Superpowers 教學手冊（企業標準技術白皮書） 版本：v7.0｜基於：Superpowers Framework v6.3.0（by Jesse Vincent / obra @ Prime Radiant） 最後更新：2026-08-18｜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 ⭐ 273k+ stars · 24.4k+ forks · 49+ Contributors（實測查證，obra/superpowers） Plugin Marketplace：https://claude.com/plugins/superpowers（Anthropic Verified · 1,000,000+ installs） Discord 社群：https://discord.gg/35wsABTejz Commercial Support：sales@primeradiant.com License：MIT 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 附錄 F：v5.0.6 重大變更——Inline Self-Review 取代 Subagent Review Loops 附錄 G：v5.1.0 重大變更——Factory Droid、Worktree 重寫與 SDD 連續執行 附錄 H：v6.0.0 重大變更——SDD 審查重寫、Vendor-Neutral 與三新平台 附錄 I：v6.2.0 重大變更——Gemini CLI 回歸與 SDD 生命週期改造 附錄 J：v6.3.0 重大變更——四大新平台、儀式感分級與 SDD 煞車機制 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。 ...

VS Code + GitHub Copilot 開發 Java Web 應用程式教學手冊(3) 版本：v3.0（2026-06-30） 前版：v2.0（2026-03-27） 適用對象：初學者 / 中階工程師 / 企業團隊 技術棧：VS Code 1.126（2026-06-24 發布）· GitHub Copilot（含 Chat、Autopilot、Agent Mode、Agents Window、CLI Agent、Cloud Agent、Research 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 1.123–1.126 Release Notes、Agents Window、Autopilot、MCP OAuth、1M Context Window 等重大更新全面改版 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 1.123–1.126 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 與 Autopilot 深度指南 4.4 Agents Window 與 Session 管理 4.5 Research Agent 深度研究 4.6 Prompt Engineering 4.7 MCP Server 整合 4.8 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 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 模型更新與成本管理 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：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 本手冊依據 GitLab 官方文件（docs.gitlab.com）、GitLab CLI 官方文件（docs.gitlab.com/cli，對應 gitlab-org/cli 專案原始文件）、GitLab Runner 官方文件與官方發行紀錄撰寫，涵蓋 GitLab.com、GitLab Self-Managed、GitLab Dedicated 三種部署形態，以及 glab、GitLab CI/CD、GitLab Runner、GitLab Security、GitLab API、GitLab Duo Agent Platform、GitLab MCP server 等主題。目標是讓初學者、資深架構師與 DevOps／Platform／SRE 團隊都能在同一份文件中找到需要的知識，以及可直接複製執行的指令。 📌 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，請聚焦第三、八、十一、十九、二十章。 想了解 AI 協作開發（GitLab Duo、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。 文件資訊 項目 內容 文件版本 v2.0（2026-09-30） GitLab 基準版本 GitLab 19.4（19.4.0 於 2026-09-16 發布；目前最新修補版 19.4.1） GitLab Runner 基準版本 19.4.1（2026-09-24） GitLab CLI（glab）基準版本 v1.120.0（2026-09-29） 適用部署形態 GitLab.com、GitLab Self-Managed、GitLab Dedicated 適用對象 開發人員、Tech Lead、架構師、DevOps／Platform／SRE、資安團隊、IT 治理與稽核人員 最後查證日期 2026-09-30（查證方式與結果見附錄 23.11） 版本紀錄 見附錄 23.10 ⚠️ 閱讀前須知：GitLab 每月第三個星期四發布一個小版號，glab 則約每週發布一次新版。本手冊中標示為 Beta 或 Experimental（實驗性）的功能與指令，其行為、旗標或方案層級（Tier）可能在後續版本變動。正式導入前，請以當下安裝版本的 --help 輸出與官方文件為準。 ...

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。 ...