LLM 工程 · Agentic System · Harness Engineering
Articles
116 篇
Skill security-audit-skill 是什麼？拆解 Cloudflare 讓 agent 稽核結果可信的設計 security-audit-skill 是 Cloudflare 開源的 agent 安全稽核 skill。這篇從我在 backend 和 frontend 實際跑的結果，拆解它讓稽核結果可信的五個設計：結果的門檻、分開驗收、待驗證結論、可檢查的證據、可接續的 run，以及怎麼安裝使用、為什麼取代不了滲透測試。
Harness Engineering pstack 是什麼？拆解 Lauren Tan 的 agent 工作流程與驗證設計
Agentic System System One 模型是什麼？從 Jev 看 AI Engineer 怎麼重新分配 LLM 的工作
2026 95 篇
- 10-11 BaaS for agent 怎麼設計？從 InsForge 和 Supabase 拆出三層骨架 Agentic System 16 分
- 10-10 PR 堆成山怎麼辦？Matt Pocock 談 agent 時代的 Code Review Harness Engineering 22 分
- 10-10 Supabase 怎麼讓 agent 看得懂、又可控制：一個為人設計的 Postgres 平台 Source Code 21 分
- 10-09 InsForge 03：agent 能直接打 API，為什麼還要多隔一層 Source Code 17 分
- 10-07 InsForge 02：當操作者是 agent，權限、錯誤與文件要怎麼重新設計 Source Code 14 分
- 10-06 InsForge 01：一個為 coding agent 設計的後端長什麼樣 Source Code 13 分
- 09-05 把 AI-Native SDLC 真的跑起來：實戰反饋 Agentic System 16 分
- 09-02 讓 Agent 把 Codebase 畫成圖：用 archify 畫出 DeepSeek Harness 的三張系統圖 Tutorial 18 分
- 08-23 當 Agent Harness 沒有核心：DeepSeek 的 Everything is a Plugin Harness Engineering 17 分
- 08-23 模型可見 ⟺ 已記錄：DeepSeek Harness 的 Runtime Invariant Harness Engineering 17 分
- 08-23 一半的 code 是 AI 寫的之後，品質靠什麼守：DeepSeek Harness 的工程門檻 Harness Engineering 16 分
- 07-11 錯誤即體驗:Agent 系統最反直覺的錯誤哲學與三條信任邊界 Agentic System 12 分
- 07-11 互動模式在 API 設計那天就被鎖死:User-First Agent 的 Run 模型設計 Agentic System 12 分
- 07-11 Agent 系統是 I/O bound 特化系統:User-First Agent 為什麼選 TypeScript Agentic System 13 分
- 06-28 你的 Agent 為什麼越跑越貴：Headroom 的 Context Compression 設計 Source Code 12 分
- 06-27 AI 為什麼總是寫太多？Ponytail 用 YAGNI 七層梯強制過濾 Source Code 9 分
- 05-29 不訓練神經網路也能打出理論最高分：Heuristic Learning 的設計邏輯 Source Code 16 分
- 05-29 Skill Library 的技術債：SkillOps 原始碼解析 Source Code 30 分
- 05-29 把 Skill 文件當成可訓練參數：SkillOpt 的文字空間優化 Source Code 16 分
- 05-28 AgenticSystem 架構全景：四個類別、五個系統的設計選擇與取捨 System Design 28 分
- 05-28 用 RPG 架構評估 SRE Agent：Kube Arena 設計紀錄 Implement 14 分
- 05-28 NanoClaw 原始碼：Multi-Tenant Agent Hosting Platform 的設計邏輯 Source Code 26 分
- 05-26 AI 時代的 PM / HR / Sales：你才是讓 AI 落地的那個人 Viewpoint 4 分
- 05-26 AI 時代的非工程師：從今天開始，不需要準備好 Viewpoint 2 分
- 05-26 AI 時代的 Backend Engineer：從會用到能建的完整路線 Viewpoint 10 分
- 05-25 第一個 Claude Skill：用 skill-creator 打包可重用工作流程 Tutorial 11 分
- 05-23 MCP、CLI、還是直呼 API？先看工具長什麼樣 System Design 16 分
- 05-22 Agent 要怎麼進化？六個系統的 Self-Improvement 機制比較 System Design 20 分
- 05-22 SOUL 設計決定了 Agent 是什麼：六個 Agentic System 的 system prompt 比較 System Design 20 分
- 05-22 不預裝能力，只定義生長方式：GenericAgent 原始碼解析 Source Code 21 分
- 05-21 Claude Code 五個組件的觸發邏輯，以及為什麼 Hooks 是最被低估的那一個 Tutorial 29 分
- 05-20 你在比的是模型，但決定 Claude Code 效果的是 Harness Viewpoint 7 分
- 05-20 LoRA 這件事你只需要搞清楚一次 LLMOps 9 分
- 05-19 你在省 Token，還是在省思考？四種廢話假設比較 Source Code 14 分
- 05-18 AI Agent 工具越多越選錯？從 N-class 分類看 Tool System 設計 Harness Engineering 14 分
- 05-16 K8s SRE Task Continuity Agent（一）：系統架構設計 System Design 11 分
- 05-16 K8s SRE Task Continuity Agent（二）：開發 Roadmap 與分工設計 System Design 10 分
- 05-16 K8s SRE Task Continuity Agent（三）：Testing 與 Observability 設計 System Design 10 分
- 05-15 Task Continuity，不是 Personal Memory：Claude Code 的 Session 設計 Source Code 14 分
- 05-14 Memory 01：誰決定什麼值得記——Agent 記憶的四種寫入模式 Source Code 11 分
- 05-14 Memory 02：記憶怎麼被找到——四種搜尋模式與 Write-Search 耦合 Source Code 13 分
- 05-14 Memory 03：Agent 記憶住在哪裡——Storage 選擇是部署假設 Source Code 7 分
- 05-14 Memory 04：怎麼判斷哪個記憶系統強——Benchmark 數字的陷阱 Source Code 6 分
- 05-14 Memory 05：記憶活多久——8 個系統的生命週期設計 Source Code 11 分
- 05-14 Memory 06：K8s SRE Agent 的記憶設計——真實場景的技術選型 Source Code 9 分
- 05-14 Agent Memory 策略選型：三個決策，一個框架 Viewpoint 9 分
- 05-14 為什麼你的 Claude Code 用起來跟別人不一樣？ Tutorial 17 分
- 05-12 DeerFlow：從原始碼看 LangGraph 為 Agent 系統帶來了什麼，又留下了什麼 Source Code 20 分
- 05-12 你去睡覺，它在做研究：讀 Karpathy 的 AutoResearch Source Code 11 分
- 05-12 你怎麼知道 AI 答對了？建立 LLM 評估的思考框架 LLMOps 7 分
- 05-12 選對指標，不要選多：LLM 評估的決策框架 LLMOps 10 分
- 05-12 資料也可以 Autoresearch：Meta AutoData 的三層 Agent 迴圈 Source Code 10 分
- 05-12 你在用它，它也在學你：HuggingFace ml-intern 的 SFT Flywheel Source Code 13 分
- 05-12 1,039 個策略，一個晚上：當計算量打敗 Domain Knowledge Source Code 10 分
- 05-12 你能把問題量化成什麼，AI 就能優化什麼 Viewpoint 9 分
- 05-10 Python AI 工程師為什麼要學 TypeScript？ Viewpoint 7 分
- 05-09 Self Escalate Agent：刻意設計成不完整的 AI Harness Engineering 8 分
- 05-08 Agent 怎麼學會新技能：Skill 系統設計與自我強化迴路 Harness Engineering 10 分
- 05-08 Harness Engineering 系列收尾：AI 焦慮之後，你決定怎麼走？ Harness Engineering 9 分
- 05-08 用 SLM 打造垂直 Domain 模型：Fine-tuning、HuggingFace 與 vLLM Harness Engineering 7 分
- 05-07 你的 Agent 為什麼漸漸不像自己了：固定知識與流動知識的設計邊界 Harness Engineering 10 分
- 05-07 把領域判斷打包進 Agent：Production Agentic System 地圖 Harness Engineering 9 分
- 05-07 你的 Agent 跑歪了你知道嗎？LLM Agentic System 可觀測性設計 Harness Engineering 9 分
- 05-06 Agentic Loop 的設計關卡：工具執行、錯誤分類與中斷機制 Harness Engineering 11 分
- 05-05 GSD、gstack、Matt Pocock、Superpowers 都在解什麼問題 Skill 18 分
- 05-05 Harness Engineering 的地基：LLM Session 設計框架 Harness Engineering 9 分
- 05-04 用 n8n 把 AI 嵌進工作流程：兩種節點，一個關鍵判斷 Agentic System 7 分
- 05-03 Superpowers：AI Coding Agent 系統性失敗模式的設計答案 Skill 17 分
- 05-02 AI Native 從 25% 到 40%：YC 兩年告訴我們的幾件事 Viewpoint 9 分
- 05-01 從一個任務出發：怎麼疊加一個夠用的 Agent 系統 Harness Engineering 5 分
- 04-30 四個 Agent 框架，四種對「穩定性」的理解 Harness Engineering 9 分
- 04-29 Claude Code：從 claw-code 的分析看一個 Coding Agent 的設計關心 Source Code 17 分
- 04-28 CrewAI：從原始碼看「角色扮演」怎麼成為架構決策 Source Code 23 分
- 04-27 hermes-agent vs OpenClaw：兩個 Agent 框架，同一批問題，不同的答案 Source Code 22 分
- 04-25 Hermes-agent：從原始碼看一個為 Production 設計的 Agent 系統 Source Code 13 分
- 04-25 OpenClaw：從原始碼看一個 Agent 平台的工程選擇 Source Code 21 分
- 04-23 打開原始碼才發現：三個 Agent 框架，三種截然不同的設計哲學 Source Code 21 分
- 04-17 不靠直覺，靠實驗：用 AutoResearch 找到 C++ 的 33x 優化空間 Implement 15 分
- 04-16 給 Python/Go 工程師的 C++ 語法地圖：推論篇 Tutorial 24 分
- 04-15 在 Claude Code 的年代，我為什麼還要學 C++？ Viewpoint 13 分
- 04-13 Frontier、Mini、還是自建：Production LLM 的架構沒有標準答案 System Design 6 分
- 04-06 你的 Prompt 為什麼有效：從 Transformer 機制看 AI 系統設計 Viewpoint 12 分
- 04-04 把 ML 工程師的直覺，打包進 Agent Implement 14 分
- 04-02 Harness Engineering — AI 工程師的第三個維度 Harness Engineering 11 分
- 04-02 用 LangChain + LangGraph 實作 Harness Engineering：從 deepagents 學到的設計模式 Harness Engineering 19 分
- 03-27 AI 自主研究實驗：讓 Agent 在你睡覺時跑 100 個實驗 Implement 26 分
- 03-26 機器學習的本質思考：Vibe Coding 時代工程師的關鍵決策指南 Viewpoint 84 分
- 03-23 LLM Agent 四大架構模式：選型指南 System Design 11 分
- 03-23 RAG System 完整指南：從原理到實踐 System Design 55 分
- 03-05 Design Pattern 深度解析：不只是套模板，而是知道什麼時候不該用 Tutorial 31 分
- 03-04 Python 資料結構深度解析：不只是背複雜度，而是知道什麼時候該用哪一個 Tutorial 37 分
- 01-01 LLM Cache 策略：從 Prompt Cache 到 Semantic Cache System Design 24 分
2025 21 篇
- 12-31 Claude Skills 完全解析：Agent 時代的能力模組化設計 Skill 8 分
- 12-31 向量資料庫完全指南：為什麼 LLM 時代需要 Vector DB？ System Design 16 分
- 12-05 RAG 典範轉移：從向量檢索到結構化檢索 RAG 25 分
- 12-04 LangChain vs LangGraph vs DeepAgents：該選哪個 AI Agent 框架？完整場景對比指南 System Design 21 分
- 11-27 打造台股交易模擬訓練平台：從構想到實作的技術分享 Stock & Finance 9 分
- 11-14 💰 LangChain Middleware 實戰（二）：Summarization 讓 AI 自動壓縮對話，省錢又高效 Tutorial 34 分
- 11-14 📋 LangChain Middleware 實戰（三）：TodoList 讓 AI 自動管理任務清單，複雜流程零遺漏 Tutorial 43 分
- 11-13 🔧 LangChain 1.0 Tool Calling 實戰：讓 AI Agent 學會使用工具 Tutorial 15 分
- 11-13 # 🛡️ LangChain Middleware 實戰（一）：Human-in-the-Loop 讓 AI 學會等待人類審核 Tutorial 29 分
- 11-06 Agentic Context Engineering：讓 AI 代理人自我改進的關鍵技術 Paper Notes 6 分
- 11-06 Dynamic Cheatsheet Paper 筆記 Paper Notes 4 分
- 11-03 Langfuse LLMOps 16 分
- 11-03 ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory Paper Notes 7 分
- 10-21 AI Agent 大語言模型輸出評估：如何選擇最佳評估框架？ LLMOps 11 分
- 09-01 🤖 LLM Agent Trader: 當ChatGPT遇上股票交易，我打造了一個會思考的交易機器人 (Part3) Stock & Finance 5 分
- 08-19 🤖 LLM Agent Trader: 當ChatGPT遇上股票交易，我打造了一個會思考的交易機器人 (Part2) Stock & Finance 3 分
- 08-12 🤖 LLM Agent Trader: 當ChatGPT遇上股票交易，我打造了一個會思考的交易機器人 Stock & Finance 9 分
- 07-23 🚀 從 PR Review 中學習：用 LLM分析PR | 2025 Implement 19 分
- 07-15 打造智能股票分析團隊：LLM Stock Team Analyzer Stock & Finance 15 分
- 07-07 TradingAgents: Multi-Agents LLM Financial TradingFramework Stock & Finance 14 分
- 06-28 ✨ 如何用一段 Prompt 讓 Copilot 更了解你的專案？ Viewpoint 8 分