GuanLin’s Latent Space#
在機器學習裡，「潛在空間（Latent Space）」是模型用來理解這個世界的高維度語義空間——所有的知識、關聯、判斷，都壓縮在裡面。
我把這個 blog 取這個名字，是因為我想讓它做一樣的事：把我在 Enterprise AI 這條路上，每一次學到的東西、每一次踩到的坑、每一次改變想法的過程，都留下來。
不是因為我已經什麼都懂。而是因為把這些過程公開，對未來的我是記錄，對碰巧走在同一條路上的你，也許是個有用的參考點。
「AI PoC 做完了，然後呢？」#
在把 AI 帶進企業生產環境的路上，我踩過最深刻的坑，往往不是模型不夠大或參數不夠準，而是那些在 Demo 簡報上看不見的摩擦力：
- 當乾淨的資料遇上真實世界：本機測試時一切完美的 RAG 系統，上線後面對的是企業內部幾十年的複雜法規、格式雜亂的財務報表，和充滿噪音的多模態掃描檔。
- 當前沿技術遇上組織現況：我們可以用 LangGraph 刻出精準的 Agent 協同架構、用 vLLM 把推論效能優化到極致。但如果地端的資安合規卡住、如果第一線維運的人不知道怎麼接手、如果決策階層的期待與技術現實出現落差，專案就會在中途死掉。
技術可以不斷迭代，但如果工程與組織的摩擦力沒有被正視，系統架構做得再完美，也無法真正落地。
我喜歡研究的，就是「看起來能跑」跟「真的能長期跑、而且不是你也能維護」中間，到底差了哪些細節。
我在關注什麼#
這些是我現在真的在做、也會繼續做下去的東西：
- 企業級 RAG 系統：不只是把文件塞進向量資料庫。真正難的是讓系統能處理企業裡那些年代久遠、格式混亂、來源不一的文件，然後還要能穩定回答問題。
- Agentic Systems：多個 Agent 協同聽起來很酷，但要讓它在生產環境裡穩定跑、不會在奇怪的地方出錯，需要踩很多坑。
- 地端與雲端基礎設施：很多企業不是不想上雲，而是資安合規、資料落地的限制讓他們沒辦法全上。混合雲架構是很多人繞不過去的現實。
- AI 產品策略與期待管理：技術做好了，但沒人用——這是我看過最多次的失敗。讓對的人在對的時機理解這個系統能做什麼、不能做什麼，其實跟架構本身一樣重要。
我相信的事#
上了 production，事情才開始變真實。 本機跑得順、測試通過、demo 很漂亮——然後上線，就開始出現你沒預料到的問題。這不是壞事，但得從一開始就預設它會發生。
組織問題比技術問題更難解。 我看過不少 AI 專案，死掉的原因不是模型不夠強，而是沒有人真的在用它。或者大家期待它做到它做不到的事，失望之後就放棄了。這種問題就不能靠改程式解決。
能讓別人維護，才算真的做完。 若要交接，新owner能不能接手？這個問題我覺得應該在設計的時候就想清楚，而不是做完再說。
這裡會有什麼#
- 實作筆記：RAG、Agentic Systems、推論優化——不是介紹概念，而是記錄真的在做的時候遇到什麼問題、怎麼解的
- 架構思考：從 PoC 到 production 中間那段沒人寫清楚的東西
- 踩坑紀錄：那些 demo 看起來沒問題、上線之後才爆的細節
- 偶爾的宏觀觀察：對 Enterprise AI 落地這件事更大視角的一些想法
聯繫與交流#
如果你正在處理類似的 Enterprise AI 生產級落地問題，或者對這裡的文章有想法，歡迎隨時交流：