主題閱讀路徑
系列文章
從你想解決的問題開始，不必先記住系列名稱。
顯示 141 個已發布系列
AI Agent Arxiv Digest
AI Agent Arxiv Digest 系列文章
AI 日報
每日 AI 動態速覽。
AI Agent GitHub Digest
AI Agent GitHub Digest 系列文章
AI Engineer 面試日練
每日一篇 AI Engineer 面試練習，依星期輪替七個主題——ML 基礎、深度學習、系統設計、LLM 工程、Coding、論文閱讀、行為面試——從網路抓最新面試題與資源。
AI Framework Changelog
AI Framework Changelog 系列文章
AI Agent Funding
AI Agent Funding 系列文章
AI Pricing Watch
AI Pricing Watch 系列文章
Product Builder 面試日練
每日一篇 Product Builder 面試練習，依星期輪替七個主題——產品直覺、指標分析、策略執行、AI 產品設計、成長實驗、技術 PM、行為面試——從網路抓最新案例與面試題。
AI Tool of the Day
AI Tool of the Day 系列文章
出國攀岩裝備
帶裝備出國攀岩時讀：依目的地決定帶什麼、繩要多長、挑哪一條繩，攀岩裝備怎麼過安檢與航司行李規定，2020 年後攀岩者實際怎麼分托運與登機，再挑托運主袋、岩場包和多繩距攀登包。裝備本身怎麼挑與保養，交給「攀岩裝備」系列。
AI Model Tracker
AI Model Tracker 系列文章
AI Security Alert
AI Security Alert 系列文章
攀岩裝備
一個裝備一篇，照花錢的順序走：先租還是先買，接著是攀岩鞋、粉袋、吊帶、確保器、鉤環、頭盔、快扣、繩子、普魯士繩、岩楔與活動岩楔，最後是原廠怎麼規定檢查與汰換。每篇先講選購判準，再比較現行型號，附 2024 年後的評測與心得影片。
AI Benchmark Watch
AI Benchmark Watch 系列文章
AI Region Focus
AI Region Focus 系列文章
AI Agent 週回顧
每週整理 AI Agent 領域的重要發布、論文與工具變化。
AI 通病
LLM 寫的文字讀起來有資訊、讀者卻拿不到答案的寫法：否定式對比、意義抬高、指示型摘要、過度概括。每篇講怎麼認、怎麼改、什麼時候該留，再談成因、防護與別矯枉過正。
裂隙攀登技術
讀完〈裂隙怎麼爬〉之後，按尺寸把每種塞法練到能用：手掌、腳塞、指裂、薄手、拳、寬裂、擠身縫與煙囪，再到 layback、斜裂與屋簷，最後是膠帶手套、訓練，以及日本與韓國的裂隙岩場。每種技巧都附 2020 年以後、不同岩場與不同攀岩者的教學和攀爬影片，也講手大小怎麼改變答案。
日本岩場
一個岩場一篇：岩質與攀登風格、適合的季節與原因、搭電車與開車怎麼去、在地規範。母群取自 ROCKTOPO 與 CLIMBING-net（《日本100岩場》），依都道府縣排序，優先補齊知名的獨立目的地；分區留在母岩場指南。
韓國岩場
從首爾花崗岩多段到地方運攀與濟州抱石，按風格、程度、季節與交通選目的地。每個岩場分開介紹路線、接近方式、在地規範與指南書。
英文口說練習
從練習方法與跟讀研究出發，接到日常、旅遊、衝浪、攀岩、工作與面試教材，再選擇真人平台、AI 工具或語言學校，安排回饋與複習。
AI Agent 資安工具地圖
把 skill、MCP 與 coding agent 周邊的開源資安工具分成七類：安裝前掃描、沙箱、護欄與閘道、偵測與稽核、程式碼審計、測試 AI 系統，以及用 AI 打別人的滲透測試，逐類看它們做了什麼、沒做什麼，以及公開的數字能不能信。
Agent 隔離邊界
從容器、gVisor、microVM 到共用硬體上的隱蔽通道：拆開「在隔離環境中執行」這句話，看 AI agent 的程式碼被哪幾層擋住、哪些資源仍然共用、出口怎麼被找到，並以 OpenAI 2026 年的紅隊文章為案例。
運動攀登與傳統攀登
從岩館走到戶外岩壁：先在岩館學上攀確保與先鋒，再到戶外確保、運攀先鋒、判斷 bolt、架頂繩、下放與垂降，再到傳攀保護、固定點、多繩距與自救概念，最後是台灣岩場與打 bolt 的倫理。每篇對齊 nobodyclimb 繩索系統練習的等級。
其他攀登類型
岩館和運攀之外，攀登還有哪些樣子：深水獨攀、大岩壁與人工攀登、冰攀與混合攀、高山攀登，最後是無繩獨攀。每篇講清楚它是什麼、怎麼分級、風險在哪、台灣能不能練，以及從哪裡開始。
AI 資安實戰
共用資料流、身分與證據基礎，分成 AI 輔助攻擊、保護 AI 系統、AI 輔助調查與修補三條路線，最後以可重現的攻防演練會合。實作涵蓋靶場、自架雲端與明確授權的系統。
沙箱系列
把 AI agent 執行環境與沙箱從原理、供應商到安全邊界拆開：從 Namespace、gVisor、Firecracker 的隔離光譜，到 E2B、Daytona、Runloop、Vercel 等雲端沙箱的選型取捨，以及權限、憑證、網路邊界與逃逸案例。
知識庫怎麼建
同一套問題走三遍：給未來的自己（個人筆記）、給同事（團隊 wiki）、給模型（RAG 用的 AI 知識庫）。每段都回答收什麼、怎麼整理、怎麼找到、誰來維護，方法作者的主張和實證研究分開寫。
AI 模型家族
從演化脈絡、架構、授權陷阱到版本選型，逐一拆開 Qwen、DeepSeek、Claude、GPT、Gemini、Llama、Mistral、GLM、Kimi 等主流模型家族，並附 Agent 開發者的選型建議。
世界名校 AI／CS 課程地圖
以 2025–2026 官方課程網站、課表與教材入口為依據，整理 Stanford、CMU、MIT、UC Berkeley、Harvard 與台灣各校的 AI／CS 課程地圖，說明哪些能完整自學、哪些只有講義或歷史影片。
寮國岩場
從他曲的 Pha Tam Kam 與 Tha Falang、萬榮的喀斯特岩壁到龍坡邦的河壁，按風格、級數、季節與交通選目的地。每篇分開介紹路線、接近方式、住宿、岩栓與醫療風險。
馬來西亞岩場
從玻璃市的石灰岩運攀、蘭卡威的私人岩場與深水抱石，到黑風洞、怡保、刁曼島多段與砂拉越洞穴。每個岩場分開介紹路線、接近方式、在地規範、岩栓狀態與指南書。
泰國岩場
從喀比半島的 Tonsai 與 Railay、Ao Nang 本島的 North Wall 與 Chong Phli，到清邁 Crazy Horse、清道、華富里、北標與龜島抱石，按風格、級數、季節與交通選目的地。每篇分開介紹具名路線、接近方式、進入規定、岩栓狀態與指南書。
越南岩場
從諒山 Hữu Lũng 的 267 條果園石灰岩運攀，到吉婆島的海島屋頂與蘭夏灣的沙灘運動攀岩與深水抱石，按風格、級數、季節、潮汐與交通選目的地。每篇分開介紹路線、接近方式、通行費、封閉與在地規範。
自架推論服務
自己架推論服務要考慮的取捨：硬體、模型 serving 框架、成本與維運，對照直接呼叫雲端 API 的分界點。
戶外抱石
在岩館抱石一陣子、想第一次去爬真的石頭時讀：怎麼鋪抱石墊與 spot、怎麼讀 topo 和守岩場禮儀、台灣有哪些抱石區，最後是高抱石什麼時候該改架頂繩。每篇標明哪些有研究、哪些是經驗共識。
攀岩圈與產業
岩館裡除了你，還有繩伴、小孩、教練、定線員和老闆。這個系列從怎麼找到可靠的繩伴講起，一路看到教練證照、兒童與身障者怎麼爬、路線是誰定的，以及你簽的切結書、岩館的保險和安全管理到底保障什麼。
攀岩心理與戰術
開始先鋒後讀：為什麼頂繩爬得上、先鋒就卡住，怎麼循序練墜落、面對失敗的緊張、比賽時的隔離區與觀察時間，再到 onsight 與 redpoint 的投入策略、挑天氣與摩擦，最後是皮膚保養。每篇標明哪些有研究支持、哪些只是教練共識。
攀岩賽事與職業攀岩
看懂攀岩比賽的入門系列：誰在辦比賽、抱石／先鋒／速度怎麼計分、奧運賽制怎麼從東京變到洛杉磯、台灣人能參加哪些比賽，以及比賽之外，職業攀岩者靠戶外首攀和拍片走的另一條路。
攀岩文化與歷史
想知道岩館裡的粉袋、岩鞋、難度等級和比賽從哪裡來時讀：先看攀岩怎麼從登山分出來、一路走到奧運，再看台灣從日治的大砲岩、1980 年代的攀岩者俱樂部到龍洞與抱石館的經過。有爭議的年份並列不選邊。
義大利岩場
一個岩場一篇：岩質與攀登風格、適合的季節與原因、搭火車巴士與開車怎麼去、在地規範。從北部的花崗岩谷地與多洛米蒂，到利古里亞、拉齊奧、西西里與薩丁尼亞的海岸石灰岩，依大區由北往南排序。
攀岩傷害預防與急救
攀岩最常傷到哪裡、受傷當下怎麼處理、該看哪一科；暖身、手指滑車與其他手指傷害、肘腕、肩、抱石墜落與腳踝、膝與 heel hook、腳與攀岩鞋、脊椎、青少年生長板，受傷後怎麼回岩館、柔軟度，最後是在台灣岩場出事時怎麼報案與急救。只寫來源說了什麼，需要診斷的地方請看醫師或物理治療師。
攀岩動作技術
在岩館爬了幾個月開始卡關時讀：腳法、重心與平衡、側身與擰身、手點與握法、動態、抱石解題、休息與讀線、牆角度，最後是去龍洞前要會的裂隙技術。每篇用研究檢查常見口訣。
攀岩訓練
爬了一年左右開始卡關時讀：先診斷卡在技術還是體能，再談能量系統、指力板、力量與 campus board、耐力、週期化、居家訓練、拮抗肌與核心，最後是營養、RED-S 與恢復。每篇標明哪些有研究支持、哪些是教練共識。
IFMGA 高山嚮導
IFMGA 國際高山嚮導是什麼、怎麼雇一位、學什麼考什麼，28 個會員協會分區介紹各國的訓練流程、費用、語言與外國人條件，最後整理台灣人能走的路。
從零開始的資安獵人
從看懂 Bug Bounty 的獎金表出發，依序走過網站漏洞、RCE、記憶體、虛擬機逃脫與 TEE，每篇用白話比喻加可驗證的官方來源，帶沒有資安背景的人入門。
教學文章怎麼寫
從寫的人這一側看學習：文字怎麼組織、什麼該畫成圖、影片怎麼搭配、畫面怎麼排。每篇整理研究證據與限制，並用本站的課程導讀當案例。
台大李宏毅 機器學習 導讀
依官方 8 講投影片與錄影、10 份作業與 Colab，讀台大李宏毅機器學習 2026 Spring：從解剖 OpenClaw、Context Engineering，到 Flash Attention、KV Cache、位置編碼、Harness Engineering、自我修正與 AI 自我成長。
台大林軒田 機器學習基石與技法 導讀
依林軒田「機器學習基石」與「機器學習技法」兩門 MOOC 一堂一篇導讀：基石 16 堂、技法 16 堂，每篇依該堂的官方講義與影片寫成，每一節附上對應的影片，把推導走完、把課堂小測驗解完。從 PLA、VC 維度、線性模型、正則化與驗證，一路讀到 SVM、kernel、aggregation、樹模型與神經網路，並用公開的 Fall 2024 HW0–HW7 與期末專題當練習；Fall 2026 的課另外對照。
台大陳縕儂 深度學習之應用 導讀
依官方 17 份講義、77 支錄影、助教課與 HW1 規格，讀台大陳縕儂深度學習之應用（ADL）Fall 2025：從神經網路、RNN、Transformer、BERT，到預訓練、RLHF、LoRA、RAG、生成解碼、安全對齊、Language Agents 與 Reasoning。
政大蔡炎龍 生成式 AI 導讀
依 Spring 2025（1132）的 14 支錄影、14 份投影片、12 份作業說明與 Colab notebook，逐講讀政大蔡炎龍的 TAICA 課程「生成式 AI：文字與圖像生成的原理與實務」：從神經網路、GAN、LLM 與 Transformer，到對話機器人、RAG、AI Agents，再到 VAE、Stable Diffusion、ControlNet／Fooocus。適合初學者。
清大高宏宇 自然語言處理 導讀
依 IKMLab 官方 GitHub 的 Fall 2025 完整教材（講課投影片、W1–W16 共 36 支公開錄影、HW1–HW4 題目與 notebook、PyTorch／Hugging Face／LLM API／RAG 助教課），讀清大高宏宇的 TAICA 中文 NLP 課：從傳統文字處理、詞向量、seq2seq、Transformer、BERT 家族、解碼與評估，一路讀到 RLHF、PEFT、RAG 與 Reasoning，最後整理 Fall 2026 的改版。
Berkeley CS188 Introduction to Artificial Intelligence 導讀
以 P0–P5 六個 projects 為主線，讀 Berkeley CS188 Spring 2026 的搜尋、決策、機率推論、強化學習與機器學習。
Berkeley CS189 Introduction to Machine Learning 導讀
逐講、逐份作業讀 Berkeley CS189（Introduction to Machine Learning）的公開教材，每篇標明採用學期，補齊 CS188 之後更完整的 ML 數學基礎。
Berkeley CS285 Deep Reinforcement Learning 導讀
依 25 講投影片、九組討論與五份作業，讀 Berkeley CS285 Spring 2026 的深度強化學習路線與算力邊界。
RAG 技法大全
把 RAG 拆成可逐項比較的技法：切塊與索引、稀疏與稠密檢索、排序融合、agentic 與進階模式、生成端控制、真實查詢會踩的坑，以及評估、成本與可觀測性。每篇只談一個決定，讀完能拼成一條自己的 pipeline。
AI 證照備考
以官方 exam guide 的章節權重為骨架，一張證照一篇備考路徑：考什麼、配哪些官方材料、練什麼，時程換算的依據也寫出來。所有內容取自官方考綱與認證頁，不含應考實錄，也不含考古題。
AI Engineer 面試準備
從 ML 基礎、系統設計、LLM 應用架構到行為面試，拆成十個主題逐篇準備。每篇聚焦一個面試環節，整理核心概念、常見題型與實戰策略。
Berkeley CS288 Advanced Natural Language Processing 導讀
依 18 組公開教材與三份作業，讀 Berkeley CS288 Spring 2026 從 n-gram 到 RAG、reasoning 與 agents 的進階 NLP 路線。
CMU 07-280 AI & ML I 導讀
逐講讀 CMU AI 核心改制後的 07-280：從 linear regression、MLE 到 N-gram、attention/transformer 與 Q-learning，對照官方 Spring 2026 教材。
CMU 07-380 AI & ML II 導讀
接續 07-280，逐講讀 CMU 07-380 首開學期的 26 講：從邏輯與規劃到擴散模型，並標明 HW 與 Project 的公開進度。
CMU 10-301 Introduction to Machine Learning 導讀
以 Spring 2026 九份公開作業為主線，讀 CMU 10-301／601 的 27 講機器學習內容與校外實作邊界。
CMU 10-423 Generative AI 導讀
依 Spring 2026 公開教材重建的 40 篇核心教學，從語言模型、擴散與調適到多模態、規模化、世界模型及評量；另保留 12 篇主題導覽，每篇分清原課範圍與本站學習順序。
CMU 11-768 AI Agents 導讀
逐講讀 CMU 11-768 AI Agents（Fall 2026）：從 agent 迴圈、工具使用到 RL 訓練、credit assignment 與 reward hacking，依官方課序整理。
CMU 11-785 Introduction to Deep Learning 導讀
逐講讀 CMU 11-785 Spring 2026 的 28 講深度學習教材，並清楚區分公開講授鏈與受限的正式作業鏈。
CMU 11-868 LLM Systems 導讀
依 Spring 2026 的 28 份公開講義與 7 份 MiniTorch 作業，逐講讀 CMU 11-868 LLM Systems：從 CUDA kernel、自製框架、分散式訓練到 serving 與 RLHF，並標明沒有錄影、需要 GPU 的自學邊界。
Harvard CS50 Introduction to Artificial Intelligence with Python 導讀
逐講讀 Harvard CS50 AI with Python：搜尋、知識表示、機率、機器學習、神經網路與語言模型的公開教材與作業。
Harvard CS1810 Machine Learning 導讀
逐週讀 Harvard CS181（Machine Learning）：線性代數、微積分與機率的補課，到線性迴歸與後續模型的公開作業。
Harvard CS2680 Modern AI Systems: Agents and System Optimizations 導讀
逐堂讀 Harvard CS2680 Modern AI Systems: Agents and System Optimizations（Juncheng Yang，Fall 2026）Part I：從 agent 為什麼是系統問題、Claude Code 怎麼運作，到自己設計 loop、工具與 context，再到多 agent、記憶與可靠度、評估、成本與延遲優化，以及作業 1–3。依據公開投影片、課程筆記與作業規格。
Harvard CS2881R AI Safety 導讀
逐講讀 Harvard CS 2881R AI Safety（Boaz Barak，Fall 2025）：從 emergent misalignment 的 HW0 出發，經過安全訓練、jailbreak 與 prompt injection、model spec 與內容政策、scheming 與可解釋性，到遞迴自我改進、能力量測、經濟與心理健康衝擊，以及學生的重現與期末研究。依據公開錄影、閱讀清單、投影片與作業規格。
AI 時代的技術選擇
以採用度為主判準，輔以 AI 時代新增的五條判準（文件機器可讀性、型別、原始碼在不在 repo、資料骨架、機器可呼叫性），整理從前端到後端、從雲端到自架的技術選型。
MIT 6.5940 TinyML and Efficient AI Computing 導讀
以最近一屆完整的 Fall 2024 為主幹，逐講讀 MIT 6.5940 TinyML 與高效深度學習：pruning、quantization、NAS、蒸餾、MCU 部署、LLM 推論與後訓練、長上下文、diffusion、分散式與裝置端訓練，並對照進行中的 Fall 2026。
MIT 6.7960 Deep Learning 導讀
逐講讀 MIT 6.7960（Fall 2024 OCW）：深度學習的優化、正則化、CNN、Transformer、生成模型與表示學習。
MIT 6.S184 Generative AI with Stochastic Differential Equations 導讀
依 IAP 2026 官方講義、投影片、錄影與三個 lab（含官方解答），逐講讀 MIT 6.S184：從 ODE／SDE、flow matching、score matching、classifier-free guidance、DiT 與 latent space，一路到離散擴散。
MIT 6.S191 Introduction to Deep Learning 導讀
依 2026 官方影片、投影片與實驗程式，讀完 MIT 6.S191 的九講與三個實驗，不混用歷史版本。
Stanford CME295 Transformers & Large Language Models 導讀
逐講讀 Stanford CME295: Transformers & Large Language Models：從 Transformer 架構一路走到 LLM 評估與 AI agent，並對照 CS224N、CS336 的分工。
Stanford CS 主線課程導讀
從學位骨架到 AI、NLP、圖學習與 agent，整理 Stanford CS 主線課程的版本、先修關係與逐課導讀入口。
AI Agent 記憶工程
為什麼記憶是 agent 工程的核心難題：從 context 滿了怎麼辦到開源記憶框架選型，十篇各自解決一個記憶問題。
Deep Research 前沿
梳理 80+ 個 Deep Research 實作：三階段能力路線、規劃／獲取／記憶／生成四個核心組件、prompting／SFT／RL 三種優化範式，以及評估與開源工具全景。
Multi-Agent 系統實戰
比較 Claude Code、Codex、Antigravity、Cursor、Windsurf、Devin、LangGraph、CrewAI 的 subagent 模型、編排模式與通訊機制，附能力矩陣與設計哲學光譜。
免費內容如何替別的生意獲客
免費內容怎麼連到廣告、工具訂閱、券商合作與聯盟收入：用鉅亨網、CMoney、BigGo Finance、Fugle 等案例拆解轉換路徑、單位經濟與 AI 搜尋帶來的風險。
AI 搜尋正在重寫內容生意
從 Google、Pew 與 Cloudflare 的資料拆解 AI 摘要如何重畫內容、引用、點擊與轉換路徑，以及封鎖、授權、訴訟與自有資產各自能保護內容生意的哪一段。
誰掌握創作者與讀者的關係
比較 Medium、Vocus、Substack、Patreon、Ghost 與 Beehiiv 各自拿走與留給創作者的東西：流量、會員資料、付款關係與搬家成本，並整理台灣創作者的平台選擇。
情報如何成為一門企業生意
拆解 DIGITIMES、The Information、Seeking Alpha、CB Insights、PitchBook 與 Gartner 如何把資訊取得、驗證與研究做成企業願意續約的產品，最後檢查台灣還能不能長出垂直情報公司。
文件解析實戰
把文件變成 LLM 可讀內容的三層階梯——轉換、抽取、解析。從選層邏輯到 MarkItDown、anydoc、MinerU 等各層工具的取捨比較。
內容販售商業模式拆解
內容販售系列群的入口：先問誰付錢、付錢是為了完成什麼工作，再比較 B2B 情報、個人媒體、創作者平台與免費內容四種模式，並導向各子系列。
AI-Native SDLC Playbook
把 AI 放進軟體開發生命週期各階段的實作手冊：需求、設計、開發、測試、維運怎麼分別導入 agent。
Groundlane 實戰系列
記錄 Groundlane 這個自架研究/爬取工具的設計與實戰使用心得，作為搜尋與爬取實戰系列的延伸案例。
Stanford CS103 Mathematical Foundations of Computing 導讀
逐講讀 Stanford CS103：離散數學、邏輯、證明、集合、可計算性，以及它們如何成為後續 CS 課程的共同語言。
資安證照攻略
以官方考綱為主軸的資安證照備考路徑：考什麼、配哪些官方材料、練什麼。
從零訓練一個 LLM
從零開始訓練一個語言模型的實作紀錄：資料、tokenizer、架構、訓練與評估的每一個決定。
跟成熟 coding agent 學設計
以 Looplane 為實作載體，逐題對照 pi、OMP、OpenCode、Codex CLI 與 Claude Code：從 loop、workspace、approval 與 verification，一路追到已落地 baseline 的 memory、compaction、MCP、sandbox、subagents、replay、LSP、cost tracking 與 Agent as a Service，並保留 production validation 與跨 runtime parity 的真實缺口。
OMP 內部設計導讀
逐段讀 oh-my-pi（OMP）原始碼：streaming、rulebook、slash/custom tools、memory 與 task hub 等內部設計。
pi-mono 深度導讀
逐段讀 pi-mono 原始碼：agent loop、工具呼叫、審批與 session 管理的實作方式，作為跟成熟 coding agent 學設計的對照案例之一。
Ask AI 實戰
沿著 quidproquo Ask AI 的真實資料流，從索引、混合檢索、Writer 與來源門檻走到串流、快取、事故鑑識與可重跑評估；每篇只追一條責任與它能證明的邊界。
Cloudflare AI Stack
把 Cloudflare 上的 AI 元件單獨拆出來讀：Workers AI、Vectorize、AI Gateway 等 binding 的能力邊界與實際取捨。
Cloudflare Edge Platform
持續追蹤 Cloudflare 邊緣平台的元件與服務更新，作為「Cloudflare 邊緣技術棧」系列之後的延伸紀錄。
Stanford CS107 Computer Organization & Systems 導讀
逐講讀 Stanford CS107：C、記憶體、組合語言、資料表示與系統除錯，從高階語言一路往機器底層走。
Looplane 架構拆解
沿著一次 coding-agent 任務的實際路徑拆解 Looplane：從 TUI、disposable workspace、prompt 與兩條 runtime lane，走到工具權限、state/event lifecycle、MCP、subagents、SDK/IDE，最後把同一套邊界延伸到 Cloudflare 遠端執行。每篇只追一條 data flow、failure boundary 與測試證據。
搜尋與爬取實戰
把資料從外面弄進來的整條路：搜尋要租雲端 API 還是自己架、爬取工具怎麼選、被反爬擋住怎麼辦，最後怎麼把這些接成一條研究流程。每篇談一個決定，讀完能拼出一套自己的取得管道。
從考試到 ML/AI 的統計學導讀
從台大資管統計備考出發，補齊基礎統計、統計推論與應用建模，並在每一篇說明它如何接到 ML/AI 的訓練、評估、實驗與資料工作流。
Meta-Harness 與 Agent 治理
當 agent 本身也要被治理：meta-harness 的設計、多 agent 協作的規則與邊界。
認識 AI 模型
給還不熟 AI 模型的讀者的入門系列：概念、名詞與怎麼挑一個模型來用。
一個人的媒體公司
一個人經營內容/媒體事業的實務紀錄：定位、產出節奏、變現與 AI 工具怎麼放進流程。
Claude Code 深入介紹
拆開 Claude Code 本體的設計：從 CLI 架構、權限模型到內部機制，補齊「Claude Code 自動化指南」沒談的產品內部細節。
AI 頂會導讀
拆解「AI 頂會」怎麼被認定、投稿與審稿如何運作，以及各領域頂會的定位與爭議。
Agent CLI 選型指南
把終端 agent 這一類工具攤開來比：Claude Code、Codex、Gemini CLI（已轉為 Antigravity CLI）、OpenCode、Pi、Cursor CLI、Kiro，各自的設計取捨、方案與計費，最後收在跨工具的訂閱比較與多模型路由。價格與模型名稱半衰期極短，每篇都標了查證日期並把易腐段落交還官方頁面。
Stanford CS109 Probability for Computer Scientists 導讀
逐講讀 Stanford CS109：機率、隨機變數、推論與模擬，補齊機器學習與資料科學真正會用到的機率底座。
Stanford CS111 Operating Systems Principles 導讀
逐講讀 Stanford CS111：程序、執行緒、同步、虛擬記憶體、檔案系統與作業系統設計取捨。
Stanford CS124 From Languages to Information 導讀
逐週讀 Stanford CS124：從語言模型與文字分類，到資訊抽取、問答與語音，追蹤自然語言處理的完整管線。
Stanford CS146S The Modern Software Developer 導讀
照 Stanford CS146S「The Modern Software Developer」的十週大綱逐週讀：從 agent 內部構造、context 工程、skills 與客製，到 codebase 就緒度、code review、安全、背景 agent、團隊化與 software factory。每篇對照課程指定材料與可查證的一手來源。
Stanford CS149 Parallel Computing 導讀
依 Stanford CS149 Fall 2025 官方投影片、5 個程式作業與 4 份書面作業，逐講導讀平行計算：多核與 SIMD、工作分配與 locality、GPU/CUDA、DNN 與 AI 加速器（Trainium2）、資料中心 AI、AI 驅動最佳化，到 cache coherence、lock-free 與 transactional memory；錄影以 2023 公開版補充。
Stanford CS161 Design and Analysis of Algorithms 導讀
逐講讀 Stanford CS161 Winter 2026：演算法設計、正確性證明與複雜度分析，完整對齊十八講公開教材。
Stanford CS221 Artificial Intelligence: Principles and Techniques 導讀
逐講讀 Stanford CS221：搜尋、馬可夫決策、機器學習、約束滿足與機率模型，建立人工智慧的共同骨架。
私有語料管線
私有資料如何安全且持續地進入索引、通過查詢權限被找到，並在來源更新或刪除後維持一致；重點是資料生命週期，不重複介紹 RAG 檢索技法。
Stanford CS224N Natural Language Processing with Deep Learning 導讀
逐講讀 Stanford CS224N：從詞向量、序列模型與 Transformer，到大型語言模型、評估與責任議題。
Stanford CS224R Deep Reinforcement Learning 導讀
依 Spring 2026 的 17 份投影片、三份作業與 default project，讀 Stanford CS224R 從模仿學習、策略梯度、offline RL，到 RLHF、LLM 推理與機器人 VLA 的深度強化學習路線；Spring 2025 公開錄影當補充。
Stanford CS224U Natural Language Understanding 導讀
逐單元讀 Stanford CS224U：語意表示、自然語言推論、問答與互動式語言系統，明確標示所採歷史學期。
Stanford CS224V Agentic AI 導讀
逐單元讀 Stanford CS224V 的明確學期版本：對話式虛擬助理的理解、對話管理、生成、評估與部署。
Stanford CS224W Machine Learning with Graphs 導讀
逐講讀 Stanford CS224W：圖的表示、網路科學、圖神經網路、知識圖譜與可擴展圖學習。
Stanford CS228 Probabilistic Graphical Models 導讀
逐週讀一個明確版本的 Stanford CS228：機率圖模型、精確與近似推論、參數學習及結構學習。
Stanford CS229 Machine Learning 導讀
跟著 Stanford CS229 Spring 2026 的公開錄影一堂一篇：從線性迴歸、神經網路與 EM，走到擴散模型、LLM 與用強化學習訓練推理模型，共十七堂，每篇把課堂的推導走完並對照主講義章節。
Stanford CS230 Deep Learning 導讀
把 Stanford CS230（2025 秋季）九講逐講讀完：不只記錄課堂講了什麼，也補上課後到現在這領域變了什麼，以及它和站上既有實戰系列的對照。
Stanford CS231N Deep Learning for Computer Vision 導讀
Stanford CS231N 電腦視覺深度學習導讀：依 Spring 2026 投影片與 A1–A3 作業，錄影部分對照 Spring 2025 YouTube 公開版。從影像分類、反向傳播、CNN、Transformer，一路走到偵測分割、自監督、生成模型、視覺語言與 3D。
Stanford CS234 Reinforcement Learning 導讀
依 Winter 2026 的 14 講投影片、三份作業與起始碼，對照 Spring 2024 公開錄影，讀 Stanford CS234 的強化學習路線：MDP 規劃、無模型評估與控制、策略梯度與 PPO、模仿學習與 RLHF／DPO、bandit 探索理論、MCTS 與價值對齊。
Stanford CS329A Self-Improving AI Agents 導讀
依 Autumn 2025 課表讀 Stanford CS329A：9 個公開錄影場次、3 個指定閱讀場次，以及 5 場沒有公開材料、改用講者類似題目公開材料的客座。
Stanford CS329Z Engineering AI Agents 導讀
Stanford CS329Z Fall 2026 自學導讀，一堂一篇：已公開的十一堂投影片附頁碼對照，各堂指定閱讀深讀，從 agent 迴圈、記憶與協調走到評估、安全及主動式助理。
AEO / GEO 與 AI 搜尋
當讀者換成 AI 之後，內容要怎麼寫才被引用：從傳統 SEO 的底子講到 answer engine optimization，內容結構與 structured data 的實際效果，再到追蹤工具能不能真的量到 AI 搜尋的能見度。
品味修煉
把品味拆成可以觀察、辯護與反覆校準的判斷力，系統性記錄在 AI 放大執行力之後，如何訓練選擇什麼值得做、怎樣才算做好的能力。
Product Builder 面試準備
從產品直覺、指標設計、策略思維到 AI 產品設計，拆成十個主題準備 Product Builder 面試。每篇聚焦一個面試環節，整理框架、案例與答題策略。
Hermes Agent 文件導讀
對照 Nous Research 官方文件讀 Hermes Agent：安裝與升級、模型供應商與 Nous Portal、Tool Gateway、七種終端後端、記憶與技能、工具與 plugin、Gateway 與排程、安全模型，以及從 OpenClaw 遷移。每篇只留取捨與失敗點，指令細節交還官方文件。
Cloudflare 邊緣技術棧
把在 Cloudflare 邊緣上蓋一套完整應用需要的元件逐個讀過：Workers 的執行模型，D1、KV、R2 三種儲存各自的適用邊界，Hono 與 OpenNext 這層框架取捨，再到 Workers AI binding 與實際部署時會踩的網域、原生模組問題。
Stanford CS336 Language Modeling from Scratch 導讀
逐講讀 Stanford CS336：從 tokenizer、資料與 scaling，到訓練、平行化、評估與 alignment，拆開語言模型的完整製作流程。
Agent 生產線
把 agent 當成一條生產線來看：概念界線、模型與 harness 的分工、context 與記憶、企業案例、安全、協定層，以及 RAG 的三種形態。
無人機產業拆解
把無人機產業拆成可查證的層：從產業地圖與供應鏈缺口，到續航物理、飛控與遙控鏈路原始碼，再到台灣的法規授權、採購紀錄與反制困境。每一篇都從一手材料算起或讀起。
Learning How to Learn
把學習科學的證據與生成式 AI 的實際用法擺在一起審視：哪些做法有證據支持、哪些只是流傳，以及數位之外紙筆還剩什麼。
瀏覽器自動化與 MCP
讓 agent 開瀏覽器的幾條路線：Playwright、Puppeteer、Chrome DevTools 三個 MCP server 的取捨，視覺驅動的 Midscene，以及各家 CLI agent 內建瀏覽器能力的差別。重點在什麼情況下哪條路線會失敗。
AI Agent 實戰
聚焦 AI Agent 的 context、harness、工作流與組織型協作，整理成一條可複用的工程實戰脈絡。
Claude Code 自動化指南
把 Claude Code 的 hooks、skills、remote agent、Routines 與團隊協作能力整理成可直接上手的實戰系列。
OpenClaw 文件導讀
把 OpenClaw 這套自架 AI 閘道器的 300+ 份官方文件拆成 32 篇讀完：從安裝與平台、模型供應商、agent 執行核心與記憶，到 24+ 聊天頻道、沙箱與威脅模型、工具與自動化、Gateway 營運、Plugin 與各種介面。
NobodyClimb 專案紀實
一個攀岩社群產品從產品定位、為什麼需要 AI、系統架構到 RAG pipeline 的完整紀實。技法層面的坑另外寫在 RAG 技法大全裡，這裡談的是決定怎麼做出來的。
沒有符合的系列，換個關鍵字或分類試試。