教學

Github Repositories 建立與維運教學手冊 — 企業級實戰指南 版本：v2.0（2026-05-08） 適用對象：技術主管 / 架構師 / 資深工程師 / DevOps 團隊 / 專案經理 定位：企業標準技術白皮書 參考標準：GitHub Docs（2026） / GitHub Enterprise Best Practices / DevSecOps / SSDLC 最後審閱日期：2026-05-08 變更紀錄：v2.0 — 新增 Repository 限制與配額、Rulesets 深入指南、Merge Queue、Git LFS、Codespaces、Packages、Private Vulnerability Reporting 等章節；全面校閱並對齊 GitHub 官方文件（2026 年版） 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 章 Repository 建立、Git 操作、Branch 策略、CI/CD 架構師 第 2、5、9、13、16 章 管理架構、標準結構、DevSecOps、AI 整合、企業範例 DevOps 工程師 第 7、8、9、12、14 章 Branch 策略、Actions、安全、Release、維運 技術主管 / PM 第 2、3、11、14、15 章 管理架構、Organization、Issue 管理、治理、企業實踐 資安人員 第 9、14、15 章 DevSecOps、SSDLC、維運治理、合規 ⚠️ 標記說明：本文中 ⚠️ 需 GitHub Enterprise 表示該功能僅在 GitHub Enterprise Cloud / Server 版本可用。 ...

Agentic AI 與 LLM wiki Repo 建立教學手冊 — 企業級 AI 資產知識庫 版本：v3.0（2026-05-07） 適用對象：技術主管 / 架構師 / 資深工程師 / DevOps 團隊 定位：企業標準技術白皮書 參考範本：github/awesome-copilot（32.3k+ Stars / 382+ Contributors） 延伸參考：Karpathy LLM Wiki（5,000+ Stars / 5,000+ Forks） 最後審閱日期：2026-05-07 目錄 第 1 章 概述與設計理念 1.1 為何需要 AI 資產知識庫 1.2 awesome-copilot 設計理念分析 1.3 企業客製化策略 第 2 章 Repo 建立與初始設定 2.1 前置準備 2.1.1 組織（Organization）建立 2.1.2 Team 建立 2.2 Repository 建立 2.2.1 建立指令 2.2.2 Repository 設定 2.3 初始檔案建立 2.3.1 README.md 2.3.2 .gitignore 2.3.3 .gitattributes 2.3.4 .editorconfig 2.3.5 LICENSE 2.4 初始化指令彙整 第 3 章 客製化目錄結構設計 3.1 整體目錄結構 3.2 各分類目錄說明 3.3 目錄結構對照圖 第 4 章 內容規範與模板設計 4.1 檔案命名慣例 4.2 Frontmatter 規範 4.3 內容模板 第 5 章 資料上架流程 5.1 整體流程 5.2 CONTRIBUTING.md 設計 5.3 Pull Request Template 5.4 Issue Template 5.5 Branch 策略 第 6 章 GitHub Actions 自動化 Workflow 6.1 Workflow 總覽 6.2 內容驗證 Workflow 6.3 PR 目標分支檢查 6.4 README 動態更新 6.5 過時內容檢測 6.6 貢獻者自動更新 6.7 PR 自動標籤 6.8 建構腳本說明 第 7 章 探索與搜尋機制 7.1 README 動態生成 7.2 分類文件自動生成 7.3 Marketplace JSON 7.4 llms.txt — 機器可讀格式 7.5 標籤系統設計 7.6 awesome-copilot 網站與 Marketplace 第 8 章 後續維運與治理 8.1 CODEOWNERS 設定 8.2 內容生命週期管理 8.3 過時檢測策略 8.4 品質報告 8.5 安全掃描 8.6 版本管理 第 9 章 團隊導入與最佳實務 9.1 導入路線圖 9.2 角色與權限設計 9.3 Onboarding 流程 9.4 知識分享文化建立 9.5 最佳實務 第 10 章 附錄：範本與 Checklist 10.1 完整目錄結構範本 10.2 package.json 範本 10.3 初始化指令 Checklist 10.4 快速參考卡 10.5 常見問題（FAQ） 第 11 章 LLM Wiki 知識庫建構與維護 11.1 LLM Wiki 核心理念 11.2 三層架構設計 11.3 核心操作流程 11.4 索引與日誌系統 11.5 工具生態系統 11.6 企業級 LLM Wiki 導入策略 11.7 Schema 設計範本 11.8 實作指引 第 1 章 概述與設計理念 1.1 為何需要 AI 資產知識庫 隨著企業全面導入 AI 工具（GitHub Copilot、Claude Code、Codex、Gemini）進行軟體開發，團隊在日常工作中持續產出大量有價值的 AI 資產。根據 GitHub 官方 awesome-copilot 專案的分類體系，這些資產可歸納為以下類型： ...

AI 治理教學手冊（AI Governance Handbook） 版本：v3.0 適用對象：管理團隊 + 開發團隊 最後更新：2026-05-06 分類：企業內部標準文件（技術白皮書等級） 文件編號：GOV-AI-001 機密等級：內部使用 版本歷程 版本 日期 修訂內容 修訂人 v1.0 2026-05-06 初版發行 AI 治理委員會 v2.0 2026-05-06 全面更新法規對照、新增生成式 AI 治理專章、補充台灣《人工智慧基本法》與國際標準最新動態 AI 治理委員會 v3.0 2026-05-06 依據 EU AI Act 最新施行進度更新（含八大禁止實踐、GPAI Code of Practice 第三版）、補充金管會 AI 自律規範、強化 AI 素養與跨境治理章節、新增數位發展部評測指引落地實務 AI 治理委員會 目錄 1. AI 治理總體架構（Governance Framework） 1.1 AI 治理目標 1.2 三道防線（Three Lines of Defense） 1.3 AI 風險分類 1.4 與 IT Governance / Data Governance 關聯 2. AI 在 SSDLC 各階段治理 2.0 SSDLC 全景圖 2.1 Requirement（需求階段） 2.2 Design（設計階段） 2.3 Development（開發階段）— AI Coding 2.4 Testing（測試階段） 2.5 Deployment（部署階段） 2.6 Maintenance（維護階段） 3. AI Coding 工具治理 3.1 工具對照與管理 3.2 Prompt 管理（Prompt Governance） 3.3 輸出驗證（Output Validation） 3.4 Code Review 政策 3.5 禁止事項 3.6 AI Hallucination 控制 4. 公司 AI 治理章程（Policy） 4.1 AI 使用政策 4.2 AI 開發規範 4.3 資料使用規範 4.4 模型使用規範 4.5 第三方 AI 管理 5. 標準作業程序（SOP） 5.1 AI 開發流程 SOP 5.2 Prompt 使用 SOP 5.3 AI Code Review SOP 5.4 AI 產出驗證 SOP 5.5 AI 事件通報 SOP 6. 驗證與稽核機制（Validation & Audit） 6.1 AI 產出驗證方法（Test Strategy） 6.2 安全掃描（SAST / DAST） 6.3 AI 風險評估 6.4 稽核流程（Audit Checklist） 6.5 Logging & Traceability 7. AI 風險管理（Risk Management） 7.1 風險總覽 7.2 各風險詳細分析與控制 8. 技術落地架構（Architecture） 8.1 AI Gateway 架構 8.2 Prompt Registry 設計 8.3 Audit Log 系統 8.4 Secure Proxy 設計 8.5 DevSecOps 整合 9. 管理層決策建議（Executive Guide） 9.1 KPI / KRI 9.2 AI 成本控管 9.3 導入策略（Phase 1~3） 9.4 組織設計（AI Governance Team） 10. 生成式 AI 治理專章（Generative AI Governance） 10.1 生成式 AI 風險特論 10.2 大型語言模型（LLM）使用規範 10.3 AI Agent 與自動化工作流治理 10.4 生成式 AI 倫理框架 11. 附錄（Templates） 11.1 AI 使用申請表 11.2 Prompt Template 範例 11.3 AI Risk Assessment 表 11.4 Code Review Checklist（AI 產出專用） 12. AI 素養與教育訓練體系（AI Literacy & Training） 12.1 AI 素養框架 12.2 分層培訓體系 12.3 培訓成效評估 13. 跨境資料傳輸與多法域合規（Cross-border & Multi-jurisdiction） 13.1 跨境資料傳輸治理 13.2 多法域合規矩陣 13.3 國際合作與互認機制 檢查清單（Checklist） 法規與標準對照表 台灣法規 法規/標準 主管機關 核心要求 最新動態 與本手冊對應章節 《人工智慧基本法》 行政院/國科會 AI 發展與治理基本原則、風險分級管理、產業推動、人才培育、倫理規範；確立七大基本原則為我國 AI 施政主軸 2024 年 7 月行政院通過草案、2025 年 1 月立法院三讀通過並經總統公布，為台灣首部 AI 專法。國科會據此研擬各領域子法與施行細則，預計 2026 年陸續公告 1, 4, 7, 10, 12 金管會「金融業運用AI核心原則與相關推動政策」 金管會 建立治理與問責機制、重視公平性及以人為本、保護隱私及客戶權益、確保系統穩健及安全、落實透明性及可解釋性、促進永續發展 2023 年 10 月發布六大核心原則；2024 年底要求金融機構完成 AI 應用盤點與風險評估；2025 年公布「金融業 AI 應用自律規範」作為補充指引，要求金融機構於 2026 年底前完成治理架構建置 1, 4, 7 金管會「金融業 AI 應用自律規範」 金管會 涵蓋 AI 模型驗證、風險分級管理、客戶告知義務、內部稽核要求、委外管理、AI 模型生命週期管理 2025 年發布，為金融業 AI 治理最具體之操作指引，要求金融機構建立 AI 模型清冊與模型風險管理制度 1, 4, 6, 7 《個人資料保護法》 國發會（個資保護委員會籌備中） 資料蒐集/處理/利用需取得當事人同意、安全維護義務、跨境傳輸限制、自動化決策當事人權利保護 2023 年修正通過，強化自動化決策當事人權利保護，增訂資料可攜權。個人資料保護委員會（獨立機關）持續籌備中 4, 7, 13 《資通安全管理法》 數位發展部 資安防護基準、事件通報（一至四級）、稽核評鑑、供應鏈安全管理 2023 年修正，納入 AI 系統為關鍵資通系統之安全要求；2025 年增修「資安事件通報及應變辦法」納入 AI 相關事件態樣 5, 6 行政院「AI 新十大建設推動方案」 國發會/行政院 AI 基礎建設、算力提升、產業應用、人才培育、法制環境、國際合作 114 年至 117 年（2025-2028）推動中，包含建置國家級 AI 算力中心、推動 AI 人才培育計畫、建立 AI 沙盒機制 9 數位發展部「AI 產品與系統評測指引」 數位發展部 AI 系統可信賴性評測、技術驗證、七大評測面向（準確性、公平性、透明性、安全性、隱私保護、可靠性、可課責性） 2024 年發布草案，2025 年正式施行。配合推出「AI 評測實驗室認證計畫」，協助企業取得第三方驗證 6, 12 國科會「負責任 AI 研發指引」 國科會 AI 研發倫理規範、資料治理原則、利害關係人參與、風險評估方法論 2025 年發布，供學研界與產業界遵循，強調以人為本的 AI 研發實踐 10, 12 國際法規與標準 法規/標準 管轄範圍 核心要求 最新動態 與本手冊對應章節 EU AI Act（Regulation 2024/1689） 歐盟/具域外效力 AI 風險四級分類（不可接受/高/有限/最低）+ 通用目的 AI（GPAI）專章；明定八大禁止實踐 2024 年 8 月 1 日正式生效；2025 年 2 月起八大禁止實踐生效（含操控行為、社會評分、特定生物辨識等），歐盟委員會同步發布《禁止 AI 實踐指南》與《AI 系統定義指南》；2025 年 8 月起 GPAI 規定適用（Code of Practice 第三版草案已於 2025 年 3 月公布）；2026 年 8 月起高風險 AI 與透明度規定全面適用（部分延至 2027 年 8 月）；2026 年 3 月發布 AI 生成內容標記與標籤 Code of Practice 第二版草案 1, 7, 10, 13 ISO/IEC 42001:2023 國際 AI 管理系統（AIMS）建立、實施、維護與持續改善之要求；為全球首個 AI 管理系統國際標準 2023 年 12 月正式發布，可作為第三方認證依據。截至 2025 年底全球已有超過 500 家組織取得認證，台灣已有認證機構提供服務 1, 6 ISO/IEC 23894:2023 國際 AI 風險管理指引，與 ISO 31000 整合，提供 AI 特定風險識別與處理方法 2023 年 2 月發布，已成為各國 AI 風險管理實務之重要參考 7 ISO/IEC 38507:2022 國際 AI 使用之治理影響，為組織治理層提供 AI 治理指引 2022 年發布，與 ISO/IEC 42001 形成互補的治理標準體系 1, 9 ISO/IEC 25059:2023 國際 AI 系統品質模型，擴展 SQuaRE 系列至 AI 系統品質評估 2023 年發布，為 AI 系統品質量測提供標準化框架 6 NIST AI RMF 1.0 美國/國際參考 AI 風險管理四大功能：治理（Govern）、對應（Map）、量測（Measure）、管理（Manage） 2023 年 1 月發布；NIST 生成式 AI 風險概覽（AI 600-1）於 2024 年 7 月發布，涵蓋 12 類生成式 AI 獨有風險；NIST 持續發展 AI 評估方法論（AI 100 系列） 7 OECD AI Principles 國際（38 國+夥伴國） 包容性成長、永續發展、以人為本、透明與可解釋、穩健安全、問責 2024 年 5 月更新修訂版，新增生成式 AI 與基礎模型相關建議；2025 年持續推動 AI 治理指標框架與跨國比較研究 1, 9, 10 UNESCO AI 倫理建議書 國際（193 國） AI 倫理四大價值：尊重人權、多元包容、和平公正、環境永續；十大原則 2021 年 11 月通過，2024 年進行首次全球執行狀況評估（Readiness Assessment），顯示約 60% 會員國已啟動相關立法 10 美國白宮 AI 行政命令 美國 安全、可信賴 AI 發展與使用 EO 14110 於 2023 年 10 月發布，2025 年 1 月 20 日被新任總統撤銷；惟 NIST 技術標準工作持續進行，各州級 AI 立法（如科羅拉多州 SB24-205）持續推動 7 G7 廣島 AI 程序與行為準則 G7 國家 先進 AI 系統開發者的國際行為準則，含 11 項自願承諾 2023 年 10 月發布；2024 年 G7 峰會持續推動並擴大至非 G7 夥伴國參與；2025 年加拿大 G7 輪值主席持續深化 AI 治理議題 1, 9 新加坡 AI Verify 亞太 AI 系統可信賴性測試框架，涵蓋透明度、公平性等九大面向 持續更新，已成為亞太地區重要的 AI 治理參考框架 6 中國《生成式人工智能服務管理暫行辦法》 中國大陸 生成式 AI 服務提供者之義務、內容安全、資料標註要求 2023 年 8 月施行；後續陸續發布《人工智能安全治理框架》等配套規範 10, 13 1. AI 治理總體架構（Governance Framework） 1.1 AI 治理目標 本公司 AI 治理制度之目標： ...

Open Design 教學手冊 版本：v0.2.0（對應 Open Design 0.2.0） 最後更新：2026-05-03 適用對象：資深工程師、前後端開發人員、UI/UX 設計師、AI 架構師 授權：Apache-2.0 文件等級：企業標準技術白皮書 目錄 1. 概述與背景 1.1 Open Design 是什麼 1.2 為何需要 Open Design 1.3 三方產品比較（Claude Design / open-codesign / Open Design） 1.4 BYOK 設計理念 1.5 適用場景 1.6 開源基石與技術譜系 2. 系統整體架構設計 2.1 高階架構圖 2.2 技術組成 2.3 AI Agent 整合架構 2.4 設計生成流程 2.5 Prompt Stack 組合機制 2.6 專案目錄結構 2.7 與企業架構整合 3. 安裝與環境建置 3.1 系統需求 3.2 安裝步驟 3.3 首次啟動與驗證 3.4 BYOK 設定 3.5 Desktop 版本安裝（選用） 3.6 Vercel 部署 3.7 多語系與國際化 4. 核心機制解析 4.1 Skill 驅動架構 4.2 HTML PPT Studio 技能體系 4.3 Design System 設計系統 4.4 Visual Directions 視覺方向 4.5 Anti-AI-Slop 防劣質機制 4.6 媒體生成能力（圖片 / 影片 / 音訊） 4.7 Craft 設計參考系統 4.8 使用者儲存模板 5. AI 開發流程（企業級） 5.1 Web Application 開發 5.2 舊系統逆向工程 5.3 Framework 升級 5.4 企業文件與報表生成 6. Prompt Engineering 6.1 Prompt 結構設計原則 6.2 高品質 Prompt 範本 6.3 Prompt 最佳化策略 7. 設計品質控管機制 7.1 五維度自我審核機制 7.2 P0 / P1 / P2 Checklist 7.3 Artifact Lint API 7.4 Slop 黑名單 8. 輸出與整合 8.1 匯出格式 8.2 CI/CD 整合 8.3 Git / PR 開發流程整合 8.4 Claude Design ZIP 匯入 9. 系統維護與營運 9.1 日誌與監控 9.2 錯誤處理 9.3 Skill 管理 9.4 Design System 更新策略 9.5 資料備份與復原 10. 系統升級策略 10.1 Open Design 升級流程 10.2 相容性管理 10.3 版本控管策略 10.4 回滾機制 11. 團隊導入建議 11.1 開發團隊使用方式 11.2 設計師協作模式 11.3 AI Agent 分工策略 11.4 SSDLC 整合方式 12. 最佳實踐（Best Practices） 13. 常見問題與風險 14. 與企業架構深度整合 14.1 微服務架構整合 14.2 Clean Architecture 對應 14.3 前端框架整合（Vue / React） 14.4 後端框架整合（Spring Boot / FastAPI） 15. 檢查清單（Checklist） 附錄 A：參考來源與技術譜系 附錄 B：Roadmap 發展藍圖 1. 概述與背景 1.1 Open Design 是什麼 Open Design（OD）是由 nexu-io 團隊主導開發的開源設計生成平台，定位為 Anthropic Claude Design 的全功能開源替代方案。平台圍繞四項核心設計原則構建： ...

Warp + AI 開發完整教學手冊 版本：v1.1（2026-05-03） 適用對象：資深工程師 / 架構師 / DevSecOps 團隊 Warp 版本：v0.2026.04.29 Stable（開源 AGPL v3 + MIT 雙授權） 定位：企業標準技術白皮書 開源倉庫：warpdotdev/warp（53,200+ Stars） 官方文件：docs.warp.dev 貢獻總覽：build.warp.dev 目錄 1. Warp 架構總覽 1.1 Warp 在開發體系中的角色 1.2 Warp + Oz 平台架構圖 1.3 與傳統 Terminal 比較 2. 安裝與環境建置 2.1 各平台安裝方式 2.2 GPU 與 Shell 設定 2.3 開發工具整合 3. Warp 核心功能解析 3.1 Block（區塊系統） 3.2 Command Palette 3.3 AI 功能與多模型支援 3.4 Agent 進階能力 3.5 Code Editor 與 Code Review 3.6 Warp Drive（Workflows / Env 管理） 3.7 團隊共享機制 4. Warp + AI Coding Agent 整合 4.1 Claude Code 整合 4.2 GitHub Copilot CLI 整合 4.3 Gemini CLI 整合 4.4 OpenAI Codex CLI 整合 4.5 其他 CLI Agent 整合 4.6 AI Agent 比較表 5. Oz Cloud Agents（雲端代理） 5.1 Cloud Agents 概述 5.2 觸發機制與整合 5.3 自託管（Self-Hosting） 5.4 Oz Platform（CLI / API / SDK / Web App） 6. Warp 在 AI 開發流程中的應用 6.1 建立專案（Scaffold） 6.2 撰寫程式碼 6.3 測試（Unit / Integration） 6.4 Debug 6.5 Refactor 6.6 文件生成 7. 實戰：Web Application 開發（企業級） 7.1 前端（Vue 3 + TypeScript） 7.2 後端（Spring Boot） 7.3 API 設計 7.4 DB 操作 7.5 Warp + AI 全流程自動生成 8. 逆向工程（Legacy → Modern） 8.1 分析舊系統 8.2 用 Warp + AI 重建架構 8.3 自動產生文件 / API / 測試 9. Framework 升級 9.1 Spring Boot 2 → 3 / 4 升級 9.2 Java 8 → 21+ 升級 9.3 Warp + AI 升級自動化流程 10. Warp Drive（團隊協作） 10.1 建立企業 Workflow Library 10.2 指令模板設計 10.3 敏感資訊（Env）管理策略 11. SSDLC + Warp（安全開發） 11.1 SAST 靜態應用安全測試 11.2 Dependency Scan 相依套件掃描 11.3 Secret Scan 機密掃描 11.4 自動化安全檢查流程 12. 系統維運與監控 12.1 Log 分析 12.2 指令自動化 12.3 Incident 處理 13. 最佳實務（Best Practices） 13.1 Prompt Engineering 13.2 Workflow 設計 13.3 團隊導入策略 14. 常見錯誤與反模式 15. 結論與導入建議 15.1 適合導入的組織 15.2 ROI 分析 15.3 成熟度模型（Level 1 ~ Level 5） 附錄 A：檢查清單（Checklist） 附錄 B：常用指令速查表 附錄 C：AI Prompt 範本庫 附錄 D：Warp 方案與計費 1. Warp 架構總覽 1.1 Warp 在開發體系中的角色 Warp 是新一代代理開發環境（Agentic Development Environment, ADE），由 Warp 公司以 Rust 語言打造，於 2026 年 4 月 28 日正式開源（AGPL v3 / MIT 雙授權），OpenAI 為創始贊助商。截至 2026 年 5 月，GitHub 已取得 53,200+ Stars、3,700+ Forks、56 位核心貢獻者，專案語言組成以 Rust（98.2%）為主體。 ...

claude-howto 教學手冊（完整版） 文件版本：v1.1 最後更新：2026-05-02 基於 Claude Code 版本：v2.1.119 基於 claude-howto 版本：v2.1.112 release（2026-04-24 同步） 適用對象：資深工程師、技術主管、DevOps 工程師、架構師 適用模型：Claude Sonnet 4.6 / Claude Opus 4.7 / Claude Haiku 4.5 授權方式：MIT License 目錄 1. 簡介（Overview） 2. 整體架構（Architecture） 3. 安裝與環境設定（Setup） 4. claude-howto 核心模組解析 4.1 Slash Commands（自訂指令） 4.2 Memory（記憶系統） 4.3 Skills（技能模組） 4.4 Subagents（子代理） 4.5 MCP Server（Model Context Protocol） 4.6 Hooks（事件觸發） 4.7 Plugins（外掛套件） 4.8 Checkpoints（檢查點與回溯） 4.9 Advanced Features（進階功能） 4.10 CLI（命令列介面） 4.11 模組選用決策指南 5. AI 開發流程設計 5.1 Web Application 開發 5.2 逆向工程（Legacy System） 5.3 Framework 升級 6. Prompt Engineering 7. SSDLC 整合（安全開發） 8. 團隊使用建議（企業落地） 9. 維運與最佳實務 10. 學習路徑與自我評估 11. 系統升級與擴展 12. 故障排除（Troubleshooting） 附錄 A：檢查清單（Checklist） 附錄 B：功能對照快速參考表 附錄 C：參考資源 1. 簡介（Overview） 1.1 claude-howto 是什麼 claude-howto（GitHub: luongnv89/claude-howto）是一套結構化、視覺化、範例驅動的 Claude Code 實戰教學指南。截至 2026 年 4 月，該專案已獲得 30.7k GitHub Stars、3.8k Forks，由 19 位貢獻者維護，是目前最完整的 Claude Code 社群學習資源。 ...

Claude Code Best Practice 教學手冊 版本：基於 GitHub 專案 shanraisshan/claude-code-best-practice（v2.1.126，2026 年 5 月 1 日） 適用對象：資深工程師、架構師、技術主管 定位：企業級 AI 輔助開發實戰手冊 語言：繁體中文 文件版本：v1.1 文件更新日期：2026 年 5 月 2 日 目錄 第 1 章 專案介紹與核心理念 1.1 claude-code-best-practice 是什麼 1.2 Vibe Coding → Agentic Engineering 轉型 1.3 Hot Features 與 Beta 功能清單 1.4 為什麼適合企業級開發 第 2 章 整體架構設計 2.1 Claude Code 在系統中的角色 2.2 與 GitHub Copilot 的協作架構 2.3 Agentic Workflow 架構 2.4 多 Agent（Subagents）設計模式 2.5 與 CI/CD / DevOps 整合方式 第 3 章 安裝與環境建置 3.1 Claude Code CLI 安裝 3.2 Terminal 優化 3.3 專案初始化方式 3.4 開發環境最佳實踐 3.5 Devcontainers 與遠端開發 第 4 章 專案結構設計 4.1 CLAUDE.md 設計原則 4.2 .claude/rules/*.md 延遲載入機制 4.3 YAML Frontmatter 規則設計 4.4 多層規則架構 4.5 settings.json 設計與階層體系 4.6 Plugins 與 Marketplaces 第 5 章 Claude Code 核心工作流 5.1 Plan Mode（規劃模式） 5.2 任務拆解策略（50% Context Rule） 5.3 /compact 使用時機 5.4 長任務控制技巧 5.5 Auto Mode 與 Permission 模式 第 6 章 Agentic Engineering 實戰 6.1 Subagents 設計 6.2 多 Agent 協作模式 6.3 任務分派與回收機制 6.4 如何避免「全能型 Agent 失控」 6.5 Agent SDK 與程式化整合 第 7 章 Hooks 自動化機制 7.1 Hooks 概述與事件類型 7.2 SessionStart — 自動載入上下文 7.3 PreToolUse — 安全檢查 7.4 PostToolUse — 自動格式化與品質檢查 7.5 Stop Hook — 品質門檻 7.6 Permission Request Hook — 智能審批 7.7 HTTP Hooks 與進階機制 7.8 企業級 Hooks 最佳實踐總結 第 8 章 AI 輔助開發實戰場景 8.1 Web Application 開發 8.2 舊系統逆向工程 8.3 Framework 升級 第 9 章 CLI 與數據分析整合 9.1 BigQuery CLI 使用方式 9.2 無 SQL 分析流程 9.3 自動生成報表 第 10 章 與 GitHub Copilot 協作模式 10.1 Claude Code vs Copilot 分工 10.2 Code Generation vs Architecture Planning 10.3 雙 AI Workflow 設計 10.4 Cross-Model 與多引擎工作流 第 11 章 SSDLC 安全開發整合 11.1 Threat Modeling（威脅建模） 11.2 Secure Coding 規範 11.3 自動弱點掃描（SAST / DAST） 11.4 Sandbox 沙箱模式 11.5 Compliance（OWASP / ISO） 第 12 章 系統維護與最佳化 12.1 長期使用策略 12.2 Token 使用優化 12.3 成本控制（模型選擇） 第 13 章 系統升級策略 13.1 Claude Code 規則升級 13.2 Prompt 演進管理 13.3 Agent 持續優化 13.4 Plugins、Channels 與 Routines 第 14 章 團隊導入建議 14.1 團隊導入流程（Phase 1~3） 14.2 開發規範 14.3 Code Review + AI Review 模式 14.4 常見錯誤與反模式 第 15 章 最佳實踐總結與 Checklist 15.1 專案初始化 Checklist 15.2 每日開發 Checklist 15.3 安全 Checklist 15.4 團隊導入 Checklist 15.5 升級前 Checklist 附錄 A 核心指令速查表（75 個官方指令） 附錄 B 主流開發工作流比較 附錄 C Skill Collections 資源 附錄 D 參考資源 第 1 章 專案介紹與核心理念 1.1 claude-code-best-practice 是什麼 claude-code-best-practice 是由 Shayan Rais（shanraisshan）維護的開源專案，目前已累積超過 50,000 顆 GitHub Stars，是 Claude Code 社群中最受歡迎的實戰指南。該專案彙整了： ...

oh-my-claudecode 教學手冊（完整版） 版本：v4.13.5（2026-04-28） 文件更新日期：2026-05-02 適用對象：資深工程師、架構師、技術主管 定位：企業級 Multi-Agent 編排實戰手冊 授權：MIT License 官方網站：https://oh-my-claudecode.dev 目錄 1. 概述 1.1 什麼是 oh-my-claudecode 1.2 與傳統 Claude Code 的差異 1.3 與 GitHub Copilot 的整合方式 1.4 適用場景 2. 整體架構設計（Architecture） 2.1 Multi-Agent 架構圖 2.2 Agent 分工（29 個 Agent） 2.3 任務分解機制（Task Decomposition） 2.4 Agent 角色邊界 2.5 驗證協定（Verification Protocol） 2.6 Agent 通訊機制 2.7 狀態管理架構：Control Plane vs Data Plane 2.8 與外部系統整合 3. 安裝與環境建置（Step-by-step） 3.1 前置需求 3.2 安裝 oh-my-claudecode 3.3 初始設定（Setup） 3.4 tmux / psmux 安裝（各平台） 3.5 可選：多 AI 模型支援 3.6 啟用 Claude Code Native Teams 3.7 驗證安裝 4. 核心設定（Configuration） 4.1 設定檔結構與優先順序 4.2 環境變數 4.3 Agent 設定（自訂 / 修改） 4.4 模型路由策略（Cost Optimization） 4.5 Company Context via MCP 4.6 Remote OMC / Remote MCP Access 4.7 Plugin 目錄旗標（Decision Matrix） 4.8 Skills 設定 4.9 任務模板設定 4.10 何時需要重新執行 Setup 5. 使用方式（實戰） 5.1 基本使用 5.2 Web Application 開發（重點） 5.3 逆向工程（Legacy System） 5.4 Framework 升級 6. Multi-Agent 協作設計（進階） 6.1 Agent Roles 設計模式 6.2 Planner → Executor → Reviewer Flow 6.3 tmux CLI Workers（多模型協作） 6.4 Code Review Agent 6.5 Security Agent（SSDLC） 7. Skills Learning 系統 7.1 Skills 總覽（35 個 Skills 完整清單） 7.2 Skills 如何產生 7.3 Skills 儲存與重用 7.4 建立企業內知識庫 8. 效能與成本優化 8.1 Token 使用最佳化 8.2 模型選擇策略 8.3 平行處理設計 8.4 HUD 監控與分析 9. SSDLC 整合（企業級重點） 9.1 安全設定（Security Mode） 9.2 Secure Coding 9.3 SAST / DAST 整合 9.4 威脅建模（Threat Modeling） 9.5 Compliance（金融業） 9.6 已知安全限制 10. 系統維運（Maintenance） 10.1 Log 與監控 10.2 Agent Debug 10.3 錯誤排除 10.4 狀態管理 10.5 Project Memory 系統 10.6 Notepad 系統（壓縮抗性備忘錄） 10.7 Plan Notepad（每計畫知識擷取） 10.8 Session Scope（Session 隔離） 10.9 Code Simplifier Hook 10.10 OpenClaw 整合（外部事件閘道器） 11. 系統升級（Upgrade） 11.1 oh-my-claudecode 升級策略 11.2 升級後驗證 11.3 Agent 相容性 11.4 Config Migration 11.5 解除安裝 11.6 版本遷移指南摘要 12. 最佳實務（Best Practices） 12.1 Agent 設計原則 12.2 Prompt Engineering 12.3 開發流程標準化 13. 範例（完整案例） 13.1 案例一：Web 系統開發（全流程） 13.2 案例二：Legacy 系統重構 13.3 案例三：Framework 升級 14. 團隊導入建議 14.1 如何導入公司 14.2 Developer Workflow 設計 14.3 Governance（權限 / 審核） 15. 附錄 15.1 CLI 指令清單 15.2 常見錯誤 15.3 Prompt 範本 15.4 可用工具清單 16. 檢查清單（Checklist） 1. 概述 1.1 什麼是 oh-my-claudecode oh-my-claudecode（簡稱 OMC）是一個開源的 Multi-Agent 編排框架，專為 Claude Code CLI 打造。它讓 Claude Code 從「單一 Agent 對話工具」升級為「Teams-first 多智能體協作平台」。 ...

free-claude-code 教學手冊 版本：2026-05 ｜ 對應專案：Alishahryar1/free-claude-code 適用對象：資深工程師 / 架構師 / DevOps / AI 開發團隊 授權：MIT License 定位：企業級 AI 輔助開發實戰手冊 語言：繁體中文 文件更新日期：2026 年 5 月 2 日 目錄 概述（Overview） 系統整體架構（Architecture） 安裝與環境建置（Installation） 核心設定（Configuration） 模型整合（Multi-LLM Integration） 開發實戰（AI Development Use Cases） SSDLC（安全開發流程） 團隊導入策略（Team Adoption） 維運與監控（Operations） Smoke Testing 與啟動驗證（Startup Validation） 升級與擴展（Upgrade & Scaling） 常見問題（FAQ） 最佳實務（Best Practices） CI/CD 整合 開發與貢獻指南（Development & Contributing） 範例 Prompt 集 檢查清單（Checklist） 1. 概述（Overview） 1.1 free-claude-code 是什麼 free-claude-code 是一個開源 Anthropic Messages API 相容代理伺服器（Proxy），以 Python FastAPI 建構，目前在 GitHub 上擁有超過 19,000 顆星。它攔截 Claude Code CLI、VS Code Extension 或 JetBrains ACP 發出的 API 請求，將其轉發至其他 LLM 後端（NVIDIA NIM、OpenRouter、DeepSeek、LM Studio、llama.cpp、Ollama），讓開發者能以免費或低成本方式使用 Claude Code 的完整開發體驗。 ...

learn-claude-code 教學手冊 版本：v1.1（2026-05） 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（57.8k+ 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 3.1 Agent Loop（s01） 3.2 Tool Use 與 Dispatch Map（s02） 3.3 Planning / Reflection — TodoWrite（s03） 3.4 Subagent 機制（s04） 3.5 Skills 按需載入（s05） 3.6 Context Compact — 壓縮策略（s06） 3.7 Task 持久化與相依管理（s07） 3.8 Background Tasks（s08） 3.9 Agent Teams 與 Mailbox（s09-s10） 3.10 Autonomous Agent（s11） 3.11 Worktree + Task Isolation（s12） 3.12 Error Recovery 與 Context 管理 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） 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 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） 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 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 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 57.8k+ Stars，26+ 貢獻者），核心理念為「Harness Engineering for Real Agents」。專案副標題精確概括了其定位： ...