學習
AI 與 Agent 相關知識文章 — 深入淺出，從理論到實踐。
74k star 的《高性價比人生指南》：證據分級法值得抄什麼
拆解 GitHub 74,249 stars 的開源生活指南：772 條建議、2,597 條原始文獻、A/B/C 證據分級。對照我們的 T0–T5 可信度體系，看哪三點值得抄、哪兩點不宜照搬。
AI 報告的八道驗收閘門
用八道機械閘門，把 AI 生成的報告從「看起來可以」變成「可以交貨」。含真實攔截案例與可複製清單。
DeepSeek 開源的 Super-agent 原型：源碼級拆解
拆解 DeepSeek 開源的 dsh-superagent-prototype：三插件架構、事件驅動、11 項宿主服務注入，以及哪些設計值得借鑒、哪些不宜照搬。
PStack 深讀（上）：一套 Cursor Plugin，如何把工程紀律變成可執行檔案
從 Cursor 的 pstack 出發，拆解 24 條原則、23 個 playbook 與 poteto-mode：一套不綁模型的 agent 工程方法論，把工程判斷寫成可執行、可審計的檔案。
PStack 深讀（下）：兩個 agent、五個特別設計，與真正的落地方式
pstack 的執行體與特別之處：poteto-agent、comment-sicko、benny 自動化、五個關鍵設計，以及 OpenClaw／DeepSeek Harness 落地與限制。
數據庫如何運作：從檔案櫃到向量搜索的完整地圖
從記事本到向量數據庫，一篇文搞懂數據庫的核心原理、家族分類與 AI 時代的選型決策。小白友好，非工程背景也能讀懂。
Agent 操作介面：CLI、API、Browser Use、Computer Use、Sandbox 怎麼選
Agent 要從哪一扇門做事？這篇改編自 MIT 授權教材的 Stage 8 概念篇：八個核心詞、一張「先選最小介面」的判斷表、動手前要畫的三張表（allowlist、動作、批准閘門），以及看 Browser／Computer Use benchmark 分數時必問的四個問題。門選得越大，風險越大——第一原則是選最小、最好檢查的那扇。
七步打造你的第一個 AI Agent：從環境準備到最小上線的完整走法
改編自 MIT 授權的 awesome-agentic-ai-zh 整合教學：用一個「論文小助理」專案，把環境準備、第一次 LLM 呼叫、Prompt 四格、Tool Use、迴圈與反思、RAG 記憶、Eval 與觀測、最小操作介面串成七步。每步附可執行的最小程式碼與安全底線，Ollama 本機路徑 API 費用為 0。
按下 Enter 之後：從 0.03 秒到 0.85 秒，你的問題經歷了什麼
用一次真實的 API 呼叫拆解一個提問的完整鏈路：建立連線 35 毫秒、切詞微秒級、模型讀完整段問題 474 毫秒、逐字生成 380 毫秒——總計 854 毫秒。附完整可重現的量測方法，以及一個反直覺的結論：96% 的時間不在網絡，而在模型裡面。
AI 編程工具地圖：先認形態，再記名字
把 Cursor、Trae、Claude Code、Codex、OpenClaw、Hermes Agent、DeepSeek Harness、WorkBuddy、豆包工作按形態分成三類：IDE 內建、終端機 Agent、編排平台。每一類講清楚它給你什麼、拿走你多少控制權與可見度，以及實務上怎麼混用，幫你決定第一個工具選哪個。
AI 合規與風險邊界：企業導入的法務檢查表
AI 導入前的法務功課，不是「找一條法規來遵守」，而是把風險面向盤點清楚、問對問題、要對文件。這篇給你五個風險面向的盤點框架、一份可以直接帶進法務會議的問題清單、供應商文件索要對照表，以及內部制度要補的項目與分場景管理方法。
AI 成本怎麼算：訂閱、Token 與隱形人力成本
AI 導入的預算常被嚴重低估，因為多數人只算了訂閱費。這篇教你把三層成本——每人每月的訂閱、隨用量計費的 API Token、以及審核與維運的隱形人力——逐項算出來，並提供一張可以直接填的估算表範本。
AI 是怎麼計費的：為什麼用一個月可能差十倍
token 是什麼、為什麼長對話越來越貴、免費額度通常限制什麼、訂閱與按量計費怎麼選，以及把第一個月成本壓到接近零的五個具體做法。不列任何具體價格 —— 本站只在人工核實后寫金額。
AI 在投研流程的位置：哪些環節能交出去，哪些不能
把投資研究流程拆成七個環節，逐一判斷哪些能交給 AI、哪些只能讓 AI 輔助、哪些一步都不能讓，並給出一張可直接套用的分工表與落地檢查清單，幫你畫清 AI 的能力邊界與責任邊界。
AI 的三個層次：聊天型、協作型、代理型
同樣叫 AI，能力與成本結構差很多。這篇用聊天型、協作型、代理型三個層次拆解市面工具的差別，給你一張判斷表，先釐清需求屬於哪一層，再談選型與預算，避免花錯錢、用錯工具。
選 AI 工具的判斷框架：五個問題篩掉九成選項
面對眼花撩亂的 AI 工具清單，逐個試用是最貴的選型方式。這篇給你五個篩選問題——資料敏感度、容錯度、整合需求、使用規模、失敗代價——每個問題對應該選哪一類工具，最後用一張決策流程表帶你走完整個判斷。
自建還是採購：企業 Agent 平台的決策樹
「自己蓋一個 Agent 平台，還是買現成的？」這篇用六個決策面向——需求獨特性、資料敏感度、工程能量、維護成本、供應商鎖定、合規要求——搭出一棵決策樹，並給自建、採購、混合三種路線的判斷表與總擁有成本對比框架。
設定檔、點檔案與套件管理器：那些以點開頭的檔案是什麼
為什麼每個工具都要你改一個以點開頭的檔案，YAML 與 JSON 差在哪、縮排錯了為什麼整份失效、brew 與 apt 這類套件管理器解決什麼問題，以及正則表達式在你只想知道「這一行是什麼意思」時需要懂到什麼程度。
把指令從網頁貼進終端機：為什麼常常失敗
從網頁復制一行指令貼進終端機，卻得到 syntax error 或 command not found —— 這篇解釋四個最常見的原因：智慧引號、多行指令被截斷、看不見的空白字元、以及貼進了錯誤的 shell。每個都給一個可以立刻確認的檢查方法。
企業資料安全基本盤：哪些資料不能餵給 AI
員工把客戶個資貼進免費 AI 工具，是企業最常見也最難防的資料外洩路徑。這篇給你一套四分法的資料分級標準、一份「絕對不能上傳」的紅線清單、企業版與消費版的條款差異對照，以及本地部署選項和該問 IT 與法務的問題清單。
FDE：把 Agent 交付進企業的那個人
前沿部署工程師（Frontier Deployment Engineer）這個崗位在解決什麼問題：會做一個 Agent demo 與會把它交付進企業真實業務，是兩種完全不同的能力。本文說明這層能力缺口具體是什麼、騰訊云 ADP 的 FDE 認證考什麼（含已核實的考務參數與官方來源），以及它與本站既有內容的關系。
Function Calling 入門：讓 LLM 真正使用工具
講清楚主流 LLM API 的 Function Calling 機制：工具 JSON Schema 怎麼寫、模型如何決定要不要呼叫工具、tool_choice 強制呼叫與平行呼叫怎麼用，附上完整可執行範例，以及工具描述寫法如何決定呼叫品質的實務技巧。
Git 與 GitHub：AI 工具一直叫你去 clone，那到底是什麼
為什麼每個 AI 編程工具的安裝說明都假設你懂 Git。這篇解釋儲存庫、commit、branch、clone 與 fork、pull request 五個詞各自是什麼、彼此怎麼串起來，以及不會寫程式的人為什麼也需要懂前三個。
Harness 演化史：六個時代，每一代的新能力與新翻車方式
從純提示聊天機器人、CoT 與 ReAct 推理提示、function calling 這個真正的轉折點、MCP 標準化，到長時程 CLI Agent 與常駐多 Agent 編排——逐代講清楚 harness 每次獲得了什麼新能力、以及這個能力順便引入了什麼新的失敗模式。
港股調研資訊源地圖：披露易、年報與第三方數據
研究一家港股公司，資訊從哪裡來、哪些可信、哪些只能當線索？本文把港股調研資訊源分成五個可信度層級——法定披露、公司官方、第三方資料庫、行情數據源與新聞研報，並給出一張「問題到來源」的對照表。
機器怎麼讀懂財報：從 PDF 到結構化數據
財報分析自動化的第一道瓶頸是機器讀不進 PDF。本文拆解文字層抽取、OCR 與版面分析三條路徑，解釋財報表格為什麼特別難讀、OCR 之後為什麼必須人工校對，並給出結構化輸出（JSON schema）的設計概念。
網路是怎麼說話的：HTTP、狀態碼、標頭與那些看不見的協定
為什麼 API 說明裡全是 status code 與 header。這篇用一次真實的請求把 HTTP 的四個部件講清楚 —— 請求、回應、狀態碼、標頭 —— 再解釋 WebSocket 與輪詢的差别、CORS 為什麼擋住你、proxy 在中間做了什麼，以及 SSH 與私鑰為什麼是同一類東西。
裝完沒反應：五個檢查，照順序做完再重裝
安裝完一個工具卻「沒反應」，幾乎總是五種原因之一：不在 PATH 裡、權限不夠、網絡被擋、版本不符、磁盤空間不足。這篇給每一種一個可以在一分鐘內確認的檢查方法，以及為什麼「重裝」幾乎從來不是解法。
投研 AI 的合規邊界：免責、留痕與可回溯
把 AI 接入投研流程時，合規不是報告末尾的一行免責聲明，而是系統設計問題：輸出是否構成投資建議、資料來源有沒有授權、每個結論能不能追回輸入與提示詞版本。本文給出風險面向盤點、留痕架構、人工覆核節點設計、問法務的問題清單與內部制度補強路線。
我的資料安全嗎：用 AI 的時候，到底有什麼離開了你的電腦
「安全嗎」這個問題問得太粗，所以永遠得不到有用的答案。這篇把它拆開：用雲端工具時實際離開你機器的四類東西、本地工具為什麼不一樣、「我們不用你的資料訓練」這句話承諾了什麼與沒承諾什麼，以及三條你真的能執行的規則。不含法律意見。
AI 在金融場景的幻覺風險：三種最貴的錯誤
AI 幻覺在金融場景的代價被嚴重低估。本文拆解三種最貴的錯誤——編造數字、混淆期間與公司、用推論填補缺口——解釋每種錯誤的成因，並給出四道可落地的防線：強制引用、分開統計、低信心棄權與人工複核。
macOS 上安裝失敗：Gatekeeper、隔離標記與缺少建置工具
Mac 上裝 AI 工具卡住，通常是四件事之一：下載了錯的晶片版本、Gatekeeper 說「無法驗證開發者」、下載檔被標記成來自網路、或缺少命令列建置工具。這篇按順序給你每一件的確認動作，包含「仍要打開」那個按鈕只出現一小時這種沒寫在教學裡的事。
怎麼讀一則錯誤訊息：解剖、堆疊追蹤與結束代碼
錯誤訊息不是給你逐字讀的，它有固定的形狀：一行結論、一段堆疊追蹤、一個檔名與行號、一個結束代碼。這篇教你由下往上讀堆疊追蹤的原因、怎麼找到真正失敗的那一行、六個真實形狀的範例，以及什麼時候該整段貼去搜尋、什麼時候該貼給 AI Agent、什麼時候兩者都不該。
持股拓撲與防雙計：集團架構下的持股計算
集團架構下，把不同層級的持股比例直接相加是最常見、也最致命的計算錯誤。本文用虛構教學結構示範經濟權益的逐層稀釋計算、控制鏈下的表決權歸屬、交叉持股與循環持股的聯立求解，並給出把持股結構建成可查詢圖的方法與防雙計檢查點清單。
開始之前：你只需要先認識這 20 個詞
不會寫程式也能上手 AI Agent，前提是你認得它在講什麼。這篇把入門階段真正擋住人的 20 個詞分成四組，每組給一句話定義與該先讀哪一個，並說明詞彙表該怎麼用、按什麼順序讀完第一輪。
三表聯動與現金流品質檢查：識別賬面利潤陷阱
利潤是觀點，現金是事實。本文拆解損益表、資產負債表、現金流量表的勾稽關係，給出現金轉換率、營運資本、資本化支出等檢查構面，附上一張「紅旗訊號→該查科目→驗證方法」速查表，並示範把這些檢查寫成可自動執行、可回溯的規則引擎。
AI Agent 到底看得到你電腦裡的什麼
一個 AI Agent 能讀到你的哪些文件、能不能上網、能不能刪東西、你說的話會不會被拿去訓練。這篇把「它能做什麼」拆成四個可以分别確認的問題，並說明權限模式、沙箱、工作目錄各自擋住什麼、擋不住什麼。
檔案路徑：為什麼你的檔案「找不到」
絕對路徑與相對路徑的差別、macOS/Linux 與 Windows 的目錄分隔符為什麼不一樣、家目錄簡寫是什麼、含空格的名稱為什麼需要引號，以及怎麼在自己的系統上找出一個檔案到底在哪裡。五個最常見的路徑錯誤與各自的確認方法。
Terminal 是什麼：你打開的那個視窗裡，每一樣東西的名字
安裝教學第一行永遠是「打開 Terminal」，你打開了，看到一個黑底視窗和一行字，然後不知道接下來該看哪裡。這篇不教指令清單 —— 它把你眼前的畫面逐行拆開：那個視窗是什麼、為什麼打字可以做事、提示字元在告訴你哪三件事、以及那個看不見卻一直在生效的「目前所在目錄」。
Agent Harness 是什麼：模型外面那層普通程式
用馬與挽具的比喻講清楚 harness 這個概念：包住 LLM 的那一層工程程式——組上下文、執行工具、跑循環、管權限。解釋為什麼同一個模型換個 harness 表現差一大截，以及為什麼你挑 AI 工具時，很大程度上挑的是 harness 而不是模型。
AI Agent 是什麼：從 ChatGPT 到會自己做事的 AI
用 LLM、上下文、工具、循環四個零件拆解 AI Agent 的本質，對比聊天機器人與 Agent 的差別，給出日常、開發、商業三個例子與真實失敗模式，幫你判斷自己的需求該不該用 Agent。
API、SDK 與那些縮寫：它們各自是什麼、你什麼時候會需要
API 是一份公開的約定，SDK 是别人替你把呼叫 API 的細節包好的工具包。這篇說清楚兩者的差别、為什麼有些工具要求你有 API key 而有些不用、REST 與串流的區别，以及作為使用者你到底需不需要自己寫 API 呼叫。
Claude Code 是什麼：終端機 Agent 的參考樣板
用一次真實會話的流程講清楚 Claude Code 是什麼：住在終端機裡的編程 Agent，自己讀檔、改檔、跑指令、迭代到任務完成。附安裝方式、CLAUDE.md 記憶機制、終端機之外的形態、計費模式，以及哪三種人不該從它開始。
Codex 是什麼：OpenAI 的編程 Agent，本地與雲端兩條腿
拆開 Codex 這個名字底下的四種形態：開源的 Codex CLI（跑在你終端機裡）、IDE 擴充、桌面 App、以及雲端平行執行任務的 Codex Web。講清楚安裝方式、登入與計費模式、沙箱與審批機制，以及它跟 Claude Code 的形態差別。
Cursor 是什麼：住在你編輯器裡的 AI 編程工具
用 Tab 補全、Agent 面板、Plan Mode 三個日常動作講清楚 Cursor 是什麼、它跟聊天機器人和終端機 Agent 差在哪、支援哪些平台、計費模式長什麼樣，以及哪三種人不該從 Cursor 開始。
DeepSeek Harness 是什麼：「一切皆插件」的開源 Agent 運行環境
DeepSeek 官方開源的 Agent 運行環境（npm 套件 @deepseek-ai/dsh），把會話、工具、工作區、沙箱、審批、agent 循環與雙介面全部打包，設計口號是 Everything is a Plugin。一篇講清楚它開箱有什麼、跑起來長什麼樣、不是什麼、以及 developer preview 階段該有的心理準備。
豆包工作是什麼：會操作虛擬桌面、深度接飛書的辦公 Agent
豆包工作（Doubao Work）是位元組跳動的 AI 辦公 Agent：桌面用戶端加手機遠端派任務，Agent 在虛擬桌面裡實際操作而不是只回文字，深度整合飛書的企業知識（會議紀要、群聊、文檔），有快速、專家、任務三種模式。附計費模式與適用人群。
Hermes Agent 是什麼：一個閘道接住二十幾個通訊平台的開源 Agent
Nous Research 的開源多渠道 Agent：一個常駐 gateway 程序同時服務微信、企業微信、飛書、WhatsApp、Telegram、Discord、Slack、郵件等二十幾個平台，共享同一份記憶，會自動生成 skill、支援自然語言排程與五種沙箱後端。附安裝方式、常用指令與安全預設。
OpenClaw 是什麼：跑在你自己電腦上、住進你聊天軟體的開源助理
OpenClaw 是一個開源 AI 助理框架：本體跑在你自己的機器上，透過一個 Gateway 同時出現在 WhatsApp、Telegram、Slack、Discord 等二十幾個聊天渠道。一篇講清楚它的架構三件套、Skills 生態、「模型可換」哲學，以及用它之前必讀的安全責任清單。
Trae 是什麼：字節跳動的 AI IDE，以及那個同名的開源 Agent
講清楚 Trae 的三個容易混淆的東西：字節跳動的 AI IDE（IDE 模式與 SOLO 模式）、辦公助手 TraeWork、以及 GitHub 上開源的 trae-agent 命令行框架。附平台支援、計費模式與挑選建議。
WorkBuddy 是什麼：騰訊雲的 AI Agent 辦公工作台
WorkBuddy 是騰訊雲 CodeBuddy 家族的辦公向 AI Agent 工作台：自然語言下任務、自動拆解、多個 Agent 並行處理，支援文字、圖片、PDF、表格等多模態輸入，交付文件、簡報、表格等辦公成果。附平台支援、Windows 版本限制與計費模式說明。
什麼時候不該用 AI：六種會翻車的場景
AI 導入最貴的錯誤，是用在根本不該用的地方。這篇整理六種高機率翻車的場景——從無人複核的高準確要求，到規則確定的重複工作、敏感資料、法律責任、任務定義不清與量太小的流程——每種都說明為什麼會翻車、該改用什麼，以及什麼條件下可以回頭再評估。
我該用哪一個 AI 工具：四個問題問完就有答案
不是對比表，是一棵決策樹。四個問題依序問下去 —— 你要它產出什麼形態的東西、你願不願意碰終端機、你的資料能不能交給第三方、你打算用多久 —— 每一個分支指出對應的工具類型與本站的具體文章。
Windows 上安裝失敗：PATH、執行原則、SmartScreen 三件事
Windows 上裝 AI 工具卡住，原因幾乎永遠是同一組：裝好了但指令找不到（PATH）、腳本被擋（PowerShell 執行原則）、安裝檔被擋（SmartScreen 或防毒軟體）。這篇教你怎麼確認程式到底裝進去沒有、它把檔案放在哪，以及每一種擋法各自的那一個確認動作。
你的第一個 AI 任務：怎麼下指令它才做得對
為什麼第一個任務常常失敗，不是因為工具不行，而是因為指令裡沒有產出、沒有輸入、沒有去處。三個要素、三個真實例子（含各自的模糊版本對比），以及怎麼判斷該給它多少自由。
Harness 是什麼：Agent 外面那層工作台
Agent 能寫程式，但為什麼上線就翻車？因為你只顧著訓練大腦，忘了幫它搭工作台。本文用五張圖與大量生活比喻，拆解 Harness Engineering 的核心概念與落地步驟。
LangGraph 是什麼：從線性鏈到狀態機式 Agent
用廚房與地鐵圖的比喻，加上五張流程圖，把 LangGraph 的狀態、節點、邊講清楚。含可直接複製運行的完整範例。
Vibe Coding 是什麼：快，但不穩
Vibe Coding 用自然語言叫 AI 寫程式，幾分鐘就能生出原型。但為什麼推到上線就翻車？本文拆解三種失效模式與五道護欄，幫你又快又穩。
LangChain 完整教學 2026：從零構建企業級 LLM 應用
最詳盡的 LangChain 2026 教學：涵蓋 LCEL、RAG、Agent、LangGraph、LangSmith。從安裝到生產部署，附完整代碼示例。
MemoryHub v2.0 系統架構深度解析：從 Capture Daemon 到 MCP 即時記憶捕獲
完整拆解 MemoryHub v2.0 的雙模式捕獲引擎、Qdrant 向量存儲、MCP 四平台整合、Dashboard 實時監控、三層去重與十年生命週期設計。
2026年5月 LLM API 價格全景：DeepSeek、Qwen、GLM、Kimi、MiniMax、豆包完整對比
通過 Exa、Tavily、Brave 等多搜索引擎交叉驗證，整理 DeepSeek V4、Qwen3.6-plus、GLM-5、Kimi K2.5、MiniMax M2.7、火山引擎豆包 Seed 2.0 及 Claude/GPT 的每百萬 Token 定價，附帶 Sub2API 成本設置指南。
跨渠道記憶中樞（Memory Hub）：OpenClaw Agent 的記憶系統架構設計全紀錄
從「每日遺忘」到「跨渠道自動整合」：完整記錄本站 AI 助理記憶系統的架構演進、Session 隔離問題、時區邊界 Bug、三層防護機制，以及 Cron 自動化整合管線。
OpenClaw 創作者與基建自動化：從 Podcast 全流程到自我修復伺服器
深度拆解 Awesome OpenClaw Use Cases 中嘅創作工具（Podcast、YouTube、AI 剪片、遊戲開發）同基建 DevOps 方案（自我修復伺服器、n8n 編排），附完整工作流架構圖。
OpenClaw 生產力革命：22 個自動化方案重塑日常工作流
從 Personal CRM 到 Second Brain、從多通道客服到自主項目管理 — 深度拆解 Awesome OpenClaw Use Cases 中最實用嘅 22 個生產力自動化方案，附架構分析同實戰建議。
搜索通道深度科普：DuckDuckGo、Tavily、Brave 的底層原理與分工策略
三種搜索通道的完整技術科普：各自的索引機制、排序算法、返回格式、成本模型，以及如何在 AI Agent 工作流中精確分工。
Addy Osmani agent-skills 開源項目深度解析
Google Chrome 工程總監 Addy Osmani 的 agent-skills 項目完整介紹 — 21 個 AI 輔助開發技能的設計哲學、實戰應用、以及如何啟發本站斜槓指令系統的升級。
Agent 框架能力矩陣：Hermes → OpenClaw → Claude Code 全能力總覽
一張矩陣看懂三層 Agent 框架的全能力分佈：搜索 API、大模型後端、MCP 協議、技能系統、角色分工、通訊渠道。
AI 安全與紅隊測試：Prompt Injection、Jailbreak 防禦
AI 系統的安全威脅全景：Prompt Injection、Jailbreak、Data Poisoning，以及實用的防禦策略和紅隊測試方法。
LLM 評測與選型指南：如何在 2026 年科學選擇模型
系統化的 LLM 選型框架：Benchmark 解讀、實際場景測試方法、成本/效能矩陣、DeepSeek V4 vs Qwen vs Llama 對比。
MCP (Model Context Protocol) 生態詳解：Tool、Resource、Prompt 三大原語
Anthropic MCP 協議完整指南：工具 (Tool)、資源 (Resource)、提示模板 (Prompt) 的設計原理、實戰配置、以及 Claude Code 整合。
Prompt Engineering 系統化方法論：從 Few-shot 到 ReAct
Prompt Engineering 的完整方法論：Few-shot、Chain-of-Thought、Tree-of-Thought、ReAct、Self-Consistency 等技術的原理與實戰。
RAG 深入原理與實踐：從 Chunking 到 Rerank 的完整指南
檢索增強生成 (RAG) 的完整技術棧：Embedding 選擇、Chunking 策略、向量數據庫對比、Rerank 優化，附帶實際代碼示例。
三層 Agent 協同框架：Hermes → OpenClaw → Claude Code 架構詳解
深入解析基於 Hermes Agent、OpenClaw、Claude Code 的三層 AI Agent 協同架構：每一層的職責、通訊機制、以及為什麼這樣分層設計。
Transformer 架構理解 — Attention Is All You Need
深入理解 Transformer 的核心組件：Self-Attention、Multi-Head Attention、Positional Encoding，以及它們如何取代 RNN 成為現代 LLM 的基礎架構。