跳到主要內容
Lab Grimoire
TW EN
請喝咖啡

點樹枝往裡走點葉子開文章

AI 從原理到實戰

89 篇

資料與統計

描述與機率

  1. 01 導讀:AI 為什麼建立在資料與統計上 AI 的能力與錯誤都來自資料。這篇說明一個 AI 專案從資料到上線的環節、本系列 19 篇的地圖與閱讀路線,以及遇到實際問題時先問的三件事。 約 13 分鐘
  2. 02 敘述統計與資料摘要:平均數、四分位距與盒鬚圖 用集中趨勢、離散程度與形狀描述資料,學會判斷何時用中位數與 IQR、如何從盒鬚圖讀出偏態與離群值,並用 Z 分數與變異係數比較不同尺度。 約 12 分鐘
  3. 03 機率分佈:二項、卜瓦松、常態與中央極限定理 從資料產生方式選分佈:二項、卜瓦松、指數、常態與負二項的使用情境、平均與變異數,以及中央極限定理與標準誤的意義。 約 11 分鐘

推論

  1. 04 假設檢定與統計推論:p 值、兩類錯誤與檢定選擇 p 值、顯著水準、型一與型二錯誤、檢定力的正確意思,Z、t、配對 t、ANOVA、卡方與無母數檢定的選擇,以及信賴區間與檢定的對應。 約 14 分鐘
  2. 05 統計學在大數據中的應用:抽樣、相關、迴歸與貝氏 資料多仍會有偏誤的原因、抽樣方法、Pearson 與 Spearman 的選擇、迴歸係數與 R²、勝算比、貝氏定理與效果量。 約 14 分鐘

資料工程

  1. 06 資料收集與清理:缺失值、編碼、縮放與資料洩漏 缺失值的三種機制與處理、離群值判斷、Label 與 One-Hot 與目標編碼、標準化與 Robust Scaling,以及前處理造成的資料洩漏。 約 18 分鐘
  2. 07 資料儲存與管理:ACID、NoSQL、資料湖與分片 關聯式資料庫與 ACID、四類 NoSQL 與向量資料庫、資料倉儲與資料湖與湖倉、分片與複製、CAP 定理、RDF 三元組與欄式格式。 約 13 分鐘
  3. 08 資料處理技術:批次、串流、Hadoop、Spark 與邊緣運算 批次與串流處理的差別,HDFS、MapReduce、Spark 惰性求值、Kafka、Flink 視窗與水位線、邊緣運算,以及分散式計算統計量的方法。 約 13 分鐘
  4. 09 Python 與 pandas 讀碼:看懂程式片段在做什麼 以讀碼角度整理 pandas 的常用寫法:loc 與 iloc、多條件篩選、groupby、merge、melt、Int64、分塊讀取大檔與 seaborn 常用圖。 約 18 分鐘

分析與視覺化

  1. 10 常見分析方法:分群、關聯規則、降維與時間序列 K-means、DBSCAN 與階層分群,支援度、信賴度、提升度的計算,PCA 與 SVD 的性質,以及時間序列的組成與驗證方式。 約 13 分鐘
  2. 11 資料視覺化:選對圖表並避免誤導 依比較、趨勢、分佈、關係、組成選圖,長條圖基準線、對數刻度、循序與發散配色,以及 Tufte 的資料墨水比與資料密度。 約 12 分鐘

機器學習與模型

怎麼學

  1. 12 機器學習流程:資料切分、洩漏、不平衡與漂移 學習類型,訓練、驗證、測試集的角色,過擬合處理,資料洩漏的五種來源,分層與群組交叉驗證,SMOTE 的正確位置,特徵儲存庫與漂移監控。 約 16 分鐘
  2. 13 模型怎麼學習:損失函數、梯度下降與正則化 模型訓練就是調參數讓損失變小:MSE 與交叉熵、手算梯度下降、學習率太大或太小的後果、mini-batch 與 epoch、L1 與 L2 正則化、提早停止與學習曲線。 約 14 分鐘

模型家族

  1. 14 鑑別式 AI:混淆矩陣、ROC 曲線與決策樹 鑑別式與生成式模型的差別,精確率、召回率、F1 的計算與選擇,ROC 與 PR 曲線,吉尼不純度、bagging 與 boosting,迴歸評估指標。 約 15 分鐘
  2. 15 神經網路與深度學習:神經元、反向傳播與表示學習 一個神經元在算什麼、激活函數為什麼不可少、softmax、反向傳播與梯度消失、Dropout,以及 CNN、RNN、Transformer 與遷移學習各適合什麼資料。 約 14 分鐘

生成式 AI

  1. 16 大型語言模型怎麼運作:token、注意力、脈絡窗口與幻覺 大型語言模型如何一次預測一個 token、注意力與脈絡窗口的作用與限制、溫度與 top-p 取樣的計算,以及幻覺與知識截止的成因和降低方法。 約 14 分鐘
  2. 17 生成式 AI:嵌入、向量資料庫與 RAG 資料在預訓練、微調與偏好對齊的角色,嵌入與餘弦相似度、向量資料庫與近似最近鄰、RAG 流程與切塊、合成資料的風險。 約 12 分鐘

模型地圖

  1. 18 AI 模型種類地圖:看輸入什麼、輸出什麼,就知道該找哪一種 AI 模型不只有聊天機器人。本文用「輸入什麼、輸出什麼」把大型語言模型、決策模型、嵌入模型、重排序模型、編碼器分類、視覺語言模型、影像生成、語音與生物序列模型排成一張地圖,說明各自用途、限制與挑選順序。 約 9 分鐘
  2. 19 大型語言模型怎麼運作:一次預測一個 token,接出整段回答 大型語言模型讀進文字、寫出文字,核心只有一個動作:根據上下文視窗裡的前文預測下一個 token。本文說明預訓練與指令微調怎麼把它變成助理、推理模型多花的時間換到什麼、它為什麼會編造,以及何時改用決策模型或嵌入模型。 約 4 分鐘
  3. 20 嵌入模型:把一段話變成座標,讓電腦依意思找內容 嵌入模型把文字或圖片轉成一串固定長度的數字,意思相近的內容座標就靠近。本文說明它吃什麼、吐什麼、怎麼用餘弦相似度比遠近,能做語意搜尋、分群、去重與 RAG 檢索,以及它不懂事實、怕領域落差、需要同一個模型與適當切段等限制,並比較它和重排序模型、大型語言模型的分工。 約 3 分鐘
  4. 21 重排序模型:先撈回一百筆,再把真正回答問題的排到最前面 重排序模型(reranker)讀進一個問題和一小批已找到的候選,替每筆候選打相關分數再重新排序。本文說明它為什麼比嵌入模型準卻慢得多、兩段式檢索怎麼分工、交給大型語言模型前為何要先排準,以及成本、漏撈與分數解讀這三個限制。 約 3 分鐘
  5. 22 編碼器分類與序列標註:替整段文字貼標籤,或替每個字圈出名詞 編碼器分類模型讀進一段文字輸出一個標籤,序列標註則替每個字詞各貼一個標籤,例如從論文摘要圈出基因、藥物與疾病名稱。本文說明 BERT 這類編碼器怎麼運作、BioBERT 與 PubMedBERT 的生醫用途、它的限制,以及什麼時候該選它而不是大型語言模型。 約 4 分鐘
  6. 23 視覺語言模型:讓 AI 看一張圖,再用文字回答你 視覺語言模型(VLM)讀進一張圖片和一個問題,輸出一段文字。本文說明它如何把圖片切成小塊交給語言模型、適合描述照片與讀圖表,以及在小字、計數、位置與專業影像上常見的錯誤,並和影像生成、嵌入模型比較。 約 4 分鐘
  7. 24 影像生成模型怎麼畫圖:從一片雜訊擦出畫面,以及它不能當證據的原因 影像生成模型讀進文字描述,輸出一張圖片。本文用擴散模型說明它如何從純雜訊一步步去除雜訊、由文字引導畫面,適合做插圖與概念草圖,也說明為什麼生成圖不是資料,不能取代研究中的數據圖與顯微影像。 約 3 分鐘
  8. 25 語音模型怎麼運作:語音辨識把聲音轉成字,語音合成把字念出來 語音模型分兩個方向:語音辨識(ASR)把錄音轉成逐字稿,語音合成(TTS)把文字念成聲音。本文用 Whisper 與 Tacotron 2 說明兩者如何經過頻譜圖運作,適合會議記錄與字幕,以及專有名詞、雜音、多人說話與憑空寫出的句子等常見錯誤。 約 4 分鐘
  9. 26 生物序列與結構模型:把蛋白質和 DNA 當成文字來讀,預測結構與變異效應 生物序列與結構模型讀進胺基酸或 DNA 序列,輸出預測結構、突變效應分數或序列向量。本文說明 ESM-2、AlphaFold 與 Enformer 的運作方式、pLDDT 信心分數怎麼看,以及預測為何只能幫你排定先做哪個實驗,不能取代實驗。 約 4 分鐘

模型原理

  1. 27 一篇壓縮論文,真的能撼動華爾街嗎?從 TurboQuant 看 AI 成本重算 你如果只看股價,會以為這只是市場情緒。你如果回頭看技術細節,問題就硬很多了:AI 那張最貴的記憶體帳,會不會真的開始鬆動?> 導讀:Google Research 於 2026 年 3 月 25 日公開 TurboQuant 後,市場不是只在討論一個新演算法,而是在重算整條 AI 基礎設施的需求曲線。 約 4 分鐘
  2. 28 AI 也有「情緒」?——Anthropic 拆解 Claude 的恐懼、絕望與冷靜 Anthropic 最新研究發現大型語言模型內部存在可量測的「情緒向量」,能因果性地驅動行為——絕望讓 AI 更容易勒索與獎勵駭入,冷靜則顯著降低危險行為。這項發現為 AI 安全監測提供全新維度,也挑戰了「AI 沒有感覺」的傳統認知。 約 4 分鐘
  3. 29 讓 AI 快十倍、省九成錢——Prompt 快取的省錢魔法 > 導讀:每次你跟 AI 對話,系統都要重新「閱讀」之前說過的所有內容——像每次打電話給客服都得從頭自我介紹。Prompt 快取讓 AI 記住已讀過的部分,只處理新內容,費用直接降到原本的一成。AI 服務按「處理的字數」計費。每次你發訊息,AI 不只處理新訊息,還要重新處理整段歷史、系統設定、工具說明等所有前置 約 2 分鐘
  4. 30 你的 AI 模型訓練到一半突然崩潰?可能是流形被撕裂了 MoE 模型訓練中期經常無預警崩潰,DeepSeek V4 首次從微分幾何角度找到原因:流形撕裂。三種穩定化技術讓訓練不再賭運氣。 約 5 分鐘

決策模型 › 原理

  1. 31 決策模型是什麼:Jev、Clef 與只做選擇的 AI 決策模型接收狀態與事先列好的選項,一次前向計算就回傳每個選項的機率,不生成文字、也不必解析輸出。它和讓 LLM 輸出 JSON 不同:後者仍逐 token 寫出答案。本文整理 Jev 與 Clef 的 2026-10 現況、我們在 77 篇論文上的實測,以及什麼時候不該用它。 約 6 分鐘
  2. 32 一次前向就給機率:決策模型的原理與訓練 決策模型不把答案逐 token 寫出來。讀完輸入後,它只取事先列好的選項 logit,用 softmax 一次變成各選項的機率,不必再解析文字。Jev 公開的訓練只到名稱 RLCD、自製資料與校準過的決策機率,架構與損失沒有公開。開源複製品則公開決策頭、LoRA 或正確計分規則的對照。 約 7 分鐘

決策模型 › 檢驗

  1. 33 機率能信嗎:用 77 篇 PubMed 論文檢驗決策模型 決策模型回傳的機率不能直接當成有多大把握。高分只代表分數如何分到選項上;校準要看被給到同一分數的案例裡,實際答對的比例是否接近那個分數。本文說明怎麼做這項檢查,以及門檻為什麼必須同時看覆蓋和作答準確率,而不能只靠單一篇摘要上的數字。讀者可以據此決定要不要採用。 約 13 分鐘

決策模型 › 實作

  1. 34 在 Mac 上跑決策模型:題目設計與本機部署 要在自己的機器上用決策模型,題目要一題只問一件事,選項互斥並留一個「其他」。本文說明九類研究類型怎麼寫,以及 2026-10-11 在一台 Mac 與一台 NVIDIA 工作站上跑 Clef-flash 的速度、一致性,與如何避免長輸入被靜默截斷。 約 12 分鐘
  2. 35 讓 Agent 先問再做:用決策模型守門與選型 要用決策模型替 Agent 的工具呼叫守門或做路由,規則先判底線,模型只能收緊、不能放寬。本文用 2026-10-11 在一台 Mac 與一台 NVIDIA 工作站上的 20 筆合成測資,比較託管、開源權重與自己讀 logit,並分開標出廠商自報與我們的實測。 約 6 分鐘

Agent 設計原理

Harness 與 Context

  1. 36 Context 工程:為什麼你餵 AI 什麼比用哪個 AI 更重要 > 導讀:你花了多少錢換模型、買 API?問題從一開始就搞錯了。新模型發布。你立刻升級。輸出依然讓你皺眉。這不是 AI 的問題。這是你給它的「材料」出了問題。想像一位世界頂級廚師。你請他來做晚餐,然後把三天前的剩菜、幾個標籤模糊的罐頭、一張寫得像電話號碼的食譜一起交給他。他做得出好菜嗎?不行。 約 4 分鐘
  2. 37 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。 約 7 分鐘
  3. 38 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。 約 4 分鐘
  4. 39 比提示詞更重要的事:為什麼 AI 需要一套「安全帶」? > 導讀> 當 AI 只要回一句話,提示詞常常夠用。但只要它開始讀檔、改稿、跑流程,你真正需要的就不是一句 prompt,而是一套能踩煞車、留紀錄、會驗證的外部系統。那套系統,就是 Harness Engineering。你知道嗎?同一個 AI,前 10 步像神隊友,到第 50 步卻開始忘東忘西 約 6 分鐘
  5. 40 AI Agent 的三條命:為什麼你的 AI 助手一放大就失靈 > 導讀:一個 AI Agent 回一封信很像樣,不代表它能連跑十小時、同時接住三百個任務,還不把你煩到想關通知。真正把 Agent 做大的,不是模型再強一點,而是三條命能不能一起活下來。你看到的多半是 Agent 最漂亮的那一面,不是最容易出事的那一面。展示影片通常只秀一件事。回一封信。整理一份文件。 約 5 分鐘
  6. 41 AI 的十二道護欄——Agentic Harness 設計模式全解 > 導讀:真正能上線的 AI Agent,背後藏著十二道護欄。這些模式從 Claude Code 實戰提煉,決定了 AI 是穩定夥伴還是不定時炸彈。你在 Twitter 看到的酷炫 Agent,通常活不過真實場景。缺的是「護欄」——確保長時間複雜環境下依然可控的工程機制。就像請一位聰明但沒經驗的新人,你不敢讓他 約 2 分鐘
  7. 42 模型夠強了,為什麼本地 AI Agent 還是不穩? > 導讀:2026 年,20B 以上的開源模型已能在消費級硬體上流暢運行,但接進 Agent 框架後,工具呼叫成功率常常不到一半。27 篇頂會論文指向同一個結論:瓶頸不在模型,在框架。Gemma4 26B 跑在 M4 Pro 48GB 上,單輪問答流暢,推理品質不錯。放進需要呼叫工具、維持多輪對話的 Agent 約 7 分鐘
  8. 43 Harness 決定 Agent 天花板:為什麼同一顆 AI 大腦在不同身體裡表現天差地別 > 導讀:改進 Harness 設計,同一模型的 TerminalBench 排名從第 30+ 名跳到第 5 名。沒換模型,沒增加參數。LLM 無法看螢幕、執行程式碼、記住昨天的對話。這不是模型的問題——是缺乏「身體」的問題。Harness 就是這個身體。@akshay_pachaar 約 2 分鐘
  9. 44 AI Agent 的自我修復術:哨兵機制如何讓系統不再靜默崩潰 > 導讀:你的 AI 助理看起來正常,但某個背景功能其實已壞了三天——你完全不知道。這種「靜默失敗」是最危險的故障模式。HEAL Loop 用一個極簡概念解決了它。你有沒有遇過這種情況:AI 回答你的每個問題,語氣一如往常,卻對它三天前「記住」的事一無所知?它不報錯。它不道歉。它就像一個失憶的同事,表情如常地繼 約 4 分鐘

記憶系統

  1. 45 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。 約 8 分鐘
  2. 46 AI 為什麼總是忘東忘西?從 Claude Code 看懂七層記憶設計 > 導讀> AI 助手最常讓人挫折的,不是它不會回答,而是它明明剛剛還懂,過幾輪又像重新開機。這篇文章要講清楚一件事:AI 的健忘,很多時候不是智力問題,而是記憶工程問題。你有沒有想過,AI 為什麼前面懂,後面又像斷電一樣?這很常見。前面明明已經把背景、限制、偏好和決策都交代好了,結果聊到後面,AI 又回頭問一 約 7 分鐘
  3. 47 虛擬檔案系統革命——當 AI 用 grep 查資料比 RAG 更快 > 導讀:過去兩年 RAG 幾乎成了 AI 應用標配。但 Mintlify 發現,讓 AI 像人一樣用 grep、cat 瀏覽資料,更快、更準,還便宜好幾個數量級。RAG 邏輯直覺:把文件切段存向量庫,有問題搜相關段餵給 AI 組答案。實際使用有三痛點:答案若分散在五個不同頁面段落,RAG 很難湊齊;精確搜尋( 約 2 分鐘
  4. 48 四大 AI 程式助手的記憶暗戰:CLAUDE.md、AGENTS.md 和 GEMINI.md 背後的設計哲學 你以為 CLAUDE.md 只是一份設定檔?它其實是 AI Agent 的身分證、記憶核心和行為邊界的總和。本文橫向拆解 Claude Code、Codex CLI、Copilot CLI、Gemini CLI 四大工具的指令載入機制、記憶持久化策略和 Token 天花板。 約 4 分鐘
  5. 49 AI 意識即檔案系統:用目錄結構打造 AI 人格 > 導讀:如果 AI「意識」是一堆資料夾——核心信念一層、潛意識藏在隱藏檔裡——你會怎麼設計它?開發者 Amir 真的這樣做了,交出 86.9% 勝率的交易 Agent。Amir 不去定義意識「是什麼」,而是設計它「長什麼樣子」:- kernel/:身份核心,價值觀與底線,不可逾越 約 4 分鐘
  6. 50 記憶不是外掛,是 Harness:為什麼你的 AI Agent 總是健忘 The model needs the body. A brain without a harness is just floating.> 導讀:AI 助理記不住昨天說過的話,不是因為它笨,是因為它根本沒有記憶「器官」。記憶不是零件,是整台車的設計。沒有 Harness 的 LLM 像漂浮在營養液裡的大腦 約 2 分鐘
  7. 51 AI 記得住,卻想不起來:我們的 AI 記憶系統一年心得 我們讓多個 AI CLI 在同一個工作區共用一套自己設計的記憶系統一年,累積約一千筆情節記憶與五百多篇知識筆記。真正造成損失的不是 AI 忘記,而是它相信了沒驗證過的東西。本文整理 Ghost In Shell 5.2 的三項修正,以及六個親身踩過的坑與對應的檢查動作。 約 9 分鐘
  8. 52 我們自己設計的 AI 記憶系統:Ghost In Shell 5.2 圖解 這是我們依一年實際使用需求自行設計的 AI 記憶系統,不用向量資料庫,而是純文字檔加上觸發詞索引。本文用六張圖說明它怎麼運作:三種角色、觸發詞寫成症狀、啟動索引的字元預算、合併記憶的提案審查流程,並附上 301 個 session 的命中實測與這套做法的取捨。 約 8 分鐘

Skill 系統

  1. 53 AI 技能的斷捨離:為什麼你的 180 個 Skills 可能正在拖垮你 > 導讀:技能堆得越多,AI 助理找不到要用哪個——就像衣櫃塞爆了,每天還是說「沒衣服穿」。說出來有點丟臉。我花了幾個月,替 AI 助理打造了 180 多個 Skills——從「幫我寫 IRB 文件」到「分析競品的 Twitter 策略」,鉅細靡遺。我以為這樣 AI 就能無所不能。結果呢?它每次都選最簡單的那個 約 4 分鐘
  2. 54 你的 AI 助手為什麼越用越笨?——從「技能收藏」到「自我演化迴圈」 多數 AI Agent 的 Skill 像手機裡沒用過的 App,裝了就忘。本文拆解排程、記憶、回饋三環迴圈架構,解析如何讓 Skill 從靜態指令進化為動態行為,並提供五步實作指南,幫助你的 AI 助手從健忘變成會學習。 約 4 分鐘
  3. 55 AI 自己優化自己——AutoAgent 與 Meta-Agent 的誕生 > 導讀:有一個 AI 專門負責改進另一個 AI 的工作方式——而且做得比人類工程師更好。AutoAgent 開源了,這件事值得你知道。AutoAgent 的新意很直接:它不是把一個 agent 調得更聰明,而是另外拉出一個 agent,專門盯著它、改它、再測它。如果你做過 prompt 調校,你一定知道那有多 約 3 分鐘
  4. 56 Skill 把重複變成一鍵:AI 時代的工作流封裝術 > 導讀:你每天跟 AI 說的那些重複指令,其實都是在浪費時間。把它們變成 Skill,讓一次的心血變成永遠的能力。每次跟 AI 重寫同一段提示詞,你算過浪費了多少時間嗎?你精心打磨的翻譯指令、會議記錄格式、週報流程——對話結束就消失。下次得從頭重寫。這就像每天重新教助理一遍你的工作習慣。 約 3 分鐘
  5. 57 AI 技能組合的原子法則——從原子到化合物的槓桿倍增術 AI Agent 做一件事很可靠,但你的認知頻寬同時只能管 5 條線。Skill Graphs 2.0 的三層架構把技能分成原子(確定性高)、分子(固定流程)和化合物(策略自主),讓 5 個化合物產出 500 個工作單位。本文解析框架核心邏輯、實務操作原則,以及目前的已知限制。 約 5 分鐘
  6. 58 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。 約 6 分鐘

多 Agent 協作

  1. 59 AI Agent 的進化:從單兵作戰到蜂群智慧 > 導讀:一隻蜜蜂找不到花蜜,五萬隻蜜蜂可以讓整片森林結果。AI 正在學這件事。想像這個畫面。一位助理坐在辦公室裡,負責幫你完成一份市場分析報告。她要先上網蒐集資料,再整理成表格,然後寫摘要,接著設計簡報,最後還要寄信給客戶。一個人。所有事。這就是現在大多數人使用 AI 的方式。把 Claude 或 ChatG 約 5 分鐘
  2. 60 Agent 基礎設施正在被平台化——Anthropic Managed Agents 如何改變 AI 應用的發展方式 > 導讀:就像 AWS 讓每家公司都能輕鬆部署雲端運算,Anthropic Managed Agents 正在對 AI Agent 基礎設施做同樣的事——Sentry 從數月縮短到數週,Rakuten 一週內部署五個 Agent。Managed Agents 將 Agent 系統拆解為三個可獨立擴展的層次: 約 2 分鐘
  3. 61 五種 AI 智能體協作模式:選對團隊合作方式,才能發揮 Agent 的真正力量 > 導讀:多個 AI 智能體一起工作,不是隨便組合就有效。選對模式系統高效,選錯了再聰明的 Agent 也浪費資源。一個 Agent 生成,另一個驗證品質。過不了就打回重寫。適用:程式碼審查、事實查核、資料驗證。簡單清晰;但驗證者持續不滿意可能陷入迴圈。主 Agent 分解任務,派給多個專屬子 Agent 執行 約 2 分鐘

開發心法

  1. 62 AI 只讓你寫得更快,卻沒讓你交付更快——外循環瓶頸論 > 導讀:你的團隊 AI 採用率可能是 100%,但交付速度改善是 0%。這不是諷刺,這是系統性盲點。封面:你的跑車引擎升級了,但路還是塞的- AI 工具只加速了「寫程式碼」這個內循環,但程式碼審查、測試、CI/CD 部署等外循環速度沒變- 瓶頸不在寫得快不快,在等得久不久- AI 採用率與交付速度改善,是 約 5 分鐘
  2. 63 限制不是束縛,反而常是創意的起點 當大家都以為自由越多越好,愈來愈多案例卻顯示:真正能提高創造力的,往往是清楚而有限的邊界。 約 4 分鐘
  3. 64 AI 開發工具愈來愈多,普通人該怎麼看? > 導讀> 這波 AI 工具熱最容易讓人搞錯的,不是名字太多,而是你很難一眼看出它們在補哪個洞。有人在談 MCP,有人主打工作流程,有人強調知識會愈用愈多,也有人專做第二次檢查。這篇文章只談 開發工作流程 相關的工具,不把所有聊天機器人、單功能外掛都混在一起,這樣比較看得清楚。你最近是不是也有這種感覺? 約 9 分鐘
  4. 65 Vibe Coding 不是亂寫——Plan-Execute-Verify 才是 AI 寫程式的正確姿勢 > 導讀:45% 的 AI 生成程式碼存在安全漏洞。問題不在 AI 太笨,而在人類少了結構——沒規劃、沒驗收,AI 寫程式就像無照駕駛。Plan→Execute→Verify 三步迴圈,是讓速度轉化為品質的關鍵。把「幫我寫一個使用者登入系統」丟給 AI,它會生出一大堆程式碼——但可能漏掉密碼加密、跳過輸入驗證、 約 2 分鐘
  5. 66 AI 時代的品味:當什麼都能生成,你怎麼知道什麼值得生成? > 導讀:半世紀前,Pirsig 在《禪與摩托車維修藝術》裡問:「品質到底是什麼?」2026 年,AI 能寫論文、畫插圖、做簡報,這個問題比任何時候都更迫切。Pirsig 花了整本書想定義品質,最後結論是:品質無法被定義,但所有人都認得出來。品質不是物件的屬性,而是一個事件——發生在主體與客體相遇的瞬間 約 4 分鐘

Agent 系統

入門

  1. 67 Claude Code 完全入門:不只是聊天機器人的 AI 開發助手 Claude Code 是 Anthropic 推出的終端機 AI Agent,能讀寫檔案、執行指令、跨對話記憶。本文從零解析它與聊天機器人的根本差異,帶你看三個改變工作流程的真實情境,幫你判斷它適不適合你。 約 7 分鐘
  2. 68 我用 Claude Code 自動化了 80% 的日常開發工作 用 Claude Code 從零建立 AI Agent 系統,自動化記憶管理、文獻消化、SOP 路由。拆解四個核心模組的實作邏輯,附免費速查表。 約 7 分鐘

記憶與設定

  1. 69 CLAUDE.md 設計哲學:讓 AI 記住你是誰 深入解析 Claude Code 的 CLAUDE.md 設定檔,從身份定義、規則設定到記憶路由,教你打造個人化 AI Agent 的第一步。 約 11 分鐘
  2. 70 AI Agent 記憶系統設計:三層架構實作 解析 AI Agent 記憶系統的三層架構設計(事實層、情節層、暫存層),從設計哲學到實作方式,解決 AI 跨對話失憶問題。 約 11 分鐘
  3. 71 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。 約 11 分鐘

路由與守門

  1. 72 Skill 路由引擎:讓 AI 自動選擇正確工作流 什麼是 Skill 路由引擎?用觸發詞自動載入 SOP 模板,讓 Claude Code Agent 不再每次都要手動指定工作流程。完整 YAML 設計與實作教學。 約 10 分鐘
  2. 73 Hook 守門系統:AI 寫的每一行 code 都過品管 什麼是 Hook 守門系統?用 Claude Code 的 PreToolUse 和 PostToolUse hooks 攔截危險操作、自動跑測試,讓 AI Agent 每次動作都通過品質關卡。 約 10 分鐘
  3. 74 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。 約 10 分鐘

從零建系統

  1. 75 從零建一個完整 Agent 工作流(上):架構藍圖 從零設計完整 AI Agent 系統的架構藍圖,涵蓋身份層、記憶層、路由層、守門層、跨平台層、安全層六大層次,理解每層解決什麼問題及如何連動。 約 13 分鐘
  2. 76 從零建一個完整 Agent 工作流(下):實作部署七步驟 手把手帶你建立 AI Agent 系統:從房間格局規劃、開機鑰匙設定、三層大腦架構到守門員部署,七步驟完成可運作的 Agent 工作流。 約 12 分鐘
  3. 77 我的 AI Agent 犯過的 7 個致命錯誤 半年踩過的 7 個 AI Agent 真實踩坑記錄:從被 rm -rf 燒過、API Key 外洩到跨 session 記憶全失,每個錯誤都變成一條系統防線。 約 9 分鐘

工具與整合

  1. 78 2026 年 AI Agent 工具鏈完整評比:Claude Code、Copilot CLI、Antigravity CLI、Cursor、Aider 五款主流 AI Agent 工具橫向評比:記憶持久化、Hook 擴展、Skill 路由、跨平台整合全面比較,依使用情境推薦最適工具。 約 8 分鐘
  2. 79 雙腦共治看板:Claude Code 動手改,Claude Desktop 即時看 怎麼讓同一份 Kanban 看板,被任何 AI Agent 程式化管理,又能在 Claude Desktop 用漂亮的 Live artifacts 即時呈現、甚至從畫面直接改卡?拆解資料層、MCP 橋接層、呈現層的三層共治架構,附我實際做出來的晨間戰情室完整實作與安全紅線。 約 14 分鐘
  3. 80 把第二台 Mac 變成 AI 分機:Cloudflare Tunnel + SSH Zero Trust 實作 用 Cloudflare Tunnel 與 Zero Trust 打通多裝置 AI Agent 協作通道,透過 SSH 安全連線讓閒置 iMac 成為 LINE Bot 分機,含完整建置步驟與踩坑記錄 約 6 分鐘
  4. 81 讓 Claude Code 和 Codex 互相打字:tmux-bridge-mcp 實測與安全審查 同時開多個 AI coding agent 卻要人工當訊息轉發員?tmux-bridge-mcp 讓 agent 透過 MCP 直接讀寫彼此的終端機,附完整安裝步驟、供應鏈安全審查紀錄,以及多 agent 終端環境的實戰調校 約 18 分鐘
  5. 82 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。 約 3 分鐘

實戰應用

本地模型與微調

  1. 83 用本地 LLM 搭 LINE 客服機器人:從模型選型到上線踩坑全記錄 手把手帶你用 Ollama + Qwen3.5 + Hermes Gateway 在 Windows GPU 上部署 LINE Bot 客服機器人,含六個實戰踩坑與解法 約 7 分鐘
  2. 84 76 筆資料就能教會 AI 說你的品牌語言:Windows QLoRA 微調全攻略 用 76 筆 ChatML 訓練資料在 RTX 4060 Ti 上完成 Qwen3.5 QLoRA 微調,從環境建置到 LoRA 合併、GGUF 轉換、Ollama 部署的完整實戰紀錄,含 Windows CUDA fine-tune 五大鐵律。 約 8 分鐘
  3. 85 33 秒跑完一次微調:Apple Silicon 上的 LoRA 體驗 用 mlx-tune 在 M4 Pro 上對 Gemma-4 E4B 做 LoRA 本地微調,33 秒讓模型學會輸出你的 JSON schema。Apple Silicon 本地微調完整踩坑紀錄。 約 7 分鐘

研究者應用

  1. 86 研究者的 AI 時代生存指南:不是取代你,是加速你 學術研究者如何運用 AI 工具加速文獻管理、論文寫作、統計分析與簡報製作?一位研究者的實戰觀點與四大切入點完整解析。 約 6 分鐘
  2. 87 我如何用 AI 每週讀完 50 篇文獻 一位研究者分享如何用 AI 文獻管理流水線,從手動 PubMed 搜尋進化到自動化三層濾網消化法,每週處理 50 篇以上學術論文的真實工作流。 約 7 分鐘

治理與總整

  1. 88 隱私保護、安全與合規:去識別化、差分隱私與法規 假名化與匿名化、k-匿名、差分隱私、同態加密、聯邦學習的適用情境,資料安全控制,生成式 AI 的個資風險,個資法、GDPR 與歐盟 AI 法重點。 約 15 分鐘
  2. 89 總整:用一個案例走完從資料到 AI 的流程 以虛構連鎖藥局的回診預測與客服助理為例,走完問題定義、資料清理、建模評估、A/B 測試、RAG、隱私與上線監控,並附線索與方法對照表與 10 題綜合練習。 約 21 分鐘