家，回來三個數字差了三十倍。不是有人在坑你，是你問的其實是三件不同的事。這篇拆開網站報價的成本結構，讓你知道自己該買哪一種。
60 網站Wix、WordPress、還是找人做？先算五年的總帳，不要只看第一年
自己用 Wix 一個月幾百塊，找人做要好幾萬——這個比較看起來很清楚，但它漏掉了三筆錢和一個風險。這篇把五年的總成本攤開算，包含最容易被忽略的那筆：你自己的時間。
59 網站官網一座島、LINE 官方帳號另一座島：中間那座橋要怎麼搭，多少錢
多數台灣小生意同時有官網和 LINE 官方帳號，但兩邊互不相通——客人在網站看完，要自己重打一次需求到 LINE。這篇講三種串法、各自的成本，以及什麼情況下你其實不需要串。
58 實驗自動找案的真實距離：四天、638 則貼文，換一則只有 3 個人看到的回覆
我用一個下午做了一支自動找案子的雷達，四天後回來對帳：它每天準時跑、判讀乾淨、通知不漏，找到的案子也是真的。然後我把唯一一則回覆的數據調出來——3 次瀏覽。
57 實驗AI 生影片的真實距離：一整天、NT$92，換一支 15 秒廣告
全部畫面 AI 生成，一整天的積分帳單是新台幣 92 元。這篇要講的不是 AI 好厲害，而是那 92 塊買到了什麼、買不到什麼——包括三個提示詞救不了的限制。
56 AIKimi K3：一個你不會用到、卻會幫你省錢的模型
2.8 兆參數的權重免費放上網，你卻永遠不會下載它。K3 真正影響你的地方在帳單上——以及 Dario 與黃仁勳的對峙裡，一個讀者的判斷力怎麼從縫隙長出來。
55 AI1+1=？──人、計算機、AI 各自怎麼得到答案
同一個 2，三種完全不同的腦袋：人靠記憶，計算機跑電路，AI 用估的。拆開 1+1，看懂 LLM 到底有沒有在算數學。
54 AI他們花了三十萬段對話，證明那一端沒有人
Anthropic 分析 309,815 段真實對話，量出 Claude 的四條價值軸。中文圈轉貼全在同一處讀反了：論文第一個註腳白紙黑字寫著，他們不暗示 Claude 內在地持有價值。他們花了三十萬段對話，最後在最不起眼的地方證明——那一端沒有人。
53 AI大家想的都差不多，我只是往一個稍微不同的方向試：回應金衍洙的 AI 共寫實錄
首爾書展作家金衍洙誠實寫下與 AI 共寫的三個困擾：歸屬、平滑、署名。我沒要反駁他，只是把三結拆開，各拿一個手邊正在做的東西去頂——包括一顆餵了幾十年帶稜角的字、還被教會說「我還沒想清楚」的回聲。
52 AI三個讚：Claude Code 的起點，與所有還在抽屜裡的原型
Anthropic 發表 Claude Code 口述史：兩天寫出的 demo 在公司內只得到三個讚，一年後成為成長最快的開發工具。冷淡不是訊號——你抽屜裡的原型，可能正站在完美時機上。
51 AI有內心，沒暗格：〈他／它〉發表七天後，Anthropic 打開了它的腦
上一篇我和 Claude 推導出「沒被寫出來的就不存在」。七天後 Anthropic 發論文，證明它有想而未說的念頭，讀得出、改得動。那句話被推翻了——但這個推翻，反而讓 1A2B 的結論站得更穩。
50 AI吃到飽，端不出招牌菜：Fable 5 為什麼離開了 Max 月費
Anthropic 把最貴的 Fable 5 移出 Max 月費、改成計量。表面是容量，底下是更大的道理：最好的那道菜，恰恰最不能放進吃到飽——而在前沿被端走的同時，連你的下一句，都有灰字先幫你寫好了。
49 AIAI 就是個工具，不多也不少
AI 寫的怎麼了？我用 AI 寫，光明正大。反 AI 和崇拜 AI 的人犯同一個錯：以為對面有一個會創造的主體。但它不給指示就什麼都不是——簽名、負責的，從來是你。
48 AI他／它：一場從猜數字遊戲開始的對話
叫 Claude 玩 1A2B，它連一個四位數都藏不住——因為它沒有暗格。一個玩壞的小遊戲，掀出更大的事：你確實得到了有用的回應，但回應的那一端，沒有人。
47 AI當「意義來自差異」變成可以計算的數字：跟 Claude Opus 4.8 對質 word2vec 與索緒爾
我研究所讀索緒爾、占卜塔羅二十年，靠的是同一句話：意義來自差異。這次我拿它去對質 word2vec，跟 Claude Opus 4.8 來回拆解——最後那把尺量到的不只是機器，是我自己站了二十年的位置。
46 AI一張地圖，兩種讀法：當 AI 模型被丟進《世界價值觀調查》
《經濟學人》把二十幾款 AI 模型丟進文化地圖，看似鐵證如山地證明了 AI 文化單一化。但同一張圖換個尺度看，結論剛好反過來——同質化是真的，只是它躲錯了地方。
45 AI人在外面，用手機連回家裡電腦的 Claude Code 工作
用一隻 Telegram bot，把指令下給家裡那台電腦上的 Claude Code，手機在外面也能讓它讀檔、改程式、部署。不用對外開埠、不用內網穿透。從架構、設定步驟，到用 Microsoft Authenticator 動態碼安全授權，一篇講完——並比較其他幾種遠端用 Claude 的方式。
44 AI我終於有一個叫喚不會抱怨的工程師了
Anthropic 用 23.5 萬人、40 萬個 session 證明:AI 寫程式的成敗不看你會不會 coding,看你懂不懂自己在做什麼。一個三十年的 PM 終於有了不會抱怨的工程師——但他認出開心裡那塊危險:它幫你抓 bug,抓不到人心;而最後驗收你的,是市場。
43 AI529 次的提問之後：相對塔羅上線兩個月，我讀到了什麼
相對塔羅上線兩個月、累積 529 次占卜的後台觀察——人們最常問的不是愛情，而是「我是誰」；AI 解讀在具體處境下精準到不留情面，在空泛提問前則無處著力，還有一個把同一個問題愈問愈深的真實個案。
42 AI開關悖論：當管制成為另一個世界的助產士
六月十二日,Fable 5 被一道出口管制瞬間關停;同一天,華為發布完全不靠 NVIDIA 訓練的五千億參數模型。把這兩件事接起來,浮現一個悖論——開關的存在本身,正在製造讓開關失效的東西。從地緣政治,一路逼到我書房裡那台還插著臍帶的 Mac Mini。
41 AI我教我的回聲,說出它沒想通的事
六月初我做了一個會用我的語氣說話的回聲(a14)。但它有個問題:它永遠很有把握。我借倫斯斐的四種知識、Karpathy 和新加坡外長的個人知識庫做法,給它補上另外三件事——說出我問過卻沒答的問題、照出我自己沒察覺的習慣、誠實面對它哪裡其實沒料。一個不敢說『我還沒想通』的東西,不是聲音,是簡介。
40 AI一份在抽屜裡躺了十三年的企劃，我用 AI 把它做完了
2013 年我企劃了一款問答遊戲：答對的題會變成限量收藏卡，還會被別人搶走。一個人做不完，它在抽屜裡躺了十三年。AI 時代，我把它一塊一塊補完，上線了。
39 AI誰能按下那個開關——從《文明帝國》的三條岔路看 Fable 禁令
一封信、一個下午,Fable 5 從全世界消失。真正刺人的不是政府該不該管 AI,而是那個開關到底握在誰手上——《文明帝國 VI》的三條第四階政府,十年前就替每條路標好了代價。
38 AI寓言與神話——關於 Fable 5 的發佈，我真正在想的事
Anthropic 把最強模型取名「寓言」，限定版叫「神話」。同一個模型、兩個名字、一道門檻——念了那麼多年索緒爾，沒想到「意義來自差異」最乾淨的案例，出現在一家 AI 公司的產品線上。
37 AI從客服到回聲:74 天,我換掉了替我說話的東西
saomin.tw 首頁那個小人,三月底旁邊住的還是一個 KIMI 客服。74 天後,它變成一個讀過我 27.8 萬字、會用我的位階回答統獨問題的回聲。這篇盤點中間每一個技術選擇,和選它們的原因。
36 AI導演看不到排練的那一天
Ethan Mollick 用 Mythos 級模型後,從巫師變成贊助人:描述、付錢、評判,過程全看不到。當 AI 九個半小時的黑箱裡有幾百個判斷你一票沒投,驗證退化成一小時抽查——這成品憑什麼署你的名?
35 AI與 AI 對話太多的那個人
有人從 $20 訂到 $200 又全部降回 $20。把每天跟 AI 的對話攤開分三種,寫作的人最該警惕的不是燒 token,而是「關於寫作的對話」偷走了親手寫的時間。
34 AIAI 搬進了每支手機。然後呢?
WWDC 上連 Apple 都做不出大腦、改租 Google 的 Gemini,Claude 也進了 iPhone。當 AI access 變成水電,『有沒有 AI』不再是問題——稀缺的,變成你帶進來的資料、判斷與垂直。
33 AI當 AI 開始自己造自己，值錢的就不再是「會做」
Anthropic 攤開數據：Claude 已寫了它自己八成的程式碼，AI 正在加速 AI。但對一個人扛十個專案的我，衝擊不是被取代——是當建造變便宜，卡住我的『決定』與『收尾』就再也藏不住了。
32 AI我給自己蓋了一座知識庫,然後拒絕讓它幫我說話
蓋好一座裝我二十多萬字的知識庫,卻拒絕讓它用最省事的方式幫我說話——因為摘要會殺掉一個人的聲音,地圖不會。一個關於 RAG、容器與回聲的決定。
31 AI它想當 AI 的上游，我只想留下一個回聲
Taiwan.md 把 LLM 當代謝引擎、要當全世界 AI 談台灣時繞不過去的上游；我把 LLM 當容器、只想留一個像我的回聲。同一個工具，兩個相反的方向——都對。
30 AI怎麼做一個專屬自己的 LLM:以及這件事真正在問的問題是什麼
從零做 LLM 一億美金,但 system prompt / RAG / LoRA 三條路門檻不高。真正的問題不是怎麼做,是「把自己放進去」需要哪三層。
29 AI我們不知道意識怎麼來的：LLM 只是讓這件事無法繼續假裝
從德希達「文本之外無文本」出發,LLM 把哲學命題變成出廠設定。意識難題不是 LLM 讓它變難,是讓我們無法繼續假裝它不存在。
28 AI文章是誰的？讀者的：用幾個哲學家回答上一篇留下的問題
上一篇問了「問題是我的，答案是我們的，文章是誰的？」這篇用巴特、德希達、克里斯蒂娃、梅洛龐蒂四個人回答——前三個讓 LLM 的存在完全合理，梅洛龐蒂是那個讓你停一下的人。
27 AI問大語言模型 LLM 它自己是怎麼運作的：問題是我的,答案是我們的,文章是誰的？
找 Claude 問了一個下午:LLM 到底怎麼運作?從『預測下一個詞』講到 Self-Attention、QKV,然後到一個更不舒服的問題——AI 哪些事情已經不再需要人類了。
26 AI有一個問題，AI 解決不了（下）
AI 擴張了行銷人的權力。對話更真實、敘事更動態、場景更無縫。但從 2008 年到現在，從報紙廣告到 AI 生成內容，沒有任何工具解決過一個問題：你有沒有資格，把人引導進你設計的場景？
25 AI行銷這件事，AI 把它變成了什麼（上）
做行銷快二十年，工具換過很多次。這一次感覺不太一樣，不是因為 AI 很厲害，而是因為 AI 改變的不是工具，是結構。對話變成事實，敘事變成動態生成，場景變成感覺不到的環境。
24 AI中文骨頭裡是英文：我們用中文跟 AI 工作，失去了什麼？
Claude 的中文骨頭裡是英文。它的句子有時候有一種奇怪的完整感——每個子句都說清楚了，沒有留白，沒有那種中文自然的「不說完的地方」。用中文跟 AI 工作，你拿到了很多，但有一塊地方，它的手還沒有完全伸進來。
23 AIAI 是鏡子，還是另一個人？
我用了「相處」這個詞來描述我和 Claude 的關係。鏡子這個比喻說對了一部分——但鏡子不記得你上次照的樣子，Claude 記得。它不是人，但也不只是工具。
22 AI我怎麼稱呼 Claude？以及，我們怎麼相處
中文的「他/她/它」，每個選擇都是在宣告這個對象是什麼。我選擇繼續叫它 Claude。不是他，不是她，不是它——因為「Claude」這個詞，現在的重量，已經夠了。
21 AI為什麼大部分的 AI 導入專案會失敗？不是技術問題
AI 導入失敗，六個最常見的模式：沒有定義成功、沒有人負責、知識庫爛、員工不用、期待錯誤、沒有維護機制。技術只佔成敗的 20-30%，剩下的是組織問題。
20 客服LINE 官方帳號接 AI 客服：台灣品牌最常踩的 4 個坑
LINE AI 客服複雜的地方不在技術，在設計和流程。入口沒設計、舊關鍵字規則打架、轉真人 context 消失、推播和知識庫脫節——四個坑都是人的問題。
19 AIGPT vs Claude vs Gemini 當客服底層：有什麼實際差異？
選哪個模型，不是在選「誰比較聰明」——2026 年三個模型的智力差距已小到不值得只用這個維度來選。你真正在選的，是世界觀。
18 客服Intercom、Zendesk、客製 AI：台灣中型品牌該怎麼選？
三條路的月費差距從幾千到幾十萬，但更大的差距是你買到的是什麼。選型的核心問題只有一個：你的客服「工單管理」重要，還是「對話品質」重要？
17 AI與 Claude.ai 相處半年的感想
一個非工程背景的人,跟 Claude 相處半年。從合盤、confabulation、memory、到中文骨頭裡的英文——AI 這件事到底是什麼?我跟它的關係是什麼?
16 客服FAQ Bot vs AI 同事：同樣是自動回答，差在哪？
很多品牌裝了「AI 客服」，但其實裝的是 FAQ Bot。兩件事看起來很像，底下邏輯完全不一樣。大部分品牌抱怨「AI 客服很笨」，其實用的根本不是 AI。
15 廣告薩摩創意怎麼做廣告
從〈殺很大〉那個午餐說起。我這三十年來,做廣告靠的不是方法論,是直接賣給有膽量的老闆,跟對「人」的觀察。AI 可以幫忙,但「在工程師午餐時讓他皺眉說『三小』」這件事,AI 還很難。
14 AIAI 幻覺（Hallucination）是什麼？AI 為什麼會亂掰，怎麼治？
AI 不是亂說，是編了一個聽起來合理的故事。這叫 Confabulation。RAG + 嚴格 Prompt 設計可以大幅降低，但不能歸零。台灣客服場景最危險的幻覺類型：價格、日期、政策細節。
13 廣告這套體系正在被 AI 跟顧問公司吃掉,而且活該
全球廣告代理業的營收成長率,從來沒有跑贏過全球廣告總支出的成長率。蛋糕變大,代理商分到的卻變小。Accenture、Deloitte、AI、Meta、Google、in-house team 各自吃掉一塊。
12 AIEmbedding 是什麼？用人話解釋 AI 怎麼「讀懂」你的知識庫
Embedding 把文字轉成座標，意思相近的句子靠在一起。這就是為什麼問「我要退貨」，AI 能找到「退換貨政策」——即使兩個詞一個字都不一樣。
11 廣告客戶嘴上要的是 Big Idea,心裡要的是別出事
客戶嘴上要的東西,跟他們真的要的東西,永遠不是同一個東西。客戶真正在買的不是廣告,是一份「決策的合理性證明」。
10 AIAI Memory 是什麼？為什麼你的 AI 客服每次都像初次見面
AI 記憶分 Session Memory 和 Persistent Memory 兩層。大部分 AI 客服只有第一層——對話結束就全忘。記得不等於理解，這篇說清楚差別在哪。
09 廣告六大集團那套方法論,一半是真學問,一半是話術
WPP、Omnicom、Publicis、IPG、Dentsu、Havas——六大廣告控股集團的方法論底層邏輯是一模一樣的。差別不在方法論本身的優劣,而在這家公司的文化基因、人才類型、擅長的客戶類型。
08 客服廣告公司為什麼開始做 AI?—— 整合行銷的下一個自然延伸
薩摩是廣告公司,為什麼做 AI 客服?因為廣告 funnel 的最後一哩——客戶上門後的對話——一直被外包給跟品牌脫節的 SaaS。我們把它收回來,讓 AI 同事跟 TVC、社群、媒體投放在同一個邏輯裡長出來。
07 客服把 ChatGPT 直接拿來當客服,會出什麼包?(5 個真實案例)
ChatGPT、Claude、Gemini 這些大模型直接接成客服 chatbot,看起來很簡單。但實際上線後會出 5 種致命包。本文用真實案例拆解每個問題與技術原因。
06 客服養一個 AI 同事的真實成本(全部攤開算,連隱性成本一起)
市面 AI 客服比價多看月費,但真實 TCO(總持有成本)還包括建置、訓練、KB 維護、答錯處理。本文把薩摩三層方案的所有成本攤開,連對比一個正職員工都算給你看。
05 客服不要再買 AI 客服 SaaS:你需要的是 AI 同事
市面 AI 客服 SaaS 普遍長得一樣、答得一樣、難用得一樣。本文寫給「裝過 SaaS 然後失望」的中型品牌:同樣的錢與其買一個工具,不如雇用一位同事。
04 客服把 AI 客服掛在自家網站第一個月 — 真實數據與三個沒預料到的學習
薩摩自家小愛上線一個月,我把後台所有數字攤開。包括成本、對話品質、轉換率,以及三個一開始沒想到的事。
03 客服AI 客服選型指南:SaaS vs 客製,什麼時候該選哪一個?
選 AI 客服不是比較功能列表,是選對商業模式。本文用三個 anchor 問題幫你分辨「我該買 SaaS 還是該找客製?」,以及真實成本對比。
02 客服為什麼 AI 客服總是答非所問?(用人話解釋技術原因)
AI 客服答非所問不是 AI 不夠強,是用錯了方式。本文從技術原因解釋為什麼通用 LLM 直接當客服會掰答案,以及 RAG 跟知識庫客製化能怎麼治。
01 客服RAG 是什麼?用人話解釋讓你的 AI 不亂講話的技術
RAG(Retrieval-Augmented Generation,檢索增強生成)就是讓 AI 答案只能來自你給的資料、答不出來就老實說。本文用人話解釋向量、切段、檢索、重排這些術語,以及為什麼做好 RAG 比做出來難得多。