Claude Code Cloud Routines：outcomes 配置讓文章推到 feature branch 的除錯記錄
Cloud routine 的 outcomes 配置會建立 feature branch，導致 agent 在 branch 上作業並推送，文章沒進 main。修法是移除 outcomes 加上 skill 裡補 git checkout main 雙保險，但過程中還撞上 list API pagination 的 server-side bug。
tech
420 篇文章OMP agent loop：為什麼需要兩層 while？外層的「停了就再被 steering 打醒」在做什麼
omp 的 runLoopBody 用雙層 while：內層跑 model call → tool call 的核心節奏；外層在 agent 本想停下時，排空 queued steering / follow-up / asides，決定要不要再跑一輪。這設計解決了「使用者在 model 跑時打字」與「背景任務悄悄塞訊息」的交付時機問題。
Looplane 的 Cloudflare 遠端執行：Worker、Sandbox、Capability DO 與 durable RunSession
Looplane 的舊同步 M6 路徑曾完成一次真實 deployed coding run；目前已擴成帶 RunSession、SSE、approval、cancel 與 artifact 的 async control plane，但新增路徑尚未 live revalidate。Sandbox 只拿分 audience 的短效 HMAC capability，provider credential 留在 Worker；現有證據不等於 production traffic 或 SLO。
Looplane 的 disposable workspace 與 run bundle：原始 repo 為什麼不會被直接修改
Looplane 先把指定的完整 Git commit 複製到 run directory 裡的 detached-HEAD workspace，再讓 runtime 修改與驗證。原始 repo、執行 workspace 與 run artifacts 因此有清楚邊界；這能提供 source isolation 與 audit bundle，但不等於 OS sandbox。
Looplane 的 ExternalCodingRunner：為什麼 Codex/Claude Code CLI 是外部 runtime,不是 ModelProvider
`ExternalCodingRunner` 是 Looplane 的第二條 runtime lane：外部 coding CLI 擁有自己的 model loop 與 credential，Looplane 只交付任務與 disposable clone，再把回傳 patch 當成不受信任輸入，重跑 path audit、verification 與 source invariant。它是有明確 capability boundary 的 handoff，不是另一種 `ModelProvider`。
Looplane 的 ModelProvider 多閘道：多個 protocol 共用一個 canonical contract
Looplane 把 OpenAI-compatible、Responses、Anthropic、Gemini、Workers AI、scripted 與 experimental Codex OAuth adapter 收斂成同一個 `ModelProvider` contract。Codex OAuth transport 讀 SSE，但仍在 adapter 內累積成一次性的 canonical `ModelTurn`；AgentRunner 不直接消費 token delta。
Looplane 的 provider-neutral native loop：一次 model turn 如何走到驗證終態
Looplane 的 native lane 由 AgentRunner 掌握狀態轉移：準備 workspace、送出 model request、執行 tool calls、寫回 observations，模型沒有再呼叫工具時才進入 verification。step、wall time、重複動作、token 與取消條件都能先於模型宣告終止 run；provider adapter 的協定翻譯留給下一篇。
Looplane 的 state-first event journaling：為什麼 manifest commit 跟 JSONL append 之間的 crash 要靠 state 修
Looplane 同時維護 append-only 的 `events.jsonl` 與原子替換的 `session.json`，用 sequence reconciliation 判斷 crash 後能否安全續跑。這份 event contract 現在也支援 deterministic replay、JSON replay、從指定 sequence 建立 fork seed，以及在不重放副作用的前提下建立新 workspace；遇到停在 `tool.started` 或 `verification.started` 的不確定狀態仍然 hard fail。
Looplane 的工具隔離：path allowlist、argv 嚴格化、process group 與 credential-free subprocess
這篇只拆 Looplane 的 tool executor 如何把一次呼叫安全落地：`SafePathPolicy` 限制 path 並阻擋 symlink escape，`VerificationCommand` 固定 argv 且使用 `shell=False`，subprocess 只拿清理過的 env，寫入走 read-version hash 與 atomic replace，timeout 會終止整個 process group。權限決策、OS sandbox 與 tool program 各留給後續專篇。
Looplane 的 TUI 與 CLI：一次 run 在終端機上怎麼被看見
Looplane 的 TUI 與 plain CLI 是同一套 runtime 的兩種使用者介面。CLI 先依 TTY 與旗標選擇呈現方式，runner 再送出事件；TUI 把事件投影成 thinking、tool、approval、verification 與終態。使用者能從畫面分辨 native 與 external runtime，但 UI 不替底層能力背書。
Cloudflare Browser Run 怎麼用：在 Workers 上跑 headless Chrome
Browser Run 讓 Workers 使用 Cloudflare 管理的 headless Chrome。Quick Actions 適合 screenshot、PDF、HTML、JSON、crawl 這類單次任務；Browser Sessions 則適合 Puppeteer、Playwright、CDP、Stagehand 這類需要完整控制的 automation。
Cloudflare Cache Rules：什麼該快取，什麼要保持動態
Cloudflare Cache Rules 是 zone 層的快取政策：用 request expression 決定哪些內容 eligible for cache、Edge TTL/Browser TTL 怎麼算、cache key 包哪些維度，以及遇到 stale、ETag、purge 時怎麼處理。它適合管理 CDN 快取規則；Worker Cache API 則適合程式化存取。
Cloudflare Containers 怎麼用：當 Workers 需要完整 Linux runtime
Cloudflare Containers 讓 Workers app 呼叫 on-demand serverless container，適合需要完整 filesystem、特定 runtime、既有 container image、更多 CPU/memory/disk 的工作。它不取代 Workers；Worker 保留入口與 routing，container 處理 runtime 太重的那段。
Cloudflare Edge Platform 導讀：把網站和 app 跑在 Cloudflare 上
Cloudflare Edge Platform 這條系列回答一個產品問題：怎麼用 Workers、D1、KV、R2、Durable Objects、Queues、Workflows、Cache、Images、Email、Turnstile、Observability、Browser Run、Containers，把網站或 app 跑起來、跑穩、跑便宜。
Cloudflare Edge Platform 上線前檢查：自訂網域、維護頁與 Workers limits
Cloudflare app 上線前不要只看 deploy 成功。Custom Domains、Routes、www/root redirect、維護頁、CPU/memory/subrequest limits、log sampling、fallback path 都要先檢查。這篇把 Edge Platform 系列裡的 production pitfall 收斂成一份 checklist。
Cloudflare Email Service 怎麼用：讓 Workers 寄信、收信與處理產品通知
Cloudflare Email Service 把產品常見的交易信、magic link、通知與收信 routing 接進 Workers。寄任意收件人目前需要 Workers Paid；收信 routing 可在 Free/Paid 使用，但仍要注意 DNS、配額、message size、bounce 和 anti-spam 邊界。
Cloudflare Hyperdrive 怎麼用：讓 Workers 接上既有 Postgres / MySQL
Hyperdrive 解的是 Workers 連到既有 Postgres / MySQL 的延遲與連線池問題。它用 edge connection setup、靠近資料庫的 connection pool、read query cache，讓單區資料庫比較適合被全球 Workers 存取。
Cloudflare Images 怎麼用：圖片變體、格式轉換與交付管線
Cloudflare Images 有兩條路：把 R2/S3/origin 圖片拿來做 edge transformations，或直接把圖片存進 Images 再用 variant delivery。前者按 unique transformations 看成本，後者還要看 stored 和 delivered images。
Cloudflare Observability 怎麼用：Workers Logs、Traces 與 Analytics Engine 的分工
Workers Observability 負責 debug 和 request tracing；Workers Analytics Engine 負責高基數產品事件與自訂 metrics；GraphQL Analytics API 則查 Cloudflare 既有產品資料。把三者分清楚，才不會把 log 當資料庫，也不會把 billing、monitoring、產品分析混在一起。
Cloudflare Smart Shield 怎麼用：讓 Origin 少扛一點流量
Smart Shield 是 Cloudflare 的 origin protection bundle：用 Smart Tiered Cache、connection reuse、Argo Smart Routing、Regional Tiered Cache、Cache Reserve、Health Checks 和 Dedicated CDN Egress IPs，減少打到 origin 的 request 與 connection。
Cloudflare Turnstile 怎麼用：保護表單與公開 API，不靠傳統 CAPTCHA
Turnstile 是 Cloudflare 的 CAPTCHA 替代方案：前端 widget 產生 token，後端必須用 Siteverify API 驗證。token 有效 300 秒、只能驗一次；只放 widget 不驗 token，等於沒有完成防護。
Cloudflare Workflows：把多步驟流程跑到完成
Cloudflare Workflows 把 Workers 上的多步驟流程拆成可持久化的 step：每個 step 可以 retry、sleep、waitForEvent、rollback，instance 可以查狀態、暫停、恢復或終止。Queues 適合單步背景工作；Workflows 適合要記住進度的長流程。
執行環境與沙箱怎麼選：從 Namespace、gVisor 到 Firecracker、E2B、Lambda MicroVMs 的隔離光譜
沙箱不是單一套件，而是 Namespace、cgroups、seccomp、gVisor、Firecracker 層層疊起的光譜；本地 OS 級沙箱管爆破半徑，雲端 microVM 管多租戶隔離，選型關鍵在信任邊界與維運成本。
Looplane 架構地圖：一次 coding-agent 任務如何穿過 workspace、runtime、tools 與 events
Looplane 把 coding-agent 任務拆成可追蹤的邊界：native runtime 的副作用經過 Looplane tools、permission 與 sandbox；external runtime 保留自己的 loop 與工具，再把 patch 交回 Looplane 稽核。這篇是規劃中 20 篇系列的入口地圖。
Looplane 的 context pressure、compaction 與 workspace reinjection
Looplane 在 85% context pressure 附近啟動兩種不同流程：native loop 可做一次 bounded deterministic summary fallback；支援原生 compaction 的 conversation runtime 則在完成 turn 後壓縮並回報 lifecycle。兩條路徑都會在下一次請求重新注入 workspace snapshot。
Looplane 的 IDE/LSP Context：Diagnostics、Open Files 與 VS Code Bridge
Looplane 將最多 200 筆 diagnostics 與 32 個 visible files 正規化成有界、repository-local、且不受信任的 context；VS Code 與 managed LSP 目前只提供訊號，沒有 completion、rename、code action 或完整 IDE RPC。
Looplane 的 local OS sandbox：macOS、bubblewrap 與 Landlock 如何 fail closed
Looplane 可把指定的 local command／verification 包進 macOS sandbox-exec、Linux bubblewrap 或 Landlock/seccomp。需要的 backend 不存在時以 exit 126 停止，不直接裸跑；但這個範圍不涵蓋 external CLI、MCP/LSP 或整個 Looplane process。
Looplane 的 model roles、fallback、cache hints 與 estimated cost
Looplane 用靜態 model role catalog 提供候選順序，只對 retryable provider error 重試與 fallback；cache 是 provider hint 加 trace，cost 是靜態價表估算。三者都留下訊號，但都不是即時營運路由或帳單。
Looplane 的 Native MCP：transport、authorization 與 approval 邊界
Looplane 只有在明確 allowlist 後才載入專案 MCP server，將 stdio 或 Streamable HTTP 能力投影到既有 ToolExecutor，再沿用 hook、approval、timeout 與 cleanup 邊界。
Looplane 的 permission layering：危險命令如何落到 allow、ask 或 deny
Looplane 先套不可繞過的 critical floor，再評估 user／org／project deny，最後才看 allow。dangerous mode 只自動放行 read/modify，execute 仍經過命令分類與 approval；這是 authority policy，不是 OS sandbox。
Looplane 的 prompt、instruction precedence 與 explicit memory：模型最後看見了什麼
Looplane 先在應用程式層解析 user 與 root-to-leaf 專案 instructions，再把 runtime、skills、workspace 與最近 20 筆 explicit memory 放進具名 prompt sections。這套流程可追蹤、可 reload，但不是 semantic memory，也不會把 repo 文字升格成 system authority。
Embedding Looplane：SDK、ConversationController 與 WebSocket Boundary
Looplane 用 0.x typed SDK facade 暴露 bounded run 與 conversation contracts；WebSocket attach 只包住一個預先建立、由 controller 擁有的 runtime session，沒有 conversation-ID resume 或多 client routing。
Looplane 的 Skills、Blocking Hooks 與 Plugin Packages
Looplane 把 skills 當成有界的 repository-local guidance、把 hooks 當成 opt-in 且只能否決的 host commands，再用 local plugin manifest 封裝 skill 與 hook；三者的權限完全不同。
Looplane 的 Subagent Scheduling 與 Parent-owned Transactions
Looplane 把每次 subagent dispatch 正規化成最多四個節點的 dependency waves，讓同 wave 的唯讀 child 在隔離 workspace 平行分析，再由 parent 重新走 hook、approval 與 transaction 執行修改。
Looplane 的 tool programs、transactions 與 safe concurrency
Looplane 只平行執行同時標成 read-only、concurrency-safe 與 READ effect 的 tool call；tool_program 提供有界的 read-only repeat/branch，tool_transaction 則對可能碰到的 workspace files 做 snapshot 與失敗 rollback。它不是外部副作用的通用交易系統。
Harvard CS50 AI Week 1：Knowledge——命題邏輯、模型檢查、推理規則與知識表示
Week 1 進入知識表示與推理：命題邏輯連結詞、模型檢查算法、Modus Ponens/Resolution 推理規則、CNF 轉換，專案 Knights 與 Minesweeper 實作邏輯謎題與掃雷 AI。
Harvard CS50 AI Week 2：Uncertainty——機率、貝氏網路、馬可夫模型與遺傳推斷
Week 2 從確定性轉向機率：貝氏法則、貝氏網路 D-separation、馬可夫模型、PageRank 隨機漫步，專案 Heredity 算基因型、PageRank 算網頁權重。
MIT 6.7960 L03：優化總覽——SGD、Adam、學習率排程與縮放規則
從 SGD 到 Adam，用縮放規則一次搞懂深度學習優化器怎麼選、學習率怎麼調
Harvard CS50 AI Week 3：Optimization——局部搜尋、模擬退火、約束滿足問題與填字遊戲
Week 3 探討優化問題：爬山算法、模擬退火逃離局部最優、CSP 框架與 AC-3 弧一致性、回溯搜尋，專案 Crossword 實作填字遊戲生成器。
MIT 6.7960 L04：正則化實戰——Weight Decay、Dropout、Batch Norm 與標籤平滑
正則化不只是防過擬合——Weight Decay、Dropout、BN、Label Smoothing 的機制與組合策略一次看懂
Harvard CS50 AI Week 4：Learning——監督式學習、k-NN、SVM、強化學習 Q-learning 與 Nim
Week 4 進入機器學習：監督式分類（k-NN、SVM、Perceptron）、模型評估、強化學習基礎（MDP、Q-learning、ε-greedy），專案 Shopping 預測購買意願、Nim 學會玩遊戲。
MIT 6.7960 PS1 實作走查：從 NumPy 手寫 MLP 到 PyTorch Autograd 反向傳播
手寫 NumPy MLP + 反向傳播 → PyTorch Autograd 驗證，完整複現 OCW HW1 核心考點
Harvard CS50 AI Week 5：Neural Networks——反向傳播、TensorFlow/Keras、CNN 與交通號誌辨識
Week 5 進入神經網路：感知機到多層網路、反向傳播鏈式法則、損失函數、優化器、TensorFlow/Keras 實作、CNN 卷積/池化、專案 Traffic 訓練 CNN 辨識交通號誌。
MIT 6.7960 L05：CNN 架構全解析——從卷積核到平移等變性的感知機制
Lec 4 核心重點：為什麼 CNN 是處理網格資料的最佳選擇——卷積、平移等變性、池化與經典架構一次掌握
Harvard CS50 AI Week 6：Language——N-gram 語言模型、TF-IDF 問答系統、Parser 與 Attention
Week 6 處理自然語言：N-gram 語言模型平滑、CFG 句法解析、TF-IDF 文檢索、注意力機制、Transformer 概念，專案 Parser 生成句子、Questions 實作問答系統。
MIT 6.7960 L06：現代 CNN 架構 —— ResNet、EfficientNet、ConvNeXt
ResNet 用殘差連接解決退化問題，讓網路能堆到 100+ 層；EfficientNet 複合縮放平衡深度/寬度/解析度；ConvNeXt 吸收 Transformer 設計重奪 CV 王座。
Harvard CS50 AI 綜論（一）：從搜尋到語言——七週 AI 知識弧線的完整圖譜
綜論第一篇：梳理七週主題如何從符號搜尋一路延伸到語言模型，揭示古典 AI 到現代 ML 的知識脈絡與設計哲學。
MIT 6.7960 L07：優化縮放定律 —— 譜視角、特徵學習與超參數遷移
優化不是孤立的數值問題：用譜視角看 SGD，權重更新的『量』決定特徵學習；Maximal Update Parameterization 讓學習率與初始化跨寬度遷移，critical batch size 決定算力換取收斂的邊際。
Harvard CS50 AI 綜論（二）：專案組合全景——十二個 Projects 逐一比較、難度分級與技能對照表
綜論第二篇：十二個專案完整比較——算法核心、代碼量、難度、驗收重點、可遷移技能，附難度分級與學習建議。
MIT 6.7960 L08：Transformer —— Token、Attention 與位置編碼，以及它和 MLP/CNN/GNN 的關係
Transformer 不是憑空冒出的架構：token 把資料切成離散單元，attention 做軟性的訊息聚合，positional code 補回順序。把它和 MLP/CNN/GNN 擺在一起看，會發現它們都是『對鄰居做加權彙整』的不同特例。
Harvard CS50 AI 總結：什麼永恆、什麼改變、下一步走哪條路
系列最終篇：回顧七週十二專案的永恆核心、2020/2023 錄影在 2026 年的缺口、免費 OCW 路線的完整性，給出後續學習路線圖（Transformer、LLM、RAG、Agent、評測）。
MIT 6.7960 L09：深度學習駭客指南 —— 讓網路真正聽你使喚的實作心法
訓練神經網路更像工程而非魔法：先看資料、先在小批次上過擬合證明容量夠、再用正則化把泛化補回來；學習率永遠是影響最大的那顆旋鈕。
MIT 6.7960 L10：記憶與序列建模 —— RNN、LSTM 與梯度消失／爆炸
RNN 把過去壓進一個隱狀態，但遞歸讓梯度在時間上連乘，要嘛消失要嘛爆炸；LSTM 用輸入/遺忘/輸出門把『記憶』與『更新』解耦，讓長程資訊能穩定流動。注意力後來取代它，是因為 O(1) 取用任意歷史。
MIT 6.7960 L11：表示學習（重建式）—— 自編碼器、VQ 與自監督
表示學習的目標是把原始資料壓成「好用」的向量：自編碼器用重建逼出有意義的潛空間，VQ 把連續表示離散化成碼本，自監督則用『遮住一部分再重建』來免費產生監督訊號。
MIT 6.7960 L12：表示學習（相似性式）—— 度量學習、對比學習與 InfoNCE
相似性式表示學習不重建輸入，而是直接塑造潛空間的幾何：讓同類表示靠近、異類推遠。InfoNCE 把這件事寫成『在一堆負樣本裡認出正樣本』的分類問題，而 alignment / uniformity 給了它可解釋的評價指標。
MIT 6.7960 L13：表示學習的理論視角 —— 歸納偏置、高斯過程與 NN–GP 對應
把網路變寬到極限，它的隨機初始化輸出會變成一個高斯過程（NN–GP），而訓練動態則由神經切線核（NTK）固定下來。這套理論不只能用來分析，還反過來指導我們設計『對的歸納偏置』。
MIT 6.7960 L14：生成模型基礎 —— 密度／能量模型、GAN、自回歸與擴散
生成模型本質是在學資料的分佈 p(x)。密度模型直接建模機率，能量模型用一個未歸一化勢能 + 採樣器，GAN 讓判別器逼出逼真樣本，自回歸一步步預測下一個 token，擴散則用『逐步加噪再學去噪』繞開棘手的最大似然。
MIT 6.7960 近似理論（Approximation Theory）—— 萬能近似、Barron 定理與深度為何有用
單層網路理論上能逼近任何連續函數（萬能近似），但寬度會隨維度指數爆炸；Barron 定理在特定的『Barron 函數類』下讓誤差只隨樣本數 √n 收斂、與維度脫鉤；而深度能對組合/階層函數帶來指數級的寬度節省——這正是深網比淺網強的根本原因。
MIT 6.7960 圖神經網絡（GNN, Graph Neural Networks）—— 訊息傳遞、置換等變與表達力上限
GNN 本質是「在圖上做局部訊息傳遞的 MLP」：它把 CNN 的固定網格鄰居推廣成任意拓撲的鄰居聚合。它必須滿足置換等變/等變性。理論上，一階 GNN 的表達力不超過 Weisfeiler–Lehman 圖同構測試——有些結構它永遠分不出來，這也是後來 GIN、位置編碼、子圖技巧要補的洞。
MIT 6.7960 L15：變分自編碼器（VAE）—— ELBO、再參數化技巧與潛變數表示
VAE 的核心是 ELBO + 再參數化：把 log p(x) 替成 E_q[log p(x|z)] − KL(q(z|x)‖p(z))，encoder 輸出 μ/σ 用 z = μ + σ⊙ε（ε ~ N(0,1)）讓採樣可反向傳播。訓練 = 重構 + KL 兩項拉扯，由此衍生 β-VAE、posterior collapse、VQ-VAE 等修正。
MIT 6.7960 L16：條件生成模型（Conditional Generative Models）—— cGAN、cVAE 與 Classifier-Free Guidance
條件生成的關鍵是「把 y 餵進模型」：cGAN 在 G/D 拼接 y，cVAE 把 y 當額外輸入進 encoder/decoder；擴散模型時代，Classifier Guidance 用外部分類器梯度把生成推向指定類別，Classifier-Free Guidance 則同訓練 conditional + unconditional 並在推論時線性組合兩者——後者是 Stable Diffusion / Imagen 的標準武器。
MIT 6.7960 L01：課程導論 —— Deep Learning 的地圖、為什麼深，以及第一個訓練 loop
本講是 6.7960 的導論：deep learning 之所以爆發是『資料 + 算力 + 演算法』三股力量同時到位；本課從架構（CNN/GNN/Transformer）到訓練、表示、生成、遷移、規模、LLM 一路串起來；最後用一個 ~30 行的 PyTorch training loop 確認你的環境能跑。
MIT 6.7960 L17：out-of-distribution 泛化 —— 領域偏移、虛假相關、與三條實務對策
OOD 失敗不是 bug，是 i.i.d. 假設破掉：covariate shift（影像風格變了）、label shift（類別比例變了）、concept shift（同一個詞意思變了）各有對應的應對方式；最常見的原因是模型抓了『虛假相關』（用草原當牛的存在訊號），IRM 與 domain randomization 想從訓練資料結構本身把這件事修掉，test-time adaptation 在推論時即時修正。
MIT 6.7960 L18：遷移學習（Transfer Learning）—— 預訓練、特徵抽取、與微調策略
遷移學習的核心是『在大資料上學到的特徵是好的通用表示』：下游任務資料少時，把 backbone 凍住只訓練線性 head；資料夠就全模型微調；想省算力就上 LoRA / adapter。SimCLR、MAE 這類自督導預訓練讓『上游不需要標籤』，下游表現又上一層樓。
Cloudflare AI Search 怎麼用：資料來源、混合檢索與 Workers 綁定的完整解析
前身 AutoRAG 的託管搜尋原語：丟文件進內建儲存或綁 R2／網站，自動走 Markdown 轉換、切分與向量加 BM25 索引，透過 hybrid 加 RRF 加 rerank 檢索，並以 namespace 與 instance 兩種綁定或 REST 與 MCP 在 Worker 與 Agent 內查詢。
GPUtw.ai 是什麼：台灣在地 GPU 雲端、短租算力與研究者工作流
GPUtw.ai 是台灣在地的短租 GPU 雲端，核心不是最大規模的算力，而是台灣機房、預付點數、Jupyter/ComfyUI/Ollama/vLLM 範本、Vault 與團隊帳務。公開資料足夠做服務介紹，還不足以當正式採購或 production 背書。
問「我想找入門的ai課程」卻回 0 筆？RAG 中文分詞與資料鏈路脫節除錯實戰
在 Ask AI 輸入「我想找入門的ai課程」顯示搜尋文章 0 筆並觸發拒答，底部的延伸閱讀卻精準推薦相關文章。第一輪修正中文斷詞、LIKE fallback 與 Vectorize 資料鏈路；第二輪再補漢字＋數字短詞、文章 metadata 檢索，以及只在 Validation／Critic 通過後顯示來源。
Harvard CS181 HW0：開學前先做這 4 題，卡哪題就先補哪裡
HW0 用四題檢查 CS181 的先修：矩陣 y=Xw 的可解條件、目標函數的微分與優化、機率推理，以及用 Python 實作 OLS。做不順的地方就是開學後要優先補的缺口。
Harvard CS181 HW1：冰芯溫度迴歸— 先掌握線性、核、神經網路三條路徑
HW1 以 800k 年冰芯溫度資料做線性迴歸、核迴歸與簡易神經網路，先掌握三種模型的訓練與驗證方法，為接下來的分類與深度學習鋪路。
Harvard CS181 Machine Learning 導讀總覽：2026 七份作業怎麼跟？四年版本一次看懂
CS181 2026 以 hw0–6 七份作業為週節拍、無當期錄影但 A3 可自學；2025 多 practical、2024 雙期中、2023 單授 Weiwei Pan。看懂四年沿革後，從 HW0 體檢先修再逐週跟最穩。
Harvard CS50 AI Week 0：Search——從 DFS、BFS、A* 到 Minimax 與 Alpha-Beta 剪枝
Week 0 以搜尋算法為起點，涵蓋 BFS 最短路徑、Minimax 對弈、Alpha-Beta 剪枝優化，附 Degrees 與 Tic-Tac-Toe 兩專案完整實作。
手機遙控 Claude Code 怎麼選：Moshi 的 SSH 直連終端機、moshi-hook 與定價
Moshi 是一款 iOS/Android 終端機 app（另有免費的 Moshi Desktop 網頁版），透過 SSH/Mosh 直連你自己的機器遙控 Claude Code、Codex 等 coding agent；免費版就是完整終端機，Pro（$7.99/mo 起）解鎖 Mosh 斷線續傳、tmux 深度整合與 diff viewer。
FLUX——Stable Diffusion 原班人馬出走後造出的圖像模型家族，從 12B 到 Self-Flow 世界模型
FLUX 是 Black Forest Labs 的圖像模型家族——2024 年 8 月由 Stability AI 的 Stable Diffusion 原班人馬創立後首發，12B rectified flow transformer 一戰成名；兩年後家族已長成五層：klein 4B（$0.014 起、家族新一代唯一的 Apache 2.0）/9B、pro（$0.03）、flex（$0.05）、max（$0.07、可即時搜尋網路 grounding），外加 32B 開放權重的 dev；2026 年 8 月更用 FLUX 3 把影片＋同步音訊＋機器人動作收進同一個 Self-Flow 架構。這篇追蹤從 FLUX.1 到 FLUX 3 的演化、授權三層制與選型建議。
語音與音訊模型家族——Whisper 從開源改寫 ASR 到 ElevenLabs 收編語音 API，一條 ASR 一條 TTS 的四年演化
語音模型分兩條線：ASR 線由 Whisper 主導——2022/09 以 MIT 開源 1.55B 模型把轉錄成本打到趨近於零，v2→v3→turbo（decoder 32 層砍到 4 層）之後 OpenAI 轉閉源推 gpt-4o-transcribe；TTS 線則是 ElevenLabs 用品質與生態從新創做到 $11B 估值、$500M ARR，開源陣營靠 Kokoro（82M、Apache 2.0）與 Chatterbox 守住自架陣地。即時對話已被 speech-to-speech 的 Realtime API 重寫遊戲規則。
影片生成模型家族——Sora 退場、Veo 3.1／Kling 3.0／Gen-4.5 三強割據的兩年軍備競賽
2024 年 2 月 Sora 預覽震撼業界，兩年半後格局翻轉：OpenAI 於 2026 年 4 月關閉 Sora 消費者 App、API 排定 9 月 24 日退役；Veo 3.1 以原生音訊與 Flow 工具鏈成為敘事首選；快手 Kling 3.0 轉型統一多模態、年化營收 2.4 億美元；Runway Gen-4.5 曾登頂 Artificial Analysis 榜（2025-11 快照）、靠企業工作流站穩專業市場。這篇以家族×世代時間線拆解四大家的演化、規格定價對照與選型建議。
搜尋只回 10 筆的解法：Cloudflare D1 FTS5 與 Hybrid Search 中文召回實戰
查「認證」只有 10 筆，149 篇裡 41 篇命中被漏掉：D1 FTS5 的 unicode61 對 2 字中文失效、本地 chunks_fts 0 筆、加上硬上限 12 的共同結果；用 LIKE fallback 與拆字 OR 先把召回補回來，再補 trigram 重建與分頁。
MiniMax：聊天機器人公司做出的 Coding 模型，性價比碾壓閉源
MiniMax 從消費級聊天 App 起家，M2.5 在 SWE-bench Verified 拿 80.2% 但 API 價格只有 Claude Opus 的 1/10-1/20；M3（456B 總量 / 45.9B 啟用）是首個在 SWE-bench Pro 突破 59% 的開源權重模型，還有 1M context。
Nous Research：從研究社群到開源 AI 生態系的反叛者
Nous Research 不預訓練，只做 fine-tuning 和 RL——Hermes 4 在 MATH-500 拿 96.3%，NousCoder-14B 只用 24K 樣本就把 Qwen3-14B 的 coding 能力拉高 7%。但真正的護城河是 Hermes Agent 框架：236K GitHub stars，全球第 19 名，3,000 位貢獻者。
Ornith：小團隊用自我改進 RL 做出的開源 Coding 黑馬
DeepReinforce 用 self-improvement RL 訓練的 Ornith 1.5 家族：397B 旗艦在 SWE-bench Verified 拿 86.0 追平 Claude Opus 4.8，35B-A3B 每 token 只啟用 3B 參數卻在同量級 coding benchmark 全面領先，9B 版本可以跑在手機上。MIT 授權、完全開源。
Claude Code 多 session 怎麼管：Agent View、dispatch、狀態監控與跨 session 傳訊
`claude agents` 一個畫面列出所有背景 session，把 Needs input、Ready for review、Working、Completed 等狀態排在一起管理，Space 鍵偷看、Enter 接手。搭配 cross-session messaging（ListAgents／SendMessage，v2.1.224+），session 之間還能自己互傳訊息；同機傳訊走本機 socket，不經 Anthropic 伺服器。
Claude Code 的 .claude 目錄導覽：settings、rules、skills 到 auto memory 各檔職責
Claude Code 的設定分散在專案 `.claude/` 與家目錄 `~/.claude/` 兩層，共 20 多個檔案位置。關鍵分野只有兩條：settings 是跨層合併的強制設定，CLAUDE.md 和 rules 是串接進 context 的指引；committed、gitignored、Claude 自寫三種身分各不相同。
PR 審查怎麼交給 Claude Code：multi-agent 分析、REVIEW.md 與 ultrareview
GitHub PR 審查設定好後，由一隊 agent 依 repo 觸發模式審查，平均 20 分鐘、每則約 15–25 美元，findings 以 inline comments 貼在問題行上；改動夠大時用 /code-review ultra 開雲端深審，5–10 分鐘回報每條都經獨立驗證的 bug，單次約 5–25 美元、Pro/Max 有 3 次免費。
Claude Code 成本怎麼管：token 追蹤、模型選擇、effort 與團隊用量
Claude Code 成本隨 context 大小累積：企業部署平均每位開發者每個活躍日約 $13、每月 $150–250。本文整理 /usage 與 /insights 追蹤、六種省 token 手段，以及「該用哪個模型」的系統性答案：provider-dependent model aliases、effort levels、fast mode（Opus 5/4.8 每 MTok $10/$50）與 advisor 工具。
Claude Code 設定了卻沒生效怎麼診斷：/context、/doctor、/mcp 與錯誤對照
CLAUDE.md 寫了沒被遵守、hook 不觸發、MCP server 沒出現，多半是檔案沒載入、載錯位置或被另一層設定覆蓋。本文整理 /context、/memory、/skills、/doctor、/mcp 等診斷入口各看什麼、safe mode 二分法，以及六條高頻錯誤訊息的對照表。
Claude Code 開發環境怎麼統一：devcontainer.json、CI 一致性與團隊 rollout
在 `.devcontainer/devcontainer.json` 加一行 Anthropic 官方 Dev Container Feature（`ghcr.io/anthropics/devcontainer-features/claude-code:1.0`），三步驟——寫設定、rebuild 容器、跑 `claude` 登入——就能讓團隊每個人的 Claude Code 跑在同一份容器定義裡；同一份定義也能餵給 GitHub Codespaces 和 CI，rollout 五步可落地。
Claude Code 怎麼編排大量 subagents：Dynamic Workflows、ultracode 與可重跑腳本
Dynamic workflows 讓 Claude 把多代理編排寫成 JavaScript 腳本、交給 runtime 在背景執行，單次最多 1,000 個 agent、可存成 /<name> 指令重跑。本文拆解觸發方式、儲存流程、codebase audit／大遷移／交叉查證研究三種場景，以及與 Agent Teams 的分工和成本陷阱。
Claude Code 怎麼運作：agentic loop、內建工具與兩道安全防線
Claude Code 的核心是一個 agentic loop：蒐集 context、採取行動、驗證結果，循環直到任務完成。本文拆解它的五大類內建工具、模型與 harness 的分工，以及 checkpoints 和 permission modes 兩道安全防線，作為整個系列的閱讀地圖。
Claude Code 多代理怎麼選：subagents、agent view、agent teams、dynamic workflows
官方文件把 Claude Code 的平行工作分成 4 種方式：subagents 在同一個 session 內委派、agent view 讓你自己盯多個背景 session、agent teams 由 lead 協調一群工人、dynamic workflows 用腳本跑大量 subagent 交叉驗證；檔案衝突一律靠 worktree 隔離。本文附官方比較表中譯與三題決策指引。
Claude Code 怎麼上雲：Claude Code on the web、--cloud/--teleport 與手機接手
Claude Code on the web 把任務丟到雲端環境執行，預設是 Anthropic 託管 VM，也可由組織路由到 self-hosted environment：GitHub 授權後從瀏覽器或手機派工，`--cloud` 從終端機開雲端 session，`--teleport` 把雲端 session 拉回本地續作。目前是 Pro/Max/Team 的 research preview，不另收運算費用但共享帳號 rate limit。
讓 Claude Code 自主到什麼程度：permission modes、auto mode 分類器與 allow/deny rules
Claude Code 共有六個 permission mode，日常主要在 Manual、Accept edits、Plan、Auto 四個之間用 Shift+Tab 切換；Pro／Max／Team 的互動終端機與 VS Code session 在條件符合時預設進入 auto mode，由背景分類模型審查多數動作，預設攔下 force push、`curl | bash`、production deploy 等風險操作。本文講四個模式的取捨、permission rules 的寫法，以及組織層的 trust config。
Prompt caching 怎麼左右 Claude Code 的速度與帳單：prefix 匹配、快取作廢時機與命中率
Claude Code 的 prompt caching 靠 prefix 完全匹配運作：命中時重讀計費約為標準 input 的 10%，但換模型、改 effort、開 fast mode、連斷 MCP server、整工具 deny 都會讓下一輪整段重算。TTL 預設五分鐘，訂閱方案的主對話與少數 helper requests 用一小時。
Claude Code sessions 怎麼管理：--continue、--resume、/branch 與 JSONL 檔
Claude Code 把每個 session 逐行寫進 ~/.claude/projects/ 底下的 JSONL 檔，預設保留 30 天。本文拆解 --continue 與 --resume 的差異、session 命名規則、/branch 分岔語意，以及 transcript 匯出與清理的設定。
Claude Code 裝不起來、登不進去怎麼排：PATH、安裝來源、proxy、OAuth callback
安裝與登入問題照五步排：驗 PATH（macOS/Linux 用 echo $PATH，Windows 用 PATH 查詢）、確認只剩一份安裝、測 downloads.claude.ai 是否回 200、OAuth callback 失敗就貼 login code 或改用 claude auth login，最後用 claude doctor 收尾。
Claude Code 執行期問題怎麼解：CPU 記憶體、session hang、auto-compact thrashing、表格與搜尋失效
執行期問題五類解法：記憶體偏高用 /compact 加 /heapdump 診斷；hang 了按 Ctrl+C 再 claude --resume 復原；大型表格改寫檔案不要硬看終端輸出；autocompact thrashing 用分段讀檔或 /compact 指定焦點脫離迴圈；搜尋失效裝系統 ripgrep 並設 USE_BUILTIN_RIPGREP=0。
Apple Foundation Models——隱私優先的封閉生態 AI，20B 稀疏模型跑在手機上
Apple Foundation Models（AFM）是 Apple 自研的封閉生態 AI 家族，三代演進從 2024 年的 3B dense + LoRA adapter，到 2026 年的五個模型。AFM 3 Core Advanced 用 IFP 稀疏架構把 20B 跑在手機上（只啟動 1–4B），雲端最強的 Cloud Pro 跑在 Google Cloud NVIDIA GPU、用 Gemini 蒸餾精煉。沒有公開 API 定價，沒有第三方 benchmark，只透過 Foundation Models framework 給 iOS/macOS 開發者使用。
Mac 遠端桌面怎麼選：Tailscale、Jump Desktop、RustDesk 與內建螢幕共享
不想付錢就用 Tailscale + 內建螢幕共享，完全免費且最穩；要更順才考慮付費的 Jump Desktop，本文對比 4 種方案並給 5 分鐘設定與闔蓋休眠三大坑解法。
自架推論服務導讀：什麼時候值得自己跑模型
自架推論的關鍵不在引擎多快，而在你的 GPU 使用率：一張打滿的 A100 約 $0.70 / 百萬輸出 token，使用率掉到一成就變 $7，比多數雲端 API 貴。這篇是系列導讀，把七套工具分成三層，幫你判斷該選哪一層。
TensorRT-LLM：編譯換效能的 NVIDIA 專用 LLM 推論引擎
TensorRT-LLM 是 NVIDIA 的開源 LLM 推論庫（Apache 2.0），用離線編譯把模型權重與計算圖轉成最佳化的 TensorRT engine，再用自訂 CUDA kernel、in-flight batching 與多種平行化壓出硬體極限。代價是只支援 NVIDIA GPU、編譯要數十分鐘、換模型或量化就要重新 build。
TGI：HuggingFace 的 LLM 推論伺服器，以及它為什麼進入維護模式
Text Generation Inference（TGI）是 HuggingFace 自家的 LLM 推論伺服器，用 Rust + Python 實作，率先在開源推論引擎裡引入 continuous batching 與 Flash Attention。2026 年 3 月 GitHub 倉庫歸檔進入維護模式，官方建議遷移到 vLLM 或 SGLang。了解 TGI 仍然重要：它定義了後繼引擎的架構基線，而且許多 HuggingFace Inference Endpoint 上的既有服務仍在跑它。
AI 模型評測來源指南——怎麼判斷一個模型好不好用
模型廠商的自測數字不能直接信。這篇整理 2026 年最重要的獨立評測平台、領域 benchmark、市場熱度指標和官方來源，說明各自測什麼、怎麼解讀、偏差在哪，附上不同情境的選型該看哪些數字。
Claude——從 AI 安全實驗室到 SWE-bench 冠軍，閉源 Agent 最強選擇
Claude 是 Anthropic 推出的閉源 LLM 家族，以 Constitutional AI 訓練、Agent 能力和 Coding 表現聞名。2026 年 7 月的 Opus 5 以 SWE-bench Verified 96% 拿下 coding 冠軍，Fable 5 則以 LiveBench 83% 領跑通用能力。四層產品線（Fable / Opus / Sonnet / Haiku）從 $1 到 $10 覆蓋不同場景，是系列裡唯一完全沒有開放權重的家族。
Cohere——RAG 原生的異類：Command、Embed、Rerank、Aya 四支柱怎麼選
Cohere 是唯一把生成、檢索、重排、多語言四條線都做成產品的模型家族。Command A 111B 以兩張 GPU 跑 256K 上下文、Embed v4 支援圖文混合檢索、Rerank v4 32K 處理半結構化資料、Aya 覆蓋 101 種語言——四件套為 RAG 而生，這篇拆開每一塊的定位、授權與選型。
DeepSeek——從 MoE 實驗室到 OpenRouter 用量第一的開源王者
DeepSeek 用 MLA + MoE 兩項架構創新把推論成本壓到業界最低，V4 Flash 以 13B 活躍參數跑出接近前端模型的品質，成為 OpenRouter 用量第一。這篇追蹤從 V1 到 V4 的演化、R1 推理線的分叉、以及每個版本該怎麼選。
Gemini——Google 的原生多模態旗艦，1M context 與科學推理的雙料冠軍
Gemini 是 Google DeepMind 推出的原生多模態 LLM 家族，以 1M context window、原生影片/語音輸入和科學推理能力聞名。3.1 Pro 在 GPQA Diamond 94.1% 和 ARC-AGI-2 77.1% 拿下科學推理雙冠，定價 $2/$12 只有 Claude 的 1/6。3.7 Flash 以 $0.75/$3.75 提供接近 Pro 的 Agent 能力。
GLM——從清華實驗室到 744B 開源旗艦，以及 GLM-5.3 的資安突襲
GLM 是智譜 AI（Z.ai）推出的開源 LLM 家族，源自清華大學 KEG 實驗室。GLM-5.3（2026/08）在 coding benchmark 比前代提升 50%，CyberGym 84.5% 超過 Anthropic Mythos 5 與 OpenAI GPT-5.6 Sol，在 Artificial Analysis Intelligence Index 得分 60 與 Kimi K3 並列開源第一。它是目前唯一完全在華為昇騰晶片上訓練出的前沿開源模型。
GPT——閉源 API 收營收、開源 GPT-OSS 補生態，統一路由架構的全球最大 AI 平台
GPT 是 OpenAI 推出的 LLM 家族，從 2018 年的 117M 參數到 2026 年的 GPT-5.6 Sol/Terra/Luna 三層產品線，擁有超過 10 億使用者和 200 萬企業客戶。GPT-5.6 Sol 在 LiveBench 81.1%、Terminal-Bench 2.1 88.8%、Artificial Analysis Coding Agent Index 80 等多項 benchmark 領先，同時首次推出開源模型 GPT-OSS（Apache 2.0）。
Grok——從 314B 開源賭注到 Grok 4.6/Build/Imagine，xAI 的分發驅動追趕
Grok 是 xAI 的 LLM 家族，2023/07 成立、2024/03 以 314B MoE Apache 2.0 開源起手，兩年半迭代到 Grok 4.6（500K、$2/$6、四檔推理）與 2M 的 Grok 4 Fast；另有 Imagine 圖像/影片與 Grok Build 終端 coding agent——護城河在分發（X / grok.com / Tesla / Bedrock），而非單點模型能力。這篇追蹤 Grok 1→4.6 的演化、子線定位、定價與授權陷阱。
Kimi——從 200K 長文本工具到 2.8T 開源前沿，以及 K3 的架構躍進
Kimi 是月之暗面（Moonshot AI）推出的 LLM 家族，以超長 context 起家。2026 年 7 月發布的 Kimi K3 是全球首個開源 3T 級模型——2.8T 參數、104B 活躍、1M context，在 Artificial Analysis Intelligence Index 得分 60 與 GLM-5.3 並列開源第一。其 Kimi Delta Attention 架構帶來 2.5 倍 scaling 效率提升。
Llama——從開源實驗到部署量最大的開源 LLM，以及 Meta 的閉源轉向
Llama 是 Meta 推出的開源 LLM 家族，以企業部署量最大、生態最成熟聞名。Llama 4 Scout（10M context）和 Maverick（17B active / 400B total MoE）是目前的開源多模態標竿，但 Meta 已在 2026 年 4 月轉向閉源 Muse Spark——Llama 4 很可能是最後一個主要的開源 Llama，且授權不是真正的開源（Llama 4 Community License，月活超 7 億需另外授權）。
Mistral——歐洲的開源 AI 挑戰者：用更小模型和歐洲主權打一場不一樣的仗
Mistral 是歐洲最成功的 AI 新創，以「更小、更快、更便宜」的策略和歐洲資料主權定位在 AI 市場殺出血路。Mistral Large 3 是歐洲最強的商用 LLM，Small 4 是 24B 級別的效率之王，Medium 3.5 則是專為 agentic coding 優化的 Modified MIT 開源模型。它的護城河不是技術規模，而是「歐洲合規」這張牌。
Qwen——從 0.8B 到 2.4T 全尺寸開源，HuggingFace 下載量王者的雙軌打法
Qwen 是 HuggingFace 下載量最高的模型家族，尺寸從 0.8B 一路涵蓋到 2.4T。2026 年 8 月阿里首度開源 Max 級旗艦權重（Qwen3.8-2.4T-A95B），但授權換成了自訂條款而非慣例的 Apache 2.0；同期開源、筆電就能跑的原生視覺模型 Qwen3.8-27B 反而是新面孔裡唯一的 Apache 2.0。這篇追蹤 Qwen 從 2023 年到 3.8 世代的演化、開源線與商用線的分家邏輯，以及每一層該怎麼選。
AI 模型用途總覽——2026 年你該知道的模型地圖
2026 年 AI 模型按用途分成七大類、20+ 個子用途。這篇是「AI 模型家族」系列的導讀地圖——從用途找模型、從模型找家族，附每個用途的選型建議和最新排名。
Antigravity CLI：Google 用閉源 Go binary 取代十萬星開源 Gemini CLI
2026 年 5 月 Google I/O 宣布 Antigravity CLI（agy），用閉源 Go binary 取代 Apache 2.0 的 Gemini CLI。技術上升級——多 agent 編排、原生沙箱、毫秒啟動——但免費額度砍 98%、開源轉閉源、28 天過渡期，社群反應強烈。
Grok Build：xAI 的 Rust Coding Agent，開源之前先把你的 repo 傳上去了
Grok Build 是 xAI 用 Rust 寫的 coding agent，845K 行程式碼、8 個平行子 agent、Arena Mode。2026 年 5 月 beta、7 月開源（Apache 2.0）——但開源的直接原因是隱私事件：它靜默把整個 repo（含 SSH key、.env）上傳到 Google Cloud Storage，27,800 倍的流量比。資料外洩的程式碼至今還在 binary 裡，只靠 server-side flag 關閉。
Muse Code：Meta 的第一個 Coding Agent，用訓練權換八折定價
2026 年 8 月 Meta Superintelligence Labs 發布 Muse Code beta。閉源靜態 binary、Muse Spark 1.2 模型、平行子 agent + worktree 隔離。最大爭議是定價：標準版 $1.25/$4.25 per M tokens，Contributor 版 $0.10/$0.20——便宜 20 倍，但你的程式碼進 Meta 的訓練管線。
自架推論伺服器怎麼選：從 Ollama 到 Xinference，六套工具的定位與取捨
自架推論伺服器分三層：執行引擎（llama.cpp）、服務引擎（vLLM、SGLang）、模型管理平台（Ollama、Xinference、Triton）。選對層級比選對工具重要——先問你的瓶頸在排程還是在部署流程，再決定複雜度放在哪裡。
Xinference：一個平台管 LLM、Embedding、語音與圖像模型的自架推論伺服器
Xinference 把 vLLM、SGLang、llama.cpp、Transformers、MLX 五種後端包在同一個管理層，用 Web UI 和 OpenAI 相容 API 統一管理 LLM、embedding、rerank、語音和圖像模型，適合需要多類型模型共存的自架部署；但管理層的解析邏輯也讓攻擊面比純 serving engine 大（CVE-2026-61539 是案例）。
Agent Platform 深度解析（八）— Context/Memory 與 Cloudflare 部署：本機開發到生產環境的零縫隙遷移
Agent Platform 採 Cloudflare-first 架構：本機 `npm run dev` 跑 Node 模擬，生產映射到 Workers + Workers Assets + D1 + KV + R2 + Vectorize + Queues + Workflows + Durable Objects + Workers AI。Runtime 介面相同（InMemory → Cloudflare 實作），上層零感知遷移。部署只需 `wrangler login` → 建資源 → 填 ID → `wrangler secret put` → `wrangler deploy`。CI/CD 監聽 main 分支，跑 typecheck + build + dry-run + migration + deploy。
Agent Platform 深度解析（七）— Evaluation & Quality Gates：全維度評測、Regression Prevention 與技能發布免疫系統
Evaluation 是 Agent Platform 的「品質免疫系統」：不只是事後統計，而是內建於執行流程的 Pre-run/In-run/Post-run 三階段把關。7 類 Eval 全覆蓋 Flow→Step→Skill→Artifact→Evidence→Policy→Regression。Skill 發布必須通過 Trigger→Functional→Policy→Regression→Human Review 五關，任一失敗即阻擋。Learning Loop 從 Run 捕獲 Signal → 產生 Proposal → Human Review → Sandbox Eval → Quality Gate → Publish，嚴守「Agent 提案、人類審核、Eval 閘門」鐵律。
Agent Platform 深度解析（二）— Flow Runtime：版本化流程、Checkpoint 與 Resume/Retry 機制
Flow Runtime 是 Agent Platform 的心臟：Flow 發布即不可變、Run 綁定具體 version+preset、Step 以 DAG 邊緣條件流轉、每個邊界存 checkpoint、支援 resume/retry-step 不丟失 trace 歷史。
Agent Platform 深度解析（六）— Observability、Evidence 與 Artifacts：結構化 Trace、Claim-to-Source 追溯與版本化產出
Observability 不是事後加的 log，而是第一公民：結構化 Trace 連結 FlowRun→StepRun→SkillInvocation→ProviderCall→ToolInvocation→GuardResult→EvidenceItem→ArtifactVersion。Evidence Store 讓每個 claim 追溯到 source/excerpt/citation/confidence/conflict。Artifact 版本化支援 approve/reject/regenerate 不刪除歷史。Context Snapshot 按類別分配 token budget，超額自動壓縮記錄決定。Memory 分 procedural/episodic/semantic 三類，寫入需 proposal 經人工審核。
Agent Platform：開源 AI Workflow Control Plane 深度解析（一）— 架構與定位
Agent Platform 把 AI agent 從「空白聊天視窗」升級為「可定義、可版本化、可觀測、可驗證、可改進」的結構化工作流平台，內建 Deep Research seed flow 示範完整閉環。
Agent Platform 深度解析（五）— Policy Engine：Runtime Guards、Budget Control、Human Approval 與 Loop Protection
Policy Engine 是 Agent Platform 的「憲法與執法者」：Policy 版本化綁定 Flow/Preset、四層 Guard 在 step boundary 強制執行、Budget 多維度限制（cost/tokens/runtime/iterations/tool_calls）、External write 必須人工核准、Loop detection 自動熔斷、Escalation 記錄可審計軌跡。配置驅動而非硬編碼，新增規則只改 JSON。
Agent Platform 深度解析（四）— Provider Router & MCP：多 Provider 路由、Fallback 鏈與 OpenAI 相容 Proxy
Provider Router 是 Agent Platform 的「模型與工具網關」：統一 30+ providers、MCP tool discovery、step-local 權限控制、fallback chain with RRF fusion、OpenAI 相容 Proxy 讓現有 SDK 零改動接入。配置驅動而非硬編碼，provider 健康度感知路由。
Agent Platform 深度解析（三）— Skill System：版本化能力包、顯式綁定與 Learning Loop 閉環
Skill = 可版本化、可安裝、可審計的能力包。雙檔架構分離 metadata 與指令，顯式綁定替代模型路由，invocation 全記錄。Learning Loop 從 run 產生 signal → proposal → sandbox eval → human review → publish，嚴守「Agent 提案、人類審核、Eval 閘門」原則。
Groundlane 實戰系列（篇 1）：為什麼 AI 代理需要一個受控的網路存取層
Groundlane 是一個開源 TypeScript 遠端 MCP 伺服器（v0.1.0），以單一穩定合約為 AI 代理提供 web_search、web_fetch、web_extract 三種能力，並把身份驗證、提供者替換與資源限制留在操作者邊界內。
Groundlane 實戰系列（篇 2）：三個 MCP 工具的參數、回傳與錯誤處理
以實際呼叫範例說明 web_search（十適配器、RRF 合併、雙提供者預設）、web_fetch（format/render 策略、finalUrl 來源證據）、web_extract（CSS selector 結構、無 LLM 隱式步驟），並整理回傳結構與錯誤邊界。
Groundlane 實戰系列（篇 3）：與傳統方案的對比 — WebFetch、stealth_fetch、puppeteer 與 requests
從確定性、可替換性、身份邊界、維運成本四維度比較 Groundlane 三工具與傳統本機方案（WebFetch、stealth_fetch、puppeteer、requests），指出各方案適合與不適合的場景。
Groundlane 實戰系列（篇 4）：在 quidproquo 站內的應用 — 以現有 MCP 工具與流程為事實
以站內 .claude/skills/groundlane 的 usage-modes 流程為事實，說明如何把 web_fetch 與 web_extract 整合進文章參考驗證與每日 digest 資料收集，而不假設未實作功能。
Groundlane 實戰系列（篇 5）：踩坑與最佳實踐 — timeout、selector、render 模式與安全邊界
整理實戰中最常見的操作陷阱：timeout 與位元組上限導致的 truncated、selector 設計錯誤、render 模式切換的成本與確定性風險、版本變動（v0.1.0 早期預覽）的可重現驗證方式，以及預設安全邊界不可繞過的原因。
台股研究 Agent 實戰系列（篇 1）：為什麼台股需要自己的研究 Agent
美股 LLM agent 已經捲到近十萬星，台股在 GitHub 上卻連一個破 10 星的都沒有；我把三個 side project 收斂成一個「每個結論都要先過回測」的台股研究 agent，這篇講為什麼。
台股研究 Agent 實戰系列（篇 2）：LangGraph 並行架構——五個分析師同時開工
五個 analyst 在同一個 superstep 並行 fan-out，延遲是 max 不是 sum；回測與 reflection 擋在 synthesis 前面，讓 LLM 只能解釋已存在的證據。
台股研究 Agent 實戰系列（篇 3）：LLM 分層與降級鏈——API、本地 CLI、詞典三層 fallback
只有兩個 role 會叫 LLM，其餘分析師全程程式化；每個 call 依 Anthropic API → 本地 claude CLI → 規則降級的鏈路走，成本只信 provider 回報值，未知成本永遠不當 $0。
台股研究 Agent 實戰系列（篇 4）：回測查核——為什麼回測會說謊
這個專案的核心規矩：任何 LLM 結論必須先通過同一組訊號的歷史回測，期望值為負時 synthesis 禁止樂觀；四個讓回測說謊的坑各有程式化對策。
台股研究 Agent 實戰系列（篇 5）：評估方法學：walk-forward、run card 與 50% 的誠實 baseline
我不量測『感覺很準』，我用 walk-forward 凍結參數跑 OOS、run card 記錄每次輸入的 hash、golden eval 留下 5/10 = 50% 的誠實 baseline，讓這個 agent 承認自己還不準。
台股研究 Agent 實戰系列（篇 6）：讓 LLM 報告的每個數字都可稽核
LLM 寫報告時最容易幻覺的不是觀點而是數字，所以我把所有可信數字建成 SHA-256 定址的 evidence manifest，LLM 只能引用 {{fact.id}}，膽敢寫裸數字就整份丟棄回退規則模板。
台股研究 Agent 實戰系列（篇 7）：Copilot loop——計畫合約、可驗證來源與人類審查
研究請求先變成一份要人批准的 ResearchPlan，外部文件必須完整抓取並驗證逐字引用才能進報告，quant 的審查意見永遠 append-only、free-text 永不回流進 prompt——這是 M5 Copilot loop 的完整樣貌。
台股研究 Agent 實戰系列（篇 8）：研究到模擬單的邊界：content-addressed 執行合約
用三個 frozen Pydantic 合約把「研究成果」和「下單權限」之間焊死：內容定址、八道硬性閘門、paper-only，agent 永遠摸不到憑證。
台股研究 Agent 實戰系列（篇 9）：部署邊界——Docker 到 Cloudflare Containers 的公開 API
一個 Python agent 從本機 uv run 到 Docker 到 Cloudflare Containers 公開 API 的完整部署鏈：Worker 擋認證、Container 跑 FastAPI、secret 永遠不進映像檔，10 分鐘沒人用就自動休眠——side project 的正確省錢姿勢。
Ably：Channels、Presence 與 Recovery 的全球即時訊息平台
Ably 管理全球 realtime connections、channels、presence 與短期 recovery；application 仍要定義 idempotency、durable business state、token capability 與 offline resync。
AI Agent 代理授權：不要把使用者 Token 直接交給模型
Agent 應以短效、限 audience、限權限的代理憑證執行單一任務，並同時保留使用者與 agent 身分、執行時授權、確認與稽核鏈。
AI Agent 沙箱逃逸與權限邊界：Container 不是 Security Boundary 的全部
Agent execution 要同時限制 kernel、filesystem、process、network、credentials 與 tool authorization；沙箱逃逸只是其中一條路，過寬 API token 往往更直接。
Linode／Akamai Cloud：經典 VPS 產品如何接上 Edge 與 Managed Kubernetes
Linode 現在是 Akamai Cloud Computing 的 compute 基礎；VM、LKE、storage 與 managed database 仍有區域和網路邊界，不能因 Akamai edge 品牌就假設全部整合。
Algolia 站內搜尋深入介紹：託管索引、排名與 InstantSearch
Algolia 把索引、即時查詢、facet 與前端元件包成託管服務；上線很快，但資料同步、搜尋品質與用量成本仍要自己負責。
Apache Kafka：不是把訊息排隊，而是保存可重播的事件日誌
Kafka 的核心是依 partition 排序、依 retention 保存的分散式 log；consumer group 用 offset 分工，exactly-once 只在 Kafka transaction 能涵蓋的邊界內成立。
Apache Pulsar：把 stateless broker 與 BookKeeper 儲存拆開的事件平台
Pulsar 將 serving 與 storage 分離：stateless broker 處理連線，BookKeeper 保存 ledger 與 subscription cursor；彈性與多租戶能力換來更多營運元件。
Appwrite：可自架的 Auth、Database、Storage、Functions 與 Realtime BaaS
Appwrite 把 Auth、TablesDB、Storage、Functions、Realtime 與 Messaging 放進一致 API；Cloud 與 self-hosted 功能相近，維運責任卻完全不同。
assistant-ui 完整介紹：用 Runtime 與 Primitives 組出可替換後端的 Agent Chat
assistant-ui 把 Agent Chat 拆成 headless React primitives、conversation runtime 與後端 adapters；UI 不必直接綁死某個模型 SDK 的 message state。
AWS App Runner：從原始碼或 Container 到 Web Service 的最短 AWS 路徑
App Runner 把 build、deploy、TLS、load balancing 與 autoscaling 包成 Web service；換來的是較少的編排控制與必須理解的 VPC、instance 與健康檢查邊界。
AWS Fargate：不用管 EC2，不代表不用管 ECS
Fargate 移除容器主機管理，但 task definition、ECS service、VPC、IAM、擴縮、部署與可觀測性仍是你的系統。
AWS Lambda：選函式運算前，先讀懂事件、重試與並行度
Lambda 適合短生命週期、事件驅動且流量不規則的工作；真正的設計中心是 invocation、重試、冪等與下游容量，不是把容器切小。
AWS SQS 與 SNS：一個保存工作，一個把事件 fan-out
SQS 是 pull-based durable queue，SNS 是 push-based topic；常見可靠 fan-out 是 SNS topic 接多個 SQS queue，而不是讓多個 worker 共讀一條 queue。
Azure App Service：Web App 的核心不是 Container，而是 App Service Plan
App Service 代管 Web runtime、TLS、deployment 與 scaling；容量、成本和隔離則落在共享的 App Service Plan，不能只看單一 app。
Azure Container Apps：用 Revision、KEDA 與 Environment 跑 Serverless Container
Azure Container Apps 封裝 Kubernetes，提供 HTTP/TCP ingress、revision、KEDA scaling、jobs 與 Dapr；你仍要設計 replica concurrency、事件冪等、VNet 與身分。
Better Auth：TypeScript 認證框架不是應用程式授權層
Better Auth 統一登入、session、provider 與外掛；resource-level authorization、撤銷時效和代理操作政策仍要由應用程式明確實作。
Better Auth：把 TypeScript 認證放回應用程式裡，值得嗎？
Better Auth 用程式庫與自有資料庫換來身分資料、流程和部署的控制權；代價是 migration、安全更新與事故處理也回到自己手上。
Bright Data 深入介紹：從 Proxy、Web Unlocker 到 Scraping Browser 與 Datasets
Bright Data 把網頁資料取得拆成四層：Proxy 保留控制權，Web Unlocker 回傳已解鎖內容，Browser API 代管互動式瀏覽器，Web Scraper APIs 與 Datasets 直接交付結構化資料。
CapRover：Docker Swarm、Nginx 與 Persistent App 的自架 PaaS
CapRover 用 Docker Swarm、Nginx 與 captain-definition 提供簡化 PaaS；stateless app 可擴展，local persistent app 則被鎖在單一節點。
Clerk 認證平台：從登入元件、Session Token 到組織授權的完整邊界
Clerk 最有價值的不是一個登入框，而是把身分生命週期做成可組裝的平台；但資源層級授權、租戶隔離與業務資料一致性仍然是應用自己的責任。
Cloudflare Durable Objects：讓 Workers 有狀態、協調與 WebSocket 的那塊拼圖
Durable Objects 把一個 name 或 ID 對到全球唯一、單執行緒、帶私有 SQLite storage 的 actor。它適合 per-room、per-user、per-tenant、per-run 這種需要強一致協調的邊界；真正的設計題是 object key 要切在哪裡。
Cloudflare Queues：把 Workers request 拆成可重試、可批次的背景工作
Cloudflare Queues 是 Workers 旁邊的 message queue：producer 把慢工作寫進 queue，consumer 用批次、ack/retry、delay 與 DLQ 處理失敗。它適合單步背景工作；流程需要記住多步驟狀態時，下一篇要看 Workflows。
CodeQL：把 Codebase 抽成 Database，再用 Query 追 Data Flow
CodeQL 先由 language extractor 建立 code database，再以 QL queries 查 AST、types、calls、control/data flow；深度來自 model，也帶來 build extraction 與 query maintenance 成本。
Convex：用 Query、Mutation、Action 建立 Reactive TypeScript Backend
Convex 把 typed backend functions、transactional document database 與 reactive query subscription 綁在一起；關鍵是正確分開 deterministic mutation 和外部副作用 action。
Coolify：自架 PaaS 的 Control Plane、Docker Server 與責任邊界
Coolify 用 SSH 控制自有 server 上的 Docker、proxy 與 resources；它簡化部署，但 OS、安全、容量、資料備份與平台復原仍由團隊負責。
CopilotKit 完整介紹：把 Agent 狀態、工具與 Human-in-the-Loop 接進 React
CopilotKit 不只提供聊天框；它用 React 元件、AG-UI 事件、共享狀態與中斷流程，把 Agent 的執行過程接進既有產品介面。
CoreWeave：以 Kubernetes、GPU Fabric 與儲存組成的 AI 專用雲
CoreWeave 的價值不只是租 GPU，而是把 Kubernetes、GPU 網路、儲存與 inference 組成 AI infrastructure；代價是仍需平台工程與容量治理。
Crusoe Cloud：從 GPU VM、Managed Kubernetes 到 Managed AI
Crusoe 同時提供 Infrastructure Cloud 與 Managed AI；GPU VM/cluster 給控制，serverless/dedicated inference 給較高抽象，兩者責任不可混寫。
DeepSeek Harness（dsh）：把 Everything is a Plugin 做到底的 coding agent 框架
DeepSeek Harness（dsh）是 DeepSeek 官方的開源 coding agent 框架，2026-08-13 發布 v0.1 開發者預覽版，9 天內累積 184,000+ 星。核心是 Cordis plugin kernel——模型、工具、agent loop、UI 全部都是可抽換的外掛。四種 runtime 模式，能把 Claude Code 和 Codex 當子代理使用。Web UI 優先，目前沒有原生 CLI。
Deno Deploy：Deno 2、Revision、Timeline 與全球 TypeScript Serverless
新版 Deno Deploy 是以 Deno 2 執行 application revision 的 serverless 平台；應以 timeline、context、database 與 observability 理解，而不是沿用 Deploy Classic 印象。
DigitalOcean App Platform：用 Component 與 App Spec 管理 PaaS 拓撲
DigitalOcean App Platform 以 Service、Worker、Job、Static Site 與 Function 等 Components 組成 App，再用 App Spec 保存可 review 的部署合約。
DigitalOcean：從 Droplet 到 App Platform 的簡化型 Cloud
DigitalOcean 用 Droplet、DOKS、Managed Databases 與 App Platform 覆蓋常見產品架構；簡單來自較小的服務面，不是免除 OS、網路、備份與 HA 設計。
Django：ORM、Admin、Auth 與長期演進的 Python Web Framework
Django 的價值是把資料模型、migration、auth、admin、forms 與安全預設組成一致系統；代價是要理解 QuerySet、middleware、async 邊界與 production settings。
Dokku：把單台 Docker 主機變成 Git Push PaaS
Dokku 用 Git receiver、buildpack/Dockerfile、process model、Nginx 與 plugins 在單機提供 Heroku 式體驗；簡潔來自刻意縮小編排範圍。
Dokploy：Application、Docker Compose、Remote Server 與 Swarm 的自架 PaaS
Dokploy 同時支援單 container Application 與 Compose/Stack，並把單機、獨立 remote servers、Swarm cluster 定義成三種不同部署拓撲。
DuckDB：把 OLAP Query Engine 放進 Process 裡
DuckDB 是 in-process columnar OLAP database，擅長直接分析 Parquet、CSV 與 DataFrame；它不是一般 web app 的多使用者 OLTP server。
Elasticsearch 與 OpenSearch：從 Lucene 全文檢索到站內搜尋的選型
Elasticsearch 與 OpenSearch 都以 Lucene 支撐文字分析、BM25、聚合與向量搜尋，但 2021 年分家後，授權、治理、混合搜尋 API 與託管生態已是兩條路。
Elysia：Bun-first、Runtime Schema 與端到端型別安全的 API Framework
Elysia 把 runtime schema、TypeScript inference、OpenAPI 與 Eden client 串成同一條 contract，但 Bun-first 的效能優勢、plugin scope 與跨 runtime 相容性仍要分開驗證。
Fastify：Plugin Encapsulation、JSON Schema 與高效 Node.js API
Fastify 的核心不只是 benchmark，而是以 plugin scope、hooks、decorators 與 compiled JSON Schema 建立可組合且有明確 request/response contract 的 Node.js API。
Firebase：Auth、Firestore、Functions 與 Security Rules 的 BaaS 邊界
Firebase 的速度來自 client SDK 直連 Auth、Firestore、Storage 等 managed services；真正的後端合約落在資料模型、Security Rules、Functions 與成本限制。
Fly.io：Machines、Fly Proxy 與多區域部署的真實邊界
Fly.io 把可快速啟停的 Machines 放到指定 region，再由 Fly Proxy 與私有 6PN 接線；真正困難仍是有狀態資料的跨區一致性。
gitleaks：掃 Working Tree、Git History 與 CI Diff 的 Secret Detection
gitleaks 用 rules、regex、entropy 與 allowlists 掃檔案或 Git patches；找到 secret 後第一步是 revoke/rotate，而不是只刪檔或改寫 history。
Google Cloud Model Armor：在 Prompt、Response 與 Agent Tool 前加 Runtime Filter
Model Armor 能在 runtime 檢查 prompt injection、jailbreak、敏感資料、惡意 URL 與內容安全；它是 probabilistic detector，不是 authorization 或 sandbox boundary。
Google Cloud Run：Service、Job、Worker Pool 是三種不同的 Container 生命週期
Cloud Run 不只是一個 HTTP container 平台；先按 request、run-to-completion、always-on pull worker 選對 resource，再設計 concurrency、identity 與擴縮。
Google Kubernetes Engine：GKE Autopilot 降低 Node 操作，不會消除 Kubernetes
GKE 代管 Kubernetes control plane；Autopilot 再代管多數 node 基礎設施，但 workload、policy、網路、升級相容性與成本治理仍屬於團隊。
GraphQL 與 Code Generator：型別安全來自 schema 加 operation，不只 schema
GraphQL schema 定義可查詢能力；GraphQL Code Generator 再結合實際 query、mutation、fragment，產生精確 result、variables 與 typed document。
gRPC 與 Connect：同一份 Protobuf 合約如何跨服務與瀏覽器
gRPC 以 Protobuf service 產生跨語言 stub；Connect server 可同時支援 gRPC、gRPC-Web 與 Connect protocol，讓瀏覽器不必額外翻譯 proxy。
Hatchet：一套同時處理 task queue、DAG 與 durable task 的工作流引擎
Hatchet 以 Postgres-backed control plane 統一一般 task、DAG 與 durable task；durable task 在等待與 child task 邊界 checkpoint，恢復時重播 deterministic 編排碼。
Hetzner Cloud：便宜 VM 的真正成本是你要擁有整個作業系統
Hetzner Cloud 以 Server、Network、Volume、Load Balancer 與 Firewall 提供精簡 IaaS；價格優勢只有在 patch、HA、backup、egress 與 on-call 成本算進去後才成立。
Hono RPC：從 route implementation 推導 Fetch client 型別
Hono RPC 匯出 route 的 `typeof AppType`，讓 `hc` client 推導 input、response body 與 status code；它共享的是 TypeScript type，不是獨立 wire schema。
Inngest：用 step 把 serverless function 變成可恢復的工作流
Inngest 讓一般 TypeScript、Python、Go function 以 step 為持久化邊界；失敗時函式從頭執行，但已完成 step 由紀錄回填，不再重做 side effect。
Kamal：沒有常駐 Control Plane 的 Docker 部署工具
Kamal 從操作者端透過 SSH 把 immutable image 部署到 servers，靠 kamal-proxy 切換流量；它不是 scheduler，也不替團隊管理主機與資料。
Koyeb：App、Service、Instance 與全球 Serverless 部署模型
Koyeb 以 App 收納 Services、以 Instance 在指定 region 執行 revision，並整合 global routing、autoscaling、private discovery 與 CPU/GPU compute。
Kubernetes：從 Pod、Controller 到 Declarative Reconciliation 的容器編排
Kubernetes 的核心不是 YAML，而是 API objects、controllers 與 reconciliation loop；它管理 workload lifecycle，卻不自動解決 application state、資料一致性與組織治理。
Kysely：把 SQL 保留下來的 TypeScript 型別安全 Query Builder
Kysely 從資料庫型別推導查詢結果，保留 SQL 的可見性與逃生口；但 migration、實際 schema 與 generated types 仍要由團隊維持同步。
Lambda Cloud：從單台 GPU VM 到多節點 AI Cluster 的算力雲
Lambda Cloud 提供 on-demand GPU VM 與 1-Click Cluster；它賣的是較直接的 AI 算力環境，不是自動完成 training、serving 與 MLOps。
Liveblocks：Presence、Storage、Comments 與 Notifications 的協作後端
Liveblocks 把 room、presence、conflict-free storage、comments 與 notifications 做成 managed product primitives；導入時仍須對齊既有 auth、canonical DB 與 data lifecycle。
MongoDB：Document Model 的彈性，代價在資料邊界
MongoDB 適合一起讀寫的聚合資料與可演進 document schema；真正難題是 embedding、transaction boundary、index 與 shard key。
MySQL：成熟關聯式資料庫，不只是『大家都會用』
MySQL 的價值是成熟生態、InnoDB 交易與可預測維運；選它仍要理解索引、隔離級別、replication lag 與 schema migration。
NATS 與 JetStream：先選即時訊息還是持久事件，再談同一套 API
Core NATS 是不落盤的 at-most-once pub/sub；JetStream 才加入 stream、consumer、ack、retention 與重播。兩者同用 subject，可靠性契約卻完全不同。
Nebius AI Cloud：GPU Cluster、Managed Kubernetes 與 Serverless AI 的完整平台
Nebius 同時提供 GPU VM/cluster、Kubernetes、Slurm、storage 與 Serverless AI；先選責任層級，再比較硬體與價格。
Neon vs Turso：別把兩種 Serverless Database 都叫託管 Postgres
Neon 是 serverless PostgreSQL；Turso Cloud 目前是 libSQL／SQLite 相容平台。兩者都強調 scale-to-zero 與開發體驗，compatibility boundary 完全不同。
NestJS：Modules、Dependency Injection 與 Request Lifecycle 的 Node.js 架構框架
NestJS 的價值不是 decorator 本身，而是以 Module、Provider、DI 與可預期 request lifecycle 統一 HTTP、GraphQL、WebSocket 和 microservice application architecture。
Netlify：Atomic Deploy、Functions 與 Edge Functions 的 Web Platform
Netlify 以 atomic deploy 和 preview 為核心，Functions、Edge Functions、Blobs/Database 再加入動態能力；每種 runtime 與 state 都有不同一致性和限制。
ngrok：從 Localhost Tunnel 到可控的全球 Ingress
ngrok 是由 agent 主動連出的 reverse proxy／ingress，不是把整台電腦加入 VPN；公開 endpoint 前仍要明確設定 authentication、traffic policy 與資料邊界。
Nhost：PostgreSQL、Hasura GraphQL、Auth 與 Storage 的 BaaS
Nhost 以 PostgreSQL 為真實資料層，由 Hasura 產生 GraphQL，再把 Auth claims、role permissions、Storage 與 Functions 接進同一平台。
OMP 2（Oh My Pi 2）：從 Pi fork 到全 Rust 重寫的獨立 coding harness
OMP 2 不再是 Pi 的 fork。整個 codebase 用 Rust 從零重寫，約 41 個 crate 涵蓋自製 bash 引擎、GPU 加速 GUI、嵌入式 CPython 3.14t、gRPC transport 與 Kokoro-82M TTS。目前 pre-release，尚未正式發行。
openapi-typescript：把 OpenAPI 變成零 runtime 的型別與 Fetch client
openapi-typescript 將 OpenAPI 3.0／3.1 產成純 TypeScript 型別；搭配 openapi-fetch，method、literal path、parameters 與 response union 都能由 schema 推導。
Opencode 2：Bun 換 Node、Tauri 換 Electron、API 全部打掉重練的代價
Opencode 2 是 Anomaly（Dax Raad）主導的大重寫。runtime 從 Bun 換成 Node.js（記憶體問題）、桌面從 Tauri 換成 Electron（WebKit 效能與 Node 整合）、v1 API 刻意不相容。新增多分頁並行 session、持久化後端服務、HTTP API + SDK。目前 beta，預估 2026 年 9 月 stable。約 200K stars。
OpenStack：不是一套虛擬化 UI，而是一組要長期營運的 Cloud Services
OpenStack 以 Keystone、Nova、Neutron、Glance、Placement、Cinder 等服務提供多租戶 IaaS；採用它等於建立 cloud platform team，而不是安裝完成就結束。
Oracle Cloud Infrastructure：先理解 Compartment、VCN 與 Fault Domain
OCI 是完整 hyperscale cloud；架構起點不是 Compute shape，而是 tenancy/compartment IAM、region/AD/fault domain 與 VCN，再選 Compute、OKE、database 與 storage。
oRPC：把 end-to-end type safety 與 OpenAPI 放在同一條路徑
oRPC 同時支援 implementation-first 與 contract-first，能用 RPC client，也能由同一個 router 服務 OpenAPI 3.1.1 HTTP endpoint。
OVHcloud：Public Cloud、OpenStack、vRack 與 Dedicated Server 的組合
OVHcloud 的特色是 Public Cloud、OpenStack API、Managed Kubernetes、vRack 與 dedicated/private cloud 共存；彈性也帶來較多 network 與責任邊界。
Oxc 與 Oxlint：快不只是 Rust，而是把 parser、型別與規則重新接在一起
Oxlint 已從高速 ESLint 補充品走到支援 type-aware lint 與 JS plugin 的獨立 linter；遷移關鍵不是 50–100 倍跑分，而是確認規則、framework file 與 plugin 相容範圍。
Pagefind 完整介紹：Astro 靜態網站如何做到零後端全文搜尋
Pagefind 在 Astro build 完成後掃描靜態 HTML，把索引與 WebAssembly 搜尋程式一起輸出；瀏覽器只按查詢載入需要的索引切片，因此不必維護搜尋伺服器。
PartyKit：把每個協作 Room 變成 Edge Stateful Server
PartyKit 以 room-keyed stateful server 收斂 WebSocket coordination，適合多人協作與 presence；但 durable document、authorization、hibernation 與 platform ownership 仍要明確設計。
Pi v2：AgentHarness API 升穩、Earendil 公司化，極簡主義走進下一章
Pi v0.84.0（2026-08-06）把 AgentHarness v2 API 升為 stable。Lane-based v4 Session model 讓操作可持久化、可中斷。CBOR 取代 JSON，Unix socket 取代 HTTP。背後的 Earendil Inc.（Armin Ronacher 的 PBC）拿到首輪資金。95.4K stars，still MIT，still 極簡。
PocketBase：SQLite、Auth、Realtime 與單一執行檔的 Backend
PocketBase 把 SQLite、collections、Auth、file storage、SSE realtime 與 admin UI 包進小型執行檔；部署簡單，但單機邊界與 v1 前相容性風險必須明講。
Promptfoo Red Team：把 Prompt Injection、Tool Misuse 與資料外洩變成 Regression Tests
Promptfoo 以 plugins 產風險 probes、strategies 變形攻擊、targets 執行系統、graders 判斷結果；有價值的 red team 必須測整個 agent application，而不只是 foundation model。
Protobuf 與 Buf：把跨語言 schema 的 lint、codegen 與相容性放進 CI
Protobuf 用穩定 field number 定義 binary message；Buf 補上 module、lint、remote plugin、generation 與 breaking-change check，讓 schema 能被治理。
Proxmox VE：把 KVM、LXC、Cluster、Ceph 與 Backup 組成地端平台
Proxmox VE 整合 VM、container、cluster、HA、storage 與 backup；它降低虛擬化管理門檻，但 hardware、quorum、network、capacity 與 DR 仍由你負責。
Pulumi：用 TypeScript、Python、Go 等一般語言寫 Infrastructure as Code
Pulumi 讓一般程式語言註冊 cloud resources，再由 deployment engine、providers 與 stack state 執行 preview/update；語言能力增加，也要求更嚴格的 abstraction discipline。
RabbitMQ：先用 exchange 表達路由，再用 quorum queue 保住工作
RabbitMQ 的強項是 exchange、binding 與 queue 組成的訊息路由；需要高可用時以 quorum queue 為預設，並同時啟用 publisher confirm、manual ack 與冪等 consumer。
Railway：用 Project、Service 與 Environment 部署完整應用拓撲
Railway 的核心不是一鍵部署，而是把多個 container service、環境、變數與私有網路放進同一個可操作的 application project。
Ray Serve 自架推論服務：Python 服務圖、GPU 排程與自動擴縮
Ray Serve 是建立在 Ray 上的分散式 serving layer：用 deployment 與 handle 組合 Python 服務圖，配置 CPU／GPU replica、自動擴縮與模型多工；它負責編排，不取代 vLLM 或 SGLang 的 LLM 執行引擎。
Redis Streams：用 append-only log 與 consumer group 補上 Redis 的可靠訊息層
Redis Streams 以 `XADD` 保存可回讀 entry，consumer group 再用 Pending Entries List 與 `XACK` 追蹤處理；它比 Pub/Sub 可靠，但不是自動變成 Kafka。
Redpanda：Kafka API 相容，不代表換 broker 可以不做驗證
Redpanda 以 C++／Seastar、thread-per-core 與每個 partition 的 Raft group 重做 Kafka-compatible event log；client 相容度高，營運與邊角語意仍須實測。
Render：Web Service、Private Service、Worker 與 Cron 的完整 PaaS 拓撲
Render 的價值不是只把 repository 變 URL，而是用不同 service type 表達 public HTTP、private listener、queue worker、cron、data store 與 Blueprint。
Renovate：把 Dependency Updates 變成可治理的持續流程
Renovate 不只是開升級 PR；packageRules、grouping、schedule、minimumReleaseAge 與 automerge policy 決定更新速度、review noise 和供應鏈暴露。
Replicate：把模型版本變成 Prediction API，而不是租一台 GPU
Replicate 以 versioned model、prediction、Cog 與 deployment 抽象 GPU；整合者要負責版本釘選、async workflow、webhook 驗證、資料保存與成本上限。
Restate：把 journal、durable state 與服務呼叫放進同一個執行模型
Restate 以 journal 記錄操作與結果，失敗後重跑 handler 並跳過已完成操作；Virtual Object 與 Workflow 再提供 keyed state、single-writer 與長期協調。
RunPod：GPU Pod 與 Serverless Endpoint 是兩種不同產品
RunPod Pod 適合互動與長駐 GPU 工作，Serverless 適合 queue-based 或 load-balanced inference；選錯會把 persistence、cold start 與重試語意混在一起。
Scaleway：歐洲 Cloud 的 Instance、Kapsule、Serverless 與 Managed Data
Scaleway 已不只是低價 VM，而是涵蓋 compute、Kapsule、serverless、database、storage、AI 與 IAM 的歐洲 cloud；選型仍要逐 region 驗證成熟度與整合。
Scrapy 深入介紹：從 Engine 到 Pipeline 的自架爬蟲架構
Scrapy 把抓取流程拆成 Engine、Scheduler、Downloader、Spider、Item Pipeline 與 Middleware；適合大量、規則明確的 HTTP 頁面，也能自行控制排程、節流、重試與資料落地。
Selenium 深入介紹：從 WebDriver session 到 Grid 的瀏覽器自動化
Selenium 透過標準化 WebDriver session 操作真實瀏覽器，適合跨瀏覽器流程、既有測試資產與遠端 Grid；它能執行 JavaScript 頁面，卻不保證繞過 CAPTCHA 或其他反自動化機制。
Semgrep：把組織的安全規則寫成可讀、可測的 Static Analysis
Semgrep 讓團隊用接近 source syntax 的 patterns 與 taint rules 自訂 SAST policy；規則品質取決於 positive/negative tests、framework modeling 與 exception lifecycle。
Server-Sent Events：用 HTTP Event Stream 做可恢復的單向推送
SSE 以普通 HTTP 傳送 text/event-stream，瀏覽器原生重連並帶 Last-Event-ID；簡單不代表自動 durable，server 仍要保存 cursor 後的事件。
SGLang 自架推論服務：RadixAttention、OpenAI API 與多 GPU 部署
SGLang 是專攻生成式模型的推論引擎：用 RadixAttention 重用共同前綴的 KV cache，提供 OpenAI 相容 API、結構化輸出與多 GPU 平行化；它解決的是高吞吐 LLM serving，不是完整的產品後端。
Sigstore 與 SLSA：驗證誰用哪個 Build Process 產出這份 Artifact
Sigstore 提供 identity-bound signing、短效憑證與 transparency log；SLSA 定義可信 build provenance 的成熟度。只有在 deploy admission 驗證 identity、issuer、digest 與 build expectations 時才形成防線。
Snyk：把 SCA、SAST、Container 與 IaC Findings 接進開發流程
Snyk 的價值是把 code、open-source、container 與 IaC findings 對到 project、fix path 與 developer workflow；成功導入取決於 baseline、ownership 與可執行的 policy。
Socket.dev：在 Dependency Diff 當下攔截惡意 Package 行為
Socket.dev 不只比對 CVE，而是分析新增套件的 install scripts、obfuscation、network、shell 與 ownership 變化，在 dependency merge 前暴露供應鏈行為風險。
Socket.IO：Rooms、Acknowledgements 與斷線恢復的即時事件層
Socket.IO 是建立在 WebSocket／long-polling 上的事件協定與 runtime，不是原生 WebSocket 相容層；ordering、arrival、recovery 與水平擴展要分開設計。
Speakeasy：用 OpenAPI Overlay 與 workflow 管理多語言 SDK
Speakeasy 把 OpenAPI、Overlay、target 與 generator version 寫進 `.speakeasy/workflow.yaml`，可在本機或 CI 產生、編譯並發布多語言 SDK。
SST v3：用 Components、Link 與 Dev Mode 組合 Full-Stack Cloud App
SST v3 以 TypeScript config、高階 app components、Pulumi/Terraform providers 與 resource linking 組合自有雲資源；它是 application-first IaC，不是代管 PaaS。
Stainless：從 OpenAPI 持續產生可發布的多語言 SDK
Stainless 以 OpenAPI 加上專屬 config 產生多語言 SDK、文件、CLI 與 MCP；重點不是一次性 codegen，而是 preview、發布與升級的持續產品管線。
Stytch 深入介紹：從 B2C 登入、Session 到 B2B 組織與授權
Stytch 是 API-first 的託管身分平台：先選 Consumer 或 B2B 資料模型，再把登入因子收斂成 session，最後在伺服器端以 organization 與 RBAC 授權；它適合需要深度客製流程的團隊，不是把登入畫面貼上就結束。
Teleport：以短效憑證、RBAC 與 Session Audit 管理基礎設施存取
Teleport 是 protocol-aware infrastructure access platform：Auth Service 簽短效憑證，Proxy 與 Agents 代理 SSH、Kubernetes、database、app 等資源並留下 audit evidence。
Terraform：Provider、Plan、Apply 與 State 的 IaC 工作模型
Terraform 以 provider resource schema、configuration 與 state 對照真實 API，產生 plan 再 apply；最重要的資產不是 HCL，而是受控的 state 與變更流程。
NVIDIA Triton Inference Server：多框架模型、自動批次與推論管線
Triton Inference Server 用統一的 HTTP／gRPC 介面服務 TensorRT、ONNX、PyTorch 等模型，核心能力是 model repository、動態批次、instance group 與 ensemble；它適合異質模型平台，不是專為 LLM KV cache 打造的引擎。
tRPC：用 TypeScript inference 連起 client 與 server 的 API 合約
tRPC 讓 client 直接引用 server router 的型別，不需先寫 schema 或產生程式碼；v11 另有 alpha 階段的官方 OpenAPI 3.1 產生器。
ts-rest：保留 REST 語意的 TypeScript contract-first API
ts-rest 用共享 contract 描述 method、path、status code 與 schema，在不產生程式碼的前提下讓 server 與 client 保有端到端型別。
Twingate：以 Identity 與 Resource 取代整段網路存取
Twingate 透過 client、connector、controller 與 relay，把使用者授權收斂到特定 resource；它是 managed ZTNA，而不是任意 peer-to-peer overlay。
TypeScript 7：Go 原生重寫讓 type check 變快，但遷移不只換掉 tsc
TypeScript 7 把 compiler 與 language service 原生重寫為 Go，官方與大型使用者回報約 10 倍級的改善；收益來自共享記憶體平行化，代價是舊 API 與 compiler option 必須清理。
Typesense 站內搜尋：把全文檢索做成可控制的產品功能
Typesense 是以即時、容錯關鍵字搜尋為核心的搜尋伺服器：用 collection schema、欄位權重、facet 與排序就能做出站內搜尋，也能自行架設或交給 Typesense Cloud；繁體中文欄位要設 locale: zh，專業詞彙則可能需要自訂斷詞。
Vercel：Frontend Cloud 的優勢來自 Framework-aware Deployment
Vercel 把 framework build output、preview、CDN/cache 與 Functions 綁成 deployment；速度來自深度整合，代價是 runtime、data locality、成本與可攜性邊界。
Vite 8 與 Rolldown：前端建置從雙引擎走向同一條管線
Vite 8 把開發期的 esbuild 與正式建置的 Rollup 收斂成 Rolldown；速度是結果，真正重要的是開發與 production 不再由兩套 bundler 語意拼接。
Vitest：共用 Vite 設定，但不要把 component test 當成 E2E
Vitest 的優勢不是 Jest API 長得熟，而是測試與應用共用 Vite 的 transform、alias 與 plugin；Browser Mode 增加真瀏覽器信心，卻仍不能取代完整 E2E。
Vultr：Cloud Compute、VKE 與 GPU 之間怎麼選
Vultr 從 VM、bare metal、GPU 到 VKE、database 與 storage 都有；優勢是區域與產品選擇，風險是把多產品存在誤認為已完成架構整合。
WebSocket：雙向長連線只是起點，Protocol 與 Backpressure 才是工程
WebSocket 提供一條雙向 message transport，不包含 auth renewal、schema、ack、replay、rooms 或 backpressure policy；這些才決定 production correctness。
WireGuard：用 Cryptokey Routing 建立最小化 VPN Tunnel
WireGuard 是小而明確的 L3 加密 tunnel；它把 public key、peer 與 AllowedIPs 綁在一起，但不替團隊提供 identity、裝置管理或 policy control plane。
WorkOS Enterprise Auth：從 AuthKit 登入一路長到 SSO、SCIM 與 Audit Logs
WorkOS 的優勢不是只有登入 UI，而是讓 B2B SaaS 沿同一個 organization identity model 逐步加入 SAML/OIDC、SCIM 與稽核輸出；authorization 與資料治理仍由應用負責。
Yjs 與 CRDT：把並行編輯變成可交換、可重放的 Document Updates
Yjs 用 shared types 與可交換、可結合、冪等的 binary updates 收斂 concurrent edits；它不綁 transport，也不自帶 authorization、persistence 或 domain conflict resolution。
ZeroTier：以 Controller 與 Flow Rules 組出跨網路 Virtual LAN
ZeroTier 把裝置放進可管理的 virtual L2/L3 network，嘗試 peer-to-peer 傳輸並由 controller 發布成員與 policy；它比單純 tunnel 更像軟體定義網路。
zizmor：專門掃 GitHub Actions 的 Template Injection 與 Token 風險
zizmor 針對 workflow/action YAML 做 domain-specific static analysis，找 template injection、過寬 permissions、artifact credential leak 與 unpinned uses；它不分析被呼叫 shell script 本身。
Zodios：用 Zod endpoint definition 建立 Axios 型別安全 client
Zodios 以中央 Zod endpoint definition 驅動 Axios client 的型別、runtime validation 與 alias，也能接 Express 和產生 OpenAPI。
Zyte 深入介紹：從 Scrapy 開發、反爬取頁到 Scrapy Cloud
Scrapy 負責爬取流程與資料模型，Zyte API 接手取頁、瀏覽器與反爬細節，Scrapy Cloud 再負責部署、排程和輸出；三者可以分開採用，不是一套綁死的框架。
「AI 時代的技術選擇」導讀：先選多人用的，其餘五條判準是拿來分勝負的
選型的主判準沒有變，仍然是採用度——而 AI 讓它更重要，不是更不重要：用的人多，訓練語料就多，agent 寫出來的正確率就高。這個系列整理的另外五條判準（文件的機器可讀性、型別、原始碼在不在你 repo 裡、資料骨架、機器可呼叫性）是用來在採用度相近時分勝負，或估算你選冷門要付多少代價。
AI SDK 的 message parts：對話介面的資料骨架
AI SDK v5 把一則 AI 訊息拆成 parts 陣列——text、reasoning、source-url、tool-* 各自是獨立片段。這個資料結構決定了現代 AI 對話介面怎麼寫：render 時 switch part.type，每種片段交給對應元件。這篇拆解 parts 模型的設計邏輯、useChat 的串流機制，以及它如何成為 AI Elements 這類元件庫的地基。
Drizzle ORM：SQL-first 的 TypeScript 資料庫存取層
Drizzle ORM 是一個 SQL-first 的 TypeScript ORM——query builder 長得像 SQL，agent 寫出來的查詢在 diff 裡讀得懂。零依賴、約 7.4 KB gzipped，原生支援 Cloudflare D1、Neon、Turso 等 edge database。版本至今仍是 0.45.2，但週下載量已達 1,690 萬，超過 Prisma 的 1,380 萬。
llms.txt：把文件寫給機器讀的那一份
llms.txt 是 Jeremy Howard 於 2024-09-03 提出的慣例（規範已更新至 v2）：在網站根目錄放一份給 LLM 讀的 Markdown 索引。六個前端文件站實測：TanStack、shadcn、Zustand、AI SDK、Next.js 都有，React Router 是唯一 404。配套的 llms-full.txt（全文版）Anthropic、Cloudflare 等也已採用。這篇講規範內容、誰在用、以及它為什麼開始影響套件選型。
shadcn registry 與 MCP：元件分發的第三條路
元件分發向來只有兩條路：npm 套件（黑盒依賴）或手動複製貼上。shadcn registry 把第三條路標準化——元件以 JSON 描述原始碼與依賴，CLI 一鍵裝進你的 repo 變成你的程式碼。任何人都能架自己的 registry（AI Elements 就是一個），官方 MCP server 更讓 AI agent 直接瀏覽與安裝元件。
Supabase：把整個後端建在 PostgreSQL 上的平台
Supabase 不只是 Firebase 的開源替代，它的核心設計是把 Auth、Storage、Realtime 全部建在 PostgreSQL 的 schema 和 WAL 上。結果是：你可以用一條 SQL 查所有東西，pgvector 直接用，agent 寫 SQL 就能操作整個平台。108k GitHub stars、Apache 2.0 授權、Free 方案 500 MB 資料庫。
Tailscale：agent 住在你家，不是你連回家
自架一個 24 小時跑著的 agent，等於在自己網路裡開了一個必須從外面連得到、又不能開在公網上的東西。這篇拆 Tailscale 的四個機制各自解決什麼：tailnet 解決連得到、subnet router 解決碰內網、tag 與 ACL 解決權限邊界、policy 秒級生效與 tailnet lock 解決收得回。附 2026-08 實查的定價：Personal 免費、6 個使用者、user device 無上限、50 個 tagged resource。
TanStack Router：把路由變成編譯期可驗證的東西
TanStack Router（2023-12 發 1.0，週下載約 20M）把路徑、params、search params 全部做成編譯期推導：導航到不存在的路由是型別錯誤，不是執行期 404。這篇拆解它的三個核心設計——型別安全、search params 一等公民、與 Query 整合的 loader——以及為什麼這在 AI agent 寫碼的時代價值被放大。
Temporal：把流程寫成程式碼，崩了也能接著走完
Temporal 是 durable execution 平台（Server 1.31.2、Python SDK temporalio 1.31.0，MIT，2026-08 實查）。它跟 BullMQ / Celery 那種任務佇列的差別不是規模，是保證的東西不同：佇列保證訊息被消費，Temporal 保證一段橫跨多次外部呼叫的流程走完。代價是工作流程碼必須決定性——而 LLM 呼叫天生非決定性，這篇講這個張力怎麼解、什麼時候不划算。
Trigger.dev：用行程快照做持久任務，不要求你的程式碼有決定性
Trigger.dev 是 Apache 2.0 的持久任務平台（v4.5.12，2026-08 實查），用 CRIU 對整個 Node.js 行程做記憶體快照來暫停與復原。跟 Temporal 的 replay 模型不同，它不重跑你的編排碼、不要求決定性——LLM 呼叫直接寫在 task 裡就行。代價是快照無法保留 TCP 連線，還原後要自己重建；而且快照是 cloud-only，自架拿不到。
WebMCP：讓網頁把自己的功能交出去給 agent 呼叫
WebMCP 讓網頁用 document.modelContext.registerTool() 把自己的功能註冊成 agent 可呼叫的工具，取代 agent 猜 DOM 點按鈕。Chrome 已在 149 開 origin trial、預計 157 進 stable，Edge 150 跟進。但 WebKit 明確表態反對（「agent 本質上是輔助科技，網站不該把它單獨挑出來對待」），Mozilla 給 neutral。這篇講兩套 API 怎麼寫、安全模型擋在哪、以及在只有一個半引擎支持的情況下要不要現在投資。
實測五個繁中用語檢查工具：一個能用，一個的 --fix 會把「只是」改成「隻是」
在 109 篇確實含中國用語的文章上，zhtw-mcp 精確率 29.4%、召回 85.2%，twlint 是 21.2% / 82.5%——但 twlint 有 195 個 error 級判斷是把合法正體字當簡體字（干→幹 60 次、只→隻 15 次），跑 --fix 會毀掉文章。最有用的發現不是誰勝出：zhtw-mcp 幫我補了五個自己漏抓的中國用語，也擋下一個我誤列的（審計）。工具的價值在校準你的清單，不是取代它。
Zod：從表單驗證長成 TypeScript 生態的通用合約
Zod 週下載 224M（2026-08 實查），已遠超「表單驗證庫」的定位：API 邊界、環境變數、路由 search params、LLM tool schema 與 structured output，全在用同一套 schema。核心機制是「一次定義、兩層收穫」——執行期驗證與靜態型別從同一個來源推導。Zod 4（2025-07 上 npm）主打更快、更省 tsc。
Aider：最老牌的終端 AI Pair Programmer，以及它現在的維護狀況
Aider 是 2023 年就存在的終端 AI pair programmer（Python、Apache-2.0、約 48.3k stars），設計上跟現在的自主 agent 走反方向：手動 /add 檔案控制 context、每次修改自動產生一個 atomic git commit、architect/editor 雙模型分工。但要注意維護節奏：最後一版 PyPI 發布是 2026-02 的 0.86.2，最後一筆 commit 在 2026-05，官網仍推薦 Claude 3.7 Sonnet 與 o1。
Amp：靠「砍功能」定義自己的 coding agent
Amp 已於 2025 年 12 月從 Sourcegraph 獨立為 Amp Frontier Corporation，npm 套件也從 @sourcegraph/amp 改為 @ampcode/cli。它的識別特徵是持續砍功能：editor 擴充、Amp Tab、TODO 清單、Fork、custom commands、public threads 全部刪掉。2026-07-18 才首度推出月費訂閱（Megawatt $20、Gigawatt $200），此前只有 pay-as-you-go。現在主軸是 orbs——關掉筆電也會繼續跑的遠端機器。
GitHub Copilot CLI：把 agent 開在 GitHub 這個平台上
Copilot CLI 於 2026-02-25 正式 GA，所有 Copilot 方案（含 Free）都包含。差異化不在 agent 本身，而在 GitHub 平台整合：內建 GitHub MCP server 直接操作 issue 與 PR、組織政策自動繼承、`&` 前綴把工作丟給雲端 coding agent。計費走 GitHub AI Credits（1 credit = $0.01），Pro $10/mo 含 $15、Pro+ $39 含 $70、Max $100 含 $200。
omp（Oh My Pi）：把 Pi 的極簡主義翻過來的 batteries-included 分支
omp 是 Pi 的 fork，但不只是插件層堆疊：它多了約 80,000 行 Rust，把 grep／shell／AST／PTY 全部搬進 in-process。內建工具從 Pi 的 7 個變成 31 個，外加 14 個 LSP op、28 個 DAP op、60+ 供應商。同一份 codebase，兩個相反的賭注。
AI 時代的 React 套件選型：從 TanStack 三件組到整層 Stack 的地圖
以 TanStack Router（19.7M 週下載）+ Query（55.8M）+ Zustand（44.5M）為核心，配 Vite、react-hook-form + Zod（224M）、Tailwind + shadcn、Vitest + Playwright，整理純 SPA 的當代預設 stack。AI 時代選套件多了三個判準：文件有沒有 llms.txt（TanStack 全家有、React Router 沒有）、型別安全能不能當 agent 護欄、原始碼是不是在你 repo 裡讓 agent 讀得到。
AI Elements：Vercel 把 ChatGPT 式介面拆成可複製的 shadcn 積木
AI Elements 是 Vercel 為 AI SDK 生態出的 React 元件庫，registry 現有 48 個元件，涵蓋 Conversation、Reasoning、Sources、Tool 等 AI 介面積木。走 shadcn 模式：npx ai-elements@latest 把原始碼直接複製進專案，完全可改，跟 useChat 的 message parts 一一對應。
飛控的「自主」共 56 項，只有一項是為了把握機會
ArduPilot 的 ModeReason 列舉就是「機上自主決策」的完整清單：56 個值裡 43 個是飛機自己決定的，其中 21 個是偵測到危險，而只有 SOARING_THERMAL_DETECTED 一項是因為發現機會。至於 end-to-end，PX4 主線那個 mc_nn_control 的 tensor arena 只有 10 KB、Kconfig 預設 n，ArduPilot 主線一個都沒有。
無人機熱像儀的價格為什麼跳著漲：出口管制畫出的成本階梯
熱像儀的價格跳著漲，是因為美國 CCL 6A003.b.4.b 把管制切在焦平面 111,000 個元素上：384×288 差 408 個像素過關，640×512 超過三倍，中間沒有常見規格，而 Boson 640 的定價是 320 版的 2.04–2.31 倍。至於 Note 3.b 那條豁免，限制的不是解析度是焦距——你可以有熱像儀，但不能有望遠的熱像儀。
量產爬升的證據不在工廠，在「無法決標公告」裡
量產爬坡的公開證據不在工廠，在政府電子採購網：消防署 88 組熱顯像無人機的案子中央統一定價，六個消防局第一次招標無人投標，我拉到的七件決標金額全部等於預算、一毛沒殺，投標池大約六家公司。但補做的雲梯車對照組（流標／決標 0.54，高於無人機的 0.33）推翻了本文原本的第一條結論——流標是台灣消防裝備採購的常態。
燈光秀的「群飛」裡沒有群：兩百架只同步一個整數
把 Skybrush 那套開源燈光秀韌體 9,199 行搜遍 neighbour、collision、swarm，沒有任何一架飛機知道別架的存在——兩百架之間同步的全部內容，是一個 GPS 週內秒加一個毫秒偏移，防撞是在地面的編排軟體裡算完的。而資安檢測規範第 7 章那個群飛專章，十二個項目的「遙控無人機」欄從頭到尾都是「-」，測的是交換器與路由器。
續航從 40 分鐘到 6 小時，換的不是電池是機體形態
同一台 5 公斤機、同一顆 2 公斤電池，多旋翼懸停要 512 W 飛 41 分鐘，定翼機巡航只要 128 W 飛 164 分鐘、航程 197 公里，而且那個航程跟巡航速度無關。VTOL 的代價不是轉換時燒掉的能量（只佔 2.4%），是它必須同時揹旋翼和機翼，吃掉約四分之一航程；台灣這條階梯從 40 分鐘的電動多旋翼一路到 6 小時的內燃機直升機。
無人機為什麼只能飛 30 到 45 分鐘：一條式子就算得出來
懸停功率跟起飛重量的 1.5 次方成正比，電池能量只跟重量的一次方成正比——這一個指數差讓加電池的報酬遞減得非常快，而最佳電池比例解出來是起飛重量的三分之二，跟槳徑、旋翼數、效率、能量密度全部無關。真正壓住續航的不是法規重量門檻是酬載：要飛 60 分鐘需要 314 Wh/kg 的電芯，今天最好的高倍率芯是 242 Wh/kg。
跳頻不是加密：ExpressLRS 原始碼與台灣的頻道數功率上限
ExpressLRS 的跳頻順序由一句綁定口令經 MD5 推出 UID、再餵給一個線性同餘產生器算出來，完全可複現（我移植成 Python 跟原始 C 碼逐位元對過），而鏈路本身沒有任何加密，只有 14 bit CRC。台灣 LP0002 又讓頻道數變成功率上限：2.4 GHz 跳頻用滿 75 個頻道可以發 1 W，不足只能發 0.125 W。
類比 FPV 圖傳在台灣找不到條文可走
類比 FPV 圖傳在台灣有兩個獨立的問題：LP0002 給 5.8 GHz 的窗口只有 125 MHz，而市售頻道表橫跨 300 MHz，四十個經典頻道把發射寬度算進去只剩十八個落在窗口內。更硬的是 §4.10.1.1 對 5.8 GHz 只寫「採用跳頻之發射器材」，而類比圖傳固定頻率不跳頻——它不是違反哪一條，是這份規範裡沒有一條長成它的樣子。
GPS 被干擾的那七秒：飛控怎麼發現、又為什麼預設不偵測
在 SITL 裡把無人機飛到 28 公尺，再打開模擬器內建的 GPS 干擾，約 7 秒後飛控自己宣告 EKF 失效、切成 LAND、降落上鎖——它沒有飛走，也沒有墜毀。而讀 PX4 原始碼會發現 EKF2_GPS_CHECK 的 12 道閘門裡，第 11 位的「干擾」偵測預設是關的：估計器自己就抓得到干擾，詐騙卻只能靠接收機告訴它。
PX4 還是 ArduPilot：真正的分岔在授權條款
把兩套都 clone 下來各 build 一次之後，有三件事跟原本的認知不一樣：ArduPilot 的 EKF3 檔頭直接寫著推導來自 PX4/ecl，兩套在最難的那一層是同源的；PX4 近一年的提交來自公司網域（Auterion 一家 380 筆），ArduPilot 來自個人信箱且一個人佔 37%；而真正決定選哪個的不是效能，是 BSD-3 vs GPLv3 與你要改的是哪一層。
反制無人機為什麼難：干擾正在失效，而台灣的難題不只是技術
電戰反制有一個根本限制：它需要有訊號才能攻擊。光纖導引不發射無線電、衛星通訊繞過地面干擾器、AI 終端導引在最後一段完全不需要鏈路——三種手段正在系統性地讓干擾失效，所以重心從軟殺移向攔截。而台灣的難題還多一層：監察院的調查報告記錄了國防部在兩個月內把無人機應處 SOP 改了三次，從「可擊落」改成「只能射信號彈、第一擊須經部長授權」，再改回「7.62mm 以下輕兵器擊落」。那不是技術問題。
拆兩份運安會炸機報告：兩次都不是操作人的錯
台灣進入運安會統計的無人機重大事故只有 4 件，但那是因為門檻是「逾 25 公斤遭受實質損害」——一般玩家炸機根本不進統計。公開的兩份調查報告是同一款機、同一家製造商、同一個機關，而且兩次的可能原因都是硬體失效：一次是主旋翼伺服器電系，一次是尾旋翼變距連桿斷裂。兩次都與飛控電腦和操作人無關。
怎麼讀無人機規格表：法規把哪幾行變成了分界線
規格表上最重要的三行，正好是規格表最不會寫的三行。數發部會銜交通部的《遙控無人機資安檢測規範》定義「系列產品」時寫得很白：飛控、通訊及衛星定位晶片之模組均為相同者——法規認定兩台無人機是不是同一台，看的是這三個模組，不是外觀或續航。而重量欄位也不是行銷數字，250 公克、1 公斤、2 公斤、15 公斤、25 公斤各是一道不同的法律門檻。
BVLOS 三地對照：美國還沒發布、歐盟已經能飛、台灣根本沒有這個框架
歐盟自 2020 年底起就有可行路徑——Specific 類別憑風險評估取得營運授權，加上 U-space 法規 (EU) 2021/664 逐步部署。美國的 Part 108 到 2026 年 7 月仍在 OIRA 審查、尚未發布。台灣則連框架都還沒有：《管理規則》給的是「延伸視距飛航」（900 公尺、400 呎、要目視觀察員），真正的視距外只能靠法人逐案申請、許可效期 3 個月。
無人機產業週期史：2016 年那次泡沫是怎麼破的，這次哪裡不一樣
2016 年那波消費級無人機泡沫留下明確殘骸：3D Robotics 停產硬體、GoPro Karma 上市六週召回全部 2,500 台並裁員 15%、Parrot 砍掉 35% 無人機人力、Lily Robotics 收了 3,400 萬美元預購後倒閉。2023 年連募了 5.7 億美元的 Skydio 都退出消費市場——而三年後它的估值來到 44 億美元。這次的引擎完全換了人——但有三件事跟上次一模一樣。
無人機產業地圖：從零組件、法規天花板到非紅供應鏈重組
全球無人機市場 2026 年約 690 億美元（IDTechEx），中國掌握約 80% 市場（CSIS）、DJI 占多旋翼七成以上。美國 FCC 在 2025 年 12 月把所有外國製無人機列入 Covered List；台灣產值一年從 50 億元跳到 129 億元，2026 Q1 出口就超過 2025 全年。這篇拆解產業鏈五層、四大需求板塊，以及卡住規模化的兩個天花板。
手機沒偷聽你講話：從 FTC 罰單到 Meta 官方文件，拆解廣告為什麼這麼準
Northeastern 實測 17,260 個 Android app，零個啟動麥克風。2026-05 FTC 更認定號稱在「偷聽」的 Cox Media Group 根本沒蒐集語音，賣的是資料掮客的二手 email 名單，三家合計罰 93 萬美元。真正的管線是站外事件回流、相似受眾外溢、通訊錄社交圖與位置掮客。
台灣無人機供應鏈：267 家在哪裡、卡在哪一層
經濟部盤點的 267 家業者，北部就占 164 家。但地理分布不等於產業分工——雷虎公開的自製清單顯示，馬達、電池、機架、螺旋槳留在台灣，飛控、通訊與 GPS、鏡頭三個模組選擇跟歐美日大廠合作。2025 年 129 億產值裡外銷只占 23%，財政部統計顯示出口值有 88.1% 集中在 2–7 公斤級距。這篇拆解層級、缺口與國際比例尺。
手繪風 SVG 圖示的三條路：近 9 萬個免費圖庫、把 Lucide 弄歪的生成器，還有那張沒人看的授權頁
Koboyo 宣稱有近 9 萬個免費手繪 SVG（數字上下跳動：92,967 → 87,954 → 90,150），但 sitemap 只列得出約 17,930 個圖示頁，而且授權頁明文禁止拿去做圖示庫或畫布 app。想要手繪感其實有三條路：收圖庫、用程式把既有幾何弄歪（sketchyicons 把 Lucide 的每條直線轉成二次貝茲，用 icon 名稱當亂數種子確保 byte-for-byte 一致）、或 AI 生成。這篇比較七家圖庫的規模與授權、拆解 sketchyicons 與 tldraw 的生成演算法，並整理正在往 MCP 靠的圖示搜尋工具。
各家內容平台的 Feed 怎麼排？從 Reddit 公式到 TikTok 興趣圖
十家平台的 feed 排序拆開來看，大家其實都在解同一道題：怎麼在「最新」「最好」「讓新內容被看見」之間取捨。而真正決定你該怎麼選的，不是演算法多聰明，而是你的內容是過剩還是稀缺——大平台的排序是為了濾掉內容，小社群卻是希望每一則都被看到。
PostgreSQL 就夠了？別急著上專用資料庫
大部分團隊不需要五種資料庫。PostgreSQL 的擴充生態已經能覆蓋快取、佇列、全文搜尋、向量搜尋，但真正的判斷標準不是「能不能做」，而是「維運成本 vs 效能需求」的交叉點在哪裡。
Browser MCP 三選一：CDP、Playwright MCP、Puppeteer MCP 比較
這題現在其實是二選一：@playwright/mcp（跨瀏覽器、accessibility tree 省 token）對上 chrome-devtools-mcp（Chrome 官方、效能與記憶體診斷）；@modelcontextprotocol/server-puppeteer 已被封存，不再是選項。分野也不再是抽象層級高低，而是「操作網頁」還是「診斷 Chrome」。
Chrome DevTools MCP：直連 CDP 的 MCP Server
Chrome 團隊官方維護的 chrome-devtools-mcp，把 DevTools 的能力包成 MCP server：效能 trace 與洞察、Lighthouse 稽核、heap snapshot、擴充功能管理，都是 Playwright MCP 拿不到的。底層是 Puppeteer，所以互動有 auto-wait；代價是只支援 Chrome，而且預設會回傳使用統計給 Google。
@playwright/mcp：微軟官方的瀏覽器自動化 MCP Server
@playwright/mcp 預設用 accessibility tree（browser_snapshot）取代截圖，大幅省下 token，加上 Playwright 原生 auto-wait，是 AI agent 做網頁自動化的合理起點。要注意它預設是 headed、預設帶持久 profile，而且進階工具群組要用 --caps 開。
@modelcontextprotocol/server-puppeteer：官方 Puppeteer MCP Server
server-puppeteer 是 MCP 官方 monorepo 裡的 Puppeteer 封裝，工具集精簡、以截圖 + evaluate 為核心。但它已被官方封存（移到 servers-archived、不再更新），新專案不該再選它——想要 Puppeteer 血統的 MCP，現在該看 Chrome 團隊的 chrome-devtools-mcp。
AI 驅動的 E2E 測試：canary、Stagehand、Magnitude、Shortest 的不同解法
AI agent 跑測試不可重現、手寫 Playwright 難維護——2024-2025 年出現四套工具各自解決這個兩難，設計哲學差異很大。
Bumblebee：Perplexity 唯讀供應鏈端點掃描器的設計拆解
Perplexity 2026-05 開源的 Go 唯讀掃描器（v0.1.1、零非 stdlib 依賴）。盤點 npm/PyPI/Go/RubyGems/Composer/MCP/編輯器與瀏覽器擴充等來源成 NDJSON，比對自訂 exposure catalog，回答供應鏈事件當下「機隊哪台機器現在中了」。它刻意不執行任何套件管理員，也不是 EDR。
手機 Chrome 登入後跳回登入頁：HTTP 入口沒有轉 HTTPS 的踩坑記錄
手機 Chrome 登入後跳回登入頁，不一定是 OAuth 或前端狀態壞掉；這次根因是 app-dev.daodao.so 的 HTTP 入口沒有 301 到 HTTPS，導致 /auth/me 以 http origin 發出時沒有帶 auth_token。
Antigravity CLI：Google 用一套 agent harness 收編 Gemini CLI 的終端機介面
Antigravity CLI 是 Google 在 2026/5/19 I/O 發表的終端機 agent，用 Go 重寫（Gemini CLI 是 Node），二進位檔叫 agy，與桌面版 Antigravity 2.0 共用同一套 agent harness。它同時是 Gemini CLI 的接班人——個人方案的 Gemini CLI 將於 2026/6/18 停止服務。
LLM agent 的 tool description 決定它怎麼選 tool：三個踩坑修法
把 tool description 從軟建議改成硬規則（白名單 + 後果說明），LLM 亂選 tool 的問題消失了；另外加 skip_signal=True 修掉 vector store 雙重 indexing。
Claude Code /loop：把 AI 變成背景 worker 的排程功能（v2.1.72+ 新版）
/loop 是 Claude Code 的原生 cron 功能，自然語言設定排程，讓 Claude 在背景持續監控、自動修 PR、定期執行任務。Session 範圍、7 天到期，跨 session 用 Routines 或 Desktop 任務。
Claude Code Routines 全攻略：雲端自動化系統的完整設定與案例（前 Cloud Scheduled Tasks）
Routines 是 Claude Code 的雲端自動化系統（前身 Cloud Scheduled Tasks）。除了 cron 排程，還能用 API 端點或 GitHub 事件觸發——掃 issue、審 PR、跑檢查、開 PR，電腦關了也會跑。
從外面連回家裡的 Mac：Cloudflare Tunnel 與 2026 的替代方案
想從外面連回家裡的 Mac，2026 年的標準答案有兩個：要公開分享或瀏覽器免裝 client，用 Cloudflare Tunnel；自己用、要簡單，用 Tailscale。本文比較兩者、加上 ZeroTier / Pangolin / NetBird 等替代方案，說明 2026 年 Cloudflare 推的『遠端託管 tunnel』為什麼讓設定變簡單。
Warp：從現代終端機到 Agentic Development Environment
Warp 從一個用 Rust 打造的現代終端機，演化成整合 AI Agent 的開發環境（ADE），2026 年 4 月開源，目前擁有 70 萬開發者使用者。
DeerFlow：字節跳動開源的超級代理框架，把 Agent 做成可長跑的研究系統
DeerFlow 是字節跳動開源的 Super Agent Harness，基於 Python 3.12 + LangGraph，透過沙箱、長期記憶、子代理、技能與訊息閘道協調長時任務。2026 年 2 月登上 GitHub 趨勢榜第一，目前超過 63,000 星，支援 Telegram/Slack/飛書等 IM、Claude Code 整合與多種搜尋後端。
YouTube to NotebookLM 擴充套件怎麼做到的？拆解逆向工程與跨 Tab 架構
NotebookLM 沒有官方 API，這個擴充套件靠的是逆向工程 Google 內部 batchexecute RPC + DOM scraping + 跨 Tab 訊息傳遞，三者組合完成整個流程。
本機開發 AI Backend API 永遠回空資料：Cookie Domain 隔離問題
主後端跑在遠端 HTTPS，auth_token cookie 的 domain 是遠端，瀏覽器不會把它送到本機 AI backend，導致 API 認為未登入。
Cloudflare Workers AI binding 全貌：不只是 run()
env.AI 這個 binding 不是只有 run()。它還掛了 toMarkdown（文件轉 Markdown）、autorag（託管 RAG）、gateway（外部 provider 代理）、models（metadata 查詢）。認識這四組方法，才能在 Workers 上把 Cloudflare 當完整的 AI 平台用。
Better Agent Terminal：把多個專案的 Terminal 和 Claude Code Agent 收進同一個視窗
Better Agent Terminal (BAT) 是一個 Electron 桌面 app，把多個專案的 workspace、terminal、以及 Claude Code Agent 整合到同一個視窗，解決開一堆 iTerm 分頁、Agent 沒有好 GUI 容器的日常痛點。MIT License，macOS / Windows / Linux 都能裝。
Codex 和 Claude Code 的設定檔重複維護問題：用 symlink 一次解決
Claude Code 不認 AGENTS.md，Codex 不認 CLAUDE.md，多人協作專案被迫維護兩份一樣的設定。解法：把 CLAUDE.md 做成 AGENTS.md 的 symlink，只維護一份。
AI Agent 的全域 Skills 要放哪裡？.claude、Codex Skills、AGENTS.md 的分工
Skill 路徑通常是 runtime-specific，跨 agent 真正穩的是 AGENTS.md；個人共用能力放各自 agent 支援的全域目錄，專案 workflow 放 repo 內。
code-review-graph：用知識圖譜讓 AI Code Review 省下 8 倍 Token
code-review-graph 用 Tree-sitter 解析 codebase 建立持久化知識圖譜，追蹤變更的爆炸半徑，只把真正相關的 context 餵給 AI，號稱平均省下 8.2 倍 token。
GitBook：把文件變成產品的文件平台
GitBook 是一個以 Git 為底層的文件平台，支援 Markdown 編輯、版本控制、多人協作。適合技術文件、API docs、內部知識庫。免費方案對個人和小團隊夠用。
NVIDIA DGX Spark：桌上型 AI 超級電腦，把一個 petaFLOP 塞進你的桌面
NVIDIA DGX Spark 搭載 GB10 Grace Blackwell Superchip，128GB 統一記憶體，提供 1 petaFLOP FP4 算力，售價約 $3,999 美元起。適合開發者在本地跑 200B 參數模型、fine-tune 70B 模型，是目前最容易入手的 NVIDIA AI 開發平台。
文件平台選擇指南：GitBook、Docusaurus、Mintlify 和其他七個選項
九個主流文件平台的定位、優缺點、適用場景和實際使用案例。選擇邏輯：開源專案選 Docusaurus/VitePress，API docs 選 Mintlify/ReadMe，企業內部選 Confluence，快速上手選 GitBook。
Claude Code：Anthropic 終端機 AI Coding Agent 完整介紹
Claude Code 是 Anthropic 的 agentic coding 工具，跑在終端機、IDE、Slack、GitHub 和 Web 上。核心擴充機制有六層：CLAUDE.md（永駐 context）、Skills（按需工作流程）、Hooks（確定性自動化）、Subagents（隔離委派）、MCP（外部工具連接）、Agent Teams（多 agent 協作）。
Codex CLI：OpenAI 開源終端機 Coding Agent 完整介紹
Codex CLI 是 OpenAI 的開源終端機 coding agent（Rust，Apache-2.0，約 106.6k stars），支援 MCP、subagents、圖片輸入、code review、Skills。模型主線已換成 GPT-5.6 Sol / Terra / Luna，桌面版、CLI 與 IDE 擴充共用一份 config.toml。
Gemini CLI：曾經最慷慨的免費終端 Agent，現在只剩企業路徑
Gemini CLI 是 Google 開源的終端機 AI agent（Apache 2.0，~106.6k stars），曾提供每分鐘 60 次、每天 1,000 次的免費額度含 1M context。個人方案已於 2026/6/18 停止服務，接替者是 Antigravity CLI。專案本身沒關閉，repo 仍在維護，但只服務 Gemini Code Assist Standard/Enterprise 授權與付費 API key。
OpenCode：開源 AI 終端機 Coding Agent 完整介紹
OpenCode 是用 TypeScript 打造的開源 AI coding agent（MIT，約 198K GitHub stars，repo 在 anomalyco/opencode），內建 TUI、支援 75+ LLM、LSP 整合、Vim 風格編輯器、SQLite session 管理，另有桌面版。免費、不需訂閱，可接本地或雲端模型。
Pi Coding Agent：極簡主義的開源終端機 Coding Harness
Pi 是 Mario Zechner 打造的極簡 coding agent（TypeScript、MIT、約 93K stars），只有 4 個核心工具與極短 system prompt，其餘全靠 Extensions／Skills／Prompt Templates 自己疊。刻意不做 MCP、sub-agents、plan mode、權限彈窗。repo 已改名 earendil-works/pi，npm scope 換成 @earendil-works。
Claude Code Spinner Verbs：從原始碼挖出 185 個狀態動詞的完整清單
Claude Code 處理請求時會從 185 個預設動詞中隨機顯示（如 Thinking、Brewing、Clauding），完成時從 8 個動詞中選一個搭配耗時。可透過 settings.json 的 spinnerVerbs 設定自訂，支援 replace 和 append 兩種模式。本文所有資料來自 cli.js 原始碼實際驗證。
gstack — Garry Tan 把 Claude Code 變成虛擬工程團隊的 20 個 Skills
gstack 是 Garry Tan 開源的 Claude Code skills 工具集，用 20 個專業 skill 把一個人變成一整個工程團隊——從產品規劃、設計審查、code review、QA 到部署，全部自動化。
Claude Code Troubleshooting 索引：第 33-35 篇安裝、執行期與設定診斷
原 Claude Code 除錯合集已拆分為第 33-35 篇：安裝與登入、執行期問題、設定診斷。本頁是三篇的索引。
AI Agent 繞過 Cloudflare 反爬蟲完整指南：從踩坑到自建 MCP Server
標準 Playwright 無法通過 Cloudflare 驗證。playwright-extra + stealth 和 nodriver 都能繞過，最終包成 MCP server 讓 AI agent 自動使用。
Claude Code Agent Teams 怎麼用：Team Lead、點對點傳訊與共享任務板
Agent Teams 讓多個完整的 Claude Code session 組成一個團隊：Team Lead 分配工作，teammates 各自擁有獨立 context window，靠點對點傳訊和共享任務清單自我協調。本文講它跟 sub-agent 的三個關鍵差別、teammateMode 兩種顯示模式的取捨，以及 token 成本隨人數線性上升這件事。
Claude Code 實戰工作流：探索、規劃、實作到 commit 的官方最佳實踐
Claude Code 官方最佳實踐的主軸只有一條：管好 context window。本文按探索、plan mode、實作、驗證、commit 的循環整理 prompt 技巧、/clear 與 rewind 的使用時機，以及官方點名的五種失敗模式。
Claude Code Channels 怎麼運作：外部事件、reply tools 與 sender gating
Channels 是一種特殊的 MCP server，能把 CI 失敗、監控告警、Telegram 訊息這類外部事件直接推進正在跑的 Claude Code session，Claude 讀完事件還能透過 reply tool 從同一條通道回話。本文拆解 channel contract、雙向回覆、安全閘門與安裝需求。
Claude Code Checkpointing 深入介紹：snapshot 機制、rewind 選單與追蹤邊界
Checkpointing 不是 git commit：Claude Code 在每個 user prompt 前自動存檔案 snapshot，一個 session 保留最近 100 個、30 天清除。本文拆解 /rewind 選單的五個選項、bash 與 subagent 等追蹤邊界，以及它跟 git 的分工。
Claude Code 怎麼看見你的瀏覽器：Chrome 整合、console 除錯與表單自動化
Claude Code 透過 Claude in Chrome 擴充套件取得瀏覽器控制權：讀 console log 與 DOM、點擊輸入、上傳檔案、錄 GIF，還能直接操作你已登入的網站。官方前置條件列出 Chrome、Edge 與 Brave、Arc、Vivaldi、Opera 等 Chromium 系瀏覽器，但 WSL 不支援。
Claude Code 怎麼進 CI/CD：GitHub Actions 的 @claude 與 GitLab MR 流程
用 anthropics/claude-code-action 把 Claude Code 放進 GitHub Actions：/install-github-app 一條指令裝好，@claude 在 PR 和 Issue 留言就能叫它修 bug、推分支並給 PR 建立入口；Bedrock／Vertex／Foundry 三種雲端後端走 OIDC 免存金鑰；GitLab CI/CD（beta）則用 .gitlab-ci.yml 一個 job 對應，所有變更走 merge request。
Claude Code 怎麼記住你的專案：CLAUDE.md 層級串接、imports、rules 與 auto memory
Claude Code 每個 session 都是乾淨的 context window，靠三種記憶跨 session 帶知識：每個 session 都載入的 CLAUDE.md、寫 paths 就條件載入的 .claude/rules/、以及 Claude 自己累積的 auto memory。各層 CLAUDE.md 是串接進 context，不是繼承覆蓋。本文拆解層級行為、@path imports、monorepo 拆檔策略，以及用 @AGENTS.md 讓多個工具共用一份指示。
Claude Code 的 context window 怎麼管理：自動載入內容、各功能成本與 compaction 三件套
Claude Code 在你打第一個字之前就載入了 system prompt、MEMORY.md、CLAUDE.md、MCP tool 名稱和 skill 描述。本文拆解 session 開頭的自動載入內容、六類擴充功能各自的 context 成本，以及 /compact、/autocompact、autoCompactWindow 三層壓縮控制的用法。
Claude Code 沙箱怎麼運作：sandboxed Bash、網路 allowlist 與六種隔離環境的威脅模型
Claude Code 內建的 sandboxed Bash 用 OS 層機制限制每條指令：寫入限工作目錄與 session temp，讀取預設整機可讀；網路走 proxy allowlist，預設零網域。開關在 /sandbox 面板和 sandbox.enabled，不是 --sandbox 旗標。本文再比較 sandbox runtime、devcontainer、Docker、VM 與 Claude Code on the web 這幾種更重的隔離方案該什麼時候用。
Headless 與 Agent SDK：從 claude -p 到程式化 agent
claude -p 把 Claude Code 從終端機互動變成一條可寫進腳本和 CI 的指令：pipe 資料進去、用 --output-format json 拿結構化結果、--bare 跳過大多數自動探索來加速啟動。本文以 CLI 用法為主體，最後講四個該改用 Python／TypeScript Agent SDK 的訊號。
Claude Code 怎麼接上外部工具：MCP server 的三種 scope、transport 與認證
Claude Code 用 MCP（Model Context Protocol）連外部工具，手動設定分三種 scope：專案共用放 .mcp.json、個人跨專案和 local 都在 ~/.claude.json、企業走 managed config——不在 settings.json。本文涵蓋 claude mcp add／login 流程、SSE 已 deprecated 的 transport 現狀，以及 tool search 延遲載入。
Claude Code Plugins 與 Marketplaces：把 skills、hooks、MCP 打包成一個安裝單位
Plugin 的價值不是新能力，而是分發：把散在 .claude/ 的 skills、agents、hooks、MCP 設定收進一個帶 manifest 的目錄，透過 marketplace 安裝、更新、鎖版本。本文拆解 plugin 目錄結構、最小建立流程、marketplace 發佈與 dependencies 版本約束。
Claude Code Remote Control：從任何裝置接續本地 session
Remote Control 把 claude.ai/code 或 Claude 手機 app 變成你本地 Claude Code session 的遙控器：程式照樣跑在自己的機器上，MCP servers 和本地工具全部可用，但對話同步會經過 Anthropic 伺服器。本文涵蓋啟動、續接、推送通知與傳檔，以及安全邊界。
Claude Code settings.json 設定大全：五層 scope、合併規則與常用欄位
Claude Code 的設定分五層——managed settings、CLI flag、專案 local、專案共用、使用者——純值型 key 由高層蓋掉低層，permissions.allow 這類清單型 key 則跨層合併。本文整理每層檔案的角色、allow/deny/ask 三清單的寫法，以及用 /status 和 claude doctor 驗證設定是否生效。
從 Slack 指派 coding 任務：Claude Code in Slack 與 Claude Tag 兩條路
在 Slack @Claude 就能把 bug report 變成雲端跑的 Claude Code session。但現在有兩條路：Pro/Max 走原 Claude Code in Slack（每個 session 掛在個人帳號），Team/Enterprise 新設定或遷移則看 Claude Tag（組織共用身分、admin 管權限與用量）。先確認方案再設定，才不會裝錯。
Claude Code Sub-agents 怎麼運作：context 隔離、frontmatter 定義、背景執行與權限繼承
Sub-agent 是在獨立 context window 中工作的專業助手：一個 Markdown 檔定義 system prompt、工具與模型，Claude 依 description 自動委派，也能 @-mention 直接指派。本文拆解 frontmatter schema、背景執行與巢狀 spawn 的現狀、permission 繼承規則，以及什麼時候不該用。
「推薦下一條」和「推薦類似的」不是同一件事 — RAG 推薦系統的意圖消歧
攀岩 RAG 系統中「推薦下一條路線」（progression）和「推薦類似路線」（similarity）被同一個 hasSimilarRouteIntent() 函式混為一談，導致推薦品質崩壞。解法是 Regex Fast Path + LLM Fallback 的兩階段意圖分類。
RAG 多實體查詢：當使用者一次丟五條路線，系統只看到第一條
RAG 系統的 extractRouteReference() 用 for...return 只抓第一個匹配，使用者給了五條完攀紀錄卻只用到一條。解法從 rule-based 多實體擷取、user profile aggregation 到 embedding centroid，分三層遞進實作。
當 Vector Search 把名字當難度搜：RAG 系統的 Attribute Conflation 問題
查詢「美人照鏡 5.11b，推薦類似難度路線」，結果回來的全是名字像的路線而不是難度像的。根因是 dense embedding 把多個屬性壓進同一個向量，名稱的稀有性壓過了難度訊號。解法：metadata pre-filter + query rewriting + score fusion 三層防線。
Biome：用 Rust 取代 ESLint + Prettier
Biome 一個工具做 ESLint + Prettier 兩個工具的事，速度快 10-20 倍，設定簡單很多。DaoDao 在整個 monorepo 用它，lint + format 一次過。
AEO 答案引擎優化指南 — 讓 AI 搜尋引擎引用你的內容
AEO（Answer Engine Optimization）是針對 AI 搜尋引擎（Perplexity、ChatGPT Search、Google AI Overview）的內容優化策略。核心是讓你的內容成為 AI 最容易引用的「答案來源」，而不只是搜尋結果中的一個連結。
部落格 SEO 優化完整指南 — 從 meta tags 到結構化資料
SEO 不只是關鍵字，結構化資料（JSON-LD）、Open Graph、hreflang、robots.txt 這些技術面優化才是讓搜尋引擎真正理解你內容的關鍵。本文以 Astro 部落格為例，完整走一遍實作。
BullMQ：Node.js 最成熟的 Redis-backed 任務佇列
BullMQ 是 Node.js 生態裡最成熟的任務佇列，底層用 Redis，支援優先級、重試、排程、延遲任務。島島用它處理通知發送和實踐自動完成排程。
Celery：Python 生態裡分散式任務佇列的標準解法
Celery 是 Python 最主流的分散式任務佇列，用 Redis 或 RabbitMQ 當 broker，讓耗時工作跑在背景。島島的 AI 服務用它處理 LLM 回饋生成等非同步任務。
Claude Code Global Skills 新 Session 找不到？釐清 Skill Discovery 機制與排查方法
Global skills 放在 ~/.claude/skills/ 但新 session 或 Desktop App 看不到？問題通常不是檔案不存在，而是 skill 描述沒被載入 context。本文釐清 CLI vs Desktop App 的差異、settings.json 的角色，以及最穩定的解法。
ClickHouse：當 PostgreSQL 的分析查詢開始變慢，你需要 OLAP
ClickHouse 是欄導向 OLAP 資料庫，掃幾億行只要幾秒，島島用它記錄使用行為事件，供 AI 推薦引擎的特徵工程使用，讓 PostgreSQL 專心處理交易型資料。
Cloudflare D1：跑在邊緣的 SQLite 關聯式資料庫
D1 是 Cloudflare 的 serverless SQLite 資料庫，直接綁定 Workers，支援完整 SQL（JOIN、transaction）、自動備份。適合中小規模的關聯式資料需求，NobodyClimb 把它當主資料庫用。
Cloudflare KV：全球邊緣的 Key-Value Store
KV 是 Cloudflare 的全球分散式 key-value store，讀取從最近的邊緣節點回應，延遲極低。適合快取、feature flag、暫態資料，但寫入是最終一致性。
Cloudflare R2：零 Egress 費用的 S3 替代方案
R2 是 Cloudflare 的物件儲存，S3 相容 API、零 egress 費用、Workers 原生 binding。媒體密集的應用不用再擔心流量帳單。
Cloudflare Workers：不是 Lambda，不是容器，是 V8 Isolate
Cloudflare Workers 用 V8 Isolate 取代容器，沒有 cold start，全球邊緣部署，透過 Bindings 接 D1、R2、KV、AI。適合 API、SSR、輕量後端，不適合 CPU 密集的工作。
Docker 實務入門：從開發到部署的容器化
Docker 讓你把應用程式和它的環境打包在一起，消除「在我電腦上可以跑」的問題。搭配 multi-stage build 和 Compose，是現代後端部署的基本配備。
Expo + React Native：一套程式碼跑 iOS 和 Android，實際上是什麼體驗
Expo 讓 React Native 開發從「環境設定地獄」變成可以直接寫邏輯的狀態。Expo Router 帶來 file-based routing，讓 web 開發者轉移成本更低。島島和 NobodyClimb 都用它跨 iOS/Android。
Express.js：Node.js 後端的預設答案，以及它為什麼還值得選
Express 是 Node.js 最成熟的 Web framework，middleware 生態完整、學習資源豐富。搭配 TypeScript 和清楚的分層架構，在 2026 年仍然是有理由選的選項。
FastAPI：Python AI 服務的標準答案
FastAPI 是基於 Python type hint 的現代 Web framework，自動生成 OpenAPI 文件、原生 async 支援、效能接近 Node.js。AI/ML 服務的首選，也是 Python 後端裡最值得學的框架。
GitHub Actions：CI/CD 的入門與 Monorepo 策略
GitHub Actions 是目前最省設定成本的 CI/CD 工具，適合中小型專案。Monorepo 的關鍵是用 path filter 讓只有受影響的 app 觸發 build。
Hono：為 Edge Runtime 而生的輕量 Web Framework
Hono 是專為 Cloudflare Workers、Deno、Bun 等 edge runtime 設計的 Web framework，比 Express 輕一個數量級，原生支援 Web Standard API，是 edge 環境下的首選。
Next.js 15 + App Router：Server Components 和 use cache 實際上在做什麼
Next.js 15 + React 19 的 App Router 把渲染責任從客戶端移到伺服器，use cache 讓快取邏輯直接跟資料綁在一起而不是散在 fetch 選項裡。島島和 NobodyClimb 都選它，原因很務實。
@opennextjs/cloudflare：把 Next.js 跑在 Cloudflare Workers 上
@opennextjs/cloudflare 讓 Next.js App Router 部署到 Cloudflare Workers，動態 SSR 走 Worker，靜態資源走 Cloudflare Assets。沒有 server 管理成本，但有明確的功能限制。
PM2：Node.js 程序管理的實用選擇
PM2 讓 Node.js 應用在 server 上持續跑，掛掉自動重啟，可以開 cluster 模式用滿 CPU，Log 也幫你管好。部署在 VM 或 VPS 的 Node.js 應用幾乎都需要它。
Prisma ORM：TypeScript 專案的型別安全資料庫存取
Prisma 用 schema-first 設計讓資料庫 migration 有版本控制、查詢有完整 TypeScript 型別、關聯查詢直覺。代價是學習曲線和 ORM 的固有限制，但對多數 TypeScript 專案是值得的換法。
React Hook Form + Zod：表單處理的最佳組合
React Hook Form 處理表單效能，Zod 定義驗證 schema，兩者搭配讓表單開發幾乎不需要寫樣板程式碼。在 monorepo 裡共用 Zod schema，前後端驗證邏輯一份就夠。
Redis 入門：快取、Session、Pub/Sub 一次搞懂
Redis 是 in-memory key-value store，快到不像話，島島用它同時扛快取、Session、BullMQ 任務佇列三個職責，一台 Redis 幹三件事。
shadcn/ui：不是套件，是複製貼上的元件原始碼
shadcn/ui 不是 npm 套件，它把元件原始碼複製到你的專案，你完全擁有這些程式碼。島島用它建立 packages/ui 元件庫，讓三個 Next.js app 共用同一套 UI。
TailwindCSS：utility-first 不只是風格偏好，是一種 CSS 管理策略
TailwindCSS 解決的核心問題是 CSS 的全域命名汙染和死碼問題。utility class 讓樣式跟元件放在一起，build 時自動移除沒用到的 class，生產環境的 CSS bundle 通常只有幾十 KB。島島和 NobodyClimb 都用它做 web 端樣式。
Tamagui：React Native 的 UI framework，為什麼 NobodyClimb 選它而不是 NativeWind
Tamagui 是針對 React Native 設計的 UI framework，有完整的 design token 系統和 theme 支援，編譯時期優化讓樣式計算移到 build time。NobodyClimb 選它而不是 NativeWind，主要是因為跨平台的 token 系統更完整。
TanStack Query：Server State 的標準解法
自己用 useState + useEffect 管 API 資料，等於重造輪子還造得比較差。TanStack Query 處理快取、背景更新、loading/error 狀態，讓你專注在 UI 邏輯。
Turborepo + pnpm workspaces：Monorepo 的標準答案
Turborepo 解決 monorepo 的 build 速度問題，pnpm workspaces 解決依賴共用問題。兩者搭配是目前 JS/TS monorepo 的最佳選擇。
Zod：TypeScript 的 Runtime 型別驗證
TypeScript 的型別只存在編譯期，執行時消失。Zod 讓你在 runtime 驗證外部資料，同時推斷出 TypeScript 型別，一個 schema 兩件事都搞定。
Zustand：React 最輕量的全域狀態管理
不需要 Provider、不需要 reducer，幾行就能設定好全域狀態。NobodyClimb 用它管 auth 和 UI 狀態，搭配 TanStack Query 處理 server state。
一個人的全端團隊：從 OpenSpec 到自動部署的 AI 驅動開發流程
用 OpenSpec 把需求拆成工程任務，Claude Code 實作，hooks 自動格式化和保護，commit 前本地 review，PR 上三個 AI reviewer 平行審查，merge 後自動部署。整套流程讓一個人能維護六個子專案的品質。
Claude Code Hooks 完整指南：用事件驅動控制 AI 的每一步
Hook 是 Claude Code 的事件系統。在 AI 執行工具前後、送出 prompt 時、結束任務時自動觸發 shell command、HTTP 請求、MCP tool 或 LLM 判斷。用來擋住危險操作、自動審核、注入上下文、記錄 audit log。
Claude Code Skill 完整指南：把重複的工作流程變成一句指令
Skill 是寫給 AI 看的 SOP。一個 markdown 檔案定義步驟，Claude 照著執行。不用寫程式，不用學框架，只要把「有經驗的人會怎麼做」寫成步驟就好。
用 Claude Code Skill 把 Debug 對話變成 GitHub Issue：/file-bug-issue 的設計
Debug 到一半發現修不了？用 /file-bug-issue 直接把對話中的錯誤分析、重現步驟、已嘗試的方案打包成一個結構完整的 GitHub issue。搭配 Remote Agent，還能讓 AI 自動接手修復。
讓 AI 自己接 Issue、寫 Code、開 PR：用 Claude Code Remote Agent 做到半夜自動開發
用 Claude Code 的 Scheduled Remote Agent，每 2 小時自動掃描 GitHub issues、實作功能、開 PR、修 review feedback。人類只需要寫 issue 和按 merge。搭配自製的 /publish-tasks skill，把 OpenSpec 的工程任務一鍵發成 GitHub issues。
Claude Code 的三層品質防線：Hook、Skill、指令檔
Hook 是自動化安全網（擋住壞 commit），Skill 是互動式工作流程（跑檢查 + 自動修），指令檔（CLAUDE.md / AGENTS.md）是行為指引。三層各自獨立，組合起來讓 AI agent 在 commit 前自動完成 lint、typecheck、build 檢查。
Code Review Comment 怎麼分類？從 Conventional Comments 到 AI Review 工具的分類體系
主流分類系統有三種路線：Conventional Comments（標籤制）、Google 嚴重度前綴（Nit/Optional/FYI）、SonarQube 四象限（Bug/Vulnerability/Code Smell/Hotspot）。AI review 工具各自發展出不同分類，但核心維度收斂在正確性、安全、效能、可維護性四大塊。
用 Cloudflare Workers AI 把前端 mock 變成真的：action-maker AI 整合全記錄
把 action-maker 從假資料升級為 Cloudflare Workers AI 即時生成，架構拆成 Worker（純 AI）、Server（存資料）、Frontend（串接），踩了 Qwen3 thinking block 和 Workers AI response 格式兩個坑。
Node.js image 弱掃誤判？先分 app 套件與 npm 內建套件
Node.js image 的弱掃結果不能只看套件名稱，先分清楚是專案依賴，還是 base image 內建 npm 自己帶的相依套件，才不會修錯地方。
弱掃是什麼？用 Trivy 快速建立 Docker 與套件掃描觀念
弱掃不是只為了交報告，而是幫你提早知道系統裡有哪些已知風險。這篇用 Trivy 當例子，快速介紹弱掃在掃什麼、常見結果怎麼看，以及該怎麼開始。
把爬蟲腳本做成 MCP Server，讓 Claude 直接用
用 FastMCP 把本地 Python 腳本包成 MCP Server，讓 Claude Code 可以直接呼叫，不再需要手動跑 pipeline。
MCP Tool 回傳 1M 字元：search_local_jobs 的 token 爆炸問題
MCP tool 回傳 description 欄位導致 1033 筆職缺超過 token 上限，改成預設不回傳 description 並加上分頁就解決了。
docker restart 不會重新套用 volumes —— bind mount 失效排查記錄
docker restart 不會重建容器，volumes 設定改了必須用 docker-compose down && up 才會生效。
Claude Code Permission Modes 全解析：從預設到 Auto Mode 的五種權限模式
Claude Code 有五種權限模式：default（逐步確認）、acceptEdits（自動接受編輯）、plan（唯讀規劃）、auto（AI classifier 背景審查）、bypassPermissions（YOLO 全跳過）。用 Shift+Tab 切換，搭配 settings.json 精細控制。auto mode 是最佳平衡點——既不用每步確認，又有安全防護。
nginx 502：跨 Compose 專案的容器 DNS 解析踩坑
跨 Compose 專案時 service name 不可解析，要加 network alias 才能讓 nginx 找到容器。
為 GitHub Copilot CLI 安裝並驗證 Superpowers：實作、診斷與驗證
紀錄在本機為 Copilot CLI 安裝 Superpowers（DwainTR 打包）、遇到安裝後看不到技能的診斷流程，以及最終解法和實用建議。
Docker DNS 解析：container_name vs network alias
跨 Compose 專案只能靠 container_name 或 network alias 解析，而 alias 才支援 scale。
nginx 重啟後 Cloudflare 一直回 502，但 origin 明明是正常的
nginx 重啟期間短暫出錯，Cloudflare 偵測到 origin 不健康後停止轉發請求，自己回傳 502。localhost 打 origin 是 200，nginx access log 空白是關鍵線索。等 Cloudflare 自動 re-check 即可恢復。
用 nginx conf.d 管理多服務 reverse proxy：以島島為例
單一 nginx.conf 隨服務增加變得難以維護，用 include conf.d/*.conf 按服務拆分是標準解法。
nginx 第一個請求必定 502，之後全部正常
nginx 用 set $variable 做動態 upstream 時，DNS 快取每 30 秒過期，第一個請求因無可用 IP 而 502。升到 nginx 1.27.3 改用 upstream + resolve 參數，DNS 在背景非同步更新，根治問題。
用 SSH config alias 下載 VPS 檔案
設定好 SSH config 後，scp 可以直接用 alias，不用打完整 IP
Ghostty 與 cmux：現代終端機的選擇指南
Ghostty 是快速、原生的通用終端機；cmux 是基於 Ghostty、專為 AI coding agents 設計的終端機。不是競品，是不同層級的工具。
Cloudflare Free Plan 設維護頁：Custom Error Pages 不能用，改用 Worker
Cloudflare Custom Error Pages 需要付費方案，Free Plan 可改用 Worker inline HTML 攔截 5xx。
用 Git Conditional Includes 管理個人與工作帳號
用 includeIf + SSH Host alias，讓 git 自動依路徑切換帳號，不再手動切換。
Astro + Cloudflare Workers：Native Module 在 Prerender Route 也會讓 Build 炸掉
即使 route 有 prerender = true，Cloudflare Workers 的 Rollup 還是會嘗試打包 native module，導致 build 失敗。把需要 native module 的工作移到 postbuild script 才是正解。
Astro Scoped CSS 不套用到 MDX 渲染的內容
Astro scoped CSS 會加 scope hash，但 <Content /> 渲染的 MDX 元素沒有這個 hash，導致所有 prose 樣式失效。
對話即文件：用 Claude Code 把 Debug 過程直接變成文章
Debug 完直接說「把錯誤寫成文章」，Claude Code 會從對話裡萃取內容，套用模板、生成 frontmatter、commit 到 repo。不需要額外寫任何東西。
Cloudflare Workers 綁定自訂網域的正確寫法
wrangler.jsonc 的 routes 用 custom_domain: true，pattern 只填 hostname，不加 /*
島島（DaoDao）技術架構全覽：Monorepo、多語言後端與 AI 推薦系統
Next.js + Expo 前端、Node.js + Python 雙後端、PostgreSQL + Redis 核心架構，加上社交通知系統與 LLM 推薦引擎，島島如何用現代tech stack打造學習社群平台。
NobodyClimb：用 Cloudflare 全端打造攀岩社群平台
一個攀岩社群平台，從 Web、Mobile 到 AI 問答全部跑在 Cloudflare 上，沒有獨立伺服器。
NobodyClimb AI 架構：在 Cloudflare Workers 上打造 20 節點 RAG Pipeline
用 Cloudflare Workers AI（gemma-3-12b-it + bge-m3）打造可動態組裝的 RAG pipeline，14 個基礎 step + 6 個 LangGraph 專屬節點，三種策略圖（Baseline / Agentic / Plan-Execute）動態切換。
Astro 部落格換模板前要知道的事
換模板 = 換整個專案底層；先搞清楚自己要什麼，再選 AstroPaper / Cactus / AstroWind
這個部落格用了哪些工具
Astro + Cloudflare 全家桶，靜態優先、邊緣運算、零維運成本