#AI

Model Context Protocol 進階課程筆記，整理 Sampling、Roots、通知、Stdio 與 StreamableHTTP 的雙向通訊、SSE 連線和狀態取捨。

Introduction to Model Context Protocol 課程筆記，從 MCP 客戶端與伺服器開始，整理工具、資源、提示和 Inspector 的分工與實作流程。

Gemini AI Mode 的對話或網頁文章不必再手動複製貼上，Modern MarkDownload 能把目前頁面下載成 Markdown，調整下載位置與輸出格式，再接進 Agent 與 Obsidian 的知識整理流程。

Claude Code in Action 課程筆記，從 /goal、/compact、Routines 與 headless，到 Hooks、權限模式、GitHub Actions、Code Review 和 Plugin，整理讓 Agent 長時間工作的設定與驗證方法。

Claude Platform 101 從 Messages API、模型選擇與 agent loop 出發，整理 Tool use、Extended thinking、Skills、MCP、Context management 與 Managed agents 的分工。

Claude Cowork 簡介後半段，整理 Claude in Chrome、Microsoft 365 附加元件、技能評估、團隊分享與安全工作的實用邊界。

Claude Cowork 課程前半段筆記，整理工作資料夾、連接器、權限、委派、多步驟任務、全域指示、Projects、Skills 與 Plugins；功能會依版本、平台與帳號方案而異。

Claude Code 101 課程筆記，從 AI 編碼代理、權限與 context 開始，整理 Explore → Plan → Code → Commit 工作流程，再介紹 CLAUDE.md、Subagent、Skill、MCP 與 Hooks 的角色與使用情境；實際功能會依版本、平台與帳號方案而異。

Claude 101 從第一次對話與有效 Prompt 開始，整理 Claude 的核心能力、工作方式、Projects、Memory、Artifacts、Skills、Connectors、Research 與企業搜尋。

我會跟著 Claude Academy 的 26 堂課，花 30 天重新整理 Claude 從對話、Cowork、Claude Code 到 API 的完整使用地圖。

選定一套公開的 LLM Wiki 實作後，我先用它把 50 個 summaries 批次整理成 wiki，再依自己的語言、資料結構與工作方式加上 wiki-ingest 與 changelog，讓外部 skill 逐步變成可持續維護的知識系統，也說明為什麼先站在公開實作上再疊加，比從零重寫更適合我的工作流。

手上有多篇散落、互相重疊的知識，怎麼整理成一份之後真的能用的理解？這篇介紹 Karpathy LLM Wiki 的原始架構、三個工作流程、repo 選型，以及它和 OpenSpec 的相似邏輯。

AEO 不是把文章改成只給 Agent 看的格式，而是用漸進式披露，先讓人和 Agent 理解文章價值，再決定是否深入閱讀。從 GitHub Raw、TL;DR 到部落格的 KeyTakeaways，這篇整理我如何把問題、答案與限制放在文章前面，同時保留正文的脈絡、推理與轉折。

Obsidian MCP 讓 AI 助理能直接搜尋、讀取本機 Obsidian vault 裡的 Markdown 筆記全文，不必再手動回想關鍵字或指定資料夾。這篇記錄我為什麼選 MCPVault，以及它跟 OpenMemory、對話摘要三者怎麼分工。

臺灣 AI Workshop、meetup 與黑客松為何突然密集？從模型公司、在地 Organizer 到跨職能參與者，看見 AI 如何透過社群走進每個人的工作流程。

從 Threads 認識 Digital Garden 後，我發現自己未必需要反覆修改同一篇文章。用系列文把一個個小問題串起來，也能讓知識持續生長成一片森林。

手機遠端控制不只能接手既有工作。把 Remote Control 放進 summon script 後，我能直接從手機召喚新 Agent，並立即接手工作。

當我已經知道要叫誰、用哪個帳號時，不必再讓 Skill 一題一題問。把 cmux 啟動流程抽成 summon script 後，能直接使用，也能讓 Skill 少帶一大段操作細節。

我把「開一個新 AI、套上指定 Agent、選帳號與工作位置」做成 summon-agent Skill，讓 Claude 透過 cmux CLI 建立一個真正可長駐協作的工作現場。

Agent 需要的是角色與 routing，不是每一份 Skill 的完整手冊。把 Skill 留在共同來源、讓 Agent 按需 reference，才能避免多帳號與多 Agent 的規則慢慢分岔。

把 CLAUDE.md 與 AGENTS.md 當成自己能控制的最高常駐 instruction layer 後，我用 Token Diet 重新判斷哪些規則該留下、哪些該延後讀取。

Skill 不是裝得越多越好。我用 Claude Code 內建的 /doctor 健檢盤點裝了什麼，再從 subagent 啟動時的 context 成本出發，重新分辨預載、按需讀取、共同 reference 與移除四種去處。

Claude 與 Codex 的 Agent 格式不同，是否就得維護兩套？我用 shared contract、registry 與 runtime adapter，把角色設定拆成各自只有一份權威來源。

同時使用個人 Claude、company 帳號與 Codex，不必維護三套工作環境。把登入與額度分開後，Skills、MCP、規則與 Agent 都能維持各自的單一來源。

我為了 GPT-5.6 更新一路追到舊 ChatGPT App，才看懂 Codex App 如何變成新的 ChatGPT、舊 ChatGPT 為何成為 Classic，以及左欄 Chat／Work 到底怎麼分類。

Oysterun 不是另一條 SSH 管線，而是一套自帶手機對話、檔案瀏覽與通知的本機 AI Host。它以 Tailscale 打通手機與電腦，也換來一套新的工作介面。

Claude Dispatch 不再只是綁定一個 Cowork session 的獨立介面。它現在像一個持久的派工中樞，依任務類型分流到 Cowork 或 Claude Code。

實際用手機接手 AI 工作後，我發現 Codex Remote 對我的 workflow 更順：隨時回到任一專案或對話，而不是只能接住一條預先開放的 session。

一張 Spokenly Dashboard 的 WPM 卡片，讓我從中英混雜字數、打字機時代留下的 Standard Word 慣例，一路追問到「節省時間」究竟該怎麼算。

Typeless 讓我開始用口述時間、字數和節省時間觀察自己的 workflow。換到 Spokenly 後，我從本機 History log 做了一個靜態 Dashboard，讓後續調校有資料可看。

Spokenly 的 History 同時留下原始轉寫與 AI 潤飾結果。我把這些紀錄交給 LLM 分析，找出固定誤辨，再把 Typeless 的閱讀感拆成三個可持續調校的旋鈕。

把 Spokenly 的 STT 從雲端搬到本地 Whisper：不需要額外 GPU，加入本地 Prompt 與 Word Replacements 後，雲端 API 成本再降超過 90%，只剩約 $0.3／月。

Vibe Coding 不只是寫好 prompt。當長時間和 AI 討論，口說能保留容易被鍵盤壓縮的意圖與脈絡；這是我從 macOS Dictation 到 Typeless 的起點。

OpenMemory 裝好後，真正的問題不是會不會存，而是怎麼把記憶策略寫進 System Prompt。這篇整理我怎麼收斂查詢時機、寫入準則，和三層記憶分工。

OpenMemory 本地自架怎麼設定？這篇接續說明 Docker 啟動、MCP 串接與 OpenAI API key 的選擇，拆解 API、Qdrant、Dashboard 三個服務、記憶寫入與語意搜尋流程，並用跨對話、跨帳號、跨 AI 的水果清單 DEMO 驗證記憶如何被找回。

AI 工具能記住使用者輪廓，卻常遺漏跨 session 的專案決策與協作細節。這篇從 GitHub 社群方案出發，依本地／雲端、AI 接入、寫入與搜尋方式比較 OpenMemory、claude-mem 等工具，再與 Notion、Obsidian 對照，說明我為何選擇可自架、跨 LLM 共用的 OpenMemory。

跟 AI 一起完成任務後，最有價值的不是最後產物，而是那段被調整出來的流程。這篇整理為什麼要趁 session 還在，把任務沉澱成下次可直接呼叫的 Skill / SOP。

AI 對話框裡常常藏著解法、試錯和判斷理由。這篇整理我為什麼會在 session 結束前請 AI 匯出 Markdown，把一次對話保存成未來可以搜尋、引用和再加工的知識材料。

從數位分身圖片生成的踩坑經驗出發，整理生圖 Prompt 的寫法：先定義意圖，再處理風格、主體、場景和限制，並對照 OpenAI、Google、Midjourney 的官方建議。

從工程角度打造數位分身，記錄圖片生成 AI 如何在 Prompt、參考照片、風格一致性和模型美學之間失控，最後理解用文字駕馭圖片為什麼這麼難。