AI Agent 安全底線設計：我的 10 條不可違反規則
AI Agent 自動化帶來效率也帶來風險。本文分享實戰歸納的 10 條安全底線規則，含 Hook 守門實作概念，幫你打造不會自爆的 AI 工作流。
所有文章
把 MacBook 瀏海變成系統與 AI 用量儀表板：VoidNotch 開源
MIT 開源的 macOS 小工具：把瀏海變成常駐 HUD，同時看 CPU／磁碟／網路與 Claude、Codex、Grok 等 AI 配額。本機讀取、自己 build 即可用。
76 筆資料、33 秒訓練：LoRA 微調如何讓 AI 說你的語言
LoRA 與 QLoRA 讓你用幾十筆資料在自己的電腦上微調大型語言模型，不必租雲端 GPU、不必上傳敏感資料。本文用生技實驗室的真實案例，帶你理解這項技術為什麼能改變本地 AI 的使用體驗。
Google agents-cli 深度研析：Progressive Disclosure 架構、工程取捨，與獨立 Agent 系統的啟示
Google agents-cli 以 SkillToolset 三層 Progressive Disclosure 架構，在靜態場景下削減約 90% context token 消耗，但實測可能縮窄至 37%。本文拆解其 token 效率主張、vendor lock-in 風險與 description-routing 脆弱性，萃取對獨立 agent 系統有用的架構教訓。
一台 Mac 上的本地 LLM，等級約當雲端哪一代？五個模型的實測與踩雷
我在一台 M4 Pro（48GB）上，用 oMLX 實測了五個 4-bit 量化本地模型，跑八項 benchmark、拉出速度與品質的甜蜜點，並對照它們約當雲端哪一世代。附上 speculative decoding（MTP／dflash／specprefill）三條加速路的踩雷實錄與 cache 取捨方法論。
多平台同步：一套記憶跑遍 Claude/Copilot/agy
如何讓同一份 AI Agent 記憶在 Claude Code、GitHub Copilot CLI、Antigravity CLI（agy）三個平台都能用？比較三家入口設定、@import 機制與跨平台注入實作策略。