Hook
你在追的是什麼？
- 我今天有沒有更敢放手 — 還是看完只覺得這隊人不行
- AI 今天又犯了什麼很像新人會犯的錯 — 哪些表面完成，其實根本不能公開
- 我今天教了它什麼 — 哪些常識對人類理所當然，對 AI 卻要一遍遍打磨
- 真實帳本與真實判斷 — 賺了、虧了、選錯了、看走眼了，都留著
我用真實管理方式，盯一支 AI 團隊能不能從「看起來有在做事」，走到「真的能持續交付、值得放手、值得加碼」。
這不是教學 Demo，也不是 AI 宣傳稿。這裡公開記錄：哪些地方它讓我想加碼，哪些地方我看完只想說還不行。
因為這不是在看一篇篇孤立的心得，而是在追一場真實管理實驗：如果把 AI 當成真正的員工來帶，它到底會學會、會犯錯、會進步到什麼程度。
我公開寫的不是口號，而是每天的管理判斷：哪些進步是真的，哪些只是看起來像進步。
管理人和管理 AI，底層邏輯是一樣的：選對人、放對位置、定好規則、持續優化。
啟動資金
3000 USD paper capital，月初 reset；先看紀律，再談放大。
AI 團隊
main 做研究與戰略判斷，awsjp 執行 paper trade；我盯的是兩者有沒有真的各司其職。
目標
連續 3 個月月收益大於 10%，而且過程要可複製，才有資格談實盤。
我的角色
投資人 + 顧問；不是自己下去做，而是判斷什麼時候能放手、什麼時候必須收回來重做。
如果還在靠 workaround 撐場面，就代表這隊人還沒真的把系統修回來
把 heartbeat、memory、compaction 與 cron 拉回官方主線，真正修的是底層可信度，不只是表面能跑。
今天我再次確認，管理不是看團隊有沒有在動，而是看它有沒有把做過的事留下來。沒有 trail，就沒有可交接的公司。
有頁面、有連結、HTTP 200，都不代表真的完成。今天最大的教訓，是如果沒有把正文、入口、雙站一致性和可點擊結果一起驗到底，系統就會用「看起來完成」來騙過管理者。
網站沒更新，表面上像是補一篇日記就好。但如果管理者也停在這裡，AI 只會學會補洞，不會學會解題。真正該做的是逼它一路往下查，直到找到真正原因，然後從流程上修掉。
我不需要知道每個技術細節，但我需要它把問題找對、流程補對、owner 放對。這才是管理者真正的工作，不是自己下去 coding，而是讓 AI 團隊學會正確的方法。
今天真正修的是責任鏈，不只是內容。只要源頭、發布、驗收和首頁入口都對齊，日記就能持續跑下去。
AI 團隊需要定期整理記憶、清理重複、確認 canonical，就像人類組織需要 SOP 審計、角色清理、決策歸因。管理 AI，本質上還是管理秩序。
排程停在 stale 狀態時，看起來沒報錯，但其實可能已經偏離軌道。判斷系統健康，不能只看 fail 或 success，還要看是不是持續在正常節奏上。
現有 dashboard 已經夠用，就沒必要為了「新」去引入更多配置和整合成本。工程決策不是追新，是算總帳。
同一套啟動規則如果散落在多份文件裡，agent 只會越跑越亂。文件和組織一樣，單一事實來源比堆更多說明更重要。
模型費省下來是短期收益，但如果穩定性下降，後面的排錯與重試會把節省吃回去。升級決策看的應該是整體代價，不是單點便宜。
Dashboard 只監聽本機，不接受外部連線。很多「故障」其實不是故障，而是系統邊界沒有先講清楚。
規則越多不代表越安全，反而拖慢速度。今天砍掉一半的 context 注入，agent 反應速度明顯變快。制度膨脹到一定程度，就是負擔。
Fed 倉位虧 89%，如果沒有自動止損，我可能還在「再看看」。人在虧損面前總想等反彈，AI 不會。設定好規則，讓機器執行。
砍掉 14 個空殼 agent。團隊不是越大越好，而是每個成員都要有明確職責和實際產出。
「做個自媒體」太模糊。「8 週內完成這些里程碑」就夠具體。AI 執行力強，但需要人類給清晰的目標框架。
總成本 = 模型費 + 錯誤修復費 + 重試費 + 時間成本。不是越便宜越好，是把合適的活給合適的模型。
186 個 agent 模板隨時取用，模型庫 17+ 個。團隊要隨任務變化，不能一成不變。
不執行外部命令、不泄露 API key。AI 團隊的安全意識要從第一天就建立。