地端：讓 NUC 獨立完成一段工作
先試文件分類、欄位擷取、語音前處理等範圍明確、會重複發生的任務。
要驗證：指定配置能不能達到品質門檻？等待時間與記憶體是否可接受？若要離線，整段流程有沒有網路依賴？
NUC AI 實驗室
雲端 AI 用得多了，哪些工作能交給 NUC？
習慣雲端模型的能力之後，我們會想把更多工作交給 AI。當工作流變長、呼叫次數與 Token 用量增加，我想研究：哪些部分可以留在桌上這台小型 NUC，哪些仍值得交給雲端？這裡會從實際任務出發，探索地端應用，也試著把地端與雲端接在一起。
三條實驗路線
先拆任務，再決定在哪裡跑。
下面是想驗證的分工方向。適合放哪裡，要看實際模型、NUC 配置與工作要求；每個例子都還需要測試。
雲端：把用量留給需要的能力
把複雜推理、跨文件綜合分析，以及地端處理失敗的案例列為雲端比較組。
要驗證：雲端是否真的改善結果？多出的輸入／輸出 Token、呼叫次數和等待時間，換到了什麼？
混合：本機先做，需要時再交接
先在 NUC 分類、檢索或整理資料，再把必要內容交給雲端；也研究如何辨識需要升級處理的任務。
要驗證：分流有沒有漏掉困難案例？資料壓縮是否損失資訊？加上重試與人工修訂後，整段流程是否仍有幫助？
地端
哪些重複、範圍明確的工作，NUC 能獨立完成？
雲端
哪些困難任務，仍值得用雲端模型？
混合
能否先在本機處理，再把需要的部分交給雲端？
比較方式
同一任務、同一品質門檻，再看用量與成本。
從這些專案開始
把分工想法，做成可以比較的實驗。
Jarvis 中文語音助手
想法不必先一句句打出來：讓 NUC 在地端把中文語音轉成文字，再交給所選的地端或雲端模型。已有 Python／Electron 串接原型，接下來比較語音與打字的實際使用差別。
下一步記錄可用指令的完成時間、辨識修訂與模型回應。選用 Claude 時文字會送往雲端，edge-tts 也需要網路；目前尚無省時、Token 節省或穩定度結論。
看語音助手的實作與取捨Jev 與 Laya：誰來決定任務往哪裡送？
從朋友的 Laya 貪食蛇專案，延伸思考決策模型能否當工作流選擇器：哪些請求留在本機，哪些需要雲端？
Jev 是雲端 API，Laya 提供相容介面的地端研究入口。這篇是附來源的構想，尚未重跑朋友專案或驗證路由效果。
讀分流構想與待驗證問題同一個任務，比較三種做法
建立雲端、地端與混合三組流程。先檢查結果是否可用，再量測 Token、呼叫次數、整段等待時間、NUC 資源與人工修訂。
方法與紀錄欄位已整理；模型、硬體配置與實測數據待補。地端不先假設比較便宜，硬體、電力與維護也要列入。
看三種流程的比較方法我想留下的不只是「模型跑得動」，而是一份有條件的任務分工經驗：什麼留在 NUC、什麼交給雲端，以及什麼情況值得混合使用。每次實驗會交代配置、品質門檻與失敗情境，有數據之後再談節省或成效。
實驗構想
下一個實驗，你想先看哪個？
有些想法還在規劃，有些已經做出一小段。我會把進度留在文章上，也想聽聽你最想看什麼。
進度會隨實作更新，和主題標籤分開。
共創草稿
不一定要 AI 寫答案：從 Jev 到 Laya，試想快速選擇器
有些任務只需要選下一步。從 Jev、朋友的 Laya 地端貪食蛇專案，到模型分流和交易研究，我想知道這類決策模型適合放在流程的哪裡。這篇先記下假設與測試方法。
有想看的實驗，可以在 Instagram 告訴我。
影片筆記
有些過程，用影片更容易說清楚。
之後會把操作示範與實測影片放在這裡，搭配文字摘要和測試設定。第一支影片還在準備中。