一個關於知識萃取、Kafka 消費者重平衡，以及當一家公司發現他們的 AI Skill 只懂過去、卻不懂現在時會發生什麼事的故事。
內容改編自社群成員投稿。如果你也有類似的故事，或有什麼話想說但一直悶在心裡——歡迎聯絡我。下一篇也許就是你的故事。
你的公司有沒有曾經把你的經驗抽取到一個系統裡，然後又覺得沒你也夠用？
你有沒有看過一個 AI Skill 正確處理了 312 個情境，並開始擔心第 313 個出現時你人還在不在？
這就是那個故事。
第一幕 · 知識萃取
會議室沒有窗戶。三個月了。
每週一到週四，我都坐在那張塑膠椅上——錄音筆、筆電、桌上的馬克杯。對面坐著一位名叫 Caleb 的工程師。他的工作就是問我問題。
「為什麼選 PostgreSQL，不選 MongoDB？」
「為什麼重試間隔是 450 毫秒？」
「你怎麼算出那個告警閾值的？」
我回答。他記下來。錄音筆上的紅燈一直亮著。
他們把這稱作是「知識移轉計畫」。CTO 的全員信寫得很漂亮：我們正在保存數十年的組織知識，傳承給下一代工程師。
講白一點：你的經驗太貴了。我們要把它包裝成一個 Skill。
一開始我沒太當回事。每家公司都有知識管理。直到第三個月，Caleb 不再問問題了。他開始做驗證。
他調出一個我去年排查過的事件——一次正式環境故障。他要我重現診斷過程。然後他讓系統自己跑。
系統說：偵測到訊息中介層延遲飆高。450 毫秒的重試邏輯在佇列背壓下會加劇問題。建議採用自適應退避。
我讀了三遍。沒錯。那就是我的推理鏈——只是它說得比我還快。
CTO 站在我旁邊微笑。我在矽谷看過太多次那種笑容。那不是開心。那是拍板。
第二幕 · 「96.8% 準確率」
我確定事情不對勁，是驗證報告出來的那天。
一整排人坐在桌子對面——CTO、HRBP、工程副總裁，還有一位我不認識的女士，西裝外套上有顧問公司的標誌。
投影幕上只有一個數字：知識保留率：96.8%
Caleb 匯報了結果。「經過三輪驗證，這個 AI Skill 在 312 個歷史故障情境中達到 96.8% 的診斷準確率。剩餘的 3.2% 偏差是因為上下文不足而導致的次佳建議——可透過指導修正。」
掌聲響起。CEO 轉頭對我說了一句我永遠忘不了的話。
「Mark，你打造了自己的替代品。」
大家都笑了。我也笑了。還能怎麼辦？
會後我在停車場坐了很久。咖啡已經涼了。車窗外，那片一成不變的加州藍——一直都是那個顏色。手機震動了一下。是我太太傳來的訊息：你幾點回家？
我打了「快了。」又刪掉了。
我不知道該怎麼跟她說，我花了三個月把自己變成一本說明書。而一旦你把說明書寫好了，就不需要原件了。
第三幕 · 資遣
隔週一，CTO 關上辦公室門，跟我進行一對一會談。
「Mark，我不跟你繞圈子了。你的職位已經因組織重整而被裁撤。」
他把一個信封推到桌子對面。
N+3。三個月資遣費。典型矽谷式的「我們不是在解僱你，我們是在幫你轉職」。
我沒停下來就簽了。不是因為不在乎——而是因為我在走進來之前，早就把結局演練過一遍了。
我最後一天是星期五。清空桌面只花了不到四十分鐘。一個背包、一個螢幕支架、三個筆蓋——我到現在都不知道為什麼抽屜裡會有三個筆蓋。
我坐在車裡，用手機查了三件事：
- LLC 登記（加州，單一成員，70 美元，15 分鐘）
- 專業責任險（顧問業標準，約 1,200 美元/年）
- 資深基礎架構顧問的市場行情（中位數：215 美元/小時）
那天晚上，我註冊了一家公司。Mark Johnson Consulting LLC。沒有辦公室，沒有員工，沒有 VC 簡報。只寫了一條很清楚的條款：只接專案制。交付鏈不得使用 AI。
第四幕 · AI Skill 上線
第一個完整季度，這套系統成了展示品。
AI Skill 吸收了 70% 的二級維運工單。新工程師從要六個月才能上手，縮短到三週。CEO 在全員會上用了一張很俐落的投影片：
以前：Mark 花了 12 年累積的經驗都鎖在腦中。
之後：Mark 12 年的經驗可以直接用 prompt 取得。
沒有人提到 Mark 本人。他們不需要。因為他已經被包裝好了。
我太太比我更早察覺。離職後的那個週末，她在廚房看著我，說了一句我沒料到的話。
「你看起來不一樣了。」
「哪裡不一樣？」
「你坐在電腦前又不說話的時候，那種緊繃感不見了。你以前是在等事情出包，現在你是在等客戶。」
她說得對。我是在等。
我在 LinkedIn 上看到他們找了一位新的平台主管。那人做的第一件事就是重建監控堆疊。至於那個 Skill？他們在遷移到 Kafka 之後，沒有人重新跑一次驗證。為什麼要跑？打造它的人已經不在了。
第五幕 · 崩潰
事情發生在星期三凌晨 3:47。
分散式追蹤系統亮了起來。核心支付鏈路的 P99 延遲從 80 毫秒飆到 12 秒。三分鐘後，第一筆交易逾時並回滾。十分鐘後，支付佇列開始堆積。二十三分鐘後，回滾觸發連鎖反應——兩個下游服務開始拒絕請求。
值班工程師打開了 AI Skill。它掃描日誌、辨識模式，然後回傳一個診斷。
偵測到訊息中介層延遲。套用已知緩解方式：啟動帶 450 毫秒退避的重試佇列。
這個診斷在 312 個歷史情境裡，312 次都對。
這次是第 313 次。
450 毫秒的重試視窗，是我五年前為 RabbitMQ 寫的一個相容性補丁。那個數字不是隨便來的——我曾在 RabbitMQ 叢集上做了兩週壓力測試，才找出剛好能避開它的 Erlang VM GC 週期的那個間隔。
但那是 RabbitMQ。三年前就退役了。他們現在跑的是 Kafka。
Kafka 的 consumer group 使用的是基於 poll 的協定——每個 consumer 都必須依照設定間隔持續向 coordinator 進行輪詢，否則 coordinator 會把它判定為死亡並觸發重平衡。我的重試工作器是同步式的——一次處理一個訊息，再拉下一個。每輪 450 毫秒，幾十筆訊息一疊上去，poll 視窗就會被拉長好幾倍。
# Skill 的做法（450 毫秒重試視窗）
def handle_queue():
while queue_not_empty():
msg = fetch_one_message() # 一次只取一筆
retry_with_backoff(450ms) # ⏱ 每筆 450ms
process(msg)
poll_consumer() # 「還活著嗎？」→ 越拖越慢
# 當有 60 筆佇列訊息時會發生什麼
poll_timeout = 5000 # coordinator 判定死亡前的 5 秒
time_per_round = 60 * 450 # 60 筆 × 450ms = 27,000ms
# 27,000ms > 5,000ms → 錯過 poll timeout → 觸發重平衡一旦重平衡啟動，整個群組就開始震盪。新的 consumer 搶走 partition。舊訊息被重送。延遲又往上爬。原本棘手的問題，瞬間變成滾雪球。
這個 AI 執行了一個在舊架構上 100% 正確的策略。但在現在的架構上，它是在火上加油。
AI 不是因為錯了才失敗。它是因為對昨天太對了——而昨天早就沒有在跑了。
第六幕 · 來電
我的電話在凌晨 4:12 響了。
一個我好幾個月沒撥過的名字——我前任 CTO。
他的聲音很平靜。太平靜了。當工程師在凌晨四點打電話來，而且語氣還這麼穩時，就表示有東西在燒。
「Mark。我需要問你一件事。」
「問吧。」
他用三句話把事故說完。我原本以為他會問回滾策略、損害控管。但他沒有。
「你在 RabbitMQ 遷移文件裡留了一條註記。當時沒人看懂。我們以為只是過時的設定註解。我想我現在懂了。」
我往床頭一靠。房間裡唯一的光是手機螢幕。我太太在旁邊翻了個身。沒醒。
那條註記寫的是：450ms 對應 RabbitMQ 的 GC 視窗。不可在此情境外重用。
電話那頭沉默了大約四秒。
「我知道，」他說。「我沒時間了，Mark。回來吧。」
「我不是在問你要不要回來。」他的語氣變了。「我是請你回來。這個月剩下的時間我全部暫停。你來決定。你開價。」
第七幕 · 價碼
「我原本薪水的五倍。」
我聽到他倒抽一口氣。
「……成交。但我需要你到現場兩週。簽約制。自己帶設備。不得讓任何 AI 接觸你的交付鏈。」
「沒問題。把合約寄給我律師。」
我其實沒有律師。我的意思是：這件事要照我的節奏來。
掛掉電話後，我滑到一個快一年沒聯絡的名字——Mike，大學室友，法學院畢業。傳了一則訊息。
接到一份合約。方便幫我看一下嗎？
他沒回。凌晨四點，除了 IT 圈的人，還有誰醒著？
我等了一下。然後又打了五個字。這次我傳給他，其實也是傳給我自己。
這次由我來定價。
你也遇過這種事嗎？你的知識被萃取、打包成一個 Skill，變成你不再被需要的理由。然後當那個 Skill 遇到它看不懂的東西時，他們又回頭找你。難道真的沒有比「不」更好的答案嗎？
這個 Skill 記得每一個過去的情境。它只是看不見基礎架構已經改變了。
公司省下了六位數的人力成本。他們只是忘了：驗證只有在撰寫驗證的人還在時，才能重新執行。
系統當掉的時候——他們打給了誰？
追蹤我，閱讀更多關於 AI 萃取、隱性知識，以及當公司發現他們的 Skill 只記得過去時會發生什麼事的故事。
我沒辦法教 AI Skill 理解上下文。但故事還會繼續。 請我喝杯咖啡 ☕
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式
