Leon｜3D視覺 ✧ 自動化工作流

「人負責關鍵戰略決策，調度 AI 執行百倍產能。」 實戰跨界「3D 視覺」╳「全自動工作流」，交付產線級即用工具。 📌 領取避坑決策知識包 ＆ 模組化數位資產 👇
Location hidden
•
•Created byProfile pictureLeon｜設計師逆襲 AI 筆記
17 joined
Home
ProductsReviews
Profile picture
Leon｜設計師逆襲 AI 筆記Profile picture@leond3dstudio·18h

🎁【福利更新】Zeabur 遷徙 Hetzner 零代碼架構包（免寫 Docker 實戰手冊）

各位戰壕夥伴好：


今天 Zeabur 宣布 12/31 全線停運，很多人的 n8n 自動化產線與資料庫面臨斷線危機。

與其焦慮在群組刷屏，我已經把整套「從分租雅房搬入 Hetzner 獨立透天」的避難手冊與腳本打包上架至社群商店！


📦 本次交付內容（實作副產物無保留開箱）：

  1. 《指揮 Agent 遷徙 Hetzner 實戰手冊》完整 PDF：含 Docker 化、n8n/Postgres 遷移標準 SOP。

  2. 三大階段實彈 Agent 調度 Prompt 模板：環境偵測、一鍵 Compose 部署、安全金鑰輪替。

  3. 遇錯自癒急救指令包：Port 衝突、權限拒絕、SSL 申請失敗一鍵修復。


🚀 免費領取手冊與架構包：

👉 點擊商店連結直接領取：


實作過程中如果在 Hetzner 端口或金鑰輪換卡關，直接在底下留言截圖，我親自一一為你排查！

(For Global Members: All deployment templates include step-by-step instructions. Feel free to claim and plug-and-play directly!)

Profile picture
Leon｜設計師逆襲 AI 筆記Profile picture@leond3dstudio·Oct 10

Agentic AI 10-Layer Production Blueprint | Agentic AI 十層產線組裝藍圖

Universal Production-Ready Asset · Framework-Agnostic (LangChain / AutoGen / CrewAI / n8n) Stop collecting agent frameworks. Start assembling them on a layered blueprint that tells you what belongs on which tier — and which joints explode. 別再收集框架了。用一張分層藍圖，把零件插到對的那一層，並先看清哪兩個接縫會互炸。


📦 What's Inside (交付內容清單)

  • Agentic_AI_10Layer_Blueprint.pdf (Annotated decision map · 中英雙語標註)

  • Layer_Checklist.xlsx (每層選型指標 + 常見接縫死法自查表)

  • Starter_Parts_List.md (十層各一顆 Hero 零件示範清單)

  • Top100_AI_Agents_Seedlist.md (加值零件庫，供你自行擴充)

  • Commercial License Included (含個人接案與商業專案永久授權)


🚀 3-Step Quickstart (開箱即用 3 步驟)

  1. Open the Blueprint / 打開藍圖:


  • EN: Open Agentic_AI_10Layer_Blueprint.pdf and scan all ten tiers top to bottom first.

  • 中文: 打開藍圖 PDF，先由上而下掃過十層，不要急著看工具名。


  1. Seat One Hero Part per Layer / 每層先插一顆 Hero 零件:


  • EN: For each tier, pick the single recommended Hero part from Starter_Parts_List.md and wire it in.

  • 中文: 對照示範清單，每層先插一顆推薦零件，先把線接起來。


  1. Run the Joint Check / 跑接縫自查:


  • EN: Use Layer_Checklist.xlsx to verify every interface between two layers before you scale.

  • 中文: 用自查表逐條驗證「層與層的接縫」，確認沒漏接，再擴大。


🛡️ Production Fail-Safe (戰壕避坑指南)

  • EN: Most lines die not at the model but at the joint — a memory layer never aligned with the orchestration layer will loop forever, and guardrails need TWO enforcement points (input gate + model-call gate), or bad inputs get silently swallowed.

  • 中文: 產線最常炸的不是模型，是接縫——記憶層沒對齊編排層，Agent 會鬼打牆；護欄有兩個執行點（輸入端＋模型調用端），漏接一個，錯誤輸入就被默默吞掉。


Profile picture
Leon｜設計師逆襲 AI 筆記Profile picture@leond3dstudio·Oct 8

⚡ Desktop Agent Pipeline Mapping | 桌面代理管線・四層決策拓撲圖

Universal Production-Ready Asset · ChatGPT Desktop / Claude Desktop (2026) A four-layer comparison map that shows exactly where your data actually flows — and who lets you reroute it. 一張四層對照圖，讓你一眼看清桌面代理的資料到底流去哪，以及誰允許你把管線改道。


📦 What's Inside (交付內容清單)

  • Desktop_Agent_DataFlow_Map_v1.pdf (四層能力邊界對照圖 / Four-Layer Capability Matrix)

  • Local_Model_Reroute_Checklist.pdf (本機模型改道查核清單，中英對照)

  • Shared_Quota_Warning_Sheet.pdf (共用額度池踩坑警示表)

  • Commercial License Included (包含個人接案與商業專案永久授權)


🚀 3-Step Quickstart (開箱即用 3 步驟)

  1. Map Your Current Pipeline (定位你現在的管線):


  • EN: Identify which of the four layers your current tasks actually touch — inference, local model, tools/MCP, or default data flow.

  • 中文: 先確認你手上的任務實際碰到四層中的哪一層——推論、本地模型、工具 MCP，或預設資料流。


  1. Check Reroute Leverage (檢查改道槓桿):


  • EN: Verify whether your chosen desktop app actually exposes a reroute path to a local model, or only a cloud endpoint.

  • 中文: 查核你選的桌面版，是否真的提供指向本機模型的改道路徑，還是只有雲端端點。


  1. Verify Data Boundary (驗證資料邊界):


  • EN: Confirm where sensitive inputs physically land before you feed them into an agent, not after.

  • 中文: 在把敏感資料餵進 agent 之前，先確認它實際落在哪，而不是事後才補救。


🛡️ Production Fail-Safe (戰壕避坑指南)

  • EN: Shared usage pools can silently drain your chat quota when background agents run long tasks — a background agent is not a separate budget.

  • 中文: 背景代理跑長任務時，會與聊天功能共用同一池額度，可能在你不自知的情況下把當月額度一起吃掉——背景代理不是一筆獨立預算。


Profile picture
Leon｜設計師逆襲 AI 筆記Profile picture@leond3dstudio·Oct 1

你在動手架 n8n 決策流之前，先看清「JEV 到底適合做什麼、閘門該怎麼設、升級會斷在哪」，省下反覆撞牆的除錯夜——尤其那個「工作流顯示成功卻零輸出」的版本與埠位陷阱。


【應用情境的商業價值】：

  • 進站詢價分流：JEV 在清洗後、動作前做 Choice 分類，人工只碰需要判斷的中間區間

  • 客服工單分流：意圖＋緊急度雙維度，低信心一律轉真人

  • 退款申請審核：金融紅線情境，全自動與人工複核的分界靠信心閘門劃出

  • 成本可算：官方公示 $42／十億 input token（output 免費）

  • 決策可稽核：每次分流留下信心值與所屬分支


【買斷實戰包｜n8n 工作流】

  • lead_router_production.json（場景① 進站詢價分流器）


【核心架構特性】：原生 HTTP 呼叫，零社群節點相依，不需安裝額外套件；三向信心閘門 >=0.90 自動 / 0.70~0.89 人工 / <0.70 歸檔；批次平滑層正確接在 loop 埠、Batch Size = 50 並設併發上限。


【相容環境與先備條件】：n8n v2.33.7（含）之後，Node.js 20 Runtime。JEV API：TypeSafe 目前需先確認 early access 資格（未提供免費試用點數）。自架環境。


【開箱即用 3 步驟】：1. 匯入 JSON（無需安裝額外社群節點）。2. 填入 JEV API 憑證；確認批次參數維持 50 與併發上限。3. 丟 10 筆測試名單，確認三條流向各自觸發正確。


【戰壕防呆指南】：最常搞砸的兩個極端狀況——①批次節點接到 done 埠，工作流顯示成功但 AI 空轉；②憑證參數改名後靜默失效、工作流零輸出卻不報錯。防禦解法：匯入後先確認批次埠位，並跑一輪 10 筆 smoke test 再上正式批次。


💡 我已經把這套經過產線壓測的完整決策路由藍圖與工作流架構打包完畢，收錄在我的 Whop 個人社群。

社群完全免費加入（不需綁信用卡，免費內容直接看，進階實戰資源隨你自由選擇）。


📌 專屬檔案領取路徑：

👉 你在實作這套流程時，目前最常卡在【批次一丟就 429、整條產線靜默停擺】，還是【模型幻覺、誤殺高價值名單】？在底下留個言跟我聊聊你的狀況，我會把這套決策路由藍圖與工作流的專屬領取連結直接私訊發給你！

（若等不及私訊，個人主頁 Bio 亦有完整資源入口）


🔖 這份決策路由全景藍圖資訊量較大，可以先存下來當備忘；身邊有常踩這個坑的夥伴，也歡迎轉給他一起避坑。


#n8n #自動化流程 #AI工作流 #決策路由 #B2B名單

Profile picture
Leon｜設計師逆襲 AI 筆記Profile picture@leond3dstudio·Oct 1

上線 AI 自動分流之後，最貴的錯不是它不準，是它把一個用字很簡短、但手握百萬預算的老闆，當成垃圾信件靜默歸檔。而你三個月後才發現。


JEV 是什麼，先講清楚。它不是聊天模型，是決策模型。你餵它一段狀態（一封詢價信、一筆工單、一串 JSON），再給它一組型別化的問題，它回你一個答案＋一個校準過的分數，不吐一句廢話。型別化問題只有三種：Choice（選一個，附機率）、Score（在定義好的量表上給分）、Noul（一個 0～1 的是非機率）。它由 TypeSafe 訓練，方法叫 RLCD——把機率拿去對「結果」校準，而不是對「人類偏好」。效果是：被標成 0.9 的決策，大約九成是對的。


以一條進站詢價分流線來說，JEV 站在「清洗後、動作前」：表單/信件進站 → Code 節點清洗欄位 → JEV 節點（Choice 分類，輸出 hot／warm／cold／spam ＋ 信心值）→ 信心閘門 → 三路動作。JEV 只負責一件事：把語意判斷變成可程式化的輸出。它不做決策、不執行動作——決策閘門是你自己寫的程式碼。這正是可驗證的來源。


這套架構解決什麼問題？把「用 AI 卻不敢放權」變成「知道它每一步有多確定」。人工不再無差別翻名單，只碰中間那個需要判斷的信心區間。而「AI 初判 vs 人工覆核」的落差，會自動沉澱成決策紀錄——那不是誤差，是企業專屬的模型迭代素材。


看懂這四條，你已經能自己組出決策路由；但要把它調到「生產環境不炸」，真正貴的是版本相容性與閘門校準。


💡 我已經把這套經過產線壓測的完整決策路由藍圖與工作流架構打包完畢，收錄在我的 Whop 個人社群。

社群完全免費加入（不需綁信用卡，免費內容直接看，進階實戰資源隨你自由選擇）。


📌 專屬檔案領取路徑：

👉 你在實作這套流程時，目前最常卡在【批次一丟就 429、整條產線靜默停擺】，還是【模型幻覺、誤殺高價值名單】？在底下留個言跟我聊聊你的狀況，我會把這套決策路由藍圖與工作流的專屬領取連結直接私訊發給你！

（若等不及私訊，個人主頁 Bio 亦有完整資源入口）


🔖 這份決策路由全景藍圖資訊量較大，可以先存下來當備忘；身邊有常踩這個坑的夥伴，也歡迎轉給他一起避坑。


#n8n #自動化流程 #AI工作流 #決策路由 #B2B名單

Profile picture
Leon｜設計師逆襲 AI 筆記Profile picture@leond3dstudio·Sep 30

AI 生成代碼能跑，但隱形債會在上線後集體討回來。AI 寫扣後遺症防禦藍圖這份 PDF 提供一套「五層防禦拓撲」的決策邏輯、上線前自檢清單與翻車對照表，讓你在正式環境踩坑之前，先把防線擺到正確的位置



【內含章節（單一 PDF，共八頁）】

  • 使用前必讀：釐清「本檔負責決策、GitHub 主題頁負責選型」的分工

  • 第一章 五層防禦拓撲全景圖：生成層、提交層、PR 審查層、跨服務整合層、部署前攔截層

  • 第二章 上線前五層自檢清單：每層逐項可勾選，附合格標準631商品+.pdf

  • 第三章 四種翻車狀況對照表：狀況、底層原因、修正方向三欄對照631商品+.pdf

  • 第四章 怎麼搭配 ai-code-review repo 一起用：三步驟操作閉環與層級工具對照表631商品+.pdf

  • 第五章 補防線的順序路徑：依投報率排出第一週到第三週以後的補強順序

  • 附錄 名詞快查：diff、repo 級上下文、SAST、套件幻覺等


【戰壕防呆指南】

最容易搞砸的狀況：把 AI 審查工具當成唯一防線，結果誤報淹沒真警報、跨服務變更全數漏接。防禦解法：永遠保留一層非 AI 的規則式掃描守底線，AI 審查只做覆蓋補充；並確認你的審查工具吃得到 repo 級上下文，而不只是單檔 diff。


【來源誠實聲明】

本 PDF 內「所有開源工具只審單檔、抓不到跨服務變更」之結論，出自一份由 AI 審查產品商自行發布的實測報告，該來源對結論具商業利害，使用者引用時請自行斟酌


#AICodeReview #VibeCoding #DevSecOps #GitHubActions #Cursor

Profile picture
Leon｜設計師逆襲 AI 筆記Profile picture@leond3dstudio·Sep 27

Klarna 用 AI 接手三分之二的客服、兩年省下六千多萬美元——這故事已經被講爛了。

沒人跟你講下一段：2025 年，Klarna 把真人客服請回來了，專門處理複雜題和情緒題。Gartner 甚至預估，到 2027 年，一半原本喊著要大幅縮減客服人力的企業會收回這句話。

真正拖垮成本跟延遲的，從來不是模型不夠強。是你讓最貴的那條檢索管線，去服務最重複的問題。


💡 市面上 AI 雜音太多，別在破碎的資訊和迷宮裡反覆踩坑。

我已經把這套判斷流程整理成一份「先盤點、再動刀」的自評工具，收錄在下方連結。


【相容環境與先備條件】：

  • 靜態 PDF 報告，8 頁以內，零登入、零 API、零外部依賴，可列印、可轉寄

  • 桌面或行動裝置皆可閱讀

  • 建議先備妥一段真實客服／使用者對話紀錄再開始；抽取量依「累積覆蓋率曲線走平」決定，不強制固定筆數（想快速起步者可抽 200 則，誤差約 ±7 個百分點）

【內含檔案清單】：

  • 單一 PDF 檔案（含自檢題組、手動計算區、判讀說明與快取壓測提示）

【開箱即用 3 步驟】：

  1. 先讀 P2 的使用說明，確認「六成」是業界經驗參考線，不是學術門檻。

  2. 填寫 P3 客觀數據區與 P4 結構盤點題組；抽取樣本時連續抽到曲線走平為止，並避免只取最近時段。

  3. 在 P5 手動計算區代入數字算出覆蓋率；越過參考線 → 值得先試輕架構分流；未越線 → 場景本質需要完整檢索，別硬省。

【戰壕防呆指南】：生產環境最常搞砸的兩件事——第一，把快取相似度門檻放太鬆換取高命中率，系統會回給使用者「自信的錯誤答案」，而且你幾乎不會收到報錯，只會收到客訴。第二，用「最近的對話」抽樣算覆蓋率，結果中季節性偏誤、估計值系統性偏樂觀，上線後真實覆蓋率低於預期。取樣要看分布，不是看方便。


#RAG #檢索增強生成 #企業AI導入 #AI成本優化 #AI架構設計

Profile picture
Leon｜設計師逆襲 AI 筆記Profile picture@leond3dstudio·Sep 18

六篇《RAG落地手冊》講的是把一條線接起來：進料、索引、改寫、檢索、把關。但文章給的是流程，你真正缺的是判定依據。

我把這六篇的精華，總裝成了一份PDF：

管線總圖：一條線，七個位置。

症狀索引：不問你是誰，問你壞在哪。

白話對照頁：每關一頁，寫清「在做什麼、不做會怎樣、何時該看它」。

工具對照附錄：業界現行主流工具與計費方式（整理於 2026-09-16，無推薦，純座標對照）。

大方給，全部免費。

這份免費PDF，我幫你理清了四件事，這也是你每天開會、做決策需要拿來對照的座標：

一、默默更正的技術事實

切塊起手值：官方 SentenceSplitter 預設是 1024 tokens、重疊 200。先前網路上流傳的「重疊 20」是教學自訂值，硬套進中文長語料，上下文很容易切斷。

單機向量方案：sqlite-vss 已經終止開發，現在要走純 C 重寫、支援 WASM 的 sqlite-vec。

評估指標：Ragas 設計上是 reference-free（無需標準答案），Faithfulness 與 Relevancy 靠 LLM 當裁判就能評分；只有 Context Recall（檢索召回）是一定要標準答案的。

二、症狀對照 不問你的業務情境，只問你的系統現在是「檔案讀不到」、「段落接不起來」、「口語撈不到」還是「型號漏檢」，30 秒幫你對到該去修哪一關。

三、工具對照附錄 我把生成模型、嵌入模型、向量資料庫、解析器、評估框架的現行主流選項整理在一張表上（查證日：2026-09-16）。 不寫絕對「最優」，只寫「業界常用」；不寫死價格，只寫「計費口徑」（按 token、按頁數、按 trace 數）。你拿著這張表，去審團隊的提案或編預算，心裡會有個底。

四、三則封存案例 個人用途、內容創作、企業導入，三種情境各自獨立，你直接對號入座。


👇我整理在下方連結，歡迎追蹤訂閱 leon3d.studio 獲取更多AI相關消息。

Profile picture
Leon｜設計師逆襲 AI 筆記Profile picture@leond3dstudio·Aug 10

我做了一條 n8n 工作流，讓 AI 幫我每天做選題、發想、產文案。
流程長這樣： Jina AI + Tavily 讀情報 → 我跟 Gemini 討論價值與切入點 → 我審 Meta 文案語氣。

每個節點我都卡了一個「人類審核」。 不是全自動黑箱，是人機協作。
n8n 幫我跑流程，我做決策。 我不再被瑣事切碎時間，每天省下 2-3 小時。

這套流程跑在 Zeabur 上，月費 $11。 比一杯手搖杯還便宜的自動化產線。

下面這份筆記是給已經用我的推薦碼部署 n8n 的 VIP 成員看的。

一、你的 n8n 部署檢查清單

  • Zeabur Developer Plan ($5/月)

  • 騰訊雲東京伺服器 (2vCPU 8G RAM, $6/月)

  • 確認 n8n 版本為 release 1.37.2 以上（指向 stable 分支）

  • ⚠️ 防呆提醒：部署後第一件事，開啟 n8n 的「Credentials」設定，串好你的 API Key（Jina AI、Google Gemini、Tavily），否則節點會報錯。


二、我的 2A 工作流架構（不附檔案，附邏輯） 這條工作流的核心不是技術，是決策流程：

  1. 節點一：情報蒐集（Jina AI + Tavily）

    • 我給媒體來源清單（RSS + 指定網站）

    • n8n 自動抓取並摘要

    • 人類審核點：我每天花 15 分鐘掃過摘要，決定哪些值得深挖

  2. 節點二：價值分析（Gemini）

    • 我把選定的情報丟給 Gemini，跟它討論切入點、目標受眾、文案角度

    • 人類審核點：Gemini 給出 3 個方向後，我選一個，並修正它的語氣與事實

  3. 節點三：發布優化（Meta）

    • n8n 自動帶入文案模板與 Hashtag

    • 人類審核點：我針對 Meta 的受眾特性調整語氣，確保不是罐頭文


三、為什麼你不該全自動 很多人以為 n8n 的終極目標是「按一個按鈕，AI 幫你搞定全部」。 錯了。 n8n 最大的價值是 讓你把精力從「跑流程」轉移到「做決策」。 你要審核、要調整、要加入你的經驗判斷。 這才是 Human in the Loop 的真正意義——不是你偷懶，是你專注在更有價值的事情上。

點擊下列連結下載筆記：

Profile picture
Leon｜設計師逆襲 AI 筆記Profile picture@leond3dstudio·Aug 3

歐盟《人工智慧法案》（EU AI Act）今天生效。

罰則是全球年營收 7% 或 €3,500 萬，取其高。

誰會被涵蓋？

你的 SaaS 有歐盟用戶在用。你的 API 被歐洲開發者串接。你的 app 在柏林被下載。你的 Discord bot 被法國人下指令。你的開源模型被部署在阿姆斯特丹的伺服器上——都算。

不是看你在哪，是看你產品被誰用。

但這法案不是全有全無。它分四級：

🔴 被禁止：社會評分、公共場所即時臉部辨識 → 違法，直接停
🟠 高風險：醫療/聘僱/教育/基建/執法 → 要全套合規
🟡 透明度：chatbot、AI 生圖、deepfake、語音合成 → 加一句「這是 AI 生成的」
🟢 安全：以上皆非，目前沒事

我做了張 5 題自評卡。30 秒勾完，你就知道你中哪一級。

你下載的自評卡，記住一件事：它不是做完就丟的東西。


2027 年還有一波高風險條文會生效。歐盟 AI Office 每幾個月就會出新的指引文件。標準組織（CEN/CENELEC）正在寫合規技術標準——那些標準，才是真正決定你要做到多細的關鍵。


最後一個提醒：

法案生效 ≠ 明天就有人敲門。

但歐盟的執法風格，是先建立案例。頭幾個被罰的會變成教科書，罰金開好開滿。不要讓自己變成那本教科書的第一頁。

有問題直接問。我們都不是律師，但我們都是開發者。

#EUAIAct #AI合規 #buildinpublic #Discord社群 #法規追蹤