#ai-learning
2026-11-03
1- 🙌1
2
2026-11-04
Spacedock 是一個無依賴的多代理編排器（multi-agent orchestrator），可無縫整合至 Claude Code、Codex 或 Pi 等現有工具中，確保所有工作在推進前都必須經過明確的決策與審查。根據 Spacedock 儲存庫的說明，其核心功能包括：
• *結構化審批閘道*：將工作拆分為多個階段，每個階段結束時會彙整證據與預定標準，交由人類或指定的代理進行核准、退回或升級處理。
• *對抗性審查（Adversarial Review）*：代理程式無法審查自己的產出。審查會在獨立階段以全新的上下文進行，以嚴格檢視缺乏證據或無效的工作。
• *決策軌跡記錄*：每個決策閘道都會留下包含調查結果、裁決與原因的永久紀錄，方便未來追溯決策的根本原因。
• *動態優化標準*：當預設標準在實務上顯得模糊時，代理會主動提議修改書面準則，並透過除錯機制（debrief）將單次任務的經驗傳承給未來的對話。
• *批次與非同步工作流*：使用者可將多項工作排入佇列，由代理程式自動推進各階段，人類只需在決策點出現時進行批次審核，避免頻繁被中斷。
• *環境隔離與沙盒*：會更動共用狀態的階段會在獨立的 Git 工作區（worktree）中執行，並原生支援沙盒整合。
• *突破上下文限制*：當代理程式耗盡上下文長度限制時，系統會由繼任的代理接手並延續當前執行中的工作。
• *結構化審批閘道*：將工作拆分為多個階段，每個階段結束時會彙整證據與預定標準，交由人類或指定的代理進行核准、退回或升級處理。
• *對抗性審查（Adversarial Review）*：代理程式無法審查自己的產出。審查會在獨立階段以全新的上下文進行，以嚴格檢視缺乏證據或無效的工作。
• *決策軌跡記錄*：每個決策閘道都會留下包含調查結果、裁決與原因的永久紀錄，方便未來追溯決策的根本原因。
• *動態優化標準*：當預設標準在實務上顯得模糊時，代理會主動提議修改書面準則，並透過除錯機制（debrief）將單次任務的經驗傳承給未來的對話。
• *批次與非同步工作流*：使用者可將多項工作排入佇列，由代理程式自動推進各階段，人類只需在決策點出現時進行批次審核，避免頻繁被中斷。
• *環境隔離與沙盒*：會更動共用狀態的階段會在獨立的 Git 工作區（worktree）中執行，並原生支援沙盒整合。
• *突破上下文限制*：當代理程式耗盡上下文長度限制時，系統會由繼任的代理接手並延續當前執行中的工作。
Looks similar to github.com/Nanako0129/pilotfish
作者還都是台灣人 lol
Spacedock 是一個無依賴的多代理編排器（multi-agent orchestrator），可無縫整合至 Claude Code、Codex 或 Pi 等現有工具中，確保所有工作在推進前都必須經過明確的決策與審查。根據 Spacedock 儲存庫的說明，其核心功能包括：
• *結構化審批閘道*：將工作拆分為多個階段，每個階段結束時會彙整證據與預定標準，交由人類或指定的代理進行核准、退回或升級處理。
• *對抗性審查（Adversarial Review）*：代理程式無法審查自己的產出。審查會在獨立階段以全新的上下文進行，以嚴格檢視缺乏證據或無效的工作。
• *決策軌跡記錄*：每個決策閘道都會留下包含調查結果、裁決與原因的永久紀錄，方便未來追溯決策的根本原因。
• *動態優化標準*：當預設標準在實務上顯得模糊時，代理會主動提議修改書面準則，並透過除錯機制（debrief）將單次任務的經驗傳承給未來的對話。
• *批次與非同步工作流*：使用者可將多項工作排入佇列，由代理程式自動推進各階段，人類只需在決策點出現時進行批次審核，避免頻繁被中斷。
• *環境隔離與沙盒*：會更動共用狀態的階段會在獨立的 Git 工作區（worktree）中執行，並原生支援沙盒整合。
• *突破上下文限制*：當代理程式耗盡上下文長度限制時，系統會由繼任的代理接手並延續當前執行中的工作。
• *結構化審批閘道*：將工作拆分為多個階段，每個階段結束時會彙整證據與預定標準，交由人類或指定的代理進行核准、退回或升級處理。
• *對抗性審查（Adversarial Review）*：代理程式無法審查自己的產出。審查會在獨立階段以全新的上下文進行，以嚴格檢視缺乏證據或無效的工作。
• *決策軌跡記錄*：每個決策閘道都會留下包含調查結果、裁決與原因的永久紀錄，方便未來追溯決策的根本原因。
• *動態優化標準*：當預設標準在實務上顯得模糊時，代理會主動提議修改書面準則，並透過除錯機制（debrief）將單次任務的經驗傳承給未來的對話。
• *批次與非同步工作流*：使用者可將多項工作排入佇列，由代理程式自動推進各階段，人類只需在決策點出現時進行批次審核，避免頻繁被中斷。
• *環境隔離與沙盒*：會更動共用狀態的階段會在獨立的 Git 工作區（worktree）中執行，並原生支援沙盒整合。
• *突破上下文限制*：當代理程式耗盡上下文長度限制時，系統會由繼任的代理接手並延續當前執行中的工作。
Looks similar to github.com/Nanako0129/pilotfish
作者還都是台灣人 lol
Replied to a thread: 2026-11-04 16:38:54
Spacedock 是一個無依賴的多代理編排器（multi-agent orchestrator），可無縫整合至 Claude Code、Codex 或 Pi 等現有工具中，確保所有工作在推進前都必須經過明確的決策與審查。根據 Spacedock 儲存庫的說明，其核心功能包括：
• *結構化審批閘道*：將工作拆分為多個階段，每個階段結束時會彙整證據與預定標準，交由人類或指定的代理進行核准、退回或升級處理。
• *對抗性審查（Adversarial Review）*：代理程式無法審查自己的產出。審查會在獨立階段以全新的上下文進行，以嚴格檢視缺乏證據或無效的工作。
• *決策軌跡記錄*：每個決策閘道都會留下包含調查結果、裁決與原因的永久紀錄，方便未來追溯決策的根本原因。
• *動態優化標準*：當預設標準在實務上顯得模糊時，代理會主動提議修改書面準則，並透過除錯機制（debrief）將單次任務的經驗傳承給未來的對話。
• *批次與非同步工作流*：使用者可將多項工作排入佇列，由代理程式自動推進各階段，人類只需在決策點出現時進行批次審核，避免頻繁被中斷。
• *環境隔離與沙盒*：會更動共用狀態的階段會在獨立的 Git 工作區（worktree）中執行，並原生支援沙盒整合。
• *突破上下文限制*：當代理程式耗盡上下文長度限制時，系統會由繼任的代理接手並延續當前執行中的工作。
• *結構化審批閘道*：將工作拆分為多個階段，每個階段結束時會彙整證據與預定標準，交由人類或指定的代理進行核准、退回或升級處理。
• *對抗性審查（Adversarial Review）*：代理程式無法審查自己的產出。審查會在獨立階段以全新的上下文進行，以嚴格檢視缺乏證據或無效的工作。
• *決策軌跡記錄*：每個決策閘道都會留下包含調查結果、裁決與原因的永久紀錄，方便未來追溯決策的根本原因。
• *動態優化標準*：當預設標準在實務上顯得模糊時，代理會主動提議修改書面準則，並透過除錯機制（debrief）將單次任務的經驗傳承給未來的對話。
• *批次與非同步工作流*：使用者可將多項工作排入佇列，由代理程式自動推進各階段，人類只需在決策點出現時進行批次審核，避免頻繁被中斷。
• *環境隔離與沙盒*：會更動共用狀態的階段會在獨立的 Git 工作區（worktree）中執行，並原生支援沙盒整合。
• *突破上下文限制*：當代理程式耗盡上下文長度限制時，系統會由繼任的代理接手並延續當前執行中的工作。
- 💡1
2026-11-07
Looks similar to github.com/Nanako0129/pilotfish
作者還都是台灣人 lol
2026-11-09
昨天大松時 @sean076 跟我推薦可以用 NVidia 的 Nemotron
我剛剛拿立法院文件試了一下，AI 測試結果如下：
``` 速度（4090，同樣 10 頁）
┌─────────────────┬──────────────────┬───────────────────────────────┐
│ │ PaddleOCR v3-cht │ Nemotron v2 multilingual │
├─────────────────┼──────────────────┼───────────────────────────────┤
│ 每頁 │ 2–4 秒 │ 0.05–0.13 秒（快 20–40 倍） │
├─────────────────┼──────────────────┼───────────────────────────────┤
│ 10 頁一次整批送 │ — │ 3.9 秒，GPU 記憶體峰值 16.7GB │
└─────────────────┴──────────────────┴───────────────────────────────┘
逐頁送反而比整批送快很多，整批送大圖又慢又吃記憶體。
辨識品質：這是問題所在
拿同一頁預算報告比較（原文是「用於辦理重大政策及法案之研析」）：
- PaddleOCR：「用放辦理車大政策尺法菜之升香」，錯字多，但字數對得上。
- Nemotron：「用於辦辦重重政策策法案案之研」。
Nemotron 有兩個大毛病：
1. 字會重複，像「辦辦重重」「以以以限限」「計計」，幾乎每行都有。把偵測解析度從 1024 拉到 2048 會好一點，但還是到處都是；換文字合併方式完全沒有改善，看起來是模型本身處理繁中長行的問題。
2. 繁體會被轉成簡體：「单位」「预算」「决议」「科学」，原文都是繁體。
它也有比較好的地方：句子大致讀得通，一些 PaddleOCR 認錯的字它認對了，像「114 年度」「延攬」「先進顯微影像」。
我的判斷
- 重複字和簡體字會直接污染資料，而且很難事後自動修正。PaddleOCR 的錯字至少不會改變文字長度和結構。所以目前不建議換成 Nemotron，跟 NVIDIA 自己公布的「真實文件上錯誤率約是 PaddleOCR 的 2 倍」一致。
- 這次只測了 10 頁，而且是品質偏差的掃描檔。如果你有乾淨的數位文件（例如網頁截圖或清楚的 PDF 轉圖），它的表現可能會好很多，那種情境倒是可以考慮拿它的速度優勢來用。
- MacStudio 不能跑，原因上次說過了（只支援 CUDA）。```
我剛剛拿立法院文件試了一下，AI 測試結果如下：
``` 速度（4090，同樣 10 頁）
┌─────────────────┬──────────────────┬───────────────────────────────┐
│ │ PaddleOCR v3-cht │ Nemotron v2 multilingual │
├─────────────────┼──────────────────┼───────────────────────────────┤
│ 每頁 │ 2–4 秒 │ 0.05–0.13 秒（快 20–40 倍） │
├─────────────────┼──────────────────┼───────────────────────────────┤
│ 10 頁一次整批送 │ — │ 3.9 秒，GPU 記憶體峰值 16.7GB │
└─────────────────┴──────────────────┴───────────────────────────────┘
逐頁送反而比整批送快很多，整批送大圖又慢又吃記憶體。
辨識品質：這是問題所在
拿同一頁預算報告比較（原文是「用於辦理重大政策及法案之研析」）：
- PaddleOCR：「用放辦理車大政策尺法菜之升香」，錯字多，但字數對得上。
- Nemotron：「用於辦辦重重政策策法案案之研」。
Nemotron 有兩個大毛病：
1. 字會重複，像「辦辦重重」「以以以限限」「計計」，幾乎每行都有。把偵測解析度從 1024 拉到 2048 會好一點，但還是到處都是；換文字合併方式完全沒有改善，看起來是模型本身處理繁中長行的問題。
2. 繁體會被轉成簡體：「单位」「预算」「决议」「科学」，原文都是繁體。
它也有比較好的地方：句子大致讀得通，一些 PaddleOCR 認錯的字它認對了，像「114 年度」「延攬」「先進顯微影像」。
我的判斷
- 重複字和簡體字會直接污染資料，而且很難事後自動修正。PaddleOCR 的錯字至少不會改變文字長度和結構。所以目前不建議換成 Nemotron，跟 NVIDIA 自己公布的「真實文件上錯誤率約是 PaddleOCR 的 2 倍」一致。
- 這次只測了 10 頁，而且是品質偏差的掃描檔。如果你有乾淨的數位文件（例如網頁截圖或清楚的 PDF 轉圖），它的表現可能會好很多，那種情境倒是可以考慮拿它的速度優勢來用。
- MacStudio 不能跑，原因上次說過了（只支援 CUDA）。```