LLM 工程 · Agentic System · Harness Engineering

Articles

All Agentic System Source Code Tutorial Harness Engineering LLMOps System Design Others
Tutorial 讓 Agent 把 Codebase 畫成圖：用 archify 畫出 DeepSeek Harness 的三張系統圖 code 交給 agent 寫之後，審設計最快的介面是圖。這篇實測 archify：讓 agent 直接讀 DeepSeek Harness 的 codebase，畫出 Architecture、Sequence、Lifecycle 三張可互動的系統圖，並整理五種圖型的選型心法。
18 分 2026-09-02
Tutorial 第一個 Claude Skill：用 skill-creator 打包可重用工作流程 Claude Skill 讓工作流程指令從每次都在 context 裡，變成只在需要時才載入。這篇用 blog-publish 示範，如何用 skill-creator 建立第一個 Skill：三層載入機制、token 前後比較，以及怎麼寫好 description 讓 Skill 在對的時機被觸發。
11 分 2026-05-25
Tutorial 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 把 Claude Code 的五個組件都理解成設定選項是很常見的誤解——只有 Hooks 是事件驅動、條件符合就自動執行、不需要人介入的那一層。這篇從組件關係圖切入，說清楚各組件觸發方式的根本差異、Hooks 的 exit code 機制與四種 handler type，以及七個功能類別各自在解決什麼工程問題。
29 分 2026-05-21
Tutorial 為什麼你的 Claude Code 用起來跟別人不一樣？ 覺得 Claude Code 跟別人用起來差很多，但不確定差在哪裡？這篇整理 13 個最實用的操作語法，分三層說明：用 @file、# 和 ! 精準控制 context 輸入，用 /clear、/rewind、/resume 管理對話節奏，再用 Plan Mode 與 Subagent 模式解鎖更複雜的工作方式。
17 分 2026-05-14
Viewpoint Python AI 工程師為什麼要學 TypeScript？ FastAPI 跑得好好的，LangChain 熟到閉眼寫，為什麼要花時間學 TypeScript？如果你是 Python AI 工程師，不確定 TypeScript 能補上什麼、兩個語言的分工邊界在哪裡，這篇用光譜圖說明為什麼越靠近 User 的那層 TypeScript 優勢越大，以及 Vibe Coding 時代讓進入成本降到最低的四個原因。
7 分 2026-05-10
Tutorial 給 Python/Go 工程師的 C++ 語法地圖：推論篇 C++ 有太多東西可以學，但要能讀懂 ONNX Runtime 的 API 並寫出第一個推論程式，只需要 7 個概念。如果你是 Python 或 Go 工程師、想進入 C++ AI 推論領域但不知道從哪開始，這篇給你一張最小必要的語法地圖，其他先跳過。
24 分 2026-04-16
Viewpoint 在 Claude Code 的年代，我為什麼還要學 C++？ vLLM、llama.cpp、Flash Attention 底層幾乎全是 C++，但 Python 套件看起來已經夠用了——這個矛盾讓人困惑。如果你想搞清楚 C++ 在現代 AI 推論工程裡的真實位置、Python wrapper 慢在哪裡，這篇是 C++ AI 推論系列的起點，從問題出發而非語法出發。
13 分 2026-04-15
Tutorial Design Pattern 深度解析：不只是套模板，而是知道什麼時候不該用 AI 很擅長寫出「看起來很專業」的程式碼，但它分不清楚需要彈性還是過度設計。這篇挑出實務中最常遇到的 Design Pattern，講清楚每個 pattern 解決什麼問題、什麼情況下不該用，以及用了之後要付出的代價。
31 分 2026-03-05
Tutorial 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 AI 幫你寫出能跑的程式碼，但它選的資料結構不一定適合你的場景。這篇從底層實作原理剖析 Python 常用資料結構的複雜度陷阱，讓你有能力判斷 list 當 queue、lru_cache 在有時效性場景等選擇是否合理。
37 分 2026-03-04
System Design LangChain vs LangGraph vs DeepAgents：該選哪個 AI Agent 框架？完整場景對比指南 LangChain、LangGraph、DeepAgents 同屬 LangChain 生態系，但適用場景截然不同——選錯會讓你在複雜流程上卡關。這篇從狀態管理、工作流程複雜度、生產可靠性三個維度，幫你找到正確的技術選型。
21 分 2025-12-04
Tutorial 💰 LangChain Middleware 實戰（二）：Summarization 讓 AI 自動壓縮對話，省錢又高效 對話輪數一多，LLM 的 token 成本就會失控，但直接截斷歷史又會讓 Agent 失去記憶。這篇說明如何用 LangChain 1.0 的 SummarizationMiddleware 自動壓縮舊訊息，在控制成本的同時保留對話脈絡。
34 分 2025-11-14
Tutorial 📋 LangChain Middleware 實戰（三）：TodoList 讓 AI 自動管理任務清單，複雜流程零遺漏 AI Agent 處理多步驟任務時容易漏掉中間環節，又很難從外部追蹤進度。這篇說明如何用 LangChain 1.0 的 TodoListMiddleware 讓 Agent 自動拆解任務、維護狀態，確保複雜流程不遺漏任何步驟。
43 分 2025-11-14
Tutorial 🔧 LangChain 1.0 Tool Calling 實戰：讓 AI Agent 學會使用工具 想讓 AI 不只是聊天，而是能自動呼叫外部工具完成任務，但不確定 LangChain 1.0 的 Tool Calling 怎麼設計？這篇從 @tool 裝飾器到 create_agent 完整示範，說明為什麼 docstring 品質直接決定 Agent 的工具選擇準確度。
15 分 2025-11-13
Tutorial # 🛡️ LangChain Middleware 實戰（一）：Human-in-the-Loop 讓 AI 學會等待人類審核 如果你想讓 AI Agent 在執行刪除資料、發送郵件等敏感操作前暫停等待人工審核，而不是直接執行，這篇說明如何用 LangChain 1.0 的 HumanInTheLoopMiddleware 實作中斷、審核、恢復的完整流程。
29 分 2025-11-13