AI Agent Article Series

AI Agent 開發筆記

從 Model ≠ Runtime 到工作流心法 — 11 篇深度文章，帶你全面理解 AI Agent 的技術本質與思維轉變。適合已經入門 AI 的你更深入了解 AI Agent，如果你有技術背景，或者懂一些技術，可以先閱讀技術框架 7 篇再看 4 篇心法。如果你不懂技術，但想要學習 AI 工作流，可以先看心法，遇到有疑問的再往回看前面 7 篇技術框架。希望這些文章能幫上忙，如果你覺得有幫助，可以考慮點擊畫面下方的按鈕請我喝杯咖啡～

開始閱讀

即時新聞

AI Agent 最新動態

查看更多 →

2026/05/15

Claude -p 要另外收錢了，還好我已經開始遷移到 Codex——順便聊聊 Agent View 為什麼不是我要的

Anthropic 宣布 6/15 起 `claude -p` 與 Agent SDK 不再吃訂閱額度，改抽獨立月度 Credit、超過按完整 API 費率計費。對我這種把 filesystem mailbox 當 IPC、靠 headless 把 teammate 叫醒的 Agent Team 來說，這不是漲價，是計費單位整個換了。同一週 Anthropic 還推出 Agent View——但它解的是 worker pattern 的問題，不是我這種 specialist pattern 的需求。

2026/05/01

AI 流量正在考驗 GitHub，當 Actions 卡住，連 Mitchell Hashimoto 都要離開

Mitchell Hashimoto 的 Ghostty 準備離開 GitHub，不只是一次老牌開源開發者的告別，也讓 GitHub 近期的穩定度問題被重新放到檯面上，從 3 月 Actions 大規模延遲，到 GitHub 自己承認 agentic development workflows 讓容量規劃從 10X 拉到 30X，這些事件放在一起看，AI 自動化正在把大家習慣的 PR 流水線推到新的壓力邊界。

2026/04/10

每小時 8 美分，Anthropic 要幫你養 Agent 了

Anthropic 推出 Claude Managed Agents public beta，開發者只需定義 Agent 邏輯，沙箱、狀態管理、錯誤恢復、安全控管全部由 Anthropic 託管。$0.08/hr 的定價、「腦手分離」的 OS 級架構、Notion 和 Rakuten 一週內上線的實戰案例——Agent-as-a-Service 的時代正式開始了嗎？

實戰心得

Practical Tips — 協作經驗與實務技巧

實戰 Tips 4：Agent 的時區盲點 — 25 小時的漏洞，他自己都沒發現

一個每天幫你整理信件的 Agent，因為時區假設錯誤累積了 25 小時的資料缺口。更危險的是，就算證據就在它眼前，它也沒有發現自己漏了東西。

實戰心得 8 分鐘

實戰 Tips 3：Agent 讀取的陷阱 — 摘要讓你快速，也讓你錯過

Agent 預設用摘要方式讀取所有東西，包括程式碼。從拆解 Claude Code /insights 的 3,200 行原始碼中發現：三種讀取深度產出三種品質，程式碼的細微差異不是冗餘，是刻意的設計決策。

實戰心得 8 分鐘

實戰 Tips 2：把你的 Skill 打包成 Plugin 發布

從一個實際案例出發，走一遍 Claude Code Plugin 的打包流程：結構設計、依賴分類、環境變數處理、驗證迴圈、以及建立統一 Marketplace。附完整踩坑紀錄。

實戰心得 10 分鐘

實戰 Tips 1：Agent 的「已知」陷阱 — 他沒說的，才是最危險的

Agent 會把 session context 當成理所當然的已知，省略關鍵資訊、不告知能力邊界、把臨時約束永久化。三個實戰案例揭示「輸入端幻覺」的危險，以及用 context 交接儀式來防堵。

實戰心得 12 分鐘

實戰 Tips 0：三個跟 AI 協作前該校準的事

分清楚該說清楚的與該放手的、用策略取代指導、以及迭代要分加法跟減法 —— 三個跟 AI 協作時最容易忽略但影響巨大的實務心得。

實戰心得 12 分鐘

Agent Team 實戰

Agent Team in Practice — 從零打造 Agent 協作團隊

Agent Team 實戰（十一）：持久化不是讓 Agent 一直跑，而是讓他醒來後還知道怎麼工作

從半夜排 remote agent 寫新聞，到 A7sus4 的 persistent identity，這篇整理 Agent Team 的 long-run persistence：記憶、任務、身份、觀察四層如何接上，讓 Agent 跨 session、跨機器、跨時間仍然可交接、可追蹤、可驗證。

Agent Team 實戰 7 分鐘

Agent Team 實戰（十）：A7sus4——我沒有直接建 A7

A7 的角色定義清楚後，我沒有直接建 A7，而是先建了 A7sus4：一個承擔 Role 3 production duty 的 production-precursor。這篇談 persistent identity、signal-density preflight、第一次 live audit 抓到的東西，以及我從 A7 發展出來的稽核 Agent 方法論。

Agent Team 實戰 6 分鐘

Agent Team 實戰（九）：A7——不是再多一個 Agent，而是讓團隊開始被看見

A7 一開始只是 validation gap 的未來解法，後來在 silent failure、chain debug ownership、team drift 這些事故裡，長成一個真正的 Auditing Agent。這篇先談 A7 為什麼需要存在：它不是再多一個執行者，而是讓 Agent Team 開始看見自己的錯。

Agent Team 實戰 6 分鐘

Agent Team 實戰（八）：溝通架構——OS IPC 能教你什麼，不能教你什麼

OS 假設所有 process 是同構的，但 Agent Team 裡每個 Agent 都是異構的——這個根本差異讓 OS IPC 在 L0-L2（Environment、Transport、Topology）完全適用，但到了 L3-L4（Protocol、Content Contract）碰壁。五個 OS 框架解決不了的問題：shell hook 無法提取 LLM 判斷、filesystem 同時是 transport 和 result、統一格式在異構 Agent 間沒意義、接收方 Context 會被降級、身份載入是 OS 不存在的維度——各自長出了 inspection map、Return Contract、Hybrid Dispatch 這些 OS 教科書裡找不到的設計。

Agent Team 實戰 8 分鐘

Agent Team 實戰（番外篇）：從 OS 的 IPC 看 Agent 溝通——五層決策模型

Agent 溝通不是新問題，OS 的 IPC 幾十年前就處理過了。Process = Agent、pipe = Subagent、file + flock = mailbox、context switch = TLB miss——連經典問題都一模一樣。五層決策模型（L0 Environment → L1 Transport → L2 Topology → L3 Protocol → L4 Content Contract）由下往上設計，每層限制下一層的選項。三個系統（Claude Teams / OpenClaw / A2A）在不同的 L0 環境下做了各自合理的選擇，但到了 L3-L4，OS 的框架開始不夠用了。

Agent Team 實戰 8 分鐘

Agent Team 實戰（七）：記憶——三層架構、mem0 遷移、QMD 整合

Agent Team 的記憶不是一個系統，是三個不同用途的系統疊在一起。State 記「正在做什麼」、Wiki 記「我們知道什麼」、mem0 記「為什麼這樣決定」——三層的更新頻率、查詢模式、同步方式完全不同。mem0 從本機 Chroma 遷移到 Qdrant Cloud 解決了跨機器同步，QMD 則為 wiki 加上了搜尋介面，讓 token 成本不再隨 wiki 大小線性增長。

Agent Team 實戰 7 分鐘

Agent Team 實戰（六）：知識——Em 的 Wiki 和「不是所有東西都要塞進 Context」

Agent Team 的知識不該散落在每個 Agent 的 Context 裡，需要一個集中的、可編譯的、可搜尋的知識庫。Em 的 wiki 從 28 頁長到 120 個檔案，三個 ingest 案例展示了知識的提取、結構化和交叉引用——但 wiki 越大，query 的 token 成本線性增長，這才是真正的挑戰。

Agent Team 實戰 7 分鐘

Agent Team 實戰（五）：溝通——Dispatch 的兩條路和一堆坑

Agent Teams 的 team of workers 設計跟我的 team of specialists 需求有根本性落差。CMUX 的 split-pane dispatch 解決了身份隔離，但 Agent 一直忘了 cd。Hook 格式的 silent failure 讓 debug 時間遠超修復時間——最後長出了三種混合模式：A、B-Chain、C-Notify。

Agent Team 實戰 7 分鐘