從 Agentic Coding 實作經驗出發，說明如何把人工介入轉成 Workflow 規則，讓 AI 依照 Spec、檢查與驗收流程持續推進開發。
從 MLX、llama.cpp、4-bit 量化與 Gated DeltaNet recurrent state，理解 Qwen3.5 在 Apple Silicon 上的 Prefill 效能差異。
從對話聊天的實作出發，理解 Qwen3.5 如何結合 GDN recurrent state、Attention KV cache、歷史裁切與 checkpoint 管理上下文。
從 Qwen3.5 的混合模型架構出發，理解 Gated DeltaNet 如何透過固定狀態、Decay Gate 與 Delta Rule 管理長上下文。
獨立開發者期待 Vibe Coding 的「軟體生産力」，也同時能帶來高經濟效應；現實真的如此嗎？本文提出 Jollen 的個人觀點。
OpenAI 官方說明將 Skills 定義為 reusable、shareable workflows
OpenAI 官方說明將 Skills 定義為 reusable、shareable workflows
要理解 Agentic Coding，需要先區分三種常見角色。這三種角色都能產生程式碼，但它們參與工程流程的深度不同。
將一群 AI Agents 搭建在一起，變成一個「類意識體」後，讓 AI 進行「自主開發」
Android HAL & Framework 也能 Vibe Coding。
Karpathy 並非推翻 Vibe Coding 的說法，而是進一步提出「讓 AI Agents 承擔更多 Vibe Coding 任務」
人工智慧的角色不在取代人類，反而是君臣相輔的角色。
從零實作極簡向量資料庫，整理向量儲存、餘弦相似度與 Top-K 檢索的完整流程。
這是 RAG 系統中「語境擷取（Context Retrieval）」的第一步
說明 Text Embedding 如何將不同文字映射到共同向量空間，用於語意對齊、比較與檢索。
說明餘弦相似度如何計算向量方向的接近程度，並用於 RAG 的語意排序與相關內容選取。
說明 RAG 如何將文本轉為向量，並透過向量資料庫建立可搜尋的語意索引與檢索流程。
語意搜尋的關鍵在：讓語言變成可運算的 Expression（運算式）
這本書是為 LLM 初學者設計的入門教材，也是一份幫助你從零開始、逐步建立實作能力的學習指南。
RAG 檢索之所以重要，是因為 RAG 主要在「如何找到正確的語境」，RAG 並非傳統的關鍵字檢索
這本書是為 Node.js 初學者設計的入門教材，也是一份幫助你從零開始、逐步建立實作能力的學習指南。
不久前（2018 年 1 月），Ethereum 才剛針對 ERC 20 提出的 ERC 827 擴充標準；近期，ERC-891 代幣標準橫空出世。即使 ERC 891 仍只是一個 EIP（Ethereum Improvement Proposal），但筆者認為這是一個相當值得關注的提案...
