How I Use Every Claude Code Feature
分享個人使用 Claude Code 的實戰經驗，涵蓋從 CLAUDE.md 設定、自訂指令到 GitHub Actions 的完整工作流。讀者可學習如何建立高效能 AI 程式設計環境、最佳化提示詞策略以及利用 SDK 進行大規模自動化。
Shrivu Shankar
13 筆內容
他的來源
最受歡迎
依人氣
The Harness Is the Company
提出 SaaS 企業將轉變為以 AI 模型為核心的「Harness（ harness ）」，透過編排代理自動執行開發、產品與銷售任務。作者認為公司應掌握頂層編排邏輯，將人類置於關鍵判斷點，以維持產品品質與競爭優勢。
The Transposed Organization
提出「CompanyT」組織架構，主張企業應依問題解決的完整迴圈（loops）而非傳統職能來編排人才。透過 AI 代理處理執行細節，讓每位迴圈負責人能從問題發現到方案部署全權負責，縮短溝通成本並提升 accountability。
Taste Is Not a Moat
探討在 AI 能處理大部分執行任務後，人類如何從「執行者」轉變為「品味提取者」。作者認為品味不再是永久的護城河，而是會衰減的優勢，關鍵在於如何將隱性的判斷轉化為系統可理解的明確規則，以維持競爭力。
Exploring Claude/GPT Knowledge Cutoffs & Pre-training Timelines
透過設計特定問題測試大型語言模型，推估其預訓練時間點、知識截止日與訓練資料組成。讀者可了解如何分析模型行為來窺探其訓練過程，並掌握不同模型版本間知識與身份的差異。
Move Faster
探討在 AI 時代，速度如何改變決策、優先順序與工作本質，從資產思維轉向消耗品思維。讀者能學會如何透過自動化提升效率，並理解為何快速迭代比完美規劃更重要。
Building Multi-Agent Systems (Part 3)
探討 2026 年多代理系統架構的演進，指出核心趨勢是透過程式碼執行沙盒解決非程式化問題，並轉向「情境工程」而非單純提示詞設計。讀者可學習規劃與執行代理的迴圈模式、虛擬機器工具設計原則，以及應對長時程任務的策略。
How AI Productivity Fails
指出 AI 僅能帶來 10-20% 的產出提升，要達成 10 倍效果需同步改變個人練習與組織設計。作者強調必須「左移」審查、閉合迴圈驗證、建立可重用的技能庫，並重新組織團隊以消除交接瓶頸，否則 AI 只會加速低品質產出。
I Asked 100 Agents to Hack Me
作者讓一百個經過「abliteration」處理的開源 AI 代理嘗試駭入他的線上帳號，結果成功透過軟體漏洞、密碼暴力破解及社會工程學取得部分舊專案或帳號的存取權。文章探討了自主 AI 代理的攻擊能力、成本分析與未來安全風險。
Most Code is Just Cache
提出軟體開發正從靜態程式碼轉向以「意圖」為核心的動態生成模式，認為未來程式碼只是暫存意圖的快取。文章描述了從傳統 SaaS 到 AI 訓練環境的五個進化階段，探討了代理（Agent）如何取代介面，以及企業資料如何被精煉為模型直覺。
最新內容
依發布時間
I Asked 100 Agents to Hack Me
作者讓一百個經過「abliteration」處理的開源 AI 代理嘗試駭入他的線上帳號，結果成功透過軟體漏洞、密碼暴力破解及社會工程學取得部分舊專案或帳號的存取權。文章探討了自主 AI 代理的攻擊能力、成本分析與未來安全風險。
The Harness Is the Company
提出 SaaS 企業將轉變為以 AI 模型為核心的「Harness（ harness ）」，透過編排代理自動執行開發、產品與銷售任務。作者認為公司應掌握頂層編排邏輯，將人類置於關鍵判斷點，以維持產品品質與競爭優勢。
How I use AI in 2026 (Coding, Writing, Learning, Assistant-ing)
分享 2026 年使用 AI 進行程式設計、寫作、學習與個人助理的實戰經驗，強調將工作左移並使用動態工作流。讀者可學習如何設定高效 AI 工作環境、利用 frontier 模型進行專案開發與知識轉化，並掌握控制成本的方法。
Exploring Claude/GPT Knowledge Cutoffs & Pre-training Timelines
透過設計特定問題測試大型語言模型，推估其預訓練時間點、知識截止日與訓練資料組成。讀者可了解如何分析模型行為來窺探其訓練過程，並掌握不同模型版本間知識與身份的差異。
Designing Software for Software Factories
介紹如何建立以 AI 驅動的「軟體工廠」，讓系統自動處理需求、編寫、測試與部署，僅在關鍵節點由人類介入。讀者可學習如何設計合約、設定測試階層與建立反饋迴路，提升軟體開發效率。
How AI Productivity Fails
指出 AI 僅能帶來 10-20% 的產出提升，要達成 10 倍效果需同步改變個人練習與組織設計。作者強調必須「左移」審查、閉合迴圈驗證、建立可重用的技能庫，並重新組織團隊以消除交接瓶頸，否則 AI 只會加速低品質產出。
The Transposed Organization
提出「CompanyT」組織架構，主張企業應依問題解決的完整迴圈（loops）而非傳統職能來編排人才。透過 AI 代理處理執行細節，讓每位迴圈負責人能從問題發現到方案部署全權負責，縮短溝通成本並提升 accountability。
Taste Is Not a Moat
探討在 AI 能處理大部分執行任務後，人類如何從「執行者」轉變為「品味提取者」。作者認為品味不再是永久的護城河，而是會衰減的優勢，關鍵在於如何將隱性的判斷轉化為系統可理解的明確規則，以維持競爭力。
Move Faster
探討在 AI 時代，速度如何改變決策、優先順序與工作本質，從資產思維轉向消耗品思維。讀者能學會如何透過自動化提升效率，並理解為何快速迭代比完美規劃更重要。
Building Multi-Agent Systems (Part 3)
探討 2026 年多代理系統架構的演進，指出核心趨勢是透過程式碼執行沙盒解決非程式化問題，並轉向「情境工程」而非單純提示詞設計。讀者可學習規劃與執行代理的迴圈模式、虛擬機器工具設計原則，以及應對長時程任務的策略。
Most Code is Just Cache
提出軟體開發正從靜態程式碼轉向以「意圖」為核心的動態生成模式，認為未來程式碼只是暫存意圖的快取。文章描述了從傳統 SaaS 到 AI 訓練環境的五個進化階段，探討了代理（Agent）如何取代介面，以及企業資料如何被精煉為模型直覺。
Understanding AI Benchmarks
深入解析 AI 評測指標的運作機制與常見誤區，說明模型分數受設定、工具與評分方式影響極大。作者分析多個熱門評測（如 SWE-Bench、LMArena），指出其潛在偏差與侷限，教導讀者如何更客觀地評估模型真實能力。
How I Use Every Claude Code Feature
分享個人使用 Claude Code 的實戰經驗，涵蓋從 CLAUDE.md 設定、自訂指令到 GitHub Actions 的完整工作流。讀者可學習如何建立高效能 AI 程式設計環境、最佳化提示詞策略以及利用 SDK 進行大規模自動化。
