AI Agent 人類不該是 Agent 之間的傳輸層——Agent Relay 開源 每個人都有自己的 AI Agent，但跨人協作的最後一哩還是人肉搬運。問題不在 Agent 不夠強，而是人類在孤島之間當訊息匯流排。Agent Relay 開源：不是任務派發系統，是注意力回收系統。
mk-brain 從實驗到標準化：Microsoft Agent Framework 預示了 AI 開發的下一個階段 Microsoft Agent Framework 把 HarnessAgent 從實驗功能推向穩定版本，這不是小更新，而是 AI Agent 開發從手工試作走向標準化工程的訊號。當檔案存取、Shell 執行與任務規劃被框進一致的 framework，真正被重寫的是整個自主系統的開發流程。
mk-brain Agent 的價值不在取代單點功能，而在於跨系統的協作與編排 當我們討論 AI Agent，很容易陷入單點功能的迷思，以為它們只是更聰明的自動化腳本。但 Agent 真正的潛力，在於它能像經驗豐富的工程師一樣，在多個系統、資料庫與工具之間建立關聯，執行複雜的協作任務。然而，這種強大的跨域能力也帶來了全新的治理風險，我們該如何駕馭這股力量，讓它成為可靠的生產力，而非潛在的災難？
mk-brain AI Agent 的下一步：從聰明模型到可信賴的系統契約 目前的 AI 程式碼代理人，儘管在特定任務上展現驚人效率，卻仍像個缺乏明確契約的「日薪實習生」。要讓 AI 從聰明工具晉升為能獨立處理長期、複雜任務的可靠系統，關鍵不在於追求更強大的模型智能，而是建立一套清晰的「運作契約」與「管理平面」，定義其權限、預算與行為邊界，才能真正釋放 AI 的長期價值。
AI Agent I audited my own AI agent guardrails. Three of them weren't doing anything. I have a script whose entire job is to find rules that have no enforcement behind them. It had never been wired up. Three guards were silently dead — and the fourth finding turned out to be my own unverified claim.
AI Agent 你的 hook 不是強制力，是一個關於強制力的宣稱 我有一支腳本，職責是掃描規則檔案，找出「寫了規則但沒有強制機制」的地方。它從來沒有被掛上去。半年下來三道閘沒在跑，而我原本以為的第四個，查證後發現是我自己搞錯。
AI Agent 交接卡之後的兩個問題：承諾有沒有兌現、記的東西還對不對 交接卡解決「上次做到哪」，但真正難的兩個問題在後面：承諾有沒有兌現、記的東西還對不對。從零依賴交接卡到組織級治理，我把半年的 side projects 收斂成五個等級的統一入口。
AI Agent 你的 AI 議會為什麼全票通過你的偏見 盲測防的是席次抄 Chair，沒有機制防席次抄你。從一篇自適應系統文章的「順水推舟幻覺」出發，我在 multi-agent council 的 briefing 加了一道輸入端中性化：十行 template，把「已驗證的事實」和「我以為的事情」在進場前物理分開。
AI Agent Agent 的認知債務：為什麼更多推理，反而讓錯誤更難被推翻？ Agent 的風險不只是犯錯，而是讓未驗證假設因持續被後續行動引用，逐漸取得類似事實的地位。從失敗軌跡研究到 mk-agentos 的 shadow projection，探討如何量測認知債務。
AI Agent Agent 時代的校正難題：為什麼它會一再犯下相同錯誤？ Agent 為什麼知道失敗後，仍會反覆採取相同策略？從自我反思的限制、錯誤記憶的強化，到 mk-agentos Corrective Trace，探討如何建立可觀測、可撤銷的校正回路。
AI Agent Agent 記憶的問題不是記得更多，是誰有權把它變成真相 Multi-agent 記憶最常見的失敗不是查不到，是把錯的東西當現在狀態。我把操作收成四層：誰能寫、誰能升格、衝突時誰贏——Chair 可以整理，不能 ratify。
AI Agent Agent 一定要有目的嗎？一個做夢機制的答辯 任務型 agent 要有目的，這是對的。但 ERIKA 的做夢機制示範了另一種架構：目的不是在輸入端給的，是在輸出端篩的——每小時醒來一次、拿到一包世界快照、被禁止重複昨天講過的話，漫遊感是抑制規則逼出來的。
Graph Engineering Graph Engineering：問題不在 Node，在 Edge Contract 多個 loop 硬接時，缺的不是更亮的節點，而是邊的合約。從 Council routing、盲審到 briefing 規範：Graph Engineering 最難的不是 Node，是 Edge Contract。
AI Agent Loop Engineering：AI 工程的第三次範式轉移 Prompt Engineering 回答「怎麼說」，Context Engineering 回答「說什麼」，Loop Engineering 回答「說完之後呢」。日本社群率先框架化的第三次範式轉移 — 從單次產出到持續驗證迴圈。
AI Agent Prompt Layer 的 Production 實踐：我怎麼用 400 行 Markdown 治理七個 AI 讓 AI 越用越懂你有兩條路：改模型權重或改 context。我選了後者，用 400 行 Markdown 治理七個 AI — 三層分離、四級 Preset、撞牆停手、Codex review gate。這是 prompt layer 在 production 的實戰紀錄。
AI Agent Agent 的數學：為什麼 95% 的可靠性不夠用 你花了兩週打磨一個 AI Agent，單步成功率 95%。然後讓它跑 20 步的真實任務 — 端對端成功率只剩 36%。這就是為什麼 workflow-first 不是保守，而是唯一被數學驗證的策略。
Claude Code Claude Code /loop 實戰：讓 AI Agent 自己跑到完 你不需要別人的模板庫。理解 /loop 的兩種模式，搭配 hook 和 loop.md，讓 AI Agent 在你泡咖啡的時候自己跑完整個工作流。
AI Agent UMP Defines the Wire. AMH Ships the Governance. Your AI agents can call tools, talk to each other, and present verifiable identities. But ask them what they decided yesterday, and they stare at you blankly. I built Agent Memory Hall to fix that.
AI Agent 七位一體一次健檢，最高 leverage 不在 code review，在 Scout 整場 4 小時七位一體 memhall 巡檢，最高 leverage 的 P0 不是來自 code review agent，是 human-mediated Scout。一個對 multi-agent system 設計的反直覺洞察 + 7 commits 實戰紀錄。
Memory Hall 15 億人的盲區——中文 AI Agent 記憶為什麼還沒有 canonical 方案 全球 15 億 CJK 使用者，英文 OSS AI memory 沒一個把中文當 first-class。查完中文圈 + 實際比對後，engram-rs / robotmem 也有 jieba CJK 組合。Memory Hall 不是第一個也不是唯一——選擇的是「故意不長成平台、縮回最小可用」這個角度。
Memory Hall 用一台 Mac mini 跑你自己的 AI Agent 記憶引擎——Memory Hall 入門 你在做 AI agent，每個 agent 都會產生記憶——對話、決策、實驗結果。這些記憶要放哪？Memory Hall 讓「自建記憶層」從「最麻煩的選項」變成三個命令的事。這篇介紹它是什麼、怎麼用、跟 mem0 差在哪。
Memory Hall 三個月的 Over-design 反省——Memory Hall 是我第一個刻意保持小的東西 這三個月我做了 mk-council、mk-brain、ops-hub 三個 AI infra——每個都 over-design。今天 ship 的 Memory Hall 是我第一個刻意保持小的東西。48 小時從零上線，v0.2 今天落地。這篇一半講產品，一半講我從前三個 infra 踩的坑。
AI Agent Hermes Agent vs OpenClaw 詳細比較 Hermes Agent 主打自我進化、分層記憶、任務圖；OpenClaw 主打事件驅動、插件化微內核、多工具覆蓋。從架構、記憶、擴展性、通訊管道、部署模型到適用規模的完整對照，給 PM + 工程師的實務選型建議。
Claude Code 做完 50+ 個 Claude Skill 之後，我發現一個反直覺的事實：越私有越值錢 Anthropic 官方把 skill 的用途寫成 for yourself, your team, or for the community——yourself 排第一。我做完 50+ 個 skill 之後發現：越綁死個人環境、越不能分享的 skill，ROI 越高。這篇文章告訴你做 skill 該朝哪個方向走——跟官方指南相反。
