不照日期、按主題收錄的深入長文。兩種題目：「我怎麼解決一個問題」與「某件事的原理到底是什麼」。這裡的文章會像一座小型參考書庫慢慢累積，隨時可回頭查閱。
主題
- 區塊鏈 — 換幣、跨鏈、wrap、預測市場份額的底層原理（hub＋原子筆記，持續更新）
- Serenity 選股策略 — 拆解 X 帳號 @aleabitoreddit 的 AI 半導體供應鏈「瓶頸壟斷」選股法（hub＋原子筆記，持續更新）
- AI memory（Agent Memory 架構） — 以 X 帳號 @wquguru 的〈Agent Memory 架构全景〉為一手來源，拆解 AI 記憶的分層架構、業界對照與風險治理（hub＋原子筆記，持續更新）
- Problem Framing ＋ Spec-Driven Development — 把模糊需求定義清楚（Problem Framing），再以規格先行驅動實作（Spec-Driven），兩者合一的閉環工作流程（hub＋原子筆記，持續更新）
- AI Agentic SaaS — 怎樣實際用 AI 建造服務 — 從 orchestration、RAG、結構化輸出可靠性、UIUX、計費、幻覺控制到資安限制，工程實作層面的深入研究（hub＋原子筆記，持續更新）
- Event Storming + Event Sourcing + Pattern Language：AI 輔助領域設計流程 — 把四套方法論串成一條可操作流程：Event Storming（探索領域）→ Problem Frames（框定假設）→ Event Sourcing/CQRS（後端落地）→ 前端從領域模型推導 → Pattern Language（固化重複解法）；每步有具體 artifact，可直接交給 AI agent 執行（hub＋原子筆記，持續更新）
- Crux Capital（@crux_capital_）光學／Physical AI 研究 — 拆解 X 帳號 @crux_capital_（Gaetano）以「光取代銅」與 Physical AI 分層框架為核心的投資研究：主張、方法論、覆蓋標的，並用獨立產業資料檢視「主張 vs 可佐證」（hub＋原子筆記，持續更新）
- JoeAnima（@JoeAnima）物理 AI 感知層研究 — 拆解 X 帳號 @JoeAnima 的「物理 AI 感知層」長文系列與康寧 GlassBridge／CPO 主線：LiDAR／毫米波／觸覺的技術卡位、Gartner 曲線與三層護城河方法論、人形機器人 VLA 標準之爭，並用第三方來源檢視「主張 vs 可佐證」（hub＋原子筆記，持續更新）
- Engineering AI Coding Methodology — 工程化的 AI 編碼方法論 — 當 AI 能大量生成程式碼，真正的槓桿在「工程方法論」而非「生成出來的 code」：意圖/spec、驗證、審查、品味、擁有權。涵蓋 70% 問題、AI 失敗模式、八個方法論支柱、AI 編碼工程閉環，並客觀區分主張 vs 可佐證（hub＋原子筆記，持續更新）
- Design Pattern 高級詳解 — 跳過入門，直接討論進階應用、取捨、反模式與現代演進；以 5W 框架拆解後端（Saga、Outbox、Circuit Breaker、Hexagonal、Actor Model 等）、前端（RSC、Signals、Islands、State Machines 等）、DevOps（GitOps、Canary、Service Mesh、Feature Flags 等）共 24 個 pattern，附 GoF 演進分析與主張 vs 可佐證客觀檢視（hub＋原子筆記，持續更新）
- AI 時代的新商業模式——用 AI、有護城河、不被 AI 淘汰 — 用 AI 當槓桿但護城河建在 AI 之外：AI 商品化論、九類非技術護城河、六個「低科技 × AI × 護城河」具體商業模式（垂直賦能服務、Productized Service、策展社群、在地實體 × AI、專有資料、Services-as-Software），附框架 vs 可佐證客觀檢視（hub＋原子筆記，持續更新）
- 2026 AI 精通：20 項必學必做的最佳實踐 — 使用者「學 AI ＋ 個人成長」核心索引：橫跨技術（Context Engineering、Spec-Driven、Agentic Workflow、Code Review、架構、除錯、測試、MCP、Evals、安全、成本路由）與軟技能（委任溝通、深度研究、決策紅隊、寫作、學習、PKM、帶團隊）共 20 個方向，每項各一篇原子筆記，全程區分「主張 vs 可佐證」（hub＋20 篇原子筆記，持續更新）
- 人人都是產品經理——由淺入深 — 以中文 PM 最大平台 woshipm.com 高熱度文章為素材，分析整理由淺入深的 PM 學習路徑：入門→用戶研究→PRD/原型→數據增長→B端修煉→AI PM，附來源連結，全程標示「主張 vs 可佐證」（hub＋6 篇原子筆記，持續更新）
- Thoughtworks 2026：AI 工作流與方法論（高階應用） — 以 Thoughtworks Technology Radar Vol.34、martinfowler.com “Exploring Gen AI” 系列（Böckeler 等）、Looking Glass 2026 等第一手報告為來源，整理資深工程師和技術主管視角的 AI 方法論：交付管道瓶頸、Harness / Context Engineering、Human-on-the-Loop、五支柱框架、Radar AI 判讀、Team Topology 治理，全程標示「主張 vs 可佐證」（hub＋5 篇原子筆記，持續更新）
- 因子投資（Factor Investing）研究 — 以 QuantSkills 開源社群工具箱為主要素材，搭配 Fama-French、AQR 學術與實務資料，由淺入深拆解因子投資：Smart Beta 的本質、五大經典因子（規模/價值/動能/品質/低波動）與 FF3/FF5 模型、因子建構流水線（IC/正交化/混合/回測）、Factor Zoo 與過擬合陷阱，全程標示「學術可佐證 vs 爭議」（hub＋6 篇原子筆記，持續更新）