Open Code Review 教學手冊 副標題：AI 原生軟體開發平台的自動化 Code Review 引擎 —— 從安裝、設定、LLM 串接、 AI Agent 整合，到 Legacy Reverse Engineering、Framework Upgrade 與銀行級企業導入實戰 適用對象：資深後端／全端工程師、DevSecOps 工程師、AI Agent 平台團隊、 Tech Lead／架構師、企業導入評估的技術主管 文件性質：本手冊為作者依據官方原始碼與文件重新整理、統整、擴充後的教學/實戰教材， 非官方文件的翻譯或逐字引用。文中明確區分「官方已確認事實」與「作者補充／企業實務建議／ 推論」，請務必先閱讀下方「重要聲明」章節。 版本基準： 專案：alibaba/open-code-review（Go 語言，Apache-2.0 授權，建立於 2026-05-18） npm 套件：@alibaba-group/open-code-review CLI 指令：ocr 查證基準日：2026-08-03，直接查證 GitHub API metadata、官方 README.md／ ROADMAP.md／pages/src/content/docs/en/*.md 文件頁與部分 internal/／ cmd/opencodereview/ 原始碼（★ 18,203 顆星、1,225 forks、76 open issues、 最新版本 v1.8.6，發布於 2026-08-03） 官方網站／文件站：https://open-codereview.ai、https://open-codereview.ai/docs 重要聲明（請務必先讀） 本手冊撰寫時，作者以官方 README、ROADMAP.md、pages/src/content/docs/en/*.md 文件頁面與 internal/ 原始碼目錄逐一查證，而非僅憑第二手摘要或行銷文案。以下區分兩種 內容： 🟢 官方已確認事實：可在官方 repo（原始碼、文件頁、ROADMAP.md、GitHub API metadata） 中直接查證的內容。 🟡 作者補充／企業實務建議／推論：官方文件未明確涵蓋，由作者依業界慣例、企業導入 經驗、或架構原理合理推論、延伸建議的內容。所有這類內容都會在該段落明確標示 「（企業建議）」「（作者推論）」「（原則上可行，非官方紀錄）」等字樣。 請特別留意以下幾項容易望文生義、與坊間常見說法有落差的訂正： ...

Code-Review-Graph 教學手冊 Code-Review-Graph — 本地優先（Local-first）程式碼知識圖譜與 AI Code Review 加速引擎企業級完整指南 適用對象：資深工程師、AI Agent 平台團隊、架構師、Tech Lead、DevSecOps 負責人、企業導入人員、PM 文件性質：企業內部 AI Agent 開發流程標準導入、開發與維運培訓教材 版本基準：Code-Review-Graph（tirth8205/code-review-graph，MIT License，PyPI 套件 code-review-graph，參考版本 v2.3.6+） ⚠️ 重要聲明（請務必先讀） Code-Review-Graph 仍在持續迭代中。 本專案為開源專案（MIT License，GitHub 星數 28.1k+、Fork 2.6k+，主分支 900+ commits），其 CLI 指令、MCP 工具清單、環境變數與設定檔格式可能隨版本演進而調整。任何指令與設定在正式導入前，務必以官方最新文件（docs/USAGE.md、docs/COMMANDS.md、docs/FAQ.md、docs/TROUBLESHOOTING.md、docs/GITHUB_ACTION.md、docs/ROADMAP.md）與您實際安裝版本為準。 本手冊定位是「理解、彙整、分析、重組、補充企業導入最佳實務」，而非官方 README 或文件的翻譯。 本書不直接翻譯、不直接抄錄原文，而是重新以繁體中文彙整、重組、延伸為企業教材，並大量補充實戰案例、企業導入策略與 AI Agent 協作方法論。 內容分兩類： 官方已確認事實（例如 Tree-sitter 多語言解析、SQLite 圖譜儲存、30 個 MCP 工具、build/update/serve 等 CLI 指令、GitHub Action 用法、環境變數清單、基準測試數據等）作為骨幹，均已對照官方 README 及文件重新查證。 作者補充：凡屬作者依大型企業（含金融業）導入 AI Agent 程式碼審查之實務經驗所補充、推論或延伸之處，會標註 （企業實務建議） 或 （作者推論）。這些是最佳實務參考，非官方保證，導入前請自行驗證於您的環境。 本手冊中所有「企業案例」（第 16 章、第 23 章）皆為教學示範用途之虛構情境，用於示範 Code-Review-Graph 與既有技術堆疊（Spring Boot 4.x、Vue3、Java25 等）的整合模式，非真實客戶專案。涉及既有框架的深入機制，請參閱本 Repository 既有手冊： Spring boot 4.x 教學手冊 Maven 4.x 教學手冊 Vue3 前端framework教學 PrimeVue使用教學 Java25升版教學 官方權威來源請見 第 24 章 附錄 → 24.7 官方文件索引。 目錄 第一章　專案背景與痛點分析 1.1 原理 1.1.1 專案背景與誕生脈絡 1.1.2 設計理念：Local-first 與 Graph-based Context 1.1.3 要解決的核心問題 1.1.4 AI Code Review 的痛點：Token 浪費 1.1.5 Context Window 與 Architecture Blind Spot 1.1.6 Global Context 與 Local-first 的權衡 1.1.7 核心概念：Knowledge Graph、Impact Radius、Architecture Awareness 1.1.8 與傳統 RAG 的差異 1.1.9 與 Vector Database 的差異 1.1.10 與純 AST 工具的差異 1.1.11 與其他 MCP Tool 的差異 1.1.12 與 GraphRAG 的差異 1.2 架構圖（Mermaid） 1.3 流程圖（Mermaid） 1.4 Sequence Diagram 1.5 實作 1.6 範例 1.7 最佳實務 1.8 常見錯誤 1.9 效能建議 1.10 AI Agent 如何使用 1.11 Enterprise 建議 第二章　整體系統架構 2.1 原理 2.1.1 分層架構總覽 2.1.2 資料來源層：Git Repository 2.1.3 解析層：Tree-sitter 與 AST 抽取 2.1.4 圖譜層：Graph Builder 與 SQLite 2.1.5 服務層：Review Engine、Impact Analyzer、MCP Server 2.1.6 整合層：AI Agent 與 CI/CD 2.1.7 Data Flow 總覽 2.2 架構圖（Mermaid） 2.3 流程圖（Mermaid） 2.4 Sequence Diagram 2.5 實作 2.6 範例 2.7 最佳實務 2.8 常見錯誤 2.9 效能建議 2.10 AI Agent 如何使用 2.11 Enterprise 建議 第三章　Tree-sitter 與 AST 解析 3.1 原理 3.1.1 Tree-sitter 是什麼 3.1.2 AST 節點型別與四大分類 3.1.3 支援語言清單 3.1.4 增量解析機制（Incremental Parsing） 3.1.5 自訂語言支援：languages.toml 3.1.6 從 AST 到 Graph：Node 的定義 3.1.7 從 AST 到 Graph：Edge 與四種關係圖 3.1.8 Reference Graph 與信賴度分級 3.2 架構圖（Mermaid） 3.3 流程圖（Mermaid） 3.4 Sequence Diagram 3.5 實作 3.6 範例 3.7 最佳實務 3.8 常見錯誤 3.9 效能建議 3.10 AI Agent 如何使用 3.11 Enterprise 建議 第四章　Knowledge Graph 邏輯模型 4.1 原理 4.1.1 Knowledge Graph 在 Code-Review-Graph 中的定位 4.1.2 Node 的完整屬性模型 4.1.3 Edge 的完整屬性模型 4.1.4 Relationship 型別總表 4.1.5 Graph Schema（邏輯層級） 4.1.6 Graph Query 與 Traversal 策略 4.1.7 Impact Analysis 的圖論基礎 4.1.8 Community Detection：Leiden 演算法 4.1.9 Architecture Discovery：從社群到架構總覽 4.2 架構圖（Mermaid） 4.3 流程圖（Mermaid） 4.4 Sequence Diagram 4.5 實作 4.6 範例 4.7 最佳實務 4.8 常見錯誤 4.9 效能建議 4.10 AI Agent 如何使用 4.11 Enterprise 建議 第五章　SQLite 儲存層 5.1 原理 5.1.1 為何選擇 SQLite 而非專用圖資料庫 5.1.2 資料庫檔案位置 5.1.3 實際 Schema 設計（依官方 docs/schema.md 核對） 5.1.4 索引策略 5.1.5 WAL 模式與並行存取 5.1.6 Migration 策略 5.1.7 Backup 與 Restore 5.1.8 Maintenance：定期維護 5.2 架構圖（Mermaid） 5.3 流程圖（Mermaid） 5.4 Sequence Diagram 5.5 實作 5.6 範例 5.7 最佳實務 5.8 常見錯誤 5.9 效能建議 5.10 AI Agent 如何使用 5.11 Enterprise 建議 第六章　安裝 6.1 原理 6.1.1 安裝方式總覽 6.1.2 系統需求 6.1.3 選配依賴總表 6.1.4 Windows 安裝要點 6.1.5 Linux 安裝要點 6.1.6 macOS 安裝要點 6.1.7 WSL 安裝要點（企業實務建議） 6.1.8 Docker／Podman 容器化部署（企業實務建議） 6.1.9 驗證安裝 6.2 架構圖（Mermaid） 6.3 流程圖（Mermaid） 6.4 Sequence Diagram 6.5 實作 6.6 範例 6.7 最佳實務 6.8 常見錯誤 6.9 效能建議 6.10 AI Agent 如何使用 6.11 Enterprise 建議 第七章　設定與初始化 7.1 原理 7.1.1 初始化流程 7.1.2 .code-review-graphignore 語法與規則 7.1.3 與 .gitignore 的關係 7.1.4 大型 Repository 考量 7.1.5 Incremental Build：update、watch 與平台原生 Hook 7.1.6 Configuration 總覽 7.2 架構圖（Mermaid） 7.3 流程圖（Mermaid） 7.4 Sequence Diagram 7.5 實作 7.6 範例 7.7 最佳實務 7.8 常見錯誤 7.9 效能建議 7.10 AI Agent 如何使用 7.11 Enterprise 建議 第八章　MCP Server 詳解 8.1 原理 8.1.1 MCP 是什麼、為何是關鍵拼圖 8.1.2 啟動 MCP Server 8.1.3 自動化設定：code-review-graph install 8.1.4 MCP 設定檔格式 8.1.5 MCP 工具全覽（30 個工具，8 大分類） 8.1.6 MCP Prompts：5 個工作流樣板 8.1.7 Tool Calling 與 Context Injection 的運作模式 8.2 架構圖（Mermaid） 8.3 流程圖（Mermaid） 8.4 Sequence Diagram 8.5 實作 8.6 範例 8.7 最佳實務 8.8 常見錯誤 8.9 效能建議 8.10 AI Agent 如何使用 8.11 Enterprise 建議 第九章　如何協助 AI Agent：九大場景 9.1 原理 9.1.1 Architecture Discovery（架構探索） 9.1.2 Context Retrieval（上下文檢索） 9.1.3 Impact Radius（影響範圍分析） 9.1.4 Function Analysis（函式分析） 9.1.5 Class Analysis（類別分析） 9.1.6 Dependency Analysis（依賴分析） 9.1.7 PR Review（Pull Request 審查） 9.1.8 Root Cause Analysis（根因分析） 9.1.9 Refactoring（重構） 9.2 架構圖（Mermaid） 9.3 流程圖（Mermaid） 9.4 Sequence Diagram 9.5 實作 9.6 範例 9.7 最佳實務 9.8 常見錯誤 9.9 效能建議 9.10 AI Agent 如何使用 9.11 Enterprise 建議 第十章　逆向工程與大型系統分析 10.1 原理 10.1.1 逆向工程為何是 Code-Review-Graph 的殺手級場景 10.1.2 Legacy Java／Spring 系統的逆向工程模式 10.1.3 跨語言逆向工程：.NET、Node.js、Python 10.1.4 前端框架逆向工程：Vue、Angular、React 10.1.5 大型系統分析的漏斗式方法論 10.1.6 Architecture Recovery 與 Dependency Discovery 10.2 架構圖（Mermaid） 10.3 流程圖（Mermaid） 10.4 Sequence Diagram 10.5 實作 10.6 範例 10.7 最佳實務 10.8 常見錯誤 10.9 效能建議 10.10 AI Agent 如何使用 10.11 Enterprise 建議 第十一章　Framework Upgrade 影響分析 11.1 原理 11.1.1 為何 Framework Upgrade 是 Impact Analysis 的天然應用場景 11.1.2 框架升級的通用四步驟方法論 11.1.3 Java／Jakarta EE 升級案例：javax.* → jakarta.* 命名空間遷移 11.1.4 Spring Boot 升級案例：組態屬性與 Bean 定義變更 11.1.5 MyBatis／Hibernate ORM 遷移案例 11.1.6 前端框架升級案例：Vue 2 → Vue 3、AngularJS → Angular 11.1.7 API Migration：內部 API 版本演進 11.2 架構圖（Mermaid） 11.3 流程圖（Mermaid） 11.4 Sequence Diagram 11.5 實作 11.6 範例 11.7 最佳實務 11.8 常見錯誤 11.9 效能建議 11.10 AI Agent 如何使用 11.11 Enterprise 建議 第十二章　架構感知的 Code Review 12.1 原理 12.1.1 什麼是「架構感知」的 Code Review 12.1.2 Security（安全性）視角 12.1.3 Performance（效能）視角 12.1.4 Maintainability 與 Readability 視角 12.1.5 Dependency Risk 與 Circular Dependency（循環依賴） 12.1.6 Dead Code（死碼）偵測 12.1.7 整合為 Code Review Checklist 12.2 架構圖（Mermaid） 12.3 流程圖（Mermaid） 12.4 Sequence Diagram 12.5 實作 12.6 範例 12.7 最佳實務 12.8 常見錯誤 12.9 效能建議 12.10 AI Agent 如何使用 12.11 Enterprise 建議 第十三章　GitHub Action 與 CI/CD 整合 13.1 原理 13.1.1 為何 CI/CD 整合是企業導入的關鍵里程碑 13.1.2 官方 Composite Action 用法 13.1.3 執行行為：本地優先、Sticky Comment 13.1.4 Risk Score 與 Merge Gate 13.1.5 PR 評論內容：Architecture Summary 13.1.6 與既有 CI/CD 生態的搭配 13.1.7 Fork PR 的安全限制與雙工作流程設計（企業實務建議） 13.2 架構圖（Mermaid） 13.3 流程圖（Mermaid） 13.4 Sequence Diagram 13.5 實作 13.6 範例 13.7 最佳實務 13.8 常見錯誤 13.9 效能建議 13.10 AI Agent 如何使用 13.11 Enterprise 建議 第十四章　AI Coding Workflow 全流程 14.1 原理 14.1.1 從單點工具到端到端工作流 14.1.2 完整流程十一步 14.1.3 流程中的兩個關鍵回饋迴圈 14.1.4 流程失敗模式與斷點偵測 14.2 架構圖（Mermaid） 14.3 流程圖（Mermaid） 14.4 Sequence Diagram 14.5 實作 14.6 範例 14.7 最佳實務 14.8 常見錯誤 14.9 效能建議 14.10 AI Agent 如何使用 14.11 Enterprise 建議 第十五章　大型企業架構風格最佳實務 15.1 原理 15.1.1 圖譜分析與架構風格的交會點 15.1.2 Monorepo 場景 15.1.3 Microservice 場景 15.1.4 DDD（領域驅動設計）場景 15.1.5 Clean／Hexagonal／Onion Architecture 場景 15.1.6 Event-Driven Architecture 場景 15.1.7 大型 Repository 的通用治理原則 15.2 架構圖（Mermaid） 15.3 流程圖（Mermaid） 15.4 Sequence Diagram 15.5 實作 15.6 範例 15.7 最佳實務 15.8 常見錯誤 15.9 效能建議 15.10 AI Agent 如何使用 15.11 Enterprise 建議 第十六章　Web Application 完整案例 16.1 原理 16.1.1 技術棧總覽與既有教材對照 16.1.2 專案結構與初始化 16.1.3 後端圖譜建置要點（Java 25 / Spring Boot 4 / Maven 4） 16.1.4 前端圖譜建置要點（Vue3 / TypeScript / PrimeVue） 16.1.5 PostgreSQL、Redis、Kafka 的圖譜可見度 16.1.6 OpenAPI 契約與跨前後端 Impact Analysis 16.1.7 Docker、Kubernetes 與 CI 整合位置 16.1.8 端到端情境：新增「訂單退貨」功能 16.2 架構圖（Mermaid） 16.3 流程圖（Mermaid） 16.4 Sequence Diagram 16.5 實作 16.6 範例 16.7 最佳實務 16.8 常見錯誤 16.9 效能建議 16.10 AI Agent 如何使用 16.11 Enterprise 建議 第十七章　與 AI 工具整合 17.1 原理 17.1.1 整合的共同基礎：MCP 協定 17.1.2 Claude Code 17.1.3 Cursor 17.1.4 GitHub Copilot（含 Copilot CLI） 17.1.5 OpenAI Codex CLI 17.1.6 Gemini CLI 17.1.7 Continue.dev、Cline、Roo Code 17.1.8 多平台並存的企業考量 17.1.9 其他官方自動偵測平台：Windsurf、Zed、OpenCode、Antigravity、CodeBuddy Code、Qwen、Qoder、Kiro 17.1.10 VS Code Extension：獨立於 MCP 協定之外的原生整合方案 17.2 架構圖（Mermaid） 17.3 流程圖（Mermaid） 17.4 Sequence Diagram 17.5 實作 17.6 範例 17.7 最佳實務 17.8 常見錯誤 17.9 效能建議 17.10 AI Agent 如何使用 17.11 Enterprise 建議 第十八章　企業導入指南 18.1 原理 18.1.1 導入流程：四階段路線圖 18.1.2 團隊規範：從「工具」到「規範」 18.1.3 Repository 規範 18.1.4 Branch Strategy 與 Graph 的關係 18.1.5 Code Review Policy 整合 18.1.6 Graph 更新策略的治理選擇 18.1.7 CI/CD 的組織級規劃 18.2 架構圖（Mermaid） 18.3 流程圖（Mermaid） 18.4 Sequence Diagram 18.5 實作 18.6 範例 18.7 最佳實務 18.8 常見錯誤 18.9 效能建議 18.10 AI Agent 如何使用 18.11 Enterprise 建議 第十九章　維護 19.1 原理 19.1.1 維護的三個層次 19.1.2 Graph Rebuild：何時需要完整重建 19.1.3 Daemon：多倉庫常駐監看 19.1.4 Parser／Language 更新 19.1.5 Migration 與 Upgrade 策略 19.1.6 卸載與清理 19.2 架構圖（Mermaid） 19.3 流程圖（Mermaid） 19.4 Sequence Diagram 19.5 實作 19.6 範例 19.7 最佳實務 19.8 常見錯誤 19.9 效能建議 19.10 AI Agent 如何使用 19.11 Enterprise 建議 第二十章　疑難排解（100+ FAQ） 20.1 原理 20.2 架構圖（Mermaid） 20.3 流程圖（Mermaid） 20.4 Sequence Diagram 20.5 實作 20.6 常見問題總表（100+ FAQ） 20.6.1 安裝與環境（Q1–Q14） 20.6.2 建圖與解析（Q15–Q28） 20.6.3 MCP 與 Agent 整合（Q29–Q42） 20.6.4 圖查詢與結果解讀（Q43–Q56） 20.6.5 GitHub Action／CI（Q57–Q68） 20.6.6 效能與規模（Q69–Q80） 20.6.7 多倉庫與 Daemon（Q81–Q90） 20.6.8 安全與合規（Q91–Q104） 20.7 最佳實務 20.8 常見錯誤 20.9 效能建議 20.10 AI Agent 如何使用 20.11 Enterprise 建議 第二十一章　最佳實務總表（100+ 條） 21.1 原理 21.2 架構圖（Mermaid） 21.3 流程圖（Mermaid） 21.4 Sequence Diagram 21.5 實作 21.6 範例 21.7 最佳實務總表（100+ 條） 21.7.1 導入與治理（BP1–BP15） 21.7.2 圖譜維運（BP16–BP30） 21.7.3 Agent 協作（BP31–BP50） 21.7.4 Code Review 整合（BP51–BP65） 21.7.5 CI/CD（BP66–BP75） 21.7.6 安全與合規（BP76–BP88） 21.7.7 跨團隊協作（BP89–BP96） 21.7.8 效能（BP97–BP105） 21.8 常見錯誤 21.9 效能建議 21.10 AI Agent 如何使用 21.11 Enterprise 建議 第二十二章　AI Prompt Library（150+ 提示詞） 22.1 原理 22.2 架構圖（Mermaid） 22.3 流程圖（Mermaid） 22.4 Sequence Diagram 22.5 實作 22.6 提示詞總表（150+ 則） 22.6.1 Architecture 分析（P1–P13） 22.6.2 Dependency 分析（P14–P26） 22.6.3 API 分析（P27–P38） 22.6.4 Service 分析（P39–P50） 22.6.5 Impact 分析（P51–P63） 22.6.6 Risk 分析（P64–P75） 22.6.7 PR 分析（P76–P88） 22.6.8 Bug 分析（P89–P100） 22.6.9 Refactoring 分析（P101–P113） 22.6.10 Performance 分析（P114–P125） 22.6.11 Security 分析（P126–P138） 22.6.12 Test Coverage 分析（P139–P152） 22.7 最佳實務 22.8 常見錯誤 22.9 效能建議 22.10 AI Agent 如何使用 22.11 Enterprise 建議 第二十三章　完整企業案例：銀行大型系統 23.1 原理 23.1.1 專案背景 23.1.2 需求階段：架構盡職調查 23.1.3 設計階段：現代化改造範圍界定 23.1.4 Coding 階段：AI 協作開發 23.1.5 Review 階段：架構感知審查 + 人工複核雙重把關 23.1.6 Testing 階段：以 Impact Radius 驅動測試優先序 23.1.7 Deployment 階段：Kubernetes 部署與 CI 品質關卡 23.1.8 Maintenance 階段：常態化架構治理 23.2 架構圖（Mermaid） 23.3 流程圖（Mermaid） 23.4 Sequence Diagram 23.5 實作 23.6 範例 23.7 最佳實務 23.8 常見錯誤 23.9 效能建議 23.10 AI Agent 如何使用 23.11 Enterprise 建議 第二十四章　附錄：指令速查表 24.1 CLI Cheat Sheet 24.2 MCP 工具 Cheat Sheet 24.3 Tree-sitter／語言支援 Cheat Sheet 24.4 SQLite Cheat Sheet 24.5 環境變數 Cheat Sheet 24.6 Mermaid Cheat Sheet（本手冊使用慣例） 24.7 官方文件索引 24.8 GitHub Action Cheat Sheet 附錄　企業導入總檢查清單 A.1 安裝與環境檢查清單 A.2 設定與初始化檢查清單 A.3 MCP 與 Agent 整合檢查清單 A.4 Code Review 與 CI/CD 檢查清單 A.5 安全與合規檢查清單 A.6 維護與治理檢查清單 A.7 團隊賦能檢查清單 第一章　專案背景與痛點分析 1.1 原理 1.1.1 專案背景與誕生脈絡 Code-Review-Graph 誕生於一個非常具體的觀察：AI Coding Agent（Claude Code、Cursor、GitHub Copilot Agent Mode 等）在協助工程師進行 Code Review 或修改程式碼時，最大的成本不是「推理」，而是「找答案前的閱讀」。一個 Agent 要理解「這個函式改了會影響誰」，往往得先用 grep、Read 把半個 Repository 掃過一遍——不是因為它笨，而是因為它手上沒有一張「地圖」。 ...

AI-For-Beginners 教學手冊 Microsoft 官方 AI 入門課程 × AI Agent × 現代軟體開發 適用對象：AI 初學者、一般程式設計師、資深工程師、架構師、系統分析師（SA）、專案經理（PM）、Tech Lead、AI Agent 開發者 文件性質：企業內部 AI 學習與導入教材（重新整理與改寫，非官方文件之翻譯） 版本基準：microsoft/AI-For-Beginners（MIT License），對照日期 2026-08-03，共 12 週 24 課＋1 課延伸主題 ⚠️ 重要聲明（請務必先讀） 本手冊不是官方文件的翻譯本。 內容是作者依據 Microsoft AI-For-Beginners 開源專案（https://github.com/microsoft/AI-For-Beginners）之課程大綱、Microsoft Learn、TensorFlow／PyTorch 官方文件，以及 Azure AI、Responsible AI、GitHub Copilot、Semantic Kernel 等公開資料，重新理解、重新組織、重新撰寫而成的企業教育訓練教材，用詞、範例、程式碼與比喻皆為作者原創表達，不逐句照抄官方原文。 官方專案持續在更新。 AI-For-Beginners 是社群共同維護的教材，課程內容、Notebook 連結、Quiz 題目可能隨時調整；使用前請務必以官方 Repository 當下內容為準，本手冊僅反映撰寫當下（2026-08-03）之課程結構。 兩種內容標記法：本手冊全文以下列符號區分內容性質，方便讀者判斷可信度與查證需要： 🟢 官方已確認事實：直接對應官方課程大綱、官方文件、框架官方 API 行為等可查證資訊。 🟡 作者補充（企業實務建議／推論）：作者依 20 年以上架構與教育訓練經驗延伸的企業導入建議、應用情境、個人觀點，非官方立場，讀者應依自身專案脈絡評估取捨。 Case Study 一律為虛構情境：本手冊「Case Study」章節中之銀行、政府、醫療、製造、零售等案例，皆為教學示範用途之虛構場景，人名、公司名、系統名均非真實對象，若有雷同純屬巧合，用意在示範方法論而非揭露任何真實專案細節。 官方資源索引請見〈第 30 章　附錄〉，建議搭配官方 Repository、Microsoft Learn 頁面交叉閱讀，以取得最新且最權威的第一手資訊。 目錄 第 1 章　前言 第 2 章　AI-For-Beginners 專案介紹 第 3 章　AI-For-Beginners Repository 架構解析 第 4 章　系統架構 第 5 章　安裝 第 6 章　開發環境建置 第 7 章　AI 基礎完整教學 第 8 章　AI-For-Beginners 12 週 24 課 第 9 章　TensorFlow 完整介紹 第 10 章　PyTorch 完整介紹 第 11 章　Notebook 使用技巧 第 12 章　AI Agent 第 13 章　AI 協助軟體開發 第 14 章　AI 協助 Web Application 第 15 章　AI 協助逆向工程 第 16 章　AI 協助 Framework Upgrade 第 17 章　Responsible AI 第 18 章　AI Security 第 19 章　AI 最佳實務 第 20 章　AI-For-Beginners 如何搭配開發工具 第 21 章　企業導入建議 第 22 章　系統維護 第 23 章　系統升級 第 24 章　FAQ（100+） 第 25 章　常見錯誤（100+） 第 26 章　最佳實務總表（100+） 第 27 章　Prompt 範例庫（200+） 第 28 章　Case Study（20+） 第 29 章　結論 第 30 章　附錄 附錄　企業導入總檢查清單 📌 全書共 30 章＋1 個總檢查清單附錄，涵蓋 FAQ 102 題、常見錯誤 100 項、最佳實務 105 條、Prompt 範例 200 個、Case Study 20 篇。 ...

Spring Framework 7.x 教學手冊 項目 說明 文件名稱 Spring Framework 7.x 教學手冊 文件版本 v1.1.0 版本說明 以 Spring Framework 7.0.x（7.0.8 GA，2026-06-09）為基準；完整涵蓋 7.0.1～7.0.8 的增量變更與安全修補（附錄 F），並納入 7.1（2026-11 預定） 前瞻（附錄 G）與 Spring Boot 4.1.0（2026-05） 增量更新（21.13） 最後更新日期 2026-08-01 撰寫角色 Java Enterprise Architect / Cloud Native Architect / DevSecOps Architect / Framework Migration Consultant 目標對象 SA、SD、PG、Architect、Tech Lead、PM、新進工程師、Framework 維護人員、Legacy Modernization Team 前置知識 Java 17+ 語法、Maven 基礎、HTTP / REST 概念、關聯式資料庫基礎 適用場景 企業內部教育訓練、技術白皮書、架構設計參考、升版決策依據、開發規範文件 語言 繁體中文（技術名詞保留英文原文） 授權方式 內部使用 前言 為什麼需要這本手冊 Spring Framework 7.0 是自 2025 年 11 月起的新世代生產線（production line），它不是一次例行的小改版，而是繼 6.0（javax → jakarta 大遷移）之後，影響面最廣的一次世代交替： ...

Spring Boot 4.x 教學手冊 企業級教育訓練教材｜實戰與維運導向｜繁體中文 項目 說明 手冊名稱 Spring Boot 4.x 教學手冊 版本 v1.1 基準版本 Spring Boot 4.1.0（現行 GA）／向下相容說明涵蓋 4.0.x（維護版 4.0.7） 技術堆疊 Java 25（LTS）、Spring Framework 7.0.8、Spring Security 7.1、Spring Data 2026.0、Jakarta EE 11 世代規格、Maven 4／Gradle 9 目標對象 資深 Java 工程師、架構師、Tech Lead、SA／SD、Legacy 現代化團隊 前置知識 Java 基礎語法、物件導向、Maven 或 Gradle 基本操作、HTTP 與 SQL 概念 文件定位 內部教育訓練教材＋開發規範參考＋升版與導入指引 狀態 正式版 事實查證來源 Spring Boot 官方 GitHub Release Notes／spring.io 專案頁／官方參考文件 最後更新 2026-07-31 前言 為什麼需要這本手冊 Spring Boot 4.x 不是 3.x 的小改版，而是一次跨世代的基礎重整。它同時帶來三件事： ...

Maven 4.x 教學手冊 文件性質：企業內部教育訓練教材／團隊開發規範文件 適用對象：資深 Java 工程師、軟體架構師、DevOps／SRE、平台工程團隊、Tech Lead、建置與發布負責人 內容取向：實戰與維運導向，可直接作為專案團隊內部規範採用 技術基準：Apache Maven 4.0.0-rc-5（2025-11-13）／Apache Maven 3.9.16（2026-05-13） 查證基準日：2026-07-28（全書所有「截至目前」均指此日） 主要參考來源： Apache Maven 官方網站：https://maven.apache.org/ What’s new in Maven 4：https://maven.apache.org/whatsnewinmaven4.html Maven 3 至 Maven 4 遷移指南：https://maven.apache.org/guides/mini/guide-migration-to-mvn4.html Maven 版本歷史：https://maven.apache.org/docs/history.html Maven 4.0.0-rc-5 Release Notes：https://maven.apache.org/docs/4.0.0-rc-5/release-notes.html ⚠️ 版本狀態重要聲明 請務必先讀完本節，再決定你的團隊要如何使用本手冊。 截至 2026-07-28，經查證 Apache Maven 官方網站，事實如下： 項目 現況 佐證來源 Maven 4 最新版本 4.0.0-rc-5，發布於 2025-11-13 Maven Releases History Maven 4 是否已 GA 尚未正式發布（Not GA） Maven Releases History 官方對生產環境的立場 原文：“Maven 4.x is currently under development, so while we are encouraging users to try it and report any issues, it is NOT safe for production use.” Maven Download 頁面 Maven 3 現行穩定版 3.9.16，發布於 2026-05-13 Maven Releases History Maven 3 新分支 3.10.0-rc-1，發布於 2026-07-09 Maven Releases History 執行 Maven 4 的最低需求 Java 17（僅「執行 Maven 本身」需要，專案仍可編譯至 Java 8） What’s new in Maven 4 此外，官方的 What’s new in Maven 4 頁面（最後發布日 2026-07-27）內文仍寫著 “This article will continuously be updated at least until Maven 4.0.0 is released."，是 Maven 4.0.0 尚未 GA 的第二個獨立佐證。 ...

Paperclip 教學手冊 Paperclip — 開源 AI Agent 編排平台（Zero-Human Company Operating System）企業級完整指南 適用對象：資深工程師、AI Agent 平台團隊、架構師、Tech Lead、DevOps / SSDLC 負責人、企業導入人員、PM 文件性質：企業內部 AI Agent 平台導入、開發與維運培訓教材 版本基準：Paperclip（paperclipai/paperclip，2026 年 3 月開源，MIT License） ⚠️ 重要聲明（請務必先讀） Paperclip 仍在高速迭代中。 本平台於 2026-03-04 開源，社群成長極快（開源三週即破 3 萬 GitHub Stars，截至 2026 年年中已逾 7.4 萬 stars、1.3 萬+ forks，並維持每日 commit）。其資料模型、CLI 指令、API 端點、環境變數與 UI 可能在版本之間變動。任何指令與設定在正式導入前，務必以最新官方文件與您實際安裝版本為準。 本手冊的定位是「理解、彙整、分析、重組、補充最佳實務」，而非官方文件翻譯。 依原始需求，本書不直接翻譯、不直接抄錄、不大量引用原文，而是重新以繁體中文撰寫成企業教材。 內容分兩類： 官方已確認事實（例如 Node.js 20+/pnpm 9.15+ 需求、npx paperclipai onboard --yes、Control Plane 12 系統、BYOA、companies repository 結構、heartbeat 執行、atomic task checkout、git worktree workspace 等）作為骨幹。 作者補充：凡屬作者依大型企業（含金融業）導入 AI Agent 之實務經驗所補充或推論之處，會標註 （作者建議） 或 （作者推論）。這些是最佳實務參考，非官方保證。 官方權威來源請見 第28章 附錄 → References。 目錄 本目錄為兩層結構（章 + 子節），每一項皆可點擊跳轉至本文對應段落；各章開頭另附「本章導覽」提供章內快速跳轉。 ...

AI常用方法論比較教學手冊(2) 版本：v1.1｜日期：2026-07-24｜適用對象：AI Software Architect、Enterprise Architect、Tech Lead、資深前後端工程師、DevSecOps Architect、Solution Architect v1.1 更新重點：依 8 套方法論官方 Repository 最新狀態逐節查證修正（含 BMAD-METHOD 階段命名訂正、spec-kit／OpenSpec 新指令集、gstack 起源脈絡補充等）；第六章 AI Coding Agent 現況更新（Windsurf 已更名 Devin Desktop、GitHub Copilot Coding Agent 更名 Copilot cloud agent 等）；第七、八、九、十一章多節深度擴寫至與同章其他小節一致；第四章新增「生態系穩定性／維護風險」補充表；新增第十三章案例六、第十四章 3 份角色 Prompt；修正簡體字殘留、附錄目錄缺漏與數處章節交叉引用錯誤 定位：本手冊是《AI常用方法論比較教學手冊》（以下稱「v1」）的擴充版與企業教育訓練教材版。v1 的定位是「跨方法論比較與選型指南」（8 方法論 × 5 AI 工具 × 3 情境的濃縮比較），本手冊（v2／"(2)"）的定位是完整的企業級 AI 軟體工程教學手冊：從發展史、方法論詳解、AI Coding Agent 架構、企業 AI SDLC、Framework Upgrade、逆向工程、企業導入、AI Agent 團隊建立，到產業最佳實務、完整實戰案例與角色化 Prompt Library，一次到位。兩份手冊互為表裡，建議搭配閱讀（見〈附錄 F〉對應關係表）。 涵蓋方法論／概念：spec-kit、OpenSpec、Superpowers、BMAD-METHOD、GSD（get-shit-done）、gsd-pi（GSD-2）、gstack、mattpocock/skills、Loop Engineering、Compound Engineering、Context Engineering、Memory Engineering、Skills Engineering、Prompt Engineering、Agentic Software Engineering、Spec-Driven Development、AI-Native Development 涵蓋 AI Coding Agent：Claude Code、OpenAI Codex CLI、GitHub Copilot、Gemini CLI、Grok、Cursor、Windsurf、Aider、OpenHands、Cline、Roo Code 涵蓋情境：企業 Web 開發、大型 Framework Upgrade（Spring Boot／Java／Vue）、Legacy 逆向工程（COBOL／VB／Oracle Forms／PowerBuilder／Delphi）、企業 AI SSDLC、銀行大型系統 適用產業：金融／銀行、政府、保險、製造、醫療，並適用一般企業 IT 團隊 資料誠信聲明：本手冊整理自本專案既有教學手冊語料庫、各方法論官方 Repository／文件、業界公開文章，並經重新消化歸納後撰寫。凡涉及 GitHub Star 數、安裝次數、營收/效能改善百分比等量化採用指標，若無法在撰寫當下查證來源，一律不予引用或明確標註「未經查證，僅供參考」，不將既有語料庫中的可疑數字（例如個別手冊出現的異常高 Star 數）當作事實延續。本手冊重心放在可驗證的設計理念、架構、工作流程、指令語法與企業實務模式上。 ...

AI常用方法論比較教學手冊 版本：v1.1｜日期：2026-07-24｜適用對象：架構師、Tech Lead、AI 導入決策者、資深工程師 v1.1 更新重點：依 8 套方法論官方 Repository 最新狀態逐章查證修正，包含 GSD 生態系組織遷移沿革（見 2.5、2.6、附錄 C.2）、五工具整合覆蓋度多處更新（spec-kit／BMAD-METHOD／Superpowers／gstack）、gstack 技能規模與指令管線更新、mattpocock/skills 技能清單改版、AGENTS.md 創始會員名單補正，並新增附錄 D.4 版本快照表 涵蓋方法論：spec-kit、OpenSpec、Superpowers、BMAD-METHOD、GSD（get-shit-done）、gsd-pi（GSD-2）、gstack、mattpocock/skills 涵蓋 AI 工具：Claude Code、OpenAI Codex、GitHub Copilot、Gemini、Grok 涵蓋情境：Web Application 開發、逆向工程（Reverse Engineering）、軟體框架升級（Framework Upgrade） 適用產業：銀行、金融業、保險業等高治理需求產業，亦適用一般企業 IT 團隊 重要更新：本文件為跨方法論比較與企業選型指南，非取代任何單一方法論的完整教學；各方法論詳細操作請參閱本目錄下對應手冊（見各章節連結與附錄 D） 📋 目錄 前言 第 1 章：AI 輔助軟體開發方法論全景與參考座標 1.1 為何企業需要跨方法論比較 1.2 方法論分類框架（機制軸） 1.3 八大方法論定位圖 1.4 五大 AI 工具總覽 1.5 三大應用情境定義與成功標準 1.6 AGENTS.md：跨工具互通基礎設施 1.7 其他外部參考座標（非完整檔案，僅作校準用） 1.8 實務落地建議 第 2 章：八大方法論濃縮檔案 2.1 spec-kit 2.2 OpenSpec 2.3 Superpowers 2.4 BMAD-METHOD 2.5 GSD（get-shit-done） 2.6 gsd-pi（GSD-2） 2.7 gstack 2.8 mattpocock/skills 2.9 實務落地建議 第 3 章：跨方法論比較框架與矩陣 3.1 比較維度定義 3.2 總覽比較矩陣 3.3 安裝複雜度與五工具整合覆蓋度矩陣 3.4 團隊規模與組織適配 3.5 治理與維運負擔比較 3.6 學習曲線與導入時間比較 3.7 機制光譜圖 3.8 弱點與風險總表 3.9 實務落地建議 第 4 章：企業選型決策框架 4.1 選型決策樹 4.2 評分量表（可直接套用） 4.3 方法論導入成熟度模型（Level 1–5） 4.4 試點到擴大導入路線圖 4.5 決策情境範例 4.6 實務落地建議 第 5 章：混合與共存導入指南 5.1 為何要混合方法論 5.2 相容性矩陣 5.3 分層組合模型 5.4 安裝順序與設定合併建議 5.5 已知衝突與注意事項 5.6 實務落地建議 第 6 章：三大情境實戰案例（銀行業） 6.1 情境一：Web Application 開發 6.2 情境二：逆向工程 6.3 情境三：框架升級 6.4 三情境 × 八方法論適配打分表 6.5 實務落地建議 第 7 章：方法論組合的維護與升級治理 7.1 為何需要「方法論組合」層級的治理 7.2 日常維運：版本釘選與相容性檢查 7.3 Prompt／Spec 版本控制與變更追蹤 7.4 治理委員會結構與 RACI 7.5 何時該汰換或升級方法論 7.6 法規遵循與稽核追溯（銀行/金融特別考量） 7.7 監控指標與健康度儀表板 7.8 實務落地建議 第 8 章：AI Agent 跨方法論協作範例 8.1 為何需要跨方法論/跨工具協作範例 8.2 範例一：Claude Code + Codex 共用 AGENTS.md 8.3 範例二：Copilot + Gemini/Grok 以 OpenSpec 仲裁 8.4 協作失敗模式與修復 8.5 實務落地建議 第 9 章：方法論選型與整合 Prompt Library 9.1 團隊 AI 成熟度現況評估 Prompt 9.2 方法論選型建議 Prompt 9.3 兩方法論相容性檢查 Prompt 9.4 治理文件骨架生成 Prompt 9.5 情境對應方法論組合 Prompt 9.6 方法論汰換/遷移評估 Prompt 9.7 實務落地建議 第 10 章：常見問題（FAQ） 附錄 A：快速選型與導入檢查清單 附錄 B：八方法論／五工具／三情境速查表 附錄 C：名詞釋義與命名辨正 附錄 D：參考資源與延伸閱讀 附錄 E：八大方法論安裝教學速查 前言 為什麼需要這份手冊 過去兩年間，「用 AI 寫程式」已經從個人的 Prompt 技巧，演化成一整套可被治理、可被複製、可被稽核的方法論（Methodology）。截至本文件撰寫時，僅在本專案的 .github\教學\AI開發\ 目錄下，就已經累積了 spec-kit、OpenSpec、Superpowers、BMAD-METHOD、GSD、gsd-pi（GSD-2）、gstack、mattpocock/skills 等 8 套獨立、完整、動輒 2,500～7,300 行的教學手冊 —— 每一套都宣稱自己能提升 AI 協作品質，每一套都有各自的哲學、安裝方式與最佳實務。 ...

Orca 教學手冊（企業級實戰版） 版本對應：Orca GitHub Release v1.4.150（查證日期：2026-07-22） 適用對象：資深軟體工程師、技術主管、平台工程（Platform Engineering）團隊、DevOps／SRE、AI Solution Architect、AI Agent Architect 技術棧範圍：Electron 桌面應用、Git Worktree、~29 種 Coding Agent CLI（Claude Code、Codex、OpenCode、Cursor、Copilot 等）、SSH／VPS 遠端執行、GitHub、Linear 文件等級：企業內部開發規範／教學手冊（實戰與維運導向） 參考來源： 官方 GitHub Repository：https://github.com/stablyai/orca 官方網站：https://www.onorca.dev/ Y Combinator 公司頁面：https://www.ycombinator.com/companies/stably-ai-orca ⚠️ 版本快照提醒：Orca 採近乎每日發版節奏（查證當下最新版本為 v1.4.150），本手冊內容為特定時間點之快照整理。正式導入前，請務必以官方 GitHub Repository 與官方文件站當下內容為準。凡本手冊中涉及尚未於官方文件明確證實的內容，均已以「⚠️」、「依推論」、「屬社群驗證路徑」等字樣清楚標註，請讀者審慎查證後再應用於正式環境，切勿將教學示例（案例研究章節）誤認為真實客戶專案。 目錄 第一章 Orca 概述與工具定位比較 第二章 核心特色 第三章 系統架構 第四章 安裝與環境建置 第五章 建立第一個 Workspace 第六章 Provider 設定與 Agent 帳號管理 第七章 Agent 管理 第八章 Parallel Agents 平行代理實戰 第九章 AI Coding Workflow 第十章 企業 Web 應用程式開發案例 第十一章 舊系統逆向工程 第十二章 Framework Upgrade 框架升級 第十三章 Agent Collaboration 協作角色分工 第十四章 Git Integration 第十五章 Source Control 版本控管 第十六章 Mobile App 行動裝置應用 第十七章 VPS 與遠端部署 第十八章 Prompt Engineering 第十九章 AI Team 企業 AI 團隊 第二十章 Banking 銀行核心系統案例 第二十一章 系統維護 第二十二章 效能最佳化 第二十三章 常見錯誤與 FAQ 第二十四章 最佳實務 第二十五章 與其他工具比較 第二十六章 建議導入方式 第二十七章 完整企業案例 第二十八章 Mermaid 圖表彙整 第二十九章 Prompt Library 第三十章 總結 子目錄（詳細版） 以下為全書所有小節的完整索引，依章節分組，每一條皆可直接點擊連結到本文對應位置。若只需要快速定位特定主題（如「WSL」「GitLab」「語音輸入」），建議使用編輯器或瀏覽器的頁內搜尋（Ctrl+F／Cmd+F）搭配本目錄關鍵字查找。 ...