Web3 2026年4月21日 x402：看不見的 Web3 03｜當 Web3 看不見，風險也會變得看不見 Invisible Web3 不是把風險藏起來，而是把授權、預算、metadata、facilitator、discovery、退款與稽核設計進產品。
Web3 2026年4月21日 x402：看不見的 Web3 02｜x402 不是 AI Agent 的 Stripe，它是 Paid Request Grammar x402 很容易被說成 AI Agent 的 Stripe，但更精準的理解是：它是一套讓 HTTP request 可以報價、授權、付款、驗證與交付的 paid request grammar。
Web3 2026年4月21日 x402：看不見的 Web3 01｜Web3 最成功的樣子，可能是使用者不知道自己用了 Web3 一篇關於 Invisible Web3、x402、AI agent payment 與使用者體驗的觀點文。真正成熟的 Web3，可能不是讓所有人學會鏈，而是讓鏈安靜地把任務完成。
商業 2026年4月15日 用您的聲音，幫助我們打造更好的 AI 陪伴服務 我們正在研究語音 AI 陪伴如何真正支持長輩與他們的家屬。您的回饋——無論您是長輩本人還是照顧者——將直接影響我們的產品方向。
商業 2026年4月13日 趨勢的背後 01｜從 Smart Nation 2.0 到 NAIS 2.0，新加坡的政策正在怎麼變成商業機會 新加坡現在正在做的，不只是科技政策，而是下一輪商業基礎設施的設計。讀完這幾份文件後，我比較在意的已經不是哪一句最適合拿來 pitch，而是這件事本身透露出的商業現實。
AI 2026年4月11日 本地 LLM 微調拆解：從 Modelfile、LoRA 到 DPO 的實戰系列 Appendix A｜術語字典與層級對照表 當你看到一個名詞，想知道它到底是什麼、在第幾層、該往哪裡改時，可以快速查到一個夠用而不失真的答案。
AI 2026年4月10日 本地 LLM 微調拆解：從 Modelfile、LoRA 到 DPO 的實戰系列 part 09｜如何挑主力版本：Lexi、主力 adapter 與最後留下的判準 哪些版本值得留下來當主力。
AI 2026年4月10日 本地 LLM 微調拆解：從 Modelfile、LoRA 到 DPO 的實戰系列 part 08｜從 adapter 到 Ollama：merge、quantization 與部署 訓練跑完，不等於模型可以直接用。
AI 2026年4月10日 本地 LLM 微調拆解：從 Modelfile、LoRA 到 DPO 的實戰系列 part 07｜訓練成本與 MPS：為什麼會慢、會卡、會 OOM 訓練不是慢版推理。訓練是在同一個空間裡，同時背著 forward、loss、backward、梯度、optimizer states 和權重更新。
創業 2026年4月10日 被現實修正之後 05｜客戶說有興趣，跟他真的往前站，是兩回事 那堂 first customer success 的 workshop 到最後，講者把白板畫成一個很粗的梯子。 最下面是 discovery call。
創業 2026年4月10日 被現實修正之後 06｜產品更好不夠，客戶還得算切換的痛 在 Draper U 另一堂課裡，講者問了一個比「為什麼客戶會買」更不舒服的問題： **如果對方真的有需求、有預算，也看得懂你的價值，為什麼還是不買？**
創業 2026年4月10日 被現實修正之後 07｜早期員工最值錢的，不是 title，是把模糊接成結果的速度 我在 Draper U 聽 Cristina Cordova 那場 fireside 時，腦中其實先浮出一個很俗的問題。 如果不是 founder，一個人在 startup 最早期到底怎麼變得重要？
創業 2026年4月10日 被現實修正之後 08｜文化不是你寫在牆上的字，是你一再做出的決定 在 Draper U 那場 fireside 開始前，我其實對這類題目有一點防備。 只要主題是 team、people、culture，我通常會先預設它很容易變空。講到最後，大家都會同意文化很重要、招人要慎選、要重視 feedback…
AI 2026年4月9日 本地 LLM 微調拆解：從 Modelfile、LoRA 到 DPO 的實戰系列 part 06｜訓練腳本怎麼看：從 `train_lora.py` 到 `train_partial_ft.py` 把模型、資料、tokenizer、訓練方法、參數範圍和節奏全部綁在一起的實驗設計書。
AI 2026年4月9日 本地 LLM 微調拆解：從 Modelfile、LoRA 到 DPO 的實戰系列 part 05｜DPO：偏好式微調到底在改什麼 當你沒有唯一標準答案，只有「這個比較好、那個比較差」的偏好時，模型到底該怎麼學？
AI 2026年4月9日 本地 LLM 微調拆解：從 Modelfile、LoRA 到 DPO 的實戰系列 part 04｜SFT、LoRA 與 full fine-tune：它們各自在改什麼 SFT 回答的是你打算怎麼教。LoRA 回答的是你打算怎麼改。full fine-tune 回答的是你打算改多深。
創業 2026年4月9日 被現實修正之後 03｜Pitch deck 不是公司簡介，它只是讓投資人決定要不要繼續看你 在 Draper U，那堂由 Melanie 主講的 pitch workshop，一開場就不太客氣。 她說，想像你在週五下午五點把 deck 寄進一間基金。對方那天已經看了十幾份案子，甚至更多。這時候你最不該期待的事，就是他願意先替…
創業 2026年4月9日 被現實修正之後 04｜市場不是越大越好，你先問自己現在贏得下哪一小塊 在 Draper U 那堂 GTM session 裡，講者在白板上先寫了三句很簡單的話： - Who you sell
AI 2026年4月8日 本地 LLM 微調拆解：從 Modelfile、LoRA 到 DPO 的實戰系列 part 03｜工具鏈怎麼分工：Hugging Face、Transformers、PEFT、TRL 與 Ollama
AI 2026年4月8日 本地 LLM 微調拆解：從 Modelfile、LoRA 到 DPO 的實戰系列 part 02｜模型記憶怎麼分：上下文、外部記憶、參數記憶與 continual learning
創業 2026年4月8日 被現實修正之後 01｜在別人願意回你以前，他得先知道怎麼判斷你 Draper U 那兩堂由 Rachel Konrad 主講的課，我最後帶走的不是某一個寫作技巧。 是另外一件更不體面的事。
創業 2026年4月8日 被現實修正之後 02｜不是你不會 networking，是多數 networking 活動根本辦得很爛 我對這件事真正改觀，不是在課堂上。 是在舊金山自己把一場 founder × investor mixer 辦出來之後。
創業 2026年4月7日 創業家的類別創造 Part 2 － 創業家怎麼真的做 category design：problem framing、POV、languaging、募資與 go-to-market Part 1 先處理了一件事：類別創造不是命名遊戲，也不是所有新創都該硬玩的品牌豪賭。它真正要解的，是市場一直用錯鏡頭看你。
創業 2026年4月7日 創業家的類別創造 Part 1 － 什麼是 category design，為什麼創業家不該只打「更好產品」這張牌 很多創業家第一次聽到 category design，直覺反應都差不多。
創業 2026年4月6日 暫停之後 | 創業這兩年的開始、轉向與暫停 — Part 07: 從 founder 變回候選人，沒有我想得那麼容易 我原本以為，創業做了一輪之後，回到求職市場，至少有一件事會變簡單。
創業 2026年4月6日 暫停之後 | 創業這兩年的開始、轉向與暫停 — Part 05: 問題大家都知道，旅宿業者為什麼還是不動 我後來做 BD 時，最常碰到的一種反應，不是對方聽不懂，也不是他們覺得我在解假問題。
AI 2026年4月5日 PM LLM 應用工程與治理 Part 4 － Agent 不是萬靈丹：什麼時候該做多步工作流，什麼時候該停在 Guardrails、KPI 與治理 做到 tool calling 和 RAG 之後，幾乎每個團隊都會出現同一種衝動。
AI 2026年4月5日 PM LLM 應用工程與治理 Part 3 － LLM 不是自己做事：Tool Calling、RAG 與知識檢索怎麼把模型接回真實世界 很多團隊在把 LLM 接進產品時，第一個直覺都是：先把 prompt 寫好，再看看模型能不能自己撐住。
AI 2026年4月5日 PM LLM 應用工程與治理 Part 2 － 從 Prompt 到輸出合約：為什麼 JSON schema、validator、retry 才是企業落地的第一道門票 - 你已經做過 prompt，開始發現「看起來對」和「系統真的能接」是兩回事 - 你正在做分類、抽取、摘要、intake、ROI 估算、ticket triage 這類要進下游流程的任務 - 你是 PM、工程、AI PM、PMO，想把 PoC 拉近 production 一點點
AI 2026年4月5日 PM LLM 應用工程與治理 Part 1 － 不只是 Prompt Engineering：PM 到底在做什麼，才算真正把 LLM 用進產品與工作流 - 你已經會用 ChatGPT，但開始想把 LLM 接進產品、內部流程或自動化工作流 - 你常聽到 prompt engineering、RAG、tool calling、agents，可是感覺大家都在講同一鍋 - 你是 PM、ex-engineer、AI PM、PMO，正在想這些東西到底怎麼分層
產品 2026年4月5日 PM 用戶研究與田野訪查 04 － 研究對象不是湊滿 5 個人就好：PM 該怎麼找對人、篩對人、避開錯的人 - 你問了根本沒有相關經驗的人 - 你找了太熟悉你產品的人，卻以為自己在研究新手 - 你找了很會講的人，卻不是會做那件事的人 - 你找了方便約到的人，卻不是能回答問題的人
產品 2026年4月5日 PM 用戶研究與田野訪查 09 － 痛點不等於抱怨：PM 怎麼確認 JTBD、切換時刻與痛苦指數，又不提早跳去解法 很多 PM 聽完幾場訪談之後，很容易帶著一個過度樂觀的錯覺離開：
產品 2026年4月5日 PM 用戶研究與田野訪查 08 － 從逐字稿到洞察：PM 怎麼做研究分析、thematic analysis、affinity mapping，而不是只貼幾句金句 很多團隊其實不是沒做研究，而是研究做完之後，分析像沒有真的開始過。
產品 2026年4月5日 PM 用戶研究與田野訪查 07 － 訪談與田野不是聊天：PM 怎麼主持研究、做觀察、記筆記、避免把現場帶歪 很多 PM 一開始做訪談時，最容易犯的錯不是「問題不夠多」，而是把研究 session 想成一場自然聊天。
產品 2026年4月5日 PM 用戶研究與田野訪查 06 － 訪綱不是問題清單：PM 怎麼設計不誘導、能挖到真相的研究問題 大家聊得很順，筆記也很多，錄音聽起來很熱鬧。 但回頭要做決策時，卻發現真正能用的 evidence 不多。
產品 2026年4月5日 PM 用戶研究與田野訪查 05 － Outreach、Screener、Incentive、Consent：把研究招募做成可重複流程，而不是每次臨時約人 - 不知道該去哪裡找人 - 發了一封邀請信就開始等奇蹟 - screener 問得像在提示正確答案 - 招到人後排程很亂，no-show 一多就整輪崩掉 - incentive 拖很久才發，下一次更難找人 - consent 和資料處理沒有講清楚，後面才補救
產品 2026年4月5日 PM 用戶研究與田野訪查 03 － 不是所有研究都叫訪談：User Interview、Usability Test、Field Study、Diary Study 到底差在哪 很多 PM 不是沒有做研究，而是把太多不同方法都叫成「訪談」。
產品 2026年4月5日 PM 用戶研究與田野訪查 02 － Qualitative、Quantitative、Mixed Methods：PM 不是要二選一，而是要知道各自回答什麼問題 很多 PM 聽到「定性」和「定量」，腦中浮出的不是研究問題，而是立場。
產品 2026年4月5日 PM 用戶研究與田野訪查 01 － 數據有答案，使用者卻沒聲音：PM 為什麼需要用戶研究來補上產品盲點 dashboard 很會告訴你哪裡掉了、哪裡變慢了、哪個 cohort 比較差，但它通常不會自己把使用者腦中的權衡、現場的限制、流程外的 workaround，一併翻譯給你。那一段空白，就是用戶研究存在的理由。
產品 2026年4月5日 PM 成長槓桿與變現 06 － Growth OS：成熟的 PM 不是不停想點子，而是讓指標、實驗、決策和放大節奏固定下來 很多團隊不是沒有想法。 真正的問題通常是另一種：想法很多，節奏很亂；實驗有做，讀不出來；看板有一堆，決策還是靠臨場感。
產品 2026年4月5日 PM 成長槓桿與變現 05 － 獲客不只看轉換：PM 該懂的 SEO、Paid、Partnership、Attribution 與 Incrementality 很多 PM 一碰到獲客，反應都很像：先看 CAC、先看 ROAS、先問這個渠道轉換率多少。
產品 2026年4月5日 PM 成長槓桿與變現 04 － Monetisation 不只是加 paywall：Fake Door、Trial、Bundling 與限制策略該怎麼選 很多產品一談 monetisation，第一個反應就是 paywall。
產品 2026年4月5日 PM 成長槓桿與變現 03 － Lifecycle 不是亂發提醒：Retention 其實是在設計使用者回來的理由 歡迎信幾封。 推播幾則。 多久沒回來就發提醒。 多久沒下單就丟折扣。
產品 2026年4月5日 PM 成長槓桿與變現 02 － Value Prop、訊息測試與 Landing：成長實驗很多時候先輸在承諾講不清楚 產品明明不是不能用。 價值也不是完全不存在。 團隊甚至做了很多功能。
產品 2026年4月5日 PM 成長槓桿與變現 01 － Activation 不是 onboarding：PM 該先找的是 aha、TTFV 與第一個可驗證的價值時刻 很多團隊一講 activation，腦中浮現的其實是 onboarding。
產品 2026年4月5日 PM 產品數據與實驗 08 － 資料不是壞在 SQL：PM 真正常遇到的是 identity、late events、bot traffic 與 rollout 失敗 - query 寫錯了嗎 - dashboard 壞了嗎 - 那個 SQL 是不是 join 爆掉了
產品 2026年4月5日 PM 產品數據與實驗 07 － A/B Test 不只是假設與 p-value：PM 必懂的 exposure、SRM、guardrails 與 validity 你以為自己在比較 treatment 和 control，實際上比較的可能是兩群根本不對等的人。 你以為使用者看到了新體驗，實際上很多人只是被分流到了 variant，卻沒有真的被影響。 你以為主指標升了，結果退款、投訴、延遲、 crash 或某個關鍵下游行為一起壞掉。
產品 2026年4月5日 PM 產品數據與實驗 06 － Retention、Cohort、Segmentation：看懂誰留下來，比只看平均值重要 整體 D7 沒掉。 平均轉換也還行。 Dashboard 甚至還有些指標在往上。
產品 2026年4月5日 PM 產品數據與實驗 05 － Window Function、Session 化與 Funnel SQL：SQL 真正開始有判斷力的地方 `count(*)` `group by` `sum(case when ...)`
產品 2026年4月5日 PM 產品數據與實驗 04 － SQL for PM：先學會打撈證據，再談數據驅動 很多 PM 說自己想變得更 data-driven，第一反應都是去要更多 dashboard。
產品 2026年4月5日 PM 產品數據與實驗 03 － Tracking Plan 不是埋點清單：它其實是 PM、工程與分析之間的資料合約 很多團隊談 tracking plan 時，語氣都很像在處理一份待辦清單。
產品 2026年4月5日 PM 產品數據與實驗 02 － Metric Tree 還不夠：PM 為什麼也該懂指標字典、口徑治理與 semantic layer 很多 PM 開始建立數據能力時，第一個會學到的進階工具是 metric tree。
產品 2026年4月5日 PM 產品數據與實驗 01 － North Star 不夠：PM 怎麼用 HEART、guardrails 與 counter-metrics 定義對的成功 很多 PM 第一次開始碰產品指標時，都會先被灌輸一個很有力量的觀念：找出你的 North Star Metric，整個團隊就會開始對焦。
龍蝦養殖 2026年4月4日 OpenClaw 快速上手 07｜Mac mini M4 16GB 也能跑本地模型嗎？我最後選了 Ollama + Llama 3.1 8B 如果你手上是 **Mac mini M4 / 16GB RAM / 256GB SSD**，又剛好對本地模型有興趣，第一個卡住的點通常不是安裝，而是選型。
AI 2026年4月4日 RAG 工程實戰系列 07 － 我的求職 agent 是怎麼把 JD、CV 與 rubric 串成一條 evidence pipeline 如果前面六篇比較像是在拆概念、補判準、清理地雷，那這篇就比較像把那些東西真正放回一條工作流裡，看它們到底是怎麼咬在一起的。
AI 2026年4月4日 RAG 工程實戰系列 05 － Qdrant 的 JSON 400 地獄：問題通常不在 Qdrant，而在你真正送出去的 body 如果你是用 Make 或其他低代碼工具打 Qdrant，最容易把人逼瘋的，通常不是向量檢索本身，而是那種看起來完全不合理的 JSON 400。
AI 2026年4月4日 RAG 工程實戰系列 04 － Qdrant filter 為什麼噴 `Index required`：payload index、schema 與 filter 設計一次講懂 第一次在 Qdrant 上加 filter，很多人都會撞上一個很反直覺的錯誤：
AI 2026年4月4日 RAG 工程實戰系列 03 － Chunking 的工程哲學：你不是在切字，而是在設計證據單位 很多人在做 RAG 時，最早學到的名詞之一就是 chunking。然後事情常常就從這裡開始歪掉。
AI 2026年4月4日 RAG 工程實戰系列 01 － RAG 不只是向量資料庫：先把整張系統地圖看懂 很多人第一次碰 RAG，很容易先把注意力放在向量資料庫上。這其實很合理，因為看起來最有「新技術感」的地方，通常就是 embedding、向量搜尋、ANN index 這些詞。
龍蝦養殖 2026年4月3日 OpenClaw 部署與配置 Part1 為什麼我通常會建議技術型個人使用者先從 macOS / Mac mini 起手，而不是第一台就上 VPS 或低 RAM Linux 主機。
創業 2026年4月3日 暫停之後 | 創業這兩年的開始、轉向與暫停 — Part 01: 我不是突然跑去創業的 我每次聽到「突然」兩個字，心裡都會頓一下。不是因為被誤會很委屈，而是因為這件事對我來說，真的一點都不突然。比較準的說法是，我繞了一圈，最後還是走回原本就一直在靠近的地方。
龍蝦養殖 2026年4月2日 OpenClaw 快速上手 06｜模型怎麼選？從 OpenAI、Claude、Gemini、Grok、MiniMax、z.ai 到本地模型的實戰選型 給想把 OpenClaw 真正用起來的新手。一篇把 API 供應商、可轉接的聊天訂閱方案、成本感、額度風險、agent 適配性與 Daniel 的真實配置一次講清楚的選型文。
AI 2026年4月2日 ComfyUI 系列 07｜踩坑與故障排除大全：SQLAlchemy、requirements.txt、OOM、紅節點、safetensors 到底在吵什麼 如果你前面幾篇都有跟著做，到了這一篇，多半已經不是「我會不會裝」的問題了，而是：
AI 2026年4月2日 ComfyUI 系列 06｜模型怎麼裝？checkpoints、clips、loras、vae、T5XXL、GGUF、FP8 一次講明白 到這一篇，事情終於從「理論上懂」進入「手會不會抖」的階段。
AI 2026年4月2日 ComfyUI 系列 05｜模型到底怎麼選？SD 1.5、SDXL、LCM、Turbo、Pony、Flux、HiDream 一次講清楚 如果你剛裝好 ComfyUI，下一個很容易把人搞到眼神放空的，就是模型。
AI 2026年4月2日 ComfyUI 系列 04｜模型到底去哪裡找？Civitai、Hugging Face 差在哪，模型頁面又該怎麼看 這篇適合誰？ 已經把 ComfyUI 跑起來，接下來想裝模型，但一打開 Civitai 或 Hugging Face 就被各種 checkpoint、LoRA、版本號、下載按鈕淹過去的人。 如果你剛完成安裝，這篇很適合接在上一篇後面看。
AI 2026年4月2日 ComfyUI 系列 03｜裝好之後別急著亂按：`127.0.0.1:8188`、第一張圖、tmux、背景執行與重開機怎麼辦 這篇適合誰？ 已經把 ComfyUI 裝起來，但打開之後還有點茫，想先搞懂怎麼跑第一張圖、怎麼讓它不要跟著 Terminal 一起死掉的人。 如果你還沒安裝，先看上一篇。這篇假設你已經能把 ComfyUI 啟動起來。
AI 2026年4月2日 ComfyUI 系列 02｜Mac mini M4 安裝 ComfyUI：把 Python、PyTorch、MPS 先鋪好，之後才不會一路修環境 這篇適合誰？ 已經決定用 ComfyUI，現在要在 Mac mini M4 16GB 上把它穩穩裝起來的人。 這篇先不談模型大全，也先不衝 Flux。目標很單純，就是把基礎環境鋪平。
AI 2026年4月2日 ComfyUI 系列 01｜先把工具選對：為什麼我最後選 ComfyUI，不是 A1111、Forge 或 InvokeAI？Mac mini M4 16GB 到底能不能跑？ 這篇適合誰？ 想在 Mac mini M4 16GB 上玩本地生圖，但還在 A1111、Forge、ComfyUI、InvokeAI 之間猶豫的人。 如果你是第一次碰 Stable Diffusion 生態，建議先看這篇，再看下一篇安裝文。
龍蝦養殖 2026年4月2日 OpenClaw 快速上手 05｜哪些事適合交給 OpenClaw，哪些事其實不該交給它 一篇偏觀點也偏方法的判準文。用 Daniel 的近第一人稱工作路線，拆清楚 OpenClaw 的甜蜜點、代價、反例，以及哪些事情其實用 Codex CLI 或普通聊天工具更划算。
龍蝦養殖 2026年4月2日 OpenClaw 快速上手 04｜OpenClaw 新手第一週怎麼用：從 CLI、Dashboard、Memory、Browser 到 Discord 的正確開啟順序 給已完成安裝的技術型讀者。這篇不是功能總表，而是用 Daniel 的實際部署路線，帶你把 OpenClaw 在第一週從「會動」推進到「真的開始上工」。
龍蝦養殖 2026年4月2日 OpenClaw 快速上手 03｜Discord、Skills、Memory、遠端連線與安全基線 給已完成 base install 的技術型讀者。把 OpenClaw 接上 Discord、Skills、Memory 與遠端連線，同時把 access control、sandbox、exec approvals、skills 供應鏈風險一起講清楚。
龍蝦養殖 2026年4月2日 OpenClaw 快速上手 02｜在 macOS / Mac mini 做出可恢復的第一輪安裝 給會用 Terminal 的技術型讀者。從 Node、安裝、Codex OAuth、LaunchAgent 到 dashboard 驗證，建立一套 boring but recoverable 的 OpenClaw 本機安裝流程。
龍蝦養殖 2026年4月2日 OpenClaw 快速上手 01｜OpenClaw 是什麼？先分清它是自架 Agent Gateway，不是聊天 UI 的加強版 給會用 Terminal 的技術型讀者。一篇先把 OpenClaw 的 Gateway、Agent、Channel、Tools、Skills、Memory、部署路線與適用邊界切清楚的導讀文。
AI 2026年4月2日 AI代理工作流系列 7 — AI 如何接上世界：MCP 不會取代 Workflow，它是讓 Agent 能安全使用工具的中間層 MCP 不是 workflow killer，也不是比 webhook 更潮的替代品。它真正做的，是把工具、資料與提示暴露成標準化介面，讓 agent 能以更一致、更安全的方式接上外部世界。
AI 2026年4月2日 AI代理工作流系列 6 — 什麼時候該用 Workflow，什麼時候才真的需要 Agent？ 不是多步就叫 agent，也不是有人審核就不叫 agent。這篇用 Daniel 的實作經驗，結合 Anthropic 與 OpenAI 的主流定義，整理一套更實用的 workflow vs agent 判斷方法。
AI 2026年4月1日 打造AI Skill 系列 Part 3：從現有工具設計出 Skill Layer：以 Make 職缺流程為例 打造AI Skill 系列 Part 3：從現有工具設計出 Skill Layer：以 Make 職缺流程為例
AI 2026年4月1日 打造AI Skill 系列 Part 2：為什麼 ChatGPT 不該直連底層工具：打造 Skill-first 架構 打造AI Skill 系列 Part 2：為什麼 ChatGPT 不該直連底層工具：打造 Skill-first 架構
AI 2026年4月1日 打造AI Skill 系列 Part 1：Skill、Tool、MCP、Runtime、Orchestrator 到底差在哪？ 打造AI Skill 系列 Part 1：Skill、Tool、MCP、Runtime、Orchestrator 到底差在哪？
AI 2026年4月1日 AI代理工作流系列 5 — 為什麼我最後連 Make MCP server 也換掉，改成自己架 gateway server AI Agentic Workflow Series 5: migrating from Make MCP Server to a self-hosted FastMCP skill gateway.
AI 2026年3月31日 MCP 工程深化 04：skills 與 runtime selection 不是一回事 Part 04 of the MCP Engineering Deep Dive series.
AI 2026年3月31日 MCP 工程深化 03：Contract design / schema discipline / versioning 決定工具能不能長大 Part 03 of the MCP Engineering Deep Dive series.
AI 2026年3月31日 MCP 工程深化 02：Security / auth / public server hardening 不是補丁，而是產品邊界 Part 02 of the MCP Engineering Deep Dive series.
AI 2026年3月31日 MCP 工程深化 01：Transport / remote deployment 不是部署細節，而是設計的一部分 如果你把 transport 當成最後一哩，MCP 專案通常會在最醜的地方出問題。真正成熟的 remote server，從一開始就應該把 transport、proxy、session、client compatibility 一起想進去。
AI 2026年3月31日 自主建造 MCP Server — Part 5：Oracle VM 與 FastMCP 上線過程中的坑與維運手冊 Part 5 of the MCP Server build series.
AI 2026年3月31日 自主建造 MCP Server — Part 4：skills 是什麼，以及 skills 架構怎麼設計 Part 4 of the MCP Server build series.
AI 2026年3月31日 自主建造 MCP Server — Part 3：MCP 高級框架比較與怎麼選 FastMCP、MCP Framework、xmcp、Spring AI MCP Server 四條路線，真正該比的不是誰功能表最長，而是你的語言棲地、部署模型、auth 壓力、以及團隊未來要怎麼維運。
AI 2026年3月31日 自主建造 MCP Server — Part 2：如何在 Oracle VM 上部署公開的 MCP Server 用 Oracle VM、Cloudflare、nginx 與 FastMCP，把一個本來只會在 terminal 裡跑的 MCP server，變成 ChatGPT 真能連上的公開 `/mcp` 端點。
AI 2026年3月31日 自主建造 MCP Server — Part 1：MCP 到底改變了什麼 從 workflow 腦到 client / server / tool contract 的責任重切，MCP 真正改變的不是「可不可以呼叫工具」，而是「誰該負責思考，誰該負責執行」。
AI 2026年3月31日 把 Make-first workflow 重構成 MCP execution engine：從工具化到契約化的實戰遷移 如何把 Make-first job agent 迁移成干净的 MCP execution engine，从流程驱动设计走向契约驱动架构。
AI 2026年3月31日 AI代理工作流系列 3 — 如何在 Make 裡做出有承先啟後能力的 Job Agent — Part 2 Part 2 聚焦在快速評分、RAG 深度分析與 guardrails，讓 shortlist 變成真正可判斷、可投遞、可準備面試的材料。
AI 2026年3月31日 AI代理工作流系列 2 — 如何在 Make 裡做出有承先啟後能力的 Job Agent — Part 1 用實際案例拆解如何在 Make 裡打造一個具備承前啟後能力的 Job Agent，先從 LINE intake、continuation、routing 與 recent jobs scraping 講起。
AI 2026年3月31日 AI代理工作流系列 1 — 我怎麼在 LangGraph、n8n、Make 之間做選擇：為什麼我現在先押 Make 從實務工作型態出發，比較 LangGraph、n8n 與 Make，並說明我目前為什麼先選擇 Make。