AI開發

Github Repositories 建立與維運教學手冊 — 企業級實戰指南 版本：v2.1（2026-07-03） 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：2026-07-03 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） v2.1 — 校正 Git LFS 配額表（改採 2025 年後用量計費模式）；更新 GHAS 功能矩陣以反映 Secret Protection / Code Security 拆分方案；擴充 Rulesets 個人 Bypass Actor 與分支更名規則；補強 Merge Queue GA 狀態與運作細節；新增 8.8 Actions 安全性強化與 2026 路線圖、9.9 開源授權合規檢查；更新 Private Vulnerability Reporting 2026 年營運現況；新增 13.8 GitHub Copilot Code Review、13.9 Copilot 平台最新動態與方案，並擴充 13.6 Coding Agent 進階能力；補充 Codespaces 資料落地與 GitHub CLI Discussions 子指令；修正附錄 A 目錄缺漏與清單格式（改為 GitHub Task List 語法）；全面校對並對齊 GitHub 官方文件（2026 年 7 月版） 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： ...

Anthropic Cybersecurity Skills 教學手冊 版本：v1.0（依據官方 repo v1.3.0 / main 分支，2026-07 查詢版本整理） 適用對象：Cybersecurity Architect、DevSecOps 架構師、AI Agent 架構師、Secure SDLC 顧問、資深後端／前端工程師、逆向工程／Framework 升級團隊 內容定位：本手冊聚焦於開源專案 Anthropic Cybersecurity Skills（github.com/mukul975/Anthropic-Cybersecurity-Skills）——目前最大的開源 AI Agent 網路安全技能庫——的設計理念、系統架構、六大框架整合、安裝設定、實戰應用（Web 開發／逆向工程／Framework 升級）、第三方技能安全審查，並延伸至企業級 DevSecOps 導入建議。 重要聲明（請務必詳讀）： 本專案為獨立社群專案，並非 Anthropic PBC 官方產品或官方維護的資產（README 原文："⚠️ Community Project — This is an independent, community-created project. Not affiliated with Anthropic PBC."）。專案作者為 Mahipal Jangra（GitHub：mukul975），採 Apache-2.0 授權。手冊中所有「Anthropic」字樣皆指技能庫命名慣例（呼應 Claude / Agent Skills 生態），不代表官方背書。 本技能庫包含攻擊性與雙用途（dual-use）技術（例如紅隊 C2、釣魚模擬、滲透利用），官方明確聲明：「僅限經授權且合法之用途」（Authorized & lawful use only）。僅可對「你擁有或已取得書面授權測試」的系統使用這些技能，並須遵守所有適用法規與交戰規則（Rules of Engagement）。使用者需自行承擔使用後果，詳見專案 SECURITY.md 與 CODE_OF_CONDUCT.md。企業導入前務必先完成法務／資安治理審查（詳見第 11、17 章）。 本文第 1～10、12～16 章之技術描述（Skill 數量、框架版本、YAML frontmatter 欄位、安裝指令、相容平台）基於官方 README、ATTACK_COVERAGE.md、repo 目錄結構逐項核對整理，非逐字翻譯；GitHub 社群數據（Star／Fork 數、Skill 總數）反映查詢當下時間點，會持續變動，實際導入前請以官方 repo 當下版本為準。第 8、9、10、17、19、20 章之企業應用情境屬「企業實務延伸」內容，是顧問觀點下的建議做法，並非官方功能宣稱，文中會標註。 如何使用本手冊 Anthropic Cybersecurity Skills 解決的問題很直接：市面上的資安工具倉庫（wordlist、payload、exploit script）教你「用什麼工具」，但沒有教 AI Agent「資深分析師的決策流程」——什麼情境該用哪個技術、前置條件是什麼、如何一步步執行、如何驗證結果。這個專案把 817 個結構化技能（Skill）以 agentskills.io 開放標準封裝，讓 Claude Code、GitHub Copilot 等 AI Agent 可以在毫秒等級的 frontmatter 掃描後，精準載入所需的資安工作流程。 ...

learn-claude-code 教學手冊 版本：v1.2（2026-07） 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（69.3k+ 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（20 Sessions） 3.1 Agent Loop（s01） 3.2 Tool Use 與 Dispatch Map（s02） 3.3 Permission 三層防護（s03） 3.4 Hooks 擴展點機制（s04） 3.5 Planning / Reflection — TodoWrite（s05） 3.6 Subagent 機制（s06） 3.7 Skills 按需載入（s07） 3.8 Context Compact — 壓縮策略（s08） 3.9 Memory System 記憶系統（s09） 3.10 System Prompt 動態組裝（s10） 3.11 Error Recovery 錯誤恢復（s11） 3.12 Task 持久化與相依管理（s12） 3.13 Background Tasks（s13） 3.14 Cron Scheduler 排程機制（s14） 3.15 Agent Teams 與 Mailbox（s15-s16） 3.16 Autonomous Agent 自治（s17） 3.17 Worktree + Task Isolation（s18） 3.18 MCP Plugin 外部工具整合（s19） 3.19 完整 Agent 整合（s20） 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） 4.6 CLAUDE.md 系統設計 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 5.8 加入 Hooks 機制 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） 9.6 MCP Server 整合 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 12.5 Context Engineering 最佳實踐 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 14.4 OpenClaw — 社群生態 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 69.3k+ Stars，MIT License，創立於 2025-06），核心理念為「Harness Engineering for Real Agents」。專案副標題精確概括了其定位： ...

agency-agents 教學手冊（Enterprise Guide） 版本：v3.1 ｜ 最後更新：2026-07-01 適用對象：資深工程師、架構師、技術主管 授權：內部教育訓練使用 目錄 總覽（Overview） 系統架構設計（Architecture） 安裝與環境建置（Installation & Setup） Agent 結構解析（Agent Design） 與 AI Coding 工具整合（Integration） 實戰：AI 開發流程（End-to-End Workflow） SSDLC（安全開發流程） 系統維運（Maintenance） 系統升級（Upgrade Strategy） 最佳實踐（Best Practices） 企業導入建議（Enterprise Adoption） 附錄（Appendix） 檢查清單（Checklist） 參考資源與社群（Resources & Community） 1. 總覽（Overview） 1.1 agency-agents 是什麼 agency-agents（又稱 The Agency）是由社群驅動的開源 AI 虛擬團隊框架，目前擁有 232 個專業化 AI Agent 角色，橫跨 16 個部門，由 90+ 位貢獻者共同維護。每個 Agent 不是簡單的 Prompt 模板，而是一份具備完整人設（Persona）、工作流程（Workflow）、溝通風格（Communication Style）、KPI 與成功指標的 Markdown 定義檔。該專案起源於 Reddit 社群的一篇討論，經過數月迭代，已成為 GitHub 上最受歡迎的 AI Agent 人設定義框架之一。專案現已推出原生桌面應用程式（macOS / Linux / Windows），使用者可透過圖形介面一鍵瀏覽完整 Agent 名冊、安裝到各工具，並自動更新。 ...

AutoResearch 驅動 SSDLC（安全軟體開發生命週期）教學手冊 版本：v3.0 日期：2026-07-01 上次更新：2026-07-01 適用對象：資深工程師、DevSecOps 團隊、AI 架構師、技術主管 前置需求：具備 Python、Git、CI/CD、基本 LLM 使用經驗 文件等級：企業標準技術白皮書 變更紀錄：v3.0 — 更新 Claude Code Agent SDK/Plugins/Routines 生態系、GitHub Copilot CLI/App/SDK/Agentic Workflows 全面改寫、AutoResearch 最新社群動態 📖 目錄（Table of Contents） 第 1 章：AutoResearch 與 SSDLC 整合概念 1.1 什麼是 AutoResearch？ 1.2 什麼是 SSDLC？ 1.3 AI 如何取代/輔助 SDLC 各階段 1.4 與傳統 DevSecOps 差異 1.5 自我優化迴圈（Self-Improving Loop） 1.6 AutoResearch 設計哲學與最新發展 第 2 章：系統整體架構設計 2.1 五層架構模型 2.2 SSDLC 完整流程圖 2.3 元件互動關係 2.4 安全邊界設計 第 3 章：環境建置與安裝 3.1 前置需求總覽 3.2 Python 環境安裝 3.3 Git 安裝與設定 3.4 AutoResearch 安裝 3.5 Claude Code 安裝與設定 3.6 GitHub Copilot 安裝與設定 3.7 VS Code 安裝與設定 3.8 一鍵安裝腳本 第 4 章：AutoResearch 核心運作解析 4.1 核心架構概覽 4.2 train.py — 可被 AI 修改的目標檔案 4.3 prepare.py — 固定的資料與工具層 4.4 program.md — Prompt Engineering 指令策略 4.5 AutoResearch 執行引擎 4.6 program.md 的 Prompt Engineering 技巧 第 5 章：SSDLC Workflow 設計 5.0 SSDLC 全階段總覽 5.1 階段一：需求分析（Requirement Analysis） 5.2 階段二：架構設計（Design） 5.3 階段三：開發（Development） 5.4 階段四：測試（Testing） 5.5 階段五：安全掃描（Security Scanning） 5.6 階段六：部署（Deployment） 5.7 階段七：監控（Monitoring） 5.8 階段八：優化（Optimization） 第 6 章：AI 自動優化機制 6.1 AutoResearch 自動優化核心原理 6.2 修改程式碼的策略 6.3 執行測試的流程 6.4 評估結果的機制 6.5 Keep / Revert 決策矩陣 6.6 應用於三大場景 第 7 章：CI/CD + AutoResearch 整合 7.1 整合架構概覽 7.2 GitHub Actions 完整 YAML 設計 7.3 自動觸發 AutoResearch 的機制 7.4 安全掃描結果彙總腳本 第 8 章：實戰案例 8.1 案例一：API 效能優化 8.2 案例二：安全漏洞自動修補 第 9 章：系統維運 9.1 日誌監控架構 9.2 模型 Drift 偵測 9.3 版本控管策略 9.4 Rollback 策略 9.5 維運 Checklist 第 10 章：系統升級與擴展 10.1 多 Agent 架構（Cluster） 10.2 分散式 AutoResearch 10.3 GPU / 雲端擴展 第 11 章：Claude Code 進階功能與 SSDLC 整合 11.1 CLAUDE.md 記憶系統 11.2 Skills 技能系統 11.3 Hooks 自動化機制 11.4 Subagents 子代理人架構 11.5 MCP（Model Context Protocol）整合 11.6 Plan Mode 與 Extended Thinking 11.7 Worktrees 平行開發 11.8 Agent Teams 團隊協作 11.9 排程任務（Scheduled Tasks） 11.10 Agent SDK（Python + TypeScript） 11.11 Plugins 生態系 11.12 Remote Control & Channels 11.13 Desktop App、Web、Chrome 整合 11.14 Code Review（Ultrareview） 11.15 Auto Mode & Sandbox 11.16 Analytics & Observability（OpenTelemetry） 第 12 章：GitHub Copilot Agent 生態系 12.1 GitHub Copilot 功能總覽（2026） 12.2 Cloud Agent 雲端代理人 12.3 Agent Skills 開放標準 12.4 Agentic Memory 記憶系統 12.5 Copilot Code Review 12.6 Copilot 與 SSDLC 整合策略 12.7 Copilot CLI Agent（命令列代理人） 12.8 Copilot App（桌面應用程式） 12.9 Copilot SDK（Node.js / Python / .NET） 12.10 Third-Party Agents（第三方代理人） 12.11 GitHub Agentic Workflows & Automations 12.12 Copilot Plugins 生態系 12.13 Enterprise Governance & AI Controls 第 13 章：Best Practices（企業建議） 13.1 Prompt 設計最佳實踐 13.2 安全策略最佳實踐 13.3 Git 管理策略 13.4 成本管理 13.5 Agent 安全治理最佳實踐 第 14 章：Anti-Patterns（常見錯誤） 14.1 致命錯誤（Must Avoid） 14.2 常見設計錯誤 14.3 Anti-Patterns 總覽表 附錄 A：Docker Compose 範例 附錄 B：專案目錄結構 附錄 C：檢查清單（Checklist） 附錄 D：術語表（Glossary） 附錄 E：參考資源與延伸閱讀 第 1 章：AutoResearch 與 SSDLC 整合概念 1.1 什麼是 AutoResearch？ AutoResearch 是由 Andrej Karpathy 於 2026 年 3 月提出的 AI 自主研究框架（GitHub: karpathy/autoresearch，⭐ 89.3k stars，12.9k forks），核心理念為：讓 AI Agent 在固定的 時間預算（Time Budget） 內，自主修改程式碼、執行測試、評估結果，最終決定是否保留變更。截至 2026 年 7 月，專案已累積超過 10,000 代的社群實驗，成為 AI 自主研究領域的標竿專案。 ...

Pi Code Agent 教學手冊（Enterprise Edition） 版本：v0.80.2（2026 年 7 月 1 日更新） 適用對象：資深工程師、架構師、DevOps 工程師 技術棧：Java / Spring Boot / Vue / TypeScript / Redis / Kafka / PostgreSQL 授權：MIT License 開發公司：Earendil Inc. 開源統計：⭐ 66.7k+ Stars、220+ Contributors、240+ Releases、8.2k+ Forks 目錄（Table of Contents） 概述（Overview） 核心設計哲學（Architecture Philosophy） 系統架構設計（System Architecture） 安裝與環境建置（Installation & Setup） 基本使用教學（Getting Started） Context Engineering（上下文工程） PLAN.md 開發模式 Extensions / Skills / Prompt Templates / Themes Pi Agent + SSDLC（企業重點） 實戰案例（Hands-on） 維運與監控（Operations） 升級與版本管理（Upgrade Strategy） OSS Session 共享與社群貢獻 Best Practices（企業建議） Anti-Patterns（重要） 容器化與沙箱安全（Containerization & Sandboxing） 結論（Conclusion） 檢查清單（Checklist） 1. 概述（Overview） 1.1 Pi Code Agent 是什麼 Pi（又名 Pi Coding Agent）是由 Mario Zechner（badlogic） 與 Earendil Inc. 開發的極簡終端 AI 程式碼開發工具，以 MIT License 開源於 GitHub。其核心定位為： ...

claude-howto 教學手冊（完整版） 文件版本：v2.0 最後更新：2026-07-01 基於 Claude Code 版本：v2.1.160 基於 claude-howto 版本：v2.1.160 release（2026-06 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 Fable 5 / Claude Opus 4.8 / Claude Sonnet 4.6 / Claude Haiku 4.5 授權方式：MIT License 修訂記錄（Revision History） 版本 日期 主要變更 v1.0 2026-04-24 初版發布，對應 claude-howto v2.1.112 v1.1 2026-05-02 補充 Hook 事件完整清單、Plugin 安全注意事項、Permission Modes 表 v2.0 2026-07-01 同步 claude-howto v2.1.160；新增 Fable 5 / Opus 4.8 模型說明；新增 4.12 Workflow 多代理編排、5.4 微服務架構開發、7.6 合規性自動化、第 13 章模型選用指南、附錄 D 術語表；更新 GitHub 統計；提升至企業技術白皮書格式 摘要（Executive Summary） 本手冊為企業技術白皮書等級文件，系統性介紹 claude-howto（GitHub: luongnv89/claude-howto）——目前最完整的 Claude Code 社群實戰指南（39k+ Stars，4.7k+ Forks）。文件涵蓋從安裝設定、10 大核心模組、AI 輔助開發流程、Prompt Engineering、SSDLC 安全整合，到企業落地策略的完整知識體系。 ...

free-claude-code 教學手冊 版本：2026-07 ｜ 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 7 月 1 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） 5.3 NVIDIA NIM 5.4 OpenRouter 5.5 DeepSeek 5.6 LM Studio 5.7 llama.cpp 5.8 Ollama 5.9 Google AI Studio（Gemini） 5.10 Mistral La Plateforme 5.11 Mistral Codestral 5.12 OpenCode Zen 5.13 OpenCode Go 5.14 Wafer 5.15 Kimi（Moonshot） 5.16 Cerebras Inference 5.17 Groq 5.18 Fireworks AI 5.19 Cloudflare 5.20 Z.ai 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） Admin UI 管理介面 Codex CLI 整合（fcc-codex） 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 37,900 顆星（6,000+ forks）。它攔截 Claude Code CLI、Codex CLI、VS Code Extension 或 JetBrains ACP 發出的 API 請求，將其轉發至多種 LLM 後端，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。 ...

oh-my-claudecode 教學手冊（完整版） 版本：v4.15.1（2026-06-27） 文件更新日期：2026-07-01 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（含 Ultragoal、Multi-Repo 整合） 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」。 ...

BMAD-METHOD 使用教學手冊 文件版本：6.0 最後更新：2026 年 6 月 30 日 適用版本：BMAD METHOD v6.9.0（穩定版） 適用對象：新進軟體工程師、系統分析師、專案成員 前置知識：基本軟體開發概念、版本控制基礎 Created by：Eric Cheng 目錄 前言 第一章：BMAD-METHOD 是什麼 1.1 方法論背景與設計目的 1.2 BMAD 與傳統開發流程的差異 1.3 為什麼 BMAD 特別適合 AI 協作開發 第二章：BMAD-METHOD 的核心概念 2.1 四大核心階段概覽 2.2 Analysis（分析）階段 2.3 Planning（規劃）階段 2.4 Solutioning（方案設計）階段 2.5 Implementation（實作）階段 2.6 各階段的目標、輸入與輸出 2.7 安裝與設定指南 2.8 官方模組總覽 2.9 Skills 架構深入解說 2.10 專案上下文管理（Project Context） 2.11 官方模組深入解說 2.12 Quick Flow 完整實戰指南 2.13 Dev Loop 自動化開發循環 2.14 新增工作流程參考 2.15 bmad-architecture 脊柱式架構設計（v6.9.0） 2.16 bmad-ux 雙脊柱-ux-設計（v6.8.0） 2.17 bmad-prd 統一-prd-管理（v6.7.0） 2.18 bmad-spec 規格蒸餾器（v6.8.0） 2.19 bmad-forge-idea 創意壓力測試（v6.9.0） 2.20 Web Bundles 網頁規劃套件（v6.8.0） 2.21 bmad-dev-auto 自主開發迴圈（v6.8.0+） 2.22 決策日誌與-memlog-工作記憶（v6.7.0/v6.9.0） 第三章：BMAD-METHOD 整體流程說明 3.1 從需求發想到交付的完整流程 3.2 每個階段與 AI 的互動方式 3.3 建議的文件與產出物 第四章：各階段詳細教學 4.1 Analysis 階段詳細教學 4.2 Planning 階段詳細教學 4.3 Solutioning 階段詳細教學 4.4 Implementation 階段詳細教學 第五章：AI Prompt 實戰範例 5.1 Analysis 階段 Prompt 範例 5.2 Planning 階段 Prompt 範例 5.3 Solutioning 階段 Prompt 範例 5.4 Implementation 階段 Prompt 範例 5.5 銀行與大型系統專用 Prompt 實戰對話 5.6 BMAD v6 Skills 實戰 Prompt 範例 5.7 BMAD v6.7–v6.9 新 Skill 實戰 Prompt 範例 第六章：BMAD-METHOD 與其他方法論比較 6.1 與 Scrum / SAFe 的差異 6.2 與 SDD / Spec-Kit 的差異 6.3 適用與不適用情境 第七章：新進同仁快速上手指南 7.1 第一週可以怎麼用 BMAD 7.2 建議學習順序 7.3 團隊內導入建議 第八章：常見問題（FAQ） Q1：BMAD 是否會取代 SA / PG？ Q2：BMAD 是否一定要用 AI？ Q3：如何在既有（Brownfield）系統中導入？ Q4：BMAD 產出的文件品質如何？ Q5：如何處理 AI 產出的錯誤？ Q6：BMAD 適合什麼規模的團隊？ Q7：如何評估 BMAD 導入效果？ Q8：Skills 和舊版 Slash Commands 有什麼差別？ Q9：如何選擇適當的 IDE？ Q10：project-context.md 需要手動維護嗎？ Q11：如何處理多個 AI 代理之間的上下文切換？ Q12：BMAD 如何與 CI/CD 整合？ Q13：如何在離線環境中使用 BMAD？ Q14：bmad-dev-auto 自主開發迴圈的使用建議？ Q15：Web Bundles 如何節省成本？ Q16：如何從舊版 Skill 遷移到新版？ 疑難排解（Troubleshooting） 常見問題排除 效能最佳化建議 進階主題：BMAD 客製化與擴展 進階 1：使用 BMB 建立客製化代理 進階 2：建立組織專屬的工作流程範本 進階 3：多模組整合架構 進階 4：llms-full.txt 與 AI 自助學習 進階 5：Brownfield 專案遷移策略 進階 6：TOML 客製化框架（v6.4.0 新增） 進階 7：發布通道管理（v6.4.0 新增） 進階 8：v6.5.0 跨平台 Skills 標準 進階 9：WDS 白港設計工作室（v6.7.0） 進階 10：bmad-method-ui 視覺化介面（v6.8.0） 附錄：檢查清單（Checklist） A. BMAD 專案啟動檢查清單 B. 各階段完成檢查清單 C. AI 協作品質檢查清單 D. 新進同仁學習進度檢查清單 術語表（Glossary） 代理角色快速對照 常用 Skill ID 快速對照 參考資源 版本紀錄 前言 為什麼需要這份手冊？ 在人工智慧快速發展的時代，軟體開發方式正經歷革命性變化。傳統的開發流程往往無法充分發揮 AI 助手的潛力，導致： ...