HyperFrames 教學手冊 ⚠️ 版本快照提醒： 本手冊內容係於 2026-07-21 查證撰寫，主要依據 HyperFrames 官方 GitHub Repository（github.com/heygen-com/hyperframes）、官方文件站（hyperframes.heygen.com）、README.md、AGENTS.md、CONTRIBUTING.md、SECURITY.md、CLI Reference、GSAP Integration Guide、AWS Lambda Deploy Guide、Troubleshooting Guide 等第一手來源整理而成。HyperFrames 是一個仍在快速迭代（0.x 版本）的開源專案，CLI flag、Skill 數量、套件結構皆可能隨版本演進而變動，實作前請務必以 npx hyperframes --help、npx hyperframes doctor 與官方文件站最新內容為準。 本手冊不是官方文件的翻譯本。全書所有章節皆經過重新消化整理，並大量加入企業導入視角的架構分析、實務踩雷經驗、最佳實務與 AI Agent 協作建議——這些內容多數不會出現在官方文件中，而是撰寫團隊依據 HTML/影片渲染架構的一般工程常識、與其他無頭瀏覽器渲染系統（如 Puppeteer/Playwright 自動化測試、CI 影片生成管線）的實務經驗類比而來，並會在文中以「實務建議」「踩雷經驗」「企業導入提醒」等字樣明確標示，與官方原文（以引號或「官方文件指出」標註）做區隔，避免讀者誤將顧問建議當成官方保證。 主要參考來源： GitHub：github.com/heygen-com/hyperframes（README、AGENTS.md、CONTRIBUTING.md、SECURITY.md、DESIGN.md、skills/目錄下全部 19 個 Skill、packages/目錄下全部套件、CHANGELOG／Releases） 官方文件站：hyperframes.heygen.com（introduction、quickstart、changelog、guides/gsap-animation、guides/hyperframes-vs-remotion、guides/claude-design、guides/troubleshooting、packages/core、packages/cli、deploy/aws-lambda、deploy/gcp-cloud-run、examples、catalog） 社群playground：hyperframes.dev 本次（2026-07-21）更新已重新查證上述來源之現況，修正若干先前版本的命名誤差（如第六章 Adapter 命名）、CI/雲端渲染新功能（見第十章、第十四章、第三十二章），並補強目錄的章節／小節雙層連結（見下方目錄）。 目錄 使用建議 前言 是什麼 發展背景與解決的問題 與其他影片框架的差異（初覽，完整比較見第四十章） 適合哪些人／不適合哪些人 典型使用情境 第一章 HyperFrames 深度導論 1.1 三大受眾定位再展開 1.2 典型案例深探：從一支 Landing Page 到一支社群影片 第二章 整體系統架構 2.1 分層架構總覽 2.2 資料流與控制流 2.3 Component Diagram：套件依賴關係 第三章 HyperFrames 工作流程 3.1 六步驟完整渲染流程 3.2 HTML → Animation → Frame → Capture → Encode → MP4 各階段細節 第四章 Rendering Engine 4.1 Deterministic Rendering 的技術本質 4.2 Frame Timeline 與 Seek 機制 4.3 Timing / FPS / Resolution / Color / Codec / Quality 全解析 4.4 Color 與 Codec 的取捨建議 第五章 HTML Render Pipeline 5.1 DOM／CSS／JS 三層如何被渲染引擎消費 5.2 Canvas／SVG／WebGL／Three.js 5.3 Video／Audio／Image／Font 的渲染考量 第六章 Animation Adapter 完整解析 6.1 CSS Animation / CSS Transition 6.2 Web Animations API（WAAPI） 6.3 GSAP（官方最推薦） 6.4 Anime.js 6.5 Lottie 6.6 Three.js 6.7 TypeGPU/WebGPU（GPU 加速圖形，官方 Adapter） 6.8 手刻 Canvas 2D 程式化繪圖（技巧，非官方具名 Adapter） 6.9 SVG Animation Animation Adapter 選型總表 第七章 Skill System 7.1 什麼是 HyperFrames Skill 7.2 Router 決策邏輯詳解 7.3 AI 如何呼叫 HyperFrames Skill 7.4 Skill 版本維護協定（一個容易被忽略但很重要的細節） 第八章 AI Agent 整合總覽 8.1 為什麼 HyperFrames 特別強調 Agent 整合 8.2 各 AI 工具整合方式速覽 8.3 AI Agent 建立影片的標準迴圈 8.4 修改影片、重構動畫、自動生成 HTML 的差異 第九章 安裝與環境建置 9.1 系統需求總表 9.2 Windows 安裝流程 9.3 macOS 安裝流程 9.4 Linux（Ubuntu/Debian）安裝流程 9.5 WSL（Windows Subsystem for Linux）注意事項 9.6 Docker 安裝與 --docker 渲染模式 9.7 Podman 安裝與相容性 9.8 Chrome / FFmpeg 手動排除疑難 第十章 CLI 完整參考 10.1 專案建立類 10.2 預覽與發布類 10.3 驗證類 10.4 建置類 10.5 工具類 10.6 認證與雲端渲染類 10.7 完整環境變數表 第十一章 Configuration 完整設定 11.1 設定來源優先順序 11.2 Composition Variables（JSON 參數化） 11.3 JSON 設定範例：一個完整的 meta.json 11.4 YAML／CI 設定範例 第十二章 HTML Structure 12.1 Composition 根節點完整屬性表 12.2 Clip（時間軸元素）屬性表 12.3 Scene（場景）與 Layer（圖層）的組織方式 12.4 完整範例：一個帶有兩個場景的 Composition 第十三章 Animation 實戰 13.1 Timeline 與 Keyframe 混合實戰：一個 10 秒產品介紹片段 13.2 Keyframe 進階技巧：多段 Easing 交錯 13.3 CSS 與 GSAP 混用時的注意事項 第十四章 Media 處理 14.1 Image 14.2 Video 14.3 Audio 14.4 SVG 14.5 Canvas／GPU 圖形 14.6 Font 第十五章 FFmpeg 編碼與最佳化 15.1 FFmpeg 在整體渲染流程中的角色 15.2 容器格式與適用場合 15.3 Codec 參數調校 15.4 AV1 的取捨 15.5 GPU 加速編碼 第十六章 Browser 引擎 16.1 Headless Chrome 作為渲染核心 16.2 CDP（Chrome DevTools Protocol）的角色 16.3 Playwright／Puppeteer 與 HyperFrames 的關係 16.4 瀏覽器 GPU 加速 第十七章 API 參考 17.1 @hyperframes/core 總覽 17.2 核心型別 17.3 解析與 HTML 生成函式 17.4 GSAP 工具函式 17.5 Linter API 17.6 Compiler（Node.js 專用） 17.7 Runtime 與 Frame Adapter 17.8 媒體與樣式常數 17.9 實戰範例：Node.js 批次個人化渲染腳本 第十八章 專案目錄結構 18.1 官方 Monorepo 套件總覽 18.2 一般專案（hyperframes init 產出）的目錄結構 18.3 企業內部建議的擴充目錄慣例 第十九章 Examples 官方範例解析 19.1 官方九大範例模板總覽 19.2 手把手 Walkthrough：以 warm-grain 為基礎客製化一支 15 秒品牌影片 19.3 Catalog Block 範例：data-chart 第二十章 與 Claude Code 整合實戰 20.1 完整流程總覽 20.2 安裝與初始化 20.3 Claude Design 使用建議 20.4 Claude Code 內的典型 Prompt 範例 20.5 Workflow：Claude Code 內的分工模式 第二十一章 與 GitHub Copilot 整合實戰 21.1 現況：官方 Skill 系統尚未原生涵蓋 Copilot 21.2 補強做法：建立專案層級指引文件 21.3 Copilot Chat 實戰 Prompt 範例 21.4 Copilot CLI（gh copilot）搭配 HyperFrames CLI 第二十二章 與 Gemini CLI 整合實戰 22.1 安裝與初始化 22.2 完整流程 22.3 Gemini CLI 實戰 Prompt 範例 第二十三章 與 Cursor 整合實戰 23.1 安裝方式 23.2 Cursor Composer/Chat 實戰範例 23.3 Cursor 與 Claude Code 的分工建議 第二十四章 HyperFrames 協助 AI Agent 開發大型 Web Application 24.1 核心洞察：為什麼影片能加速大型系統開發？ 24.2 Vue 3 升級情境 24.3 Angular／React 升級情境 24.4 Spring Boot／Java 升級情境 24.5 Legacy System Modernization 與 Reverse Engineering 24.6 Framework Migration 與 Architecture Documentation 通用模式 第二十五章 企業影片自動化情境 25.1 API 文件影片 25.2 Architecture Demo（見 24.6 完整流程） 25.3 Training Video／教育訓練影片 25.4 CI/CD Demo 25.5 Release Note Video 25.6 系統操作影片 25.7 產品展示影片 25.8 AI 自動生成影片的品質守門機制 第二十六章 CI/CD 自動化 26.1 標準自動化渲染管線設計 26.2 GitHub Actions 完整範例 26.3 GitLab CI 完整範例 26.4 Azure DevOps Pipeline 範例 26.5 Jenkins Declarative Pipeline 範例 第二十七章 Docker 容器化部署 27.1 官方 --docker 模式 vs 自建映像檔 27.2 Dockerfile 範例 27.3 docker-compose.yml 範例：本機開發 + 渲染服務 第二十八章 Kubernetes 部署 28.1 部署模式選型 28.2 一次性渲染 Job 範例 28.3 定期批次渲染 CronJob 範例 28.4 常駐 Studio 預覽服務範例（Deployment + Service） 28.5 其他實務缺口：GPU 排程、Helm、私有 Registry、Pod Security（實務延伸） 第二十九章 Podman 部署 29.1 Podman 與 Docker 的核心差異回顧 29.2 使用 Podman 建置與執行 29.3 Podman Compose 範例 29.4 Podman + systemd（Quadlet）常駐服務範例 第三十章 Enterprise Best Practices 30.1 大型企業導入 HyperFrames 的階段性路徑 30.2 版本管理建議 30.3 資源管理 30.4 Media 管理 30.5 Template 管理 第三十一章 系統維護與升級 31.1 日常維護檢查清單 31.2 升級流程 31.3 如何避免 Breaking Change 造成的衝擊 31.4 Migration Guide：從 Remotion 遷移 第三十二章 Troubleshooting 32.1 環境與安裝類（1–8） 32.2 媒體與編碼類（9–15，第 9 題為官方，其餘為實務延伸） 32.3 動畫與 GSAP 類（16–24，全為實務延伸） 32.4 渲染與效能類（25–33，全為實務延伸） 32.5 CI/CD 與雲端類（34–40，全為實務延伸） 32.6 Skill／AI Agent 協作類（41–50，全為實務延伸） 第三十三章 Performance Tuning 33.1 效能瓶頸的四大來源 33.2 Chrome 層級調校 33.3 Animation 層級調校 33.4 Memory 管理 33.5 GPU 使用建議 33.6 FFmpeg 編碼調校（回顧第十五章並延伸） 第三十四章 Security 34.1 官方安全政策（Vulnerability Disclosure） 34.2 Headless Chrome 沙箱化建議（實務延伸） 34.3 憑證與 API 金鑰管理 34.4 素材與內容審核 34.5 網路層面建議 第三十五章 Logging 與 Monitoring 35.1 CLI 內建的可觀測性能力 35.2 建議監控的關鍵指標 35.3 日誌整合範例（概念示意） 35.4 建立渲染健康度儀表板 第三十六章 最佳實務總彙 36.1 架構與設計（1–10） 36.2 HTML／Composition 撰寫（11–20） 36.3 動畫實作（21–30） 36.4 媒體與素材（31–38） 36.5 CLI 與開發流程（39–48） 36.6 AI Agent 協作（49–58） 36.7 CI/CD（59–66） 36.8 容器化與部署（67–74） 36.9 效能調校（75–82） 36.10 安全（83–90） 36.11 企業治理（91–96） 36.12 團隊協作與文件（97–102） 第三十七章 Coding Style Guide 37.1 官方套件開發慣例（若團隊貢獻或自建 HyperFrames 相關套件） 37.2 Composition 專案的程式碼風格建議（實務延伸） 37.3 Node.js／TypeScript 腳本風格（使用 @hyperframes/core 時） 第三十八章 Prompt Engineering 與完整 Prompt 範例 38.1 讓 AI 工具更容易產生正確 HyperFrames 程式碼的核心原則 38.2 各工具的 Prompt 微調建議 38.3 完整 Prompt 範例庫（50 則，依情境分類） 第三十九章 Case Study 39.1 案例一：電商千人千面促銷影片 39.2 案例二：SaaS 產品「PR 到影片」自動化 39.3 案例三：金融業 Legacy 系統知識傳承 39.4 案例四：跨國零售集團多品牌一致性治理 39.5 案例五：教育科技公司個人化課程證書 39.6 案例六：企業內訓多語系教材規模化 39.7 案例七：新創公司從 Remotion 遷移 39.8 案例八：DevOps 團隊 CI/CD 視覺化 Demo 39.9 案例九：資料視覺化團隊自動化報告影片 39.10 案例十：客服團隊操作教學影片庫 第四十章 與其他框架比較 40.1 HyperFrames vs Remotion（官方比較，詳見前言與第三十一章 31.4） 40.2 HyperFrames vs Motion Canvas 40.3 HyperFrames vs FFCreator 40.4 HyperFrames vs PptxGenJS + FFmpeg 手動管線 40.5 HyperFrames vs Reveal.js Export 40.6 HyperFrames vs Playwright / Puppeteer Screenshot 方案 第四十一章 優缺點分析與未來 Roadmap 41.1 優點總結 41.2 缺點與限制總結 41.3 SWOT 簡要分析 41.4 未來 Roadmap 推論（依官方已知限制與產業趨勢推論，非官方公開路線圖） 第四十二章 附錄 42.1 名詞解釋（Glossary） 42.2 整合總覽表 42.3 CLI 速查表（完整版見第十章） 42.4 API 速查表（完整版見第十七章） 42.5 環境變數速查（彙整自全書各章，完整版見第十章 10.7） 42.6 Mermaid 速查（本書使用過的圖型範例） 42.7 Prompt 速查（完整 50 則見第三十八章） 42.8 Migration Checklist（從其他方案遷移時使用） 42.9 Deployment Checklist（部署上線時使用） 42.10 Security Checklist（資安上線前使用） 42.11 Production Checklist（正式上線最終確認） 42.12 延伸閱讀建議 42.13 全書總 Checklist 使用建議 HyperFrames 橫跨「前端渲染」「影片後製」「CLI/DevOps」「AI Agent 協作」四個領域，不同角色的讀者不需要從頭讀到尾。下表提供建議閱讀路徑： ...

Council of High Intelligence 教學手冊 副標題： AI 多角色辯論（Multi-Persona Deliberation）框架完整指南 版本／查證基準： v1.2.0（2026-07-04 發布，查證截至 2026-07-20） 適用對象： 資深 Software Architect、Tech Lead、AI Agent Engineer、Prompt Engineer、DevOps／平台工程師、System Analyst、企業導入決策負責人、AI Coding 導入教育訓練講師 技術棧： Shell Script（81.5%）＋ Python（18.5%）、Claude Code Plugin／Skill 協定（SKILL.md）、多 LLM 供應商自動路由（Claude／OpenAI／Google／Ollama／NVIDIA NIM／Cursor） 文件等級： 企業標準教育訓練教材（實戰與維運導向） 參考來源： 0xNyk/council-of-high-intelligence 官方 Repository（README.md、CHANGELOG.md、SKILL.md 及其三份主機鏡像、agents/ 目錄下 18 份 persona 契約文件、demos/session-pack.md、install.sh、CONTRIBUTING.md、SECURITY.md、configs/provider-model-slots.example.yaml、GitHub Issues），並以自身企業軟體架構、AI Coding 導入與教育訓練經驗重新消化整理，非逐字翻譯官方文案。 ⚠️ 版本快照提醒： Council of High Intelligence 是一個仍在快速迭代的開源專案（MIT License，查證當下約 3.7k ★、9 forks、19 watchers）。查證當下最新版本為 v1.2.0（2026-07-04 發布），距今僅約兩週，v1.2.0 才剛修復一個 Shell Injection 漏洞（舊版把 Prompt 內容直接內嵌進雙引號 shell argv 組出外部呼叫指令，導致 API 金鑰可能經由 ps 可見的 process 參數外洩；修復方式是改用加引號的 heredoc 傳遞 Prompt 內容，避免內容直接暴露在指令列參數中），也才剛加入「信心加權投票」「Plugin Marketplace 安裝」等機制。專案目前仍有多個開放 issue 反映出「多份主機鏡像檔案（SKILL.md / SKILL.codex.md / SKILL.gemini.md / SKILL.opencode.md）容易互相漂移」「detect-providers.sh 誤判 Ollama 可用性」等工程成熟度議題。本手冊所有具體事實（指令、參數、Persona 名單、Triad 名單等）均查證截至 2026-07-20，企業導入前務必以官方最新 README 與 CHANGELOG.md 再次核對，避免版本落差造成誤用。 ...

Cognee 教學手冊 副標題： Enterprise AI Memory Platform & Knowledge Graph for AI Agents 版本： v1.3.0 系列（查證截至 2026-07-15） 適用對象： 資深後端／AI 應用工程師、企業級 Java／Spring Boot 架構師、AI Agent 架構師、知識圖譜與 RAG 系統負責人、DevSecOps 顧問、Tech Lead 技術棧： Python 3.11+、PostgreSQL（含 pgvector）／Neo4j／SQLite、Docker、MCP（Model Context Protocol） 文件等級： 企業標準教育訓練教材（實戰與維運導向） 參考來源： topoteretes/cognee 官方 Repository（README、docs/、cognee-mcp/）、官方文件站 docs.cognee.ai（Getting Started、Core Concepts、Setup Configuration、Guides、Integrations 等頁面）、官方網站 cognee.ai、研究論文《Optimizing the Interface Between Knowledge Graphs and LLMs for Complex Reasoning》（arXiv:2505.24478），並以自身企業架構經驗重新消化整理，非逐字翻譯官方文案。 ⚠️ 版本快照提醒： Cognee 是一個仍在快速迭代中的開源專案（Apache-2.0 授權，查證時點約 27.9k ★、2.8k fork，8,600+ commits）。查證當下最新版本約為 v1.3.0（2026-07-12 發布）。特別注意：Cognee v1.0 之後的公開 API 已從早期的 add() + cognify() + search() 三段式，演進為更高階的 remember() / recall() / forget() / improve() 四個動詞；本手冊第三章會完整說明兩者的對應關係與歷史脈絡。本文所有具體事實（指令、參數、套件名稱等）均查證截至 2026-07-15，企業導入前務必以官方最新文件（docs.cognee.ai）再次核對，避免版本落差造成的認知落差。 ...

Astryx 教學手冊（企業級實戰版） 版本： v1.1（2026-07-09 查證更新） 適用對象： 資深前端工程師、React 架構師、Design System 負責人、AI 開發導入團隊 技術棧： React 19+、TypeScript 5.x、StyleX、Node.js（一般使用無版控要求；貢獻原始碼建議 22 LTS） 文件等級： 企業標準教育訓練教材（實戰與維運導向） 參考來源： facebook/astryx 官方 Repository（README、CONTRIBUTING.md）、官方文件站 astryx.atmeta.com（Getting Started、CLI、Components、Typography 等頁面）、官方部落格 Introducing Astryx、npm registry（@astryxdesign/* 系列套件）、第三方報導（MarkTechPost、Tech Times），並以自身架構經驗重新消化整理，非逐字翻譯 ⚠️ 版本快照提醒： Astryx 為 Meta 於 2026 年 1 月建立、2026 年 6 月底以 Beta 身分正式對外發布的新專案（查證時點：GitHub 7,314 ★、487 fork、MIT 授權）。專案仍在快速迭代中，本文所有具體事實（元件命名、CLI 指令、Token 架構等）均查證截至 2026-07-09，企業導入前務必以官方最新文件（astryx.atmeta.com）再次確認，避免版本落差造成的認知落差。 目錄 使用建議 前言 第一章 Astryx Overview 第二章 Architecture 第三章 Installation 第四章 Project Structure 第五章 CLI 第六章 Components 第七章 Theme System 第八章 Accessibility 第九章 AI Agent Ready 第十章 與其他 Design System 比較 第十一章 與 AI Coding 整合 第十二章 Reverse Engineering 第十三章 Framework Upgrade 第十四章 Enterprise Best Practice 第十五章 與 GitHub Copilot 整合 第十六章 與 Claude Code 整合 第十七章 系統維護 第十八章 系統升級 第十九章 FAQ 第二十章 Troubleshooting 第二十一章 Best Practice（企業最佳實務 100 條） 第二十二章 Prompt Collection 第二十三章 Case Study 第二十四章 Conclusion 使用建議 依讀者角色不同，建議的閱讀路徑如下，不需要從頭到尾逐章閱讀： ...

Strix 完整教學手冊（Enterprise Edition） AI Agent 自動化滲透測試．AI Security Testing．DevSecOps．Secure SDLC．CI/CD Security．Framework Upgrade Security．Reverse Engineering Security 📖 本手冊撰寫依據：本手冊內容根據 Strix（github.com/usestrix/strix，官方文件 docs.strix.ai）之公開原始碼、官方文件與 Release 資訊重新理解、消化後撰寫而成，並非官方 README 之翻譯或複製。文中會明確標註「已於官方原始碼/文件驗證」與「概念性說明、建議讀者自行對照最新原始碼確認」兩類內容，避免將未證實的細節當作官方保證的規格陳述。Strix 是一個仍在快速迭代（Apache-2.0 授權）的開源專案，實際旗標、環境變數與行為請務必以當下版本之官方 repo 為準。 ⚠️ 使用倫理提醒：Strix 屬於「主動攻擊型」AI Agent 安全測試工具，具備實際發起滲透測試行為的能力（注入、越權嘗試、RCE PoC 驗證等）。僅可在取得明確授權的目標（自有系統、合約載明範圍之客戶系統、或合法 CTF/實驗環境）上使用，未經授權對第三方系統執行掃描或攻擊行為可能觸犯電腦犯罪相關法規。企業導入前務必先建立授權範圍書（Rules of Engagement）。 📌 使用建議 依讀者角色，建議以下閱讀路徑： 資安工程師 / 滲透測試人員：第一章 → 第二～四章（架構與運作原理）→ 第九～十四章（掃描模式與漏洞偵測）→ 第二十二章（報告） DevSecOps / 平台工程師：第一章 → 第六～八章（安裝與設定）→ 第十九～二十一章（SSDLC、CI/CD、Headless）→ 第二十五章 研發主管 / 架構師（導入評估）：第一章 → 第五章（LLM 成本與能力）→ 第二十三～二十四章（企業最佳實務、大型平台案例）→ 全文結尾之「企業導入指南」 AI Coding / Claude Code 重度使用者：第四章（Agent 原理）→ 第十五～十六章（與 Claude Code / Copilot 整合）→ 第二十六～二十七章 金融 / 政府 / 醫療等高合規產業：第一章 → 第十九章（SSDLC）→ 第二十三章（企業最佳實務）→ 第三十五章附錄之 OWASP/MITRE ATT&CK/CWE Mapping 💡 提醒：本手冊篇幅龐大（35 章 + 附錄），建議搭配目錄以「主題」而非「從頭到尾」方式查閱，並在企業內部依實際導入節奏分批研讀、分批落地。 ...

caveman 教學手冊（企業級 Token 最佳化完整版） 版本基準： caveman v1.9.1（2026-07-03 發布，官方代號 “65%, honestly”） 適用對象： 資深工程師、AI Coding Agent 導入負責人、架構師、DevSecOps 工程師、技術主管、企業導入決策者 技術定位： AI Coding Agent 輸出壓縮 Skill / Plugin / Hook（Prompt 層級優化，非模型微調） 授權： MIT License（原始專案 JuliusBrussee/caveman） 文件等級： 企業標準技術白皮書 + 教育訓練教材 文件目標定位： 企業 AI Coding Agent Token 最佳化完整教學手冊 📋 目錄 第一部分：核心概念與架構 第1章 caveman 是什麼 第2章 caveman 系統架構 第3章 caveman 工作原理 第4章 Token 節省原理 第二部分：安裝與 Agent 整合 第5章 安裝教學 第6章 AI Agent 整合 第7章 caveman Modes 第8章 Prompt 運作原理 第三部分：企業應用實務 第9章 Web Application 開發最佳實務 第10章 Legacy Modernization 第11章 Framework Upgrade 第12章 Reverse Engineering 第13章 Prompt Engineering 企業範本 第14章 Token 最佳化策略 第四部分：維運與升級治理 第15章 系統維護 第16章 系統升級 第17章 團隊導入指南 第五部分：品質、風險與比較 第18章 最佳實務（Best Practices） 第19章 常見錯誤（Anti-Patterns） 第20章 FAQ 常見問答 第21章 與其他方案比較 第22章 優缺點分析 第23章 Security 安全分析 第六部分：實戰案例與附錄 第24章 完整企業案例 第25章 附錄（Appendix） 📖 文件說明 🎯 文件目標 本手冊定位為「企業 AI Coding Agent Token 最佳化完整教學手冊」，目的是協助已大量採用 Claude Code、GitHub Copilot、Gemini CLI、Cursor 等 AI Coding Agent 的技術團隊，導入 caveman 這款「輸出壓縮」Skill，在不犧牲程式碼品質的前提下，降低 AI Agent 對話與文字說明所耗費的 Token 量，進而縮短回覆時間、降低 API 成本。 ...

Github Repositories 建立與維運教學手冊 — 企業級實戰指南 版本：v3.0（2026-09-25） 適用對象：技術主管 / 架構師 / 資深工程師 / 平台與 DevOps 團隊 / 資安人員 / 專案經理 定位：企業標準技術白皮書 參考標準：GitHub Docs — Repositories（2026-09 版）/ GitHub Changelog / GitHub Enterprise Cloud 治理實務 / DevSecOps / SSDLC / SLSA 最後審閱日期：2026-09-25 本版重點：依官方 Repositories 文件樹逐章查證，更正 38 項內容、新增 22 個小節與附錄 B、C，並全面升級範例中的 Action 版本；完整清單見 附錄 C.2 與 附錄 C.3，歷次版本見 附錄 C.5 閱讀指引 本手冊涵蓋 GitHub Repository 從建立到維運的完整生命週期，依讀者角色建議閱讀路徑： 角色 建議章節 重點 開發工程師 第 4、5、6、7、8、11 章 Repository 建立、Git 操作、Branch 策略、CI/CD、Issue 架構師 第 1、2、5、9、13、16 章 治理原則、管理架構、標準結構、DevSecOps、AI 整合、企業範例 平台 / DevOps 工程師 第 2.6、3.6、4.12、7、8、12、14 章 Custom Properties、存取機制、設定基準、Rulesets、Actions、Release、維運 技術主管 / PM 第 1.8、2、3、11、14、15 章 成熟度模型、Organization、Issue 管理、治理、企業實踐 資安人員 第 3.6、7.11、8.8、8.9、9、12.7、14、15 章 憑證治理、規則、供應鏈、DevSecOps、合規 稽核 / 法遵 第 14.8、15.4、附錄 A.5、附錄 C 活動洞察、合規自動化、稽核清單、查證紀錄 標記說明： ...

Anthropic Cybersecurity Skills 教學手冊 版本：v1.0（依據官方 repo v1.3.0 / main 分支，2026-07 查詢版本整理） 適用對象：Cybersecurity Architect、DevSecOps 架構師、AI Agent 架構師、Secure SDLC 顧問、資深後端／前端工程師、逆向工程／Framework 升級團隊 內容定位：本手冊聚焦於開源專案 Anthropic Cybersecurity Skills（github.com/mukul975/Anthropic-Cybersecurity-Skills）——目前最大的開源 AI Agent 網路安全技能庫——的設計理念、系統架構、六大框架整合、安裝設定、實戰應用（Web 開發／逆向工程／Framework 升級）、第三方技能安全審查，並延伸至企業級 DevSecOps 導入建議。 重要聲明（請務必詳讀）： 本專案為獨立社群專案，並非 Anthropic PBC 官方產品或官方維護的資產（README 原文："⚠️ Community Project — This is an independent, community-created project. Not affiliated with Anthropic PBC."）。專案作者為 Mahipal Jangra（GitHub：mukul975），採 Apache-2.0 授權。手冊中所有「Anthropic」字樣皆指技能庫命名慣例（呼應 Claude / Agent Skills 生態），不代表官方背書。 本技能庫包含攻擊性與雙用途（dual-use）技術（例如紅隊 C2、釣魚模擬、滲透利用），官方明確聲明：「僅限經授權且合法之用途」（Authorized & lawful use only）。僅可對「你擁有或已取得書面授權測試」的系統使用這些技能，並須遵守所有適用法規與交戰規則（Rules of Engagement）。使用者需自行承擔使用後果，詳見專案 SECURITY.md 與 CODE_OF_CONDUCT.md。企業導入前務必先完成法務／資安治理審查（詳見第 11、17 章）。 本文第 1～10、12～16 章之技術描述（Skill 數量、框架版本、YAML frontmatter 欄位、安裝指令、相容平台）基於官方 README、ATTACK_COVERAGE.md、repo 目錄結構逐項核對整理，非逐字翻譯；GitHub 社群數據（Star／Fork 數、Skill 總數）反映查詢當下時間點，會持續變動，實際導入前請以官方 repo 當下版本為準。第 8、9、10、17、19、20 章之企業應用情境屬「企業實務延伸」內容，是顧問觀點下的建議做法，並非官方功能宣稱，文中會標註。 如何使用本手冊 Anthropic Cybersecurity Skills 解決的問題很直接：市面上的資安工具倉庫（wordlist、payload、exploit script）教你「用什麼工具」，但沒有教 AI Agent「資深分析師的決策流程」——什麼情境該用哪個技術、前置條件是什麼、如何一步步執行、如何驗證結果。這個專案把 817 個結構化技能（Skill）以 agentskills.io 開放標準封裝，讓 Claude Code、GitHub Copilot 等 AI Agent 可以在毫秒等級的 frontmatter 掃描後，精準載入所需的資安工作流程。 ...

learn-claude-code 教學手冊 版本：v1.2（2026-07） 適用對象：資深工程師、架構師、AI Agent 開發團隊 定位：企業級 AI Coding Agent Harness Engineering 實戰白皮書 參考專案：shareAI-lab/learn-claude-code（69.3k+ Stars，MIT License） 線上學習平台：learn.shareai.run 目錄 1. 專案概述 1.1 learn-claude-code 是什麼 1.2 Agency 的本質 — 來自模型訓練而非程式碼 1.3 Agency 的歷史脈絡 1.4 Agent 不是什麼 — 破除「提示詞水管工」迷思 1.5 心智轉換：從「開發 Agent」到開發 Harness 1.6 為何選擇 Claude Code 作為教學標本 1.7 與 Claude Code / Cursor 的差異 1.8 為何企業應該自己打造 Agent 2. 系統整體架構設計 2.1 Agent Runtime 架構 2.2 LLM Gateway（可替換 OpenAI / Claude） 2.3 Tool Layer 設計 2.4 Task Queue 與持久化 2.5 Workspace / Worktree 隔離 2.6 Memory 系統（短期 / 長期） 2.7 Multi-Agent Coordination 2.8 與企業系統整合方式 2.9 範圍說明與設計限制（Scope） 3. Agent 核心機制解析（20 Sessions） 3.1 Agent Loop（s01） 3.2 Tool Use 與 Dispatch Map（s02） 3.3 Permission 三層防護（s03） 3.4 Hooks 擴展點機制（s04） 3.5 Planning / Reflection — TodoWrite（s05） 3.6 Subagent 機制（s06） 3.7 Skills 按需載入（s07） 3.8 Context Compact — 壓縮策略（s08） 3.9 Memory System 記憶系統（s09） 3.10 System Prompt 動態組裝（s10） 3.11 Error Recovery 錯誤恢復（s11） 3.12 Task 持久化與相依管理（s12） 3.13 Background Tasks（s13） 3.14 Cron Scheduler 排程機制（s14） 3.15 Agent Teams 與 Mailbox（s15-s16） 3.16 Autonomous Agent 自治（s17） 3.17 Worktree + Task Isolation（s18） 3.18 MCP Plugin 外部工具整合（s19） 3.19 完整 Agent 整合（s20） 4. Harness Engineering（核心競爭力） 4.1 什麼是 Harness 4.2 Harness 工程師的五大職責 4.3 如何設計 Tool Interface 4.4 如何限制 Agent 行為（安全性） 4.5 如何提升成功率（Prompt / Retry / Guardrails） 4.6 CLAUDE.md 系統設計 5. 實作教學（Step-by-step） 5.1 環境安裝 5.2 專案初始化 5.3 第一個 Agent — Agent Loop 5.4 Tool 註冊（讀檔 / 寫檔 / Shell） 5.5 加入計畫能力 — TodoWrite 5.6 加入測試能力 5.7 加入錯誤修復能力 5.8 加入 Hooks 機制 6. 建立企業級 Coding Agent 6.1 Code Generation 6.2 Code Review 6.3 Test Generation 6.4 Refactoring 6.5 文件產生 7. Multi-Agent 設計（進階） 7.1 Agent Team 架構設計 7.2 任務拆解策略 7.3 Agent 溝通方式 — JSONL Mailbox 7.4 狀態管理與生命週期 8. 實際應用場景 8.1 Web Application 開發 8.2 舊系統逆向工程 8.3 Framework 升級 8.4 Batch 系統改寫 9. 與企業架構整合 9.1 資料庫整合（DB2 / Oracle / PostgreSQL） 9.2 訊息佇列（Kafka / RabbitMQ） 9.3 微服務架構整合 9.4 CI/CD 整合（GitHub Actions / Jenkins） 9.5 權限控管（RBAC） 9.6 MCP Server 整合 10. 安全與 SSDLC 10.1 Prompt Injection 防護 10.2 Tool 權限控管 10.3 Code 安全掃描 10.4 Audit Log 10.5 合規（金融場景） 11. 使用指南（給團隊） 11.1 日常開發流程 11.2 如何下 Prompt 11.3 如何 Debug Agent 11.4 常見錯誤與排除 12. 最佳實踐（Best Practices） 12.1 Prompt 設計 12.2 Tool 設計原則 12.3 Agent 拆分策略 12.4 成本控制 12.5 Context Engineering 最佳實踐 13. 願景：用 Agent 覆蓋每一個領域 13.1 跨領域 Agent 設計模式 13.2 從被動會話到主動常駐助手 14. 延伸資源與姊妹專案 14.1 Kode Agent CLI 14.2 Kode Agent SDK 14.3 claw0 — 常駐 Agent 教學專案 14.4 OpenClaw — 社群生態 15. 附錄 15.1 範例 Prompt 集 15.2 CLI 指令速查表 15.3 常見問題 FAQ 15.4 檢查清單（Checklist） 1. 專案概述 1.1 learn-claude-code 是什麼 learn-claude-code 是由 shareAI-lab 開源的 AI Coding Agent 教學專案（GitHub 69.3k+ Stars，MIT License，創立於 2025-06），核心理念為「Harness Engineering for Real Agents」。專案副標題精確概括了其定位： ...

agency-agents 教學手冊（Enterprise Guide） 版本：v3.1 ｜ 最後更新：2026-07-01 適用對象：資深工程師、架構師、技術主管 授權：內部教育訓練使用 目錄 總覽（Overview） 系統架構設計（Architecture） 安裝與環境建置（Installation & Setup） Agent 結構解析（Agent Design） 與 AI Coding 工具整合（Integration） 實戰：AI 開發流程（End-to-End Workflow） SSDLC（安全開發流程） 系統維運（Maintenance） 系統升級（Upgrade Strategy） 最佳實踐（Best Practices） 企業導入建議（Enterprise Adoption） 附錄（Appendix） 檢查清單（Checklist） 參考資源與社群（Resources & Community） 1. 總覽（Overview） 1.1 agency-agents 是什麼 agency-agents（又稱 The Agency）是由社群驅動的開源 AI 虛擬團隊框架，目前擁有 232 個專業化 AI Agent 角色，橫跨 16 個部門，由 90+ 位貢獻者共同維護。每個 Agent 不是簡單的 Prompt 模板，而是一份具備完整人設（Persona）、工作流程（Workflow）、溝通風格（Communication Style）、KPI 與成功指標的 Markdown 定義檔。該專案起源於 Reddit 社群的一篇討論，經過數月迭代，已成為 GitHub 上最受歡迎的 AI Agent 人設定義框架之一。專案現已推出原生桌面應用程式（macOS / Linux / Windows），使用者可透過圖形介面一鍵瀏覽完整 Agent 名冊、安裝到各工具，並自動更新。 ...