Execution on Tarragon

Tacit Knowledge

Tue, 19 May 2026 00:00:00 +0000

Tacit Knowledge 的核心概念是「隱性知識」—資深員工腦袋裡知道、但寫不進 SOP 或文件的知識。判斷 case 該怎麼處理、客戶潛規則、行業慣例、灰色地帶決策—這些都是 tacit。對應概念是 explicit knowledge（顯性知識，可文件化）。Tacit knowledge 是 Fat Skill 的核心構成。

概念位置

Tacit Knowledge 在 AI 時代變得更值錢—因為 explicit knowledge 容易被 AI 取代，tacit knowledge 不容易。AI 產品要做好行業應用，必須把 tacit knowledge 萃取出來編碼到 evaluation set。這個萃取過程就是 FDE 的核心工作。

可觀察訊號與例子

Tacit Knowledge 的訊號：資深員工說「這個 case 不能這樣處理因為某某理由」但說不清楚理由；公司內部訓練主要靠 shadowing（跟著資深做）而非看文件；初入該領域者錯誤常出在「不知道有這個規則」而非「不會操作」。理賠專員「這份賠但那份不賠」的判斷是典型 tacit。

判讀方式

讀到「tacit knowledge 寫不進 SOP」時，意味著該領域不能靠純軟體解決—必須有人坐在客戶端萃取。這就是 FDE 模式的成立前提：客戶說「我要一個 agent」資訊量太低，要在現場跑真實 case 才能把 tacit 編碼。Tacit knowledge 累積成 Fat Skill 後就形成 AI 時代仍然有效的護城河。

Evaluation Set

Tue, 19 May 2026 00:00:00 +0000

Evaluation Set 的核心概念是「評估集」—用來測試 AI 模型表現好不好的測試資料集。一組 input + 期望 output + 通過判準，AI 跑出來的結果跟期望比對判斷是否合格。Evaluation Set 是 Tacit Knowledge 的編碼形式。

概念位置

Evaluation Set 是 AI 產品開發的核心 artifact。對 AI Labs 來說它是模型訓練的方向盤；對企業 AI 應用來說它是把客戶腦袋裡的「這個 case 該怎麼處理」轉成可測試的資料點。FDE 駐點工作的最終產出，本質就是該客戶的 evaluation set。

可觀察訊號與例子

Evaluation Set 的訊號：一組客戶實際遇到的 case + 業務專家標註的正確處理方式。例如保險理賠 evaluation set 會包含「這份理賠該批准 / 該拒絕 / 該調查」的歷史 case，AI 跑過要對得起來。Evaluation set 通常隨服務時間累積增大，新 edge case 不斷加入。

判讀方式

讀到「把 tacit knowledge encode 進 evaluation set」時，意味著該公司在做的不只是「賣 AI」而是「把客戶的判斷邏輯萃取進產品」。這就是 FDE 在做的核心工作—現場跑案例、跟業務人員迭代、用業務人員的修正建立 evaluation set。Evaluation set 一旦累積到一定深度，就是該客戶獨有的 Fat Data。

PRD

Tue, 19 May 2026 00:00:00 +0000

PRD 的核心概念是「Product Requirements Document，產品需求文件」—描述要做什麼產品、給誰用、解決什麼問題、長什麼樣的文件。傳統 SaaS 開發流程：客戶訪談 → 寫 PRD → 做 wireframe → 跑使用者測試 → 開發。

概念位置

PRD 是 SaaS 時代「先用文字描述產品再開發」的核心 artifact。它的前提是「需求可以用語言描述清楚」—多數傳統軟體需求都可以。AI 產品的需求常常無法用 PRD 寫清楚，這是 FDE 與 Vibe Code 出現的核心理由。

可觀察訊號與例子

PRD 的典型欄位：背景、目標、使用者、流程、UI、非功能性需求、上線判準。產品經理常用 PRD 對齊跨團隊—工程、設計、QA 都看同一份。Notion 上常見的「Product Spec」「Feature Brief」都是 PRD 的變體。

判讀方式

讀到「AI native 應用沒辦法用 PRD 做」這類論述時，意味著該作者認為傳統 SaaS 流程不適用 AI—因為 AI 的輸出在跑之前看不到，沒辦法事先寫死期望。這就是為什麼要現場迭代跟 FDE 駐點，不能遠端用 PRD 規劃。PRD 的「先描述後實作」邏輯在 AI 產品開發中失效是這波商業化轉向的核心訊號。

Wireframe

Tue, 19 May 2026 00:00:00 +0000

Wireframe 的核心概念是「線框圖」—用簡單線條表示 UI 結構與資訊流的草圖，不含顏色、字型、圖像。它的目的是讓設計師、工程師、PM 對齊「畫面上有什麼、按了會去哪」，不討論視覺風格。Wireframe 是 PRD 之後、設計稿之前的中間 artifact。

概念位置

Wireframe 在傳統 SaaS 開發中承擔「視覺化需求」的責任—把 PRD 的文字轉成畫面草圖，讓利害關係人能評論。它依賴的前提是「產品的核心價值可以用 UI 描述」。AI 產品的核心價值在 AI 行為而非 UI，wireframe 描述不了，就需要 Vibe Code 現場跑。

可觀察訊號與例子

Wireframe 的訊號：黑白線條、灰塊代表圖、虛擬文字（lorem ipsum）佔位、箭頭表示流程跳轉。Figma、Sketch、Balsamiq 都是常見工具。Wireframe 通常會跟 user flow（流程圖）一起出現，形成完整的需求視覺化。

判讀方式

讀到「AI 不能靠 wireframe 描述」時，意味著該產品的核心價值在 AI 行為而非 UI—wireframe 畫得再漂亮也描述不出 AI 跑出來會多準確。這是 AI 產品開發跟傳統 SaaS 的根本差異—描述工具失效後，FDE 現場迭代成為唯一可行路徑。

Vibe Code

Tue, 19 May 2026 00:00:00 +0000

Vibe Code 的核心概念是「靠感覺寫程式」—不一行一行手敲，而是丟描述給 AI、AI 生程式碼、看結果改描述、再生一次。Cursor、Claude Code、Windsurf 把開發週期從「打字幾天」壓到「描述幾分鐘」。Vibe Code 改變了 FDE 的單位經濟。

概念位置

Vibe Code 是 AI 編程工具帶來的工作模式改變。它的存在讓 FDE 經濟學成立—一個工程師原本要幾週才能做出原型，現在會議室內幾小時搞定，產能變三到五倍。原本只有 Palantir 玩得起的 FDE 模式，靠 Vibe Code 下沉到中型企業市場成為可能。

可觀察訊號與例子

Vibe Code 的訊號：開發者描述「我要一個處理 OAuth 的 endpoint」AI 直接生出可跑的程式；遇到 bug 描述問題 AI 直接補 patch；不寫 spec 直接迭代。Buf 的 Bufstream 開發、AI Labs 的 FDE 在客戶會議室生原型都是 vibe code 在用。

判讀方式

讀到「vibe code 改變了 FDE 經濟學」時，意味著 AI 編程工具不只是提升個別工程師效率，而是讓「派工程師駐點」這個 GTM 模式可規模化。它把 Palantir 模式從「只有它玩得起」變成「PE 旗下中型企業都能用 FDE」—這是 Anthropic 鎖定 PE 投資組合的結構性原因。

Judgment Stake

Tue, 19 May 2026 00:00:00 +0000

Judgment Stake 的核心概念是「判斷的賭注被放大」—AI 接走低價值執行工作（找資料、做表、起草文件）後，剩下的判斷工作每次出錯的代價變高。原本資深角色靠 junior buffer 吸收判斷失誤，buffer 沒了之後判斷直接面對結果。

概念位置

Judgment Stake 是 AI 取代論的核心反論。它說明的不是「AI 取代誰」，而是「AI 改變了哪層工作的風險分布」。執行層被 AI 接走，判斷層的單次重要性放大—因為錯了沒人擋。這個框架可以套到律師、財務、顧問、醫師等各類知識工作者。

可觀察訊號與例子

Judgment Stake 放大的訊號：律師 associate、財務 junior、顧問 analyst 的工作被 AI 取代後，資深合夥人簽字的每個判斷都直接生效；醫師看 AI 報告直接做治療決定，沒有住院醫師再核對。這些情境下判斷失誤的代價提高，導致資深角色短期不敢放手給 AI。

判讀方式

讀到「AI 不會取代資深角色，只會放大其賭注」時，意味著該作者認為 AI 影響的主要對象是中段執行—頭部因為 stake 提高反而更值錢。這個觀察可以套到任何「AI 進入某職能」的情境—問「執行被取代、判斷怎麼樣」就能推導出影響輪廓。

Junior Buffer

Tue, 19 May 2026 00:00:00 +0000

Junior Buffer 的核心概念是「初階員工作為判斷緩衝層」—資深員工的判斷先讓 junior 做一版、看過修改、錯了還能擋下來，不直接生效。這層緩衝吸收判斷成本，讓資深可以放手做更多決策。Junior Buffer 是傳統知識工作者組織的隱性設計，跟 Judgment Stake 是一體兩面。

概念位置

Junior Buffer 出現在多數知識工作職業的階梯結構中：律師事務所的 partner-associate、投行的 MD-VP-analyst、顧問公司的 partner-consultant、醫院的 attending-resident。AI 接走 junior 工作後，這個緩衝層消失，判斷的賭注被放大。

可觀察訊號與例子

Junior Buffer 的訊號：資深角色不直接做執行（查資料、起草、做表），由 junior 先做一版；junior 工作出錯資深會發現並修；junior 隨年資累積最終升上資深。律師事務所 partner 看 associate 寫的 memo、投行 MD 看 analyst 做的財務模型，都是這個 buffer 在運作。

判讀方式

讀到「junior buffer 沒了」時，意味著該作者認為 AI 不只是取代基層工作，還影響組織的判斷風險分布。對組織來說要重新設計「沒有 junior 的判斷流程」—例如多層交叉複核、AI 跑多種選項給資深選、保留小規模 junior 純粹作為訓練資深的管道。長遠看，AI 時代的職涯階梯可能從金字塔變成沙漏—中段消失、頭尾留存。