用 Astro + Cloudflare Workers 從零建立低摩擦平台
Astro + Cloudflare 的關鍵在四個地方：adapter 的 platformProxy 要開、wrangler.jsonc 集中管理所有 bindings、env vars 和 bindings 是兩個不同系統、D1 Preview 環境要指向獨立 staging database。
tech
tech
工程實作、架構設計、工具介紹與踩坑紀錄。
77 篇文章 類型
篩選
排序
代表文章
RAG 五階段：從流水線到會思考的檢索，以及我站上那個 Naive RAG
RAG 這兩年從『線性流水線』演化到『循環推理』，可以用五階段梳理：Naive、Advanced、Modular、Graph、Agentic。分水嶺是控制權從管線移交給 Agent，範式從 System 1 進到 System 2。回頭看 engineer-news 這個站的實作，其實還卡在 Naive RAG 邊界——這篇順便把它的下一步應該補什麼寫清楚。
想蓋一個能用的 RAG：InfiniFlow 2024 年度總結給我的 5 個 infra 功課
上一篇拉高看 RAG 五階段全景，這篇拉近看實際想蓋一個 RAG 要面對的 5 個 infra 功課：文件入口解析、Chunking 上下文化、三路混合搜尋、Tensor Reranker、GraphRAG 語意鴻溝。每個功課都對照 engineer-news 現況，收尾給出對個人站的優先順序清單。
J-lens：Anthropic 從『全域工作空間』找到 Claude 內在思考的可解釋性新工具
Anthropic 提出 J-lens，一種捕捉 Transformer 內部『可語言化』表示的可解釋性工具，並用它證實 Claude 內部存在類似神經科學『全域工作空間』的特權子空間——一小組向量對外廣播、驅動推理、可被使用者調控，也在欺騙與評估感知時洩漏訊號。
Harness Engineering（二）：OpenAI 百萬行實驗與五個工程答案
OpenAI 三名工程師用 Codex 五個月產出百萬行程式碼、零手寫——這場實驗真正的價值不在數字，而在它證明了『Harness 設計』是可以工程化的。拆解五個具體實踐：讓 App 對 Agent 可見、倉庫即事實來源、架構約束機械化、合併哲學重寫、後台熵管理。
Harness Engineering（三）：業界共識、四大支柱與落地三階段
把 Harness Engineering 從概念和標竿案例，收斂成你今天就能開始執行的東西：Agent 的四種固定翻車姿勢、上下文的 40% 甜蜜區間、業界收斂出的四大支柱框架，以及從『下午就能做』到『兩週後全自動化』的三階段路線圖——最後點出六大業界共識和三個至今無解的難題。
Headroom：在 prompt 送出前，把上下文壓掉 90% 的本地壓縮層
Headroom 在 LLM 請求送到供應商前，於本地把 tool 輸出、log、RAG chunk 壓掉 60–95% 的 token。真正值得學的不是壓縮率，而是它用『mask 抽取 + 快取變異經濟學』決定該不該壓——以及一個文件超前實作的提醒。
Sakana Fugu 與 OpenRouter Fusion：把多代理系統包成一顆模型的兩種解法
兩個 2026 年的產品都在回答同一個問題：單一模型撞到天花板時，與其挑一顆模型，不如把一群模型編排在同一個 API 後面。Fugu 走『學出來的協作』，Fusion 走『並行審議 + 裁判合成』。
科學家發現 AI Agent 之間有更好的溝通語言——不是自然語言
研究發現 AI Agent 之間用「湧現語言」（emergent language）比用自然語言溝通更有效率——更短、更省計算資源，但也更不透明
Loop Engineering：設計自動 Prompt Agent 的系統，不只是下 Prompt
Loop Engineering 是把『下 Prompt 的你』換成一個系統：設計自動化的回饋迴圈，讓 Agent 在無人監督下持續、正確地工作
庫克謝幕、Ternus 接班：WWDC26 蘋果 AI 的權力重組與五款自研模型
WWDC26 是蘋果新領導層的檢驗時刻——Tim Cook 卸任前最後一次主持，Ternus 9 月接任。蘋果端出五款自研 AFM 模型、系統編排器，以及和 Google 合建的 PCC 隱私架構；但發布會 demo 仍以生成式 AI 為主，真正的 Agentic 能力才剛起步。
三種最有趣的顯示裝置：MacBook 貼附式觸控螢幕、旋轉體積顯示、Dell 52 吋 6K 超寬螢幕
三個真正有趣的顯示裝置：靠磁吸+USB-C 把 MacBook 變觸控螢幕的 Magic Screen、以 900 RPM 旋轉、需要 7,200Hz 更新率的體積顯示器，以及 Dell 52 吋 6K 超寬單螢幕。
Titans：讓模型在測試時記憶（論文分析重點整理）
Google Research 的 Titans 提出一種讓模型在測試時（推論期間）記憶的架構：把很長的文本切成好幾段，用記憶把前段學到的東西帶到後段，藉此突破 transformer 的 context window 限制。想法確實不錯，但論文裡不少被稱為「memory」的東西，其實是既有做法換了名字。
TiDAR：Nvidia 的擴散＋自回歸混合架構——把閒置的 GPU 算力換成推論加速
TiDAR 是 Nvidia 提出的自回歸＋擴散混合語言模型架構：它的取樣結果與純 AR 完全一致（保住品質），卻能利用 AR 推論時閒置的 GPU 算力、用 diffusion 預先計算來換取加速，幾乎是一頓『免費午餐』。
技術 YouTuber 的幕後直播：選題靈感、社群訊號與工具選擇
一場「幕後如何做影片」直播的重點整理：技術 YouTuber 的選題靈感從社群與 web 生態而來，並談到日常工作習慣與用 Firebase 自建內容系統的想法。
Kafka 為什麼這麼快？高吞吐、循序 I/O 與便宜磁碟的祕密
說 Kafka「快」通常指的是它的高吞吐能力。關鍵設計之一是用 append-only log 把磁碟存取變成循序 I/O，避開隨機尋道；再加上 HDD 便宜又大容量，Kafka 得以低成本長期保留訊息。
在本機跑 LLM 的五種工具：從 llama.cpp 到 vLLM
Qwen、Kimi、GLM 這些開源模型已經夠強，很多情境不再需要託管 API。本文整理五種在本機跑 LLM 的工具，以及各自適合的場景。
Anthropic 一邊喊「全球暫停」，一邊推出史上最強模型 Fable 5
上週 Anthropic 呼籲全球 AI 實驗室一起裝上「協調煞車」，這週卻發布了號稱史上最強的 Claude Fable 5。它和只限受控存取的 Mythos 5 其實是同一個底層模型，差別只在一層 classifier 「口罩」，並用 6/22 到期的限時開放製造 FOMO。
Claude Opus 4.8：不再對自己的程式碼說謊
Two Minute Papers 讀完 Opus 4.8 長達 244 頁的 system card：這一版最大的賣點不在智商，而在「水管」——它不再對自己寫的程式碼說謊、不再偷懶亂猜。
25 支手機的 giveaway 被指造假：dbrand 貼皮、空白盒子與得獎詐騙的真相
一場送出 25 支手機的 giveaway 被 Reddit 貼文質疑造假。創作者在直播中逐一回應「盒子沒有 shrink-wrap、敲起來空心、外盒一片空白」三個疑點，並提醒觀眾提防假冒得獎通知的詐騙。
WWDC 2026 速覽：新 Siri 打安全牌，Apple 這次選擇「把細節做好」
WWDC 2026 快速帶過各系統更新，主力放在兒少安全與新的 Apple Intelligence／Siri。新 Siri 走保守路線：對話式問答、跨裝置同步，最大賣點是能索引你 iPhone 上的個人資料；但最強的 on-device 模型只跑在 iPhone Air 與 17 Pro。
Anthropic 一邊申請兆元 IPO，一邊喊「全球暫停 AI」：這週的三種末日劇本
Anthropic 這週同時做了兩件互相矛盾的事：申請兆元估值 IPO，以及呼籲全球一起踩煞車暫停 AI。本文整理這個矛盾背後的三種可能結局。
Kafka 為什麼這麼快？（第二部分）：Zero Copy 與 sendfile
Kafka 高效能的第二根支柱是 zero copy：透過 sendfile 系統呼叫，讓資料從 OS cache 直接送到網卡，省下多餘的記憶體複製與 system call。
AlphaProof Nexus：DeepMind 用『更緊的 harness』攻下數十年無解的 Erdős 難題
DeepMind 的 AlphaProof Nexus 挑戰約 350 道 Erdős 開放難題、解出其中九道。真正的突破不在模型更聰明，而在外面那圈『judge + 錦標賽』的迴圈：讓不可靠的 AI 反覆嘗試、互相評分，最後由 Lean 驗證器確認出可被機器檢查的形式化證明。
MCP 在 Claude Code：用開放協定把外部工具接進 AI agent
Claude Code 本身只能讀檔案、跑 bash；MCP 這個開放協定讓你把 Figma、Slack 等外部工具接進來——加一台 MCP server，Claude 就拿到它暴露的全部工具，還有數千個現成的公開 server 可用。
把 Ring 攝影機變成車道偵測器：用 App Store Partner API 訂閱 vehicle detection 事件
透過新的 Ring App Store partner API 訂閱攝影機的 vehicle detection 事件，webhook 觸發後下載影片片段、跑 YOLO 偵測車輛、用像素位移換算車速，最後在 dashboard 呈現。
CPU、GPU、TPU 有什麼不同？為什麼同一個運算跑起來差這麼多
同一個運算在 CPU、GPU、TPU 上表現差很多，因為三種晶片針對的計算型態不同：CPU 追求彈性、GPU 追求平行吞吐量、TPU 專攻機器學習的張量運算。
拆解人形機器人的「肉身」：從骨架、執行器到晶片的量產工程
人形機器人這兩年動作突飛猛進，關鍵不在 AI，而在本體硬體。本文依《硅谷101》對業內人士的訪談，拆解骨架、關節（執行器）、感測器、電氣與計算四大系統，說明為什麼「能動」和「好用」之間隔著一道量產的鴻溝。
高通的端側 AI 佈局：從手機、機器人到 6G，藏在 AI 週期水面下的贏家
當前沿大模型在水面上廝殺，高通在水面下靠通訊 + 晶片 + 端側 AI 的組合，成為 Physical AI 時代邊緣裝置的核心供應商。這篇整理自高通全球副總裁徐晧在「驍友會五週年」現場的對談，拆解高通對手機、機器人、汽車、XR 眼鏡、PC 與 6G 的佈局邏輯。
五個不該存在但真的有人做出來的開源專案（The Code Report）
一支 The Code Report 影片盤點了一批「完全沒必要、卻美得莫名其妙」的開源專案：3D 旋轉老鼠游標的終端機、跑在 Tor 上的終端機電話、把上網變成 80 年代科幻恐怖片的擋廣告器、用 Rust 寫 CUDA 的 Nvidia 官方工具，還有把任何歌曲變成 Game Boy 芝麻音的合成器。
AlphaFold 的「二階諾貝爾獎」：當 300 萬名研究者都在用你的工具
一段訪談短片提出「二階諾貝爾獎」的概念——不是 AlphaFold 團隊再得獎，而是某位用 AlphaFold 做研究的人拿下諾貝爾獎。受訪者認為，以目前超過 300 萬名使用者的規模，這件事有機會成真。
訓練資料還沒用完：Jeff Dean 談合成資料與 RL rollouts
Jeff Dean 在一場訪談中回應「LLM 快沒訓練資料了」的說法：其實還有大量影片資料、合成資料，以及對既有資料更聰明的利用空間。他也用 RL rollouts 解程式題為例，說明合成資料要靠層層過濾才真正有用。
被遺忘的開發者如何拯救 JavaScript：Jeremy Ashkenas、Underscore.js 與 CoffeeScript
2009 年的 JavaScript 沒有標準函式庫、沒有模組、沒有類別，每個瀏覽器行為還不一樣。Jeremy Ashkenas 用 Underscore.js 補齊工具函式、再用 CoffeeScript 直接繞過語言本身的爛設計，成為讓 JavaScript 被認真對待的關鍵人物之一。
Fitbit Air vs Whoop：一位飛盤選手同時戴兩週後的實測筆記
一位飛盤選手把 Whoop 5.0、Fitbit Air、Apple Watch Series 11 同時戴了快兩週，實測『便宜很多的 Fitbit Air 到底能不能取代 Whoop』。
AlphaFold 團隊的真心話：當結果好到讓你懷疑「是不是洩漏了測試集」
AlphaFold 團隊回顧開發過程：當各種想法一個接一個奏效、成績直線上升時，他們沒有慶祝，反而開始懷疑自己是不是犯了機器學習最經典的錯——洩漏測試集。這篇整理這段自述，以及他們如何看待 AlphaFold 對健康與科學的真實影響。
Demis Hassabis 的快問快答：連「簡單問題」都答不出來
一段訪談花絮：主持人請 Demis Hassabis 用「一句話、有時甚至一個字」回答簡單問題，結果他直呼「這好難」，被問到『Feynman 還是 Newton？』更笑說「這更難」。
NBA 直播的攝製技術堆疊：$5 萬的攝影機、122 倍變焦鏡頭，與 200 碼外的轉播車
一場 NBA 轉播，場館裡散佈 40～50 台攝影機，主力是 $5 萬美元的 Sony P50 搭配 Canon 122x 變焦鏡頭；所有畫面與聲音會傳到 200 碼外的六台轉播車，由團隊即時剪成一部沒有腳本的『現場電影』。
SpaceX 招股書解讀：Anthropic 每月 12.5 億美元算力合約、18712 枚比特幣、馬斯克 85% 投票權
SpaceX 於 5/21 向 SEC 提交 S-1，計畫募資 750 億美元、上市當天市值上看 2 兆美元。招股書最大亮點不是星鏈，而是與 Anthropic 簽下每月 12.5 億美元、三年 450 億美元的算力合約，將取代星鏈成為最大單一收入來源；文件同時揭露 18712 枚比特幣，以及馬斯克約 85% 投票權的極端治理結構。
Demis Hassabis 談 AI 的日常用法：從 Gemini 腦力激盪到 co-scientist 自動生成假設
Demis Hassabis 在對談中談他怎麼實際使用 Gemini（腦力激盪、快速掌握陌生領域、當 sparring partner），並介紹 co-scientist 這個以 Gemini 微調而成、能生成研究假設的系統。
Google I/O 2026：Gemini 無所不在的「代理人時代」
Google I/O 2026 的主軸是把 Gemini 塞進每一個產品，並宣告進入「agentic Gemini era」：搜尋、Gmail、Android、眼鏡全都變成 AI agent。重點發表包含 Gemini Omni、Gemini Flash 3.5、TPU 拆分為訓練/推論兩種晶片，以及改頭換面的 Antigravity IDE。
mini Shai-Hulud：一個 fork PR 如何劫持 TanStack 的 npm 發布管線
攻擊者只是對 TanStack 開了一個 fork PR 又立刻關掉，就利用 pull_request_target 的權限把惡意檔案寫進 CI 共享快取，等後續 PR 合併時劫持 npm trusted publishing token，6 分鐘投毒 84 個套件並蠕蟲式擴散到 169 個套件。
Musk 告 Altman 的世紀官司：OpenAI 從非營利變近兆美元帝國，內幕全在證據裡攤開
2026 年 5 月，Musk v. Altman 在 Oakland 聯邦法院進入結辯。這不是兒童成癮案，而是 Elon Musk 指控 Sam Altman 與 Greg Brockman「偷走一個慈善機構」、把開源非營利變成閉源印鈔機的世紀訴訟。
AI 能不能自己養大自己？從 loss 由誰定義，看自我成長的真正邊界
「AI 能創造更厲害的 AI」不是一個 yes/no 問題，而是一條人類逐步放手的光譜。真正的技術主軸是：訓練所依賴的 loss / reward，能被 AI 自己接手到什麼程度——而目前仍離不開人類。
NVIDIA 的效率怪獸：一個 30B 開源多模態模型，如何用五招把影音處理做到又快又便宜
NVIDIA 一個 30B 參數的開源多模態模型，主打的不是「最聰明」，而是吞吐量與成本效率——影音處理又快又便宜。它用五個設計把影像、影片、音訊的處理成本壓下來，代價是純文字推理與程式碼能力不是頂尖。
機器人的資料荒漠：四層資料金字塔，與真機資料為什麼這麼貴
機器人的瓶頸不在模型而在資料，因為動作資料網路上不存在、必須人工採集。業界用『遙操 / 仿真 / 動捕 / 影片』四層金字塔混搭，各有品質與規模的取捨；本文以《硅谷101》走訪上海數採工廠與多家機器人公司的內容，拆解每一層的技術現況與難題。
從按下電源鍵開始：作業系統如何在幾秒內把一切從無到有建起來
跟著一台電腦從按下電源鍵走到 kernel 把系統建起來，理解 bootloader、privilege rings、virtual memory 與 file system 這四個關鍵階段是怎麼協作的。
Cursor Composer 1.5：為什麼自己訓練模型，以及背後的 RL 基礎設施
從 Cursor 團隊談 Composer 1.5 的訪談整理：他們為什麼要自研模型、RL 能帶來哪些外部工具做不到的能力，以及支撐 RL 訓練所需的自建基礎設施。
為社恐粉絲打造：我用 AI 寫出一個純瀏覽器的一對一視訊平台 o2o
一位技術 YouTuber 全程讓 AI 寫程式，做出一個純瀏覽器、不需安裝、無時間限制的一對一視訊通話平台 o2o。關鍵決策是只用 STUN、不提供 TURN，把頻寬成本轉嫁給使用者自己；而整個開發約 120 萬 token 裡，絕大多數花在斷線重連的狀態同步 bug 上。
PageIndex 深度解析：用 LLM 推理取代向量搜尋的 RAG 架構
PageIndex 用階層樹索引 + LLM Agent 推理取代向量 DB，在長文件場景（FinanceBench 98.7%）表現亮眼；本站的 Hybrid RAG 則以向量搜尋 + 關鍵字 fallback 在 Cloudflare edge 上跑，取捨完全不同。
Dexter：會規劃、會自我驗證的自主金融研究 Agent
Dexter 把複雜的金融研究問題拆成有結構的步驟，自動呼叫工具抓即時財務數據，再自我檢查結果直到答案夠完整——概念上是「專為金融研究打造的 Claude Code」。
OpenStock：AGPL 授權的開源股市儀表板，可自架、永久免費
OpenStock 是 Open Dev Society 的開源股市儀表板，用 Next.js 15、MongoDB、Finnhub 與 TradingView widgets 建成，AGPL-3.0 授權、可自架、永久免費，定位是市場情報工具而非交易平台。
9Router：把所有 AI Coding 工具接到 40+ Provider，自動 fallback 不撞額度
把工具的 endpoint 指向 localhost:20128，9Router 就自動在訂閱服務、便宜 API、免費服務之間做三層 fallback，token 過期自動刷新、OpenAI↔Claude 格式自動轉換，並用 RTK 壓掉 20–40% 的 tool output token。
RTK：讓 AI Coding 助手少吃 60–90% token 的 Rust 工具
裝一個 Rust binary，git/grep/test/docker 等指令的輸出自動壓縮後再送進 AI context，一段 30 分鐘的 Claude Code session 從約 118,000 token 壓到約 23,900。
KV Cache：撐爆 GPU 倉庫的推論優化，以及大家怎麼救它
KV Cache 把算過的 Key/Value 存下來，避免自回歸生成時重算，代價是記憶體隨序列長度暴增；MQA/GQA、MLA、Sliding Window、Streaming LLM、KV pruning、跨對話 prefix 共用都是為了讓這個「倉庫」撐久一點。
Transformer 怎麼知道詞的順序？從 Self-Attention 的排列不變性到 Sinusoidal 位置編碼
Self-Attention 本質上分不出 Token 的先後順序，所以要靠位置編碼把順序補回來。這篇從最早的 Absolute Positional Embedding 講到 Sinusoidal 位置編碼，並拆解它為何能隱含相對位置資訊。
台積電稱霸半導體：從差點胎死腹中，到擊敗三星、Intel 的三場關鍵戰役
台積電從一家沒人想投資的小島晶圓廠，走到晶圓代工市佔 72%。回顧它創立時差點被黨國權貴否決、與聯電在 0.13 微米分道揚鑣、搶下蘋果訂單、被叛將反打後靠夜鷹計劃翻盤的幾場關鍵戰役。
DeepSeek 4：用三層壓縮把 1M token context 塞進開源模型
DeepSeek 4 在開源權重下做到 100 萬 token 的 context window，靠的是三層 KV cache 壓縮把記憶體需求砍掉約 90%；Pro 版本在長文本記憶測試上贏過 Gemini 3.1 Pro，同時算力與價格都大幅下降。
GPT 5.5 Instant：更聰明的即時模型，好用的、有問題的、與瘋狂的
OpenAI 這次更新的是幾億人每天在用的「即時」ChatGPT——不做長考、瞬間回答的那一版。它聰明到在某些任務上逼近最強的思考模型，但也因此在對抗式越獄上變得更危險。這是 Two Minute Papers 對它的好、壞與瘋狂之處的整理。
玻璃就是玻璃：手機螢幕「抗摔」與「抗刮」為什麼無法同時變強
『這支手機比上一代抗摔四倍』這種標語沒有說謊，但很誤導——因為抗摔與抗刮本質上是互斥的取捨，廠商每年只是輪流強調其中一邊。而且玻璃就是玻璃，口袋裡的沙（石英）永遠比它硬。
Apple 換帥：Tim Cook 交棒給 John Ternus，硬體派重新掌舵
Apple 宣布 Tim Cook 卸任、由硬體工程負責人 John Ternus 接任 CEO。這場換帥背後是一整批資深高層同時退休的世代交替，象徵 Apple 從『業務／服務導向』重新回到『產品導向』的可能轉向。
什麼是 Data Lakehouse？從雙系統同步困境到單一共享資料層
Data Lakehouse 用「單一物件儲存層 + open table format + 共享 catalog + 治理層」，把原本各自為政的資料湖與資料倉儲合併成一個共享資料層。
Sonic：把人類動作壓縮成 4200 萬參數，就能開機器人的通用控制器
NVIDIA 團隊的 Sonic 用約 4200 萬參數，把人類動作影片、語音、音樂甚至文字，轉譯成人形機器人能穩定執行的全身動作；訓練昂貴但成品輕到能在手機上跑，並開源釋出。
NVIDIA Lyra 2.0：一張照片生成「不會崩壞」的可探索 3D 世界
Lyra 2.0 用『逐幀 3D 幾何快取』記住場景骨架，讓從單張照片生成的可探索世界在你回頭看時也不會崩壞；核心生成器是類似 Sora 的 diffusion transformer，而且模型與程式碼免費釋出。
LLM 能自我修正嗎？Contrastive Decoding 與 inference-time 自我修正技術整理
不靠人類回饋，語言模型能不能自己發現並修正錯誤？主流做法是 contrastive decoding：刻意製造一個一定會答錯的狀態，把正常輸出與錯誤輸出相減，把生成結果往遠離錯誤的方向推——不動模型參數，只在 inference 階段套用。
AI 影片的動作為什麼總是怪怪的？答案不是更多資料，而是更少
用 optical flow 把『動作』從『外觀』中分離，並把它套在 AI 的內部學習訊號上，就能反查某個動作是從哪些訓練影片學來的；再用 Johnson–Lindenstrauss 投影把十億級參數壓到 512 維讓比對變得可行。最後剔除教壞模型的爛資料、用乾淨資料微調，動作品質在使用者研究中拿下 74.1% 勝率。
Sakana AI 的神經細胞自動機：當你扮演神，規則決定誰生誰死
Sakana AI（東京）做了一個讓你扮演神的數位生態模擬器：一個會學習、會攻防的神經細胞自動機格子世界。你不控制單一生物，只調整環境規則，就能決定整個生態系是滅絕、是脆弱繁榮、還是穩定共存——展示了規則如何徹底形塑系統命運。
AI 點燃四十年來最嚴重的記憶體超級周期：HBM 為什麼讓 DRAM 一起缺貨
AI 推理與 Agent 把記憶體從計算瓶頸推向容量與頻寬瓶頸；HBM 因良率低反而排擠了普通 DRAM 產能，造成四十年來最嚴重的供需失衡。2026 年產能全數售罄，這次的「超級周期」有機會打破過去『撐不過兩年』的鐵律。
Using Windows Portproxy to Run Codex with Remote GPU Ollama (No Proxy Server Needed)
透過 Docker 在 GPU 機上部署 Ollama，並在 Windows 用 netsh portproxy 將 localhost:11434 轉發到 GPU 機，讓 Codex 在 Windows 上透明使用遠端 GPU。
用 10B 參數的小模型打造一個「你畫我猜」：MiniMax M2.5 開發實戰三個教訓
用 MiniMax M2.5（10B 激活參數）做一個「你畫我猜」小遊戲，整理出小模型 vibe coding 的三個教訓：架構要極簡、避開冷門技術棧、用速度優勢讓它自我測試與除錯。
群核科技與空間智能：「杭州六小龍」首個 IPO 背後的物理世界路線
群核科技成為「杭州六小龍」首家完成 IPO 的公司，創始人黃曉煌押注空間智能。本文整理空間智能與世界模型、具身智能的關係，以及群核「緊貼物理世界」的技術與商業路線。
PostgreSQL 為什麼是世界上最安全的系統：role、schema、GRANT 到 RLS 的分層防禦
業界的資安防護往往「離資料庫越近越鬆散」，後端常直接用 admin 帳號裸連。PostgreSQL 用 role + schema + 欄位 GRANT + RLS 打造由外而內、可細到每一列（甚至每個 cell）的分層權限，把最後一道鎖留在資料庫本身。
Harness Engineering：模型不是不夠聰明，只是缺乏人類的引導
AI Agent 表現不好，未必是模型笨。從一個 Gemma 4 2B 修 bug 的小實驗出發，說明什麼是 Harness、Harness Engineering 與 Prompt / Context Engineering 的差異，以及 agents.md 這類自然語言規則的效果。
arXiv Knowledge Assistant：自動化論文檢索與雙語 RAG 問答平台
一套以 Docker Compose 編排的微服務平台：每日自動爬取 arXiv 論文、建立 Qdrant 向量索引，透過 hybrid search + re-ranking + Ollama 完成雙語 RAG 問答，並提供 Email 訂閱與 Grafana 監控。
Stock MLOps：股價預測的端到端 ML 系統實作
以股價預測為題，實作涵蓋 ETL、實驗追蹤、模型部署、漂移監控與 CI/CD 的完整 MLOps 生命週期，全部用 Docker Compose 在單機編排起來。
STT-TTS Unified：純 CPU、零 API Key 的語音合成與辨識整合平台
一個把 TTS 與 STT 整合在同一介面的自架平台：TTS 用 Microsoft Edge TTS 的 322 種語音，STT 用本地 Whisper 在純 CPU 上離線推論，結果存進 SQLite，完全免費、無需 GPU 或 API Key。
Agentic Social Network：當 AI Agent 開始替你社交
從 OpenClaw 引爆的裝機熱潮談起，拆解 Agentic Social Network 背後的技術演變：Model Router、Memory OS、協議三層架構，以及讓 Agent 走向長時陪伴、主動行動與自我進化的關鍵機制。
這個部落格用了哪些工具
Astro 做靜態渲染與內容管理，Cloudflare Pages/Workers 做部署與動態 API，D1 做輕量資料儲存，Vectorize + Workers AI 做 RAG 語意搜尋，R2 放 OG 圖片和 TTS 音訊。整個 pipeline 從 YouTube 爬取到用戶搜尋，全跑在 Cloudflare 生態系內。