從 Claude Code CLI 開始,我原本只是想讓 AI 幫忙寫程式,卻在不斷開發與踩坑中,逐步建立自己的 AI Agent 工作流程。
本系列將從 AI 輔助開發出發,談 Context、Memory、任務派發、Manager / Worker、多模型協作、Guard、Evidence、Observability 與成本控制,直到無人值守。
這不是標準答案,而是一名開發者將 AI 從一問一答,逐步工程化為可管理、可驗證、可觀測、可持續運行的 Agent Harness 的實戰紀錄。
Day 1|一開始,我只是在一問一答 這個 repo 在本次盤點時有 805 筆 commit,但第一週的盤點只具名列出 5 筆 commit 訊息,還不足以回...
Day 2|十個 Agent,仍只有一個主控 我把一件本來自己做的事,拆成 10 個 agent 同時做。任務沒變難、模型沒換、每個 agent 也都把自己那份...
Day 3|context 為什麼會膨脹 一場 session,我真正讓模型「寫出來」的只有 288,570 個 output tokens;同一場 sessi...
Day 4|為什麼我開始分工 Day 2 留下的是容量與總用量問題,Day 3 拆開了 context 重讀機制。這篇接著處理工作交接:哪些事由主控決定,哪些事...
Day 5|worker、manager、coordinator 是怎麼長出來的 如果你也把事情拆給好幾個 AI 做,先問自己一個問題:誰負責把它們的結果收起來...
Day 6|為什麼 AI 自述不能當證據 2026-09-14 上午,同一件事有兩個都為真的說法: 稽核紀錄裡,成本頁修改任務(改 dashboard 的後端...
Day 7|Git、DB、Log、Test 怎麼變成證據 同一個任務,worker 說完成,我說沒完成。兩邊都講得出理由,但只有一邊留得下「照這個步驟查、會看到...