Archive
- 張力句教練：讓未來的你找得到今天寫的東西
- 《AI 時代帶團隊》給高階主管：把注意力從親自操作 AI，拿回來帶領團隊
- 《AI 時代看老闆》給中型公司負責人：把注意力從全公司的 AI 問題，拿回來守住本業
- 《AI 時代創公司》公司記憶 ✕ 業務進攻 品香六堂課課綱
- 《AI 時代》三門課總綱：把大部分注意力，從搬運工作拿回來
- 《生資料顯影術》：從未整理的資料中，看見板塊變化、摩擦與隱藏關聯
- React 課綱設計報告 II：AI 輔助改變了什麼——從「寫 React」到「驗收 AI 產生的 React」
- 143 個 React / React Native 練習 App 完整圖鑑：從行為反推學習重點
- React 課綱設計報告：從 143 個 App 反推該教什麼
- Prompt for Apply Job Scout
- Prompt for Threadwalker Scout
- Scout Handoff Threadwalker 實際流程
- CtxFST CH30 - The Missing Agent OS Architecture: World State, Planning 與 Process Control 的分離
- CtxFST CH29 - .ctxfst.md 是手動建的，不是聊天自動生出來的
- CtxFST CH28 - 完整的導航比喻：Phase 1-7 各自對應什麼
- CtxFST CH27 - 沒有 World State 時 Agent 怎麼壞掉的：五個真實場景
- CtxFST CH26 - World State 是導航系統：為什麼 Graph 只是地圖，Agent 還需要知道「你在這裡」
- CtxFST CH25 - Graph Layer 可以換：為什麼 Phase 1-4 是 CtxFST 還是 LightRAG 不重要，重點在 Phase 5-7
- CtxFST CH24 - 讓 OpenClaw 原生理解 CtxFST：從 chunk-only memory 升級成 entity-aware retrieval（Phase 1-5）
- CtxFST CH23 - 讓 AI 記憶可以被看見、搜尋、修正：用 OpenClaw 做一個可除錯 memory loop
- CtxFST CH22 - Entity-Aware Retrieval vs Pure RAG：用真實筆記集跑一次，差在哪裡
- CtxFST CH21 - 整合 OpenClaw：把 Agent Skills 升級成 Semantic World Model
- CtxFST CH20 - Interactive Plan Critique：讓 Planner 進入真正的人機協作
- CtxFST CH19 - Relation-Specific Explanations：讓 Planner 不只會找路，還會說明為什麼
- CtxFST CH18 - Multi-Step Planning：從 Greedy Selector 升級成 Lookahead Planner
- CtxFST CH17 - Relation-Aware Routing：讓 Selector 分得出因果邊和相似邊
- CtxFST CH16 - 先別急著變聰明：為 Agent Loop 補上 End-to-End Test Suite
- CtxFST CH15 - Goal-Aware Skill Routing：讓 skill_selector.py 真的朝目標前進
- CtxFST CH14 - 讓 SKILL.md 真正驅動 Graph-Aware Agent Loop，並自動回寫 Graph
- CtxFST CH13 - 第一個可跑的 Agent Loop：用 world_state.py 與 skill_selector.py 驅動 World Model
- CtxFST CH12 - v2.0 落地：為什麼我把它重構成 World Model First
- CtxFST CH11 - 從 v1.0 到 v2.0：把 Semantic Graph 升級成可操作的 World Model
- CtxFST CH10 - 全端實戰：用 Entity Embedding Graph 打敗純 Vector Search，發現你筆記中的未知領域
- CtxFST CH9 - Pipeline 的遺失環節：不弄髒 Schema 的動態實體輪廓 (Entity Profiles) 生成
- CtxFST CH8 - Schema 穩定後的自然產物：實作能自動生長邊界的 Entity Graph Builder
- CtxFST CH7 - Skill Graph 進階：YAML Schema 只是骨架，Entity Similarity 從哪來？
- CtxFST CH6 - 實戰指南：從 .ctxfst.md 到 chunks.json，破解 export_to_lancedb.py 的角色與輸出協定
- CtxFST CH5 - 破除 GraphRAG 迷思：真正重要的不是 Graph，而是 Embedding 自己長出來的 Entity Graph
- CtxFST CH4 - 實戰指南：如何用 Skill Chunk MD 格式建立 GraphRAG 知識庫？
- CtxFST CH3 - 為什麼 GraphRAG 需要「實體」？文章片段 (Chunks) vs 專業名詞 (Entities) 的底層邏輯
- CtxFST CH2 - 用一句話區分：Keyword 與 Entity 到底差在哪？
- CtxFST CH1 - 做 GraphRAG 之前，為什麼要先「穩定 Schema」？CtxFST 的規格化之路
- 從 HelixDB 開始：中小圖教學系列大綱
- Ch1：為什麼你的 RAG 需要 Skill Entity Graph？
- 從零打造 Entity Embedding Graph RAG：一門實戰迷你課的完整藍圖
- GraphRAG 資料庫新勢力：Lance-graph vs HelixDB vs FalkorDB 完整評測
- Memgraph vs HelixDB vs 手刻 Semantic Graph：200 節點知識圖譜的務實選擇
- 2026 機場選購指南：大陸用戶翻牆服務怎麼挑？
- 從 LangChain 遷移到 LlamaIndex：PropertyGraphIndex 整合實戰
- GraphRAG 進階：LLM 證據選擇與跨層分數融合
- Entity Resolution：用向量相似度解決 GraphRAG 實體重複問題
- Ensemble 不只在機器學習：把 RAG 做穩的多路徑檢索策略（BM25/FTS + Vector + GraphRAG）
- 雙路徑整合檢索（Ensemble Retrieval）提升 GraphRAG 種子節點品質：Vector + LLM + RRF 融合落地
- 把 GraphRAG 想成全自動 Logseq/Roam：從雙向連結到社群摘要與走圖檢索
- petgraph vs rustworkx / rustworkx-core：Rust 與 Python 圖計算怎麼選
- 把 GraphRAG 的「走圖」落實：graph.pkl 真遍歷、Local Search 合併擴展、Chat 支援 graph_hops
- 企業級 GraphRAG 架構選型：LanceDB + Graph vs LightRAG 深度比較
- 優化 LLM 模型分派策略：Reasoning vs. Fast
- GraphRAG 全局檢索強化：Dry-Run 成本估算 + Hybrid FTS 混合檢索
- GraphRAG 全局檢索：社區分群 + 社區摘要 + Map-Reduce 聚合
- 用 rustworkx 取代 NetworkX：Python 圖運算的 Rust 加速
- 手刻 GraphRAG：用 NetworkX + LangChain 建構知識圖譜增強檢索
- 用 NLI 框架檢驗技能覆蓋：從模糊判斷到結構化推理
- 用 Reflection Chain 生成高品質履歷
- 混合搜尋：讓履歷素材無處遁形
- 教練循環：用 STAR 法把經驗變成履歷素材
- 策略制定：從診斷到決策的關鍵一步
- 中文 BM25：用 jieba 解決履歷搜尋的分詞問題
- 技能驗證的進化：從暴力 LLM 到智慧分層策略
- 履歷素材入庫：精確去重與相似變體檢測
- GraphRAG 效能解放：用 NetworkX + RAPIDS cuGraph 實現 GPU 加速圖檢索
- 履歷素材的追蹤與去重：用 JD ID 建立關聯
- 用 LanceDB 儲存 JD 分析：避開 Arrow 巢狀結構的陷阱
- 終極檢索架構：NotebookLM + LanceDB + GraphRAG 三 CLI 協作
- Hybrid Search 實戰：從中文分詞到向量資料庫選型完整指南
- GraphRAG 深度解析：自動知識圖譜的威力與局限
- CLI 取代 MCP Tools：2026 年 AI Agent 的最佳實踐
- MCP Tools vs Agent Skills：我到底需要哪一個？
- 用 NLI 驗證履歷技能覆蓋：一個完整的實戰案例
- 2026 年主流 RAG 架構：從 Hybrid 到 Agentic / Graph 的工程化落地
- 用 GraphRAG 做多跳證據檢索：一個完整的實戰案例
- 用 LLM 建立職涯技能圖譜：做出類似 GraphRAG 的能力
- 用 PM2 + Bun 管理 Python FastAPI 服務：從 systemd 遷移實戰
- 從 Vector Search 到 Advanced RAG：Hybrid Search、Reranking 與證據驗證的完整實踐
- PM2 + uv + Bun：fnNAS 上的黃金三角部署策略
- WSL 2 圖形界面完整指南：Wayland、WSLg 與 Windows 互通
- 深入理解 OAuth 2.0：從 Client ID 到 Token Exchange
- OAuth 2.0 測試實戰（Mock Provider + Inspector）：用 Bearer Token 保護 MCP SSE
- MCP SSE（Bun + Hono）實作筆記：Header 認證與 Inspector 測試
- HTTP Authorization Header 深入解析：為什麼一定要加 Bearer？
- 從零開始：用 Hono + Cloudflare Workers 打造 Mock OAuth Server
- 2026 年混合雲部署策略：Cloudflare + Vercel + Railway + Fly.io + Neon 完整架構指南
- 為什麼 Code 裡寫的是 Zod，但協議卻說要 JSON Schema？
- MCP Tools 通知機制：與 Resources 的差異解析
- MCP 工具撞名了怎麼辦？ (Namespace Collision)
- stdin 到底是什麼 Port？ (Stdio vs TCP/IP)
- RPC (Remote Procedure Call) 就是 IPC 嗎？
- MCP Resources 最佳實踐：從官方範例到實戰設計
- MCP Prompts 深度解析：橋接人類意圖與 AI 上下文
- OS 裡實際發生了什麼事？ (Process Tree & Pipes)
- Node.js vs Bun：MCP 專案比較
- 最小可行性 MCP Server (Code Walkthrough)
- JSON-RPC：程式界的掛號信 (The Core Protocol)
- 如果 Server 這端不回話，Client 就在那裡等死嗎？ (Timeout 機制)
- Cursor 如何決定找哪個 MCP Server？ (MCP 路由機制解析)
- MCP 核心概念指南：Resource、Tool 與 Prompt
- Cursor 怎麼跟 Server 講話？不是用 PID 嗎？ (Pipe vs PID)
- AI 真的知道它在呼叫哪個 Server 嗎？ (Tool Call ID 機制)
- Telegram Bot 進化：整合 xAI Grok Responses API 與圖片分析
- 用 Bun + Vercel 打造免費、有記憶的 Serverless Telegram AI Bot
- 從 Serverless 到 PaaS：Vercel、Railway 與 Fly.io 多語言 API 部署全解析
- 需求訪談 Workflow：從 Cloud Code 到 Antigravity 的 AskUserQuestionTool 移植
- Vercel vs Cloudflare vs Netlify：多語言 Serverless API 部署完全指南
- FDE 小型 IDP 指南（無 K8s 篇）：用自架 PaaS 打造 Vercel 級部署體驗
- 多輪 RAG 對話記憶：從 Sliding Window 到 localStorage 的實作指南
- 用 BGE-M3 + LanceDB 打造本地 RAG 搜索：11ty Blog 的 AI 升級之路
- 私有雲小型 IDP 實戰：用 ArgoCD + Helm 打造 Lean GitOps 開發者平台
- 邊緣運算部署實戰：Go (Chi + sqlc) on Fly.io vs TypeScript (Hono + Drizzle) on Vercel/Cloudflare
- 2026 年 Python 部署雙雄：uv + Ansible 讓 FDE 的日子不再難過
- MessagePack 什麼時候該用？什麼時候不該用？
- 為什麼 orjson 幾乎是現代 Python Web 專案的預設選擇？
- LangChain Agent 治理之道：如何在「管住」與「管死」之間找到架構的平衡
- 為什麼我選擇了一條「少有人走的路」？—— 談 Next.js + Hono + Edge AI 的非主流電商架構
- 為什麼我決定放棄 Next.js + Auth.js，轉向 Hono + Better Auth？
- AI 時代的新 SDD：從 Windsurf 的 25 個 Spec Files 談起
- 架構決策：以 Cloudflare Pages + @cloudflare/next-on-pages 部署 Next.js 電商前台
- 架構決策分析：Admin Dashboard 身份驗證模型
- 下一代全端工程師生存指南：如何靠 Next.js + Hono + AI 搶佔「Headless Commerce」的藍海職缺？
- 從「總部大樓」到「全球快閃店」：為什麼我們把 Medusa 電商後端搬到了邊緣 (Edge)？
- Next.js vs. Astro：打造高互動電商網站，創業者該如何選擇技術地基？
- 打造極致轉換率：電商前台 40 個關鍵互動模組全解析
- 新手開發者請注意：為什麼「Content-first」架構可能是電商前台的最佳解？
- 從「不知道有這東西」到「非你不可」：Edge + AI 電商架構的市場採用心理學
- The AI Copilot：打造智能電商後台
- Augment Code 使用攻略：Monorepo 省錢實戰指南
- [Linux 教學] 一次搞懂 apt update、upgrade 與 full-upgrade：日常維護的最佳實踐
- 踩雷筆記：Deploy Hooks 沒反應？原來是 main 和 master 在搞鬼！（附完整遷移教學）
- [實戰筆記] 如何在「現有資料夾」中初始化 Astro 專案？(部署至 Cloudflare Pages)
- 回歸 Web 1.0 的去中心化精神：我的「聯邦式」部落格架構 (The Blog Federation)
- Next.js EC Site MVP - Monorepo Architecture Documentation (Bun Edition)
- Next.js + Cloudflare Workers Split Architecture MVP PRD
- 白皮書：《2025 電商技術革命：從 SEO 到 GEO，打造 Cloudflare 與 Vercel 驅動的現代化光速商店》
- 跨國賣家的倉儲難題：如何在 eBay, Amazon, Newegg 之間完美同步美國倉庫存？(從 ERP 到自動化腳本的全解析)
- 台灣跨境電商實戰路徑：從 eBay、Amazon 到自建品牌官網的技術全攻略
- Cursor vs. Windsurf：我誤會了，原來它們的『靈魂』完全不同
- 2025 年 Cloudflare 最佳 MPA 框架排行榜：誰才是真正的邊緣運算王者？
- 構建 Human-friendly RAG：六大 LLM 在結構化知識提取上的表現評測
- AI Agents 演化史：從 1.0 到 3.0 的物種進化論
- Mermaid 測試文章：流程圖與序列圖範例
- 氣功該怎麼挑樹？
- AI Agents 演進史：為什麼你的 AI 助理還不夠聰明？從 1.0 到 3.0 的真實進化論
- AI Agents 的演進：從 1.0 到 3.0，以及為什麼我認為不會有全能 AGI
- 從 R2 架構的大夢初醒：為什麼我放棄統一 CMS，轉向「多重子網域」的聯邦式架構
- 從不斷拖延到快速行動：我用Vercel快速建立部落格的實際經驗與心得