教學

Claude Code CLI 教學手冊 版本：v1.3（2026-08-14） 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 v2.1.224 以上（2026-08-14） 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 機制：/subtask（分支 Subagent）與 /fork（複製整個 Session） 9.10 跨 Session 訊息傳遞（Cross-session Messaging） 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。 ...

Loop Engineering 教學手冊 版本：v1.2　|　更新日期：2026-07-20　|　適用對象：資深工程師、架構師、技術主管 變更紀錄（v1.1 → v1.2） 新增「第十五章　Skill Library」：依 4.3.1 節目錄結構，實作 26 個技能檔案（coding／architecture／testing／security／migration 五大分類，Skill-01～Skill-26） 原第十五～十八章（最佳實務 Top 50、常見錯誤 Top 50、導入策略、未來發展）依序遞移為第十六～十九章，並同步更新目錄與全文交叉引用 變更紀錄（v1.0 → v1.1） 修復巢狀 code fence 連鎖錯位問題（曾導致第十五、十六章在嚴格 CommonMark 渲染器下被誤判為單一程式碼區塊）與其他 Markdown 格式問題 簡化附錄 I／J／K 標題格式並補上目錄連結，修正目錄與本文不一致之處 新增 1.6（演進脈絡與業界共識）、1.7（風險與限制：企業治理視角） 新增 2.10（Anthropic 六大 Agent 工作流模式對照）、2.11（Graph Harness 排程理論觀點）、2.12（Ralph Wiggum Technique） 擴充第十一章 Evals 設計方法論：新增 11.6～11.10，補齊術語體系、評分器類型、Pass@k／Pass^k、8 步驟落地路線圖、Swiss Cheese Model、業界標竿與工具 擴充第十八章導入策略：新增 18.4～18.6，補齊單一迴圈自主程度模型、七種生產級 Loop 模式目錄、loop-audit／loop-cost 自我檢測 新增 18.5（下一代執行引擎：Graph Harness 的展望） 目錄 第一章　Loop Engineering 概論 第二章　Loop Engineering 核心理論 第三章　Loop Engineering 系統架構 第四章　六大核心元件 第五章　Claude Code 中的 Loop Engineering 第六章　GitHub Copilot 中的 Loop Engineering 第七章　建立企業級 Loop Engineering 平台 第八章　Web Application 開發實戰 第九章　Legacy System 逆向工程 第十章　Framework 升級實戰 第十一章　Evals 設計 第十二章　AI Agent Team 設計 第十三章　SSDLC 與 Loop Engineering 第十四章　Prompt Library 第十五章　Skill Library 第十六章　最佳實務 Top 50 第十七章　常見錯誤 Top 50 Anti-patterns 第十八章　導入策略 第十九章　未來發展 附錄 A　Loop Engineering Checklist 附錄 B　Project Structure 附錄 C　Skill Library Template 附錄 D　Memory Template 附錄 E　Evaluation Template 附錄 F　Claude Code Setup 附錄 G　GitHub Copilot Setup 附錄 H　企業導入路線圖 附錄 I　補充 Prompt Library 附錄 J　補充 SOP 集合 附錄 K　補充 Mermaid 架構圖集 第一章　Loop Engineering 概論 1.1　Loop Engineering 的起源 Loop Engineering 這個概念由 Google Chrome 工程師 Addy Osmani 在 2024-2025 年間系統化提出，並在其 Substack 文章《Loop Engineering》中首次完整闡述。這個概念的誕生並非偶然，而是對 AI 輔助開發演進路徑的自然延伸。 ...

Headroom 教學手冊 版本：基於 Headroom v0.25.0（2026-06-12） 適用對象：資深工程師、AI Agent 開發團隊、DevOps 工程師 授權：Apache 2.0 專案規模：GitHub ⭐ 24.1K｜Contributors 83+｜Releases 155+ 官方資源：GitHub ｜ 文件站 ｜ PyPI ｜ npm ｜ llms.txt ｜ Enterprise 目錄 第一章 Headroom 簡介 1.1 Headroom 是什麼 1.2 為何需要 Headroom 1.3 Headroom 與 RTK 差異 第二章 Headroom 系統架構 2.1 整體架構圖 2.2 三階段壓縮管線 2.3 ContentRouter 2.4 SmartCrusher 2.5 CodeCompressor 2.6 Kompress-base 2.7 CacheAligner 2.8 CCR（可逆壓縮） 2.9 TOIN 學習網路 2.10 Read Lifecycle Management 2.11 壓縮安全護欄 第三章 安裝與部署 3.1 系統需求 3.2 Python 安裝 3.3 Node.js 安裝 3.4 Docker 部署 3.5 Podman 部署 3.6 企業 SSL 環境處理 3.7 驗證安裝 第四章 使用模式 4.1 Library Mode 4.2 Proxy Mode 4.3 Agent Wrap 4.4 MCP Server 第五章 與 RTK 整合 5.1 為何同時使用 5.2 整合架構 5.3 實戰情境最佳實務 第六章 大型 Web Application 實戰 6.1 專案 Context 管理 6.2 Claude Code 最佳化 6.3 GitHub Copilot Agent 最佳化 6.4 Codex CLI 最佳化 6.5 Gemini CLI 最佳化 6.6 其他 Agent 整合 第七章 Token Optimization 策略 7.1 壓縮方案比較 7.2 依 Context 大小的壓縮策略 7.3 CacheAligner 策略 7.4 複合節省計算 第八章 團隊導入指南 8.1 導入流程 8.2 開發規範範本 8.3 團隊教育訓練 第九章 系統維護 9.1 日常維護 9.2 Log 分析 9.3 Cache 管理 9.4 CCR 管理 9.5 環境變數總覽 9.6 升級策略 9.7 備份策略 第十章 Troubleshooting 第十一章 最佳實務總結 11.1 Do — 建議做法 11.2 Don’t — 避免做法 11.3 Architecture Guideline 11.4 Security Guideline 11.5 Performance Guideline 11.6 Cost Optimization Guideline 附錄 A. Headroom 指令速查表 B. MCP 設定範例 C. Docker Compose D. Podman Compose E. Claude Code 整合範例 F. GitHub Copilot 整合範例 G. Codex CLI 整合範例 H. Gemini CLI 整合範例 I. RTK + Headroom 整合範例 J. 其他 Agent 整合範例 K. 檢查清單（Checklist） 第一章 Headroom 簡介 1.1 Headroom 是什麼 Headroom 是一套開源的 AI Agent 上下文壓縮層（Context Compression Layer），專門在資料送入大型語言模型（LLM）之前，對工具輸出、日誌、RAG 檢索結果、原始碼檔案及對話歷史進行智慧壓縮。其核心承諾是： ...

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。 ...

GitHub Copilot CLI 教學手冊 版本：基於 GitHub Copilot CLI v1.0.80（2026-08-14 發佈） GA 日期：2026-02-25（v0.0.418 起正式 GA，2026-03-06 起主版號躍升至 1.0） 適用對象：資深工程師 / DevOps 工程師 / 架構師 技術環境：企業級 Web Application（Spring Boot 3.x / Vue 3 / 微服務架構） 適用方案：Copilot Free / Pro / Pro+ / Business / Enterprise（2026-06-01 起全面轉為 Usage-based Billing / AI Credits 計費，詳見第 9.4 節） 最後更新：2026-08-14 目錄 第 1 章：Copilot CLI 概述 1.1 什麼是 GitHub Copilot CLI 1.2 與其他 AI 工具的差異比較 1.2.1 與 IDE Copilot 的互補關係 1.2.2 與同類 Agentic CLI 競品比較 1.3 適用場景 第 2 章：系統架構整合設計 2.1 Copilot CLI 在企業架構中的角色 2.2 與開發流程整合 2.3 Agentic Workflow 設計模式 第 3 章：安裝與環境設定 3.1 支援平台 3.2 前置需求 3.3 安裝步驟 3.4 身份驗證 3.5 初始化設定 3.6 常見錯誤與排除 第 4 章：核心功能教學 4.1 自然語言轉指令 4.2 Agentic Workflow 4.3 Codebase Context 分析 4.4 GitHub 整合 4.5 LSP 語言伺服器整合 4.6 Hooks 鉤子系統 4.7 Skills 技能系統 4.8 Plugin 插件生態系 4.9 Extensions 擴充機制 4.10 Copilot Memory 跨 Session 記憶 4.11 ACP（Agent Client Protocol）與 Copilot SDK 4.12 OpenTelemetry 可觀測性 4.13 Rubber Duck 建設性批評代理 4.14 Remote Control 遠端控制 4.15 自訂模型供應商（Custom Model Provider） 4.16 圖片、附件與語音輸入支援 4.17 內建 Agent 系統 4.18 Sandbox 安全沙箱（本機／雲端） 第 5 章：進階使用技巧（企業級） 5.1 Prompt Engineering（CLI 版本） 5.2 Context Engineering（讓 AI 更準） 5.3 多步驟任務拆解（Task Chaining） 5.4 與其他工具整合 5.5 Session 管理與對話引導 5.6 多儲存庫工作流程 5.7 圖片驅動開發 第 6 章：安全與治理 6.1 工具審批機制 6.2 YOLO Mode 說明與風險 6.3 企業治理策略 6.3.1 已知落差與業界安全研究（2026 年最新） 6.4 Hooks 安全防護 第 7 章：實戰案例 第 8 章：最佳實務（Best Practices） 8.1 如何寫好 Prompt（CLI 版本） 8.2 人機協作（Human-in-the-Loop） 8.3 適合與不適合使用的場景 8.4 官方推薦工作流程（Explore → Plan → Review → Implement → Verify → Commit） 8.5 Session 管理最佳實務 8.6 權限管理最佳實務 8.7 團隊協作與生產力量測 第 9 章：維運與升級 9.1 如何更新 Copilot CLI 9.2 版本管理策略 9.3 常見問題（FAQ） 9.4 效能與成本考量 9.5 自動更新與發佈頻道 第 10 章：附錄 10.1 常用指令速查表 10.2 Prompt 範本合集 10.3 工具權限速查表 10.4 環境變數 10.5 設定檔位置 10.6 版本演進里程碑 10.7 已移除與棄用項目 檢查清單（Checklist） 第 1 章：Copilot CLI 概述 1.1 什麼是 GitHub Copilot CLI GitHub Copilot CLI 是 GitHub 提供的命令列 AI 代理工具，讓開發者直接在終端機（Terminal）中使用 Copilot 的 AI 能力。它不僅是一個自然語言轉指令的工具，更是一個完整的 AI Agent，能夠： ...

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 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 2.3 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 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 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 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） 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 10.6 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 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 12.3 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 自動 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 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 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 定價模式（2026 年 8 月） 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 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 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） 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：Copilot Review Instructions 21.14 範本 12：標準目錄結構 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。 ...

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： ...

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。 ...

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%。 ...

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%。 ...