#LLM

文章定稿後跑一次去 AI 味 skill、只改部分詞彙，會不會打破 LLM 文字浮水印？整理 OpenAI textGrain 與 Claude 浮水印的官方說明，再把三篇文章丟進 GPTZero 與 Copyleaks：同一篇一邊判 77% AI，一邊判 0%。

之前用 cmux 召喚 Codex 卻傳不了訊息，這次改用 Orca CLI：從 Claude 啟動 Codex、用 tab ID 查 handle 傳訊，並拆解它和 cmux、Claude Agent Teams、codex-plugin-cc 的差別。

Building with the Claude API 第 39–46 堂，整理擴展思考、圖片與 PDF、引用、提示快取，以及 Code Execution 與 Files API 的 API 邊界與實作取捨。

Building with the Claude API 第 20–31 堂，從工具函式與 JSON schema 到多輪對話、串流、文字編輯與網路搜尋，拆解 Claude 的代理迴圈。

Building with the Claude API 第 15–19 堂，從清晰指令、具體要求、XML 標籤到範例學習，整理如何用評估分數逐步改善 Prompt。

Building with the Claude API 前 14 堂，從 API 金鑰、對話狀態、temperature、回應串流與結構化輸出開始，再建立提示評估流程，用資料集與評分器把「感覺變好」換成可追蹤的分數。

Claude Academy 的 AI Capabilities and Limitations 後半課程筆記，從上下文視窗的懸崖、迷失在中間與指令遵循談起，整理工作記憶、可操控性和屬性衝突診斷，最後接回 4D 框架與校準信任。

Claude Academy 的 AI Capabilities and Limitations 課程筆記，從生成式 AI 的訓練與下一個詞元預測，整理幻覺、知識截止與嵌入檢索的能力邊界。

我從 Claude Academy 挑選 18 門課，安排成 30 天學習挑戰，從 Claude、Claude Code、Cowork 到 MCP、AI Fluency 與 Claude API，整理每堂課值得帶回工作的實用重點。

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。

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。