你好，我是 GuanLin 👋#
一位 AI 架構師，專注於科技業的 Enterprise AI 系統設計。 如果你也在想「AI PoC 做完了，然後呢」，這裡也許有你需要的東西。
我的工作核心是一件很具體的事：把企業的 AI PoC 變成真正跑得動的基礎設施。不是 Demo，不是報告，而是那種能撐起日常營運、可維運、可演進的生產級系統（Production-ready Systems）。
這條路上的斷裂點，通常不只是技術問題：
工程與現實的摩擦：測試環境的乾淨資料，到了真實環境就變成混雜的噪音；壓力測試過了，上線還是會遇到無法預期的突發併發；本機開發時沒想到的資安與合規問題，到了上雲或雲地結合（Hybrid Cloud）時才真正浮上檯面。——但坦白說，這些技術坑都還算有解法。
更難跨越的，往往是組織與人性：第一線夥伴擔心系統上線後工作被取代，產生隱性抗拒，導致流程自動化了、做事方式卻原地踏步；決策階層則容易把 AI 想像得太無所不能，當期待與技術現實出現落差，專案很容易在中途失去支持。
這不是某個特定公司才會踩到的雷。技術可以不斷迭代，但如果這些工程與組織的摩擦力沒有被正視，系統架構做得再完美，也推不動。
我在關注什麼#
長期關注 Enterprise AI 從技術研究到商業落地的過程，技術選型、系統設計、專案推動都是持續在追的問題：
- 知識庫與 RAG 系統設計：如何讓 LLM 真正精準讀懂企業內部的異質文件——財務報表、技術規格、複雜的法規手冊與掃描檔
- Agentic AI 與應用開發：從 Prompt Engineering 到多 Agent 協同架構，探討如何讓模型在複雜的業務場景中可靠地工作
- AI 產品策略與期待管理：技術夠強但沒人用，是科技業最常見的失敗模式。如何做好期待管理，讓 AI 系統真正被使用者接受並使用
- 工程落地與維運成本：從 PoC 到正式上線的最後一哩路——包含資安合規、地端／雲端成本優化與維運架構
- 資料工程（Data Engineering）：數據是 AI 的地基，沒有清洗乾淨、結構化的數據，再強大的模型都是空談
這個部落格的由來#
GuanLin’s Latent Space 取名自機器學習中的「潛在空間（Latent Space）」——一個高維度的語義空間，承載著模型對世界的理解。
我想讓這個部落格成為我的潛在空間：把每一段學習歷程、每一次實作踩坑、每一篇讓我改變想法的內容，都留下痕跡。
不是因為我已經什麼都懂，而是因為把學習過程公開這件事本身有價值——對未來的我是記錄，對碰巧看到的你，也許是一個有用的參考點。
這裡會有研究整理、架構思考、實作筆記，偶爾也有一些對 AI 落地實踐更宏觀的觀察。
聯繫我#
這裡的文章如果讓你有想法，或者你正在處理類似的 Enterprise AI 問題，歡迎直接在 LinkedIn 找我交流。