使用 VS Code 與 GitHub Copilot 開發 Java Web 應用程式教學手冊(1) 版本：2026 年 6 月版（對應 VS Code 1.126）　|　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 1.1 為什麼選擇 VS Code + GitHub Copilot？ 1.2 技術棧總覽 1.3 學習路徑建議 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 2.5 VS Code 設定（settings.json） 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（Inline Suggestions） 4.2 Next Edit Suggestions（NES） 4.3 Copilot Chat 對話式開發 4.4 Agent Mode（代理模式） 4.5 使用 Inline Chat 4.6 自訂指令與 Prompt 檔案 4.7 MCP 伺服器整合 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 8.1 Copilot 使用原則 8.2 程式碼品質規範 8.3 團隊協作建議 8.4 安全與信任控制 常見問題 FAQ 附錄：Prompt 參考範本 10.1 生成程式碼類 10.2 除錯與分析類 10.3 測試類 10.4 架構與設計類 1. 前言與環境概述 1.1 為什麼選擇 VS Code + GitHub Copilot？ Visual Studio Code 已發展為功能完備的開發平台，最新版本（1.126，2026 年 6 月發布）內建 AI Agent 功能，可直接在編輯器中以自然語言驅動開發流程。VS Code 搭配 GitHub Copilot 的 Agent Mode，開發者僅需描述任務意圖，Agent 便能自動規劃步驟、跨檔案編輯程式碼、執行終端命令並自我修正，直到任務完成。 ...

SonarQube 教學手冊 企業級 AI Coding Quality / Reverse Engineering / Framework Upgrade Validation / Secure SDLC / DevSecOps / Code Governance / AI Native Governance 全方位實戰教學 📋 目錄 (Table of Contents) 第一部分：基礎概念與架構 SonarQube 概論 SonarQube 版本比較 SonarQube 系統架構 第二部分：安裝部署與設定 安裝與部署 SonarQube 設定 SonarScanner Quality Gate 第三部分：AI Coding 整合實戰 AI Coding 與 SonarQube Claude Code 整合實戰 GitHub Copilot 整合實戰 第四部分：SonarQube 原生 AI 治理與進階安全 SonarQube 原生 AI 治理 SonarQube Advanced Security 第五部分：Legacy 與升級治理 Legacy System 逆向工程 Framework Upgrade 第六部分：安全治理框架 SSDLC DevSecOps 第七部分：CI/CD 實戰整合 GitHub Actions 整合 GitLab CI/CD 整合 Jenkins 整合 第八部分：API 與維運 SonarQube API 維運管理 升級策略 第九部分：企業導入與案例 企業導入最佳實務 銀行級實戰案例 第十部分：FAQ、Prompt Library 與附錄 常見問題 FAQ Prompt Library 附錄 📖 文件說明 🎯 文件目標 本手冊將 SonarQube 定位為企業七大平台： ...

codebase-memory-mcp 教學手冊 AI Coding Agent 知識圖譜引擎與超大型專案程式碼理解平台 文件版本控制表 項目 內容 文件版本 v1.1 撰寫/修訂日期 2026-06-25 依據官方專案版本 DeusData/codebase-memory-mcp v0.8.1（官方發布日 2026-06-12） 主要參考來源 官方 README／Releases／SECURITY.md、GitHub Pages 文件、論文 Codebase-Memory: Tree-Sitter-Based Knowledge Graphs for LLM Code Exploration via MCP（arXiv:2603.27277） 授權 codebase-memory-mcp 本體為 MIT License 開源專案 適用對象 系統分析師、系統架構師、軟體架構師、後端工程師、前端工程師、DevOps / DevSecOps 工程師、AI Engineer、Claude Code 使用者、GitHub Copilot 使用者、MCP 開發者 閱讀建議 本手冊偏向「實戰與維運」，建議依角色挑選章節 —— 架構師優先看第 2、3、20 章；導入負責人優先看第 19、22 章；第一線工程師優先看第 4～10 章；維運人員優先看第 16、17、18 章 v1.1 修訂摘要 對照官方 v0.8.1 補充環境變數、安裝參數、壓縮格式、安全機制（SLSA／cosign／CodeQL）細節；新增 Tree-sitter 語言分級、Leiden 社群偵測說明；對 ingest_traces 全文加註實驗性（Stub）警語；新增第 18 章已知限制小節；補充專案活躍度數據；目錄擴充為章/節兩層並修正簡體字與誤字 ⚠️ 時效性聲明：codebase-memory-mcp 為快速迭代的開源專案，本手冊內容以撰寫當下查證到的 v0.8.1 為準，使用前請以官方最新 Releases 與文件為最終依據，特別留意標註「實驗性／Stub」的功能是否已在更新版本中完整實作。 ...

GitLab 與 GitLab CLI（glab）完整企業級教學手冊 本手冊以 2026 年最新版 GitLab（GitLab.com SaaS / GitLab Self-Managed / GitLab Dedicated）、GitLab CLI（glab）、GitLab Duo、GitLab CI/CD、GitLab Runner、GitLab Kubernetes Agent、GitLab Security、GitLab API、GitLab MCP Server 等官方文件與最佳實務為基礎撰寫，目標是讓初學者到資深架構師、DevOps / Platform / SRE 團隊都能在同一份文件中找到所需的知識與可直接複製貼上的操作指令。 📌 使用建議： 第一次接觸 GitLab 的同仁，建議依序閱讀第一章～第七章。 已熟悉 Git 的開發者，可直接從第四章（glab CLI）開始。 DevOps / Platform / SRE 團隊，請聚焦第八、十一、十九、二十章。 想了解 AI 協作開發（Claude Code、GitHub Copilot、MCP）的同仁，請見第十三～十八章。 本文件與既有的《GitLab使用教學.md》為獨立文件，內容不互相依賴，可單獨閱讀。 📖 目錄 💡 點擊章節可跳至本文對應位置；每個章節下方的子項為該章節的小節（##）連結。 第一章 GitLab 介紹 1.1 GitLab 發展歷史 1.2 GitLab 核心理念 1.3 GitLab 與 GitHub 比較 1.4 GitLab 與 Azure DevOps 比較 1.5 GitLab 與 Bitbucket 比較 1.6 GitLab SaaS / Self-Managed / Dedicated 差異比較 第二章 GitLab 整體架構 2.1 端到端架構總覽 2.2 核心元件運作方式 2.3 GitLab Architecture Tiers（部署規模分級） 第三章 GitLab 安裝與部署 3.1 GitLab CE 與 EE 差異 3.2 Linux Package（Omnibus）安裝 — Ubuntu 3.3 Linux Package 安裝 — RHEL / Rocky Linux 3.4 Docker 安裝 3.5 Podman 安裝（Rootless） 3.6 Helm Chart（Kubernetes）安裝概覽 第四章 GitLab CLI（glab） 4.1 glab 是什麼 4.2 glab 架構 4.3 glab 主要功能分類 4.3.1 glab 指令穩定度分級（Stable / Beta / Experimental） 4.4 安裝 glab 4.5 登入與認證 第五章 GitLab CLI 指令大全 5.1 glab auth — 認證管理 5.2 glab repo — 專案管理 5.3 glab mr — Merge Request 5.4 glab issue — Issue 管理 5.5 glab pipeline 與 glab ci — CI/CD 操作 5.6 glab release — 版本發布 5.7 glab variable — CI/CD 變數管理 5.8 glab project — 專案層級設定 5.9 glab api — 通用 API 呼叫 5.10 glab duo — GitLab Duo AI 功能 5.11 glab mcp — 啟動 MCP Server 5.12 glab stack — Stacked Diff 管理 5.13 glab search — 跨專案搜尋 5.14 glab schedule — Pipeline 排程管理 5.15 glab runner — Runner 管理 5.16 glab orbit — Knowledge Graph 查詢 5.17 glab skills — Agent 技能管理 5.18 glab attestation — 軟體供應鏈驗證 5.19 glab cluster — Kubernetes Agent 管理 5.20 glab container-registry — 容器倉庫管理 5.21 glab incident — 事件管理 5.22 glab work-items — 統一規劃項目 5.23 其他工具型指令速查 第六章 GitLab Flow 6.1 三種主流分支策略比較 6.2 GitLab Flow 的兩種變體 6.3 企業建議 第七章 CI/CD 7.1 .gitlab-ci.yml 核心概念 7.2 Java / Spring Boot 完整 CI/CD 範例 7.3 Node.js / Vue 完整 CI/CD 範例 7.4 React 完整 CI/CD 範例 7.5 Python 完整 CI/CD 範例 7.6 include 拆分與共用範本 第八章 GitLab Runner 8.1 Runner 類型總覽 8.2 安裝 GitLab Runner 8.3 設定要點 8.4 維護、升級、故障排除 第九章 Container Registry 9.1 GitLab Container Registry 概念 9.2 基本操作 9.3 Image 掃描（Container Scanning） 9.4 Image Promotion（多環境晉升流程） 9.5 最佳實務 9.6 Container Virtual Registry（聚合上游倉庫） 9.7 多架構 Image 支援（Multi-Architecture） 第十章 Package Registry 10.1 支援的套件格式總覽 10.2 Maven 設定與發布 10.3 npm / pnpm 設定與發布 10.4 NuGet 發布 10.5 PyPI 發布 10.6 Generic Package（任意檔案） 第十一章 GitLab Security 11.1 GitLab 安全掃描總覽 11.2 SAST（靜態應用程式安全測試） 11.3 DAST（動態應用程式安全測試） 11.4 Dependency Scanning 11.4.1 AI 輔助安全：Agentic SAST 與 Duo 誤報偵測 11.5 Container Scanning 11.6 Secret Detection 11.7 License Compliance 11.8 Security Dashboard 與 Vulnerability Management 11.9 企業導入策略 第十二章 GitLab API 12.1 REST API 與 GraphQL API 選用建議 12.2 Access Token 種類 12.3 curl 範例 12.4 Java / Spring Boot 範例 12.5 Python 範例 12.6 TypeScript 範例 第十三章 GitLab Duo 13.1 GitLab Duo 功能總覽 13.2 GitLab Duo Chat 13.3 Code Suggestions（程式碼建議） 13.4 Code Review（MR 自動審查） 13.5 Vulnerability Explanation 13.6 Test Generation 與 Refactoring 13.7 Prompt Engineering 最佳實務 第十四章 GitLab + Claude Code 14.1 整合架構總覽 14.2 實戰案例：Claude Code 自動建立並提交 Merge Request 14.3 實戰案例：Claude Code 自動 Review 程式碼 14.4 實戰案例：Pipeline 失敗時自動診斷 14.5 CLAUDE.md 專案規範整合建議 第十五章 GitLab + GitHub Copilot 15.1 為什麼會在 GitLab 上使用 GitHub Copilot 15.2 Agent Mode 與 Coding Agent 操作模式 15.3 如何與 GitLab 協作（實務整合建議） 第十六章 GitLab + MCP 16.1 Model Context Protocol 簡介 16.2 GitLab MCP Server 現況與安裝 16.3 設定 Claude Code 連接 GitLab MCP Server 16.4 權限管理 16.5 實際案例：多步驟 Agent 工作流程 16.6 GitLab Orbit（Knowledge Graph）與 AI Agent 第十七章 AI 協助 Legacy System 逆向工程 17.1 為什麼 Legacy System 逆向工程適合導入 AI 17.2 實戰步驟：將 Legacy 程式碼匯入 GitLab 並建立分析基線 17.3 實戰案例：AI Agent 自動分析 Legacy System 17.4 各 Legacy 技術的 AI 逆向工程要點 17.5 文件生成與架構分析範本 17.6 逆向工程後的重構規劃 第十八章 Framework 升級專案 18.1 升級專案的 GitLab 治理框架 18.2 Spring Boot 2 → 3 / Java 8 → 21 實戰流程 18.3 Vue2 → Vue3 升級實戰流程 18.4 Angular 升級實戰流程 18.5 升級專案的企業治理建議 第十九章 大型企業 DevSecOps 平台設計 19.1 依規模分級的架構設計原則 19.2 大型企業架構圖 19.3 權限模型設計 19.4 Group 策略與 Project 策略 19.5 Branch 策略 第二十章 GitLab 維運手冊 20.1 備份與還原 20.2 監控（Prometheus + Grafana） 20.3 Logging 20.4 升級 20.5 高可用性（HA）與災難復原（DR） 第二十一章 GitLab 最佳實務 21.1 命名規範 21.2 Branch Strategy 21.3 MR Strategy 21.4 Pipeline Strategy 21.5 Release Strategy 21.6 Security Strategy 第二十二章 常見問題 FAQ 22.1 開發類 22.2 CI/CD 類 22.3 Security 類 22.4 Runner 類 22.5 Kubernetes 類 22.6 AI 類 22.7 GitLab Duo 類 22.8 glab 類 第二十三章 附錄 23.1 常用 glab 指令速查表 23.2 CI/CD 通用範本 23.3 Spring Boot 範本 23.4 Vue3 範本 23.5 Kubernetes 範本 23.6 Docker 範本（多階段建置） 23.7 Helm 範本 23.8 十大 AI Agent 實戰情境總覽 23.9 企業導入檢查清單 第一章 GitLab 介紹 1.1 GitLab 發展歷史 GitLab 最初由 Dmitriy Zaporozhets 與 Valery Sizov 於 2011 年以 Ruby on Rails 開發，作為一套開源的 Git 版本控制管理工具。早期僅是「GitHub 的開源替代品」，但 GitLab 團隊很快意識到軟體交付不只是「管程式碼」，而是一個從規劃、開發、測試、安全掃描、部署到監控的完整生命週期。 ...

Eve 教學手冊 Vercel Eve Agent Framework × PM Skills 企業整合架構完整指南 適用對象：資深工程師、AI Agent 平台團隊、架構師、DevOps / SSDLC 負責人 文件性質：企業內部 AI Agent 平台導入與培訓教材 目錄 第 1 章 Eve 是什麼 第 2 章 Eve 核心設計理念 第 3 章 Eve 系統架構解析 第 4 章 Eve 目錄結構 第 5 章 Eve 核心元件 第 6 章 Eve 執行流程 第 7 章 Eve 安裝教學 第 8 章 建立第一個 Eve Agent 第 9 章 Agent 開發實戰 第 10 章 Skills 開發教學 第 11 章 PM Skills 與 Eve 整合 第 12 章 使用 Eve 開發 Web Application 第 13 章 使用 Eve 執行 Reverse Engineering 第 14 章 使用 Eve 執行 Framework Upgrade 第 15 章 Subagents 設計模式 第 16 章 Human Approval 設計 第 17 章 Eve 與 MCP 整合 第 18 章 Eve 與 Claude Code 整合 第 19 章 Eve 與 GitHub Copilot 整合 第 20 章 Eve 與企業 SSDLC 整合 第 21 章 Eve 生產環境部署 第 22 章 Eve 可觀測性 第 23 章 Eve 安全設計 第 24 章 Eve 效能優化 第 25 章 Eve 開發規範 第 26 章 Eve 常見問題 FAQ 第 27 章 Eve 最佳實務 第 28 章 Eve 常見反模式 第 29 章 Eve Roadmap 分析 第 30 章 結論 附錄 A 完整 Weather Agent 範例 附錄 B PM Skills + Eve 整合範本 附錄 C Mermaid 圖總覽索引 附錄 D 檢查清單（Checklist） 第 1 章 Eve 是什麼 本章小節導覽：1.1 Eve 誕生背景 · 1.2 為何 Vercel 開發 Eve · 1.3 Agent Framework 發展歷史 · 1.4 與 LangGraph 的差異 · 1.5 與 CrewAI 的差異 · 1.6 與 OpenAI Agents SDK 的差異 · 1.7 與 AutoGen 的差異 · 1.8 與 Semantic Kernel 的差異 · 1.9 與 Mastra 的差異 · 1.10 與 PydanticAI 的差異 · 1.11 為何 Eve 被稱為「Agent 世界的 Next.js」 ...

PM Skills 教學手冊（企業級 AI Native Product Management 實戰指南） 版本：v1.1.0 更新日期：2026-06-23 適用對象：資深工程師、Tech Lead、產品經理（PM）、架構師、DevOps / SSDLC 負責人 技術棧：Claude Code、Claude Cowork、Cursor、Gemini CLI、Codex CLI、OpenCode、Kiro、Spring Boot、Java、Vue 3 資料來源：phuryn/pm-skills（PM Skills Marketplace，MIT License，由 The Product Compass Newsletter 作者 Paweł Huryn 維護） 查證說明：本手冊內容已對照 repo 當前版本 v2.0.0（2026-06-05 發布，主分支最後提交至 2026-06-22）重新查證並整理編寫，非官方文件之複製。截至查證時，repo 實際包含 9 個 Plugin、68 個 Skills、42 個串接式 Commands——這與部分網路上流傳「八大 Plugin」的說法不同（缺少 pm-ai-shipping），本手冊以實際查證結果為準。另外，repo 首頁標語使用「100+ agentic skills, commands, and plugins」字樣，是把 68 個 Skills 與 42 個 Commands 合計（約 110）後的行銷性概數，並非 Skill 數量本身被誇大，本手冊內文一律採用精確數字 68 / 42 / 9。 ...

SkillSpector 教學手冊 版本：v1.1（2026-06-22） 適用對象：AI Security Specialist、AI Agent 架構師、DevSecOps 工程師、軟體架構師、全端工程師、逆向工程專家、CI/CD 與 GitHub Security 工程師 內容定位：本手冊聚焦於 NVIDIA 開源專案 SkillSpector（github.com/NVIDIA/SkillSpector）——一套在 AI Agent Skill／MCP Server 安裝前進行安全掃描的工具——的核心理念、系統架構、安裝設定、掃描實戰，並延伸至企業級 DevSecOps 導入（CI/CD Gate、SARIF、治理藍圖、產業導入建議） 重要聲明：本手冊第 1～8、12 章之工具行為描述（CLI 指令、設定項、64 項檢測規則 16 大類別、風險評分公式、SARIF 輸出、架構模組名稱）基於 SkillSpector 官方 GitHub Repository 原始碼與 README.md、Makefile、pyproject.toml 逐項核對後整理改寫而成，並非逐字翻譯；少數官方來源未能逐項驗證的細節（如 LLM 階段精確度量化數字、model_registry.yaml 機制、OPENAI_BASE_URL 變數）已在對應段落明確標註「待以實際版本驗證」，不作斷言。第 1.1、1.3、2.0 節額外引用之外部研究與公告（arXiv:2601.10338、arXiv:2602.06547、Anthropic Agent Skills 官方公告、Snyk／Datadog／Repello 等資安社群報導）均為可公開查證之獨立來源，用於補強背景論述深度，非 SkillSpector 官方數據。第 9～11、13～20 章（GitLab CI／Jenkins／Azure DevOps 範例、企業導入架構、產業導入建議、治理藍圖、FAQ、Troubleshooting）為「企業實務延伸」內容，是顧問觀點下將 SkillSpector 套用於企業 DevSecOps 流程的建議做法，並非 NVIDIA 官方功能宣稱或官方範例，文中會明確標註。GitHub 社群數據（Star／Fork 數）反映查詢當下時間點，會隨時間持續變動，實際導入前請以官方 Repository 當下版本為準。 授權：內部教育訓練使用 如何使用本手冊 SkillSpector 解決的是一個正在快速擴大的問題：AI Coding Agent（Claude Code、GitHub Copilot、Gemini CLI、Cursor、Codex 等）的「Skill／Plugin／Extension」生態系正在爆炸性成長，但這些第三方 Skill 以 Agent 的完整權限執行，卻幾乎沒有安全審查機制。NVIDIA 針對 42,447 個公開 Skill 的研究顯示，26.1% 含有至少一項漏洞，5.2% 疑似具惡意意圖。SkillSpector 就是為了在「安裝 Skill」與「執行 Skill」之間，插入一道自動化的安全關卡。 ...

Ponytail 教學手冊 版本：v1.1（2026-06-22，已對照官方 Repository 原始檔案逐章核實修訂） 適用對象：系統分析師、軟體架構師、後端工程師、前端工程師、DevOps工程師、SRE工程師、AI工程師、企業資訊部門、Framework維護團隊、Legacy System維護團隊 內容定位：本手冊聚焦於開源 AI Agent 精簡化技能（Skill）Ponytail 的理念、架構、安裝設定、與主流 AI Coding Agent（Claude Code / GitHub Copilot / Cursor / Codex / Gemini CLI 等共 14 個受支援平台）的整合方式，並延伸至企業級開發流程（SSDLC、多 Agent 團隊協作、Legacy 逆向工程、Framework 升級）的實務導入 重要聲明：本手冊第 1～12、15 章內容基於 Ponytail 官方 GitHub Repository（DietrichGebert/ponytail）之 README.md、AGENTS.md、skills/ponytail/SKILL.md、skills/ponytail-review/SKILL.md、docs/agent-portability.md、docs/platform-native.md 等公開資料，逐項核對原文後整理改寫而成（非逐字抄錄）；第 13、14、16、20 章為「企業實務延伸」章節，是顧問觀點下將 Ponytail 精簡哲學套用於企業開發治理的建議做法，並非 Ponytail 官方功能宣稱，文中會明確標註。GitHub 社群數據（Star／Fork／Issue 數）反映查詢當下時間點，會隨時間持續變動 授權：內部教育訓練使用 如何使用本手冊 Ponytail 不是一個框架，也不是一個 IDE，而是一套注入到 AI Coding Agent 的行為準則（Skill / Plugin）。它的任務很單純：在 AI Agent 動手寫程式之前，先逼它像一個「已經看過太多過度設計專案、留著馬尾、戴著圓框眼鏡的資深工程師」一樣，先問一句「這真的需要寫嗎？」。本手冊依角色整理出建議閱讀路徑： 角色 建議優先閱讀章節 新進工程師 第1、3、5、6章 後端／前端工程師 第7、8、9、10章 架構師／系統分析師 第2、4、11、12章 DevOps／SRE 第6、7、19章 AI Coding Agent 重度使用者 第4、5、15、17、18章 企業資訊部門主管 第13、14、16、20章 Legacy System維護團隊 第11、12章 Code Review／品質把關者 第9、17、18章 目錄 第 1 章 Ponytail 概述 1.1 專案背景 1.2 作者介紹 1.3 發展歷程與版本里程碑 1.4 GitHub 社群狀況 1.5 為何爆紅 1.6 解決哪些問題 第 2 章 AI Coding Agent 常見問題 2.1 Over Engineering 2.2 Reinvent The Wheel 2.3 Token Waste 2.4 Context Pollution 2.5 Hallucination Driven Design 2.6 Framework Ignorance 2.7 Existing Code Ignorance 2.8 Legacy System Rewrite Syndrome 2.9 案例分析總表 第 3 章 Ponytail 核心理念 3.1 Lazy Senior Developer Mindset 3.2 Less Code Principle 3.3 Existing Solution First 3.4 Delete Before Build 3.5 Native Feature First 3.6 Library Before Custom Code 3.7 Configuration Before Programming 3.8 Simplicity First 3.9 Maintainability First 3.10 Cost Awareness 第 4 章 Ponytail 系統架構 4.1 Architecture Overview 4.2 Skill Architecture 4.3 Agent Workflow 4.4 Review Loop 4.5 Self Critique Loop 4.6 Decision Flow 4.7 Prompt Enhancement Flow 4.8 Integration Flow 第 5 章 Ponytail 工作原理 5.1 第一階：這個功能真的需要存在嗎（YAGNI） 5.2 第二階：標準函式庫能解決嗎 5.3 第三階：平台原生功能能解決嗎 5.4 第四階：已安裝的相依套件能解決嗎 5.5 第五階：能用一行寫完嗎 5.6 第六階：只寫最小可行實作 5.7 企業實務延伸：刪除與精簡思維（呼應 ponytail-review） 5.8 內部思考流程整合範例 第 6 章 安裝與部署 6.1 Claude Code 6.2 GitHub Copilot 6.3 Cursor 6.4 OpenAI Codex／Agent 6.5 Gemini CLI 6.6 VS Code 整合 6.7 JetBrains 整合 6.8 Pi Agent Harness 6.9 OpenCode 6.10 CodeWhale 6.11 OpenClaw 6.12 Kiro 6.13 系統需求 第 7 章 Ponytail 設定說明 7.1 Agent Configuration 7.2 Rules 7.3 Skills 7.4 Context 7.5 Hooks 7.6 Templates 7.7 Review Policies 7.8 Team Standards 第 8 章 與 Claude Code 整合 8.1 Agent Skill 8.2 Custom Instructions 8.3 Commands 8.4 Workflows 8.5 Best Practices 8.6 Enterprise Standards 第 9 章 與 GitHub Copilot 整合 9.1 Copilot Agent 9.2 Copilot Coding Agent 9.3 Repository Instructions 9.4 Prompt Files 9.5 Agent Files 9.6 Skills 9.7 完整範例 第 10 章 Web Application 開發實戰 10.1 技術棧總覽 10.2 API 開發 10.3 CRUD 開發 10.4 Batch 開發 10.5 Security 開發 10.6 Integration 開發 10.7 Ponytail 如何減少程式碼 第 11 章 Legacy System Reverse Engineering 11.1 Mainframe 11.2 COBOL 11.3 Lotus Domino 11.4 Struts 11.5 JSF 11.6 舊版 Spring 11.7 WebSphere 11.8 WebLogic 11.9 Ponytail 在逆向工程中的角色與限制 第 12 章 Framework Upgrade 實戰 12.1 Spring Boot 2 到 3 12.2 Java 8 到 21 12.3 Vue2 到 Vue3 12.4 Jakarta Migration 12.5 JDK Upgrade 12.6 Dependency Upgrade 12.7 降低升級成本的具體做法 第 13 章 與 SSDLC 整合（企業實務延伸） 13.1 定位澄清：Ponytail 不是安全工具 13.2 Threat Modeling 13.3 SAST 13.4 DAST 13.5 Dependency Check 13.6 Secret Detection 13.7 Secure Coding 13.8 Compliance 13.9 Audit 第 14 章 與 AI Agent 團隊整合（企業實務延伸） 14.1 多 Agent 團隊架構總覽 14.2 Planner Agent 14.3 Architect Agent 14.4 Developer Agent 14.5 Reviewer Agent 14.6 Security Agent 14.7 QA Agent 14.8 Release Agent 14.9 Ponytail 在團隊中的角色 第 15 章 Token Optimization 15.1 Token Reduction 15.2 Context Reduction 15.3 Prompt Compression 15.4 Reuse Existing Logic 15.5 Knowledge Reuse 15.6 Memory Optimization 15.7 實際數據案例 第 16 章 企業導入指南（企業實務延伸） 16.1 Governance 16.2 Standards 16.3 Team Adoption 16.4 Change Management 16.5 Training Plan 16.6 KPI 16.7 ROI 第 17 章 最佳實務 第 18 章 常見錯誤 第 19 章 維運與升級 19.1 Version Upgrade 19.2 Skill Upgrade 19.3 Agent Upgrade 19.4 Prompt Upgrade 19.5 Governance Upgrade 第 20 章 完整企業導入範例（企業實務延伸） 20.1 案例背景：大型銀行共用平台 20.2 開發流程 20.3 Code Review 20.4 SSDLC 20.5 Release Flow 20.6 Production Support 附錄：新進成員快速 Checklist 第 1 章 Ponytail 概述 1.1 專案背景 Ponytail 是一套開源的 AI Agent 行為準則（Skill / Plugin），目標只有一個：讓 AI Coding Agent 在動手寫程式前，先經過「這真的有必要嗎」的層層質疑，而不是看到需求就立刻開始搭框架、拉套件、寫一堆「以後可能用得到」的抽象層。 ...

12-Factor Agents 教學手冊 版本：v1.1　|　更新日期：2026-06-19　|　適用對象：資深工程師、架構師、AI Agent Architect、技術主管 變更紀錄（v1.0 → v1.1） 對照原始來源 humanlayer/12-factor-agents 重新逐章核對內容準確度與時效性 第一章 1.1／1.5 補上原文「How We Got Here」中 DAG Orchestrator（Airflow／Prefect／Dagster）的歷史脈絡，使 Agent 工程演進敘事更完整 第三章新增 Factor 13（榮譽提及）：Pre-fetch All the Context You Might Need，補齊原文十二大原則之外的延伸原則 第五章新增 5.8（Context Rot 與「啞區 Dumb Zone」現象）、5.9（Research-Plan-Implement, RPI 框架），收錄 HumanLayer 團隊基於十萬餘筆開發者 Session 分析的最新實證研究 新增附錄 H　參考資料，補上原始出處與延伸閱讀連結，提升內容可追溯性 校對全文標題層級、目錄錨點、code fence 配對，確認與本文一致且無格式錯位 文件說明 本手冊以 HumanLayer 團隊提出的《12-Factor Agents》原則為核心骨幹，延伸至企業實際導入 AI Coding Agent（Claude Code、GitHub Copilot Agent Mode 等）的完整工程實務。內容定位為企業內部培訓教材，同時也是架構設計手冊與開發實戰手冊，目標讀者涵蓋初級工程師到 AI Agent Architect 各個層級。 ...

Claude Code CLI 教學手冊 版本：v1.2（2026-07-03） 適用對象：系統分析師、軟體架構師、後端工程師、前端工程師、DevOps工程師、SRE工程師、AI工程師、企業資訊部門、Framework維護團隊、Legacy System維護團隊 內容定位：本手冊聚焦於 Claude Code CLI 層級的安裝、設定、指令、Agent 架構、MCP 整合與企業導入實務，可與專案內其他 Claude Code 相關手冊（生態圈版、資深同仁版等）並行參考 對齊基準：本版內容已對照官方文件（code.claude.com/docs）於 Claude Code v2.1.199（2026-07-02） 時的狀態逐章核對更新，細節請見附錄C版本紀錄 授權：內部教育訓練使用 如何使用本手冊 Claude Code CLI 是一套以終端機（Terminal）為主要操作介面的 AI 編碼代理人（Coding Agent）。它不像傳統 IDE 外掛只做行內自動完成，而是能夠自主規劃、呼叫工具、跨檔案修改、執行測試、操作 Git，甚至協調多個子 Agent 完成大型任務。本手冊依角色整理出建議閱讀路徑： 角色 建議優先閱讀章節 新進工程師 第1、3、4、6、7章 後端／前端工程師 第8、9、14、17、18章 架構師／系統分析師 第2、13、15、16章 DevOps／SRE 第5、12、19、20、28章 企業資訊部門主管 第21、25、28章 Legacy System維護團隊 第15、16章 平台／AI賦能團隊 第9、10、26、27章 目錄 下列目錄為兩層結構：章節層可直接跳轉至對應章節開頭，子章節層可直接跳轉至章節內的特定小節。 第 1 章 Claude Code CLI 介紹 1.1 Claude Code 是什麼 1.2 Claude Code 與 Claude Web 差異 1.3 與其他工具的定位比較 1.4 適用情境 1.5 限制 1.6 與 Claude Code 周邊介面／產品的關係 第 2 章 Claude Code 架構原理 2.1 Agent Loop（代理人迴圈） 2.2 Context 管理與 Token 管理 2.3 Tool Calling 與 MCP 整合 2.4 子 Agent 與 Agent 協作 2.5 Codebase 理解機制 第 3 章 安裝教學 3.1 系統需求 3.2 Windows 安裝 3.3 macOS 安裝 3.4 Linux 安裝 3.5 Windows CMD 安裝（備選） 3.6 WSL2 安裝注意事項 3.7 npm 安裝路徑（備選） 3.8 更新與驗證 第 4 章 Authentication 4.1 帳號類型 4.2 登入方式 4.3 API Key 與環境變數（適合 CI / Headless） 4.4 安全建議 4.5 企業雲端供應商登入 4.5.1 Claude apps gateway：讓第三方雲端也能拿到集中治理 第 5 章 Claude Code 設定管理 5.1 settings.json 三層架構 5.2 優先順序 5.3 設定範例 5.4 常見設定鍵分類 5.5 Managed Settings 交付機制 第 6 章 CLI 指令大全 6.1 指令依生命週期分類 6.2 Session 操作 6.3 Agent 管理 6.4 MCP / Plugin / 專案維護 6.5 常用旗標（Flags） 6.6 權限模式與 Auto Mode（自動權限分類器） 6.6.1 Auto Mode 分類器運作方式 6.6.2 啟用條件與企業治理 第 7 章 Hotkey 大全 7.1 終端機層級快捷鍵 7.2 Claude Code Session 內快捷鍵 7.3 Agent 操作快捷鍵 第 8 章 Context Engineering 8.1 Context Window 組成 8.2 壓縮（Compaction）與重用 8.3 快取（Caching） 8.4 Token 優化技巧 8.5 Checkpoints 與 Rewind（對話回溯） 第 9 章 Agent 系統 9.1 概念釐清：Agent / Sub Agent / Multi Agent 9.2 何時該建立 Sub Agent 9.3 生命週期管理 9.4 設計考量 9.5 Agent View（背景多 Session 監看） 9.6 Agent Teams（多 Session 協作，實驗性） 9.7 Dynamic Workflows（腳本化大規模編排） 9.8 Worktrees（Git Worktree 隔離機制） 9.9 Fork Subagent：繼承完整上下文的特殊 Subagent 第 10 章 Agents 目錄 10.1 子 Agent 定義檔格式 10.2 載入順序 10.3 呼叫方式 10.4 內建子 Agent 10.5 Persistent Memory（子 Agent 持久記憶） 10.6 實務範例：團隊共用子 Agent 第 11 章 CLAUDE.md 11.1 用途 11.2 四層檔案 11.3 企業標準範本 11.4 維護方式 11.5 Auto Memory（自動記憶）：Claude 自己寫的筆記 11.6 .claude/rules/：路徑範圍化的模組化規則 第 12 章 Hooks 12.1 生命週期事件 12.2 Handler 類型 12.3 PreToolUse／PostToolUse 機制 12.4 設定範例 12.5 安全考量 第 13 章 MCP 整合 13.1 MCP 概念 13.2 設定與管理 13.3 整合案例 13.4 工具延遲載入 13.5 MCP 治理鍵補充 第 14 章 使用 Claude Code 開發 Web Application 14.1 通用工作流程 14.2 Spring Boot（Java/Kotlin） 14.3 FastAPI（Python） 14.4 Vue3 / Angular 第 15 章 Legacy System 逆向工程 15.1 分析方法 15.2 適用範圍與限制 15.3 範例 Prompt 15.4 產出範例 第 16 章 Framework 升級 16.1 通用升級方法論 16.2 各升級情境要點 16.3 範例 Prompt 第 17 章 Git 整合 17.1 AI 協作流程 17.2 常用指令 17.3 守則 17.4 Worktree 分支隔離與 /code-review 第 18 章 測試工程 18.1 測試生成工作流程 18.2 各類型測試 18.3 範例 18.4 TDD 風格使用 第 19 章 SSDLC 整合 19.1 定位 19.2 各類掃描的協作方式 19.3 兩層防護案例 19.4 Sandboxing：第三層防護 第 20 章 Token 與成本管理 20.1 成本驅動因子 20.2 查看用量 20.3 降低成本技巧 20.4 用量可視化：/usage、Analytics、OpenTelemetry 第 21 章 團隊導入指南 21.1 分階段導入流程 21.2 治理模式 21.3 權限管理 21.4 標準規範 21.5 新機制的治理檢查項 第 22 章 Claude Code 最佳實務 22.1 20 個最佳實務 22.2 20 個常見錯誤 22.3 20 個效能優化技巧 第 23 章 Claude Code Prompt Library 23.1 分類架構 23.2 範本（可直接複製套用） 第 24 章 Claude Code + GitHub Copilot 協同開發 24.1 分工模式 24.2 實際工作流程 24.3 避免衝突 第 25 章 Claude Code 企業級導入藍圖 25.1 完整藍圖 25.2 組織架構 25.3 治理模式總結（彙整前述章節） 25.4 KPI 與稽核 第 26 章 Agent 進階協作模式 26.1 四種平行化機制總覽 26.2 Agent Teams 實務 26.3 Dynamic Workflows 實務 26.4 /batch：大規模 Worktree 隔離批次處理 第 27 章 Agent Skills 與 Plugin 生態 27.1 Skills 與 CLAUDE.md／Subagent 的定位差異 27.2 SKILL.md 格式與存放層級 27.3 隨附 Skills（Bundled Skills） 27.4 Plugins 生態與 Marketplace 治理 27.5 團隊標準化建議 第 28 章 企業治理進階 28.1 Managed Settings 完整交付架構 28.2 Sandboxing 深度 28.3 Network Config 與 LLM Gateway 28.3.1 組織層級模型治理（Enterprise） 28.4 Zero Data Retention、稽核與合規 28.5 Cost／Usage／Analytics 企業可視化（平台團隊視角） 附錄 A：常見問題 FAQ 附錄 B：詞彙表 Glossary 附錄 C：版本紀錄 Version History 附錄 D：學習路線圖 附錄 E：與其他 AI 編碼工具比較表 附錄 F：Checklist（新人加入檢查清單） 第 1 章 Claude Code CLI 介紹 1.1 Claude Code 是什麼 Claude Code 是 Anthropic 推出的終端機原生 AI 編碼代理人（Agentic Coding Tool）。與一般「聊天視窗貼程式碼」的使用方式不同，Claude Code 直接在你的專案目錄裡執行，能夠讀取檔案、搜尋程式碼、編輯多個檔案、執行 Bash 指令、操作 Git、呼叫外部系統（透過 MCP），並以「自主代理人迴圈」（Agent Loop）的方式持續規劃與執行，直到任務完成或需要你確認為止。 ...