Obsidian 用了六年，結構從沒大改過，反而在 AI 時代變得更有價值。這篇拆解 jameesy 的 5 個資料夾架構、AI 生成物分離策略和 Polaris 價值觀錨點，附實際 prompt 範例。

Boris Cherny 把一個終端聊天 app 變成 Claude Code。他的方法論：觀察模型想做什麼、追蹤使用者已經在做什麼、假設今天寫的每行程式碼都是暫時的。這篇拆解他的訪談。

Claude Code 團隊的工具設計實戰。AskUserQuestion 迭代三次、TodoWrite 被淘汰、RAG 被 Grep 取代。四個案例揭示心法：工具要匹配模型能力，像 agent 一樣看世界。

PewDiePie 花數月微調 AI，benchmark 打敗 ChatGPT。但差點燒了房子、用錯模型、資料被污染。這篇還原 AI 微調的真實體驗，比想像中容易開始，比想像中痛苦完成。

Google Research 最新論文：把 prompt 貼兩次送給 LLM，不開推理就能穩定提升準確率。70 組測試贏 47 輸 0，不增加延遲。本文深入解析因果注意力機制與實戰落地建議。

Karpathy 認為程式設計正在面目全非：不是寫程式碼，而是用英文管理 AI agent。他的案例確實驚人，但恰好落在 agent 最擅長的場景。你的日常工作有多少在這個甜蜜點內？

每次對話都要重教 Claude？Skill 就是解法。這篇提煉 Anthropic 官方 32 頁指南重點：description 觸發設計、MCP 互補邏輯、五種實戰設計模式，一個資料夾就能上手。

Benedict Evans 用平台經濟學逐一拆解 OpenAI 的競爭力：9 億用戶但 80% 每天用不到 3 次，模型無差異化，花千億美元只是入場券。chatbot 可能像瀏覽器，贏了也不重要。

MIT 論文提出 RLM，把 prompt 放進 REPL 當變數讓模型寫程式處理。GPT-5 加這層框架，OOLONG-Pairs 從 0.1% 跳到 58%。拆解核心機制與為什麼這是繼 CoT 之後的範式跳躍。

OpenAI 工程師把 Codex 拆成三層：模型、支架、介面。搞懂分層就能追蹤每次更新改了什麼，也能用同樣的思考方式評估 Claude Code、Cursor 等 AI coding agent 的整合深度。