(04:26) Apple WWDC 與 Siri 改版切入,討論 iPhone 近年創新停滯、Siri 作為早期語音助理卻長期落後,以及 Apple AI 這次是否只是遲到的補課。
(07:41) 解析 Siri 跨 App 協作能力,從自動建立行事曆、傳送群組通知到整合 Podcast 準備流程,探討手機是否仍是 AI Agent 最自然的生活入口。
(10:00) Apple AI 三層架構拆解:裝置端模型、Private Cloud Compute、以及與 Google Gemini / GCP / NVIDIA GPU 的合作關係,分析 Edge AI、隱私與延遲體驗之間的取捨。
(13:50) Apple 對開發者提供推論額度的生態策略,探討 iOS App 若能免費整合 AI inference,是否可能複製 App Store 與蘋果稅模式,進一步鞏固 Apple 生態系。
(16:00) 從「App 是給人用還是給 Agent 用」延伸,討論 Siri 調用第三方 App 的介面設計、AI 手機對記憶體的需求,以及 Edge AI、Vision Pro 與穿戴裝置的未來入口想像。
(18:30) 對 Apple AI 能力提出保留:AI 人才流失、算力投入不足、Android 陣營先行,以及 Apple 為何仍要包裝自己的 Foundation Model 而非直接採用開源或外部模型。
(22:48) 進入 Loop Engineering 討論,回顧這個詞從 Twitter 與 AI coding 社群爆紅的背景,說明它如何從 Prompt Engineering 演變成定義目標、限制與完成條件的工作流程。
(26:12) 反思 Loop Engineering 是否只是過度命名,討論它與既有 Harness、Automation、Worktree、MCP、Sub-Agent 等工程流程的關係,以及為何本質上仍是軟體工程思維。
(30:33) 引入「認知投降」與「理解債務」兩個概念,討論當 AI 可以長時間自主修改 codebase,人類不再是最懂程式碼的人時,工程師角色所面臨的風險與轉變。
(32:28) 具體拆解一個有效 Agent Loop 的條件:Trigger、邊界條件、成功標準、Verifier、Retry / Stop 機制與 Human-in-the-loop,說明為何沒有好的驗證機制,Loop 只會變成 token 空轉機。
(37:06) 從實際開發經驗談認知外包,包含 AI brain、MCP、文件與 repo 串接,以及工程師遇到錯誤時直接交給 AI 處理,如何讓 codebase 理解能力逐漸下降。
(40:25) 討論什麼情境下可以放心「認知投降」:短生命週期的小工具、個人專案或許可行,但正式產品與高風險系統仍需要工程師介入架構、spec 與驗證層。
(43:21) 展望 AI 開發能力擴張後的工程師定位,從 Cursor 時代仍掌握九成 codebase,到未來只調整 high-level design 與 spec,人類對底層實作的理解比例正在持續下降。
(47:55) 工程師逐漸轉向 Agent Manager,討論如何透過高階 functional / non-functional requirements、system state、tribal knowledge 文件與 agent-friendly 環境,讓 AI 能夠穩定維護與迭代系統。
(53:24) 探討降低理解債務的方法,包括定義 AI 回報格式、使用 Artifact / HTML 等更易讀的任務回報,以及未來 coding interview 可能從 LeetCode 轉向 spec-driven development 與 AI 協作能力。
--
Hosting provided by SoundOn