AI開發

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%。 ...

addyosmani/agent-skills 教學手冊 版本：v2.1.0（基於 agent-skills v0.6.2） 更新日期：2026-07-02 適用對象：資深工程師、架構師、Tech Lead、DevSecOps 工程師 技術棧：addyosmani/agent-skills、Claude Code（Plugin Marketplace）、Cursor、Gemini CLI、GitHub Copilot、Antigravity、Spring Boot、Vue 3 授權：MIT License 參考來源：addyosmani/agent-skills（68,547+ stars，7,430 forks，約 39 位貢獻者，最新版本 v0.6.2） 目錄 第 1 章：前言與概觀 1.1 addyosmani/agent-skills 是什麼 1.2 為何需要 Agent Skills 1.3 專案發起背景 1.4 核心理念：將資深工程師紀律轉化為結構化 AI 約束 1.5 Agent Skills 與傳統 Prompt Engineering 的本質差異 1.6 適用場景與不適用場景 1.7 addyosmani/agent-skills 與 mattpocock/skills 比較 1.8 專案資訊 第 2 章：核心架構設計 2.1 三層可組合架構 2.2 組合規則 2.3 SKILL.md 骨架設計 2.4 漸進式揭露策略 2.5 Token 效率設計原則 2.6 完整專案目錄結構 第 3 章：完整 24 個 Skills 深度解析 3.1 Meta 階段 3.2 Define 階段（定義需求） 3.3 Plan 階段（任務拆解） 3.4 Build 階段（增量實作） 3.5 Verify 階段（驗證品質） 3.6 Review 階段（合併前審查） 3.7 Ship 階段（部署上線） 第 4 章：四大 Persona 詳解 4.1 code-reviewer — 資深 Staff Engineer 4.2 test-engineer — QA 測試專家 4.3 security-auditor — 資安工程師 4.4 web-performance-auditor — Web 效能稽核專家（v0.6.x 新增） 4.5 Persona 與 Skill 的互動規則 4.6 自定義 Persona 第 5 章：8 個 Slash Commands 詳解 5.1 Commands → Skills 映射總覽 5.2 各 Command 詳解 第 6 章：Reference Checklists 詳解 6.1 testing-patterns.md — 測試模式清單 6.2 security-checklist.md — 安全查核清單 6.3 performance-checklist.md — 效能查核清單 6.4 accessibility-checklist.md — 無障礙查核清單 6.5 orchestration-patterns.md — 協調模式參考 6.6 definition-of-done.md — 完成定義清單（v0.6.x 新增） 6.7 observability-checklist.md — 可觀測性查核清單（v0.6.x 新增） 第 7 章：Google 工程實踐在 Agent Skills 中的應用 7.1 Hyrum’s Law（海勒姆定律） 7.2 Beyoncé Rule（碧昂絲法則） 7.3 Chesterton’s Fence（乞斯特頓柵欄） 7.4 Code-as-Liability（程式碼即負債） 7.5 Shift Left（左移） 7.6 Small Changes（小批量變更） 7.7 Faster is Safer（快即安全） 7.8 Readability（可讀性） 第 8 章：安裝與設定指南 8.1 安裝方式總覽 8.2 Claude Code（首要支援平台） 8.3 Cursor 8.4 Gemini CLI 8.5 Windsurf 8.6 OpenCode 8.7 GitHub Copilot 8.8 Antigravity IDE & CLI 8.9 Codex / 其他 Agents 8.10 安裝後驗證 8.11 多工具共存 第 9 章：SSDLC（安全軟體開發生命週期）整合 9.1 什麼是 SSDLC 9.2 SSDLC × Agent Skills 映射 9.3 各 SSDLC 階段的 Agent Skills 實踐 9.4 合規對應 第 10 章：AI Agent Team 協作指南 10.1 概念：AI Agent 即團隊成員 10.2 AI Agent Team 協作模型 10.3 角色分工 10.4 溝通協議 10.5 Agent Teams（實驗性功能） 10.6 不同團隊規模的採用策略 第 11 章：實戰案例 — Web Application 開發 11.1 專案背景 11.2 Phase 1：需求定義（Define） 11.3 Phase 2：任務拆解（Plan） 11.4 Phase 3：增量實作（Build） 11.5 Phase 4：審查與上線（Review → Ship） 第 12 章：實戰案例 — 框架升級遷移 12.1 場景：Java EE 8 → Jakarta EE 10 12.2 場景：Spring Boot 2.x → 3.x 升級 第 13 章：實戰案例 — 逆向工程與遺留系統分析 13.1 場景：分析未文件化的遺留系統 13.2 分析流程 13.3 Legacy System 現代化 第 14 章：安全治理與合規 14.1 三層邊界系統深入解析 14.2 OWASP SAMM 對照 14.3 ISO 27001 對照 14.4 金融 / 保險 / 政府合規建議 14.5 Prompt Injection 防護 第 15 章：CI/CD 與 DevSecOps 整合 15.1 Agent Skills 在 CI/CD Pipeline 中的定位 15.2 GitHub Actions 整合範例 15.3 Pre-Commit Hook 整合 15.4 品質閘門定義 15.5 Feature Flag 生命週期 第 16 章：Context Engineering 進階指南 16.1 Context 的本質 16.2 五層 Context 階層詳解 16.3 MCP（Model Context Protocol）整合 16.4 Token 效率策略 16.5 Session 管理策略 16.6 Anti-Hallucination 策略 第 17 章：測試策略深入解析 17.1 測試金字塔實踐 17.2 Red-Green-Refactor 循環 17.3 Mock 使用原則 第 18 章：Hooks 與 Session 管理 18.1 Hooks 概述 18.2 session-start.sh 詳解 18.3 SDD Cache Hooks 18.4 自訂 Hooks 第 19 章：自訂 Skill 開發指南 19.1 何時需要自訂 Skill 19.2 Skill Anatomy 完整規格 19.3 SKILL.md 完整範本 19.4 寫作原則對照 19.5 將自訂 Skill 加入專案 第 20 章：企業導入指南 20.1 導入路線圖 20.2 Phase 1：評估與準備 20.3 Phase 2：Pilot 導入 20.4 Phase 3：擴大導入 20.5 Phase 4：持續改善 20.6 AI Governance 治理機制 20.7 合規考量 第 21 章：最佳實踐總結 21.1 日常開發最佳實踐 21.2 團隊協作最佳實踐 21.3 安全最佳實踐 第 22 章：Anti-Patterns（反模式） 22.1 開發流程反模式 22.2 安全反模式 22.3 AI 協作反模式 第 23 章：Troubleshooting（疑難排解） 23.1 常見問題與解決方案 第 24 章：常見問題 FAQ 24.1 基礎概念 24.2 安裝與設定 24.3 使用方式 24.4 進階使用 24.5 安全與合規 24.6 社群與貢獻 第 25 章：附錄 附錄 A：速查參考表 附錄 B：Rules File 範本 附錄 C：GitHub Actions 完整範例 附錄 D：7 個 Checklists 速查 附錄 E：詞彙表 附錄 F：導入 Checklist 第 1 章：前言與概觀 1.1 addyosmani/agent-skills 是什麼 addyosmani/agent-skills 是由 Google Chrome 團隊工程主管 Addy Osmani 發起的開源專案，核心目的是將**資深軟體工程師的開發紀律與標準作業程序（SOP）**轉化為結構化的 Markdown 框架，用以約束並提升 AI 程式碼生成代理（AI Coding Agents）的交付品質。 ...

mattpocock/skills 教學手冊 使用 mattpocock/skills 建構企業級 AI Coding Agent 工程治理平台 項目 說明 版本 v5.0.0 更新日期 2026-08-10 適用對象 資深工程師、架構師、Tech Lead、DevSecOps 工程師、AI 導入推動者 技術棧 mattpocock/skills（CHANGELOG／.claude-plugin/plugin.json／package.json 三方一致，皆為 v1.2.3）、Claude Code / Codex 等 Coding Agent、skills.sh 生態系、agentskills.io 開放標準、CONTEXT.md、ADR 參考來源 mattpocock/skills GitHub（211,328 stars、18,273 forks、1,218 subscribers，MIT License，GitHub API 查證於 2026-08-10） 前置知識 AI Coding Agent 基本操作、Git 版本控制、基礎軟體工程概念 版本說明：本次改版（v5.0.0）已針對 mattpocock/skills 自 v1.1.0（2026-07-08）以來連續三次改版（v1.2.0 → v1.2.2 → v1.2.3，最新一次提交於 2026-08-07）逐項核對原始碼（SKILL.md、.claude-plugin/plugin.json、CHANGELOG.md）。這段期間變動幅度極大，關鍵變化包括：grilling 質詢引擎由「一次一問」重構為「逐輪（round-by-round）＋ frontier」機制；prototype 全面改版為「單一可分享 HTML 檔案＋拋棄分支保留」模式；wayfinder 將票券單位正名為 Decision Ticket；writing-great-skills 更名並重構為 writing-for-agents（範疇從「撰寫 Skill」擴大為「撰寫任何供 Agent 消費的文件」，且改為 Model-invoked）；wizard、to-questionnaire 由 in-progress 畢業轉正；新增一詞修正 Skill wait-what；有 6 個 Skill 被徹底移除（ubiquitous-language、design-an-interface、qa、request-refactor-plan、edit-article、obsidian-vault），其功能已分別併入其他 Skill，skills/personal/ 資料夾也隨之消失；.claude-plugin/plugin.json 現已收錄 25 個 Skill（原 22 個）；Claude Code 原生 Plugin 安裝方式大幅簡化為單一指令 claude plugins install mattpocock-skills（不再需要先手動加入 marketplace）；diagnosing-bugs 新增密鑰自動隱匿（Redact）機制；improve-codebase-architecture 新增 YAGNI 範疇篩選。另外，先前版本提醒的「plugin.json 版號領先 CHANGELOG」治理落差已於本次查證中確認修復——三者版號已重新對齊為 v1.2.3。詳細變更範圍請見第 24.6 節版本紀錄。 ...

Agentic AI 與 LLM wiki Repo 建立教學手冊 — 企業級 AI 資產知識庫 版本：v3.1（2026-07-03） 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（36.1k+ Stars / 4.5k+ Forks / 400+ Contributors） 延伸參考：Karpathy LLM Wiki（5,000+ Stars / 5,000+ Forks） 最後審閱日期：2026-07-03 執行摘要 企業導入 GitHub Copilot、Claude Code 等 AI 開發工具後，最大的隱憂不是工具本身，而是團隊產出的 Agent、Instruction、Skill、Prompt 等「AI 資產」缺乏統一管理，導致重複造輪子、品質參差、知識隨人員異動而流失。本白皮書提出一套可落地的解法：以 GitHub 官方 awesome-copilot 的分類體系與治理機制為骨幹，建立企業內部的 AI 資產知識庫（第 1–10 章涵蓋 Repo 建立、目錄設計、內容規範、CI/CD 自動化、治理與團隊導入的完整流程）；並進一步整合 Andrej Karpathy 提出的 LLM Wiki 模式（第 11 章），讓「研究型、決策型」的知識也能由 LLM 持續編譯、複合成長，而非每次查詢都重新從原始資料派生答案。兩者互補：AI 資產知識庫管理「可執行的工具」，LLM Wiki 管理「持久化的判斷與脈絡」。讀者可依團隊規模（第 9.5.4 節）選擇適合的導入深度，從最小可行的 4 個核心目錄開始，逐步擴展至完整的 10 類資產與 LLM Wiki 知識層。 ...

AI 治理教學手冊（AI Governance Handbook） 版本：v5.0 適用對象：管理團隊 + 開發團隊 最後更新：2026-07-16 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 v4.0 2026-07-02 重大法規更新：台灣《人工智慧基本法》2025 年 12 月三讀通過（修正七大原則與主管機關分工）、EU AI Act Digital Omnibus 修正案（高風險義務延至 2027/2028 年、新增二項禁止實踐）、GPAI Code of Practice 正式版、金管會「金融業運用 AI 指引」（2024/6）、《個資法》與《資安法》2025 年修正；新增 ISO/IEC 42005/42006、NIST 2025-2026 動態（America’s AI Action Plan、Cyber AI Profile）、OECD 負責任 AI 盡職調查指引專節、AIEC 十項評測面向修正 AI 治理委員會 v5.0 2026-07-16 逐章節查證修正：台灣《人工智慧基本法》已於 2026/1/14 公布施行（含 2 年落日條款）、國家 AI 戰略特別委員會已於 2026/5/21 正式成立、moda AI 風險分類框架四步驟落地說明、金管會擬議納入代理式 AI 指引動態、個資會籌備處現況澄清、資安法施行細節；修正 EU AI Act Article 50 透明度義務延期範圍之誤植；新增 ISO/IEC 42001 認證概況、NIST 2025-2026 動態細節、OECD HAIP 2.0；新增 4.4 模型風險管理生命週期、4.5 供應鏈第四方風險、7.2.6 AI Agent 失控風險、13 章生成式內容標記合規；更新 3.1 AI 工具世代資訊；修正 LaTeX 格式問題 AI 治理委員會 目錄 法規與標準對照表 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》 國科會（中央主管機關） AI 發展與治理基本原則、風險分級管理、產業推動、人才培育、資料治理；確立七大基本原則（永續發展與福祉、人類自主、隱私保護與資料治理、資安與安全、透明與可解釋、公平與不歧視、問責） 國科會 2024 年草擬、2025 年改由數位發展部推動立法作業，2025 年 12 月 23 日立法院三讀通過，2026 年 1 月 14 日總統公布施行，為台灣首部 AI 專法。法案訂有 2 年落日條款：各目的事業主管機關須於施行後 2 年內，依中央主管機關訂定之風險分類框架完成子法訂修；行政院已於 2026 年 5 月 21 日由行政院長卓榮泰親自召集正式成立「國家 AI 戰略特別委員會」，國科會將據以研擬《國家人工智慧發展綱領》提委員會審議 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（六大核心原則）＋ 八項配套政策 2023 年 10 月發布，揭示六大核心原則與八項配套政策（含訂定 AI 指引、法規調適、監理科技、責成公會自律規範等）；金管會後續調查顯示已逾百家金融機構於智能客服、風控、行銷等業務導入 AI 1, 4, 7 金管會「金融業運用人工智慧（AI）指引」 金管會 依六大核心原則展開之操作性指引：涵蓋治理與問責（董事會與高階管理階層之監督責任）、AI 系統生命週期風險管理、資料治理與隱私保護、系統穩健性與安全性、透明性與可解釋性（含客戶告知）、委外與第三方管理 2024 年 6 月 20 日正式發布（2023 年 12 月草案公開徵詢後定案），為金融業 AI 治理最具體之遵循文件；採原則性、非強制性設計，並責成銀行、證券、保險等公會據以訂定自律規範與最佳實務守則。2026 年 5 月 7 日金管會主委彭金隆於立法院財政委員會表示，將修訂指引納入「可程式化 AI」「代理式 AI（AI Agent）」與風險分類機制，時程對標 EU AI Act 2026/8/2 全面生效——現階段屬研議中之修訂方向，尚未定案發布，企業應持續追蹤而非逕予採用 1, 4, 6, 7 《個人資料保護法》 個人資料保護委員會籌備處（尚未完成獨立設會） 資料蒐集/處理/利用之合法性基礎、安全維護義務、跨境傳輸限制、個資事故通知與通報義務 2023 年修正增訂獨立監督機關法源並成立個資會籌備處（2023/12/5 成立）；行政院 2025 年 3 月通過「個資會組織法」草案與個資法部分條文修正草案，個資法修正條文於 2025 年 10 月 17 日三讀、11 月 11 日總統公布（強化行政監管與檢查權限、明訂事故通知通報義務、調整罰則）。施行日期尚待行政院另定；「個資會組織法」尚未完成三讀，個資會現仍以籌備處型態運作，並非正式獨立機關。籌備處已於 2026 年 1 月預告施行細則修正草案及三項子法，內容含 72 小時資安事故通報與 DPO 設置要求 4, 7, 13 《資通安全管理法》 數位發展部（資通安全署執行） 資安防護基準、事件通報與應變、稽核評鑑、資安人員專職化、供應鏈安全管理 2025 年 8 月 29 日三讀、9 月 24 日總統公布修正，已於 2025 年 12 月 1 日正式施行：主管機關明定為數位發展部、公務機關原則禁止使用危害國家資安之資通產品、強化資安專職人員（資通安全長）配置與訓練、擴大稽核範圍至五院與地方政府、促進跨機關聯防；特定非公務機關未依規定通報之罰鍰由新台幣 30 萬元起、最高可處 1,000 萬元；資安署並同步修訂八項子法 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；《AI 基本法》通過後成為其法制基礎 9 數位發展部「AI 風險分類框架」／AI 產品與系統評測中心（AIEC） 數位發展部（數位產業署） 風險分類框架採四步驟流程：應用盤點 → 風險辨識 → 風險評估 → 風險應變，作為跨機關共通語言，由各目的事業主管機關（如金管會）據以訂定領域拘束性規範；AIEC 提供 AI 系統可信賴性評測，涵蓋十項評測面向：安全性、可解釋性、彈性、公平性、準確性、透明性、當責性、可靠性、隱私、資安 AIEC 為既有機制，於 2023 年 12 月啟動（非新設），參考 NIST、ISO 與歐盟規範提供評測服務；風險分類框架頁面 2026 年 3 月 23 日發布、2026 年 7 月 8 日更新，對應 PDF 版本（23 頁）可供企業對照盤點自身 AI 應用；規劃 2026 年推動國內產品通過國內外標準評測 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 供學研界與產業界遵循，強調以人為本的 AI 研發實踐；《AI 基本法》通過後與其七大原則銜接 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；明定禁止實踐清單 2024 年 8 月 1 日生效；2025 年 2 月起八大禁止實踐與 AI 素養義務適用；2025 年 8 月 2 日起 GPAI 義務適用（GPAI Code of Practice 正式版於 2025 年 7 月 10 日發布，含透明度、著作權、安全與資安三章，8 月 1 日獲執委會與 AI Board 認可）；Digital Omnibus 修正案於 2026 年 5 月 7 日達成三方臨時協議、6 月 16 日歐洲議會通過、6 月 29 日理事會最終批准：Annex III 獨立高風險系統義務延至 2027 年 12 月 2 日、Annex I 嵌入受監管產品之 AI 延至 2028 年 8 月 2 日，並新增二項禁止實踐（AI 生成未經同意之私密影像與兒少性剝削內容，2026 年 12 月 2 日生效） 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（條款 4-10，PDCA 架構）；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；全球認證數持續成長，2026 年春已逾 350 家組織取得認證（含 AWS、Microsoft、Anthropic、KPMG 等，惟無官方統一登錄、數字係彙整各驗證機構公開資訊），台灣已有認證機構提供服務；與 ISO/IEC 42005（影響評估）、42006（驗證機構要求）構成「建置—影響評估—驗證」完整標準包 1, 6 ISO/IEC 42005:2025 國際 AI 系統影響評估（AI System Impact Assessment）指引：於 AI 生命週期各階段評估對個人與社會之可預見影響，並與 AIMS、風險管理流程整合 2025 年 5 月發布，補足 ISO/IEC 42001 條款 6 與附錄所要求之影響評估方法論，為企業執行 AI 影響評估之主要國際參考。性質為指引文件，不可單獨作為認證依據，須與 42001 併同適用 6, 7 ISO/IEC 42006:2025 國際 對 AIMS 稽核與驗證機構之額外要求（稽核員能力、稽核時間、範圍界定），確保 ISO/IEC 42001 認證之公信力與一致性 2025 年 7 月發布，規範對象為驗證機構本身（非一般企業）；驗證機構須依此取得認可，企業選擇驗證機構時應確認其符合本標準，避免與 42005 之「企業自行適用」性質混淆 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；生成式 AI 風險概覽（NIST AI 600-1）2024 年 7 月發布。美國「America’s AI Action Plan」（2025 年 7 月）指示 NIST 修訂 AI RMF，具體修訂方向為移除錯誤資訊、DEI、氣候變遷等相關引用（非中性技術性調整，反映政策立場轉變），企業引用時應留意版本差異；Cyber AI Profile（NIST IR 8596）初稿於 2025 年 12 月公開徵詢，意見徵詢已於 2026 年 1 月 30 日截止，惟尚未定稿，將 AI 風險與網路安全框架（CSF 2.0）整合；2026 年 4 月發布之關鍵基礎設施 AI RMF Profile 目前僅為概念文件並徵集社群意見，尚非正式草案 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，納入生成式 AI 與基礎模型考量；2025 年 2 月推出廣島 AI 進程（HAIP）透明度報告框架；HAIP 報告框架 2.0 於 2026 年 5 月 28 日發布，擴大適用範圍至完整 AI 價值鏈（不限於前沿模型供應商）並簡化中小企業申報流程 1, 9, 10 OECD 負責任 AI 盡職調查指引（Due Diligence Guidance for Responsible AI） 國際 將「負責任商業行為（RBC）」六步驟盡職調查框架套用於 AI 價值鏈：政策內嵌、風險識別與評估、停止/預防/減緩、追蹤成效、對外溝通、補救措施 2026 年 2 月 19 日發布，為企業（含 AI 供應鏈上下游）辨識並處理 AI 負面影響之實務指引，與 OECD 跨國企業指導綱領銜接（詳見第 4.5 節） 4, 7 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 政策 美國 以促進創新與維持 AI 領導地位為主軸之聯邦政策 EO 14110（2023/10）於 2025 年 1 月被 EO 14179「移除美國 AI 領導地位之障礙」取代；2025 年 7 月 23 日白宮發布「Winning the Race: America’s AI Action Plan」，聚焦加速創新、AI 基礎建設與國際外交安全三大支柱，並指示 NIST 修訂 AI RMF；聯邦層級鬆綁之際，州級 AI 立法（如科羅拉多州 SB24-205）持續推進，形成多層次監管環境 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：v0.13.0「Stay in Flow」（對應 Open Design 0.13.0） 最後更新：2026-07-02 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、平台維運與採購決策者 授權：Apache-2.0（部分內建 Plugin／Skill 沿用原始授權，詳見附錄 A） 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 市場產品比較全景 1.4 BYOK 與 AMR 雙軌設計理念 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 專案目錄結構與資料治理 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 安裝路徑總覽 3.3 首次啟動與驗證 3.4 BYOK 設定 3.5 桌面版安裝 3.6 容器化與雲端部署 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 4.7 Craft 設計參考系統 4.8 OD Library 與使用者資產庫 5. Plugin 系統與 MCP 整合 5.1 Plugin 市集架構與定位 5.2 官方 Plugin 六大分類 5.3 Plugin CLI 操作 5.4 建立與貢獻 Plugin 5.5 MCP Server 整合 5.6 Open Design AMR 模型路由器 6. AI 開發流程（企業級） 6.1 Web Application 開發 6.2 舊系統逆向工程 6.3 Framework 升級 6.4 企業文件與報表生成 7. Prompt Engineering 7.1 Prompt 結構設計原則 7.2 高品質 Prompt 範本 7.3 Prompt 最佳化策略 8. 設計品質控管機制 8.1 五維度自我審核機制 8.2 P0 / P1 / P2 Checklist 8.3 Artifact Lint API 8.4 Slop 黑名單 9. 輸出與整合 9.1 匯出格式 9.2 CI/CD 整合 9.3 Git / PR 開發流程整合 9.4 Claude Design ZIP 匯入 10. 系統維護與營運 10.1 日誌與監控 10.2 錯誤處理 10.3 Skill 管理 10.4 Design System 更新策略 10.5 資料備份與復原 11. 系統升級策略 11.1 Open Design 升級流程 11.2 相容性管理 11.3 版本控管策略 11.4 回滾機制 12. 團隊導入建議 12.1 開發團隊使用方式 12.2 設計師協作模式 12.3 AI Agent 分工策略 12.4 SSDLC 整合方式 13. 最佳實踐（Best Practices） 14. 常見問題與風險 15. 與企業架構深度整合 15.1 微服務架構整合 15.2 Clean Architecture 對應 15.3 前端框架整合（Vue / React） 15.4 後端框架整合（Spring Boot / FastAPI） 16. 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。經過近兩個月的高速迭代，OD 已從單純的「Web app + 本地 daemon」演進為原生桌面應用、MCP 整合、Plugin 市集三翼並進的完整平台，但核心設計原則維持不變： ...

Warp + AI 開發完整教學手冊 版本：v1.2（2026-07-02） 適用對象：資深工程師 / 架構師 / DevSecOps 團隊 Warp 版本：v0.2026.06.03.09.49.stable_00（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（62,700+ 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，其中 UI 框架 warpui_core / warpui 兩個 crate 採 MIT，其餘核心程式碼採 AGPL v3），OpenAI 為創始贊助商。截至 2026 年 7 月，GitHub 已取得 62,700+ Stars，專案語言組成以 Rust（98.3%）為主體，開源後採「Agent-first」貢獻模式——人類貢獻者的角色從手寫程式碼轉為撰寫規格（Spec）、審查 AI 產出與調度 Agent 艦隊，此模式由 Oz 平台與 GPT 系列模型驅動。 ...