AI開發

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。 ...

Github Repositories 建立與維運教學手冊 — 企業級實戰指南 版本：v3.0（2026-09-25） 適用對象：技術主管 / 架構師 / 資深工程師 / 平台與 DevOps 團隊 / 資安人員 / 專案經理 定位：企業標準技術白皮書 參考標準：GitHub Docs — Repositories（2026-09 版）/ GitHub Changelog / GitHub Enterprise Cloud 治理實務 / DevSecOps / SSDLC / SLSA 最後審閱日期：2026-09-25 本版重點：依官方 Repositories 文件樹逐章查證，更正 38 項內容、新增 22 個小節與附錄 B、C，並全面升級範例中的 Action 版本；完整清單見 附錄 C.2 與 附錄 C.3，歷次版本見 附錄 C.5 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、11 章 Repository 建立、Git 操作、Branch 策略、CI/CD、Issue 架構師 第 1、2、5、9、13、16 章 治理原則、管理架構、標準結構、DevSecOps、AI 整合、企業範例 平台 / DevOps 工程師 第 2.6、3.6、4.12、7、8、12、14 章 Custom Properties、存取機制、設定基準、Rulesets、Actions、Release、維運 技術主管 / PM 第 1.8、2、3、11、14、15 章 成熟度模型、Organization、Issue 管理、治理、企業實踐 資安人員 第 3.6、7.11、8.8、8.9、9、12.7、14、15 章 憑證治理、規則、供應鏈、DevSecOps、合規 稽核 / 法遵 第 14.8、15.4、附錄 A.5、附錄 C 活動洞察、合規自動化、稽核清單、查證紀錄 標記說明： ...

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：v0.84.2（2026 年 8 月 14 日發布，手冊內容核校至 2026 年 8 月 20 日） 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.(原作者 Mario Zechner「badlogic」2026 年 4 月將專案併入 Earendil) 開源統計：⭐ 94.1k+ Stars、11.6k+ Forks、278+ Contributors、255+ Releases、310+ Watchers(GitHub API 即時查詢，2026-08-20 核對；Unreleased 分支已累積數項待發布的修復與 Extension 事件強化，尚未正式掛上版本號) 倉庫健康度：Open Issues 87、Open PRs 48(新貢獻者提交會自動關閉待每日人工審查，見 CONTRIBUTING.md)；語言組成 TypeScript 94% / JavaScript 5.3% / Shell 0.3% / CSS 0.3% / C 0.1%,單一 TypeScript 為主的技術棧有利企業內部靜態分析工具鏈整合 ...

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（FCC）企業技術白皮書與導入手冊 文件版本：v3.0（2026-09） 對應上游版本：Alishahryar1/free-claude-code v6.1.4（53,800+ Stars／8,600+ Forks） 適用對象：資深工程師 / 架構師 / DevOps / 平台工程 / AI 開發團隊 / 技術決策者 授權條款：MIT License 文件定位：企業級 AI 輔助開發平台之技術評估、導入、維運與治理手冊 語言：繁體中文 最後更新：2026 年 9 月 8 日 免責與商標聲明 Free Claude Code（以下簡稱 FCC）為獨立開源專案，與 Anthropic 無隸屬關係，亦未取得 Anthropic 背書。Claude 與 Claude Code 為 Anthropic 之商標；Codex 為 OpenAI 之商標；其餘產品名稱歸各自權利人所有。 本手冊所述之各 Provider 免費額度、速率限制與服務條款，均由各 Provider 自行制定並可能隨時變更。企業導入前，務必自行確認各 Provider 之服務條款（ToS）是否允許貴組織的使用情境（特別是商業用途、團隊共用與自動化呼叫）。本文件僅供技術參考，不構成法律意見。 目錄 概述（Overview） 1.1 FCC 是什麼 1.2 核心價值主張 1.3 與 Claude Code 官方訂閱的差異 1.4 適用場景與不適用場景 1.5 版本演進與重大變更 1.6 架構定位圖 系統整體架構（Architecture） 2.1 高階架構圖 2.2 分層架構與原始碼結構 2.3 Request Flow：Anthropic Messages 路徑 2.4 Request Flow：OpenAI Responses 路徑 2.5 模型路由與階層繼承 2.6 Fallback Chain 自動故障轉移 2.7 Reasoning 推理強度控制 2.8 Token 最佳化機制 2.9 擴充點（Extension Points） 安裝與環境建置（Installation） 3.1 系統需求 3.2 安裝方式決策 3.3 方式一：官方安裝腳本（推薦） 3.4 方式二：原始碼安裝（稽核 / 開發） 3.5 啟動 FCC 服務 3.6 首次設定（以 NVIDIA NIM 為例） 3.7 啟動 Coding Agent 3.8 安裝驗證 3.9 檔案與目錄配置 3.10 更新與解除安裝 3.11 環境建置流程圖 核心設定（Configuration） 4.1 設定來源與優先權 4.2 Admin UI 設定面板 4.3 模型設定：MODEL、階層與 Fallback 4.4 Reasoning 設定 4.5 Proxy 認證與服務連線 4.6 速率限制與逾時 4.7 請求最佳化開關 4.8 Web Tools 設定 4.9 企業 Proxy（Per-Provider） 4.10 Messaging 與語音設定 4.11 日誌與診斷設定 4.12 環境變數完整速查表 Provider 生態系（50 家供應商） 5.1 Provider 分類全覽 5.2 完整 Provider 目錄 5.3 認證模式：API Key 與 Connected Account 5.4 免費額度優先組合 5.5 重點 Provider 詳解 5.6 訂閱制 Provider 與合規注意事項 5.7 企業雲 Provider 5.8 本地 Provider 5.9 Provider 選型決策矩陣 5.10 混合 Provider 路由策略 Coding Agent 與客戶端整合（Clients） 6.1 十大 Coding Agent 總覽 6.2 Claude Code 整合 6.3 Codex 整合（CLI / App / VS Code） 6.4 其餘 Agent 啟動方式 6.5 VS Code 整合 6.6 JetBrains ACP 整合 6.7 瀏覽器 Code Sessions 6.8 Discord / Telegram 遠端協作 6.9 語音輸入（Voice Notes） 6.10 客戶端疑難排解 開發實戰（AI Development Use Cases） 7.1 Web Application 開發 7.2 舊系統逆向工程 7.3 Framework 升級 7.4 多模型協作模式 SSDLC（安全開發流程） 8.1 AI 輔助 SSDLC 整體流程 8.2 Threat Modeling（威脅建模） 8.3 Code Review（AI 安全審查） 8.4 Security Scan 整合 8.5 SSDLC 自動化流程 團隊導入策略（Team Adoption） 9.1 導入階段規劃 9.2 開發流程設計 9.3 Prompt Template 管理 9.4 AI Agent Team 設計 9.5 治理與濫用防制 維運與監控（Operations） 10.1 日誌架構 10.2 Token 與成本監控 10.3 成本控管策略 10.4 速率限制設計 10.5 健康檢查與可觀測性 品質驗證：測試與 Smoke Testing 11.1 兩層測試策略 11.2 Hermetic 測試 11.3 Live Smoke Testing 11.4 Smoke Target 對照表 11.5 Smoke 模型覆寫 11.6 實務執行範例 升級、擴展與高可用（Upgrade & Scaling） 12.1 升級策略 12.2 新增自訂 Provider 12.3 水平擴展 12.4 高可用設計 12.5 Dev / Stage / Prod 環境設計 安全、隱私與合規（Security & Compliance） 13.1 威脅模型 13.2 Proxy 認證強化 13.3 憑證與金鑰管理 13.4 資料外流與駐留風險 13.5 Prompt Injection 與供應鏈風險 13.6 服務條款與授權合規 13.7 安全基線設定檔 CI/CD 整合 14.1 GitHub Actions 範例 14.2 CI/CD 整合架構 14.3 自建 Runner 注意事項 開發與貢獻指南（Development & Contributing） 15.1 開發環境設定 15.2 本地 CI 流程 15.3 程式碼規範 15.4 架構原則 15.5 版本控管規則 15.6 貢獻規則 常見問題（FAQ） 最佳實務（Best Practices） 17.1 架構設計 17.2 Prompt Engineering 17.3 成本最佳化 17.4 安全性 17.5 反模式清單 範例 Prompt 集 18.1 通用開發 Prompt 18.2 Code Review Prompt 18.3 逆向工程 Prompt 18.4 升級評估 Prompt 18.5 多模型交叉驗證 Prompt 18.6 FCC 環境診斷 Prompt 導入檢查清單（Checklist） 19.1 安裝與環境 19.2 客戶端連線 19.3 模型與路由 19.4 安全 19.5 合規 19.6 團隊導入 19.7 維運 19.8 開發貢獻 附錄（Appendix） 20.1 環境變數全表 20.2 CLI 指令速查 20.3 API 端點速查 20.4 名詞對照表 20.5 參考資源 1. 概述（Overview） 1.1 FCC 是什麼 Free Claude Code（FCC）是一套以 Python 3.14 + FastAPI 建構的本機 AI 閘道（Local AI Gateway）。它在開發者機器上啟動一個代理伺服器，同時對外提供兩種業界標準協議端點： ...

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」。 ...