教學

Claude Code 建立 SSDLC Agent Team 教學手冊 版本：1.2.0 ｜ 最後更新：2026-07-15 ｜ 作者：企業級 AI Agent 架構顧問團隊 適用對象：資深工程師、架構師、技術主管、DevSecOps、人員培訓 定位：企業級白皮書等級教學手冊，可直接作為團隊導入與治理規範 目錄 Ch 0：文件資訊與閱讀指南 0.1 文件基本資訊 0.2 使用前提與先決條件 0.3 閱讀地圖 0.4 功能狀態標示規則 0.5 核心名詞定義 0.6 版本變更紀錄 0.7 注意事項 Ch 1：總覽：什麼是 Claude Code SSDLC Agent Team 1.1 為什麼企業需要 SSDLC Agent Team 1.2 與其他方法的差異比較 1.3 Claude Code 在 SSDLC 各階段的角色 1.4 新系統開發 vs. 舊系統逆向工程 1.5 整體架構圖 1.6 企業導入價值 1.7 典型使用情境 1.8 實務建議 Ch 2：功能盤點與術語對照 2.1 14 項功能概述 2.2 功能矩陣表 2.3 平台差異比較表 2.4 概念差異比較表 2.5 功能穩定性狀態對照表 2.6 容易混淆術語表 2.7 Subagent 限制速查表 2.8 Config Hierarchy 與 CLAUDE.md 載入順序速查 2.9 實務建議 Ch 3：Claude Code SSDLC Agent Team 企業架構設計 3.1 Agent Team 整體架構圖 3.2 Agent 間協作流程圖 3.3 十個 Agent 角色詳細定義 3.4 Subagents vs Agent Teams 比較圖 3.5 Subagent vs Agent Team 決策矩陣 3.6 Agent 與 SSDLC 階段對應表 3.7 Agent RACI 矩陣 3.8 必須人工審核的清單 3.9 權限過大的風險與防範 3.10 實務建議 Ch 4：平台安裝與環境建置 4.1 安裝前提 4.2 Windows 安裝 4.3 macOS 安裝 4.4 Linux 安裝 4.5 VS Code Extension 安裝 4.6 CLI 認證方式 4.7 Permission Mode 比較表 4.8 公司允許模型設定 4.9 最佳起始設定 4.10 常見安裝錯誤與排除 4.11 實務建議 Ch 5：專案初始化與標準目錄設計 5.1 標準目錄樹 5.2 每個檔案與目錄用途說明 5.3 核心設定檔範例 5.4 命名規範 5.5 版本控管策略 5.6 .gitignore 建議 5.7 Plugins 與 Marketplace 策略 5.8 快速初始化腳本 5.9 實務建議 Ch 6：建立 Agent 與 Subagent 6.1 概念總覽：Subagent、Custom Subagent 與 Agent Team Teammate 6.2 Subagent 與主對話的差異 6.3 Subagent vs. Agent Team 比較 6.4 自動呼叫 vs. 明確呼叫 6.5 前景 vs. 背景執行與 Fork Mode 6.6 權限、Tools、Model 與 Isolation 6.7 巢狀呼叫限制 6.8 完整範例 6.9 Worktree Isolation 範例 6.10 Anti-Patterns（5 個常見錯誤） 6.11 Agent Team Subagent Definition 正確說明 6.12 內建 Subagents 與 Agent Team Hooks 6.13 實務建議 Ch 7：建立 Prompt Library 與 Team Prompt SOP 7.1 Prompt 在 Claude Code 生態系中的定位 7.2 企業級 Prompt Catalog 架構 7.3 版本管理策略 7.4 Prompt 範本集（10 個） 7.5 實務建議 Ch 8：建立 Skills 8.1 Skills 定義與核心概念 8.2 Skills 與相關功能的差異 8.3 自動觸發 vs. 手動觸發 8.4 Supporting Files 8.5 context:fork 與 Compaction 注意事項 8.5.1 Skills 進階 Frontmatter 欄位 8.5.2 Agent Skills 開放標準 8.5.3 Dynamic Context Injection（動態 Context 注入） 8.5.4 完整字串替換變數參考 8.5.5 Skill 內容生命週期與 Compaction 後的重新附加 8.5.6 內建 Skills（v2.1.145+） 8.5.7 Skill 評測框架（skill-creator Plugin） 8.5.8 Skill 疑難排解 8.6 完整 Skill 範例（7 個） 8.7 內建 Skills 參考 8.8 實務建議 Ch 9：建立 Hooks 與 Guardrails 9.1 Hooks 概述：確定性控制層 9.2 Hook 類型 9.3 Hook 事件 9.4 Matcher 語法 9.5 Hook 設定結構 9.6 Hooks 與 Permission Mode 的關係 9.7 Hook 除錯方式 9.8 範例 1：保護敏感檔案不可修改 9.9 範例 2：只允許唯讀 SQL 查詢 9.10 範例 3：變更後自動格式化 9.11 範例 4：Teammate 完成任務前的品質 Gate 9.12 範例 5：偵測設定檔變更並寫入 Audit Log 9.13 範例 6：自動補充 Compact 後的關鍵上下文 9.14 範例 7：HTTP Hook 串接企業稽核服務 9.15 實務建議 Ch 10：建立 Plugins 與 Marketplace Strategy 10.1 何時用 Plugin vs. Standalone Config 10.2 Plugin 結構 10.3 plugin.json Manifest 格式 10.4 Plugin Subagent 限制 10.5 安裝範圍 10.6 Marketplace 差異 10.7 安全與信任模型 10.8 範例 1：plugin.json 完整範例 10.9 範例 2：Skills 型 Plugin 10.10 範例 3：Agents 型 Plugin 10.11 範例 4：Hooks 型 Plugin 10.12 範例 5：Team Marketplace 設定 10.13 範例 6：Plugin 升級與版本控管策略 10.14 官方 Marketplace 內容總覽 10.15 Plugin 發現與管理指令 10.16 Plugin 驗證、快取與相依性 10.17 Skills 目錄型 Plugin 10.18 實務建議 Ch 11：Memory、CLAUDE.md 與知識治理 11.1 CLAUDE.md 的角色 11.2 CLAUDE.md 載入順序 11.3 Auto Memory 11.4 Memory vs. CLAUDE.md vs. Skills 11.5 Config Hierarchy 與記憶的關係 11.6 與其他文件的分工 11.7 記憶檔案避免膨脹與污染的方法 11.8 CLAUDE.md 範本 1：通用專案 11.9 CLAUDE.md 範本 2：Security 導向 11.10 CLAUDE.md 範本 3：Reverse Engineering 導向 11.11 記憶治理原則 11.12 清理與維護策略 11.13 實務建議 Ch 11-A：Output Styles（輸出風格） 11-A.1 概述 11-A.2 內建風格 11-A.3 自訂 Output Style 11-A.4 Plugin 提供的 Output Styles 11-A.5 keep-coding-instructions 欄位 11-A.6 切換 Output Style 11-A.7 SSDLC 建議 Ch 11-B：Scheduled Tasks（排程任務） 11-B.1 概述 11-B.2 建立排程任務 11-B.3 任務類型 11-B.4 /loop Skill 11-B.5 管理排程任務 11-B.6 搭配 Hooks 11-B.7 SSDLC 應用場景 11-B.8 治理建議 Ch 12：MCP 與 Tools 整合架構 12.1 什麼是 MCP（Model Context Protocol） 12.2 MCP Scope 與設定檔層級 12.3 Transport 機制：HTTP / stdio / SSE 12.4 OAuth、Headers 與安全整合 12.5 進階 MCP 功能 12.6 Claude Code 作為 MCP Server 12.7 MCP 與 Plugins 的整合 12.8 MCP 與企業治理 12.9 MCP 安全風險 12.10 完整範例 12.11 MCP 安裝與驗證 12.12 list_changed Notification 12.13 實務建議 Ch 13：Programmatic CLI、GitHub Actions 與 GitLab CI/CD 13.1 CLI 互動模式 vs Programmatic CLI 13.2 Programmatic CLI 用法 13.3 Provider 差異說明 13.4 GitHub Actions 整合 🟢 GA 13.5 GitLab CI/CD 整合 🟡 Beta 13.6 API Key / OIDC / Secret 治理 13.7 何時用互動式 vs CI 自動化 13.8 CI/CD 與 Agent 自動化流程圖 13.9 實務建議 Ch 14：將 Agent、Prompt、Skills、Hooks、Memory、MCP 融入 SSDLC 14.1 為什麼需要融入 SSDLC 14.2 Agent 協作圖 14.3 SSDLC 14 階段總覽 14.4 各階段詳細設計 14.5 SSDLC SOP 總覽表 14.6 安全 Gate 建議 14.7 KPI 建議 14.8 實務建議 Ch 15：舊系統逆向工程與現代化改造專章 15.1 方法論總覽 15.2 十一項任務說明 15.3 Reverse Engineering Agent 設計 15.4 專用 Prompt 範例 15.5 專用 Skills 範例 15.6 專用 Hooks / Guardrails 範例 15.7 輸出範本：架構還原文件格式 15.8 風險與注意事項 Ch 16：提供給其他團隊使用的共享 SOP 16.1 Team Onboarding 流程 16.2 Starter Repository 設計 16.3 共享 Plugins / Skills / Agents / Hooks 治理方式 16.4 文件模板 16.5 教育訓練計畫（4 階段） 16.6 支援模式（L1/L2/L3） 16.7 FAQ（團隊導入常見問題） 16.8 變更公告機制 16.9 例外申請流程 16.10 成熟度模型（5 個等級） 16.11 啟用 Checklist 16.12 角色分工表 16.13 常見阻力與解法 16.14 實務建議 Ch 17：安全、治理、稽核與成本控管 17.1 最小權限原則 17.2 Hooks Guardrails 17.3 Secrets 管理 17.4 敏感檔案保護 17.5 Prompt Injection 風險 17.6 MCP 風險 17.7 Plugin Marketplace 風險 17.8 Agent Teams 權限與成本風險 17.9 CI 自動化風險 17.10 Logs / Audit Trail / Compliance 17.11 風險矩陣表 17.12 模型使用策略 17.13 成本監控指標表 17.14 控制點設計表 17.15 不建議做法清單 17.16 實務建議 Ch 18：系統維護、升級與相容性管理 18.1 維護總覽 18.2 各項升級 SOP 18.3 相容矩陣範例 18.4 回滾計畫 18.5 版本管理建議 18.6 Experimental → GA 調整 18.7 文件更新流程 18.8 例行巡檢 18.9 升級排程建議 18.10 實務建議 Ch 19：完整實戰案例 19.1 案例一：新建 Spring Boot Web 專案 19.2 案例二：舊系統逆向工程與現代化 19.3 兩個案例的共通學習 19.4 實務建議 19.5 候選案例大綱：批次／排程工作現代化 Ch 20：FAQ 與 Troubleshooting 20.1 Agent Teams 為何無法啟動？ 20.2 Subagent 為何沒有被自動委派？ 20.3 Skills 為何沒有觸發？ 20.4 Hooks 為何沒有生效？ 20.5 MCP 為何沒有連上？ 20.6 Plugins 為何沒有載入？ 20.7 VS Code 與 CLI 為何行為不同？ 20.8 GitHub Actions 與 GitLab CI/CD 該怎麼選？ 20.9 Reverse Engineering 時如何降低幻覺？ 20.10 何時該用 subagent，何時該用 agent team？ 20.11 何時該用 hook，何時該用 skill？ 20.12 如何避免記憶污染與 context 膨脹？ 20.13 如何降低 token 成本？ 20.14 導入後如何量測 ROI／成效？ 20.15 實務建議 Ch 21：最佳實務、Anti-Patterns 與 Checklist 21.1 企業最佳實務（10 項） 21.2 團隊最佳實務（8 項） 21.3 開發者最佳實務（8 項） 21.4 Reverse Engineering 最佳實務（6 項） 21.5 常見錯誤 / Anti-Patterns（10 個） 21.6 Checklist 1：新團隊導入 Checklist 21.7 Checklist 2：專案初始化 Checklist 21.8 Checklist 3：SSDLC 各階段 Checklist 21.9 Checklist 4：上線前 Checklist 21.10 Checklist 5：升級前 Checklist 21.11 實務建議 Ch 22：附錄 — 可直接複製使用的完整範本 22.1 範本 1：CLAUDE.md 範本 22.2 範本 2：.claude/settings.json 範本 22.3 範本 3：.mcp.json 範本 22.4 範本 4：Subagent 範本 22.5 範本 5：SKILL.md 範本 22.6 範本 6：Hook 設定範本 22.7 範本 7：plugin.json 範本 22.8 範本 8：GitHub Actions Workflow 範本 22.9 範本 9：GitLab CI/CD Job 範本 22.10 範本 10：Reverse Engineering Prompt 範本 22.11 範本 11：Onboarding Checklist 範本 22.12 範本 12：Governance Policy 範本 22.13 實務建議 Ch 0：文件資訊與閱讀指南 0.1 文件基本資訊 欄位 內容 文件名稱 Claude Code 建立 SSDLC Agent Team 教學手冊 文件版本 1.1.1 最後更新日期 2026-06-26 作者 / 角色定位 企業級 AI Agent 架構顧問團隊 適用對象 資深工程師、架構師、技術主管、DevSecOps、人員培訓 前提條件 需有 Claude Code 存取權限、VS Code（v1.98.0+）、Git 授權範圍 限公司內部使用，不可外流 分類 技術白皮書 / 教學手冊 0.2 使用前提與先決條件 在閱讀本手冊前，請確認您已具備以下條件： ...

Skill_Seekers 教學手冊（企業實戰版） 版本：v3.8.0（2026-07） 適用對象：資深工程師、AI 架構師、DevOps 工程師 授權：MIT License 官方網站：https://skillseekersweb.com/ GitHub：https://github.com/yusufkaraaslan/Skill_Seekers 目錄 1. 概述（Overview） 1.1 Skill_Seekers 是什麼 1.2 為什麼它是 AI Data Layer 1.3 在 AI 開發中的定位 1.4 核心數據一覽 2. 整體系統架構設計（Architecture） 2.1 系統架構圖 2.2 模組架構說明 2.3 Data Flow：從資料到 AI 使用 2.4 與企業系統整合架構 3. 安裝與環境建置（Installation） 3.1 系統需求 3.2 安裝方式 3.3 Docker 部署 3.4 初始化與驗證 3.5 MCP Server 設定 3.6 常見錯誤與排除 4. Skill_Seekers 設定（Configuration） 4.1 Config 檔案結構 4.2 預設 Config（24+ Presets） 4.3 Workflow 增強設定 4.4 多資料來源設定 4.5 AST 分析設定 4.6 私有 Config 儲存庫 5. Skill 建立流程（核心） 5.1 統一建立指令（create） 5.2 從 GitHub Repo 建立 Skill 5.3 從 API 文件（OpenAPI）建立 Skill 5.4 從技術文件網站建立 Skill 5.5 從 PDF / Word / EPUB 建立 Skill 5.6 從影片建立 Skill 5.7 Unified Multi-Source Skill 5.8 Skill 結構設計（Schema） 5.9 Metadata / Tagging 策略 5.10 專案知識盤點（scan） 6. 與 AI 開發工具整合（重點） 6.1 Claude Code 整合 6.2 GitHub Copilot 整合 6.3 Cursor / Windsurf / Cline 與更多 Agent 整合 6.4 MCP 整合（40 Tools） 6.5 Agent-Agnostic 架構 7. Web Application 開發實戰（Hands-on） 7.1 實戰案例：Spring Boot + Vue 專案 7.2 API 開發加速 7.3 文件生成自動化 7.4 測試生成 7.5 AI 協作流程（Dev Flow） 8. SSDLC（安全開發流程） 8.1 安全開發整合架構 8.2 Secure Coding with Skills 8.3 SAST / DAST 整合 8.4 Dependency Scan 8.5 Prompt Injection 防護 9. 系統維運（Maintenance） 9.1 Skill 更新策略 9.2 資料同步機制 9.3 效能優化 9.4 Log / Monitoring 9.5 成本控制 10. 系統升級（Upgrade） 10.1 版本升級策略 10.2 Config Migration 10.3 向下相容設計 11. 最佳實務（Best Practices） 11.1 團隊導入建議 11.2 Skill 設計原則 11.3 Prompt Engineering 建議 11.4 常見錯誤與 Anti-Patterns 12. 附錄（Appendix） 12.1 CLI 指令大全 12.2 Config 範例 12.3 Troubleshooting 12.4 環境變數一覽 12.5 檢查清單（Checklist） 1. 概述（Overview） 1.1 Skill_Seekers 是什麼 Skill Seekers 是一個開源的 AI Data Layer 工具，由 Yusuf Karaaslan 開發，採用 MIT License。它能將 18 種以上的非結構化資料來源（文件網站、GitHub Repo、PDF、影片、Jupyter Notebook、Confluence Wiki、Notion、OpenAPI Spec 等）轉換為結構化的 AI 知識資產，供 Claude Code、Gemini、OpenAI、LangChain、Cursor 等 12+ AI 平台直接使用。 ...

GSD Pi 教學手冊（Enterprise Edition） 版本：v1.3.0（open-gsd/gsd-pi 基線） ｜ 最後更新：2026-07-01 適用對象：資深後端 / 前端 / 架構師 / DevOps 工程師 授權：MIT License 官方網站：www.opengsd.net ｜ Web 配置器：pi.opengsd.net ⚠️ 重要公告：GSD-2 專案已於 2026 年 5 月遷移至新的組織與倉庫。原 gsd-build/gsd-2（v3.0.0 最終版，7.7k Stars，已封存）不再是活躍開發地點，所有後續開發、Issues、Releases 皆在 open-gsd/gsd-pi 進行。npm 套件名稱也從 gsd-pi 更名為 @opengsd/gsd-pi。本文件已依據最新版本 v1.3.0（2026-06-21）全面更新。 目錄 1. 總覽（Overview） 1.1 GSD Pi 是什麼 1.2 與傳統開發模式差異 1.3 適用場景 1.4 版本演進與生態系 1.5 從 GSD-2 遷移至 GSD Pi 2. 核心概念（Core Concepts） 2.1 Meta Prompting 2.2 Context Engineering 2.3 Spec-Driven Development 2.4 Agent Workflow 2.5 Knowledge Graph（KNOWLEDGE.md） 2.6 Reactive Task Execution 2.7 Context Pressure Monitor 2.8 Planning Depth — 深度探索模式 2.9 Per-Phase Thinking Level — 分階段思考深度 3. 系統架構設計（Architecture） 3.1 GSD Pi 內部架構 3.2 GSD Pi + 微服務架構整合 3.3 與 Spring Boot 架構整合方式 3.4 與前端（Vue）協作方式 3.5 與 CI/CD 整合方式 3.6 與 SSDLC 整合方式 3.7 MCP Server 架構 3.8 Cloud MCP Gateway 架構 4. 安裝與環境建置（Installation） 4.1 系統需求 4.2 安裝步驟 4.3 從舊版遷移安裝 4.4 首次啟動與設定 4.5 MCP Server 啟動 4.6 VS Code 擴充設定 4.7 與 Claude Code / Copilot 整合 4.8 Docker Sandbox 部署 4.9 Web 介面啟動 4.10 常見安裝問題與排除 5. 專案初始化（Project Setup） 5.1 專案目錄結構 5.2 GSD 標準檔案說明 5.3 初始化流程 6. Spec-Driven 開發流程 6.1 整體流程概覽 6.2 步驟 1：撰寫規格（Spec） 6.3 步驟 2：拆解任務（Tasks） 6.4 步驟 3：指派 AI Agent 6.5 步驟 4：產生程式碼 6.6 步驟 5：測試與驗證 6.7 步驟 6：回饋到 KNOWLEDGE.md 7. AI Agent 協作模式 7.1 多 Agent 協作架構 7.2 Claude Code 使用方式 7.3 Copilot 使用方式 7.4 Agent 任務切分策略 7.5 雙終端機工作流 7.6 Quick Mode — 快速任務 7.7 Session 可觀察性命令 7.8 Telegram 遠端控制 7.9 Web 介面管理 7.10 思緒捕捉（Capture）與工作流視覺化 7.11 Visual Briefs — 視覺化簡報產出 7.12 自訂工作流插件（Custom Workflows） 8. 知識圖譜與學習系統 8.1 KNOWLEDGE.md 設計方式 8.2 記憶架構（v2.77 ADR-013） 8.3 Knowledge Graph 建立 8.4 如何提升 AI 理解能力 9. 技能管理（Skill Management） 9.1 技能系統概述 9.2 技能發現與 Skill Rules 9.3 技能評估方式 9.4 Agent 健康度監控 9.5 擴充套件管理（Extensions） 10. 實戰範例 11. SSDLC 整合（安全開發） 12. 系統維護（Maintenance） 12.1 如何更新 Spec 12.2 如何修復 Bug 12.3 Forensics — 失敗調查 12.4 如何讓 AI 持續學習 12.5 Provider Error Recovery 12.6 Failure Recovery 12.7 Pipeline Architecture 12.8 清理與歸檔 12.9 Token Telemetry 與成本追蹤 12.10 Unit Closeout 模組 13. 系統升級（Upgrade） 13.1 從 gsd-build/gsd-2 遷移到 open-gsd/gsd-pi 14. 最佳實務（Best Practices） 14.1 Prompt 設計原則 14.2 Context 控制技巧 14.3 避免 Hallucination 14.4 大型專案管理技巧 14.5 成本控制 14.6 Hooks 系統 14.7 Reactive Task Execution 實務 14.8 企業指引範本 14.9 Per-Model MCP 過濾與 URL 安全 15. 常見問題（FAQ） 15.1 AI 不照 Spec 怎麼辦？ 15.2 程式碼品質不佳？ 15.3 Context 過大怎麼辦？ 15.4 Auto Mode 卡住怎麼辦？ 15.5 如何恢復崩潰的 Session？ 15.6 團隊成員 Milestone ID 衝突？ 15.7 如何在企業防火牆環境使用？ 15.8 如何使用本地 LLM（Ollama）？ 16. 團隊導入建議（Enterprise Adoption） 16.1 導入策略（分階段） 16.2 教育訓練方式 16.3 Governance（治理） 17. 檢查清單（Checklist） 17.1 環境建置 Checklist 17.2 專案初始化 Checklist 17.3 日常開發 Checklist 17.4 安全 Checklist 17.5 團隊協作 Checklist 17.6 GSD Pi 命令速查表 附錄 A：GSD Pi 內建擴充套件一覽 附錄 B：相關資源 附錄 C：MCP Server 設定指南 C.1 概述 C.2 連線外部 MCP Server C.3 驗證 MCP 連線 C.4 匯入其他工具的 MCP 設定 C.5 Cloud MCP Gateway C.6 企業注意事項 附錄 D：進階設定參考 D.1 Dynamic Model Routing D.2 Notifications D.3 Context Management D.4 Git 進階設定 D.5 GitHub Sync D.6 Forensics 和除錯 D.7 Parallel Orchestration D.8 Custom Model Definitions D.9 其他設定 附錄 E：環境變數一覽 1. 總覽（Overview） 1.1 GSD Pi 是什麼 GSD Pi（前稱 GSD-2，Get Stuff Done，採用 Pi SDK）是一套 Meta-Prompting、Context Engineering 與 Spec-Driven Development 系統，專為 AI Agent 長時間自主開發而設計。它不是提示框架（Prompt Framework），而是一個獨立的 TypeScript CLI 應用程式，能夠真正控制 Agent 的 Context Window、Session 生命週期與 Git 策略。 ...

GitHub Copilot SSDLC（安全軟體開發生命週期）教學手冊 版本：v2.3 最後更新：2026 年 5 月 28 日 適用對象：軟體開發團隊全體成員（資深工程師導向） 文件性質：企業級內部技術規範與教育訓練教材（企業標準技術白皮書等級） 撰寫者：軟體架構團隊 審核者：技術委員會 參考來源：GitHub Copilot 官方文件、軟體開發標準程序教學手冊、Agent Skills 開放標準、Copilot Customization Cheat Sheet 📋 目錄 第一章：SSDLC 總覽（結合 AI） 1.1 SSDLC 定義 1.2 傳統 SDLC vs AI SSDLC 1.3 GitHub Copilot 在各階段的角色 1.4 GitHub Copilot 方案與定價 1.5 DevSecOps + AI 整合 第二章：系統整體架構設計（Architecture） 2.1 企業級系統架構總覽 2.2 分層設計（Layered Architecture） 2.3 微服務與模組化設計 2.4 Clean Architecture 應用 第三章：開發環境建置（Installation & Setup） 3.1 工具安裝 3.2 GitHub Copilot 設定 3.3 專案初始化與分支策略 第四章：SSDLC 各階段 + Copilot 實戰 4.1 需求分析（Requirement） 4.2 系統設計（Design） 4.3 開發（Development） 4.4 測試（Testing） 4.5 安全（Security） 4.6 部署（Deployment） 4.7 維運（Operation） 第五章：Copilot 進階使用（AI Engineering） 5.1 Prompt Engineering 5.2 Context 設計與 Custom Instructions 5.3 Prompt Files 與 Path-Specific Instructions 5.4 多檔案生成與 Refactoring 5.5 Code Review 自動化 5.6 AI Pair Programming 最佳實務 5.7 Copilot Cloud Agent 進階應用 5.8 Copilot CLI 內建 Agents 5.9 第三方 Coding Agents 5.10 Agent Skills 開放標準 第六章：自我學習與優化機制 6.1 AI 自我優化 Workflow 6.2 Prompt 優化迴圈 6.3 知識庫（Knowledge Base） 6.4 文件自動生成 第七章：實戰案例（銀行系統） 7.1 Web Application 開發 7.2 FTP 上傳流程 7.3 資料驗證流程 7.4 高可用架構設計 第八章：系統維護與升級 8.1 Copilot 升級策略 8.2 Plugin 管理 8.3 相容性管理 8.4 技術債處理 第九章：最佳實務（Best Practices） 9.1 開發規範 9.2 安全規範 9.3 AI 使用規範 9.4 團隊協作模式 第十章：AI 治理與合規（AI Governance） 10.1 AI 使用政策 10.2 智慧財產權與授權 10.3 安全與資料保護 10.4 合規檢核清單 附錄 A：檢查清單（Checklist） 附錄 B：常用 Prompt 範本 附錄 C：術語對照表 附錄 D：GitHub Copilot 方案功能對照表 第一章：SSDLC 總覽（結合 AI） 1.1 SSDLC 定義 SSDLC（Secure Software Development Life Cycle） 是在傳統軟體開發生命週期（SDLC）的每個階段融入安全實務，確保從需求分析到維運的全流程都考量資訊安全。 ...

Claude Code SSDLC（AI 軟體開發生命週期）教學手冊 版本：v2.1 ｜ 日期：2026-06-26 ｜ 適用對象：資深工程師 / 架構師 / DevOps / AI 工程師 定位：企業級實戰手冊，可直接作為團隊導入規範文件 變更紀錄：v2.0 — 全面更新至 Claude Code 最新版本，涵蓋 Hooks、Skills、Plugins、Agent Teams、Auto Memory、多平台支援等新特性；v2.1 — 修正巢狀程式碼區塊格式錯誤，補充 Hooks／Skills／Subagents 完整 Frontmatter 欄位，新增 Headless 模式與 Sandbox 模式說明，修正 Auto Memory 匯入層數誤植，補齊 Permission 模式完整列舉與附錄 CLI 旗標 目錄 第 1 章：整體架構設計（Architecture） 1.1 Claude Code 在 SSDLC 的角色 1.2 AI Agent 在 SDLC 各階段的應用 1.3 系統架構圖 1.4 多 Agent 協作模型 1.5 與企業系統整合 1.6 多平台支援 第 2 章：Claude Code 安裝與環境建置 2.1 Claude Code CLI 安裝 2.2 VS Code 整合設定 2.3 API Key 與認證設定 2.4 Workspace 初始化 2.5 常見錯誤與排除 2.6 Headless 模式與自動化執行 第 3 章：專案結構設計（Best Practice） 3.1 Claude Code 專案目錄結構 3.2 Prompt Template 設計 3.3 Agent Workflow 定義 3.4 Context 管理策略 3.5 Skills / Rules / Plugins 結構 第 4 章：SSDLC Workflow 設計（核心） 4.1 需求階段（Requirements） 4.2 設計階段（Design） 4.3 開發階段（Development） 4.4 測試階段（Testing） 4.5 部署階段（Deployment） 4.6 維運階段（Operations） 第 5 章：AI Agent Workflow 設計 5.1 多 Agent 協作模式 5.2 自我反饋迴圈（Self-Reflection Loop） 5.3 自我優化系統（Self-Improving System） 5.4 Memory / Context 設計 5.5 Agent Teams 與多 Session 協作 5.6 Plugins 插件生態系 第 6 章：Prompt Engineering 6.1 Prompt 模板設計 6.2 可重用 Prompt Library 6.3 Chain-of-Thought / ReAct 模式 6.4 安全 Prompt（避免 Hallucination） 第 7 章：實務案例 7.1 案例 1：Web 系統（Spring Boot + Vue） 7.2 案例 2：批次系統（Batch Job） 第 8 章：系統維運（Operations） 8.1 日誌管理 8.2 AI 輔助 Debug 8.3 Incident 處理 第 9 章：系統升級與優化（Evolution） 9.1 Prompt 版本控管 9.2 Agent 能力升級 9.3 Workflow 優化策略 第 10 章：最佳實務與建議（Best Practices） 10.1 團隊導入策略 10.2 治理（Governance） 10.3 安全（Security） 10.4 成本控制（Token / API） 第 11 章：常見問題（FAQ） 附錄 A：快速檢查清單（Checklist） 附錄 B：常用指令速查表 附錄 C：參考資料 第 1 章：整體架構設計（Architecture） 1.1 Claude Code 在 SSDLC 的角色 Claude Code 是 Anthropic 推出的 Agentic Coding Tool，可在 Terminal、VS Code、JetBrains、Desktop App、Web 以及 Chrome 瀏覽器中使用。它不只是程式碼補全工具，而是能夠： ...

GitHub Copilot 逆向工程教學手冊（Java Web） 版本：2.0 最後更新：2026-04-02 適用對象：資深工程師、架構師、技術主管 技術棧：Java 21+ / Spring Boot 3.x～4.x / GitHub Copilot（Chat / Agent Mode / Cloud Agent / CLI / MCP） 📑 目錄 第 1 章 概論 1.1 什麼是逆向工程（Reverse Engineering） 1.2 Legacy System 現代化挑戰 1.3 GitHub Copilot 在逆向工程的角色 1.4 適用情境 第 2 章 三種逆向工程策略 2.1 黑箱逆向（Black-box Reverse Engineering） 2.2 白箱逆向（White-box Reverse Engineering） 2.3 灰箱逆向（Gray-box / Hybrid） 2.4 三種策略比較總覽 第 3 章 SDLC 對應逆向工程流程 3.1 需求分析（Requirement Analysis） 3.2 系統設計（System Design） 3.3 開發（Implementation） 3.4 測試（Testing） 3.5 部署（Deployment） 第 4 章 GitHub Copilot 實戰流程 4.1 Step 1：分析舊系統 4.2 Step 2：建立理解模型（Domain Model） 4.3 Step 3：產出文件（AI 自動生成） 4.4 Step 4：建立新專案（Spring Boot） 4.5 Step 5：逐步重構 4.6 Step 6：驗證與測試 4.7 Agent Mode 加速逆向工程 第 5 章 Copilot Prompt Engineering 5.1 Prompt 設計原則 5.2 程式碼分析類 Prompt 5.3 語言轉換類 Prompt 5.4 文件產出類 Prompt 5.5 測試生成類 Prompt 5.6 Prompt 模板庫 5.7 Custom Instructions（專案級指令） 5.8 Agent Mode 專用 Prompt 設計 第 6 章 架構設計（企業級） 6.1 微服務 vs 單體架構決策 6.2 分層架構設計 6.3 資料庫遷移設計 6.4 中介軟體整合 第 7 章 風險與最佳實務 7.1 常見錯誤 7.2 逆向工程失敗案例分析 7.3 資料遺失風險與對策 7.4 安全性考量 7.5 AI 治理與企業合規 第 8 章 完整案例（實戰） 8.1 案例背景：VB6 客戶管理系統 8.2 Copilot 分析過程 8.3 新系統 Spring Boot 實作 8.4 案例二：舊 Java Servlet 轉 Spring Boot 第 9 章 工具整合 9.1 VS Code 配置 9.2 GitHub Copilot Chat 9.3 Copilot CLI 9.4 SonarQube 整合 9.5 Swagger / OpenAPI 9.6 Copilot Agent Mode 與 Cloud Agent 9.7 MCP Server 整合 9.8 Copilot Code Review 9.9 Copilot Spaces 與 Memory 第 10 章 結論 10.1 三種逆向策略比較表 10.2 推薦最佳實務 附錄 A：逆向工程檢查清單（Checklist） 附錄 B：Prompt 快速參考卡 附錄 C：常用工具版本對照 附錄 D：成本效益分析（ROI 評估） 第 1 章 概論 1.1 什麼是逆向工程（Reverse Engineering） 逆向工程是指從「已存在的系統產出物（程式碼、執行檔、資料庫）」出發，反向推導出系統的： ...

Agent Skills 教學手冊（企業級 SSDLC + GitHub Copilot + Claude Code） 版本：v1.4.0 更新日期：2026-06-30 適用對象：資深工程師、架構師、Tech Lead、DevSecOps 工程師 技術棧：Agent Skills 開放標準、GitHub Copilot Skills、Claude Code Skills、VS Code、Spring Boot、Vue 3 規範參考：Agent Skills Specification（開放標準 v1.0） 目錄 第 1 章：Agent Skills 概念與架構 1.1 什麼是 Agent Skills 1.2 與傳統 Prompt Engineering 的差異 1.3 Skills vs Prompt vs Tool vs Agent 比較 1.4 漸進式揭露（Progressive Disclosure）設計原則 1.5 Skills 組成結構 第 2 章：Skills 平台深度解析（GitHub Copilot + Claude Code） 2.1 多平台 Skills 架構 2.2 Skills 運作流程 2.3 Skills Metadata 設計（Frontmatter 完整參考） 2.3.1 開放標準欄位（agentskills.io Specification） 2.3.2 Claude Code 擴展欄位 2.3.3 字串替換（String Substitutions） 2.3.4 動態上下文注入（Dynamic Context Injection） 2.4 Claude Code 內建 Skills（Bundled Skills） 2.5 Skills 與 Agent 整合方式 2.6 Skills Repository 設計（企業級） 2.7 gh skill CLI（GitHub CLI 整合） 2.8 Skill 內容生命週期與 Token 預算 第 3 章：SSDLC × Skills（核心章節） 3.1 Requirements（需求階段） 3.2 Design（設計階段） 3.3 Development（開發階段） 3.4 Testing（測試階段） 3.5 Security（安全） 3.6 Deployment（部署） 3.7 Maintenance（維運） 第 4 章：Skills 設計最佳實務 4.1 高可重用性設計 4.2 低 Token 消耗策略 4.3 命名規範 4.4 模組化與版本控管 4.5 安全性與權限控管 4.6 社群設計模式參考（Community Patterns） 4.6.1 CONTEXT.md 共用語言模式 4.6.2 反合理化表格模式 4.6.3 Agent Personas 模式 4.6.4 生命週期導向組織模式 4.6.5 四大失敗模式框架 4.6.6 User-invoked vs Model-invoked 設計模式 4.6.7 自主執行模式 4.6.8 Skills 安裝器生態 第 5 章：Skills 實作教學（Hands-on） 5.1 範例 1：產生 API 設計文件 Skill 5.2 範例 2：程式碼審查 Skill 5.3 範例 3：Spring Boot 服務生成 Skill 第 6 章：企業級 Skills Repository 架構 6.1 建議 GitHub Repo 結構 6.2 Skills 分類策略 6.3 權限控管（RBAC） 6.4 與 CI/CD 整合 第 7 章：與開發工具整合 7.1 GitHub Copilot 整合 7.2 Claude Code 進階整合 7.3 VS Code 整合 7.4 CI/CD（GitHub Actions）整合 7.5 Issue / PR 流程整合 第 8 章：Skills 治理（Governance） 8.1 Skills 審核機制 8.2 品質控管（Quality Gate） 8.3 安全審查（Security Review） 8.4 使用追蹤與優化（Telemetry） 第 9 章：常見錯誤與反模式 9.1 過度設計 Skills 9.2 Token 爆炸問題 9.3 Skills 過於耦合 9.4 其他常見反模式 第 10 章：未來趨勢 10.1 Agentic Workflow 10.2 Multi-Agent Collaboration 10.3 Skills Marketplace 與開放生態 附錄 A：企業導入檢查清單 附錄 B：Prompt → Skill 轉換速查表 附錄 C：常用 Skills 清單 附錄 D：參考資源 第 1 章：Agent Skills 概念與架構 1.1 什麼是 Agent Skills 定義：Agent Skills 是一種基於 agentskills.io 開放標準的模組化、可重複使用「AI 能力包」（Capability Package），以資料夾形式存在，內含說明文件（SKILL.md）、腳本（Python / Bash / PowerShell）、範本（Templates）和參考資源（References）。 ...

使用 GitHub Copilot 進行逆向工程並產出需求規格書 版本：2.0 | 更新日期：2026-03-31 適用對象：資深工程師、系統分析師、架構師、PM 技術環境：VS Code + GitHub Copilot（含 Agent Mode、Coding Agent、MCP 整合） 產業適用：銀行、金融、保險等高合規性企業系統 AI 模型支援：GPT-5.4 / GPT-5.4 mini / GPT-5.3-Codex / Gemini 3.1 Pro / 自動模型選擇 目錄 第 1 章 逆向工程方法論 1.1 什麼是逆向工程 1.2 企業系統中的逆向工程應用場景 1.3 Code → Requirement 轉換模型 1.4 各層級程式碼的需求推導策略 1.5 逆向工程成熟度模型 第 2 章 GitHub Copilot 使用策略 2.1 Copilot 在逆向工程中的角色定位 2.1.1 GitHub Copilot 2026 功能架構全景 2.1.2 各功能在逆向工程中的定位 2.1.3 AI 模型選擇策略 2.2 Prompt Engineering 核心原則 2.2.1 角色設定（Role Setting） 2.2.2 結構化 Prompt 模板 2.2.3 五大 Prompt 策略 2.3 逐段分析程式碼的技巧 2.3.1 分段策略 2.3.2 VS Code 操作技巧 2.4 C# 程式碼解讀策略與 Prompt 範例 2.5 SQL / Stored Procedure 解讀策略與 Prompt 範例 2.6 Batch Job 解讀策略與 Prompt 範例 2.7 從技術描述轉換為商業需求描述 2.8 Before / After 完整範例 2.9 Agent Mode 與 Coding Agent 在逆向工程中的進階應用 2.9.1 使用 Agent Mode 進行跨檔案逆向分析 2.9.2 使用 Plan Agent 規劃逆向工程任務 2.9.3 使用 Copilot Coding Agent 進行自動化逆向分析 2.9.4 使用 MCP 擴展逆向工程能力 2.9.5 使用 Custom Agent 建立專用逆向工程分析師 2.9.6 使用 Copilot Memory 累積逆向工程知識 2.9.7 第三方 Coding Agent 與外部平台整合 2.9.8 使用背景代理進行非同步逆向分析 第 3 章 實戰流程（Step-by-Step） 3.1 Step 1 — 程式碼盤點 3.1.1 模組分類方法 3.1.2 使用 Copilot 快速摘要 3.1.3 自動化盤點腳本 3.2 Step 2 — 邏輯解析 3.2.1 API 邏輯分析 3.2.2 Batch Job 邏輯分析 3.2.3 DB 邏輯分析 3.3 Step 3 — 商業邏輯抽取 3.3.1 從技術邏輯到業務需求的轉換方法 3.3.2 商業規則分類框架 3.3.3 需求追溯矩陣 3.4 Step 4 — 文件產出 3.4.1 SRS 文件自動生成流程 3.4.2 文件品質檢查 3.5 端到端流程圖 第 4 章 SRS 文件標準格式 4.1 SRS 文件結構概覽 4.2 系統概述 4.3 Use Case 描述 4.4 功能需求（Functional Requirements） 4.5 非功能需求（Non-functional Requirements） 4.6 資料流程（DFD） 4.7 ER Model（資料結構） 4.8 Batch Flow 4.9 企業級 SRS 範本（完整） 第 5 章 完整實戰範例 5.1 範例一：C# API 控制器逆向分析 5.1.1 原始程式碼 5.1.2 Copilot 分析過程 5.1.3 推導出的需求 5.2 範例二：Stored Procedure 逆向分析 5.2.1 原始程式碼 5.2.2 Copilot 分析過程 5.2.3 推導出的需求 5.3 範例三：Batch Job 逆向分析 5.3.1 分析場景 5.3.2 Copilot 分析結果 5.4 最終 SRS 文件片段產出 第 6 章 企業最佳實務 6.1 避免誤判需求的策略 6.1.1 常見的誤判類型 6.1.2 防範策略 6.1.3 信心度評估框架 6.2 需求驗證流程 6.2.1 三層驗證機制 6.2.2 驗證會議範本 6.3 整合 SSDLC 6.4 搭配版本控制（Git） 6.4.1 SRS 文件的 Git 管理策略 6.4.2 Git Branching 策略 6.4.3 Commit 訊息規範 6.5 常見錯誤與修正策略 6.6 使用 Copilot Code Review 驗證 SRS 品質 6.6.1 設定 Copilot Code Review 規則 6.6.2 SRS Pull Request 審查流程 6.7 使用 Copilot Spaces 管理逆向工程上下文 第 7 章 架構延伸（進階） 7.1 從逆向結果到 Spring Boot API 設計 7.1.1 技術對照表 7.1.2 SRS → API 設計的轉換流程 7.1.3 範例：從 SRS 到 Spring Boot 7.2 微服務架構轉換 7.2.1 從單體到微服務的拆分策略 7.2.2 Stored Procedure 的遷移策略 7.3 Domain Modeling（DDD） 7.3.1 從逆向結果推導領域模型 7.3.2 統一語言表 7.4 Clean Architecture 對應 7.4.1 分層架構設計 7.4.2 Spring Boot 專案結構 7.5 使用 Copilot Coding Agent 自動化遷移工作 7.5.1 從 SRS 到 Spring Boot 骨架自動生成 7.5.2 SP 邏輯遷移自動化 7.5.3 Hooks 自動化品質檢查 第 8 章 Prompt 工程模板庫 8.1 程式碼摘要類 8.2 邏輯解析類 8.3 需求轉換類 8.4 文件產出類 8.5 驗證與審查類 第 9 章 自動化流程（AI + Script） 9.1 自動化盤點腳本 9.1.1 C# 專案自動盤點（PowerShell） 9.1.2 SQL Server Stored Procedure 盤點 9.2 批次分析流程 9.2.1 分析工作流程自動化 9.2.2 分析任務分配模板 9.3 SRS 自動組裝 9.3.1 SRS 組裝腳本（PowerShell） 9.3.2 SRS 品質檢查腳本 9.4 Copilot Coding Agent 端到端自動化流程 9.4.1 自動化流程架構 9.4.2 GitHub Actions 工作流配置 9.4.3 批次 Issue 建立腳本 9.4.4 追溯矩陣自動生成 附錄 A 檢查清單（Checklist） A.1 逆向工程啟動檢查清單 A.2 每日分析檢查清單 A.3 模組完成檢查清單 A.4 SRS 發佈前檢查清單 A.5 Copilot 使用安全檢查清單 A.6 Copilot Coding Agent 使用檢查清單 附錄 B 術語表 附錄 C 參考資源 C.1 工具 C.2 標準與規範 C.3 推薦閱讀 C.4 GitHub Copilot 相關資源 第 1 章 逆向工程方法論 1.1 什麼是逆向工程 逆向工程（Reverse Engineering） 是從既有系統的成品（程式碼、資料庫、設定檔等）出發，反推出系統的設計意圖、業務規則與需求規格的過程。 ...

企業級程式碼品質分析方法論教學手冊 版本：v2.0｜日期：2026-03-30｜適用對象：初階至資深工程師、Tech Lead、架構師 適用技術棧：Java / Spring Boot、Vue / TypeScript、微服務架構 適用產業：銀行、金融業、保險業等高穩定度 / 高安全系統 重要更新：OWASP Top 10: 2025 版、PMD 7.x、Checkstyle 13.x、SpotBugs 4.9.x、ESLint 9.x Flat Config 📋 目錄 第 1 章：程式碼品質概論 1.1 程式碼品質的定義 1.2 技術債（Technical Debt） 1.3 為什麼企業需要品質管理 1.4 品質管理全景圖 1.5 實務落地建議 第 2 章：程式碼品質模型（核心方法論） 2.1 品質模型總覽 2.2 可讀性（Readability） 2.3 可維護性（Maintainability） 2.4 可測試性（Testability） 2.5 效能（Performance） 2.6 安全性（Security） 2.7 可擴展性（Scalability） 2.8 實務落地建議 第 3 章：程式碼異味（Code Smells） 3.1 什麼是 Code Smell 3.2 常見 15+ 種 Code Smells 3.3 實務落地建議 第 4 章：靜態分析與工具 4.1 靜態分析概述 4.2 SonarQube 4.3 ESLint 4.4 PMD / Checkstyle 4.5 SpotBugs 4.6 工具功能比較 4.7 企業導入方式 4.8 實務落地建議 第 5 章：Code Review 方法論 5.1 Code Review 的價值 5.2 Review Checklist（企業版） 5.3 Pull Request 標準 5.4 Review 角色分工 5.5 常見錯誤 5.6 實務落地建議 第 6 章：CI/CD 與品質門檻（Quality Gate） 6.1 CI/CD 品質整合概述 6.2 Quality Gate 設計 6.3 Pipeline 品質檢查流程 6.4 Fail Pipeline 策略 6.5 實務落地建議 第 7 章：測試策略與品質關聯 7.1 測試金字塔 7.2 單元測試（Unit Test） 7.3 整合測試（Integration Test） 7.4 覆蓋率迷思 7.5 測試與品質的關係 7.6 實務落地建議 第 8 章：重構（Refactoring）策略 8.1 何時該重構 8.2 安全重構流程 8.3 常見重構技巧 8.4 實務落地建議 第 9 章：企業實務最佳實踐（Best Practices） 9.1 銀行 / 金融系統案例 9.2 微服務品質管理 9.3 DevSecOps 整合 9.4 實務落地建議 第 10 章：導入策略（企業落地） 10.1 推動步驟（Roadmap） 10.2 組織角色 10.3 KPI 指標 10.4 成熟度模型（Level 1～5） 10.5 實務落地建議 附錄 A：新進成員檢查清單（Checklist） 附錄 B：品質指標速查表 附錄 C：推薦學習資源 第 1 章：程式碼品質概論 1.1 程式碼品質的定義 程式碼品質不只是「能跑就好」，在企業級系統中，品質直接影響系統的穩定性、安全性與長期維護成本。 ...

使用github copilot下的Prompt Engineering vs Context Engineering vs Harness Engineering教學手冊 版本：2.0.0 最後更新：2026-03-18 適用對象：資深工程師、技術主管、AI 輔助開發導入團隊 技術情境：Java / Spring Boot / GitHub Copilot / 銀行級 Web Application 文件等級：企業標準技術白皮書 目錄 第一章：核心概念說明 1.1 三者定義 1.2 演進關係 1.3 一句話理解 1.4 歷史脈絡與業界趨勢 1.5 三者的互補與協同關係 第二章：詳細比較表 2.1 七大面向比較 2.2 成熟度模型 2.3 投入與回報分析 2.4 學習曲線與導入難度 2.5 適用場景矩陣 第三章：實務案例（Web Application） 3.1 案例一：REST API 開發 3.2 案例二：Batch Job 資料處理 3.3 案例三：前端 UI 開發 3.4 案例四：除錯（Debug） 3.5 案例五：微服務通訊設計 3.6 案例六：安全性漏洞修復 3.7 案例總結比較 第四章：GitHub Copilot 實戰應用 4.1 Prompt Engineering 在 Copilot 中的實踐 4.2 Context Engineering 在 Copilot 中的實踐 4.3 Harness Engineering 在 Copilot 中的實踐 4.4 三者整合實戰工作流 第五章：工具與技術建議 5.1 各層級對應工具 5.2 工具選型決策矩陣 5.3 2026 年最新工具生態 5.4 工具整合架構 第六章：架構設計觀點 6.1 三層演進模型 6.2 大型系統 AI 能力分層設計 6.3 Anti-pattern 架構分析 6.4 企業級 AI 能力成熟度評估框架 6.5 多系統 AI 策略設計 第七章：最佳實務（Best Practices） 7.1 團隊開發規範 7.2 文件設計方式 7.3 Prompt Template 設計 7.4 AI 使用治理（Governance） 7.5 KPI 與成效衡量 第八章：常見錯誤（Anti-pattern） 8.1 Prompt 層 Anti-pattern 8.2 Context 層 Anti-pattern 8.3 Harness 層 Anti-pattern 8.4 跨層 Anti-pattern 8.5 Anti-pattern 速查表 第九章：結論與展望 9.1 架構思維總結 9.2 團隊落地路徑 9.3 ROI 量化框架 9.4 未來展望（2026-2028） 附錄 A：檢查清單（Checklist） 附錄 B：詞彙表 附錄 C：參考資源 附錄 D：Prompt Engineering 進階技巧手冊 附錄 E：Context Engineering 設計模式 第一章：核心概念說明 章節摘要：本章定義 Prompt Engineering、Context Engineering 與 Harness Engineering 三者的核心概念，並說明它們從「單次對話」到「系統化 AI 能力」的演進脈絡。 ...