從本機模型到 ast-grep：AI 開始從聊天工具變成可執行的工作系統
今日最有感的事
今天最有感的，不是單一功能更新，而是更清楚看到：AI 正在從「會回答問題的聊天工具」，變成「可以接進真實工作流的系統元件」。
這個感覺其實來自三條線同時出現。
第一條線，是 本機模型與 agent 工作流的接軌。今天看到有人分享，如何把 Claude Code 的後端改接到本機 LLM，透過 llama.cpp / llama-server 和環境變數，就能讓原本依賴雲端 API 的 coding workflow，改成更低成本、甚至接近免費的本地執行模式。這件事的意義不只是省錢，而是讓「大量 agentic loop」第一次變得更可長可久。當模型跑在本機，資料不離開裝置、試錯成本下降，很多原本覺得太貴或太重的自動化流程，突然就變得可行。
第二條線，是 Skills / 工具封裝正在成熟。官方 Claude Skills 建構指南之所以值得注意，不是因為它多了一本手冊，而是因為它意味著：AI 的價值不再只靠 prompt 靈感，而是能不能把常用任務整理成穩定、可重複、可交接的技能模組。這種轉變很重要。因為當工作流程可以被封裝，AI 就不只是每次被重新指揮，而是開始具有「在特定情境下，自動知道該怎麼做」的能力。
第三條線，是 結構化程式搜尋與改寫工具開始變得重要。ast-grep 這類工具讓人看到，未來真正好用的 agent，不只是會生成程式碼，還要能更精準地理解和操作既有 codebase。一般 grep 找的是字面文字，AST 工具找的是程式結構。這表示未來很多 refactor、codemod、規則化修改，都可以從「靠模型猜」進化成「模型規劃 + 結構工具精準執行」。對需要長期維護系統的人來說，這種差別非常大。
如果把這三條線放在一起看，就會發現一件事：AI 的下一步不是變得更像人，而是變得更像基礎設施。
它可以是寫筆記的助手、是封裝流程的 skill、是本機執行的 coding agent、也是精準改 code 的結構工具入口。這種變化最讓我在意的地方，不是「又多一個新功能」，而是它開始逼人重新思考：未來真正稀缺的能力，可能不是會不會問 AI，而是能不能把自己的工作方法拆解成一個 AI 能參與的系統。
而這又回頭連到醫學教學工作流。王介立醫師談的「如何用 Claude 寫醫學教學筆記」，本質上其實也是同一件事：AI 最有價值的地方，不是替你思考，而是把「閱讀英文資料 → 抽重點 → 轉成中文教學內容」這段重複又耗時的流程變得更順。從本機模型、skills，到 AST 工具，今天看到的其實都是同一個方向的不同切面：AI 正在變成工作流程的加速器，而不只是聊天視窗裡的一個回答者。
今日收集的資源
Run Claude Code using local LLMs for free
Anthropic 官方 Claude Skills 完整建構指南
王介立醫師：如何用 Claude 寫醫學教學筆記
ast-grep（sg）：用 AST 做結構化程式搜尋與改寫
2026 AHA/ACC 肺栓塞指引的底層邏輯重構