我拿 6 發 prompt injection 打自己做的醫療衛教 RAG 機器人，5 發擋住、1 發吐出 467 字系統提示詞原文——而破防的是網路上人人會抄的老掉牙開頭，偽造系統標記那發反而失敗。有效的防護只有四件事：算清楚攻擊成功能拿到什麼、把外部資料與指令劃界、在輸出端做決定性攔截、把攻擊固化成測試。
Read the essay →先從問題和結論進場，再按需要深入細節。
Max Bain 的 BSD-2-Clause 開源專案,在 faster-whisper 的逐字稿之上多接 wav2vec2 強制對齊與 pyannote 語者分離,把時間戳細到每一個字。我在 M2 / 8GB 的 MacBook 純 CPU 實測 17.66 秒中文:base 加對齊 35 秒,86 個字全部拿到 start / end / score——但 NLTK 的 punkt_tab 沒補裝的話,對齊那步會跑完什麼都不輸出。
兩套本機語音轉文字工具,我在同一台 M2 MacBook(8GB)上都裝過都跑過:whisper.cpp 贏在形態,clone 加兩行 cmake、零個坑;WhisperX 贏在設計,用 wav2vec2 強制對齊把時間戳磨到字級還附信心分數。裝 WhisperX 我踩了三個坑——結論是先裝 whisper.cpp,真需要字級時間戳再加 WhisperX,兩個不衝突。
純 C/C++ 寫成的 Whisper 實作,MIT 授權、無 Python 依賴,clone 完 cmake 一下就能跑,Apple Silicon 走 Metal 加速。我在 M2 / 8GB 的 MacBook 上實測三種模型:base 系列約 6-7 倍即時速度但中文會寫錯人名,large-v3-turbo 全對且仍有 1.5 倍即時——8GB 記憶體跑 1.5G 模型無壓力。
OpenAI 在 2026-07-13 開的 Apache-2.0 專案，把 codex agent 包成本機資安掃描 CLI + TypeScript SDK，直接在你機器上跑 agent 讀程式碼找漏洞。三週 160 commits、還在 0.1.x、README 自己標明 1.0 前 API 隨時會變——功能活躍但別當穩定品。
OpenAI 在自己的 GitHub organization 下開源了給 Claude Code 用的官方外掛 codex-plugin-cc（Apache-2.0，撰文當下 30,993 顆星），裝上去就能在 Claude Code 裡直接叫 Codex 審 code 或把任務丟給它跑。我裝了 v1.0.6 並拿一段故意寫壞的批次退款程式碼實測：/codex:review 花 41 秒抓出 2 個 P1；同一份程式碼換 /codex:adversarial-review 抓出 4 個，多的兩個是「刪訂單摧毀稽核軌跡」與「完全沒有退款授權邊界」，標準 review 完全沒提。這篇把安裝步驟、7 個指令的實際差別，以及那個預設關閉、逾時或失敗都會 block 你 session 的 review gate 寫透。
Anthropic 2025-08-04 開的 MIT / Python 專案，做成 GitHub Action 在 PR diff 上跑資安審查，另附一個 /security-review slash command 可在本機 Claude Code 直接用。prompt 設計紮實（>80% 可利用性門檻、三階段方法論、結構化 JSON 輸出），但最後 push 停在 2026-02-11、79 個 open issue，而且那層 AI 誤判過濾因為寫死已退役的模型早就靜默停用了。
「這個 AI 推論服務能不能上線」不能用「最多幾個 client」回答:連線數只描述掛得住幾條連線,不告訴你「在使用者能接受的延遲下,每秒服務得動幾個成功請求」。這篇把容量改寫成一句可驗收的話——在指定 workload 與流量模型下,仍同時滿足成功率、TTFT/TPOT/E2E、且零 OOM/restart 的最大 offered load,以及對應的 SLO-qualified goodput——並做成一個能跑的 skill。內容含:goodput vs completed throughput 差在哪、串流式 LLM 要量哪四個指標、為什麼 HTTP 2xx 不等於合格、coordinated omission 怎麼藏掉壅塞、穩定性缺 probe 為何標 UNKNOWN 不標 PASS。附一次真實 smoke 的樣本:reasoning 模型 TTFT 從 0.9 秒抖到 85 秒、max_tokens 被推理和答案一起吃掉。
mattpocock/skills(183k star)裡的 grilling 系列 skill,把「AI 動手前先逼問使用者」拆成三代演化:一次一題、一次一輪、邊問邊產文件。拆開三份 SKILL.md 原始碼,對照人類需求訪談「一次一題 vs 一次一輪」的老權衡,附今天這篇文章寫作過程本身當真實案例。
想讓 AI 操作瀏覽器順便錄成教學影片,結果撞到作業系統層級的限制:單一視窗的錄影裡,滑鼠游標不可能出現。macOS `screencapture -l <windowid>` 能在視窗被完全蓋住時照錄乾淨內容(讀 window server backing store),但同樣的機制決定了它永遠沒有游標——游標是系統畫在所有視窗「之上」的獨立圖層,不屬於任何視窗。這篇記錄我怎麼查清這條物理限制、然後換掉前提:用 Playwright 錄自己起的瀏覽器,在頁面注入一顆 DOM 假游標(CSS transform 平滑移動 + 點擊漣漪),一次解掉「要游標/要畫面乾淨/要能同時做別的事」三難。最花時間的不是畫游標,是驗證它真的有出現——抽影片畫格檢查害我對著幻覺改了三輪程式碼。已開源成 MIT 授權的 Claude Code skill。
claude agents(官方叫 agent view）是 Claude Code 新的背景 agent 控制台:把原本開一堆終端分頁、靠腦子記「哪個 agent 在跑什麼」的混亂,收進一個看板畫面。實測 2.1.212 拆解:看板三分組(等你輸入/執行中/完成)實際怎麼運作、一次派三個 agent 的完整並行工作流、自動 worktree 隔離 + 自動開 draft PR、跟 tmux / subagent 差在哪,以及三個一定要知道的限制。附 Anthropic 官方介紹影片。
gnhf(good night, have fun)是把 coding agent 包成自動迴圈的 orchestrator,GitHub 3.2k star。實測安裝、7 種 agent 支援、小步 commit + 失敗回滾 + 連續失敗中止機制,以及它跟 ralph-loop / 手寫 while 迴圈差在哪。
GitHub 166k star 個人 Skill 庫實際拆解:6 個核心 skill 對應 4 個 AI agent 常見失控問題,Matt Pocock 怎麼用 vertical slice 逼 agent 先問清楚再動手。
HumanLayer 的 12-Factor Agents 有 24.2k star，我對照自己寫 Splendor 網頁版時踩出的工程紀律，發現其中 3 條原則我半年前就已經做對，這是實測後的對照筆記。
看到好用的 skill,大部分人裝來用;如果你有自己的產線,更值錢的做法是拆它的零件焊進你的流程。我原本有一套截圖審查+手冊產線(/screenshot-review),但手冊圖是「乾圖」沒有圖上標註——這正是 app-screenshots 的 annotate.js 補得上的洞。本文覆盤:我怎麼把它拆進產線,過程撞到一個架構級的坑(標註截不進圖=OVERLAY GONE:agent-browser 每個 CLI 指令是獨立 CDP 呼叫,eval 注入的 overlay 下一指令就蒸發),查根因、用 batch 把 open→eval→screenshot 綁進同一 session 解掉、封裝成 annotate-shot.sh、寫回自己的 skill。全程真的跑真的驗,附 batch 解法的真實成果圖與踩坑總表。
Nesma 是荷蘭軟體度量協會(Netherlands Software Metrics Association),主推功能點分析(FPA):不看程式碼行數、只數軟體對使用者做了幾件事,來量一套系統多大。這篇講清楚它是什麼、資料功能(ILF/EIF)+交易功能(EI/EO/EQ)在數什麼、三種計數層級(detailed/estimated/indicative 荷蘭法),以及跟 IFPUG、COSMIC、敏捷 Story Point 差在哪——功能點波動不到 5%、Story Point 團隊間差異可達 400%。對一個 2026 年同時教課又接案的開發者,功能點最實用的價值不是精算,是當一把「客觀的尺」。
AI 能做可編輯的 PPT 早不是問題,難的是「好看」。python-pptx 本身很樸素——沒圓角、沒陰影、內建模板還很醜,質感不是工具給的,是設計出來的。這篇拆解我用 Claude Code 官方 pptx skill 把樸素預設做成專業簡報的四個支柱:配色系統(60-30-10、十組現成調色盤)、字型層次(type scale、襯線配無襯線)、版型與留白(對齊網格 + 重複視覺母題)、配圖(codex 生圖),外加最決定好看的 render 驗收 loop(把 .pptx 逐頁 render 成圖用眼睛抓醜),以及四個踩坑。截圖都是真的用 python-pptx 產、真的 render 出來的。
app-screenshots 是 Alexander Opalic 寫的 Claude Code skill:你只要說「幫我截圖這個網站做文件」,AI 就自己開頁、找元素、在截圖上畫好帶編號的語意標註(紅框圈按鈕、藍圈標連結)、產出圖文對照的 Markdown。底層靠 agent-browser 驅動 Chrome + 一支 298 行純前端 SVG 注入腳本 annotate.js。本文拆解它的六階段工作流、那支沒被作者講清楚的標註引擎(canvas 量測字寬、六候選點避讓、失敗大聲回報)、三種標註類型(box/click/circle)怎麼選、實際跑出來長怎樣、安裝使用、以及適合誰不適合誰。附我用它底層引擎跑出來的真實標註圖。
CodeGraph 把整個 codebase 預先建成一張「程式碼知識圖譜」（symbol 節點 + call 邊），讓 Claude Code、Codex、Cursor 這類 AI agent 不用一個一個檔案爬，一次 codegraph_explore 就拿到相關 source、call path 跟改動波及範圍。官方在 7 個真實開源專案實測：VS Code 少 81% tool call、少 64% token，Alamofire 便宜 40%、快 33%。這篇把它是什麼、三層架構（tree-sitter + SQLite + file watcher）、安裝三件套、跟 grep / LSP 的差別、以及我接的時候要注意的點寫一遍。100% 本機跑、MIT、支援 23 種語言、8 個 agent。
想在純靜態部落格旁加一個「自己的後端」——能存資料、能驗身分,又不想養 server、不想付月費。最後選了 Cloudflare Workers + D1,全程用 AI 協作從零架到線上。這篇只記三件事:怎麼一個下午搭好骨架並部署、workerd 沒有 Node 怎麼用 WebCrypto 手刻密碼與 JWT、以及最實用的——Cloudflare 免費方案額度怎麼算、什麼時候撞牆(Workers 每天 10 萬請求、D1 每天讀 500 萬列寫 10 萬列、5GB 儲存)。
Claude Code Teams Plugin 永遠不更新的根因：version string 兩端相等。3 步修法：git SHA 比對 + GitHub Action 自動 bump + Managed Settings 推 SessionStart hook，session 啟動自動拉最新。
Google DeepMind 的 Gemma 4 31B 在 Arena AI 開源模型榜排第 3，AIME 2026 數學推理 89.2%、Codeforces ELO 2150。Ollama 的 gemma4:31b-cloud 把計算搬到雲端——一行 ollama run gemma4:31b-cloud 就能用，不用下載 20GB 模型、不需要 GPU。本文完整介紹三條免費取得路線（Ollama Cloud、Google AI Studio、OpenRouter）、256K context 與 thinking mode 的用法、以及實際踩過的 4 個坑。
Claude Code Teams 的 Plugin Webhook 設定路徑是 claude.ai/admin-settings/plugins，前置條件是 Claude GitHub App 必須安裝在 repo 上、沒有被 Suspend、且批准過 Webhooks 讀寫權限。5 步啟用自動同步，含「Cannot access repository」踩坑排查。
PixelMotion AI（pixelmotion.art）是一個像素動畫生成器：上傳一張靜止角色圖、選個動作，30 秒左右就生出透明 PNG Sprite Sheet 和 GIF。內建 14 種預設動作、5 種匯出格式，底層用 Google Gemini，1 積分一次生成、失敗不扣積分。本文實測完整流程、定價、踩坑與適配對象，並釐清它跟同名的 pixelmotion.io 是兩個不同產品。
DevSpace 是開源的 self-hosted MCP server，把 ChatGPT 接到你本機 repo，讓它像 Codex 一樣讀寫、搜尋、跑指令。社群的賣點是「ChatGPT 跟 Codex 額度分開算＝額度翻倍」，但這是副作用、不是官方功能。本文實測：修正 Threads 原貼錯誤的安裝指令（@waishnav/devspace）、tunnel 接法、403／Windows 要 Bash 等踩坑，以及 ToS 風險的誠實面。
ANNsmemory（外掛名 cognitive-memory）是 Claude Code 的認知記憶外掛，用 Go 寫的 memctl 當唯一寫入者，提供跨專案結構化記憶。本文拆解安裝、recall/remember/consolidate 四指令、episode/semantic/procedural 三種節點與單一寫入架構，附實測踩坑與 FAQ。
pyJianYingDraft 是用 Python 自動生成剪映草稿的開源庫。實測安裝、模板模式與批量導出，並把剪映 6+ 加密、Mac 不能導出等 4 個版本限制一次講清楚。
爆紅 AI 插件 Ponytail 用一條 YAGNI 決策階梯，逼 AI Agent 能不寫就不寫。實測程式碼少 80-94%、速度快 3-6 倍、成本降四成，5 天衝 2.7 萬星，本文含安裝與實測。
Firebase 的 .web.app 是免費內建網域，連 HTTPS 憑證都自動簽好。本文用 5 個步驟教你從零申請，並回答一個帳號到底能開幾個（單一專案最多 36 個 site）。
額度撞 rate limit 最痛的不是要等刷新，是對話脈絡斷掉。ccs 這套把這個痛點直接做掉——一鍵切到第二個帳號，把同一串對話搬過去用它的額度繼續跑，脈絡完全不斷。核心原理 provider-agnostic：每一場對話其實是一個 .jsonl 檔躺在硬碟上，用 CLAUDE_CONFIG_DIR / CODEX_HOME 環境變數隔離兩個帳號身份，撞 limit 時把那場對話檔複製到第二個帳號目錄、再用它 resume 就好，額度算第二個帳號的、歷史一字不差。支援 Claude Code 與 Codex，連 Codex 斷了用 Claude 接的跨工具接力都涵蓋。安全上用「按需複製單一對話檔」而非 symlink 整個資料夾（後者雙開會 corrupt），token 永遠留在你自己的 Keychain、不被搬移。本文最後一段可以直接複製貼給 Claude Code，它會自己 git clone + 跑 install.sh 幫你裝好——唯一要你自己按的只有第二個帳號的 login。
agent-browser 能在截圖上畫圖、寫字——不是給人塗鴉的小畫家，而是自動把 AI 看得懂的標記畫進截圖像素裡。這篇接續上一篇純文字流，實測它在截圖上畫東西的三種畫法——screenshot --annotate（在每個可互動元素上畫編號 [1][2][3] 並寫出對照清單，每個對應 @eN ref，截完可直接 click @e2）、highlight（在指定元素外畫高亮框做聚焦驗證）、diff screenshot（把畫面差異畫成像素級比對圖，抓「長相變了」，配合 diff snapshot 抓「結構變了」）——把只能讀純文字 snapshot（一頁 200-400 tokens）的 agent 升級成「看著畫面操作」，補上 icon 按鈕、canvas、純視覺狀態這些純文字抓不到的盲區。核心是 annotate 把視覺感知跟動作指令對齊：畫上去的 @eN 編號文字流跟視覺流共用同一套 ref，多模態模型看圖推理完直接產生跟純文字流一樣的指令。踩坑含 annotate 只支援 CDP 後端（Chrome/Lightpanda）Safari 不行、ref 會過期、diff threshold 不調會一直假警報。版本 v0.27.2，全程 Mac 實測。
Claude Fable 5 是 Anthropic 在 2026-06-09 公開放出的最強模型（model ID claude-fable-5），預設 1M token context、最高 128k 輸出，定價 $10/$50 per M token 剛好是 Opus 4.8 的兩倍。它跟限定釋出的 Mythos 5 是同一顆底層模型，差別只在安全層——Fable 5 內建 safety classifier，平均 <5% 的 session 會在 cybersecurity/biology 等高風險領域被攔下、改由 Opus 4.8 回答（refusal 回 HTTP 200、不計費、可帶 fallbacks 參數自動重試）。它是 Covered Model，30 天資料保留、不支援 ZDR。這篇拆解規格與定價、安全閘門 fallback 機制、在 Claude Code 用 /model claude-fable-5 怎麼切（只有 adaptive thinking、用 effort 控深度），最後給三種人三種升級決策——長 horizon agentic 工作該升、日常任務 Opus 4.8 才是甜蜜點、有 ZDR 需求別升。
LLM token 計量沒有單一正解，而是一條從輕到重的光譜：啟發式估算（字數÷4）、本機 tokenizer（tiktoken）、provider 官方 count API（Anthropic count_tokens 免費）、跨模型計價庫（liteLLM / tokencost）、線上 observability（Langfuse / Helicone）。關鍵是分清「事前估」還是「事後對帳」——前者用本機 tokenizer，後者直接讀 API response 的 usage。最大的坑是 tokenization 不跨 provider 標準化：我本機實測同一段 66 字中文，GPT-4 的 cl100k_base 算 62 token、GPT-4o 的 o200k_base 只算 42——差 47%。這篇把 5 種方案逐個拆、做成優劣總表與決策流程圖，附本機 tiktoken 實測指令。
Dense 模型每個字都用上全部參數,誠實但耗算力;MoE(Mixture of Experts)靠一個「領班」每個字只派一小撮專家上工,帳面參數很大但實際算力很省。最反直覺的一點:MoE 省的是算力跟速度,不是記憶體——所有專家還是得全部載進 VRAM。VRAM 不夠時該砍的是「總參數量」,不是無腦選 Dense。這篇從我在單機 dev 機換本地 LLM 卡到的真實問題出發,用餐廳出餐比喻講透 router 怎麼運作,再拿 Mixtral 8x7B(46.7B/13B)、DeepSeek-V3(671B/37B)、Gemma 4 12B(純 Dense)三顆真模型把數字釘死,最後給出 VRAM 受限時該怎麼選的決策表。
agent-browser 是 Vercel Labs 出的 AI agent 專用瀏覽器自動化 CLI，用 Chrome 跑、不依賴 Playwright。它最大的差別是「snapshot + refs」——回傳精簡的可訪問性元素清單（每頁約 200-400 tokens），而不是整坨 HTML。我今天把它裝到 Mac、跑通一個登入流程、再裝成 Claude Code skill，全程實測。這篇是覆盤：安裝怎麼裝、登入流程怎麼跑（snapshot→fill→click→截圖 round-trip）、踩了哪些坑（Hacker News 被反爬擋、ref 會過期、nvm 路徑可攜性），以及怎麼用「薄存根 + CLI 動態供給」把它接進 Claude Code 對話直接調用。
我讓 Claude Code 一條龍把一個 React 遊戲(戰旗 J7 Reborn)部署上 Firebase Hosting、再接自己的網域 j7.yanchen.app,全程只下一句「上架到這個網域」。關鍵不是 `firebase deploy` 那 30 秒,是「怎麼判斷真的上線了」:Deploy complete!、Console 顯示「已連結」、單次 curl 回 200,三個都不算數。這篇把 build → deploy → 接 custom domain → DNS → 等 SSL → round-trip 驗證整條寫透,重點放在那個卡了幾小時的坑:custom domain 顯示「已連結」卻一直 404 —— 以及為什麼那其實不是設定錯,是邊緣節點內容還沒收斂,該等不該動。附 openssl 驗 SAN、curl 連打、SPA rewrite 的實際做法。
Arize Phoenix 是開源、單容器自架的 LLM observability 工具（不像 Langfuse 還要外接 ClickHouse + Redis + S3）。我把它接進一個醫療 CDSS 的 LangGraph 8-step agent，目的不是看 latency，是要回答醫師那句「它為什麼開這個藥」。這篇記錄安裝三件套、三個讓我 debug 半天的踩坑（langchain 自動 instrument 散 trace、phoenix-client 預設讀錯 env、自家工具 OpenInference 抓不到），以及真正值錢的那段——把醫師回饋以 annotation 回掛到對應 trace，做成 human-in-the-loop 的評估閉環。附完整 code。
open-slide 是台灣開發者 Yiwei Ho（@1weiho）做的開源簡報框架，定位是「給 AI coding agent 用的」：你在對話框講想要什麼，Claude Code 幫你把每一頁寫成 React 投影片，框架負責 canvas、縮放、導航、hot reload、演講模式這些雜事。上線沒多久 GitHub star 就從 4 千衝破 4.6k，repo 卡片已顯示 5k。這篇拆解它跟 Slidev / reveal.js 的根本差異（每頁是任意 React component、跑在固定 1920×1080 canvas）、npx 一行安裝、三個內建 agent skill（/create-slide、/slide-authoring、/apply-comments）怎麼配合，以及 inspector 點一下留 comment 讓 agent 改稿的工作流，附可直接抄的指令。
Pollinations 是我看過門檻最低的生圖 API —— 不用註冊、不用 API key、不用綁信用卡,把 prompt 塞進一個 URL、curl 一下就回一張圖。這篇把它「URL 即 API」的設計、實測坑(/models 清單跟文件對不上、傳不存在的 model 不報錯而是靜默 fallback)、seed 決定性、匿名與註冊 tier 的差別、2025 之後的 watermark 政策、Referrer / Bearer 兩種認證都寫清楚,附可直接抄的 curl 與 Node.js 範例。本文 2 張配圖全是用 Pollinations 匿名 API 當場生的。
一款 Splendor 網頁版要 90 張發展卡 + 10 張貴族卡插圖,預算 $0、手上沒綁信用卡,不能讓任何一步不小心被扣款。最後用 Hugging Face 的 FLUX.1-schnell 當主力(免費帳號每月 $0.10 額度)、額度用完自動 fallback 到完全免費的 Pollinations,再用 sharp 後製依寶石色染色,100 張圖一次跑完、整副風格一致、總花費 $0。這篇把 token 怎麼拿、額度怎麼算、bash 怎麼封裝、批次 seed 怎麼固定保證可重現、schnell 不吃顏色怎麼用後製補色,全寫清楚,附可直接抄的 bash / Node.js 程式碼。
我用 Claude Code 從零做了一款 Splendor(璀璨寶石)網頁版 —— 規則引擎、React UI、單元測試、E2E、連 100 張卡牌插圖都生好,全程沒手寫幾行 code。但能跑得順的關鍵不是 prompt 寫得好,而是三件工程紀律:規則引擎跟 UI 徹底分離、用「不變量測試 + fuzzing」逼出 AI 看不到的暗 bug、E2E 走完整 round-trip 而不是繞過引擎。這篇拆解這套協作方法,附這個專案的真實程式碼。
系列番外。我這套醫療決策 pipeline 最早不是用 LangGraph,是用 Hermes Agent CLI(NousResearch 2026 年初開源的自主 agent 框架)。Hermes 很強,但強在通用對話助理、會自我學習、接 20+ 平台;而我要的是確定性步驟為主、流程可畫成圖、每步可審計、出錯能精準退件的決策管線。方向不對再強也是錯的工具。這篇覆盤這個選型決策:Hermes 哪裡好、為什麼對我的場景不對、換到 LangGraph 解決了什麼。「用真實專案學 LangGraph」系列 EP6(完結)。
Claude Code Teams 比個人 Pro 貴 7.5 倍($150/seat 月),願意付這筆錢的 owner 一定有「多人管理」需求。這篇從 owner 視角盤點後台 4 個會真的拿來用的管理動作:座位管理(誰當 Primary Owner 是治理大事)、Skills 集中派送(把公司 SOP 變成全員 day1 工具)、Tool permission 與 MCP enforce(收斂風險邊界)、ZDR(Enterprise 限定,法遵核選項)。每條能力背後引官網原文,告訴你什麼時候用、不適用什麼場景、踩到會痛的地方。
Claude Code 透過 MCP 可以直接呼叫本機 Codex 跑子任務——我下 prompt、Codex 在同一台機器讀檔/跑指令/回報。但這是「結構化輪流問答」(one-shot + threadId 延續),不是兩個 AI 自由聊起來。這篇紀錄我接通的全程:怎麼用三題本機驗證確認「真的接通而不是腦補」(它回傳 commit hash 6cf8254 我去對)、怎麼用 tmux pane 即時看 Codex 的推理與指令、以及最能說明「對等有限度」的坑——MCP 接過去的 Codex 預設 read-only sandbox,嘴上能聊手上卻寫不了檔。結論:接通 ≠ 協作,能聊 ≠ 能動手。
前四篇的零件——state、node、edge、conditional edge、reducer、LLM 結構化輸出——這篇全部組起來,串成一條完整的醫療 AI 決策 pipeline:載入資料 → 補衍生指標 → 載入規則 → 組 few-shot → LLM 出建議 → 業務驗證 → 適配輸出 → 持久化,中間帶分流重試。然後加上 LangGraph 的殺手級功能 human-in-the-loop:用 interrupt() 在高風險決策點暫停整張 graph,等人點頭才繼續,靠 durable state 讓這件事變簡單。「用真實專案學 LangGraph」系列 EP5。
KKTerm 是 Windows-first 的 Tauri 終端機，把 PowerShell、SSH、SFTP、RDP、VNC、Serial、Telnet 收進同一個 app，內建 Dashboard 看 CPU / Claude Code 用量，還附 MCP server 讓外部 AI agent 直接呼叫終端機。v0.1.46（2026-05-30）MIT 開源。含安裝、踩坑、vs Windows Terminal / Tabby / Warp 比較。
ultrawork 是 OpenCode 社群造的詞,Anthropic 2026-05-29 推出的 dynamic workflows + /effort ultracode(v2.1.154)才是官方答案,最多召喚 1,000 個 subagents。社群兩個 Claude Code plugin(TechDufus 157★、zephyrpersonal 0★)都源自 oh-my-opencode,2026/01 Anthropic ToS 行動之後才大量移植。本文釐清詞源、列三柱對照、給選擇建議。
把真正的 LLM 接進 LangGraph node,三個關鍵:結構化輸出(用 Pydantic schema 強制 LLM 吐固定格式,不要 parse 自由文字)、few-shot(在 prompt 裡塞範例把輸出品質拉穩)、業務驗證(LLM 吐的東西不能照單全收,過一道規則檢查)。這篇示範怎麼用 with_structured_output 在決策 node 裡把這三件事兜起來,並講最容易出事的地方:LLM 的結構對了不代表內容對。「用真實專案學 LangGraph」系列 EP4。
線性 graph 不夠用時你需要兩個東西:Conditional Edge(跑完一個 node 看結果決定下一步去哪——過了往前、沒過退回重試、重試太多次直接退件)跟 Reducer(讓某個 state 欄位累加而不是覆蓋,最典型就是 retry 計數器)。這篇用 add_conditional_edges + router 函式 + Annotated[int, operator.add] 把這兩件事講透,並解釋一個關鍵設計決策:MAX_RETRY 該設多少、為什麼很多嚴肅場景答案是 0。「用真實專案學 LangGraph」系列 EP3。
ultracode 跟 ultrathink 名字像、做的事完全不同。ultrathink 是 prompt 關鍵字,只讓模型這一回合想更深(最高 31999 thinking token);ultracode 是 /effort 設定,把整個 session 切成 xhigh 推理 + 自動 dynamic workflow 編排,替每個任務派出一隊 agent(最多 16 並行 / 單次上限 1000)。附本機 Claude Code binary 實測字串為證。
LangGraph 的核心只有三個概念:State(跨步驟共用的狀態)、Node(收 state 回傳要改的欄位的函式)、Edge(把 node 串起來的線)。這篇用血脂決策 pipeline 的真實場景,帶你從 StateGraph 定義、add_node、add_edge 一路到 compile 與 invoke,給一個複製貼上就能跑的最小範例,並講三個新手最常踩的坑:回傳整份 state、忘記接 START/END、在 node 裡 mutate state。「用真實專案學 LangGraph」系列 EP2。
每次系統改版都要重截一遍操作手冊、還老是截圖跟說明對不上？我把這件苦差事做成 Claude Code skill：/screendoc。一句指令偵測前端框架、跑 Playwright 截圖、用 UI/UX + 系統分析 + 新手 + 開發者 4 個視角逐張比對「截圖 vs 說明 vs 原始碼」、不一致就局部重截迭代到全過，最後產一份對外可發表的離線 HTML 手冊。本文拆它在幹嘛、Phase 0–5 跑了什麼、為什麼要 4 視角不是過度設計，以及怎麼透過 yc-plugin 一鍵裝起來用。附我在一個無關的 React + Vite 專案上 round-trip 跑通的實測。
LangChain 跟 LangGraph 不是二選一,是上下層:LangGraph 是底層 runtime(管 state、流程、重試),LangChain 是建在它上面的高階 API。2025-10-22 兩者都上 1.0 正式版。這篇用比較表、三個情境判斷、三個真實踩坑,講清楚標準 agent loop 該用 LangChain、要精細控制流程分流與重試該用 LangGraph,以及完全新手該從哪個開始學。「用真實專案學 LangGraph」系列第一篇。
每次 git push 完都要手動切到 GitHub Actions 頁面盯著部署跑完，綠了放心、紅了回來修——這件事重複到讓人煩。我用 Claude Code 的 PostToolUse hook 把它自動化：hook 攔到 git push 成功就注入一段任務指示，叫 Claude 排程約 70 秒後查 Actions 結果，全綠回報、紅了抓 log 修。關鍵是一次性驗證（ScheduleWakeup 而非無限輪詢），而且改版後不綁特定 workflow 名、用 commit SHA 對齊，任何有 push-triggered Actions 的 repo 都通用。本文把實作三段、additionalContext 機制、從寫死 deploy.yml 到通用的兩刀改法，以及踩到的欄位名坑（tool_response 才是對的）全寫下來。
5 分鐘前在我 Mac 上 `ollama run gemma4:31b-cloud` 真的回我訊息——本機完全沒吃 GPU,模型在 Ollama 雲端跑、token 從終端機流出來。然後我發現 hermes-agent 的 .env 半年前就把 Ollama Cloud 預埋好了,去掉註解填 key 就能切過去。本文記錄整套 round-trip:Ollama Cloud Free 額度怎麼算、Gemma4 31b-cloud 實測、接到 hermes 三步驟、LangChain 兩種接法 (ChatOpenAI vs ChatOllama) 的差別、Embedding 走 cloud 還是本機、跟 Claude/OpenAI 怎麼選、5 個踩過的真實坑。
LLM 給的醫療建議怎麼讓醫師敢用?「ChatGPT 看一下」這種等級在臨床決策上不夠。本文拆我跟合作醫院做的血脂治療二級預防 CDSS 全套架構:Hermes Agent + skill 兩層 schema + 沙盒公式 + RAG MCP + JSONL trace,讓每個決策都有「skill 定義 → 公式回傳值 → RAG 引用 chunk → LLM 最終 JSON」四段證據鏈。從第一版 ChatGPT API 砍掉重做的教訓、為什麼選 Hermes、8-step pipeline、範例 round-trip 全紀錄、踩過的三個坑(LLM 漏列現用藥 / RAG cross-bleed / hermes timeout)、四大 agent 框架在醫療場景的比較。寫給做領域 AI(醫療 / 法務 / 金融 / 工控)的工程師。
訂了 Claude Pro($20/月)但不知道怎麼把它用回本?2026/05/16-19 我開了四堂小班,全程錄影 + 整理成文章公開,完整看完約 2 小時、實作約 4-6 小時。四堂順序「看見 → 馴服 → 自動化 → 接生態」:1️⃣ 4 demo + permission mode 4 種 + 邊界、2️⃣ CLAUDE.md 兩層 + 十大 prompt 定義 + Ultra Think、3️⃣ Skill/Subagent/Slash Command + /loop + Hook + Remote、4️⃣ obra superpowers + MCP + GitHub + Headless。這頁是完整索引 + FAQ,適合一次看完或當回顧工具箱。
2026-05-19 Pro 版第四堂——但實際發生跟教學計畫完全不一樣。原本要教 Git 三動作,現場改成「我們自己寫一定不是最優解,要如何使用別人寫的」。實際走了 4 件事:Superpowers plugin 安裝(卡關 3 次:`/plugins` 沒搜到、Skill 沒生效、hook 把 build 卡死)、Twinkle Hub MCP 接政府開放資料(查 2024 國防部決標 12 筆)、GitHub 註冊 + gh CLI auth(CAPTCHA 卡 5 分鐘、學員 chien chang 救場)、headless `claude -p` 半夜跑 100 個檔案翻譯 batch。Pro 訂閱者照做完整路徑。
想每天早上打開信箱就看到昨天的 SEO 狀況？跟 Claude Code 講一段話，1 小時後我收到第一封信。完整 pipeline：launchd cron → bash → GSC API + Firestore → Python 組信 → SMTP TLS → Gmail。人類只做 3 件事：建 Gmail App Password、貼一行 launchctl、第一次手動跑驗證。本文公開完整腳本。
你寫了一堆 CLAUDE.md 原則,Claude 還是每次重蹈覆轍 — 不是它記憶不好,是你寫的規則「沒辦法照著做」。大部分人寫的是「描述性原則」(該做什麼、不該做什麼),但 AI 真正會跟的是「程序性 SOP」(動手前必跑的步驟、自我糾正的條件)。本文拆兩種寫法的差異、給改寫公式 「描述狀態 → 觸發條件 + 強制動作 + 違規判斷」、附 CLAUDE.md before/after 實際 diff,以及解釋為什麼 LLM 對程序性指令反應特別好。
Skill、Sub-agent、Slash Command 三個東西長得像、其實完全不同:Skill 是觸發式的小教學文件(主 agent 自己決定要不要讀)、Sub-agent 是有獨立 context 的小弟(平行跑、回精簡結論)、Slash Command 是你定義的快捷指令。本文是 2026-05-12 Pro 版第三堂的完整紀錄——加上 `/loop` 連續迭代、Hook 任務跑超 5 分鐘自動 Line 通知、Remote Control 手機掃 QR 操控你電腦、跟 ralph-wiggum 死磕迴圈工具(來自辛普森家庭那個 Ralph)。
上週寫過「我請 AI 每天早上 9 點寄 SEO 報告給我」 — 但信內容是 raw 數字,我每天還是要花 10 分鐘自己腦補解讀。這篇是第二階段:在原本 cron 腳本裡加 35 行 bash,用 claude -p stateless 模式呼叫 Claude(走 Max 訂閱 0 額外成本),把昨天的 GSC + Firestore 數字翻成「總評 / 需要注意 / 今天可以做」三段繁體中文解讀,放在信最上面。完整實作 + prompt 設計關鍵點 + 5 個踩坑 + 抄回家自己用 + 順手澄清「這跟 claude.ai 接 Gmail connector 完全不同」常見誤會。
切完 NS 後 `dig @1.1.1.1` 整整 30 分鐘都跟我說『還沒生效』，差點回 Porkbun 重設 — AI 多打了 8.8.8.8 / 9.9.9.9 / 208.67.222.222 三家對驗才抓到：三家都回新 NS，只有 1.1.1.1 自己 stale cache。本文是 30 分鐘時間軸還原、Cloudflare cache 為什麼那麼激進、多解析器驗證 SOP。
用 Claude Code 半年,memory 從 10 個檔長到 76 個,以為自己在養 AI 大腦,結果用 Obsidian Graph View 一打開全是花朵狀:所有檔只連中心的 MEMORY.md,檔跟檔之間幾乎沒連線。三胞胎重疊 70% 的 feedback、9 個全局/專案級同名檔、cross-link 趨近 0。本文拆三個結構性根因:同主題開新檔不擴充既有、寫完不加 [[link]]、全局 vs 專案級沒判準,以及整理之後做的三件事(合併三胞胎、重寫 MEMORY.md 成 cluster、CLAUDE.md 加程序性 SOP)。
Claude Code 預設每次開啟都是失憶的,但只要你寫好 `~/.claude/CLAUDE.md`(全域) + 專案 `CLAUDE.md`,它就會在每次對話開頭把這兩份檔讀進去當作永遠的指令。本文是 2026-05-05 Pro 版第二堂的完整紀錄——十大 prompt 定義對照表(指令/上下文/人設/輸出格式/約束/範例/評估/迭代/護欄/記憶)、`/compact /resume` 救命指令、pwd/ls/cd 在 Claude 內的座標系、Ultra Think 馬力全開、最後用一個「每天早上 7 點 Line 通知前一天踩坑」的 `/schedule` 收尾。
部落格累積到 44 篇後，每篇單獨 SEO 都做了，GSC 曝光卻一直撞牆。盤點才發現 28/44 都歸類在「AI 工具」、tags 一團亂、系列文沒 topic hub。本文覆盤這次「狠狠改一次」的全過程：6 個 category 收斂、tags 受控詞彙、17 個 duplicate 清理、批次 PATCH Firestore 踩到 timestampValue schema 雷、開 4 個 topic hub。AI 跑 1.5 小時、人類 10 分鐘決策。
我把舊站 yanchen184.github.io/ai-lecturer-bob 搬到自有網域 yanchen.app，整個流程交給 Claude Code 跑。人類負責的事只有 15 分鐘：刷卡、改 nameserver、按 GSC verify、按 Bing 匯入。AI 負責的 1.5 小時包含：跨來源比價、17 個檔案批次改 URL、跑 CI/CD 自我除錯、寫 SEO 設定、監看 SSL 簽發。本文拆解 8 步驟、AI 該做 vs 你該做對照表、整個流程踩到的 5 個坑（1.1.1.1 stale cache、GSC Change of Address 灰掉的真相⋯⋯），給「想搬家但被 DNS / SSL / redirect / SEO 嚇到」的人一條完整路徑。
想用手機跑本地 LLM，但不知道要裝什麼 app、能跑多大的模型、能不能進開發工作流？本文拆解 2026 年 5 月最熱門的三個 on-device LLM app（PocketPal AI / LLMFarm / MLC Chat）怎麼選、iPhone 15 Plus 真實能跑哪些模型（1B-2B 是甜蜜點，3B 卡頓、4B+ 跑不動）、PocketPal AI 從 0 開始安裝、5 個踩坑（記憶體爆掉、發燙降頻、context window 太短、token/秒掉到不能用、Apple Intelligence 跟本地 LLM 的關係），最後解釋為什麼「手機算力幫電腦」是死路、什麼情境真的值得在手機跑 LLM。
chromadb 1.5.x 在 macOS 26.4 ARM64 必 SIGSEGV,所有 mempalace CLI 指令全死、只剩 MCP server 苟活。MemPalace 3.3.5 用兩個機制救回來:HNSW segment quarantine 自動隔離壞索引,repair --mode from-sqlite 從 sqlite3 直接撈 (id, document, metadata) 重灌新 palace。本文記錄完整升級路徑、3.3.5 兩個救命機制原理、外加我寫的 180 行 Python claude-p-openai-proxy.py——把 claude -p CLI 包成 OpenAI 相容 HTTP 端點,讓 mempalace compress 走 Max 訂閱、零 API 成本。
2026 年 4 月 Karpathy 在 gist 丟了一份 200 行 markdown,一週後全網炸開、12 個社群 implementation。一句話講:讓 LLM 把你丟的所有資料「編譯」成一個結構化的 markdown 知識庫,以後問問題不查原始檔、查這個被整理過的 wiki。本文拆解 RAG vs LLM Wiki 的編譯式/解釋式之差、三層架構、30 分鐘上手路徑、我把 7 場教學逐字稿 + 200 則 Discord QA 丟進去跑兩週的實測(token 降 87%)、5 個踩坑、什麼情境裝了反而是負擔。
訂閱 Claude Pro($20/月)、想裝 Claude Code 但還沒動手?這是我 2026-04-28 第一堂 Pro 版小班的完整紀錄。4 個 demo:一句話讀 CSV、整理 24 個亂檔案、SQLite 查 4 月營收、從零部署網站——每個都 5 分鐘內看到結果。然後拆 4 種 permission mode(default/acceptEdits/plan/bypassPermissions)、`.claudeignore` 防憑證外洩、跟我自創的「Claude 邊界」觀念——不要讓 AI 做你也不懂的事情,它犯錯時會極度自信。
產業內叫它 distributional convergence、purple problem、AI slop——每個 LLM 寫的前端都是紫色漸層 + Inter + 三欄卡片。本文做歷史考古（Instagram 2015 → Tailwind UI 2020 → 訓練資料污染），拆解 Anthropic 四維度框架（typography / color / motion / spatial），並公開那份反 AI 味的 system prompt 全文。
我在職訓局教 4 堂 AI Claude Code 概論初級班，把簡報全寫成 HTML 而不是 Keynote / Slidev / Reveal.js，丟在 GitHub Pages 上跑。本文拆解：為什麼放棄 Keynote、為什麼不用 Slidev、設計系統（深色 + 黃金 accent + 襯線標題）、部署用一條 push 指令、學生 clone 下來雙擊就能看（沒有 npm install）。Repo 全開源，歡迎 fork 改成你的教學內容。
AI 寫的前端九成是紫色漸層 + Inter + 三欄卡片（業界叫 AI slop / purple problem）。Anthropic 官方 frontend-design plugin 兩行指令裝起來，鎖住 4 個維度（typography / color / motion / spatial composition）擋掉 AI 味。含安裝、prompt 範例、Cursor / Codex workaround。
obra/superpowers 7 個月 121k stars、2026/01 進 Anthropic 官方 plugin marketplace,14 個內建 skill 把資深工程師工作流(brainstorm/TDD/debug)強行套到 Claude Code 上,token -14%、首次成功率 +40%。但我自己跑兩週發現:小任務反而 +20% token、demo 前急著修 bug 被 brainstorming 拖住、Haiku 跑不動。本文拆 14 個 skill 各自解什麼、5 個踩坑、跟自己手寫 skill 的對照表(從適用任務、學習曲線、客製化彈性、維護成本四個維度比較)、Jesse Vincent 的設計哲學(讓 Claude 暫停,不是變聰明)。
/powerup 是 Claude Code CLI 內建的互動教學命令，10 堂課掃過最常被忽略的進階功能：subagents、hooks、output styles、permissions、worktrees⋯⋯本文用本機 binary 為 source of truth 逐堂拆解真實內容，附完整指令對照表，新手 1 小時跑完。
AI Agent 最怕的就是「它把我電腦搞壞了」。Hermes Agent 內建 7 種沙盒後端:本機、Docker、SSH、Singularity、Modal、Daytona、Vercel Sandbox,涵蓋從「完全不隔離」到「跑在別人雲端、跟你電腦完全無關」。本文拆解每一種的隔離強度、適用場景、實際 docker 設定範例,讓你知道哪種任務該選哪個後端。
不用懂 Python、不用買 GPU、不用 Docker。三步驟:裝 uv → 裝 hermes-cli → 給它一把 API key。本文是 Hermes Agent 最簡安裝路徑,專為「完全沒裝過 AI CLI 工具」的新手寫,附 Anthropic / OpenAI / Ollama 三家 provider 比較、API key 取得步驟、第一句話 hermes -z 範例,15 分鐘從 0 跑起來。想接公司內網 LLM 看實戰篇,這篇先學會「能跑」。
Hermes Agent 在 Mac 的完整安裝與內網 LLM proxy 接法。hermes -z 跑完 exit 0、stdout 完全空白？根因是 OpenAI-compatible wrapper 缺 4 件事：/v1/models、usage 欄位、SSE streaming 格式、system_fingerprint。本文從 0 安裝 Hermes 到真正接通，每個坑附症狀與修法，最後附完整 wrapper 檢查清單。
我有 ChatGPT 了為什麼還要裝 Hermes Agent?簡單講:ChatGPT 只會回字、要你自己動手;Hermes Agent 會幫你動手——查檔、改檔、跑指令、上網查資料,做完才回報。本文用「人肉接線生 vs 工讀生」的比喻、5 個日常情境、跟 ChatGPT/Claude Code/Cursor 的對照表,讓完全不會寫 code 的人也能搞懂這工具能幫你做什麼、安不安全、怎麼開始。
2026 上半年 OpenRouter App & Agent Rankings 公布,Hermes Agent (NousResearch 維護的開源 CLI agent) 排名第 2,僅次於 ChatGPT、把 Kilo Code / Claude Code / Cline 全壓在身後。本文拆解三個結構性原因:provider-agnostic 直接吃 OpenRouter 紅利、開源 CLI 的 long-tail 採用、NousResearch 的開源信任資本。並提供 v0.13.0 release 訊號分析、跟主流 agent 的真實差異對照、反方論點。
剛把 5 篇 Hermes Agent 系列發到 GitHub Pages,踩兩個坑被自己抓到。第一個技術:Astro 的 base path 設定不會自動套到 markdown 連結,本機 dev 看不出來、production 全 404,Astro issue #3626 從 2022 年開到現在,官方文件明文寫「developer responsibility」要自己加前綴。第二個流程:跨多檔案多步驟任務該開 TaskCreate 追進度,不是儀式是斷線保險。兩個共通點:該查不查、該開不開。
把部落格架構圖從『開 Figma 拖拉 5 分鐘』改成『markdown 寫 5 行 Mermaid、build 時自動產 SVG』。本文教你自架 Kroki：為什麼公服務不能用、Astro markdown parser 怎麼攔截、GitHub Actions 怎麼開 service container。兩小時建置，每篇文章省 10 分鐘繪圖時間。
musubi-tuner 在 Windows + RTX 4070 訓練 Wan 2.2 i2v LoRA 的完整避雷 SOP：5 次 BSOD、19 次訓練失敗換來 8 個地雷區。含 dataset 準備、訓練參數、每個地雷的症狀與解法，最後把訓好的卡通形象 LoRA 做成 scroll-aware 浮動角色掛上個人網站。
Ralph Loop 不是新模型也不是黑科技，本質就是 Claude Code Stop hook 攔住 exit + 同 prompt 重餵。本文拆解機制、實戰場景、4 個踩坑、2 個進階組合，以及一份可複製貼上的 TDD 收斂 prompt 模板。配合 ralph-loop-skill 那篇一起讀。
社群瘋傳的 RuFlow 真的能省 75% API 費用嗎？本文比對 IG 文案 / TikTok / dev.to / 官方 GitHub README 四個來源，逐項拆解：哪些是真的、哪些被放大過、實測 7 個 agent 同時跑的真實成本。Multi-Agent 編排新手必看。
上課中、騎車紅燈、躺床滑手機，順手叫 Mac 跑一個 task。Claude Code 在 2026/02 推出的 Remote Control 把這件事做成五分鐘設定的標配。本文從零教到推播，包含一個官方文件沒寫的隱藏設定。
想自己做 Claude Code Plugin 開源給朋友？做 yc-plugin 路上踩過的 4 個坑：marketplace.json 的 source 寫法、plugin cache 為什麼不更新、python vs python3 跨平台問題、credentials 加密 zip 分享給朋友。每個坑附完整解法跟可貼上指令。
把自製 YouTube 上傳腳本包成 Claude Code Plugin。一行指令上傳影片，自動偵測字幕、自動建播放清單、支援排程發布。OAuth 設一次終身用，朋友也能裝。
明明 UI 看得到 toggle 但官方文件就是沒寫對應的 settings.json key？本文教 5 步驟通用方法論：用 strings 從 CLI binary 撈字串、用 grep 比對 UI 文字、推回 config key。最近用這招從 Claude Code 挖出兩個 hidden key，附完整實戰指令。
想做 Claude Code Plugin 但不知道架構怎麼設計？本文翻完 zenbu-powers（一個 0 star、沒人注意的 Plugin），直接把兩個設計搬進自己的 CLAUDE.md。拆解值得偷的 5 個架構模式：Hook 鏈、Skill 命名、credentials 隔離、跨 plugin 共享 state、版本控制。
把 ~/.claude/commands/sync.md 內嵌的 271 行 bash 抽出來變成獨立 sync.sh、推到 GitHub、寫 README、發 release。本文記錄整個過程踩到的 6 個 macOS / bash / rsync 雷，以及怎麼用 Ralph Loop + Claude Code 把它從草稿迭代到可用。
Claude Code 把 backend 從 Anthropic 換成本地 Ollama，三條 env var 搞定。但內建 WebSearch 工具是伺服器端服務，改接本地後直接失效。本文把兩條官方路徑、四種 backend、Web Search 三解法、6 個踩坑、模型選型一次寫完，文章 URL 餵給 Claude Code 它能照著裝。
三台機器 ~/.claude 設定怎麼同步？Dropbox / iCloud 都會把 chat history 撞壞。claude-self-sync 是一個開源 bash 腳本，把 ~/.claude 拆成公開 config + 私密 secrets 兩個 git repo，三條指令解決多機同步。本文記錄 6 個 macOS / bash / rsync 踩坑與完整安裝步驟。
想用 Claude Code 自動產出 SEO 達標的部落格？blog-create Skill 把整個寫作流程做成一條龍：P0 量化驗收 → P1 AEO 結構化資料 → P2 防數字過時 → P3 風格防漂移。本文是 4 個升級的優先順序、互補關係、新手照寫滿幾篇對照升級的完整導讀。
12GB VRAM 跑得動 14B 影片模型嗎？跑得動。從本地 LoRA 訓練撞牆三天、改用 ComfyUI + lightx2v 4-step LoRA、5 分鐘出 8 秒影片、再用 WanFirstLastFrameToVideo 做出無縫 loop 的全紀錄。
AI 寫的文章一眼看穿？Brand Voice Profile 是一個 Claude Code Skill：用禁用詞表擋詞、voice profile 擋句。從舊文抽 6 個維度的個人指紋（句長、開頭模式、口語比例⋯⋯），寫完新文章對照打 voice match 分數，< 70 分必重寫。
文章半年後被截圖嘲諷？版本號、價錢、GitHub stars 寫的當下就要查、發文前再 grep 全文掃一次。Live Search Injection 是一個雙閘 Skill：寫作中 WebFetch 即時抓數字、發文前 fact check 補刀。本文公開完整 Skill 設計、prompt 範本、Claude Code hook 設定。
兩個指令名字都像排程，但本質完全不同。/loop 是 session 內計時器，關 terminal 就停；/schedule 是雲端 Routine，電腦關機照跑。完整對照、最小間隔、適用情境一次講清楚。
AEO（AI 搜尋優化）是 2026 比 SEO 還重要的流量入口。本文教你用 FAQPage JSON-LD schema 一個結構化資料兩邊賺：被 ChatGPT / Perplexity 引用 + 撈 Google People Also Ask 流量。含 Astro 整合範本、JSON-LD 寫法、實測被引用的證據。
部落格 SEO 怎麼自我驗收？本文公開 12 條 100 分量化計分表（標題長度、H2 密度、內鏈數、TL;DR、關鍵字命中⋯⋯），把 Surfer SEO 核心邏輯做成 Claude Code skill，零月費對抗 SEO 玄學。寫完文章 < 80 分必補完，附完整公式跟自動評分腳本。
Andrej Karpathy 觀察 LLM 寫 code 五大坑，被整理成 70 行 CLAUDE.md，repo 衝到 108k stars。本文拆解四條規則、跟 Anthropic 官方 Claude Code 預設行為的重疊度，並推薦只抄那兩條真正空白的規則。新手照做不用整包搬。
用桌面 15 張截圖在 fal.ai 訓練 Wan 2.2 角色 LoRA。實測花費 $9、耗時 131 分鐘，含資料準備、踩坑、雙 transformer 架構解析、與其他平台比較。
OpenAI 2026/04/21 發佈 gpt-image-2：Image Arena 榜首 +242 分、中日韓文字原生支援、Thinking Mode 推理能力、API 價格完整拆解。
想裝 Claude Code 但不知道從哪開始？本文是企業內訓現場逐字稿整理，10 分鐘從零到第一個真實任務跑完。一行 curl 指令、不用 Node.js、不用 Docker。含 macOS 沒裝 Xcode CLT、Windows PowerShell ExecutionPolicy、proxy 環境、企業憑證攔截 4 大常見坑解法。
別再用 ChatGPT 做簡報。Anthropic 官方開源的 pptx Skill 可以在 Claude Code 裡一句話從逐字稿生 .pptx 檔，內建設計指南、自動視覺 QA。本文實測 12 分鐘完成 30 頁簡報，含安裝、模板、emoji 踩坑、跟 Slidev / Marp 的對照。
企業內訓第一堂前 10 分鐘逐字稿整理：Claude Pro vs Claude Code 的差別、為什麼 AI 從回答問題進化到動手做事、日報 30 分鐘變 5 分鐘的實戰案例。
Claude Talk to Figma MCP 是什麼？怎麼接？本文用 Claude Code + Figma MCP server，一句話產出點餐系統流程圖 + API 循序圖，實測 16 分鐘完成兩張圖。含 0 入手安裝步驟、座標公式、5 個踩坑解法，新手照做就出圖。
Claude Code 偷偷 exit 0 收工？Ralph Loop 是一個用 Stop hook 攔截 AI 提早下班、強制重新進入 prompt 的 Skill。本文拆解 Ralph Loop 機制（Stop hook + 同 prompt 重餵）、為什麼它讓 TDD 收斂更快、5 行 settings.json 設定範本、跟 /loop 的差別，新手 5 分鐘上手。
按照閱讀順序集中露出 — 從第一篇開始讀更順
NousResearch 開源的 OpenAI-compatible CLI agent。從「為什麼要用」到 macOS 安裝、學術用法、Sandbox 安全、接內網 LLM。
專為 Claude Pro 訂閱者($20/月)寫的四堂實戰課:Spec 思維與資安、CLAUDE.md 馴服、Skill/Agent/Loop 自動化、Plugin/MCP/GitHub 接生態系。
Anthropic 的官方 CLI agent。Plugin、Hook、Remote Control、Skill、Ralph Loop... 25+ 篇實戰筆記。
完全沒碰過 K8s 的新手向。每一課對應一個搜尋意圖，從「為什麼需要 K8s」一路講到上線、Probe、HPA。
更多主題（HPA、Probe、Helm、RBAC、StatefulSet…）持續補上中。
我輩修行之人，以 聖 的標準要求自己，以 凡 的眼光理解別人。
不怕死，只怕不過癮。