All Posts
The complete archive.
Every post on the blog, newest first.
NVIDIA (NVDA) 2026 10-K 深度解析
用 10k-digest 方法對 NVIDIA FY2026 年報做機構級深度拆解:五年財務軌跡、Compute & Networking 與 Graphics 事業體、資料中心營收爆炸、毛利率逆風、極端客戶集中、中國/H20 出口管制、$95.2B 採購承諾、循環融資疑雲、DuPont/ROIC、Rule of 40、情境分析、風險矩陣與投資訊號。
NextEra Energy (NEE) 2025 10-K 深度解析
用 10k-digest 方法對 NextEra Energy FY2025 年報做機構級深度拆解:兩大引擎(FPL 受監理公用事業 vs NEER 全球最大再生能源開發商)、費率基礎與核定 ROE、天量資本支出與深度負自由現金流、$956 億債務與利率敏感度、GAAP 淨利下滑但調整後 EPS 續增之謎、十年股息成長軌跡、情境分析、風險矩陣與投資訊號。
Meta (META) 2025 10-K 深度解析
用 10k-digest 方法對 Meta Platforms FY2025 年報做機構級深度拆解:五年財務軌跡、事業體與地區損益、OBBBA 稅務假象、折舊定時炸彈、DuPont/ROIC、Rule of 40、AI 千億資本支出賭注、情境分析、競爭格局、風險矩陣與投資訊號。
Kratos Defense (KTOS) 2025 10-K 深度解析
用 10k-digest 方法對 Kratos Defense & Security Solutions FY2025 年報做機構級深度拆解:五年財務軌跡、KGS/US 兩大事業體、目標無人機與超音速/火箭系統、超薄利潤率 vs 高營收成長、股權薪酬吃光營業利益、自由現金流大失血、股權稀釋引擎、國防部客戶集中、情境分析、風險矩陣與投資訊號。
Berkshire Hathaway (BRK.B) 2025 10-K 深度解析
用 10k-digest 方法對 Berkshire Hathaway FY2025 年報做機構級深度拆解:GAAP 淨利為何暴跌 25% 卻不代表本業轉弱、五大事業體與保險浮存金引擎、破紀錄的 3,733 億美元現金+國庫券、零庫藏股回購的訊號、鉅額股票組合與集中度風險、Kraft Heinz/Occidental 減損、巴菲特交棒 Greg Abel,以及情境、風險與投資訊號。
Amazon (AMZN) 2025 10-K 深度解析
用 10k-digest 方法對 Amazon.com FY2025 年報做機構級深度拆解:五年財務軌跡、三大事業體損益、AWS 這台獲利引擎、$1,318 億 AI 資本支出如何把自由現金流砍掉七成、Anthropic 未實現利得的會計假象、DuPont/ROIC、情境分析、競爭格局、風險矩陣與投資訊號。
Alphabet (GOOGL) 2025 10-K 深度解析
用 10k-digest 方法對 Alphabet FY2025 年報做機構級深度拆解:五年財務軌跡、Search/YouTube/雲端/Other Bets 事業體損益、淨利被股權投資利得墊高的假象、Google Cloud 獲利拐點、AI 千億資本支出與 2026 指引、TAC、買回與股利、反壟斷矩陣、情境分析與投資訊號。
AI System on Native AWS - Part 2 - 智慧文件處理 IDP 管線
當你的『知識』不是乾淨的 Markdown,而是幾百萬張掃描的 PDF、發票、合約時,RAG 那套餵不進去。本篇用純 AWS 原生服務打造一條智慧文件處理(IDP)管線:S3 觸發、Step Functions 編排、Textract 抽文字與表格、Comprehend 做實體與分類、Bedrock 做結構化萃取與摘要,全部用 CDK(CloudFormation)描述,並談事件驅動、冪等、非同步大檔與人工複核。
AeroVironment (AVAV) 2026 10-K 深度解析
用 10k-digest 方法對 AeroVironment FY2026 年報做機構級深度拆解:一場把營收翻倍到 20 億美元的 BlueHalo 世紀併購,如何同時帶來 GAAP 虧損、負自由現金流、內控失效(ICFR 不利意見)與收購當年就發生的商譽減損。涵蓋五年財務軌跡、雙事業體、購買法會計扭曲、股本稀釋、國防積壓訂單、風險矩陣與投資訊號。
Advanced Micro Devices (AMD) 2025 10-K 深度解析
用 10k-digest 方法對 AMD FY2025 年報做機構級深度拆解:五年財務軌跡、四大事業體、Xilinx 併購攤銷如何壓低 GAAP 獲利、$8.53 億一次性稅務利益、商譽佔資產 33%、MI308 中國出口管制、資本配置、風險矩陣與投資訊號。
ollama on mac - part 4 - 與應用整合(Python、OpenAI SDK、LangChain、Open WebUI、RAG)
把本機 Ollama 模型接進真實應用的完整實戰:官方 Python/JS SDK、OpenAI 相容層、LangChain、Open WebUI,以及手把手打造一個離線可跑的本地 RAG。
AI System on Native AWS - Part 1 - Serverless RAG 智慧客服知識庫
用純 AWS 原生服務打造一套 Serverless RAG 問答系統:Bedrock Knowledge Bases 負責切塊與嵌入、OpenSearch Serverless 當向量庫、Lambda + API Gateway 提供問答 API,全部用 CDK(CloudFormation)一鍵部署。本篇是系列開場,先講清楚 RAG 這個最常見的 AI 系統怎麼在 AWS 上長出來,包含情境、系統設計、架構、CDK 實作、技術選型與成本。
ollama on mac - part 3 - REST API 與自訂 Modelfile
深入 Ollama 的 REST API 與 Modelfile:把 Mac 變成本機 LLM 伺服器,掌握 /api/generate、/api/chat、options 調校、結構化輸出,並用 Modelfile 打造專屬模型。
ollama on mac - part 2 - 公開模型全覽與選型指南
從硬體、任務到量化,一套可落地的 Ollama 開源模型選型心智模型:看懂 Llama / Qwen / Gemma / Mistral / Phi / DeepSeek 家族,選對尺寸與量化,讓你的 Mac 跑出最佳性價比。
ollama on mac - part 1 - 安裝與第一個本地模型
從零開始在 macOS 上安裝 Ollama,認識硬體需求與記憶體對照,並跑起你的第一個本地 LLM,完整掌握 CLI 指令與背後運作原理。
Auto Agent System - Part 5 - 前端體驗與 Pipeline 編排:SSE 即時串流與多步驟任務鏈
系列最終篇,回到使用者直接感受到的那一層。拆解那條每 0.5 秒更新的 SSE 即時進度串流是怎麼用 asyncio + 原子 json_insert 撐起來的、為什麼前端刻意用 Vanilla JS、Waymo 電影感 UI 主題(PR #15)與 landing page(PR #6)的取捨,以及如何用 {{steps.N.result}} 模板把多個 AI 任務串成一條自動化工作流。
Auto Agent System - Part 4 - 生產化之路:Langfuse 可觀測性、Docker 瘦身與 AWS 部署
AI 系統能跑,離能上線還很遠。本篇拆解 agent_auto_system 把自己推向生產的四個關鍵決策:在 executor 這個漏斗掛上 Langfuse trace(PR #19)、用 WeasyPrint 換掉 Chromium 讓 Docker image 瘦身(PR #9)、規劃 AWS ECS Fargate 部署(PR #10),以及完整的登入與 RBAC 權限系統(PR #11)。
Auto Agent System - Part 3 - 自動化任務實戰:Shopee 爬蟲、Google Maps 名單、Tasker 自動提案
把 Harness 打好地基後,真正的價值在任務本身。本篇順著 merged PR,拆解四個代表性自動化任務:Shopee 賣家爬蟲(以及它的兩次分頁修正)、Google Maps 潛在客戶名單漏斗、tasker.com.tw 自動投標,以及四代理協作的利潤健檢 PDF 報告。每一個都示範了一種不同的 agent × tool 設計模式。
Anthropic Financial Services 入門 Part 3 — 實戰:用 GL Reconciler 跑一次對帳流程
從安裝到真的跑出一份待簽核的對帳報告——本篇挑 financial-services 套件裡的 GL Reconciler Agent,走一次完整流程:找斷點、追根因、標記待人工簽核,並比較 Cowork 互動模式和 Managed Agents headless 部署兩種跑法的差異。
Auto Agent System - Part 2 - Harness 引擎:多模型容錯、自我修正與 LLM 評審
深入 agent_auto_system 的心臟——Harness 引擎。從第一個 PR「解析被 markdown 包住的 JSON」開始,一路講到跨模型 fallback 重試(PR #3)、驗證失敗後的自我修正、獨立 LLM 評審打分,以及每次執行的 token/成本追蹤。這是把 LLM 這匹野馬套上挽具的完整工程。
Anthropic Financial Services 入門 Part 2 — Agent、Skill、Command、Connector 是怎麼組成一個系統的
同一個目錄結構要同時餵給 Cowork 和 Claude Managed Agents API,Anthropic 是怎麼設計的?本篇拆解 financial-services 套件裡 Agent、Skill、Command、Connector、Managed-agent wrapper 五層的分工與依賴關係,以及為什麼所有東西都是純 markdown/JSON、沒有 build step。
Auto Agent System - Part 1 - 系統總覽:一個 CrewAI 多代理自動化平台如何運作
從 0 認識 agent_auto_system:一個用 CrewAI 打造、能透過 API 與網頁介面定義並執行 AI 自動化任務的平台。本篇拆解它的整體架構、11 種任務類型、最核心的 Harness 引擎層,以及一個請求從按下按鈕到拿到結果的完整資料流。
Anthropic Financial Services 入門 Part 1 — 怎麼安裝、怎麼用
Anthropic 官方開源的 financial-services 套件,把投資銀行、股票研究、私募股權、財富管理最常見的工作流程,包成 Claude 的 Agent 和 Skill。本篇講清楚怎麼在 Cowork 和 Claude Code 裡安裝它、怎麼選你需要的 Agent 或 Vertical Plugin,以及裝完之後第一次該怎麼用。
Langfuse 入門 Part 4 — 監控與 Prompt 管理:把實驗成果變成生產循環
系列最終篇。把前三篇的追蹤與評估收進日常營運:用監控儀表板盯緊成本、延遲、品質的趨勢與異常;用 Prompt 管理把 prompt 從程式碼裡抽出來做版本控制,讓你改 prompt 不必改程式、不必重新部署——並把整個 LLM 工程循環完整串起來。
Langfuse 入門 Part 3 — LLM 評估:Score、LLM-as-a-Judge、Dataset 與 Experiment
LLM 應用最難的問題:你怎麼知道它『答得好不好』?本篇拆解 Langfuse 的評估體系——用 Score 量化品質、用 LLM-as-a-Judge 自動評分、用人工標註校準、再用 Dataset + Experiment 在上線前做回歸測試,把『我覺得改好了』變成『數據證明改好了』。