Codegraph教學手冊

CodeGraph 減少 Token 使用教學手冊 版本:v1.0(2026-05-31) 適用 CodeGraph 版本:v0.9.7+ 適用對象:資深工程師、架構師、AI Agent 開發團隊 授權:內部教育訓練使用 目錄 第 1 章 CodeGraph 概述 1.1 什麼是 CodeGraph 1.2 為何出現 — AI Agent 的 Token 困境 1.3 解決的核心問題 1.4 與傳統 RAG 的差異 1.5 Symbol Graph、Knowledge Graph 與 MCP 的關係 第 2 章 CodeGraph 架構 2.1 Tree-sitter AST 解析層 2.2 Symbol 與 Edge 提取 2.3 Resolution 層 2.4 SQLite 存儲層(FTS5) 2.5 Auto-Sync 檔案監視層 2.6 MCP Server 層 第 3 章 AI 為何浪費大量 Token 3.1 Agent 探索模式分析 3.2 Context 爆炸問題 3.3 Tool Call 爆炸問題 3.4 大型專案規模影響 第 4 章 CodeGraph 如何降低 Token 4.1 預建索引 vs 即時掃描 4.2 精準查詢 vs 全域搜尋 4.3 結構化上下文 vs 原始檔案 4.4 官方 Benchmark 數據分析 第 5 章 安裝與設定 5.1 系統需求 5.2 Windows 安裝 5.3 macOS / Linux 安裝 5.4 npm 安裝方式 5.5 Agent 自動設定 5.6 專案初始化 5.7 驗證與狀態檢查 5.8 解除安裝 第 6 章 MCP 工具詳解 6.1 codegraph_search 6.2 codegraph_context 6.3 codegraph_trace 6.4 codegraph_callers 6.5 codegraph_callees 6.6 codegraph_impact 6.7 codegraph_node 6.8 codegraph_explore 6.9 codegraph_files 6.10 codegraph_status 第 7 章 Claude Code 最佳實踐 7.1 MCP + CodeGraph 設定 7.2 Architecture Analysis 7.3 Bug Analysis 7.4 Refactoring 7.5 Feature Development 7.6 CLAUDE.md 配置建議 第 8 章 GitHub Copilot 最佳實踐 8.1 Copilot Agent Mode + CodeGraph 8.2 Symbol Search 優先策略 8.3 Impact Analysis 工作流 8.4 避免 Full Repository Scan 8.5 copilot-instructions.md 配置 第 9 章 Reverse Engineering 最佳實踐 9.1 場景:接手 20 年 Legacy 系統 9.2 Call Graph 快速理解架構 9.3 Dependency Graph 分析模組關係 9.4 Route Graph 理解 API 端點 9.5 逆向工程完整工作流 第 10 章 Framework 升級最佳實踐 10.1 Impact Analysis 找出受影響模組 10.2 案例:Spring Boot 2 → 4 10.3 案例:Java 17 → 25 10.4 案例:Vue 2 → Vue 3 10.5 案例:AngularJS → Angular 10.6 codegraph affected 整合 CI/CD 第 11 章 SSDLC 整合 11.1 SSDLC 與 CodeGraph 11.2 Threat Modeling 階段 11.3 Code Review 階段 11.4 Incident Response 階段 11.5 Dependency Audit 第 12 章 Token 優化五級策略 12.1 五級優化模型 12.2 Level 1:基礎安裝 12.3 Level 2:工具優先 12.4 Level 3:Prompt 工程 12.5 Level 4:工作流整合 12.6 Level 5:全面治理 第 13 章 企業級實踐 13.1 大規模專案的 CodeGraph 部署 13.2 多語言專案 13.3 團隊協作模式 13.4 安全考量 13.5 效能調優 13.6 程式庫使用(Library API) 第 14 章 團隊 AI 開發規範 14.1 AI Coding Standard(團隊範本) 14.2 Prompt Library(團隊 Prompt 庫) 14.3 Code Review Checklist(AI 產生程式碼) 14.4 onboarding 流程(AI 工具) 第 15 章 20 個常見錯誤與解決方案 15.1 安裝與設定類(錯誤 1-5) 15.2 使用模式類(錯誤 6-10) 15.3 Prompt 設計類(錯誤 11-15) 15.4 進階使用類(錯誤 16-20) 第 16 章 AI Agent 工作流與 KGDD 16.1 Knowledge-Graph-Driven Development (KGDD) 16.2 Agent 工作流設計模式 16.3 Multi-Agent 協作與 CodeGraph 16.4 Agentic Workflow 成熟度模型 第 17 章 總結與展望 17.1 核心要點回顧 17.2 採用路線圖 17.3 未來展望 17.4 行動建議 附錄 A:Claude Code 50%+ Token 削減實戰 附錄 B:GitHub Copilot 50%+ Token 削減實戰 附錄 C:知識圖譜成本削減計算 附錄 D:Enterprise AI Coding Standard 附錄 E:Enterprise MCP Standard 附錄 F:Enterprise KG Platform 藍圖 附錄 G:Checklist 第 1 章 CodeGraph 概述 1.1 什麼是 CodeGraph CodeGraph 是一個開源的本地端程式碼知識圖譜工具(MIT License,GitHub 34.9k+ stars),專為 AI 編碼代理(Coding Agent)設計。它利用 Tree-sitter 解析器將程式碼庫轉換為結構化的符號關係圖譜,儲存於本地 SQLite 資料庫,並透過 MCP(Model Context Protocol)Server 將圖譜能力暴露給 AI Agent 使用。 ...

May 31, 2026 · 40 min · 8448 words · Eric Cheng

Copilot CLI教學手冊

GitHub Copilot CLI 教學手冊 文件版本:v2.0(2026-10-14,全面重新編排) 對應產品版本:GitHub Copilot CLI v1.0.97(2026-10-13 發佈的最新穩定版),旗標與設定鍵以本機 v1.0.97 的 copilot --help、copilot help config|environment|commands|permissions|sandbox 輸出逐一核對 文件等級:企業標準技術白皮書(Enterprise Technical Whitepaper) 適用對象:資深工程師、DevOps/平台工程師、架構師、資安與治理人員 技術情境:企業級 Web 應用(Java 21/Spring Boot 3.5、Vue 3、微服務、GitHub Enterprise Cloud) 適用方案:Copilot Free/Student/Pro/Pro+/Max/Business/Enterprise(全面採用 AI Credits 用量計費,詳見第 17 章) 查證紀錄:所有更正、已執行的驗證與尚待確認的項目,集中記錄於附錄 H 如何使用本手冊 本手冊的目標不是「列出所有功能」,而是讓讀者學會正確使用 Copilot CLI,並有能力審查 AI 產出的結果。因此每一章都遵循相同結構: 區塊 內容 讀者要做的事 本章目標 讀完後應具備的能力 讀完後自我檢核 概念與原理 功能是什麼、為什麼這樣設計、限制在哪裡 理解,而不是背指令 操作範例 可直接複製的指令、設定檔與腳本(皆已在本機驗證,見附錄 H.3) 動手做一次 ❌/✅ 對照 常見的錯誤寫法與正確寫法 用來審查 AI 或同事的產出 本章審查與驗證清單 AI 產出項目、錯誤示範、正確做法、人工如何驗證 落地成團隊的 Review Checklist 💡 給審查者的提示:本手冊中的設定檔(hooks、MCP、custom agent、skill、settings)都可以用第 21 章提供的 check_config.py 檢查;所有 copilot 旗標與 slash 指令都可以用 check_flags.py 對照本機版本確認是否存在。 ...

May 29, 2026 · 95 min · 20162 words · Eric Cheng

GitHub Copilot 建立 SSDLC Agent Team 教學手冊

GitHub Copilot 建立 SSDLC Agent Team 教學手冊 文件目錄:.github/教學/AI開發/ 文件檔名:GitHub Copilot 建立 SSDLC Agent Team 教學手冊.md 目錄 0. 文件資訊與閱讀指南 文件基本資訊 適用對象 使用前提 閱讀地圖 本版重點與標示慣例 名詞定義 1. 總覽:什麼是 GitHub Copilot SSDLC Agent Team 1.1 為什麼企業需要 SSDLC Agent Team 1.2 與傳統方式的差異 1.3 新系統開發 vs. 舊系統逆向工程 1.4 整體概念圖 1.5 企業導入價值 1.6 典型使用情境 2. 最新功能盤點與術語對照 2.1 功能矩陣表 2.2 功能可用環境比較表 2.2.1 客製化元件檔案位置速查 2.2.2 VS Code Agent Harness 對客製化元件的影響 2.3 Preview / GA / Plan Requirement 對照表 2.4 容易混淆概念比較表 2.5 第三方 Agent 與 Auto Model Selection 模型對照 2.6 Copilot Integrations 支援平台 2.7 CLI Built-in Agents 功能說明 3. SSDLC Agent Team 企業架構設計 3.1 Agent 職責總覽 3.2 Mermaid 架構圖 3.3 Agent 協作流程圖 3.4 Agent RACI 表 3.5 Agent 與 SSDLC 階段對應表 3.6 模型分配策略 4. 平台安裝與環境建置 4.1 VS Code 安裝與版本建議 4.2 GitHub Copilot 擴充套件安裝 4.3 GitHub Copilot CLI 安裝 4.4 組織管理員政策設定 4.5 設定檢查清單 4.6 常見安裝錯誤與排除 5. 專案初始化與標準目錄設計 5.1 標準目錄樹 5.2 檔案用途說明 5.3 VS Code 與 GitHub.com / CLI 格式差異 5.4 Project / User / Org 層級差異 5.5 版本控管策略 6. 建立 Custom Agent(⭐ 重點章節) 6.1 Agent Profile 格式詳解 6.2 Agent 1 — Planner(規劃 Agent) 6.3 Agent 2 — Architect(架構 Agent) 6.4 Agent 3 — Backend Developer(後端開發 Agent) 6.5 Agent 4 — Frontend Developer(前端開發 Agent) 6.6 Agent 5 — Test Generator(測試 Agent) 6.7 Agent 6 — Security Reviewer(安全審查 Agent) 6.8 Agent 7 — Code Reviewer(程式碼審查 Agent) 6.9 Agent 8 — Release Agent(發版 Agent) 6.10 Agent 9 — Reverse Engineering Agent(逆向工程 Agent) 6.11 Agent 10 — Doc Writer(文件 Agent) 6.12 Agent 11 — Project Manager(專案管理 Agent) 6.13 Agent-Scoped Hooks(Preview) 6.14 Orchestrator Agent 模式 6.15 Agent 設計最佳實務 6.16 Agent Customizations 編輯器與 AI 輔助生成 6.16.1 開啟客製化編輯器 6.16.2 建立 Custom Agent 的四種方式 6.16.3 診斷:這個 Agent 到底從哪裡來? 6.16.4 從舊版 Custom Chat Modes 遷移 6.17 Agent Profile 的驗證與測試 6.17.1 自動檢查:check_customizations.py 6.17.2 用反例確認檢查器真的會抓錯 6.17.3 Smoke test:讓 Agent 自己說出它的設定 6.17.4 人工審查清單(PR Reviewer 使用) 6.17.5 把檢查放進 CI 與 CODEOWNERS 7. 建立 Prompt(Prompt Library) 7.1 Prompt File 概念 7.2 SSDLC 各階段 Prompt 範本 7.2.1 需求分析階段 7.2.2 設計階段 7.2.3 開發階段 7.2.4 測試階段 7.2.5 安全審查階段 7.2.6 Code Review 階段 7.2.7 逆向工程階段 7.3 Prompt 設計原則 7.4 Prompt 管理策略 7.5 從 Prompt File 遷移至 Skills 7.5.1 欄位對照 7.5.2 轉換範例:analyze-user-story 7.5.3 遷移步驟 8. 建立 Custom Instructions 8.1 Instructions 類型總覽 8.2 Repo-wide Instructions 8.3 File-based Instructions 8.4 AGENTS.md 8.5 組織層級 Instructions 8.6 Instructions 設計最佳實務 8.7 Instructions 的驗證方式 8.7.1 確認有被載入 8.7.2 確認有被遵守:違規測試 8.7.3 審查 AI 產生的 Instructions 9. 建立 Agent Skills 9.1 Skills 概念 9.2 Skill 1 — Security Review 9.3 Skill 2 — JUnit Test Generator 9.4 Skill 3 — PR Checker 9.5 Skill 4 — API Reviewer 9.6 Skill 5 — Reverse Analysis 9.7 Skill 6 — Doc Generator 9.8 Skills 管理策略 9.9 GitHub Copilot Plugins:封裝與分發 Agent Team 元件 9.9.1 什麼是 Plugin 9.9.2 Plugin 可包含的元件 9.9.3 Plugin 目錄結構 9.9.4 plugin.json 清單檔 9.9.5 安裝與管理 Plugin 9.9.6 Plugin Marketplace 9.9.7 載入順序與優先序 9.9.8 Plugin 檔案位置 9.9.9 Plugin 與手動設定比較 9.9.10 SSDLC Agent Team Plugin 實務範例 9.9.11 整合 MCP Server 與外部工具 9.9.12 企業層級 Plugin 標準(Enterprise-managed Plugin Standards) 9.9.13 Plugin 的審查與驗證 10. 設定 Hooks 10.1 Hooks 概念與生命週期 10.2 Hook 設定檔格式與放置位置 10.3 VS Code Hooks 設定(Preview) 10.4 Agent-scoped Hooks 10.5 Hook 輸入與輸出機制 10.5.1 Local 格式:通用輸入欄位 10.5.2 Local 格式:事件專屬輸入 10.5.3 Local 格式:通用輸出 10.5.4 Local 格式:PreToolUse 權限控制 10.5.5 Local 格式:Exit Code 與控制機制 10.5.6 Copilot 格式的輸入與輸出(v3.0.0 新增) 10.6 Cloud Agent / CLI Hooks 10.7 SSDLC 護欄策略與 Autopilot 風險 10.8 Hooks 安全考量與最佳實務 10.9 SSDLC 護欄 Hook 實作與測試 10.9.1 設定檔 10.9.2 preToolUse 護欄腳本 10.9.3 postToolUse 稽核腳本 10.9.4 測試:用假的 Hook 輸入驗證每條規則 10.9.5 與其他防線的分工 11. 管理 Copilot Memory 11.1 Memory 概念 11.2 Memory 儲存類型與運作機制 11.3 啟用 Memory 11.4 Memory 治理 11.5 Memory 最佳實務 12. PR 工作流程(PR Workflow) 12.1 概述 12.2 Copilot 自動 PR Review 12.2.1 啟用 Copilot Code Review 12.2.2 自訂 Review 指引 12.2.3 Copilot Review 回饋格式 12.2.4 Copilot approvals 與 SSDLC Gate 12.3 PR Workflow 自動化 12.3.1 PR Agent 自動化流程 12.3.2 GitHub Actions 整合 12.3.3 Branch Protection Rules 12.4 Copilot 在 PR 中的互動 12.4.1 在 PR Comment 中使用 Copilot 12.4.2 使用 Copilot 修復 PR 評論 12.4.3 PR Description 自動產生 12.5 Agent Management Tab(Agents 管理面板) 12.6 PR 品質指標 12.6.1 PR 品質儀表板 12.6.2 PR 模板 12.7 Copilot Integrations(第三方平台整合) 12.8 Agent Apps(合作夥伴 Agent) 12.8.1 什麼是 Agent App 12.8.2 三種觸發入口 12.8.3 驗證與授權機制 12.8.4 啟用前提與計費 12.9 Copilot Automations(自動化排程任務) 12.9.1 定義與觸發條件 12.9.2 使用前提 12.9.3 管理位置 12.9.4 範圍控制:工具選擇是主要手段 12.9.5 治理上最需要注意的三件事 12.9.6 計費與責任歸屬 12.9.7 SSDLC 導入情境建議 12.10 GitHub Agentic Workflows(Automation as Code) 13. SSDLC 全流程整合(⭐ 全文件核心) 13.1 概述 13.2 SSDLC 全流程圖 13.3 各階段 Agent 協作詳解 13.4 Agent Handoff 流程 13.4.1 Handoff 觸發條件 13.4.2 Handoff 資訊傳遞 13.5 端到端範例:實作一個安全的使用者註冊功能 13.6 SSDLC 成熟度模型 13.6.1 五級成熟度 13.6.2 從 Level 1 到 Level 5 的路線圖 13.7 企業導入策略 13.7.1 推薦導入順序 13.7.2 成功指標 13.8 AI 產出的人工驗收:各 Gate 的驗收清單與證據 13.8.1 驗收的共通原則 13.8.2 各 Gate 驗收清單 13.8.3 把驗收證據寫進 PR 14. 逆向工程(Reverse Engineering) 14.1 概述 14.2 逆向工程流程 14.3 使用 Reverse Agent 進行分析 14.3.1 基本分析指令 14.3.2 Reverse Analysis Skill 運作方式 14.3.3 分析報告範例 14.4 逆向工程最佳實務 14.4.1 安全考量 14.4.2 分析策略 14.5 逆向工程產出的驗證 14.5.1 要求報告區分「觀察」與「推論」 14.5.2 驗證步驟 15. 團隊共享與新人引導 15.1 概述 15.2 團隊共享策略 15.2.1 共享元件總覽 15.2.2 組織層級共享 15.2.3 Repository Template 15.3 新人引導流程 15.3.1 新人引導流程圖 15.3.2 新人引導檢查清單 15.3.3 練習專案 15.4 知識傳承機制 15.4.1 文件即程式碼(Documentation as Code) 15.4.2 Copilot Memory 作為知識庫 15.4.3 團隊回饋循環 15.5 常見團隊問題與解答 16. 安全治理、合規與成本管理 16.1 概述 16.2 安全治理框架 16.2.1 三層防禦架構 16.2.2 GitHub Admin Policies 設定 16.2.3 Content Exclusion 配置 16.2.4 GitHub Advanced Security 與 Copilot Autofix 整合 16.2.5 企業管理設定與新型 Agent 能力的治理 16.3 法規合規 16.3.1 常見合規框架對照 16.3.2 合規檢查清單 16.3.3 智慧財產權考量 16.4 成本管理 16.4.1 GitHub Copilot 方案與額度(2026-10-10) 16.4.2 計費模式:AI Credits(Usage-based Billing) 16.4.3 成本優化策略 16.4.4 模型分配建議(成本效益最佳化) 16.5 使用監控與稽核 16.5.1 Copilot Usage Metrics API 16.5.2 監控儀表板指標 16.5.3 Session 資料的稽核與保留政策 16.6 Agentic AI 風險對照:OWASP Top 10 for Agentic Applications 2026 16.6.1 對應 NIST SP 800-218A 17. 維護、升級與版本管理 17.1 概述 17.2 維護策略 17.2.1 定期維護項目 17.2.2 維護工作流程 17.3 版本管理策略 17.3.1 語意化版本 17.3.2 變更日誌 17.4 平台升級追蹤 17.4.1 GitHub Copilot 功能狀態追蹤 17.4.2 升級檢查清單 17.5 故障排除 17.5.1 常見問題與解決方案 17.5.2 除錯技巧 17.6 Session Store 與 Chronicle(工作階段歷史治理) 17.6.1 儲存位置與同步機制 17.6.2 企業政策前提 17.6.3 涵蓋範圍 17.6.4 /chronicle 子指令 17.6.5 /session 資料刪除與保留 17.6.6 Session 續接、分享與重建索引 17.6.7 導入建議 18. 案例研究 18.1 概述 18.2 案例一:電商平台 API 開發 18.2.1 專案背景 18.2.2 Agent Team 配置 18.2.3 SSDLC 執行流程 18.2.4 具體成果 18.3 案例二:遺留系統現代化改造 18.3.1 專案背景 18.3.2 逆向工程階段 18.3.3 Reverse Agent 的具體使用 18.3.4 量化成果 18.3.5 關鍵學習 19. 常見問題(FAQ) 19.1 基礎概念 19.2 設定與配置 19.3 安全與合規 19.4 效能與成本 19.5 團隊與流程 19.6 新型 Agent 能力(v2.0.0 新增) 19.7 驗證 AI 產出(v3.0.0 新增) 20. 最佳實務與檢查清單 20.1 Agent Profile 最佳實務 20.1.1 撰寫原則 20.1.2 反模式 20.2 Instructions 最佳實務 20.2.1 撰寫原則 20.2.2 applyTo 模式範例 20.3 Prompt Library 最佳實務 20.4 安全最佳實務 20.4.1 安全檢查清單 20.4.2 OWASP Top 10 與 Agent Team 對應 20.5 整體導入檢查清單 20.5.1 導入前檢查 20.5.2 導入中檢查 20.5.3 導入後檢查 20.5.4 新型 Agent 能力治理檢查(v2.0.0 新增) 21. 附錄:即用範本集 21.1 概述 21.2 範本索引 21.3 範本 1:Coding Agent Profile 21.4 範本 2:Security Agent Profile 21.5 範本 3:JUnit Agent Profile 21.6 範本 4:Project Manager Agent Profile 21.7 範本 5:Repository Instructions 21.8 範本 6:Java Coding Standards Instructions 21.9 範本 7:Security Review Skill 21.10 範本 8:需求分析 Prompt 21.11 範本 9:測試產生 Prompt 21.12 範本 10:PR Template 21.13 範本 11:Code Review Instructions 21.14 範本 12:標準目錄結構 22. 附錄:官方文件查證紀錄 22.1 查證基準與實測紀錄 22.2 已查閱的主要官方頁面 22.3 更正對照表(v2.0.0 → v3.0.0) 22.4 v3.0.0 新增章節 22.5 待追蹤項目 結語 核心要點回顧 建議的下一步 0. 文件資訊與閱讀指南 文件基本資訊 本手冊定位為企業導入 GitHub Copilot Agent 能力的技術白皮書,說明如何以 SSDLC(安全軟體開發生命週期)為骨架,將 Custom Agent、Skills、Instructions、Hooks、Memory 等原生能力組裝成一支可治理的「Agent Team」。內容以官方文件為事實基礎,並加入企業導入時的架構判斷與實務建議。 ...

May 28, 2026 · 176 min · 37327 words · Eric Cheng

Understand Anything 教學手冊

Understand-Anything 企業級教學手冊 版本:v2.7.5(對應 2026-06 官方最新版) 適用對象:資深工程師、架構師、技術主管 最後更新:2026 年 5 月 25 日 授權:MIT License 官方 Repo:Lum1104/Understand-Anything 官方首頁:understand-anything.com 線上 Demo:understand-anything.com/demo Discord 社群:discord.gg/pydat66RY 目錄 1. Understand-Anything 簡介 2. 系統架構 3. 核心功能詳解 4. 安裝與環境建置 5. Claude Code 整合 6. GitHub Copilot / Cursor / Codex 整合 7. Web Application 開發實戰 8. Legacy System Reverse Engineering 9. Framework 升級實戰 10. Knowledge Graph 深入解析 11. Token Cost 最佳化與 Hybrid 分析模式 12. SSDLC 與 AI 治理 13. 團隊導入最佳實務 14. 維運與監控 15. Troubleshooting 常見問題排除 16. 最佳實務 17. 企業級架構建議 18. 未來發展方向 19. 結論 20. AI Prompt Engineering 專章 21. Agent Workflow 專章 22. 大型共用平台案例 23. 檢查清單(Checklist) 附錄 1. Understand-Anything 簡介 1.1 專案背景 Understand-Anything 是 GitHub 上星數超過 28,000 的開源 AI Codebase Understanding Framework,由 Lum1104 於 2026 年初創建。它的核心理念是: ...

May 25, 2026 · 51 min · 10781 words · Eric Cheng

Claude Mem 教學手冊

claude-mem 教學手冊 版本: v13.3.0 | 最後更新: 2026-05-25 | 授權: Apache License 2.0 本手冊適用對象:初學者、中階工程師、資深架構師、AI Agent 開發團隊 官方網站:claude-mem.ai | GitHub:thedotmack/claude-mem 目錄 1. claude-mem 介紹 2. 核心架構 3. 安裝教學 4. 設定教學 5. MCP(Model Context Protocol)整合 6. 記憶工作流程(3-Layer Workflow) 7. Claude Code 整合 8. GitHub Copilot 整合 9. Web Application 開發實戰 10. Reverse Engineering 實戰 11. Framework Upgrade 實戰 12. Token Optimization Strategies 13. Enterprise Architecture 14. SQLite 與資料結構分析 15. Hooks 與 Worker 深入解析 16. Context Injection 深入解析 17. 實戰 Prompt Engineering 18. 團隊導入建議 19. 維運與升級 20. Troubleshooting 21. 最佳實務(Best Practices) 22. 安全性(Security) 23. 效能調校(Performance Tuning) 24. 與其他工具比較 25. File Read Gate(檔案讀取攔截) 26. Folder Context Files(資料夾上下文檔案) 27. Knowledge Agents(知識代理人) 28. Beta 功能與 Endless Mode 29. OpenClaw 整合 30. Smart Explore(AST 智慧探索) 31. 未來發展與 AI Agent Memory 趨勢 32. FAQ 與檢查清單 1. claude-mem 介紹 1.1 什麼是 claude-mem claude-mem 是一套持久化記憶壓縮系統(Persistent Memory Compression System),專為 Claude Code 及其他 AI Coding Agent 設計。它能在開發者與 AI Agent 互動的過程中,自動擷取工具使用的觀察記錄(Observations),透過 AI 進行語意壓縮,並在未來的 Session 中自動注入相關上下文(Context),讓 AI 得以跨 Session 維持對專案的認知與記憶。 ...

May 25, 2026 · 33 min · 6823 words · Eric Cheng

RTK (Rust Token Killer) 教學手冊

RTK (Rust Token Killer) 教學手冊 版本:v2.0(2026-05-25) RTK 版本:v0.42.0(Apache License 2.0) 適用對象:資深工程師、AI 開發團隊、DevOps 工程師、架構師 定位:企業級 AI Coding 開發平台導入指南 / Token 成本治理手冊 專案規模:53.7k+ Stars、3.3k+ Forks、97+ 貢獻者、179+ Releases 目錄 1. RTK 簡介 1.1 RTK 是什麼 1.2 為什麼需要 RTK 1.3 AI Coding Token 問題 1.4 Token Cost Explosion 問題 1.5 RTK 解決了哪些問題 1.6 RTK 適合哪些團隊與專案 1.7 核心設計理念 1.8 技術優勢 1.9 RTK 的限制 1.10 RTK 版本演進與里程碑 2. RTK 系統架構 2.1 CLI Architecture 2.2 Hook 機制 2.3 Command Interception 2.4 Output Compression Pipeline 2.5 Filtering Strategies 2.6 Tee Mode 2.7 Token Tracking System 2.8 TOML 自訂過濾器 2.9 架構圖 3. RTK 安裝教學 3.1 Homebrew(推薦) 3.2 Quick Install(Linux/macOS) 3.3 Cargo 安裝 3.4 Windows 3.5 Linux 3.6 macOS 3.7 Container / DevContainer 3.8 WSL2 3.9 企業 Proxy 環境 3.10 離線安裝 3.11 驗證安裝 3.12 名稱衝突警告 3.13 常見錯誤與 Troubleshooting 4. RTK 核心功能詳解 4.1 Smart Filtering 4.2 Grouping 4.3 Truncation 4.4 Deduplication 4.5 Tee Mode 4.6 Ultra Compact 4.7 Token Saving Analytics 4.8 discover 4.9 gain 4.10 session 4.11 smart 4.12 read 4.13 test 4.14 gh 4.15 git 5. RTK CLI 指令大全 5.1 rtk ls 5.2 rtk read 5.3 rtk smart 5.4 rtk test 5.5 rtk git 5.6 rtk gh 5.7 rtk gain 5.8 rtk discover 5.9 rtk session 5.10 rtk docker 5.11 rtk kubectl 5.12 rtk aws 5.13 rtk find / rtk grep / rtk diff 5.14 rtk json / rtk log / rtk env / rtk deps 5.15 rtk proxy / rtk summary / rtk curl / rtk wget 6. Claude Code 整合 6.1 Claude Code Hook 機制 6.2 自動指令改寫 6.3 Shell Hook 設定 6.4 Token Reduction Workflow 6.5 大型專案最佳化 6.6 Multi-Agent Workflow 6.7 最佳實務 7. GitHub Copilot 整合 7.1 VSCode Integration 7.2 Copilot Chat 7.3 Terminal Workflow 7.4 Prompt Engineering 7.5 Token Optimization 7.6 Workspace Strategy 8. 多元 AI 工具整合 8.1 Cursor 整合 8.2 Gemini CLI 整合 8.3 Codex(OpenAI)整合 8.4 Windsurf / Cline / Roo Code 整合 8.5 OpenCode / OpenClaw 整合 8.6 Hermes / Kilo Code / Antigravity 整合 8.7 AI 工具整合總覽與比較 9. Reverse Engineering 使用情境 9.1 Legacy System 分析 9.2 Monolith 系統分析 9.3 大型 Repo 探索 9.4 巨量 Logs 處理 9.5 Decompiled Source 分析 9.6 API Trace / Stack Trace 分析 10. Framework Upgrade 使用情境 10.1 Spring Boot Upgrade 10.2 React / Vue / Angular Upgrade 10.3 Node.js Upgrade 10.4 Rust Upgrade 10.5 大規模升級策略 11. Web Application 開發最佳實務 11.1 Frontend Workflow 11.2 Backend Workflow 11.3 Fullstack Workflow 11.4 Microservices 11.5 Monorepo 11.6 CI/CD 12. DevOps 與 Cloud Native 整合 12.1 Docker 12.2 Kubernetes 12.3 AWS CLI 12.4 Azure CLI 12.5 GCP CLI 12.6 GitHub Actions 12.7 GitLab CI 13. 多語言生態系支援 13.1 Rust 生態系 13.2 Python 生態系 13.3 Go 生態系 13.4 Ruby 生態系 13.5 .NET 生態系 13.6 Java 生態系 14. 團隊導入策略 14.1 Enterprise Rollout 14.2 Governance 14.3 AI Development Standard 14.4 Team Rules 14.5 Prompt Standardization 14.6 Token Budget Management 15. Token 成本治理 15.1 Token Budget 15.2 Usage Analytics 15.3 Cost Governance 15.4 AI Usage KPI 15.5 Team Cost Dashboard 16. 安全性與風險管理 16.1 Secrets Filtering 16.2 PII Protection 16.3 Log Sanitization 16.4 Secure AI Workflow 16.5 隱私與遙測管理 17. RTK 維運管理 17.1 Upgrade Strategy 17.2 Version Management 17.3 Backup & Restore 17.4 Troubleshooting 17.5 Monitoring 17.6 Performance Tuning 18. RTK 最佳實務 18.1 50 條 Best Practices 18.2 50 條 Anti-Patterns 18.3 50 條 Prompt Engineering Tips 19. 企業級 AI Coding Platform 架構 19.1 平台架構設計 19.2 Claude Code + RTK 19.3 Copilot + RTK 19.4 Cursor + RTK 19.5 MCP Server / AI Gateway 19.6 Enterprise AI Workflow 20. 完整實戰案例 20.1 案例一:大型 Spring Boot Monolith Modernization 20.2 案例二:大型 React Monorepo 20.3 案例三:Legacy COBOL Reverse Engineering 20.4 案例四:Microservices Migration 20.5 案例五:大型 Kubernetes Platform 21. 附錄 21.1 Cheat Sheet 21.2 CLI Quick Reference 21.3 Hook Templates 21.4 Shell Templates 21.5 VSCode Settings 21.6 Configuration Files 21.7 Troubleshooting FAQ 21.8 導入準備 Checklist 21.9 官方資源與社群 1. RTK 簡介 1.1 RTK 是什麼 RTK(Rust Token Killer)是一款以 Rust 語言開發的高效能 CLI 代理工具(CLI Proxy),專為 AI Coding 時代設計。它在開發者的 Shell 指令與 LLM(大型語言模型)之間擔任「中間層」,自動攔截、過濾並壓縮命令輸出,從而將 LLM Token 消耗降低 60-90%。 ...

May 25, 2026 · 69 min · 14552 words · Eric Cheng

PRD(產品需求文件)範本

PRD(產品需求文件|Product Requirement Document)範本 範本版本:v2.0(2026-10-06)|對應《軟體開發標準程序教學手冊》v2.0 第 3.2、3.3、3.4 節 參照標準:ISO/IEC/IEEE 29148:2018、ISO 9241-210:2019、IIBA BABOK v3 適用對象:產品經理、UI/UX 設計師、業務分析師、開發團隊 文件性質:產品需求定義與功能規劃文件 📑 章節目錄 文件資訊 產品概述 使用者輪廓(User Persona) 核心功能清單(Feature List) 流程圖(Process Flow) 介面原型(Wireframe) 非功能性需求(Non-Functional Requirements) 依賴與限制 里程碑與時程 風險與緩解措施 術語定義 附件與參考 審查與驗證 範例:電子商務平台 PRD 摘要 📋 使用說明 PRD 是將商業目標轉譯為具體功能需求的關鍵文件,定義「產品要做什麼」。它是 UI/UX 設計師與工程團隊開發的主要依據,橋接業務需求(BRD)與技術實作(SDD/TSD)之間的落差。 何時使用本範本 新產品或新功能的需求定義階段 產品重大改版前的需求整理 跨部門協作時的需求溝通基準文件 填寫原則 以使用者為中心:所有功能描述應從使用者角度出發 量化可驗證:驗收條件必須可量化、可測試 優先序明確:使用 MoSCoW 或數字排序標明優先級 迭代更新:隨需求演進持續更新文件版本 📄 範本正文 [產品/功能名稱] 產品需求文件(PRD) 1. 文件資訊 項目 內容 文件編號 PRD-[專案代碼]-[序號] 版本 v0.1 建立日期 YYYY-MM-DD 最後更新 YYYY-MM-DD 撰寫者 [產品經理姓名] 審核者 [審核者姓名 / 角色] 核准者 [核准者姓名 / 角色] 狀態 草稿 / 審查中 / 已核准 / 已凍結 版本歷程 版本 日期 修改人 修改內容摘要 v0.1 YYYY-MM-DD [姓名] 初版建立 審核紀錄 審核者 角色 審核日期 結果 備註 通過 / 有條件通過 / 退回 2. 產品概述 2.1 產品願景 簡述本產品/功能的願景,說明為何需要此產品,以及期望達成的長期目標。 ...

May 19, 2026 · 5 min · 900 words · Eric Cheng

SDD(系統設計文件)範本

SDD(系統設計文件|System Design Document)範本 範本版本:v2.0(2026-10-06)|對應《軟體開發標準程序教學手冊》v2.0 第 4.1–4.8 節 參照標準:ISO/IEC/IEEE 42010:2022、ISO/IEC 25010:2023、ISO/IEC/IEEE 15288:2023 適用對象:系統架構師、資深開發工程師、技術主管 文件性質:系統技術架構與設計決策文件 📑 章節目錄 文件資訊 系統概述 系統架構 模組劃分(Module Decomposition) 資料庫綱要設計(Database Schema) API 介面規格(API Specification) 資安規範(Security Design) 非功能性設計 整合設計(Integration Design) 錯誤處理與容錯設計 可觀測性設計(Observability) 設計決策記錄(ADR) 審查與驗證 範例:電商系統 SDD 摘要 📋 使用說明 SDD 用於制定技術解決方案,規劃「系統要如何實作」。內容涵蓋系統架構、資料庫綱要(Schema)、API 介面規格、模組劃分與資安規範,確保系統具備擴展性與穩定性。 何時使用本範本 系統設計階段,將需求(PRD/FRD/SRD)轉化為技術方案 重大架構變更前的設計評審 跨團隊技術溝通的基準文件 與其他文件的關係 PRD(做什麼) → SDD(如何設計) → TSD(如何實作) ↑ ↑ ↑ 產品經理 架構師 開發工程師 填寫原則 決策可追溯:每個設計決策需記錄原因與替代方案 圖文並茂:架構圖、序列圖、ER 圖等應完整呈現 安全優先:每個模組需考慮資安面向 可演進:設計應預留擴展空間 📄 範本正文 [系統/模組名稱] 系統設計文件(SDD) 1. 文件資訊 項目 內容 文件編號 SDD-[專案代碼]-[序號] 版本 v0.1 建立日期 YYYY-MM-DD 最後更新 YYYY-MM-DD 撰寫者 [架構師姓名] 審核者 [審核者姓名 / 角色] 核准者 [核准者姓名 / 角色] 狀態 草稿 / 審查中 / 已核准 版本歷程 版本 日期 修改人 修改內容摘要 v0.1 YYYY-MM-DD [姓名] 初版建立 審核紀錄 審核者 角色 審核日期 結果 備註 通過 / 有條件通過 / 退回 關聯文件 文件名稱 文件編號 版本 關聯性 產品需求文件(PRD) PRD-XXX-001 v1.0 需求來源 功能需求文件(FRD) FRD-XXX-001 v1.0 功能規格 系統需求規格書(SRD) SRD-XXX-001 v1.0 系統規格 2. 系統概述 2.1 系統背景與目標 簡述本系統的業務背景、核心問題,以及本設計文件欲達成的技術目標。 ...

May 19, 2026 · 8 min · 1583 words · Eric Cheng

TSD(技術規格文件)範本

TSD(技術規格文件|Technical Specification Document)範本 範本版本:v2.0(2026-10-06)|對應《軟體開發標準程序教學手冊》v2.0 第 5.1–5.6、6.1 節 參照標準:ISO/IEC/IEEE 15288:2023、ISO/IEC 25010:2023、IEEE 1016-2009 適用對象:資深開發工程師、技術主管、QA 工程師 文件性質:工程師實作指南與底層技術規格文件 📑 章節目錄 文件資訊 技術概述 類別與函式設計(Class & Function Design) 演算法邏輯(Algorithm Design) 資料結構(Data Structures) 錯誤處理機制(Error Handling) 自動化測試規劃(Test Plan) 組態與環境設定 建置與部署 程式碼品質標準 審查與驗證 範例:訂單服務 TSD 摘要 📋 使用說明 TSD 是工程師的實作指南,詳細說明「底層技術與程式碼邏輯」。內容涵蓋類別與函式設計、演算法邏輯、資料結構、錯誤處理機制及自動化測試規劃。 何時使用本範本 進入開發實作階段前,將 SDD 的設計轉化為可直接編碼的技術規格 複雜演算法或業務邏輯需要詳細記錄時 技術交接或 Code Review 的參考文件 與其他文件的關係 PRD(做什麼) → SDD(如何設計) → TSD(如何實作) ↑ ↑ ↑ 產品經理 架構師 開發工程師 填寫原則 可直接編碼:規格描述需精確到可直接轉換為程式碼 測試可驗證:每個功能模組需附帶測試策略 錯誤完整:覆蓋所有已知的錯誤場景與處理方式 效能可量化:關鍵演算法需標注時間/空間複雜度 📄 範本正文 [模組/功能名稱] 技術規格文件(TSD) 1. 文件資訊 項目 內容 文件編號 TSD-[專案代碼]-[模組代碼]-[序號] 版本 v0.1 建立日期 YYYY-MM-DD 最後更新 YYYY-MM-DD 撰寫者 [工程師姓名] 審核者 [技術主管 / 架構師] 狀態 草稿 / 審查中 / 已核准 版本歷程 版本 日期 修改人 修改內容摘要 v0.1 YYYY-MM-DD [姓名] 初版建立 關聯文件 文件名稱 文件編號 版本 關聯性 系統設計文件(SDD) SDD-XXX-001 v1.0 架構設計 產品需求文件(PRD) PRD-XXX-001 v1.0 需求來源 API 規格文件 API-XXX-001 v1.0 介面規格 2. 技術概述 2.1 模組/功能範圍 簡述本 TSD 涵蓋的模組或功能範圍,以及與其他模組的邊界。 ...

May 19, 2026 · 10 min · 1919 words · Eric Cheng

Postman 教學手冊

版本:2.0 最後更新:2026 年 5 月 19 日 適用對象:後端工程師、前端工程師、QA 工程師、系統架構師、DevOps 工程師 定位:企業內部標準教材 文件維護:內部技術團隊 適用於:Postman v12.x(2026 年最新穩定版,向下相容 v11.x) Created by:Eric Cheng Postman 教學手冊 📋 教學大綱 Postman 簡介與概觀 1.1 Postman 是什麼? 1.2 核心功能總覽 1.3 Postman 平台架構 1.4 版本與授權方案 1.5 與同類工具比較 1.6 適用場景與不適用場景 安裝與環境設定 2.1 桌面應用程式安裝 2.2 網頁版與 VS Code Extension 2.3 帳號註冊與登入 2.4 介面導覽 2.5 企業網路設定(Proxy / SSL) 2.6 團隊初始化設定 核心概念 3.1 Workspaces(工作區) 3.2 Collections(集合) 3.3 Environments 與 Variables 3.4 Authorization(認證與授權) 3.5 Postman Console 發送 API 請求 4.1 建立與發送 HTTP 請求 4.2 Request Body 格式 4.3 Response 檢視與分析 4.4 GraphQL 請求 4.5 gRPC 與 WebSocket 4.6 Cookie 與 Certificate 管理 變數與環境管理 5.1 變數作用域與優先順序 5.2 動態變數 5.3 環境切換策略 5.4 Postman Vault(敏感資料管理) 5.5 資料檔案驅動(CSV / JSON) 腳本開發(Tests & Scripts) 6.1 Pre-request Script 6.2 Post-response Script(測試斷言) 6.3 pm API 完整參考 6.4 Chai Assertion Library 6.5 請求鏈結(Chaining Requests) 6.6 常見測試範例 6.7 可重用腳本(Package Library) Collection Runner 與自動化測試 7.1 Collection Runner 使用 7.2 執行順序控制 7.3 Data-Driven Testing 7.4 效能測試 7.5 整合測試與回歸測試 Postman CLI 與 CI/CD 整合 8.1 Postman CLI 安裝與設定 8.2 命令列執行 Collection 8.3 Newman(傳統 CLI) 8.4 GitHub Actions 整合 8.5 Jenkins / Azure DevOps 整合 API 設計與文件 9.1 Spec Hub(OpenAPI / AsyncAPI) 9.2 Mock Server 設定 9.3 API 文件產生與發布 9.4 版本管理與 Native Git 9.5 SDK Generation(SDK 產生) 9.6 API Catalog(Enterprise) Postman Flows 10.1 Flows 概念與用途 10.2 建立視覺化工作流 10.3 實務案例 AI 功能(Agent Mode) 11.1 Postman AI 功能總覽 11.2 Agent Mode 深度指南 11.3 MCP Server 與 MCP Client 整合 11.4 AI Credits 管理與最佳化 團隊協作 12.1 團隊建立與管理 12.2 角色與權限 12.3 Version Control(Fork / Pull Request / Merge) 12.4 團隊工作區最佳實務 安全治理與 API Governance 13.1 Postman Secret Scanner 13.2 Postman Vault 與第三方整合 13.3 API Governance Rules 13.4 SSO / SCIM / Audit Log 13.5 BYOK 與 Data Residency 監控與效能 14.1 Monitor 設定與排程 14.2 效能指標與告警 14.3 Insights(Enterprise) 整合與擴充 15.1 第三方工具整合 15.2 Postman API 使用 15.3 Webhook 與自訂整合 企業導入策略 16.1 評估與導入路線圖 16.2 方案選擇與團隊培訓 16.3 標準化規範 最佳實務與反模式 17.1 最佳實務 17.2 常見反模式 常見問題與除錯(FAQ) 附錄 19.1 pm API 速查表 19.2 Chai Assertion 速查表 19.3 HTTP Status Code 速查表 19.4 快捷鍵速查表 19.5 新人上手 Checklist 19.6 API 測試 Checklist 19.7 安全性 Checklist 1. Postman 簡介與概觀 1.1 Postman 是什麼? Postman 是全球領先的 AI 原生 API 平台,為超過 4,000 萬開發者與 50 萬以上的組織提供 API 開發、測試、文件化、監控與協作的統一解決方案。Fortune 500 企業中有 98% 使用 Postman 作為其 API 開發流程的核心工具。根據 2025 年 State of the API 報告,90% 的開發者正在使用 API,74% 已採用 API-First 策略,而 AI 驅動的 API 流量在 2024 年增長了 73%。 ...

May 19, 2026 · 45 min · 9393 words · Eric Cheng