LLM 工程 · Agentic System · Harness Engineering

Articles

All Agentic System Source Code Tutorial Harness Engineering LLMOps System Design Others
Viewpoint AI 時代的 PM / HR / Sales：你才是讓 AI 落地的那個人 公司導入AI失敗，通常不是技術問題。PM、HR、Sales、Manager各自有最直接能用AI加速的場景，這篇整理四個角色的具體切入點，以及如何從個人用起，帶動整個組織。
4 分 2026-05-26
Viewpoint AI 時代的非工程師：從今天開始，不需要準備好 很多人沒有開始用AI，不是因為不懂技術，而是覺得還沒準備好。這篇說清楚AI思維是什麼、跟工具思維有什麼差別，以及三個能讓你今天就開始的具體習慣。不需要學程式，只需要改變開口的時機。
2 分 2026-05-26
Viewpoint AI 時代的 Backend Engineer：從會用到能建的完整路線 熟悉 API 設計的 Backend Engineer，轉 AI 工程師沒有標準路線。這篇整理三個 Phase：LLM Integration 基本功、Agentic System 架構設計（含 RAG、memory、安全層與 eval），以及 Fine-tuning 與 Local Inference 的 Hybrid 策略，還有為什麼要先把工作方式升級成 Agentic Coding。
10 分 2026-05-26
Viewpoint Agent Memory 策略選型：三個決策，一個框架 選 Agent Memory 框架時，你問的是「哪個 recall 最準」，但這個問題問的是框架，不是決策。Write、Search、Storage 三個決策鎖在一起，改其中一個另外兩個都要跟著換。如果你不知道從哪裡開始選，這篇提供一個具體的決策框架，從資料性質的第一個問題切入。
9 分 2026-05-14
Viewpoint 你能把問題量化成什麼，AI 就能優化什麼 AutoResearch、並行 Agent、SFT Flywheel、合成資料——這四個看起來不同的方法，為什麼都卡在同一個問題：你怎麼知道改進了？如果你想理解為什麼 eval function 的清晰度決定系統能走多遠，以及設計一個可驅動 Agent 自我改進的 eval 需要什麼條件，這篇是四篇系列的概念收尾。
9 分 2026-05-12
Skill GSD、gstack、Matt Pocock、Superpowers 都在解什麼問題 GSD、gstack、Matt Pocock、Superpowers 四套 AI Coding Agent 工具，到底選哪個？這個問題本身有問題——它們診斷的根本失敗模式不同，解法不重疊。如果你搞不清楚該用哪套，這篇從 Context 策略、工作流擁有權、行為約束三個維度拆解差異，讓你知道什麼情境用什麼。
18 分 2026-05-05
Skill Superpowers：AI Coding Agent 系統性失敗模式的設計答案 Plan Mode 之後，AI coding agent 還是會在某個節點走歪——猜 bug 原因、宣稱完成但沒驗證、長 session 開始遺忘早期決策。如果你想知道這四個系統性失敗模式的共同根因，以及 Superpowers 的 Skill 懶載入注入架構如何系統性覆蓋整個 coding lifecycle，這篇做設計分析。
17 分 2026-05-03
Viewpoint AI Native 從 25% 到 40%：YC 兩年告訴我們的幾件事 AI Native 公司佔比從 7% 漲到 40%，但這個數字背後發生了什麼順序？這篇追蹤 YC W24 到 S25 四個 batch 的數據：哪類行業先被 AI 打入、平均團隊規模為何從 6.7 人縮到 3.6 人、Agent-First 浪潮如何從 25% 逐步確立，以及這些趨勢對工程師定位的實際意義。
9 分 2026-05-02
Implement 不靠直覺，靠實驗：用 AutoResearch 找到 C++ 的 33x 優化空間 沒寫過 C++ 卻要做效能優化，靠直覺猜槓桿在哪沒有意義。用 AutoResearch 框架讓 Agent 系統化跑實驗，結果找到 33x 的優化空間——光是調整 loop 順序就帶來 15.8x。如果你想用「設計實驗」取代「靠經驗猜測」，這篇說明整個流程與關鍵發現。
15 分 2026-04-17
Viewpoint 你的 Prompt 為什麼有效：從 Transformer 機制看 AI 系統設計 同樣的 prompt，關鍵資訊放前段和後段，輸出品質差很多——這不是措辭問題，是 Transformer 注意力機制決定的。如果你想搞清楚為什麼重要資訊的位置比你想的更重要、為什麼 agent 跑幾十輪後開始亂、為什麼 context window 是零和競爭，這篇從機制角度解釋這些工程決策背後的「為什麼」。
12 分 2026-04-06
Implement 把 ML 工程師的直覺，打包進 Agent 讀完 Kaggle top solution 的 insight 很快就忘掉，每場比賽又從零開始——這個問題能不能用 Agent 系統解決？這篇說明如何讓 Agent 分析競賽、蒸餾可複用的 ML 判斷力存進知識庫，把「花在 research 的時間」轉換成一個可以持續對話的 ML 專家系統。
14 分 2026-04-04
Implement AI 自主研究實驗：讓 Agent 在你睡覺時跑 100 個實驗 ML 實驗流程能不能自動化到讓 Agent 自己跑？Karpathy 的 autoresearch 框架給了一個具體答案：AI 改 code、訓練、看結果、決定 keep 或 discard，你早上醒來看 100 個實驗的 log。如果你想把「一個個手動跑實驗」這件事交給 Agent，這篇說明核心設計與思維轉變。
26 分 2026-03-27
Viewpoint 機器學習的本質思考：Vibe Coding 時代工程師的關鍵決策指南 AI 可以幫你寫訓練程式碼，但「這個問題該用 Accuracy 還是 F1？」、「模型在測試集好、部署後崩潰是為什麼？」這類決策沒辦法外包。如果你覺得 ML 工程師在 Vibe Coding 時代的判斷力越來越難說清楚，這篇整理了 7 個最容易踩坑的決策點，幫你建立可以說清楚的思考框架。
84 分 2026-03-26
Skill Claude Skills 完全解析：Agent 時代的能力模組化設計 當你想讓 Agent 支援幾十個不同任務，把所有指令塞進 prompt 很快就會讓 context 爆炸。這篇解析 Claude Skills 的模組化設計——如何把能力切分成可按需載入的單元，以及它和工具呼叫的本質差異。
8 分 2025-12-31
RAG RAG 典範轉移：從向量檢索到結構化檢索 向量檢索的 RAG 系統在語意相似搜尋上表現不錯，但當問題需要完整文件結構或精確程式碼時就會失效。這篇以 LangChain 重建自家 Chatbot 的真實案例，說明為何要從向量檢索轉向結構化檢索，以及兩者的差異。
25 分 2025-12-05
Stock & Finance 打造台股交易模擬訓練平台：從構想到實作的技術分享 模擬盤沒有真實感，真金白銀又有風險——這篇說明如何用 FastAPI、React、yfinance 與 Tavily API 打造台股歷史回放交易平台，讓你在歷史 K 線與當天真實新聞的情境下練習交易決策。
9 分 2025-11-27
Paper Notes Agentic Context Engineering：讓 AI 代理人自我改進的關鍵技術 Agent 在多輪互動後容易發生 context 污染、資訊遺失或注意力分散，導致推理品質下降。ACE 框架透過動態備忘錄、反思器與策展器三個組件的閉環設計，讓 Agent 能夠在不依賴 LLM 重寫的情況下持續累積精煉知識，避免 context collapse。
6 分 2025-11-06
Paper Notes Dynamic Cheatsheet Paper 筆記 模型訓練完成後就固定不變，但實際推理時能不能持續從經驗中學習？Dynamic Cheatsheet 論文發現直接保留所有歷史記錄反而有害，真正有效的方式是透過智能檢索加上策展，把原始經驗提煉成可重用的知識片段，讓 Agent 表現隨推理次數持續提升。
4 分 2025-11-06
Paper Notes ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory Agent 在不同任務之間無法共享過往的推理經驗，每次遇到新環境都要從零開始探索。ReasoningBank 論文提出把歷史推理過程結構化為可轉移的記憶單元，讓 Agent 在跨任務、跨領域場景下能動態檢索相關經驗，減少冗餘探索並提升泛化能力。
7 分 2025-11-03
Stock & Finance 🤖 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) LLM 交易 Agent 的每日判斷是獨立的，缺乏跨日決策的連貫性，也無法從對話中學習。Part 3 開源完整程式碼，並說明如何加入決策記憶池、多輪對話機制與更多資料源，讓系統逐步成為真正的交易夥伴而非一次性工具。
5 分 2025-09-01
Stock & Finance 🤖 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) 跑完回測後看到一個不合理的賣出點，卻不知道 LLM 當天為什麼這樣決策？Part 2 新增策略討論室，可以用自然語言向 AI 詢問任意交易日的決策動機，並讓它給出策略調整建議，把黑盒子變成可對話的夥伴。
3 分 2025-08-19
Stock & Finance 🤖 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 傳統程式交易只能執行固定規則，無法理解市場語境。LLM Agent Trader 把技術指標整合成市場報告餵給 GPT-4，讓 AI 像真人交易員一樣綜合判斷進出場時機，並透過回測平台可視化每一筆決策的推理過程。
9 分 2025-08-12
Implement 🚀 從 PR Review 中學習：用 LLM分析PR | 2025 Code Review 意見散落在 PR 上，沒有系統整理就很難從中學習。LLM PR Review Analyzer 能自動分析 GitHub PR 的審查意見，用 AI 萃取技術洞察與最佳實踐，適合想從資深工程師評論中建立結構化學習路徑的開發者。
19 分 2025-07-23
Stock & Finance 打造智能股票分析團隊：LLM Stock Team Analyzer 想用 LangGraph 實作一個多 Agent 股票分析系統，但不確定怎麼設計角色分工、資料流與 RAG 整合？LLM Stock Team Analyzer 是一個可直接執行的開源實作，涵蓋技術分析、新聞情緒與多空辯論流程，可作為 Multi-Agent 金融系統的起點範本。
15 分 2025-07-15
Stock & Finance TradingAgents: Multi-Agents LLM Financial TradingFramework 多 Agent 系統在多輪對話中容易發生語意失真與上下文遺失，導致決策品質下降。TradingAgents 論文提出結構化通訊協議與角色分工設計，讓每個 Agent 只處理自己職責範圍內的資訊，是解決 Multi-Agent 協作中上下文管理問題的具體參考架構。
14 分 2025-07-07
Viewpoint ✨ 如何用一段 Prompt 讓 Copilot 更了解你的專案？ GitHub Copilot 一直補出舊版語法或不符合團隊風格的程式碼，根本原因是它不知道你的專案背景。透過 .github/copilot-instructions.md 加上一段 Prompt，可以讓 Copilot 自動掃描整個 codebase 並產生結構化的專案指引，讓後續補全與 Chat 回覆都更貼近你的實際需求。
8 分 2025-06-28