文章
軟體工程、AI、音樂製作 — 想到什麼寫什麼。
最近在玩一批 AI Memory / LLM Memory 工具,主要是 mem0、zep、cognee 等等,也順便看了一些跟 LLM Wiki、RAG、Knowledge Graph、Embedding Search、Coding Agent Memory 有關的實作。
一開始其實也沒有特別想解什麼問題,比較像是想試試看:現在市面上主流的 AI memory library,實際用起來體感到底如何?

AI 從 Stateless 到 Stateful,Memory 系統設計整張地圖長這樣 — 從認知科學引入、到 representation 演進、到 library 落地,整理一條完整的生態系脈絡
LLM 是 stateless 的 — 每次 API call 都是全新的

Developer 跟 Designer 在 AI Native 流程下要怎麼合作?最近跟 Wei 在研究「AI 時代下的設計+工程」
這題目展開來會碰到很多東西 — Design.md 規格怎麼寫、設計工具的 MCP 怎麼接、AI 怎麼從 mockup 提取設計 token、設計稿怎麼變成可執行的元件規範。這些都

剛剛發現一個資訊落差超級大的事情,甚至連發現這件事本身都有資訊落差 (挖洗勒供啥😂)
我原本以為,用 AI 整理 Gmail 應該是一件很直覺的事,就是讓 ChatGPT 連一下 Gmail,然後跟它說:
最近在做音樂製作時,常常需要大量 Suno音樂素材
我原本已經寫了一個 Suno Prompt Generator,可以批次產生 prompt

同事問我,怎麼讓 Codex 自動去叫 Claude Code 幫忙做事?我說,其實沒你想得那麼神祕
Claude Code 有個 non-interactive mode,打 claude -p "你的 prompt",stdout 直接吐結果

為什麼會有 Hook 存在?從 anti-rationalization 切入如何不讓 agent 惡搞,否則 prompt 寫得再好,LLM 都可以耍小聰明
最近讀了胡嘉璽老師的《Vibe Coding CLI 頂級開發:Claude Code 前瞻菁英育成手冊》 — 第十章專門在講 Hooks — 看完之後我一直在想一件事:為什麼這個
為什麼直覺有時候超準?— 直覺是經驗的壓縮
直覺是大腦把過去經驗壓縮成 pattern 後的高速判斷 — 跟 AI 預測下一個字的原理意外地像。

從去年 11 月開始就沒有實際寫過一行 code 了 — 但我花的腦力比以前更多
Claude Code 從去年九月之後強到一個程度,我的日常變成拆任務、看產出、做決策。打字的是 agent,不是我

AI Agent 是怎麼溝通的?設計了一堆 Agent,打算怎麼讓它們溝通 — 全部都 spawn sub-agent?還是一個 session 一個,然後讓它們彼此交換資訊?
Claude Code 的做法其實意外簡單,直接寫檔案、讀檔案、加個鎖 🫠

「先透過 Web Search 幫我驗證一下」— 用 AI Agent 最該學會的第一句
用 AI 別只當它無所不知的神,當成很會查、很會整理的助理 — 先討論、再搜尋、再驗證,從一句 prompt 看懂 Tool Use 這個 design pattern。

AI 幫你把東西都做完了,但你覺得方向有點歪 — 要重跑一次嗎?不,這時需要的是拉「新訊號」進來
當你的 Scaffolding 已經跑完(通常是一個你習慣的、固定的AI 工作流程),Agent 給你結果,你看了覺得「還ok,但有些地方不太對」

AI 工具推陳出新這麼快,AI 開發流程到處流竄,我該怎麼跟得上?
最近跟很多工程師聊,發現大家都卡在同一個焦慮:Claude Code、Cursor、Codex、Harness、LLM Knowledge⋯⋯每個禮拜都有新東西冒出來,到底要跟哪一

如何讓 LLM 在不同session 之間不間斷地執行任務?從 Long-running Agent 框架看Harness Engineering
分享我做的 Flywheel — 一個 Long-running Agent 的 agentic development workflow scaffolding
Session Handoff 看 Long-running Agent — Scaffold 出自己的 AI 開發流程
讓 AI Coding Agent 跑 Long-running 的開發流程,重點其實不是 long-running 本身,是「怎麼設計一個屬於自己的開發流程」

跟 AI Coding Agent 工作卡住的時候,這招滿好用的 — 叫他去「找幫手」
認真的。你可以直接跟你的 Coding Agent 說:「幫我 spawn 一個 sub-agent 來驗證這個問題」

不要追求 AI 多快生出 code,要追求第一次就對
關於 Harness Engineering 的 First-pass Acceptance Rate — 怎麼讓 AI 第一次就給你期望的結果

原來我一直以來都搞錯 Long-running Agent / Loop Agent 的概念
讀完 Anthropic 發的《2026 Agentic Coding Trends Report》才發現

個人雷達最 Naive 的組合應該是 LLM API Key + Web Search API,但是最花錢;改成 Claude Code 或 Gemini CLI 去取代 Web Search API,讓 LLM 訂閱費用吸收我們 Web Search API 的費用
這樣費用就剩下 Autonomous Agent Token費用 + Coding Agent 月費 (前提是費用 token 也要夠用)

Vibe Coding 發明人兩週前丟一個超猛的東西 — AutoResearch — 這兩週試玩的小心得
Andrej Karpathy 做了一個小型 LLM 自動 Training 的流程

還記得剛出社會的時候,影響我最深的兩本書都是 Design Patterns 相關的
學完語法之後,下一步就是看架構。學校很少修到架構課,幾乎都靠自己看書學,而且關係架構可以非常非常複雜

這個是我最近看了覺得最重要的範式轉移,每個人身上都要帶著一組自己設計的 Agent (他有靈魂、有規範、有能力範圍能做的事)
之前有聊到,要帶著自己的 LLM Memory 走之外,現在是自己的 agent 們必須隨時帶著走 (可以放在 GitHub 上)
我們切切實實在經歷一場新的工業革命,只是大部分人還沒意識到
以前學寫程式,要一行一行刻 C++,學每一個 syntax,搞懂 pointer 是什麼鬼。HTML 1.0、2.0、3.0 慢慢演進,每一版多幾個 tag 就要重新學一次。Jav

最近看到一篇很有意思的討論 — 有人說 AI 殺死了 Agile Manifesto
Capgemini 的 Steve Jones 說,AI agent 幾小時就能做完一個 app,傳統兩週一個 sprint 根本太慢。他提出用 Intent Design 取代


































