現在正是線下社群奇異點：模型公司、Organizer 與各行各業正在聚集與擴散
2026年8月1日
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。
Digital Garden：從一個節點長成一片森林
2026年8月1日
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。
從手機召喚一個可接手的 Agent：把 Remote Control 放進 summon script
2026年7月27日
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。
summon script：把輪詢式 Skill 拆成可直接使用的啟動指令
2026年7月26日
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。
Skill：用 cmux CLI 召喚一個有明確職責的 AI
2026年7月26日
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。
Skill 不該複製進每個 Agent：用 reference 保留共同來源
2026年7月26日
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。
User System Prompt 的 Token Diet：哪些 instruction 應該常駐？
2026年7月26日
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。
Skills 裝太多之後：內建健檢 doctor 怎麼幫我決定預載、按需讀取，還是移除？
2026年7月26日
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。
Agent 設計：Claude 與 Codex，同一個角色，兩種載入方式
2026年7月26日
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。
三個 AI 帳號，一套工作環境：Single Source of Truth
2026年7月25日
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。
Codex 升級成 ChatGPT 後：Classic、Chat、Work 到底怎麼分？
2026年7月24日
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：用 Tailscale 從手機控制本機 Claude Code／Codex 的第三條路
2026年7月24日
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：從手機派工到 Cowork 或 Claude Code
2026年7月24日
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。
Codex Remote 為什麼比 Claude Code Remote Control 更順？
2026年7月24日
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。
Spokenly Dashboard：一個 WPM 的定義，讓我一路問回打字機時代
2026年7月18日
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。
Spokenly 的歷史紀錄，被我拿來做成 Dashboard
2026年7月15日
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 的歷史紀錄，竟然成了我調校 Prompt 的養分
2026年7月15日
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。
Spokenly 設定：STT 換成本地模型後，成本再降 90%
2026年7月15日
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：保留你的完整意圖與脈絡
2026年7月15日
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 記憶策略：裝好之後，真正難的是決定什麼值得被記住
2026年7月13日
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 本地自架教學：Docker、MCP 與 API key 怎麼設？
2026年7月13日
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。
OpenMemory：我怎麼選跨 session、跨 LLM 的長期記憶方案
2026年7月13日
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。
Session is Skill：把一次 AI 任務變成下次可呼叫的 SOP
2026年7月2日
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。
Session is Knowledge：把 AI 對話保存成自己的知識庫
2026年7月2日
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。
生圖 Prompt 不是願望清單：我從數位分身踩坑裡反推出的格式
2026年7月1日
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。
打造數位分身：為什麼圖片生成 AI 很難駕馭？
2026年6月27日
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。