Wiki
個人知識庫
知識圖譜授權此裝置
Chris Oliver 談 Rails 為什麼在 AI 時代吃香：一支 1 分 44 秒的影片，和我想補的三件事
GoRails 創辦人 Chris Oliver 在 LinkedIn 一支 1 分 44 秒的短片裡，把「Rails 為什麼跟 AI 合得來」講成四句可以直接拿去說服人的話：Ruby 能被塑造成自己的方言、Rails 二十年的一致慣例本身就是 AI 的訓練資料、可讀性讓不會寫程式的人也能讀懂、入門就從讓 AI 除錯 production 錯誤開始。我同意方向，但補三件事：可讀性在醫院的價值是讓臨床端能直接驗證規則、「讓 AI 除錯」已經是兩年前的門檻該把重點放到有紀律的流程、訓練資料優勢真正撐住的其實是一致性而不是數量。另外補一節台灣同伴一定聽得懂的對照：CQL 之所以長那樣就是為了讓臨床專家自己讀懂邏輯，跟 Chris 講的可讀性是同一個目標，並給出什麼時候該用 CQL、什麼時候自己寫 Ruby DSL 的判準，關鍵問題是這條規則將來要不要離開這家醫院。最後給同伴三個可以馬上做的動作。
20 年老 HIS 逐步轉 SMART on FHIR 的可行建議書:用絞殺榕策略,一個人也推得動
我們手上已經有三張牌:一套跑了超過 20 年的傳統 HIS、一台已經架起來的 FHIR Server,還有用 Rails 加 AI coding 開發 SMART on FHIR App 的能力。這篇是一份完整、可執行的轉換建議書,主張不要整套換、也不要無限期共存,而是用「絞殺榕(strangler-fig)」策略:在老 HIS 外面包一層 FHIR 門面,新功能一律長在 FHIR 這邊,舊功能一塊一塊被標準介面接管,老 HIS 慢慢退成純資料來源直到能下線。內容涵蓋為什麼漸進、目標分層架構、五階段路線圖、你這週就能動手的第一個 PoC(把某一個唯讀資源用 FHIR façade 端出來)、PHI 資安與治理、還有 AI coding 在關鍵醫療系統上該有的把關紀律(Spectra 加臨界性光譜)。核心主張是:遷移的難點從來不是技術,是既有投資、停機風險和廠商動機,所以路線要設計成每一步都能單獨上線、單獨回滾、單獨產生價值。2026-07-27 加了一節修正:絞殺的對象是資料主權,不是使用者的操作習慣。不能無限期共存的是資料主權,使用者介面可以
Loop engineering 是什麼？
拆解新名詞 loop engineering（從 prompt→context→harness→loop 的演進，源頭是 Boris Cherny 與 Peter Steinberger），跟 TDD／SDD 放同一張表：TDD／SDD 是「真相來源」、loop engineering 是「迭代的接線」，而 TDD／SDD 正是 loop 內部那個驗證與停止的環節。對到我的 Spectra（＝SDD 加人審）與 Rails（讓迴圈收斂的地基），並收一段對這名詞的懷疑：它是不是誘你多燒 token 的 hype？結論是兩面刃，行銷版（給更多自主）燒 token、工程版（讓迴圈更快收斂、該停就停）省 token。
冰 Long Black 冰長黑咖啡做法（Bodum 350ml 隨行杯）
一張製作卡，記錄用 Bodum 350ml 隨行杯（Travel Mug 0.35L）做一杯冰 Long Black（冰長黑咖啡）的材料比例與步驟。比例是咖啡粉 18g 萃取出 40g Espresso，先在杯裡加約 120ml 冷水、加冰塊到 8 到 9 分滿，再把 40g Espresso 慢慢倒進去，蓋上杯蓋輕輕旋轉 2 到 3 圈即可，總容量約 350ml。關鍵是「先水後冰再咖啡」的順序，以及最後只輕轉不劇烈搖晃，才能保留 Crema 的香氣與油脂，讓這杯冰 Long Black 口感濃郁均勻。
火線超人 T-shirt 設計理念：把「連系統，也連人」穿在身上
火線超人 FHIRLineBot 紀念 T-shirt 的設計理念，2026-07-28 定稿版。黑底短T，正面胸口正中央 10*10CM 小 logo（衝刺姿態吉祥物，刻意不滿版，搭西裝領口敞開時自然露出）；背面 20*30CM 內分四層：KAFGH 醫療資訊室圓徽外弧排「健康台灣深耕計畫」、站姿吉祥物、兩行無標點標語 FHIRLine connects systems / FireLine connects people、紅底白字 banner TAIWAN TOP 50 SMART APP 2026；左袖國軍高雄總醫院蛇杖徽章。這一版把 07-17 版背面那排四個技術 icon（火線超人、框架、AI 代理人、Spectra）整排拿掉，理由是法務最乾淨、不跟標語搶話、工具不該印在背上。頁末保留 07-17 版的 C 方案串線構想與商標查核結論（Rails 名稱與 logo 皆為 Rails Foundation 管理的註冊商標、周邊需事前許可），供日後做其他周邊參考。
一個人也能打造的智慧醫院：Omakase Smart Hospital（演講素材）
這是我在部落格寫下的一篇宣言，主張智慧醫院真正的瓶頸不在技術，而在「非得很大不可」的成見。用 Rails、FHIR、LINE、Kamal 這些開源工具，一個人每月花幾塊錢美金就能把醫院系統跑起來。我把它整理成演講素材，核心是五件我相信的事，以及為什麼「一個人」不是限制，而是一種主張。
台灣醫院 HIS 的獨規困局，為什麼 SMART on FHIR 是唯一的出路
這篇講一件我在醫院資訊室每天都在面對的事：台灣各家醫院的 HIS 長期各做各的、彼此不通，我把這個現象叫「獨規」。每家醫院一套自己的資料模型、一套只有原廠看得懂的介面，跨院調不到資料、想接新功能都要回頭跟原廠談，貴又慢，AI 跟創新根本進不來。我認為這不是靠「再串一條介面」能解的，出路只有一條，就是把資料模型跟存取方式收斂到開放標準，也就是 FHIR。但光有 FHIR 還不夠，真正能打破廠商綁定的是 SMART on FHIR，它在 FHIR 的資料與 API 之上補了 OAuth2 授權跟 app 掛載機制，讓任何一支符合標準的應用可以安全地掛到任何一家醫院的系統上，一次寫、到處跑。美國用 21st Century Cures Act 直接強制 EHR 開放這套 API，Epic、Cerner 都支援，早就是事實標準；台灣有衛福部的 TW Core IG 打底，方向對了，卡的是既有投資跟廠商動機。這篇把獨規怎麼來的、代價是什麼、為什麼標準化是唯一解、為什麼是 SMART on FHIR 而不只是 FHIR，一路講清楚，也誠實講台灣落地的現實阻力。
用 LLM 把結構化臨床資料自動轉 HL7 FHIR：論文精讀與我的 H100 / LiteLLM / vLLM / Gemma 可行性評估
這頁精讀 arXiv 2507.03067（Universidad de Murcia，發表於 JAMIA）——一條半自動 pipeline，用 embedding 加 clustering 加語意檢索（RAG）建 prompt，指引 LLM 把 MIMIC-IV 的表格欄位對映到 HL7 FHIR 資源，並用我現有資源（H100、LiteLLM、vLLM、Gemma、GPT）做落地可行性評估。論文三步：資料預處理轉 JSON、用混合檢索（TFIDF/BM25/USE/Word2Vec 經 RRF 融合）挑最相近的 FHIR 資源、再讓 LLM 依嚴格 JSON schema 做欄位對映。結果：baseline 資源層辨識 100%，屬性層 GPT-4o 約 67 到 74%，明顯贏 Llama 3.2 405b；real world 換上醫療專用 embedding 後資源辨識從 87.9% 拉到 94%。我的評估結論是可行性高，但關鍵不是省錢而是合規——院內 PHI 不能送 OpenAI，所以本地 vLLM 跑 Gemma 才是正解，檢索那半段全本地、又是最大準確度槓桿；命脈在 structured output，vLLM 的 guided decoding 可以在 Gemma 上復刻；最大未知是 Gemma 對 GPT-4o 的準確度差距，先用 mimic-iv-demo 跑一輪 benchmark 就能量化。
Vibe Coding 的經濟學：Rails、Django、Laravel 誰最省 token（一篇中肯的解讀）
AppSignal 在 2026 年 6 月做了一個實測，用同一個 AI 工具、同一組 prompt，分別叫 Rails、Django、Laravel 蓋一個含使用者認證、Posts CRUD、留言、JSON API 的小 app，直接從 Cursor 儀表板量 token。結果 Django 最省，約 3.1 萬 token，Rails 約 6.1 萬是它的兩倍，Laravel 約 10.5 萬最貴。帳面上 Django 完勝，但這不是同一件事的比較，Rails 多灌的 bcrypt、solid_queue、brakeman、bundler-audit 等於順手把背景工作、安全掃描、依賴稽核都做了，Django 灌 0 套件是因為它做得少。加上單一 app、單一工具、各跑一次、樣本很小，別當定論。文章最後把結論導向賣自家監控服務 AppSignal，論點本身合理但要意識到它是 sponsored。我的取法是，token 成本是真的、值得看，但它只是總持有成本的一軸，vibe coding 的經濟學更該看壞掉時多快能修、上 production 要補多少、半年後維不維護得動。
研討會評論：2026 數位創新塑造次世代公衛政策（三總）—— 一整天其實都在談 AI 篩檢
三軍總醫院在 2026 年 7 月 7 日舉辦「數位創新塑造次世代公衛政策研討會」，一整天從衛福部的國家部署策略、馬祖胃癌與花蓮口腔癌的在地篩檢、三總自家的 AI-ECG，一路到澳洲、新加坡、英國、馬來西亞的跨國經驗。議程看似分散，主軸其實一致：如何在確診之前，運用 AI 從一大群人裡辨識出高風險者，再交回醫療團隊。這呼應近年一種漸受重視的觀點，醫療 AI 的本質是篩檢而非診斷。本文逐一整理各講者重點，並提出評論：真正卡住規模化的從來不是模型準度，而是模型之外那圈制度性的 harness，也就是轉診路徑、健保給付、法規、基層工作流，以及健康經濟學這道價值關卡。
《Sega on AI》EP1 摘要分析：台灣是 AI 霸主，還是 AI 代工廠？
iKala 創辦人程世嘉（Sega Cheng）與前 Google 台灣董事總經理簡立峰博士的對談。從 Computex 帶動的「資本島」現象，一路談 AI 是否泡沫、Agent 剛需、2030 Token 暴增 24 倍與硬體優化、美東美西拉鋸、台灣五缺與國際化併購、「幸好台灣軟體弱」的軟體新機會、Agentic Commerce 與 Zero-Click 經濟的 GEO，以及研發從十年縮到六個月。最後以「問、用、管、造」四面向勉勵年輕人成為 AI 時代 1% 人才。
數位轉型傳教士，讓醫療資訊系統慢慢變好
我常自嘲是醫院裡的數位轉型傳教士。傳教不是站在台上喊口號，是默默地把電子病歷、FHIR 資料互通、資安、AI 輔助、系統開發一塊一塊像積木一樣做好，讓醫護與病人某天突然發現「好像變順了」。這篇寫的是一個資訊老兵帶幾個小兵，怎麼用一次次的小勝利，嘗試把一套龐大的醫療系統，無聲地往前推。