All Posts
The complete archive.
Every post on the blog, newest first.
Part 6 — AIO / GEO - Part 6 - 實戰案例：大型企業官網（多語系 + AWS + 法遵）
一家 3,000 人製造業集團的六語系官網，跑在 AWS CloudFront + WAF 上。看 GEO 在大企業環境的真正瓶頸：不是技術，是治理。附 WAF 規則、hreflang 與實體一致性的實作。
Part 5 — AIO / GEO - Part 5 - 量測與案例篇：建立監測系統與六個月實戰復盤
GEO 的最後一哩：設計 prompt set、用 Python 建置多引擎引用監測系統、計算 AI Visibility Score、從伺服器日誌與 GA4 辨識 AI 流量，最後以一個 B2B SaaS 站的六個月完整復盤（含失敗的部分）與 ROI 試算收尾。
Part 4 — AIO / GEO - Part 4 - 實作篇：把一個網站改造成 AI 可引用
八個步驟的完整實作：AI crawler 存取層與 CDN 白名單、llms.txt 產生器、JSON-LD 自動注入、chunk 邊界工程、Markdown 雙軌輸出、SSR 決策樹，附 Hugo / Next.js 可直接複製的程式碼與可放進 CI 的自動化驗收腳本。
Part 3 — AIO / GEO - Part 3 - 方法篇：內容、結構、技術三層優化策略
把 GEO 拆成內容層、結構層、技術層與實體層四個可執行的工作面：可引用性寫作的九條規則、Schema.org / JSON-LD 完整配方、Entity SEO 與站外一致性，最後給出影響 × 成本優先矩陣與 90 天執行路線圖。
Part 2 — AIO / GEO - Part 2 - 原理篇：AI 引擎如何檢索、選擇與引用你的內容
拆解生成式引擎的檢索管線：AI crawler 名單與行為差異、內容如何被切成 chunk、rerank 階段淘汰了什麼、grounding 如何決定引用誰。附 8 個讓頁面永遠不被引用的技術死因與逐項診斷方法。
Part 1 — AIO / GEO - Part 1 - 概念篇：當搜尋結果不再是十條藍色連結
AIO（AI Overview）與 GEO（Generative Engine Optimization）到底在優化什麼？本篇釐清 SEO / AEO / GEO / LLMO 的定義邊界，拆解生成式引擎產生答案的內部流程，並提出一套從 Ranking 思維轉向 Citation Share 思維的可見度指標與成熟度模型。
AI System on Native AWS - Part 10 - 企業 AI 平台工程
系列終章。當一個企業有幾十個團隊、上百個 AI 專案時,讓每個團隊各自接 Bedrock、各自寫 CDK、各自處理合規,是災難。平台團隊要把前九篇的能力打包成『內部產品』:多帳號落地區(Control Tower)、統一的 LLM Gateway(集中路由/限流/快取/日誌/分帳)、Service Catalog 與可重用 CDK Construct 黃金路徑、FinOps 分帳、平台級可觀測性。全部用 CDK(CloudFormation)描述,並以一張橫跨 Part 1–10 的總表收束整個系列。
AI System on Native AWS - Part 9 - 企業 AI 安全、合規與資料治理
當 AI 系統處理的是病歷、金流、個資,而且要通過稽核時,資安與合規不是加分項而是上線的門票。本篇把這個橫跨所有系統的維度單獨講透:用 PrivateLink/VPC endpoint 讓資料永不觸網、KMS 客戶金鑰全程加密、Macie + Comprehend 做 PII 偵測與去識別化、Lake Formation 做資料湖細粒度授權、Organizations SCP 從組織層鎖死可用模型與區域、CloudTrail + Guardrails 做全鏈稽核,全部用 CDK(CloudFormation)描述,對應 HIPAA/GDPR 的實際控制點。
AI System on Native AWS - Part 8 - 即時串流 ML 與詐欺偵測
詐欺偵測是即時 ML 的極限測試:要在幾十毫秒內對每筆交易做出放行或攔截的決定,特徵要用『此刻及過去幾秒』的行為即時算出,對手還會主動規避你的規則。本篇用純 AWS 原生服務打造即時串流風控:Kinesis 收交易流、Managed Service for Apache Flink 做串流特徵、SageMaker/Fraud Detector 毫秒級評分、Neptune 圖資料庫抓詐欺團夥、DynamoDB 當線上特徵與決策存放,全部用 CDK(CloudFormation)描述,深入談串流特徵一致性、時間窗、圖偵測與規則+ML 混合決策。
AI System on Native AWS - Part 7 - 基礎模型客製化與模型治理
當通用模型不夠好、或你有大量專有資料想讓模型內化時,就得客製基礎模型。但企業真正的難題不是『怎麼 fine-tune』,而是『如何治理』——訓練資料哪來的、評估過了沒、誰核准上線、出問題能不能回溯。本篇用純 AWS 原生服務打造一條可治理的模型客製管線:RAG/Prompt/Fine-tune/蒸餾的決策框架、資料準備、Bedrock 客製模型與 SageMaker 微調、Model Registry、自動評估關卡、Model Cards 與審批工作流,全部用 CDK(CloudFormation)描述。
AI System on Native AWS - Part 6 - 企業級多租戶 RAG 平台
系列進入企業篇。Part 1 的單租戶 RAG 一上到企業就崩:租戶之間的資料絕不能互看、每個使用者只能看到有權限的文件、成本要能拆到每個租戶頭上、還要能撐住幾百個租戶。本篇用純 AWS 原生服務打造多租戶 RAG 平台:租戶隔離的三種模型(silo/pool/bridge)、以 Verified Permissions(Cedar)做文件級授權、metadata filtering、hybrid search + reranking、語意快取降本、以及每租戶成本歸因,全部用 CDK(CloudFormation)描述。
AI System on Native AWS - Part 5 - 生產化 MLOps 與可觀測性
前四篇蓋好了四個 AI 系統,但『能跑』跟『敢上線』之間隔著一整套 MLOps。本篇收束整個系列,講清楚 AWS 原生 AI 系統的生產化:SageMaker 的三種部署策略與藍綠/金絲雀更新、Bedrock 模型呼叫日誌與 CloudWatch/X-Ray 可觀測性、模型漂移偵測、成本治理與 tag 分帳、以及用 CDK Pipelines 做基礎設施 CI/CD。全部用 CDK(CloudFormation)描述,並附一張跨五篇的系統對照總表。
AI System on Native AWS - Part 4 - 自主 AI Agent 工具呼叫系統
當 AI 不只是回答,而要主動規劃、呼叫工具、串起多步驟任務時,你需要的是 Agent。本篇用純 AWS 原生服務打造一套自主 AI Agent:Bedrock Agents 做規劃與工具編排、Lambda Action Groups 當可呼叫的工具、Knowledge Base 提供知識、Guardrails 做安全護欄,全部用 CDK(CloudFormation)描述,深入談 ReAct 迴圈、工具設計、權限邊界、幻覺與惡意輸入防護、以及人工確認關卡。
AI System on Native AWS - Part 3 - 即時個人化推薦系統
推薦系統是最經典、商業價值最直接的 AI 系統。本篇用純 AWS 原生服務打造一套即時個人化推薦:Kinesis 收即時行為、SageMaker Feature Store 管線上/離線特徵、SageMaker Endpoint 做低延遲推論、DynamoDB 當候選集與快取,並用 API Gateway + Lambda 對外服務。全部用 CDK(CloudFormation)描述,深入談 online/offline 特徵一致性、召回+排序兩階段、冷啟動與 A/B 測試。
industry-map - 半導體產業鏈 Part 14:終端需求（需求端 Demand）
系列完結篇:深拆半導體整條鏈的最終買單者——終端需求。用四大板塊(資料中心/AI、手機/PC、車用、工業)拆解需求佔比與成長動能,回答最關鍵的問題:驅動全鏈的 AI 資料中心需求,是結構性成長還是資本支出泡沫?並解釋終端需求為什麼是整條鏈週期性(長鞭效應)的源頭,最後回顧全系列的價值捕獲與遷移。
industry-map - 半導體產業鏈 Part 13:雲端 CSP（下游）
深拆半導體產業鏈下游的雲端超大規模業者（CSP）：AWS、Azure、Google Cloud、Meta、Oracle 的競爭格局、瓶頸分數與定價權、資本黑洞與利潤池、上游對 NVIDIA 的單點依賴與自研晶片反打、RPO 積壓與「先燒資本、後變現」這場豪賭、風險與分層投資點子。
industry-map - 半導體產業鏈 Part 12:系統 / 伺服器 OEM（下游 Downstream）
深拆半導體下游的系統 / 伺服器 OEM 與 ODM 這一層:戴爾、美超微、HPE 與台廠鴻海、廣達、緯穎的競爭格局、瓶頸與定價權、被上下游夾殺的薄利結構、營收 ≠ 利潤的陷阱,以及液冷與機櫃級整合這條唯一的差異化出路。
industry-map - 半導體產業鏈 Part 11:網通 / 互連（下游 Downstream）
深拆半導體產業鏈的網通/互連這一層:交換晶片、光通訊與 CPO、Ethernet vs InfiniBand 之戰。看博通、Marvell、Arista 誰吃到 AI 資料中心「把數萬顆 GPU 接成一台機器」的紅利,以及這層的瓶頸、定價權、利潤池、上下游依賴、風險與投資點子。
industry-map - 半導體產業鏈 Part 10:封裝測試 OSAT（中游）
深拆半導體封裝測試 OSAT 這一層:日月光、艾克爾、長電科技的競爭格局、瓶頸與定價權、利潤池、上下游依賴、風險與投資點子——並解釋為何傳統封測是薄利商品層,而先進封裝(CoWoS/2.5D/3D、Chiplet)卻變成卡住 AI GPU 出貨的新咽喉。
industry-map - 半導體產業鏈 Part 9:IDM / 類比（中游）
深拆半導體 IDM / 類比這一層:德儀、ADI、英飛凌、意法、恩智浦如何靠自有晶圓廠、上萬顆長壽命料號與黏著客戶,做出約 60% 毛利的穩定生意。看它的玩家格局、瓶頸與定價權、利潤池、上下游依賴、風險與投資點子。
industry-map - 半導體產業鏈 Part 8:記憶體 DRAM / NAND / HBM（中游）
深拆半導體記憶體這一層:三強寡占(美光、SK 海力士、三星)、DRAM/NAND 的商品週期與長鞭效應,以及 HBM 如何把一部分業務「去週期化」、暫時奪回定價權。含瓶頸分數、利潤池、上下游依賴、風險與分層投資點子。
industry-map - 半導體產業鏈 Part 7:IC 設計 — 其他 fabless(中游)
深拆半導體「其他 fabless」這一層:博通、高通、聯發科、Marvell。看客製 ASIC(XPU)、行動 SoC 與基頻的競爭格局、瓶頸與定價權、利潤池、上下游依賴、風險與分層投資點子。
industry-map - 半導體產業鏈 Part 6:IC 設計 — GPU / 加速器（中游）
深拆半導體 GPU / 加速器設計這一層:NVIDIA、AMD 與 CSP 自研 ASIC 的競爭格局、fabless 輕資產高毛利模式、CUDA 軟體護城河、瓶頸分數與定價權、利潤池、上下游依賴、風險與投資點子。這是全鏈價值捕獲最高、卻也最可能被工程繞過的咽喉。
industry-map - 半導體產業鏈 Part 5:晶圓代工(中游)
深拆半導體晶圓代工這一層:台積電近獨占先進製程的護城河、純代工模式 vs IDM、資本軍備競賽與良率/信任壁壘、~55–59% 毛利、CoWoS 先進封裝咽喉,以及台灣單點集中對全球的級聯風險與分層投資點子。
industry-map - 半導體產業鏈 Part 4:晶圓設備（上游）
深拆半導體晶圓設備（WFE）這一層:ASML 的 EUV 獨占、AMAT/Lam/TEL 的沉積蝕刻、KLA 的製程控制。這是整條鏈最硬的咽喉——玩家、競爭格局、瓶頸與定價權、利潤池、上下游依賴、出口管制風險與投資點子。