文章

放下去讓前後端自己開發，我都快哭了，爽到哭了🫨🫨🫨

Where does it run？How does it see？How does Agent control it？

很多時候，作品就是作品，不會是產品。

未來不是選 Agent，是組裝 Agent。

老電視 CRT、glitch 純 ffmpeg 原生 filter 就完成了。

Agent 不需要共享 Context Window。Agent 應該共享 State。溝通時只傳 Signal 和 Pointer。

「資料在哪」和「AI 怎麼找」務必分開。

Prompt 是「這一次你要做什麼」，一次性的任務。Skill 是「以後遇到這種工作，你就照這個流程去做」。

agent = brain + context + tools + permissions

它等待的，不是資源。是 protocol 允許 Agent 做的下一步。

AI 跟人的閱讀能力，本來就不一樣，謝謝。

尋求協助，本質上就是持續提供更好的訊號。

完全不用先懂 Prompt 的原理，也不用去看那些又多、又難看的文件。慢慢玩、慢慢學，就會更懂得怎麼用 AI 了。

Format，不只是描述資料。Format，是在設計下一個 Consumer。

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