① 關於高手

企業導入 AI 的瓶頸不在模型,而在資料、治理與安全

李偉俠(Vincent)軟體開發經驗超過 15 年,經歷手機 App、SaaS、區塊鏈到 AI。曾共同創辦矽谷新創,其數位學習 App 獲大型教育集團收購,也曾任區塊鏈金融科技公司技術長,平台最高存放 1 億美元數位資產。現在他是維絡曲線(Velocity Curve)共同創辦人,協助企業導入 AI,範圍涵蓋 AI 治理、資安與基礎設施,讓 AI 從個人試用走進日常營運,同時管得住風險。

他的代表案例之一是美國進口食品 B2B 電商平台 Gourmet Food Marketplace(GFM)。這家公司團隊精簡,上架超過 3,000 種品項,每週卻要花大量時間處理 Excel、庫存補貨、供應商和買家訂單與物流路線等工作,因此迫切需要 AI 和自動化解決方案降低營運成本。

他先讓懂業務的人用 Claude Code 自己做小工具,再搭建 AI agent 專用資料庫、API 權限與多層護欄。在這個基礎上,GFM 團隊自建約 20 個 agent,每週例行營運工時從約 130 小時降到約 23 小時。

他認為企業導入 AI 的瓶頸不在模型,而在資料、治理與安全。AI 可以提案,但不能自己做不可逆的事;系統提示詞可以被繞過,必須從 API 權限等底層架構隔離風險。企業掌握自己的 AI 基礎設施後,轉型就能隨業務需求擴展。

② AI 落地應用

以 Agentic Engineering 搭好護欄,讓企業放心擴充更多 AI 代理

護欄式賦能:讓業務團隊在邊界內自建 AI agent

痛點|流程散落在 Excel 與人工作業,每增加一項自動化都要排開發時程,業務端等不及。解法|先定義規格、限制條件與品質標準,搭好安全的 AI 基礎設施,再讓懂業務的團隊用 Claude Code 在邊界內自建 agent。成效|以 GFM 為例,團隊自建約 20 個 agent,每週例行營運總工時從約 130 小時降到約 23 小時,負責人得以把時間轉回業務開發與行銷策略。

補貨、路線與商品上架自動化

痛點|補貨時點與數量、配送路線仰賴人工記憶與 Excel 試算,有保存期限的商品更容易出錯。解法|由 agent 處理需要判斷的部分;棧板堆疊、路線這類確定性計算交給數學演算法,不交給 LLM。成效|在 GFM,補貨規劃、商品陳列、配送路線等工作,工時縮減約五成至八成以上;單一商品上架從 45 分鐘縮短為 6 至 10 分鐘。

AI agent 專用資料庫與損害範圍控管

痛點|企業擔心 AI 產生幻覺、亂改價格或下錯指令,直接影響正式營運系統。解法|建立獨立的 AI agent 專用資料庫,從正式環境單向同步資料,禁止 AI 直接寫入正式環境。寫回前再加上硬性限制(例如調價範圍上限)與人工確認(例如寄信、訂貨單)。成效|即使 AI 出錯,損害也只限於隔離區,不會波及正式營運系統。

API 權限隔離,防範提示詞注入

痛點|客服表單、Email 等外部輸入可能藏有惡意指令,而 AI 無法區分「指令」與「資訊」;系統提示詞也可以被繞過。解法|從 API 權限層設防,處理外部輸入的 agent 根本不具備調用敏感客戶資料 API 的權限;所有 agent 都採權限隔離、全程 Log 稽核與異常警報。成效|從架構層面降低客戶資料外洩風險,每個 agent 的動作都可追查。
④ 我也想這樣落地 AI

留下痛點,聯盟顧問與你聯繫