Fabric

在數位在數位開發與日常生活中，有些工具是經過深思熟慮後產生的，而有些則是「意外的產物」。Idea Pool (點子池) 的誕生，就屬於後者。這篇文章想分享的不是技術細節，而是那個開發當下的「Aha! Moment」—— 我們如何從一個單純的記錄需求，一氣呵成地演化出整套自動化生命週期。 1. 原本的初衷：捕捉那些「放鬆時的閃念」 最初的需求源於一個生活化的痛點：在生活放鬆的過程中，腦中常會有些不錯的 idea 突然冒出來，可能是對某個工具的優化靈感，或者是對文章結構的新構想。這些想法若不立刻記下來，三分鐘後就消失在記憶邊緣。 我大概描述了自己的想法與痛點，想開啟與 AI (Antigravity) 的討論。我大概描述簡單的想法與痛點，想要開啟討論，當時我腦中的想像還很模糊，可能只是一個簡單的紀錄功能，能讓我把初始想法大致描述記錄下來即可。 2. 驚訝的轉折：從「收納」到「成長」的架構 令我驚訝的是，當我們開始討論「怎麼存」時，AI 並沒有止步於建立一個文本檔，而是直接拋出了一套完整的 「點子生命週期管理」 架構，可能源自於我有說明痛點。提醒到我，如果點子只是存起來，那最後只會變成一個「數位墳墓」；點子必須能夠「成長」與「轉化」。 在短短一次的心流協作中，我們直接跳過了單純的記錄功能，設計出了三段式的運作邏輯： 特別的是 AI 結合我正練習的 2+1 快手精神，將展開與轉化架構話變成工具 A. 捕捉 (Capture) - just in 這是最底層的本能。透過 just in "我的想法"，瞬間將文字打入每季一個的 Ideas.md 檔案中。不需要管路徑、不需要切換視窗，重點在於實現那個「極低摩擦」。 B. 展開 (Expansion) - just ix 當我有空回頭看這些點子時，我最討厭的就是「想不起來當初在想什麼」。我們設計了 just ix (Idea Expansion)，調用 AI 對單一條目進行「碰撞」與「推演」。它會幫我辨識脈絡、建議實作路徑，甚至幫我想好可能的專案鏈結。 C. 轉化 (Transformation) - just it 這是整套系統的「最後一哩路」。當一個點子在 ix 階段成熟後，我們可以透過 just it (Idea Transformation) 直接將它「投射」到現實中——可能是轉化為 TASKS.md 中的一個正式任務，或是寫入知識庫。 3. 實施驗證：這不是演習，是真實的效率提升 這套系統最讓我感到驚喜的地方在於，它解決了「想法落地」的斷層。 ...

在開發 AI 應用的過程中，起初我並非直接針對「與 AI 對話」的體驗進行設計，而是希望能有一套自動化工具的支援，來 Offload (卸載) LLM 的使用負擔。但在開發過程中，意外地發展出一套極其高效的自動化開發與探勘環境，這就是 「2+1 快手」 的由來。 這不只是一套腳本，而是一種重新定義「自動化卸載」的設計哲學。 1. 原來的問題：如何讓 LLM 專注於高價值工作？ 在與 LLM 深度協作時，我發現如果所有事情都丟給模型處理，不僅成本高昂，且許多重複性的環境感知、資料檢索與動作執行工作，LLM 的表現並不穩定。 我需要一種「感官化」的自動化中樞，它能幫 LLM 處理掉繁瑣的物理邊界問題（例如：座標在哪、現在是什麼環境），讓模型專注於最後的語義合成與意圖判斷。 2. 架構說明：三位一體的演化架構 「2+1」的核心在於兩個強大的底層工具（Hammerspoon 與 Fabfile），以及一個最方便的 人機界面 (Just)： A. 第 1 核：感官與執行 (Sensory & Actuator) - Hammerspoon 這是系統的「神經末梢」與「執行器」。 物理觀察：Hammerspoon (HS) 負責持續監控物理世界的數據，如座標系統 (GPS)、航向、速度。 本能反應：當「大腦」下達指令，HS 負責執行最終的物理行動（如呼叫系統語音播報或切換 UI）。 B. 第 2 核：邏輯中樞 (Intelligence) - Fabfile 這是系統的「重型中樞」，承載著最耗資源的運算與邏輯。 AI 智力與資料對齊：調度 Gemini 執行深度邏輯判定，並與現有的本地資料庫進行檢索對齊。 它負責將感官層傳來的原始數據，轉生為具備價值的決策或內容。 C. 那個關鍵的「+1」：數位本能 (Interface) - Just 這是我目前覺得 最方便 的核心。 本能化封裝：Just 在這裡扮演了關鍵的 +1 角色。它將複雜的 HS 與 Fab 運作，封裝成人類可以直覺呼叫的「短指令」。 能力的最終成果：Just 不只是通訊協議，它代表的是「能力的最終產出」。使用者不需要理解底層如何連動，只需記住一個簡單的縮寫即可發動複雜的異質系統連動。 3. 運行優勢實證：三劍客的聯動威力 透過「2+1」架構，幾個關鍵的自動化場景得以實現： ...

本實驗記錄了如何透過 Python Fabric 構建中間層來驅動 Google Gemini CLI，解決直接操作命令列時遇到的轉義字元問題、日誌雜訊干擾，並實現模型參數的靈活配置。