飛鼠ai創客實驗室 Polatouche's AI Maker Lab.

21/07/2026

AI 圈又出現一個新名詞：Graph Engineering。

簡單來說，AI 正在從：

聽懂你要什麼
→ 記得背景與脈絡
→ 會使用工具做事
→ 能自己檢查與修正
→ 多個 AI 可以分工合作

也就是從一個「回答問題的聊天機器人」，慢慢走向一套真正能把事情做完的 AI 系統。

未來真正拉開差距的，可能不再只是誰比較會寫 Prompt，
而是誰能設計出一套讓 AI 可以持續工作、自我修正、彼此協作的流程。

我把它整理成這張圖，讓概念更容易理解。

你覺得現在大部分公司，實際走到哪一個階段了？

13/07/2026

GPT-5.6 Sol「272K 雙倍計費」與 Codex 額度消耗：一次整理

最近很多人在討論：
「Codex 額度掉很快，是不是因為 GPT-5.6 Sol 超過 272K Context 後就會雙倍計費？」我查了一下官方資訊與 OpenAI 員工的澄清，整理如下：
---

① API 的「272K Long Context Pricing」是真的 ✅

官方 API Pricing 的確有這個規則：
當 Input Context > 272K Tokens 時：
- Input：$5 → $10 / 1M tokens
- Cached Input：$0.5 → $1
- Output：$30 → $45
而且不是「超過的部分」才加價，而是：
整個 Request 都改用 Long Context Pricing。
所以如果你是 API Developer，這點一定要注意。
---

② 但 OpenAI 已澄清：這不適用於 ChatGPT / Codex 訂閱方案 ✅

OpenAI 員工已經公開澄清：
272K 以上雙倍計費，只是 API Pricing。ChatGPT Plus / Pro / Business / Codex 的使用額度，不是依照這張 API 價格表直接換算。
也就是說：
❌「超過 272K，所以 Codex 額度直接兩倍消耗」
目前沒有官方證據支持這個推論。
---

③ 那為什麼很多人覺得 GPT-5.6 的 Codex 額度掉得比較快？

比較合理的原因反而可能是：

• Context 越來越大

長時間工作時：
- 程式碼
- Tool Output
- 測試結果
- Error Log
- 修改紀錄
- 對話
都會一直累積。
即使沒有雙倍計費，
每一輪 Request 還是要重新帶入更多 Context，
所以 Token 自然會一直增加。
---

• GPT-5.6 Sol 推理本來就比較重

Reasoning 更深、
Tool Call 更多、
Output 更長，
完成同一件事情，本來就可能使用更多 Tokens。
---

• Sub-Agent 開太多

OpenAI 也特別提醒：
Ultra 模式如果同時跑很多 Agent，
每個 Agent 都要帶自己的 Context，
Token 消耗會增加得非常快。
---

• Reasoning Level 設太高

如果不是非常困難的問題，
High / Extra High Reasoning 不一定值得。
降低推理等級，
通常可以有效降低 Token 消耗。
---

④ 那有人建議修改 Codex Config，要不要改？

有人建議：
```
model_context_window = 272000
model_auto_compact_token_limit = 240000

```
目的其實是：
讓 Codex 提早 Compact（摘要化 Context）。
這樣每輪送出的 Context 可以變小，
因此：
✔ Token 消耗可能降低
✔ 長任務可能更耐用
---
但是：
Compact 本質就是摘要。
所以仍然可能遺失一些資訊，例如：
- 為什麼當初選這個架構
- 已經踩過哪些坑
- 曾經測試失敗的方法
- 早期需求限制
- 跨檔案決策脈絡
因此：
Compact 是 Token 與完整記憶之間的取捨（Trade-off）。
---

我的結論

目前看起來，真正的狀況應該是：
✅ API 超過 272K 確實有 Long Context Pricing。
✅ ChatGPT / Codex 訂閱方案，目前沒有證據顯示會因超過 272K 而直接「雙倍扣額度」。
✅ 長時間使用 Codex，額度掉得快，更可能是：
- Context 不斷累積
- GPT-5.6 推理更重
- Sub-Agent 過多
- Reasoning 等級過高
- Tool Call 增加
共同造成，而不是單一的「272K 門檻」。
---

如果想讓 Codex 更耐用，會優先建議：

✅ 維持或恢復預設 Codex 設定（除非真的了解調整的影響）
✅ 降低 Reasoning Level（一般 Coding 多數情境就很夠用）
✅ 不要一次開太多 Sub-Agent
✅ 長時間專案可考慮適度提前 Compact，但要理解它是「降低 Context」而不是「避開雙倍計費」。
希望這篇可以幫大家把 API Pricing 與 ChatGPT/Codex 訂閱額度 這兩件事釐清，避免把兩種不同的機制混為一談。

12/06/2026

台灣在 AI 硬體供應鏈很強，但在 AI 應用市場、企業導入、模型授權與國際 AI 生態系裡，能見度偏弱。

一、Anthropic 不在台灣設點，是一個市場訊號

Ben Mann 說「會從日本派人過來」，意思很像是：
台灣目前不是 Anthropic 亞太布局的一級市場，而是由日本據點支援。

這不只是面子問題，而是代表：

* 台灣企業拿不到最即時的導入支援
* 大型模型公司不一定會優先理解台灣產業場景
* 台灣在企業 AI 應用、資安 AI、模型合作上的談判籌碼不足

Anthropic 近期確實持續擴大 Project Glasswing，並把 Mythos 相關能力開放給約 150 個、15 國以上的受信任組織，但這類高敏感模型不是一般公開使用，而是選擇性授權。

二、台灣 AI 的強項是「硬體」，弱項是「應用落地」

Computex 上 NVIDIA、AMD、Intel 等重量級人物齊聚台灣，代表台灣在 AI server、晶片、供應鏈、散熱、製造方面仍是世界中心。

從 AI application / enterprise adoption 的視角來看，台灣並不是中心。

也就是說，台灣很會做 AI 的「基礎設施」，但比較少被全球 AI 公司視為：

* 大型企業 AI 導入市場
* SaaS / AI agent 應用市場
* 垂直產業資料場景市場
* 高價值模型授權市場
* AI safety / cybersecurity 合作市場

三、AI 真正缺的不是模型，而是「導入工程師」

MIT 相關報導指出，企業 GenAI 專案高比例失敗，問題常不是模型不夠好，而是企業內部流程、工具整合、資料銜接與落地能力不

「我們在日本有公司，會持續從日本派人過來。」

這是Anthropic共同創辦人曼恩（Ben Mann）上週訪台時，被問到「何時在台灣設公司」的回答。一句聽起來尋常的話，在台灣沒引起太多討論，卻反映出台灣在AI時代的一大隱憂：應用弱勢。

過去一年，Anthropic陸續在印度、日本、韓國、澳洲設了辦公室，新加坡據點也快成立，但台灣顯然不在他們的計畫之中。

設不設辦公室為什麼重要？這代表一家公司對市場的看重程度，也決定願意投入的資源、能提供的支援深度與即時性。MIT的研究指出，高達95%企業的生成式AI專案沒能帶來實質獲利，這也是為什麼能進駐企業、實地協助導入的工程師，成了AI時代最搶手的職缺之一。沒有在地團隊，企業就少了一層即時支援。

更關鍵的是模型授權。Project Glasswing是基於Anthropic訓練出的Mythos模型而起的一項資安協作計畫。他們發現Mythos具備強大的軟體漏洞挖掘能力，為避免遭濫用決定暫緩釋出，僅供部分機構使用該模型的權限。日前已釋出給英國、歐盟、日本、南韓、加拿大等逾15國、超過150個機構。

光是韓國，就有韓國科學與ICT部、韓國網路安全機構KISA，還有三星、海力士、SK 電信被選中，而台灣則不在其列。這當中少數和台灣有深度連結的，是在日本上市的趨勢科技。

為什麼台灣市場不容易被看見？

最終，這還是回到商業現實。根據Anthropic的數據，韓國不論Claude總用量還是人均用量，都排進全球前五。台灣人口本來就少，再加上重硬輕軟，以及產業以中小企業為主，從AI需求用量來說，本來就不容易被這些AI公司看見。

今年Computex，黃仁勳、蘇姿丰、陳立武全到齊，台灣在AI硬體世界的中心地位毫無疑問。但如果改從AI應用的視角，卻完全翻轉。

如何加大台灣在AI應用市場的能見度與談判力，是我們重拾硬體驕傲與歡慶台股創新高之餘，必須用心思考的關鍵課題。

03/06/2026

2026 Taipei GTC NVIDIA 黃仁勳演講重點圖解