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。
AI Issue tracking 的複雜度不是來自工具，是來自角色分工 Issue tracking 的複雜度問題不在工具，在於當初為彌補角色溝通鴻溝而設計的流程，如今反而成了負擔；AI Agent 時代改變了需求——從交接機制轉向共享上下文，但簡化帶來的可見性喪失需要謹慎權衡。
AI Google Workspace CLI 的真正價值不在自動化，在於動態適應 Google Workspace CLI 從 Discovery Service 動態生成命令，配合 AI 技能降低操作門檻。真正的價值在於架構的自我演進能力，而不是自動化功能本身。
