Sign in Subscribe
江中喬

江中喬

API Workbench：一個 Postman 替代品

API Workbench：一個 Postman 替代品

Postman 漲價了。Collection、環境變數、request chaining ⋯⋯ 這些本來就該免費的功能，現在要月付 $15 美金。 我決定自己做一個。 為什麼不用 Postman？ 用了好幾年 Postman，最讓我困擾的不是功能不夠，而是資料被綁架： * Request collection 存在 Postman 的雲端，不在我的 Git repo 裡 * 換台電腦、換個帳號，collection 就要重新同步 * 團隊協作要付費，個人使用也開始限制功能 * 最離譜的是：API 測試這件事，跟 code review、CI/CD 完全脫節 我理想中的 API 測試工具應該是這樣的： Request 跟程式碼放在一起，commit、review、CI 一起跑
江中喬
我做了一個給非工程人的程式學習平台

我做了一個給非工程人的程式學習平台

我做了一個程式學習平台，但目標用戶不是工程師。 為什麼要做這個？ 在帶 AI PoC 的過程中，我反覆遇到同一個問題：非技術同事想自己動手，但沒有適合他們的學習資源。 行銷想看數據，要等工程師排期。PM 想改文案，要開 ticket 等部署。業務想驗證 API 回傳格式，只能截圖問人。 不是他們不聰明，是沒人用他們聽得懂的方式教過。 市面上的程式教學平台，要嘛太淺（「什麼是變數」教完就沒了），要嘛假設你要轉職工程師。對於只想在工作中「多會一點」的行銷、PM、營運來說，兩邊都不對。 所以我做了 Learn with Cypher — 一個專門給非工程人的程式學習平台。 設計原則 1. 所有範例都用電商情境 不教 foo/bar，教「怎麼用 SQL 查上週退貨率最高的商品」「用
江中喬
我把 memcite 裝進自己的專案，記錄下真實的數字

我把 memcite 裝進自己的專案，記錄下真實的數字

我把 memcite 裝進自己的專案，記錄下真實的數字 上一篇我介紹了 memcite 的設計理念：AI agent 的記憶需要出處，出處需要被驗證。 理念很好。但真的有用嗎？ 這篇是導入心得。我把 memcite 裝進一個 6,000 行的 Python 專案（mk-brain，我的個人知識管線），從安裝到測試，完整記錄每一個數字。 導入：零侵入，52KB pip install memcite cd ~/GitHub/mk-brain am add "6 層 pipeline：Parse → Review → Enrich → Embed → Report → Search" \ --file README.
江中喬
從「能記住」到「能審計」：為什麼 AI 記憶層需要 Source Code 級歸因

從「能記住」到「能審計」：為什麼 AI 記憶層需要 Source Code 級歸因

GitHub Copilot 在 2025 年底推出了 Memory 功能。它會記住你的 repo 慣例、coding style、常用 pattern，下次寫 code 時自動套用。 這是一個正確的方向。但它是閉源的。 所以我做了一個開源版：memcite。 但這篇文章不是要推銷工具。我想聊的是一個更根本的問題：為什麼現有的 AI 記憶層都在解決錯的問題？ 所有人都在解決「記住」，沒人在解決「記對」 打開任何一個 AI memory layer 的 README，你會看到類似的 pitch： * mem0：「讓 AI 記住使用者偏好，跨 session 持續學習」 * Zep：「時序知識圖譜，知道事情發生的先後順序」 * LangMem：「過程記憶，
江中喬
當 AI 不只是寫 code，而是成為你的基礎設施副駕駛

當 AI 不只是寫 code，而是成為你的基礎設施副駕駛

最近我收到一份自動分析報告，統計了我過去兩週使用 Claude Code 的紀錄：115 個 session、1,497 則訊息、3,709 次 Bash 指令。 看完之後，我有一個很強烈的感覺——我其實不是在用 AI 寫程式，而是在和 AI 一起操作系統。 不是 AI Coding，是 AI Operations 很多人談 AI coding，腦中浮現的畫面是這樣： 工程師 → AI → 產生 code 但我最近真正的工作方式，比較像： 人類 → AI → 基礎設施 → 服務 我讓 AI 做的事，有很多以前需要工程師手動完成：SSH 到不同機器部署
江中喬