#AI

RAG 拆開就三件事：切塊存起來、依問題找相關的塊、把塊餵給模型生成。資料量還沒到上千萬筆，你已經在用的 Postgres 加上 pgvector 就夠了，還能少維運一個外部服務。這篇用 TypeScript 從零做一個會標出處的 RAG：用 Postgres 存向量、一句 <=> 檢索、一次帶 citations 的生成，答案直接對回原文。

模型換得比套件還快，但只要把所有 LLM 呼叫收進單一抽象層，換模型、換供應商對你的應用程式就只是改一個設定值。這篇用中立介面、轉接器、工廠三個步驟，把供應商細節擋在商業邏輯外面，附上可以直接抄的 Anthropic SDK 範例，也講清楚這個做法的邊界。

有些事一個 AI、一份 SOP 扛不住：掃整個專案的 bug、搬幾百個檔案、查一個要交叉比對幾十個來源的問題。Dynamic Workflows 讓 AI 照一份腳本，調度幾十上百個分身幫你做事，中間成果它自己收著，只把結論交給你。這篇用工頭調班的比喻，帶你認識它是什麼、何時該用、跟 skill 和子代理差在哪，不寫程式也能懂。

把整個 Obsidian 知識庫交給 AI 管三個月後，我最大的體悟是：AI 好不好用，八成取決於我，不是它。這篇帶你看我的分層、frontmatter、CLAUDE.md、skill 與記憶，談一個觀念—模型只是引擎，環境才是讓它能託付職責的底盤。

Karpathy 的 skills 專案、addyosmani 的 agent-skills 連續上 GitHub 熱門榜。Prompt 用完即丟、Skills 是版本化的工作流。這篇從我自己的 ~/.claude/skills vault 出發，談 Prompt 與 Skill 的差別、Memory 配對、3 個設計原則，與什麼時候不該寫 skill。

過去三年大家把所有對話丟進向量資料庫，token 越疊越貴、召回反而越糟。AI 記憶的下一步不是「存更多」，而是「忘對」。這篇從 cognitive-ai-memory 出發，談艾賓浩斯曲線、MCP，與一條可實作的記憶設計路。

這篇用 Next.js + TypeScript 從零做一個能連 server、列工具、呼叫工具的 browser MCP client，全部程式碼可複製貼上跑起來。

想讓使用者在 Claude Desktop 點一下就接上 MCP server、不用複製貼上 API token？關鍵在 OAuth。這篇走過我在 Minglion 實作 OAuth 2.1 的完整路徑，涵蓋 metadata、Dynamic Client Registration、PKCE、token 驗證，含 5 個踩過的坑。

最近發現 Claude Code 可以透過 Telegram Plugin 直接用手機跟它互動，等於隨時隨地都能讓 Claude Code 幫你做事。這篇完整記錄從零開始的設定流程。

讓 AI Coding 更可靠的規格驅動開發工具

還記得第一次聽到 Claude Code 時，我心想：「又一個 AI 工具？」直到真正用過後，才發現這不只是工具，更像是找到了一個真正理解你程式碼的開發夥伴。

Dify 是一個開源的 LLM 應用開發平台。他提供了從 Agent 建置到 AI workflow 、 RAG 檢索、模型管理等能力，輕鬆建置和營運生成式 AI 原生應用程式，因為更佳的視覺化，所以對於 AI 新手來說，會比 LangChain 更容易來的使用。

Assistants API 允許我們在自己的應用程式裡面去建立一個 AI 助理。一個助理可以擁有自己的提示 ，而且還可以利用 model 、tool 和 匯入自己的資料來去回應使用者查詢。