AI 會讓零日漏洞變多嗎？先看懂它改變了資安流程的哪一段
AI 確實正在改變漏洞研究，但真正需要關注的，不只是「找得到多少漏洞」，而是整個資安流程會在哪裡失衡。
所有文章
Claude Code 煉金術：為什麼 AI 程式助手常常不差，卻還是不夠好用？
很多人第一次用 AI 程式助手都失望：明明看起來能寫，卻接不上專案脈絡。問題不在模型，而在你怎麼讓它理解你的工作世界。本文拆解三層 context 設計與 CLAUDE.md 實戰，協助 Claude Code 真正成為研究搭檔。
你的第一個 AI Agent：從「到底什麼是 Agent」到「真的跑起來」的生存指南
AI Agent 沒有想像中神祕，核心是 20 行的決策迴圈加上工具呼叫與記憶分層。本文拆解 5 種常見工作流、工具設計原則、安全邊界、權限管理與檢索式記憶，提供從零打造第一個可用 Agent 的完整地圖，且不綁定特定框架。
你的 AI 助手為什麼總是健忘？從 Prompt 到 Harness 的三代演進
AI 的健忘通常不是模型太笨，而是多數系統沒有替它準備穩定的記憶層、工作規則與可追溯的工作環境。理解 Prompt、Context、Harness 三代演進，才能把 AI 用成真正的助手。
別再只怪 AI 笨了：Agent 真正缺的，常常是一套好環境
同一個 AI 模型換一套執行環境，benchmark 成功率可以從 52.8% 拉到 66.5%。長任務、多工具協作下，真正決定 Agent 穩定性的不是模型本身，而是工作現場的 harness 設計。
ai-agent-deep-dive
ai-agent-deep-dive 不是拿來直接上線的 Agent 框架，而是一份把 Runtime、記憶分層、Skills、驗證角色與 Context 管理寫清楚的設計教材。若你正要自建 Agent 系統，它非常值得讀；若你想找現成可跑工具，它不適合。
ByteRover CLI
ByteRover CLI 把 coding agent 的長期記憶做成可攜的本地層，搭配 MCP 支援確實很吸引人。但私有傳輸依賴、同步風險與授權限制都不適合被忽略，所以我目前只建議觀察或小範圍試用。
marknative
marknative 是一個很有潛力的 Markdown 轉圖片引擎，若你想在伺服器端避開 Chromium，它確實很有吸引力。它適合社群圖卡與文件快照，但早期 API、字型依賴，以及 LaTeX、Mermaid 缺口都讓它更適合選擇性使用。
gstack
gstack 把 Claude Code 包成角色分工明確的 AI 工程團隊，對重度使用者很有吸引力。但因未解的安全議題、setup 風險與導入範圍很大，我目前只建議觀察或在非敏感環境分段試用。
claude_agent_teams_ui
claude_agent_teams_ui 把 Claude Code Agent Teams 變成可監看的桌面看板，最有價值的是任務可視化、訊息流與 code review 介面。但它仍是早期 GUI，穩定性與 AGPL 授權邊界都足以讓多數團隊先觀察再說。