1文章進階EN
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（Shrivu's Substack）
部落格 ・ 國際 ・ 英文 ・ A 級 ・ 13 筆內容 ・ 最近更新 2026/09/08
把 Claude Code 每個功能怎麼用、agent 安全、harness 設計寫成可照做的長文；產量不高但每篇都是實戰
最受歡迎
依人氣
- 2文章進階EN
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。
- 3文章進階EN
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。
- 4文章進階EN
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。
- 5文章高階EN
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。
- 7文章進階EN
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。
- 8文章進階EN
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。
- 9文章進階EN
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。
- 10文章進階EN
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
- 文章進階EN
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。
- 文章進階EN
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。
- 文章進階EN
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。
- 文章高階EN
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。
- 文章進階EN
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。
- 文章進階EN
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。
- 文章進階EN
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。
- 文章進階EN
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。
- 文章進階EN
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。
- 文章進階EN
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。
- 文章進階EN
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。
- 文章進階EN
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。
