所有文章

從 100 題 human-labeled 校準集開始，驗收 LLM Judge 的 agreement、position bias、重跑穩定性與 false pass，再把 abstain、人工複核和 deterministic gates 接進 CI。

Agent Experience（AX）不是 llms.txt 或掃描分數。用 3 個 Coding Agent、3 項任務與前後比較，驗收網站的任務結果、流量成本、臆造網址與安全邊界。

Needle 3 的 29MB 說法成立嗎？本文固定模型與原生 runner，以三個 depth 設定跑完 30 條中英 Tool Calling 測例，檢查 exact match、confidence 與高風險動作，找出可上線與必須停下來確認的邊界。

Claude Code Projects 新手實戰：用 Coordinator 安全分派三條雲端 threads，實作 ownership、共享記憶修正、merge conflict、用量煞車與單 Agent 回退。

同一模型換了 Harness 就像換腦？本文把 176 組研究設定拆成可在自己 repo 重跑的 Plan／Tools／Context 受控消融，附工作表、指標與決策規則。

美債殖利率回到5%，指數混合收盤、加密股逆勢點火；• $MSTR狂飆 • 巴菲特交棒 • $XENE試驗踩煞車

Claude Code 2.1.277 支援 AGENTS.md，但預設並不會和 CLAUDE.md 合併。用三條遷移路徑與四組 canary，選出最穩健的跨 Agent 指令架構。

用一張本機優先的 AI Setup Card，盤點 Agent、Skills、MCP、權限邊界與每月成本，完成 private、team、public 三種分享版本，公開前先遮蔽與人工核准。

Qwen3.8-Omni-Flash 把長影音接進 Agent 工作流。本文拆解 1M context、Realtime、Plugins、Harness、benchmark 與價格主張，判斷突破來自模型還是整套工具鏈。