文章

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