AI Claude Code 開發者建議：先問 codebase，再改碼 Claude Code 開發者 Boris 的實用階梯：先 codebase Q&A 再改碼；先計畫與自檢迴圈；用短 CLAUDE.md／MCP／企業設定共享脈絡；進階把 claude -p 當 Unix 工具、worktree 平行。
AI Agent Harness 入門：馬具、迴圈、三層記憶——以及為何還要 Eval Agent Harness 是駕馭無狀態 LLM 的控制層：組裝工作記憶、跑 tool loop、設停止條件。以 Hermes 本機三層記憶（技能／事實／情節）為案例，並補上多數框架仍缺的 tracing 與 eval。
AI Claude Code 為什麼有效：模型無狀態，狀態在執行環境 Claude Code 有效，是因為模型無狀態，狀態由 harness 組裝：工具 schema、系統提示、CLAUDE.md、skills 與權限。客製的是執行環境；開發重心轉向意圖表達與驗證審查，而非背誦神奇 prompt。
AI AI 加速的是軟體熵：用深度模組與戰略工程師救程式碼庫 AI 不只加速交付，也加速軟體熵。用深度模組、接縫、局部性與槓桿當共同詞彙，讓 agent 當戰術工兵、人當戰略工程師；先深化與測試防護網，再在遺留庫上放大 AI。
AI 從 CLAUDE.md 到「做夢」：上下文工程如何把模型智力變成可用系統 模型變聰明不夠：要把智力變成可用系統，靠上下文工程。從 CLAUDE.md、Skills 漸進揭露、檔案系統式自主記憶，到生產級版本／並行／權限，再到頻外 Dreaming 鞏固跨 session 學習。
AI 高脈絡通才小隊：AI 時代工程開發的組織單元（不必消滅平台） 高脈絡通才小隊首先是工程開發執行單元：1～10 人共享系統心智模型，端到端實作與發布。平台／資安／設計系統不必消滅，應當積木與紅線護欄；法務等終審在循環外。AI 放大建造，不取代工程驗收。
AI 寫 code 快 100 倍之後：真正卡住的是整條鏈 Coding agent 讓寫軟體快 10 到 100 倍後，瓶頸從工程移到 PM、行銷、法務與設計。Andrew Ng 的組織答案是高脈絡通才小隊與樂高式建構模塊；企業則要由上而下重畫工作流、先整理資料再堆 agent。
AI 腦在雲、手可在你這：Claude Managed Agents 到底解決什麼 Claude Managed Agents 的重點不是多一個會聊天的 Claude，而是代理迴圈跑在託管側：腦在雲、手可在你這。本文拆 Messages API／Agent SDK／Managed 的自幹邊界、腦手解耦的好處與代價，以及何時該買 runtime、何時該留本機。
AI MCP 在 API 之上：模型如何發現工具，而不是背下每一個端點 MCP 不取代 API，而是疊在 API 之上，讓模型以標準方式發現工具與參數。從程式對程式的契約，走向模型對環境的語意層——代理保持輕量，能力可組合，權限仍須治理。
AI 長時程 Agent：休眠、檢查點與獨立評估 長時程 Agent 的工作單位是跨天工作流，不是單次提示詞。事件驅動休眠、逐步檢查點、獨立評估三角色，是讓報到、核貸、簽核類流程真正可恢復、可信賴的三塊骨頭。
AI Agent 記憶不是一個向量庫：Session、State、Profile 與 Memory Bank Agent 記憶不是接一個向量庫就結束。把記憶拆成 Session、State、Profile、Memory Bank 四層，才能分清對話暫存、結構化中間結果、跨對話使用者事實，以及可語意檢索的長期經驗——也可治理、可忘記。
AI 從聊天框到本機執行：非工程師的 AI 飛輪 別再只把 AI 當聊天框。用「採訪你 → 建議打造什麼 → 本機經允許執行 → 更新心智模型」的 AI 飛輪，把痛點做成最小可用工具；搭配有用性護欄與權限習慣，非工程師也能安全跨過技術阻力。
AI 當實作不再是瓶頸：把「選擇與驗證」工程化 當 coding agent 讓實作成本驟降，組織的稀缺資源從「產出」變成「選擇與驗證」。從 Claude Design 的 Labs 方法論提煉可遷移判斷：原型與 PRD 的不確定性等級、feedback loop 工程化、以及為「差一點就能跑」下注的模型能力債。
AI 「你會不會寫代碼」已失重：當構建不再等於編程 「你會不會寫代碼」曾等同於有沒有資格把想法變成現實。現在構建≠編程：可執行 AI 把門檻從學機器語言，降到把事情說清楚。四步顧問循環、不可逆決策仍在人、個人規模第一次算得過來——普通人真正能構建的，是被經濟帳鎖住的那片可能性。
AI 掌控思想，而非代碼：Redis 作者 antirez 為何認為工程師不該再死盯程式碼 Redis 作者 antirez 重提「掌控思想，而非代碼」：當 AI 一次生成數千行，工程師若仍把價值綁在逐行寫與逐行審，影響力會被自己限縮。核心不是一句 prompt 出成品，而是用正確的 mental model、設計文件與測試驗證，去指揮 AI agent。
AI RAG 的三體問題 — 為什麼 Agent 時代正在拋棄它 RAG 不是被更好的 RAG 取代，而是被長 context、Agent 漸進式搜尋、和 embedding 理論天花板三股力量同時夾擊。從預設選項變成其中一個選項，Context Engineering 才是正確的抽象層級。
AI Loop Engineering：讓 AI Agent 自己跑起來的工程學 Addy Osmani、Boris Cherny、Peter Steinberger 提出的 Loop Engineering 框架——從 Prompt Engineering 到讓 AI Agent 自己反覆執行的第四層工程學。五種失敗模式診斷清單、Generator/Evaluator 分離原則、四個無聲成本。
AI 我的 AI Agent 把自己的幻覺當事實引用 — 以及我如何用 8 行設定檔防止它 我的 AI Agent 把自己的幻覺當事實引用。AI Agent 記憶的 Ouroboros Effect — 以及如何用 ACA 的 source tier、provenance chain 和 audit trail 阻止它。
AI My AI Agent Cited Its Own Hallucination as Fact — And How I Stopped It With 8 Lines of Config My AI agent cited its own hallucination as fact. The Ouroboros Effect in AI agent memory — and how ACA stops it with source tiers, provenance chains, and audit trails.
AI Claude 學會自己組團隊了，但誰來懷疑這個團隊？ Claude Code 推出 Dynamic Workflows，Claude 會自己當 PM 組團隊、平行執行、互相驗證。執行力很猛，但有一個結構性盲點：所有 Agent 都是 Claude，沒有外部觀點。平行化不等於對抗式思考。
Agent LangGraph 在客服流程上輸 18 倍——但這篇論文的射程比標題小很多 一篇標題寫著「Obsoletes」的 arxiv 論文。讀完發現：它打的不是 orchestrator 本身，是「single-model 跑 procedural workflow 還反射性包 LangGraph」這個動作。1,200 對話、effect size d=0.37-1.01，證據很硬——但射程比標題小很多。
mk-brain 當 RLHF 不再只是標註流程，而是一套可迭代的系統工程 當大家還在比較模型能力時，真正開始拉開差距的，往往已經不是參數量，而是回饋系統能否持續運作。線上 RLHF 的意義，不只是讓模型更會回答，而是讓對齊從一次性標註，升級成可迭代、可複現、可擴展的工程流程。
mk-brain RAG 不夠了：下一代知識系統真正該升級的是理解層 今天很多團隊把 RAG 當成幻覺解法，但多數情況下，問題不是資料沒送進去，而是模型沒有真的理解。下一代知識系統的升級重點，不會只是把更多文件塞進 context，而是把檢索、理解與推理拆開來設計。
mk-brain 不是每次都該 RAG：真正成熟的 AI 系統，先判斷自己知不知道 很多系統把檢索當成預設開關，彷彿只要多查資料就能更準。但真正成熟的 AI 系統，關鍵不是永遠開啟檢索，而是先判斷自己知不知道、需不需要查、值不值得查。這背後其實是一個 retrieval policy 的設計問題。
AI 我以為我在覺醒，其實是我的 rendering glitch 一次 AI agent 工程師的過勞解離記錄。三連休分不清夢境和現實，丟了一張 Neo 吃藍藥丸的圖給 GPT，結果 GPT 踩了煞車。
