Agent Skills 教學手冊（企業級 SSDLC + GitHub Copilot + Claude Code） 版本：v1.1.0 更新日期：2026-04-1 適用對象：資深工程師、架構師、Tech Lead、DevSecOps 工程師 技術棧：Agent Skills 開放標準、GitHub Copilot Skills、Claude Code Skills、VS Code、Spring Boot、Vue 3 規範參考：Agent Skills Specification（開放標準 v1.0） 目錄 第 1 章：Agent Skills 概念與架構 1.1 什麼是 Agent Skills 1.2 與傳統 Prompt Engineering 的差異 1.3 Skills vs Prompt vs Tool vs Agent 比較 1.4 漸進式揭露（Progressive Disclosure）設計原則 1.5 Skills 組成結構 第 2 章：Skills 平台深度解析（GitHub Copilot + Claude Code） 2.1 多平台 Skills 架構 2.2 Skills 運作流程 2.3 Skills Metadata 設計（Frontmatter 完整參考） 2.3.1 開放標準欄位（agentskills.io Specification） 2.3.2 Claude Code 擴展欄位 2.3.3 字串替換（String Substitutions） 2.3.4 動態上下文注入（Dynamic Context Injection） 2.4 Claude Code 內建 Skills（Bundled Skills） 2.5 Skills 與 Agent 整合方式 2.6 Skills Repository 設計（企業級） 第 3 章：SSDLC × Skills（核心章節） 3.1 Requirements（需求階段） 3.2 Design（設計階段） 3.3 Development（開發階段） 3.4 Testing（測試階段） 3.5 Security（安全） 3.6 Deployment（部署） 3.7 Maintenance（維運） 第 4 章：Skills 設計最佳實務 4.1 高可重用性設計 4.2 低 Token 消耗策略 4.3 命名規範 4.4 模組化與版本控管 4.5 安全性與權限控管 第 5 章：Skills 實作教學（Hands-on） 5.1 範例 1：產生 API 設計文件 Skill 5.2 範例 2：程式碼審查 Skill 5.3 範例 3：Spring Boot 服務生成 Skill 第 6 章：企業級 Skills Repository 架構 6.1 建議 GitHub Repo 結構 6.2 Skills 分類策略 6.3 權限控管（RBAC） 6.4 與 CI/CD 整合 第 7 章：與開發工具整合 7.1 GitHub Copilot 整合 7.2 Claude Code 進階整合 7.3 VS Code 整合 7.4 CI/CD（GitHub Actions）整合 7.5 Issue / PR 流程整合 第 8 章：Skills 治理（Governance） 8.1 Skills 審核機制 8.2 品質控管（Quality Gate） 8.3 安全審查（Security Review） 8.4 使用追蹤與優化（Telemetry） 第 9 章：常見錯誤與反模式 9.1 過度設計 Skills 9.2 Token 爆炸問題 9.3 Skills 過於耦合 9.4 其他常見反模式 第 10 章：未來趨勢 10.1 Agentic Workflow 10.2 Multi-Agent Collaboration 10.3 Skills Marketplace 與開放生態 附錄 A：企業導入檢查清單 附錄 B：Prompt → Skill 轉換速查表 附錄 C：常用 Skills 清單 附錄 D：參考資源 第 1 章：Agent Skills 概念與架構 1.1 什麼是 Agent Skills 定義：Agent Skills 是一種基於 agentskills.io 開放標準的模組化、可重複使用「AI 能力包」（Capability Package），以資料夾形式存在，內含說明文件（SKILL.md）、腳本（Python / Bash / PowerShell）、範本（Templates）和參考資源（References）。 ...

使用 GitHub Copilot 進行逆向工程並產出需求規格書 版本：2.0 | 更新日期：2026-03-31 適用對象：資深工程師、系統分析師、架構師、PM 技術環境：VS Code + GitHub Copilot（含 Agent Mode、Coding Agent、MCP 整合） 產業適用：銀行、金融、保險等高合規性企業系統 AI 模型支援：GPT-5.4 / GPT-5.4 mini / GPT-5.3-Codex / Gemini 3.1 Pro / 自動模型選擇 目錄 第 1 章 逆向工程方法論 1.1 什麼是逆向工程 1.2 企業系統中的逆向工程應用場景 1.3 Code → Requirement 轉換模型 1.4 各層級程式碼的需求推導策略 1.5 逆向工程成熟度模型 第 2 章 GitHub Copilot 使用策略 2.1 Copilot 在逆向工程中的角色定位 2.1.1 GitHub Copilot 2026 功能架構全景 2.1.2 各功能在逆向工程中的定位 2.1.3 AI 模型選擇策略 2.2 Prompt Engineering 核心原則 2.2.1 角色設定（Role Setting） 2.2.2 結構化 Prompt 模板 2.2.3 五大 Prompt 策略 2.3 逐段分析程式碼的技巧 2.3.1 分段策略 2.3.2 VS Code 操作技巧 2.4 C# 程式碼解讀策略與 Prompt 範例 2.5 SQL / Stored Procedure 解讀策略與 Prompt 範例 2.6 Batch Job 解讀策略與 Prompt 範例 2.7 從技術描述轉換為商業需求描述 2.8 Before / After 完整範例 2.9 Agent Mode 與 Coding Agent 在逆向工程中的進階應用 2.9.1 使用 Agent Mode 進行跨檔案逆向分析 2.9.2 使用 Plan Agent 規劃逆向工程任務 2.9.3 使用 Copilot Coding Agent 進行自動化逆向分析 2.9.4 使用 MCP 擴展逆向工程能力 2.9.5 使用 Custom Agent 建立專用逆向工程分析師 2.9.6 使用 Copilot Memory 累積逆向工程知識 2.9.7 第三方 Coding Agent 與外部平台整合 2.9.8 使用背景代理進行非同步逆向分析 第 3 章 實戰流程（Step-by-Step） 3.1 Step 1 — 程式碼盤點 3.1.1 模組分類方法 3.1.2 使用 Copilot 快速摘要 3.1.3 自動化盤點腳本 3.2 Step 2 — 邏輯解析 3.2.1 API 邏輯分析 3.2.2 Batch Job 邏輯分析 3.2.3 DB 邏輯分析 3.3 Step 3 — 商業邏輯抽取 3.3.1 從技術邏輯到業務需求的轉換方法 3.3.2 商業規則分類框架 3.3.3 需求追溯矩陣 3.4 Step 4 — 文件產出 3.4.1 SRS 文件自動生成流程 3.4.2 文件品質檢查 3.5 端到端流程圖 第 4 章 SRS 文件標準格式 4.1 SRS 文件結構概覽 4.2 系統概述 4.3 Use Case 描述 4.4 功能需求（Functional Requirements） 4.5 非功能需求（Non-functional Requirements） 4.6 資料流程（DFD） 4.7 ER Model（資料結構） 4.8 Batch Flow 4.9 企業級 SRS 範本（完整） 第 5 章 完整實戰範例 5.1 範例一：C# API 控制器逆向分析 5.1.1 原始程式碼 5.1.2 Copilot 分析過程 5.1.3 推導出的需求 5.2 範例二：Stored Procedure 逆向分析 5.2.1 原始程式碼 5.2.2 Copilot 分析過程 5.2.3 推導出的需求 5.3 範例三：Batch Job 逆向分析 5.3.1 分析場景 5.3.2 Copilot 分析結果 5.4 最終 SRS 文件片段產出 第 6 章 企業最佳實務 6.1 避免誤判需求的策略 6.1.1 常見的誤判類型 6.1.2 防範策略 6.1.3 信心度評估框架 6.2 需求驗證流程 6.2.1 三層驗證機制 6.2.2 驗證會議範本 6.3 整合 SSDLC 6.4 搭配版本控制（Git） 6.4.1 SRS 文件的 Git 管理策略 6.4.2 Git Branching 策略 6.4.3 Commit 訊息規範 6.5 常見錯誤與修正策略 6.6 使用 Copilot Code Review 驗證 SRS 品質 6.6.1 設定 Copilot Code Review 規則 6.6.2 SRS Pull Request 審查流程 6.7 使用 Copilot Spaces 管理逆向工程上下文 第 7 章 架構延伸（進階） 7.1 從逆向結果到 Spring Boot API 設計 7.1.1 技術對照表 7.1.2 SRS → API 設計的轉換流程 7.1.3 範例：從 SRS 到 Spring Boot 7.2 微服務架構轉換 7.2.1 從單體到微服務的拆分策略 7.2.2 Stored Procedure 的遷移策略 7.3 Domain Modeling（DDD） 7.3.1 從逆向結果推導領域模型 7.3.2 統一語言表 7.4 Clean Architecture 對應 7.4.1 分層架構設計 7.4.2 Spring Boot 專案結構 7.5 使用 Copilot Coding Agent 自動化遷移工作 7.5.1 從 SRS 到 Spring Boot 骨架自動生成 7.5.2 SP 邏輯遷移自動化 7.5.3 Hooks 自動化品質檢查 第 8 章 Prompt 工程模板庫 8.1 程式碼摘要類 8.2 邏輯解析類 8.3 需求轉換類 8.4 文件產出類 8.5 驗證與審查類 第 9 章 自動化流程（AI + Script） 9.1 自動化盤點腳本 9.1.1 C# 專案自動盤點（PowerShell） 9.1.2 SQL Server Stored Procedure 盤點 9.2 批次分析流程 9.2.1 分析工作流程自動化 9.2.2 分析任務分配模板 9.3 SRS 自動組裝 9.3.1 SRS 組裝腳本（PowerShell） 9.3.2 SRS 品質檢查腳本 9.4 Copilot Coding Agent 端到端自動化流程 9.4.1 自動化流程架構 9.4.2 GitHub Actions 工作流配置 9.4.3 批次 Issue 建立腳本 9.4.4 追溯矩陣自動生成 附錄 A 檢查清單（Checklist） A.1 逆向工程啟動檢查清單 A.2 每日分析檢查清單 A.3 模組完成檢查清單 A.4 SRS 發佈前檢查清單 A.5 Copilot 使用安全檢查清單 A.6 Copilot Coding Agent 使用檢查清單 附錄 B 術語表 附錄 C 參考資源 C.1 工具 C.2 標準與規範 C.3 推薦閱讀 C.4 GitHub Copilot 相關資源 第 1 章 逆向工程方法論 1.1 什麼是逆向工程 逆向工程（Reverse Engineering） 是從既有系統的成品（程式碼、資料庫、設定檔等）出發，反推出系統的設計意圖、業務規則與需求規格的過程。 ...

企業級程式碼品質分析方法論教學手冊 版本：v2.0｜日期：2026-03-30｜適用對象：初階至資深工程師、Tech Lead、架構師 適用技術棧：Java / Spring Boot、Vue / TypeScript、微服務架構 適用產業：銀行、金融業、保險業等高穩定度 / 高安全系統 重要更新：OWASP Top 10: 2025 版、PMD 7.x、Checkstyle 13.x、SpotBugs 4.9.x、ESLint 9.x Flat Config 📋 目錄 第 1 章：程式碼品質概論 1.1 程式碼品質的定義 1.2 技術債（Technical Debt） 1.3 為什麼企業需要品質管理 1.4 品質管理全景圖 1.5 實務落地建議 第 2 章：程式碼品質模型（核心方法論） 2.1 品質模型總覽 2.2 可讀性（Readability） 2.3 可維護性（Maintainability） 2.4 可測試性（Testability） 2.5 效能（Performance） 2.6 安全性（Security） 2.7 可擴展性（Scalability） 2.8 實務落地建議 第 3 章：程式碼異味（Code Smells） 3.1 什麼是 Code Smell 3.2 常見 15+ 種 Code Smells 3.3 實務落地建議 第 4 章：靜態分析與工具 4.1 靜態分析概述 4.2 SonarQube 4.3 ESLint 4.4 PMD / Checkstyle 4.5 SpotBugs 4.6 工具功能比較 4.7 企業導入方式 4.8 實務落地建議 第 5 章：Code Review 方法論 5.1 Code Review 的價值 5.2 Review Checklist（企業版） 5.3 Pull Request 標準 5.4 Review 角色分工 5.5 常見錯誤 5.6 實務落地建議 第 6 章：CI/CD 與品質門檻（Quality Gate） 6.1 CI/CD 品質整合概述 6.2 Quality Gate 設計 6.3 Pipeline 品質檢查流程 6.4 Fail Pipeline 策略 6.5 實務落地建議 第 7 章：測試策略與品質關聯 7.1 測試金字塔 7.2 單元測試（Unit Test） 7.3 整合測試（Integration Test） 7.4 覆蓋率迷思 7.5 測試與品質的關係 7.6 實務落地建議 第 8 章：重構（Refactoring）策略 8.1 何時該重構 8.2 安全重構流程 8.3 常見重構技巧 8.4 實務落地建議 第 9 章：企業實務最佳實踐（Best Practices） 9.1 銀行 / 金融系統案例 9.2 微服務品質管理 9.3 DevSecOps 整合 9.4 實務落地建議 第 10 章：導入策略（企業落地） 10.1 推動步驟（Roadmap） 10.2 組織角色 10.3 KPI 指標 10.4 成熟度模型（Level 1～5） 10.5 實務落地建議 附錄 A：新進成員檢查清單（Checklist） 附錄 B：品質指標速查表 附錄 C：推薦學習資源 第 1 章：程式碼品質概論 1.1 程式碼品質的定義 程式碼品質不只是「能跑就好」，在企業級系統中，品質直接影響系統的穩定性、安全性與長期維護成本。 ...

VS Code + GitHub Copilot 開發 Java Web 應用程式教學手冊(2) 版本：v2.0（2026-03-27） 前版：v1.0（2026-03-27） 適用對象：初學者 / 中階工程師 / 企業團隊 技術棧：VS Code 1.113（2026-03-25 發布）· GitHub Copilot（含 Chat、Agent Mode、CLI Agent、Cloud Agent）· Java 21+ · Spring Boot 3.4.x · Maven 定位：企業標準技術白皮書 — 可直接用於專案團隊內部開發規範文件 變更說明：根據 VS Code 1.113 Release Notes 及 GitHub Copilot 最新文件全面更新 目錄 1. 總覽 1.1 VS Code 在 Java 開發的優勢 1.2 GitHub Copilot 在開發流程中的角色 1.3 VS Code 1.113 重要新功能摘要 1.4 VS Code vs IntelliJ 差異分析 2. 開發環境安裝與設定 2.1 必備工具 2.2 VS Code Extension 推薦 2.3 環境設定步驟 2.4 Copilot 自訂化設定 3. 建立第一個 Spring Boot 專案 3.1 使用 Spring Initializr 3.2 專案結構說明 3.3 執行與測試 API 3.4 使用整合式瀏覽器測試 Web 應用 4. GitHub Copilot 實戰應用 4.1 基本用法 — Inline Completion 與 Inline Chat 4.2 Copilot Chat 進階用法 4.3 Agent Mode 深度指南 4.4 Prompt Engineering 4.5 MCP Server 整合 4.6 Custom Instructions / Agent Skills / Custom Agents 5. 專案架構設計（企業級） 5.1 Clean Architecture / Hexagonal Architecture 5.2 分層設計 5.3 DTO / VO / Entity 分離 6. 安全性與最佳實務 6.1 Spring Security 基本設定 6.2 API 驗證（JWT） 6.3 Copilot 生成程式碼的安全檢查 7. 測試與除錯 7.1 單元測試（JUnit 5） 7.2 API 測試 7.3 VS Code Debug 技巧 7.4 使用 Copilot 協助除錯 7.5 整合式瀏覽器 Agent 測試（實驗性） 8. CI/CD 與版本控管 8.1 Git 基本流程 8.2 GitHub Actions 基本 CI/CD 8.3 Copilot 協助產生 Pipeline 8.4 Cloud Agent 與 PR 協作（Preview） 9. 系統維護與升級 9.1 VS Code 更新策略 9.2 Extension 管理 9.3 Copilot 模型更新與最佳化使用 10. 團隊導入建議（企業級） 10.1 開發規範 10.2 Copilot 使用規範 10.3 Code Review 流程 10.4 AI 輔助開發治理 11. 常見問題與最佳解法（FAQ） 12. 附錄 12.1 常用指令速查表 12.2 範例 Prompt 清單 13. 檢查清單（Checklist） 1. 總覽 1.1 VS Code 在 Java 開發的優勢 VS Code 從輕量級編輯器發展至今，已成為企業級 Java 開發的主流選擇之一。主要優勢： ...

使用 VS Code 與 GitHub Copilot 開發 Java Web 應用程式教學手冊(1) 版本：2025 年最新版　|　適用對象：初中階 Java 開發人員　|　維護單位：資深架構師團隊 目錄 前言與環境概述 安裝與環境設定 2.1 安裝 Java JDK 2.2 安裝 VS Code 2.3 安裝必要擴充套件 2.4 啟用 GitHub Copilot 專案建立與初始化 3.1 使用 Spring Initializr 建立專案 3.2 VS Code 開啟與結構說明 GitHub Copilot 核心功能使用 4.1 程式碼自動補全 4.2 Copilot Chat 對話式開發 4.3 Copilot Edits 多檔案編輯 4.4 使用 Inline Chat Java Web 開發實戰 5.1 建立 REST API Controller 5.2 Service 層與 Repository 層 5.3 連接資料庫（JPA + MySQL） 5.4 安全性設定（Spring Security） 除錯與測試 6.1 VS Code 除錯設定 6.2 單元測試與 Copilot 輔助 6.3 整合測試 系統維護與升級 7.1 相依套件版本管理 7.2 VS Code 與擴充套件升級 7.3 Java 版本升級指引 最佳實踐與團隊建議 常見問題 FAQ 附錄：Prompt 參考範本 1. 前言與環境概述 1.1 為什麼選擇 VS Code + GitHub Copilot？ VS Code 是目前全球使用率最高的輕量級 IDE，搭配 GitHub Copilot（AI 程式助理），可大幅提升 Java Web 開發效率。根據 GitHub 官方統計，使用 Copilot 的開發者平均可節省約 55% 的編碼時間。 ...

GitHub Copilot CLI 教學手冊 版本：基於 GitHub Copilot CLI v1.0.11（2026-03-23 發佈） GA 日期：2026-02-25（v0.0.418 起正式 GA） 適用對象：資深工程師 / DevOps 工程師 / 架構師 技術環境：企業級 Web Application（Spring Boot 3.x / Vue 3 / 微服務架構） 適用方案：Copilot Free / Pro / Pro+ / Business / Enterprise 最後更新：2026-03-26 目錄 第 1 章：Copilot CLI 概述 1.1 什麼是 GitHub Copilot CLI 1.2 與其他 AI 工具的差異比較 1.3 適用場景 第 2 章：系統架構整合設計 2.1 Copilot CLI 在企業架構中的角色 2.2 與開發流程整合 2.3 Agentic Workflow 設計模式 第 3 章：安裝與環境設定 3.1 支援平台 3.2 前置需求 3.3 安裝步驟 3.4 身份驗證 3.5 初始化設定 3.6 常見錯誤與排除 第 4 章：核心功能教學 4.1 自然語言轉指令 4.2 Agentic Workflow 4.3 Codebase Context 分析 4.4 GitHub 整合 4.5 LSP 語言伺服器整合 4.6 Hooks 鉤子系統 4.7 Skills 技能系統 4.8 Plugin 插件生態系 4.9 Extensions 擴充機制 4.10 Copilot Memory 跨 Session 記憶 4.11 ACP（Agent Client Protocol） 第 5 章：進階使用技巧（企業級） 5.1 Prompt Engineering（CLI 版本） 5.2 Context Engineering（讓 AI 更準） 5.3 多步驟任務拆解（Task Chaining） 5.4 與其他工具整合 5.5 Session 管理與對話引導 第 6 章：安全與治理 6.1 工具審批機制 6.2 YOLO Mode 說明與風險 6.3 企業治理策略 6.4 Hooks 安全防護 第 7 章：實戰案例 第 8 章：最佳實務（Best Practices） 8.1 如何寫好 Prompt（CLI 版本） 8.2 人機協作（Human-in-the-Loop） 8.3 適合與不適合使用的場景 第 9 章：維運與升級 9.1 如何更新 Copilot CLI 9.2 版本管理策略 9.3 常見問題（FAQ） 9.4 效能與成本考量 第 10 章：附錄 10.1 常用指令速查表 10.2 Prompt 範本合集 10.3 工具權限速查表 10.4 環境變數 10.5 設定檔位置 10.6 版本演進里程碑 檢查清單（Checklist） 第 1 章：Copilot CLI 概述 1.1 什麼是 GitHub Copilot CLI GitHub Copilot CLI 是 GitHub 提供的命令列 AI 代理工具，讓開發者直接在終端機（Terminal）中使用 Copilot 的 AI 能力。它不僅是一個自然語言轉指令的工具，更是一個完整的 AI Agent，能夠： ...

oh-my-openagent（Oh My OpenCode, OMO）教學手冊 版本：v2.1｜最後更新：2026-03-25 對應 OMO 版本：v3.13.1（156 releases） 適用對象：資深工程師、架構師、技術主管 定位：企業級 AI Agent Harness 教學手冊 GitHub：https://github.com/code-yeongyu/oh-my-openagent 官網：https://ohmyopenagent.com/ 📑 目錄 第 1 章：總覽（Overview） 第 2 章：系統架構設計（Architecture） 第 3 章：安裝與環境建置（Installation） 第 4 章：設定與專案初始化（Configuration） 第 5 章：Agent 系統詳解（Discipline Agents） 第 6 章：開發流程（ultrawork / Plan / Build） 第 7 章：Web Application 實戰 第 8 章：測試與品質（Testing & Quality） 第 9 章：維運與除錯（Maintenance） 第 10 章：升級與版本管理（Upgrade） 第 11 章：安全（SSDLC） 第 12 章：團隊導入策略（Enterprise Adoption） 第 13 章：最佳實務（Best Practices） 第 14 章：常見問題（FAQ） 第 15 章：附錄（Appendix） 檢查清單（Checklist） 第 1 章：總覽（Overview） 1.1 什麼是 oh-my-openagent（OMO） oh-my-openagent（簡稱 OMO，又稱 Oh My OpenCode）是由 code-yeongyu 開發的 OpenCode 增強插件（Plugin），以 TypeScript 編寫（94.2%），專為將 OpenCode（開源終端 AI 編碼代理）升級為一個具備**紀律型多代理協作（Discipline Agents）**能力的 AI 開發團隊。 ...

Superpowers 教學手冊（企業標準技術白皮書） 版本：v2.0｜基於：Superpowers Framework v5.0.5（by Jesse Vincent / obra @ Prime Radiant） 最後更新：2026-03-23｜適用對象：資深工程師、Tech Lead、AI Agent 團隊｜語言：繁體中文 GitHub：https://github.com/obra/superpowers ⭐ 107k stars · 8.6k forks Plugin Marketplace：https://claude.com/plugins/superpowers Discord 社群：https://discord.gg/Jd8Vphy9jq 目錄 第 1 章：Superpowers 概述 1.1 什麼是 Superpowers 1.2 與 Prompt Engineering / Agent Framework 的差異 1.3 適用場景 1.4 核心價值：工程紀律 1.5 支援平台總覽 1.6 版本演進歷程 第 2 章：整體系統架構設計 2.1 Superpowers 在 AI 開發架構中的位置 2.2 Plugin 架構與多平台支援 2.3 技能自動觸發機制 2.4 Hooks 系統 2.5 與 CI/CD 系統整合 2.6 整體技術堆疊 第 3 章：安裝與環境建置 3.1 前置要求 3.2 安裝步驟 3.3 專案初始化 3.4 建議目錄結構 3.5 Dev Container 配置（選用） 3.6 升級方式 3.7 驗證安裝 第 4 章：核心 Skills 詳解 4.1 完整技能庫總覽 4.2 The Basic Workflow（7 步驟） 4.3 Brainstorming（需求釐清）+ Visual Companion 4.4 TDD — 測試驅動開發 4.5 Writing Plans（微步驟計畫）+ Document Review 4.6 Subagent-Driven Development（Subagent 分工開發） 4.7 Systematic Debugging（系統化除錯） 4.8 Git Worktrees（隔離開發環境） 4.9 其他重要技能 第 5 章：實戰開發流程（End-to-End） 5.1 開發流程總覽（The Basic Workflow） 5.2 完整範例：電商訂單結帳功能 5.3 流程時間線總覽 第 6 章：與企業系統整合 6.1 整合架構總覽 6.2 與 Spring Boot 整合 6.3 與微服務架構整合 6.4 與資料庫整合 6.5 與訊息佇列整合（Kafka / RabbitMQ） 6.6 與 API Gateway 整合 第 7 章：CI/CD 與 DevOps 7.1 CI/CD Pipeline 架構 7.2 GitHub Actions Workflow 7.3 SonarQube 品質控管 7.4 ArchUnit 架構測試 7.5 自動部署流程 第 8 章：系統維運（Maintenance） 8.1 AI 產出品質維持 8.2 技術債控制 8.3 Debug 流程標準化 8.4 Log / Monitoring 第 9 章：系統升級與版本管理 9.1 Superpowers 升級策略 9.2 Skills 版本控管（Plugin 架構） 9.3 相容性矩陣 9.4 完整版本歷程摘要 第 10 章：最佳實務（Best Practices） 10.1 AI 不可跳過測試 10.2 強制 Planning 10.3 小步提交 10.4 Clean Architecture 10.5 Subagent-Driven Development 最佳實務 10.6 Document Review System 最佳實務 第 11 章：反模式（Anti-patterns） 11.1 反模式總覽 11.2 開發反模式詳解 11.3 流程反模式詳解 11.4 組織反模式詳解 11.5 v5.0 新增反模式 第 12 章：企業導入策略 12.1 團隊導入路線圖 12.2 Governance（治理） 12.3 Code Review 機制 12.4 AI 使用規範 第 13 章：完整範例專案 13.1 專案概述 13.2 專案架構 13.3 範例程式碼 13.4 測試案例 13.5 開發流程示範 附錄 A：AI Agent Team 協作模式 附錄 B：與 MCP 整合 附錄 C：新進成員檢查清單（Checklist） 附錄 D：詞彙表 附錄 E：完整版本歷程摘要 第 1 章：Superpowers 概述 章節摘要：本章介紹 Superpowers 的核心理念、與其他 AI 開發方法論的差異、支援平台、版本演進，以及它為企業團隊帶來的「工程紀律」價值。 ...

使用github copilot下的Prompt Engineering vs Context Engineering vs Harness Engineering教學手冊 版本：2.0.0 最後更新：2026-03-18 適用對象：資深工程師、技術主管、AI 輔助開發導入團隊 技術情境：Java / Spring Boot / GitHub Copilot / 銀行級 Web Application 文件等級：企業標準技術白皮書 目錄 第一章：核心概念說明 1.1 三者定義 1.2 演進關係 1.3 一句話理解 1.4 歷史脈絡與業界趨勢 1.5 三者的互補與協同關係 第二章：詳細比較表 2.1 七大面向比較 2.2 成熟度模型 2.3 投入與回報分析 2.4 學習曲線與導入難度 2.5 適用場景矩陣 第三章：實務案例（Web Application） 3.1 案例一：REST API 開發 3.2 案例二：Batch Job 資料處理 3.3 案例三：前端 UI 開發 3.4 案例四：除錯（Debug） 3.5 案例五：微服務通訊設計 3.6 案例六：安全性漏洞修復 3.7 案例總結比較 第四章：GitHub Copilot 實戰應用 4.1 Prompt Engineering 在 Copilot 中的實踐 4.2 Context Engineering 在 Copilot 中的實踐 4.3 Harness Engineering 在 Copilot 中的實踐 4.4 三者整合實戰工作流 第五章：工具與技術建議 5.1 各層級對應工具 5.2 工具選型決策矩陣 5.3 2026 年最新工具生態 5.4 工具整合架構 第六章：架構設計觀點 6.1 三層演進模型 6.2 大型系統 AI 能力分層設計 6.3 Anti-pattern 架構分析 6.4 企業級 AI 能力成熟度評估框架 6.5 多系統 AI 策略設計 第七章：最佳實務（Best Practices） 7.1 團隊開發規範 7.2 文件設計方式 7.3 Prompt Template 設計 7.4 AI 使用治理（Governance） 7.5 KPI 與成效衡量 第八章：常見錯誤（Anti-pattern） 8.1 Prompt 層 Anti-pattern 8.2 Context 層 Anti-pattern 8.3 Harness 層 Anti-pattern 8.4 跨層 Anti-pattern 8.5 Anti-pattern 速查表 第九章：結論與展望 9.1 架構思維總結 9.2 團隊落地路徑 9.3 ROI 量化框架 9.4 未來展望（2026-2028） 附錄 A：檢查清單（Checklist） 附錄 B：詞彙表 附錄 C：參考資源 附錄 D：Prompt Engineering 進階技巧手冊 附錄 E：Context Engineering 設計模式 第一章：核心概念說明 章節摘要：本章定義 Prompt Engineering、Context Engineering 與 Harness Engineering 三者的核心概念，並說明它們從「單次對話」到「系統化 AI 能力」的演進脈絡。 ...

SuperClaude Framework 生態系教學手冊 版本：基於 SuperClaude Framework v4.2.0 撰寫 最後更新：2026-03 適用對象：資深工程師、技術主管、全端開發團隊 文件性質：內部開發規範 / 實戰教學手冊 目錄 第一章：SuperClaude Framework 概覽 第二章：系統需求與安裝 第三章：系統設定與配置 第四章：30 個 Slash 指令完整指南 第五章：16 個 AI 代理人使用指南 第六章：7 種行為模式 第七章：Deep Research 深度研究功能 第八章：Web Application 開發實戰工作流 第九章：Flags 旗標使用指南 第十章：系統維護與管理 第十一章：系統升級 第十二章：團隊協作最佳實踐 附錄 第一章：SuperClaude Framework 概覽 章節摘要：本章介紹 SuperClaude Framework 的核心定位、設計理念與生態系架構。讀者將瞭解它如何將原生 Claude Code CLI 轉化為具備完整軟體工程流程的自動化開發平台，以及其 30 個指令、16 個代理人、7 種模式與 8 個 MCP Server 的整體佈局。 1.1 什麼是 SuperClaude Framework？ 定義與定位 SuperClaude Framework 是一個 Context Framework（上下文框架），專為 Anthropic Claude Code 命令列工具設計。其本質是一套 行為指令配置文件（.md 檔案），安裝後部署至 ~/.claude/ 目錄，Claude Code 在啟動時自動讀取這些檔案來增強其能力。換言之，.md 檔案本身就是框架——它們是 Claude Code 在運行時主動參考的行為指令集。 ...