Prompt for Threadwalker Scout

• 27 April 2026
• prompt,
• Threadwalker,
• evaluation

模型評估結果

結果排名如下：

六種 AI 的內容有效性

「本輪模型品質分數」。這是不重新查網路、只根據 raw outputs 做的結構與訊號品質評分，所以它不是事實正確率分數，而是「進 Stage 2 前，這個模型輸出有多值得採用」的分數。

整體判斷

這次跑得算好，而且比單模型可靠很多。最有價值的不是某一個 AI 贏，而是模型角色有分工：

ChatGPT / Gemini / GLM：主力候選池，進 Stage 2 時應優先看。
Perplexity：社群訊號補強，尤其 Reddit / HN / 活動社群。
Claude：概念命名與 friction framing 補強。
Minimax：只當補充，Stage 2 很可能會殺掉不少。

這次的評分標準僅針對本次 Taipei worldview-lens 實驗的表現，不代表模型的整體能力：

模型角色分工與最佳組合

本次測試最大的收穫，並不是找出「哪個 AI 最聰明」，而是發現了各模型間明顯的角色分化。最佳的協作組合為：

Perplexity 找材料 → Claude / Gemini 做殺手級 Triage → ChatGPT 補 Workflow 角度 → GLM 做整理（需經人工 QA）

• Perplexity 像掃雷達，負責大範圍搜尋。
• Claude 像嚴格的審稿人，負責剔除雜訊。
• Gemini 像精簡判讀器，負責二次確認與校準。
• ChatGPT 像產品或流程企劃，負責發掘商業或行動價值。
• GLM 像資料分析助理，負責製表與排版，但結論需人工覆核。

序列式跑法 (Sequential Pipeline) 建議

實驗數據明確支持「序列式跑法」優於「多模型平行盲跑」。平行跑法適合測試模型差異，而序列跑法才能穩定產出高可用性的結果。建議的執行順序如下：

1. Perplexity：Source Scout（廣撒網）
   負責尋找原始來源、事件、論壇討論、新聞與政策文件。因標準過寬，不應讓其決定 keep/reject。
2. Claude：Triage（殺漂移）
   對 Perplexity 收集的 raw candidates 進行第一輪清洗，剔除主題漂移、廠商污染、政府補助廣告及非事件型內容。
3. Gemini：Second Judge（壓縮與校準）
   進行第二輪確認，檢查 Claude 是否過度刪減，並確保乾淨的 candidate 不被漏掉。
4. ChatGPT：Workflow & Product Angle（補洞）
   檢視剩餘候選，評估哪些具備 first_30min_action、哪些屬於 workflow friction、哪些有潛力轉化為 artifact 或商業服務 niche。
5. GLM：Report Generation（整理與排版）
   產出最終的矩陣、表格、摘要與比較報告。注意需人工 QA 其對於特殊值（如 "none"）或過度推論的處理。

整體 Pipeline 概念為：
Perplexity 大量找 source → Claude/Gemini 篩 source → ChatGPT/Claude 組 candidate → Claude/Gemini Stage 2 → GLM 整理

Stage 1 流程優化：拆分 Source Scout 與 Candidate Builder

如果讓 Perplexity 作為唯一的 Source Scout，每批僅產出 5 條候選會嚴重限制其發揮。序列式跑法的前提是「第一層必須有足夠的 Recall」，後續才能有效篩選。因此，應該將 Stage 1 拆分為兩個層次：

1. Source Sweep（資料採集）

讓 Perplexity 專注於帶回大量原始材料（20–40 個 source hits），不要求產出完整的 candidate schema，也不急著寫 asymmetry_hint。

source_hits:
  - title:
    url:
    source_type:
    observed_signal:
    pattern_hint:
    possible_scope:
    confidence:

2. Candidate Builder（候選合成）

將這批 source hits 交給 Claude / Gemini / ChatGPT，讓它們從材料中提煉並合成出 8–12 個格式完整、結構清晰的 candidates，先不要讓 Perplexity 直接產出 candidates 結構。

簡單來說：讓 Perplexity 專職做「採集器」，一次帶回整籃的生肉材料，再交由後續的推理模型進行切分與烹調。

2.0 新版 Scout Handoff Pipeline

基於上述的實驗反饋，流程應該要拆得更細。特別是 Claude Opus / Claude Sonnet 必須分工，否則「Claude」這個角色定位會太模糊。

此外，Perplexity 作為唯一的雷達是不夠的。它容易偏向新聞、SEO 或已被整理過的資料，對於論壇、Discord、HackMD、PTT 或 GitHub Issue 這種半地下、長尾的在地訊號（Local Sweep）抓得不穩。因此我們需要 3 種雷達 互相搭配，避免 Scout 只能找到「公開可搜尋的已命名問題」，而漏掉「還沒被整理成問題的結構性摩擦」。

角色一句話版

• Perplexity = 主高空雷達（找新聞、官方文件、產業報告）
• Manual/Script = 地面偵查與固定探針（找社群怨念、在地摩擦）
• Claude Sonnet = 清理工 / 分群工（處理大量資料、去重）
• Gemini = 第二裁判 / 壓縮校準
• ChatGPT = Workflow / Product Angle Builder
• Claude Opus = 主裁判 / 反方 Reviewer（負責 Gate 0 與 Stage 2）
• GLM = 報表工
• 你 = 決策者 / Sensemaker

完整流程設計

三種雷達 (Stage 1)

量的設計 (漏斗漏斗)

Scout 本質上是個漏斗，不是每一層都產 5 條。合理的收斂過程應該如下：

Total source hits: 60–130
↓
Claude Sonnet / Gemini filtered sources: 25–45
↓
ChatGPT / Sonnet candidate drafts: 10–15
↓
Claude Opus / Gemini Stage 2 keep: 4–8
↓
Human review: 2–4 真正值得追

Claude Opus / Sonnet 分工細節

Claude Sonnet：大量處理、便宜、快
適合做工：

• source 去重與分群
• schema 清理
• 把 30 個 source hits 轉成 12 個 candidate drafts
• 找明顯 vendor contamination
• 補 testable_actions

Claude Opus：判斷、反駁、最後裁判
適合做判斷：

• Gate 0 / motivated reasoning 檢查
• DP-013 / DP-014 / DP-015 判斷
• Stage 2 keep/kill
• 跨 scope 實驗結論
• 檢查「這是不是其實只是常識 / 政策評論 / 廠商故事」
• 最終結論 QA

核心總結：
Sonnet 做工，Opus 判斷。Perplexity 是高空雷達，你還需要地面偵查和固定探針。

整理各模型的摩擦點後，用「根因獨立性」和「跨領域多樣性」來排序：

Run-02 動作一品質檢查紀錄

整體排名

1. ChatGPT
   品質最高。根因獨立性檢查清楚，面向沒有亂混，查證步驟最具體，還會用 [PROPOSE] 區分推論與已查證材料。最接近 prompt 要的「可讀散文 + 可查證」。

2. GLM
   第一梯隊。根因句清楚，三個根因大致能分開：價格與批發成本脫鉤、服務邊界造成重複計費、ingress / egress 方向不對稱造成鎖定。NAT Gateway、跨 AZ、退出豁免程序、多雲被排除等面向很具體。缺點是少數判斷太滿，例如「三大雲形成價格默契」需要更硬證據；Cloudflare R2 零 egress 也只能作為替代定價模式可行的佐證，不能直接證明三大雲成本結構。

3. Perplexity
   可用度高，抓到 NAT Gateway、跨 AZ、EU Data Act 等具體摩擦。但部分來源偏部落格化，且有 reddit+2 這類殘留標記，乾淨度不如 ChatGPT 和 GLM。

4. Kimi（最新版）
   明顯進步，已補上根因獨立性檢查，也有不少好場景。三個根因大致是：計價單位與工程架構不對稱、資料所有權與移出控制權分離、地理定價梯度與資料主權法規衝突。前兩個較強；跨 AZ、免費遷出但不涵蓋多雲、災難復原被導向同雲異區、冷資料囤積等段落可作素材。缺點是根因三比較危險，容易滑向「資料合規成本」而非 egress fee；部分數字與斷言也需要保守化，例如「跨 AZ 費用吃掉四分之一叢集成本」、「取回成本可能高於五年儲存總和」等。

5. Gemini
   材料豐富、查證路徑多，讀感強。但語氣太戲劇化，概念包裝過重，後段不少推論需要更硬的證據支撐，例如「API 請求費作為合規防線」。適合當語感或概念庫，不宜直接當主稿。

6. Claude Opus
   結構清楚，三個根因也算有辨識度；但證據點不夠硬，常用「隱性協調」「雙重收割」這種很重的判斷。最嚴重的是輸出裡有 和重複內容，品質控制失分。

7. DeepSeek
   資訊量大，但臆測與強斷言很多，例如區域費率、反壟斷調查、價格調漲幅度等都需要逐條核實。表面像研究報告，但可靠性風險偏高。

8. Doubao
   有照格式寫，但內容模板感重。根因二「資源權屬與出站權責」不太像真正獨立根因，很多查證步驟只是叫人去看某類文件，沒有頁碼、條文或具體段落。

9. Qwen
   最弱。根因偏泛，面向展開不足，查證文件有可疑或難定位來源，也沒有好好遵守「每個面向三段」與自然散文的要求。

最值得保留的版本

主稿建議以 ChatGPT 為骨架，吸收 GLM 的 NAT Gateway、跨 AZ、退出豁免程序、多雲被排除等材料。Perplexity 可補充內部計費邊界與 EU Data Act 細節。Kimi 最新版 可抽取災難復原、冷資料囤積、資料主權等有洞察的場景，但要壓低語氣並補強證據。

主要品質分水嶺

好的版本通常做到三件事：根因彼此真的不能互推、每個面向都有清楚的現實摩擦、查證步驟能指到具體文件或條文。

差的版本通常敗在三點：把評論寫成事實、用很大的概念包住很少的證據、查證步驟只是「去看某某官方文件」但沒有可核對的位置。

動作四 整體排名

GLM
這次最穩。它逐項核對 ChatGPT 的兩個根因與四個面向，能指出「完全成立」和「引用段落需微調」的差別。尤其它抓到 Appendix N 的 N.87-N.88 不是直接支撐「持續多雲不被涵蓋」，真正直接的是 N.69，這種細節很加分。機會分析也有分「已確認摩擦直接支持」和「需要額外驗證的假說」，證據紀律最好。

ChatGPT
也很強，尤其不是一味附和 Perplexity，而是會降級判斷：A「定價與成本脫鉤」方向成立但證據不足以支持原文強度；B「NAT/AZ 疊加計費」高度成立；C「退出障礙」成立但原文對 EU Data Act 有錯。它還抓到 NAT Gateway 小時費不能混成 per-GB 費率，這是很好的技術精度。缺點是比較像分析表與產品機會 memo，不是 prose。

Kimi
比前面幾輪更穩。它先做文件真實性驗證，再做摩擦點真實性，能清楚說哪些文件已確認、哪些頁碼未直接核實但方向可信。機會部分也不亂喊市場規模，而是從「資料不移動仍被使用」「持續多雲與一次性切換縫隙」「行政成本」推導，很可用。缺點是沒有 GLM 那麼細緻地逐段核對。

Qwen
這次比動作一好很多。它的驗證段落簡潔，能指出 CMA final report、Appendix N、EU Data Act、Google Data Transfer Essentials 的對應位置。問題是後面的機會分析偏提問式，沒有真正展開成可操作判斷；比較像好的讀書摘要，不像完整分析。

Daubao / Doubao
有把兩個根因完整重述，也保留了查證步驟，看起來整齊。但很多地方像是改寫 ChatGPT 動作一主稿，而不是新的 fact-check。它的「全部通過獨立信源確認」語氣太滿，沒有像 GLM/ChatGPT 那樣區分已證實、待補證、推論。

Gemini
在 ChatGPT.md 裡的 Gemini 段落比較短，抓到 FinOps 2.0、Data Fabric、Migration Broker 等機會方向，想像力不錯。但 fact-check 密度不足，容易直接跳到大概念。可當發想素材，不適合當驗證紀錄。

DeepSeek
仍是老問題：很會講大方向，但容易把「可能」寫成「很可能」。例如對 EU Data Act 第 34 條、Google Data Transfer Essentials、AWS/Azure 未來 12-18 個月可能跟進的推論，方向有趣，但證據支撐不足。適合當機會假說來源，不適合當 fact-check。

Perplexity
方向其實沒有錯，能抓到 ChatGPT 兩個根因的真實性，也能提出成本工程、法規談判、產品設計三類機會。但 citation 污染太嚴重，尤其錯連 CMA 來源，會直接傷害可信度。這版不能直接引用，只能當粗略提綱。

Antigravity
標題看起來很完整，但偏商業機會包裝，像「頻寬自由聯邦」「AI 數據織網」「Exit-as-a-Service」這類命名比較浮。可當命名或發想素材，驗證價值不如 GLM/ChatGPT/Kimi。

最值得保留
這輪建議以 GLM 作為驗證紀錄主稿，搭配 ChatGPT 的錯誤降級表與機會分層。Kimi 可以補在「文件真實性驗證」段落，因為它把哪些文件已核實、哪些未直接核實講得很清楚。

一句話結論
動作四最好的不是 Perplexity，而是 GLM + ChatGPT；Perplexity 這次最大問題是引用髒掉，雖然方向對，但不宜入庫當可靠紀錄。

• ← Previous
  Scout Handoff Threadwalker 實際流程
• Next →
  Prompt for Apply Job Scout