軟體工程、AI、音樂製作 — 想到什麼寫什麼。
以前的 Remote Work，只是把你從公司的電腦桌搬到家裡的電腦桌。但 Remote Engineering 是讓你逐漸離開電腦桌。
驗收，不一定要用最強的模型。
harness 是折舊資產，壽命大概就一個模型世代。
我已經太習慣睡覺期間一定要擺一個東西下去跑了。如果沒有在跑，就會覺得整個晚上浪費掉。
我們沒辦法證明 agent 永遠不會亂講，但可以把每一次發現的亂講，都變成一條不准再犯的 regression test。
prompt 在此作為原始碼，agent 變成直譯器，markdown 就是程式語言。
210 個 agent 開始跑，不到半小時就發現 hit limit。
主流 Loop Engineering 把人從 loop 裡拿掉；我做的是把自己搬到兩條 loop 的交點上。
agent loop + mobile loop — 真的是…躺在床上滑手機等 build 好。
把開發、發佈、驗證串起來，少一點環境摩擦，更快看到結果。
當「邊界隔離」只寫在 prompt 裡，它就只是一句約定，而不是一道牆。
你不是在跟 AI 聊天。你是在跟一個有權限的執行環境聊天。
一次性的 prompt 是 leverage，被歸納下來的 builder 是複利。
你有品味、你知道你要往哪去，但不是每個人都有把它寫成 AI friendly 語言的耐心。
招數再多，拆到底都是同一件事 — 餵 Primacy、餵 Recency、把中間變短。
model 是大腦，harness 是讓這顆大腦從「會講話」變成「能做事」的那一整個有的沒的。
迭代速度 ≈ 1 / 驗證摩擦。
如果只能改一件事，我選字體，因為它大概佔設計感六成。
每踩一個坑，補一條鐵則，自動寫到記憶裡面去。
我們的工作是做判斷，不是做閱讀。
這一次工業革命，AI 壓縮的是智力。
嚴謹度不會因為 AI 進來就消失，它只是換了位置。
不是要讓它自動下單，而是先讓它可以讀取資料、整理資訊、輔助分析。
聽起來很 AI，骨子裡就是 memoization + 記憶體階層 — 把「算過的別再算」套到 attention 的 KV 上。
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？
LLM 是 stateless 的 — 每次 API call 都是全新的
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
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：
欸，我們平常聊天不就也都在聊 AI、工程師、軟體開發、產業變化這些東西嗎？
我原本已經寫了一個 Suno Prompt Generator，可以批次產生 prompt
Claude Code 有個 non-interactive mode，打 claude -p "你的 prompt"，stdout 直接吐結果
從這兩個簡單的點切入：
從 metacognition 到 self-improving agent，整理一條完整的演進脈絡
我以前覺得不算 — 你只是比較早知道而已，又不是你比較強
雖然跟原文要講的東西有點落差，
《關鍵字》
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
我們常常叫 AI 去網路上幫我們收集資料，研究了一下，以 Chrome 為例，市面上的方案可以歸納成四種路線：
他有一句非常值得記住的話：
一份工作做久了 — 是可以換工作的
這支 Reels 紀錄的是一個亂玩的 project — 有前後端的 prototype，整包 spec 跟 acceptance criteria 寫好之後，丟給 agent 自
這些是我幾乎每天用的救援 prompt，提供一些外部訊號來救我的 Agent
一個很強的 LLM，配上一堆工具、一堆很精密的操作規範，然後就變一個 Agent 了。
「你就唸就對了。」
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。
不是模型問題 — 是它們的「身體」跟「性格」根本不一樣
AI 是文字接龍
「是不是都沒用硬體 ？」
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
這是我的第一篇文章。在這裡我會分享軟體工程、AI、音樂製作的想法和實作心得。這篇文章同時也是功能測試頁。
Claude Code 的做法其實意外簡單，直接寫檔案、讀檔案、加個鎖 🫠
用 chatGPT 生成，一個是華麗到不行、一個是殘到不行
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。
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」
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
分享我做的 Flywheel — 一個 Long-running Agent 的 agentic development workflow scaffolding
我媽常常跟我抱怨蝦皮的手機介面
答案讓我滿意外的 — LLM 根本沒有記憶
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」
最近在閱讀UX 相關的知識（Syntax 解放之後終於…），設計心理學裡面有五個概念，想從工程師的角度來使用看看，整理一份簡單的筆記
這一兩天大家都在分析 Claude Code 的 512K 行原始碼
去年看到這張圖，恍然大悟
讓自己進入一個什麼都不想的狀態
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」
關於 Harness Engineering 的 First-pass Acceptance Rate — 怎麼讓 AI 第一次就給你期望的結果
Shane Parrish 在 Farnam Street 寫了一篇 「Why Write」
讀完 Anthropic 發的《2026 Agentic Coding Trends Report》才發現
追的很累耶🙄🙄🙄
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）
Andrej Karpathy 做了一個小型 LLM 自動 Training 的流程
Safari Audio 出了一個叫 Meaw:Assist 的 plugin
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
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）
為什麼要這樣？
問的是「AI native 時代 SaaS 還有空間嗎」
AI 把驗證想法的速度壓到極限，這是有想法的人的時代 — 但最後決定勝負的，還是品味。
純粹記錄一個這年代不用再學底層語言的感覺。
不只工程師，連非工程銷售、策略都要評分
第一類是科技人 — 進大廠卡位、升主管、四十歲退休，人生走在快速通關線
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
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
至於什麼是 X Engineer 呢？要先看看他最近在做什麼
它不是單純效率提高，是「智力生產」被極端壓縮了，極端，指數成長、冪次🫢🫢
Steve Yegge 用吸血鬼比喻 AI：每個 AI-native 工作者肩上都坐著一隻看不見的吸血小鬼。它幫你把雜事吸乾，但留下來的全是高認知負荷的決策。
每隔一陣子都有新的 AI 音樂工具上線，每個都有自己特色
會，也不會。
🫣不會寫程式也能做自己的 Audio Plugin
