在座多數人天天用 LLM，但對它怎麼運作大多不熟——我也一樣。所以先從它最基本的運作講起。
它腦裡裝的是 token 共現機率，不是你的病人、不是教科書、不是最新期刊。所以它「答得準什麼」，不取決於模型記得什麼，只取決於兩件事：
① 召喚它時被注入了什麼（injection） ② 回答時能取用什麼 local data。
所以同一個模型，可以是個只會聊天的玩具，也可以是會讀你硬碟、查你資料庫、登入你帳號抓全文的助理——差別不在模型，在「召喚層級」。
| 層級 | 召喚進什麼 | 注入 injection | 能取用 local data？ |
|---|---|---|---|
| ① 沙盒對話 non-agentic | ChatGPT／Claude.ai／Gemini 網頁 | 只有帳號設定 + 你打的字 | ✗ |
| ② agentic 環境 | 跑在你機器上的 agent （Claude Code） | 一大包：專案規則、記憶、交班、參數、工具清單 | 有環境與工具 |
| ③ 承②＋取用 | 同 ② | 同 ② | ✓ 即時 grep corpus／查 DB／讀 raw／登入瀏覽器抓全文 |
聽眾現在幾乎都在第 1 層。今天三段 demo，就是當場把同一個模型，從第 1 層推到第 3 層。
防台下吐嘈的精準守衛：「沙盒不是也能上網？」——能，但跑的是供應商的 headless 瀏覽器，沒有你的登入 session，拿不到你本機與 paywall 全文。所以它本質上仍困在第 1 層。這一點，第 3 段 demo 會親手戳破。
專案憲法（CLAUDE.md／Law）、跨 session 記憶、交班記錄、執行參數、可用工具清單……
不只是回字，而是動手：跑腳本、開檔案、呼叫 API、驅動瀏覽器。起點遠高於沙盒。
同一個模型，光是「召喚進一個有規則、有記憶、有工具的環境」，能力就已經跟網頁版不是同一個量級。
來自腦中文字相關性
＝它「覺得」應該長這樣
來自當下 grep 到的 raw.md、查到的 DB、抓回的全文
＝可查證的 local data
差別不是「比較聰明」，是答案的來源變了——從「腦中相關性」變成「你硬碟上、可指回出處的事實」。
PDF → raw → proofread
把 Scott-Brown 變成乾淨、可引用的 local data
/wiki 章節＋行號引用
作答時取用 local data，每句對得回出處
跨 paywall 抓全文
用你登入的瀏覽器 session，把期刊收進 corpus
左半螢幕 = CC CLI（命令列），右半 = 網頁／真實桌面。都是現場真的跑。
表格砸爛、圖整個掉、多欄閱讀順序錯亂、數學變亂碼
表格還原成 markdown、圖抽成 PNG＋caption、多欄重排、公式轉 LaTeX
現場：拖一章 Scott-Brown source.pdf → mineru-extract.sh → 看 raw.md 長出表格與圖。
乾淨的 local data 是後面兩段的地基——沒有它，「取用」跟「擴張」都是空的。
這就是 RAG over 自家 corpus：它不會幻造你教科書沒寫的東西，因為答案被綁在你硬碟上的原文。引用對不回去的，當場就現形。
常是「看起來像真的」的 DOI／頁碼——查下去不存在（fabricated citation）
指回你手上就有的原文行——可當場翻開對照
agentic 時代還出虛假引用，代表沒裝查證關卡，不是「AI 不能信」。可查證，是設計出來的，不是求來的。
現場用 Tailscale 螢幕共享進 hm4（右半＝我這台機器的真桌面），看 agent 驅動已登入的 Chrome，把全文抓進 corpus。這是整場最關鍵的一刀。
左半 CLI：看它解析 DOI、選路由、抓全文
右半（hm4 真桌面）：Chrome Beta 用訂閱 session 真的開頁、過 Cloudflare、抓 binary
JAMA Otolaryngology–Head & Neck Surgery（JCR 耳鼻喉 #1）——我今天就用同一條 pipeline，透過中國醫藥大學圖書館 proxy 跑過本期：
付費刊只取得授權範圍內容、走登入的地端瀏覽器抓；OA 刊純 server 端直取。同一條 bundler，路由自己選。
口咽癌循環腫瘤 HPV DNA 決定因素・Ménière × PHEX 基因劑量・嗅覺辨識與年長者體能衰退・頭頸癌 BMI 與免疫治療反應
中耳積液 tube 脫落後 autoinflation（RCT）・健身房音量與運動強度感知・頭頸癌 neoadjuvant 免疫／化學免疫治療（系統綜論＋meta）・耳鳴網路 CBT 長期追蹤
每篇都帶 DOI、文章類型、OA 狀態、摘要（多篇含全文 body）——下一步餵 GPT 出本期導讀、或挑幾篇收進 corpus 做 wiki。
沙盒 LLM 再聰明，也沒有你的鑰匙。把「你的訂閱、你的圖書館權限」交給一個會動手的 local agent，它才能把教科書外的世界，合法地收進你可查證的 corpus。
agentic 時代正確的問題，不是「AI 能不能信」，而是「你的 pipeline 裝了哪些查證關卡、餵了哪些你自己的資料」。
沒有明確資安／PHI 需求，就用雲端 LLM——CP 值高、免自己養模型。要跑院內病患資料才考慮地端。
有檔案儲存需求：NAS（本地主檔）＋ Backblaze B2（異地雲端），低成本就做到多地備份。
雲端 LLM 不吃本機，但常跑 MinerU（PDF 版面重建）會吃效能，也能跑輕型地端模型做 proofread 這類確定性工作。
買一台 5–10 萬價位（Mac mini M4 Pro 等級）的機型——不是為了跑大模型，是讓這些本機運算順——其實就很有感。