AI Engineering

本區整理 AI、AI Agent、RAG、Context Engineering、Claude Code 與工具化工作流的公開筆記。內容偏向工程實作、系統設計與個人知識管理，而不是泛用名詞介紹。

主題地圖

30 篇分成七個主題，依「輸入 → 系統 → 營運」排列：先決定餵給模型什麼，再讓它讀得到、做得到，最後才是評估與維運。每個主題節點列出該分組的文章。

Start Here

1. Prompt Engineering 核心技術：Chaining、CoT 與 Loop
2. Context Engineering：超越 Prompt Engineering 的下一個前線
3. RAG 完整指南：檢索增強生成的原理、架構與實作
4. Claude Code 寫程式準則：Andrej Karpathy 版本整理

Learning Paths

上面的地圖可以直接點選前往。這份清單保留完整內容——它同時是站內搜尋的索引來源，也是 JavaScript 未載入時的備援，因此不隨地圖移除。

展開完整清單（含一句話導讀）

Prompt 與 Context 工程

• Prompt Engineering 核心技術：Chaining、CoT 與 Loop
  整理 Prompt Chaining、CoT 與 Loop 等核心技術與使用時機。
• Context Engineering：超越 Prompt Engineering 的下一個前線
  把注意力從單次 prompt 擴大到上下文配置、記憶、工具結果與資訊流設計。
• Context Engineering 實作篇：Context Budget、Memory、Retrieval 與 Tool Result 壓縮怎麼組合
  Context Engineering 實作篇：四個槓桿怎麼組合。
• Reasoning Models 與 Test-time Compute：把算力花在推論，以及過猶不及
  講 Test-time Compute 推理模型原理與想太多的反效果。

RAG 與檢索系統

這六篇是一個有順序的系列，依下列站點閱讀；每篇開頭都會標明自己在第幾站。

• 第 0 站｜Fine-tuning vs RAG vs Prompting：何時用哪個（決策框架）
  進門前先問該不該進門：prompting 改指令、RAG 改知識、fine-tuning 改行為。
• 第 1 站｜RAG 完整指南：檢索增強生成的原理、架構與實作
  走完索引／檢索／生成三階段管線，建立骨架與詞彙；含生成端 Prompt 設計與最小可行實作。
• 第 2 站｜Embeddings 與向量資料庫實務：模型選型、ANN 索引與生產考量
  檢索底層：embedding 模型選型、向量庫比較、HNSW/IVF 取捨與生產維運。
• 第 3 站｜RAG 進階系列：Chunking、Hybrid Search、Reranking、Query Rewriting、Citation 與 Freshness
  把 naive RAG 推向生產級的六個槓桿，附落地優先序。
• 第 4 站｜GraphRAG：用知識圖譜做檢索——適合什麼、代價是什麼
  換架構之一：換「索引什麼」。擅長跨文件連點與全局摘要，代價是前處理與延遲。
• 第 4 站｜Agentic RAG（2026）：從固定檢索到自我修正的檢索迴圈
  換架構之二：換「誰決定何時檢索」。內含全系列共用的 RAG 架構光譜比較表。

第 4 站的兩篇是平行分岔，不分先後；先確認第 3 站的槓桿都加過，再考慮換架構。

Agent 工程

• AI Agent Harness Engineering 實作指南
  建立 Agent 測試、評測、觀測與上線 gate 的工程框架。
• Coding Agent 工作流：從 Issue 到 PR 的實際 SOP
  整理 Coding Agent 從 Issue 到 PR 的六階段 SOP。
• Structured Output 與 Tool Use 機制：JSON Schema、Constrained Decoding 與可靠性
  拆解 Structured Output 與 Tool Use 的可靠性機制。
• Multi-Agent 協作：Orchestration 模式、通訊協定與失敗隔離
  整理 Multi-Agent 編排模式、通訊協定與失敗隔離設計。
• AI Agent 安全與權限：Browser、File、Shell、GitHub、Gmail 的工具權限怎麼控管
  拆解 Agent 工具權限風險，逐工具給出控管建議。

評估、記憶與觀測

• LLM Evaluation 實務：RAG 評估、Agent Trajectory 與 LLM-as-Judge 偏誤
  建立評估 LLM 系統的基礎地圖：什麼層次用什麼指標，LLM-as-judge 的限制。
• LLM Evaluation 進階：Cost-Aware 評估、線上 A/B 與離線指標的對齊
  把成本納入評估決策，以及離線評估怎麼和線上 A/B 結果不失真地對齊。
• Agent Observability：用 Trace 看清 Agent 在做什麼
  線上觀測 agent 的 trace、cost、latency 與 failure mode，和離線評估互補。
• Agent Memory 系統：短期/長期記憶、向量記憶與記憶腐化更新策略
  Agent 記憶的四種類型、向量記憶架構，以及記憶腐化的三種壞法和對應更新策略。

Claude Code / Skills / MCP

• Claude Code 寫程式準則：Andrej Karpathy 版本整理
  整理 Claude Code 在程式開發任務上的使用準則與互動心法。
• Superpowers：把資深工程師紀律編碼成 Markdown 的 Skill 框架
  介紹如何用 Skills 把 TDD、debugging、planning 等工程紀律外顯化。
• Claude Code 紀律框架對比：Superpowers / GSD / gstack
  比較不同 Claude Code 工作流框架的定位、優缺點與適用情境。
• Anthropic Agent Skills 與官方 Document Skills（PDF / DOCX / PPTX / XLSX）
  介紹 Agent Skills 架構與官方文件處理 skills 用法。
• MCP 生態系指南：Server 類型、Local vs Remote、Auth 與 Security Boundary
  MCP 概念地圖：Server 類型、遠端 vs 本地與信任邊界。
• MCP Builder：用 Skill 引導蓋出生產級 MCP Server
  介紹如何用 Skill 流程引導 MCP Server 的規劃、實作與驗證。

成本與 Token 優化

• 9Router：把 Claude Code、Cursor、Codex 接上 40+ AI Provider 的本機路由器
  本機路由器接 40+ AI Provider，格式轉譯並砍 Token。
• Caveman：把 Agent 輸出壓掉約 65% Token 的 Claude Code Skill
  介紹用穴居人語氣把 Agent 輸出壓縮約 65% Token 的 skill。
• Prompt Caching：用前綴快取砍掉成本與延遲
  講 Prompt Caching 原理、怎麼擺，與悄悄破壞快取的坑。

用 AI 維護知識庫

• 用 CLAUDE.md 把 AI 變成你的 Obsidian 知識庫維護者
  說明如何用 CLAUDE.md 定義知識庫維護規則，讓 AI 協助整理與發布筆記。
• 我的 Obsidian Vault CLAUDE.md 原文
  公開我實際使用的 Obsidian Vault CLAUDE.md，作為前一篇的範本附件。