AI開發

Paperclip 教學手冊 Paperclip — 開源 AI Agent 編排平台（Zero-Human Company Operating System）企業級完整指南 適用對象：資深工程師、AI Agent 平台團隊、架構師、Tech Lead、DevOps / SSDLC 負責人、企業導入人員、PM 文件性質：企業內部 AI Agent 平台導入、開發與維運培訓教材 版本基準：Paperclip（paperclipai/paperclip，2026 年 3 月開源，MIT License） ⚠️ 重要聲明（請務必先讀） Paperclip 仍在高速迭代中。 本平台於 2026-03-04 開源，社群成長極快（開源三週即破 3 萬 GitHub Stars，截至 2026 年年中已逾 7.4 萬 stars、1.3 萬+ forks，並維持每日 commit）。其資料模型、CLI 指令、API 端點、環境變數與 UI 可能在版本之間變動。任何指令與設定在正式導入前，務必以最新官方文件與您實際安裝版本為準。 本手冊的定位是「理解、彙整、分析、重組、補充最佳實務」，而非官方文件翻譯。 依原始需求，本書不直接翻譯、不直接抄錄、不大量引用原文，而是重新以繁體中文撰寫成企業教材。 內容分兩類： 官方已確認事實（例如 Node.js 20+/pnpm 9.15+ 需求、npx paperclipai onboard --yes、Control Plane 12 系統、BYOA、companies repository 結構、heartbeat 執行、atomic task checkout、git worktree workspace 等）作為骨幹。 作者補充：凡屬作者依大型企業（含金融業）導入 AI Agent 之實務經驗所補充或推論之處，會標註 （作者建議） 或 （作者推論）。這些是最佳實務參考，非官方保證。 官方權威來源請見 第28章 附錄 → References。 目錄 本目錄為兩層結構（章 + 子節），每一項皆可點擊跳轉至本文對應段落；各章開頭另附「本章導覽」提供章內快速跳轉。 ...

AI常用方法論比較教學手冊(2) 版本：v1.1｜日期：2026-07-24｜適用對象：AI Software Architect、Enterprise Architect、Tech Lead、資深前後端工程師、DevSecOps Architect、Solution Architect v1.1 更新重點：依 8 套方法論官方 Repository 最新狀態逐節查證修正（含 BMAD-METHOD 階段命名訂正、spec-kit／OpenSpec 新指令集、gstack 起源脈絡補充等）；第六章 AI Coding Agent 現況更新（Windsurf 已更名 Devin Desktop、GitHub Copilot Coding Agent 更名 Copilot cloud agent 等）；第七、八、九、十一章多節深度擴寫至與同章其他小節一致；第四章新增「生態系穩定性／維護風險」補充表；新增第十三章案例六、第十四章 3 份角色 Prompt；修正簡體字殘留、附錄目錄缺漏與數處章節交叉引用錯誤 定位：本手冊是《AI常用方法論比較教學手冊》（以下稱「v1」）的擴充版與企業教育訓練教材版。v1 的定位是「跨方法論比較與選型指南」（8 方法論 × 5 AI 工具 × 3 情境的濃縮比較），本手冊（v2／"(2)"）的定位是完整的企業級 AI 軟體工程教學手冊：從發展史、方法論詳解、AI Coding Agent 架構、企業 AI SDLC、Framework Upgrade、逆向工程、企業導入、AI Agent 團隊建立，到產業最佳實務、完整實戰案例與角色化 Prompt Library，一次到位。兩份手冊互為表裡，建議搭配閱讀（見〈附錄 F〉對應關係表）。 涵蓋方法論／概念：spec-kit、OpenSpec、Superpowers、BMAD-METHOD、GSD（get-shit-done）、gsd-pi（GSD-2）、gstack、mattpocock/skills、Loop Engineering、Compound Engineering、Context Engineering、Memory Engineering、Skills Engineering、Prompt Engineering、Agentic Software Engineering、Spec-Driven Development、AI-Native Development 涵蓋 AI Coding Agent：Claude Code、OpenAI Codex CLI、GitHub Copilot、Gemini CLI、Grok、Cursor、Windsurf、Aider、OpenHands、Cline、Roo Code 涵蓋情境：企業 Web 開發、大型 Framework Upgrade（Spring Boot／Java／Vue）、Legacy 逆向工程（COBOL／VB／Oracle Forms／PowerBuilder／Delphi）、企業 AI SSDLC、銀行大型系統 適用產業：金融／銀行、政府、保險、製造、醫療，並適用一般企業 IT 團隊 資料誠信聲明：本手冊整理自本專案既有教學手冊語料庫、各方法論官方 Repository／文件、業界公開文章，並經重新消化歸納後撰寫。凡涉及 GitHub Star 數、安裝次數、營收/效能改善百分比等量化採用指標，若無法在撰寫當下查證來源，一律不予引用或明確標註「未經查證，僅供參考」，不將既有語料庫中的可疑數字（例如個別手冊出現的異常高 Star 數）當作事實延續。本手冊重心放在可驗證的設計理念、架構、工作流程、指令語法與企業實務模式上。 ...

AI常用方法論比較教學手冊 版本：v1.1｜日期：2026-07-24｜適用對象：架構師、Tech Lead、AI 導入決策者、資深工程師 v1.1 更新重點：依 8 套方法論官方 Repository 最新狀態逐章查證修正，包含 GSD 生態系組織遷移沿革（見 2.5、2.6、附錄 C.2）、五工具整合覆蓋度多處更新（spec-kit／BMAD-METHOD／Superpowers／gstack）、gstack 技能規模與指令管線更新、mattpocock/skills 技能清單改版、AGENTS.md 創始會員名單補正，並新增附錄 D.4 版本快照表 涵蓋方法論：spec-kit、OpenSpec、Superpowers、BMAD-METHOD、GSD（get-shit-done）、gsd-pi（GSD-2）、gstack、mattpocock/skills 涵蓋 AI 工具：Claude Code、OpenAI Codex、GitHub Copilot、Gemini、Grok 涵蓋情境：Web Application 開發、逆向工程（Reverse Engineering）、軟體框架升級（Framework Upgrade） 適用產業：銀行、金融業、保險業等高治理需求產業，亦適用一般企業 IT 團隊 重要更新：本文件為跨方法論比較與企業選型指南，非取代任何單一方法論的完整教學；各方法論詳細操作請參閱本目錄下對應手冊（見各章節連結與附錄 D） 📋 目錄 前言 第 1 章：AI 輔助軟體開發方法論全景與參考座標 1.1 為何企業需要跨方法論比較 1.2 方法論分類框架（機制軸） 1.3 八大方法論定位圖 1.4 五大 AI 工具總覽 1.5 三大應用情境定義與成功標準 1.6 AGENTS.md：跨工具互通基礎設施 1.7 其他外部參考座標（非完整檔案，僅作校準用） 1.8 實務落地建議 第 2 章：八大方法論濃縮檔案 2.1 spec-kit 2.2 OpenSpec 2.3 Superpowers 2.4 BMAD-METHOD 2.5 GSD（get-shit-done） 2.6 gsd-pi（GSD-2） 2.7 gstack 2.8 mattpocock/skills 2.9 實務落地建議 第 3 章：跨方法論比較框架與矩陣 3.1 比較維度定義 3.2 總覽比較矩陣 3.3 安裝複雜度與五工具整合覆蓋度矩陣 3.4 團隊規模與組織適配 3.5 治理與維運負擔比較 3.6 學習曲線與導入時間比較 3.7 機制光譜圖 3.8 弱點與風險總表 3.9 實務落地建議 第 4 章：企業選型決策框架 4.1 選型決策樹 4.2 評分量表（可直接套用） 4.3 方法論導入成熟度模型（Level 1–5） 4.4 試點到擴大導入路線圖 4.5 決策情境範例 4.6 實務落地建議 第 5 章：混合與共存導入指南 5.1 為何要混合方法論 5.2 相容性矩陣 5.3 分層組合模型 5.4 安裝順序與設定合併建議 5.5 已知衝突與注意事項 5.6 實務落地建議 第 6 章：三大情境實戰案例（銀行業） 6.1 情境一：Web Application 開發 6.2 情境二：逆向工程 6.3 情境三：框架升級 6.4 三情境 × 八方法論適配打分表 6.5 實務落地建議 第 7 章：方法論組合的維護與升級治理 7.1 為何需要「方法論組合」層級的治理 7.2 日常維運：版本釘選與相容性檢查 7.3 Prompt／Spec 版本控制與變更追蹤 7.4 治理委員會結構與 RACI 7.5 何時該汰換或升級方法論 7.6 法規遵循與稽核追溯（銀行/金融特別考量） 7.7 監控指標與健康度儀表板 7.8 實務落地建議 第 8 章：AI Agent 跨方法論協作範例 8.1 為何需要跨方法論/跨工具協作範例 8.2 範例一：Claude Code + Codex 共用 AGENTS.md 8.3 範例二：Copilot + Gemini/Grok 以 OpenSpec 仲裁 8.4 協作失敗模式與修復 8.5 實務落地建議 第 9 章：方法論選型與整合 Prompt Library 9.1 團隊 AI 成熟度現況評估 Prompt 9.2 方法論選型建議 Prompt 9.3 兩方法論相容性檢查 Prompt 9.4 治理文件骨架生成 Prompt 9.5 情境對應方法論組合 Prompt 9.6 方法論汰換/遷移評估 Prompt 9.7 實務落地建議 第 10 章：常見問題（FAQ） 附錄 A：快速選型與導入檢查清單 附錄 B：八方法論／五工具／三情境速查表 附錄 C：名詞釋義與命名辨正 附錄 D：參考資源與延伸閱讀 附錄 E：八大方法論安裝教學速查 前言 為什麼需要這份手冊 過去兩年間，「用 AI 寫程式」已經從個人的 Prompt 技巧，演化成一整套可被治理、可被複製、可被稽核的方法論（Methodology）。截至本文件撰寫時，僅在本專案的 .github\教學\AI開發\ 目錄下，就已經累積了 spec-kit、OpenSpec、Superpowers、BMAD-METHOD、GSD、gsd-pi（GSD-2）、gstack、mattpocock/skills 等 8 套獨立、完整、動輒 2,500～7,300 行的教學手冊 —— 每一套都宣稱自己能提升 AI 協作品質，每一套都有各自的哲學、安裝方式與最佳實務。 ...

Orca 教學手冊（企業級實戰版） 版本對應：Orca GitHub Release v1.4.150（查證日期：2026-07-22） 適用對象：資深軟體工程師、技術主管、平台工程（Platform Engineering）團隊、DevOps／SRE、AI Solution Architect、AI Agent Architect 技術棧範圍：Electron 桌面應用、Git Worktree、~29 種 Coding Agent CLI（Claude Code、Codex、OpenCode、Cursor、Copilot 等）、SSH／VPS 遠端執行、GitHub、Linear 文件等級：企業內部開發規範／教學手冊（實戰與維運導向） 參考來源： 官方 GitHub Repository：https://github.com/stablyai/orca 官方網站：https://www.onorca.dev/ Y Combinator 公司頁面：https://www.ycombinator.com/companies/stably-ai-orca ⚠️ 版本快照提醒：Orca 採近乎每日發版節奏（查證當下最新版本為 v1.4.150），本手冊內容為特定時間點之快照整理。正式導入前，請務必以官方 GitHub Repository 與官方文件站當下內容為準。凡本手冊中涉及尚未於官方文件明確證實的內容，均已以「⚠️」、「依推論」、「屬社群驗證路徑」等字樣清楚標註，請讀者審慎查證後再應用於正式環境，切勿將教學示例（案例研究章節）誤認為真實客戶專案。 目錄 第一章 Orca 概述與工具定位比較 第二章 核心特色 第三章 系統架構 第四章 安裝與環境建置 第五章 建立第一個 Workspace 第六章 Provider 設定與 Agent 帳號管理 第七章 Agent 管理 第八章 Parallel Agents 平行代理實戰 第九章 AI Coding Workflow 第十章 企業 Web 應用程式開發案例 第十一章 舊系統逆向工程 第十二章 Framework Upgrade 框架升級 第十三章 Agent Collaboration 協作角色分工 第十四章 Git Integration 第十五章 Source Control 版本控管 第十六章 Mobile App 行動裝置應用 第十七章 VPS 與遠端部署 第十八章 Prompt Engineering 第十九章 AI Team 企業 AI 團隊 第二十章 Banking 銀行核心系統案例 第二十一章 系統維護 第二十二章 效能最佳化 第二十三章 常見錯誤與 FAQ 第二十四章 最佳實務 第二十五章 與其他工具比較 第二十六章 建議導入方式 第二十七章 完整企業案例 第二十八章 Mermaid 圖表彙整 第二十九章 Prompt Library 第三十章 總結 子目錄（詳細版） 以下為全書所有小節的完整索引，依章節分組，每一條皆可直接點擊連結到本文對應位置。若只需要快速定位特定主題（如「WSL」「GitLab」「語音輸入」），建議使用編輯器或瀏覽器的頁內搜尋（Ctrl+F／Cmd+F）搭配本目錄關鍵字查找。 ...

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。 ...