AI 記憶系統的三個工程取捨：Claude Code 的設計告訴我們什麼 Claude Code 的記憶架構設計揭示了三個工程取捨：索引層的維護成本、非同步濃縮的同步延遲、以及身份隔離的架構投入。沒有免費的午餐，關鍵是在你的場景下選對取捨。
AI LLM 不該只會聊天：從被動對話到主動執行的工程化轉折 Claude Code Harness 重新定義了 LLM 在開發中的角色：從被動的代碼生成器，轉向主動的任務執行者——透過工程化的約束框架實現自主迭代。
AI Claude Code 的多 Agent 編排，為什麼要從 Teams 開始想 Claude Code 的多 Agent 編排不該從「更聰明」開始想，而是從「如何分工協作」開始——oh-my-claudecode 用 Teams 模式解決的是複雜任務中的上下文和可控性問題。
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 Dispatch 和 Channels 不是同一件事 Dispatch 和 Channels 都是自動化工具，但一個是為了通知人做決策，一個是為了讓流程自動跑到底。搞反了，自動化就會卡在該人工的地方。
