專案

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）
• Procreate 畫畫教學——由淺入深 — 從介面手勢到不同畫風與效率工作流，把 iPad 數位繪畫攤成一條由淺入深的學習路徑：入門（介面/圖層/筆刷/匯出）→ 核心技巧（混合模式/剪裁遮罩/選取/QuickShape/對稱）→ 不同畫風怎麼畫（動漫/cell shading/厚塗/水彩/lineless/漫畫/像素/lettering）→ 快速畫出理想畫作（縮圖先行、value 先於顏色、省時功能與時間陷阱）→ 資源總覽；操作以官方 Handbook 為準，附可查證的 YouTube 頻道，客觀區分「操作事實 vs 風格主張」（hub＋5 篇原子筆記，持續更新）
• Handoff（交接）深入解說——對工作流與產品開發的幫助 — 把交接當成一個貫穿產品開發生命週期的概念拆解：本質是「上下文＋責任＋決策依據」的轉移，交接品質＝資訊損耗率；四類人際交接（設計→工程、需求→工程、PR／值班、離職輪調）加上 AI 時代的兩類（人↔agent、agent↔agent）；六個共同要素、四份可抄用模板、量測指標與反模式，全程區分可佐證研究（NEJM I-PASS、Google SRE、DORA）與機制性主張（hub＋12 篇原子筆記，持續更新）
• 小商務・落地客製化網站服務 — 把「幫小商家建網站」產品化成一門有系統、有護城河的生意：市場定位與競品矩陣、產品化分層定價與單位經濟、四類護城河（在地/關係/成果/利基）、轉介系統與獲客策略、SDD 規格先行的交付工作流、可維護技術棧與 SEO/無障礙基本盤，全程區分「可佐證 vs 框架主張」（hub＋6 篇原子筆記，持續更新）
• DaVinci Resolve 研習——由新手變大神 — 不做功能導覽，以「我想達成 X／我卡在 Y」編排的影音後期學習路徑：入門（硬體判斷、免費版 vs Studio、建專案、Cut vs Edit、第一支片上片）→ 進階（trim/多機/音畫同步、代理與 GPU 效能、一級二級調色與示波器判讀、節點結構、RCM/ACES 色彩管理與監看、Fairlight 響度、Fusion 去背與追蹤、各平台交付）→ 大神（排錯救援與協作、工作流資產化與腳本自動化）。版本基準 Resolve 21.0.2，操作以官方文件為準，並分級標示官方事實／產業標準／社群做法／版本相依（hub＋14 篇原子筆記，持續更新）
• 網格自動化交易（Grid Trading Bots）——由淺入深 — 把網格當成一個可以在開單前算完的策略來拆解：基礎（機制、名詞、等差 vs 等比）→ 機制（現貨 vs 合約、無限／移動／反向網格）→ 參數設計（區間與突破機率、格數與手續費門檻 s ≥ 10f、槓桿上限 (U+L)/(U−L)）→ 數學（期望收益 C·σ²T/R × (1 − 2f/s)、跌破區間的浮虧 (U−L)/(U+L)、負 gamma 與賣波動率）→ 選標的與回測驗證 → 實戰（Binance／OKX／Pionex／3Commas 現況、監控與 AI 參數、停損與資金管理）→ 十二個常見錯誤的機制拆解。全程區分數學恆等式／模型推論／實務共識／平台宣傳；非投資建議，含本金虧損與爆倉風險（hub＋17 篇原子筆記，持續更新）
• 德州撲克研習——由淺入深的職業級技術 — 把 NLHE 當成有數學結構的不完全資訊賽局來拆解：基礎（規則／位置／資金與變異數）→ 前翻與數學（位置化開牌範圍、3-bet／4-bet、pot odds／equity／EV）→ 翻後（board texture 與 c-bet、價值 vs 詐唬、bet sizing、check-raise）→ 進階（GTO 與 MDF／alpha、剝削性打法與 HUD 讀數、組合數與阻斷牌）→ 錦標賽（ICM、bubble factor、push/fold Nash）→ 職業（讀牌推理、tilt 與 A/B/C game、資料庫復盤與求解器用法、常見錯誤診斷）。理論以求解器時代的現代 NLHE 為主軸，全程區分數學恆等式／求解器輸出／產業共識／爭議（hub＋17 篇原子筆記，持續更新）
• Polymarket 自動化交易策略研究——原創推導與工程化 — 不整理現有技巧，而是推導最優解並設計自動化：機制與 2026 現況（CLOB V2／pUSD／費率 V2／perps／CFTC）→ 最優解框架（手續費 φ·p(1−p) 即變異數稅，直接從 Kelly 股數扣掉常數 φ；門檻 \|q−p\| > φ·p(1−p)；資本效率 edge/(p·T)）→ 現實訊號機率化（八類來源，關鍵是市場延遲 D−d）→ 把「難自動化」拆成工程題（判斷的四層拆解、盲估協議、LLM 陪審團、棄權機制）→ 六個原創策略（條款—標題背離掃描、邏輯蘊含圖 LP 套利與對偶隱含世界狀態分布、預言機混淆矩陣與 β 的時間結構、提案信譽搶跑、Shin-z 賠率收斂、到期校準扭曲與冷啟動做市）→ 五層 agent 藍圖與十二個失效模式。20 個原創假說中 17 個可用公開資料離線證偽；非投資建議，含本金全損與預言機結算風險（hub＋20 篇原子筆記，持續更新）
• 趨勢投資（Trend Following）——實質、可執行的策略 — 不談口號，只寫能落地、能回測的規則：基礎（定義與正偏態報酬結構、趨勢為何存在的行為／風險溢酬解釋與反方證據、時序 vs 截面動能）→ 進出場系統（Faber 10 月 SMA、Clenow 50/100 EMA＋50 日突破、Donchian／海龜完整條文含 1 Unit = 淨值1% / (N × 每點價值) 與 2N 停損、時序動能訊號 sign(過去12月報酬) × σ_target/σ_t）→ 部位與風控核心（波動率目標化 σ_p = s·sqrt((1+(N−1)ρ)/N) 解釋「40% 個別波動率」之謎、最適組合波動率＝Sharpe 的凱利恆等式與全凱利 50% 腰斷機率、三層曝險上限、回撤降槓桿）→ 標的多元化（20–40 個市場的甜蜜點與邊際效益表）→ 回測驗證（連續合約、成本模型、SE(SR)=sqrt((1+SR²/2)/T) 推出「要 17–20 年才能證明 Sharpe 0.5」）→ 實戰（無交易帶、訊號延遲檢驗、台灣期交稅與海外所得最低稅負制）→ 心理（連敗期望長度、檢視頻率與看到虧損機率表）→ 進階（carry／價值互補、crisis alpha 的成立條件、疊加算術、抵押品收益消失）→ 12 個常見錯誤的機制拆解與破解。全程區分恆等式／穩健實證／有爭議／參數相依／業界主張；非投資建議，含長回撤、鋸齒失血與槓桿風險（hub＋15 篇原子筆記，持續更新）
• Dark Theme 最佳實踐 —— Web、Mobile Web、In-App WebView — 從「不宣告等於把設計權交給 UA 的反色演算法」出發，把雙主題拆成可落地的元件：基礎（prefers-color-scheme 是讀偏好、color-scheme 是宣告能力，方向相反）→ 三層語意 token 與五步遷移法 → CSS 實作三種寫法與 light-dark() 的必要條件／@supports 降級 → 三態切換器（用「鍵不存在」表示跟隨系統）與 localStorage／cookie／Sec-CH-Prefers-Color-Scheme 取捨 → 避免主題閃爍（區分「宣告太晚」與「JS 還原太慢」兩種成因，各有解法）→ 視覺細節（WCAG 4.5:1／3:1、暗色不用純黑、高程靠明度不靠陰影、半透明疊層 token 化）→ 圖片決策樹（currentColor／<picture>／不反轉照片）→ 原生控件、捲軸、autofill 與 forced-colors → mobile web（theme-color、安全區域白邊、Chrome Auto Dark Theme）→ In-app WebView 專篇（WebView 的 prefers-color-scheme 來自宿主 app 佈景而非系統設定；setForceDark 在 targetSdk 33+ 已 no-op；algorithmic darkening 的四個觸發條件與「支援雙主題就不會被反色」的解法；FB／IG／LINE 內建瀏覽器的儲存與注入問題；可直接複製的一頁式診斷頁）→ 強制反色為何無法用 JS 可靠偵測 ＋ 17 格測試矩陣 → 症狀導向排錯手冊。全程以 MDN／web.dev／Android／Chrome／W3C 官方文件為據，並分 A/B/C/D 四級標示穩定標準／瀏覽器相依／hack／設計主張（hub＋14 篇原子筆記，持續更新）
• 全響應式（Full Responsive）最佳實踐——專攻遊戲滿版寬高 — 一塊佔滿整個螢幕的遊戲畫面，要在手機／平板／桌機都正確、清晰、不跑版：觀念（文件靠重排、遊戲只能靠縮放＋取景，兩套技術不能混用）→ 視口設定（meta viewport 全欄位、viewport-fit=cover、100vh 為何在手機被工具列吃掉、svh/lvh/dvh 的選用與 dvh 被瀏覽器節流的限制）→ 滿版容器（position: fixed; inset: 0 為何優於 100dvh、max(12px, env(safe-area-inset-*))、消滅捲軸與 iOS 橡皮筋的三層做法）→ 畫布縮放核心（letterbox min(sx,sy) ／ cover max(sx,sy) ／ expand 彈性視野的公式與選擇準則、安全框尺寸對照表、可直接貼上的 stage 管理器與 setTransform 寫法、object-fit 對應關係）→ DPR 與清晰度（backing store × devicePixelRatio、canvas.width 一設就重設整個 context、device-pixel-content-box 消除半像素誤差、像素藝術的整數倍縮放）→ 重算迴圈（用 ResizeObserver 取代 orientationchange 解決「要轉兩次才對」、layout thrash 的讀寫分離、resize 後必須重建的七項）→ transform 縮放 vs 直接 resize 的取捨與 getBoundingClientRect() 座標換算 → 方向與裝置（pointer/hover media query 而非寬度、44/48px 命中區不隨 scale 縮小、平板桌機的資訊重排）→ 全螢幕與沉浸（Fullscreen API 的手勢要求、screen.orientation.lock() 的前置條件、iPhone 的天花板與 PWA standalone 降級）→ 鍵盤與 visualViewport（innerHeight − vv.height − vv.offsetTop 推算鍵盤高度、interactive-widget 的分裂支援）→ 效能（render scale 與像素量的平方關係、中位數＋hysteresis 的動態解析度控制器、分層渲染與記憶體代價）→ 14 條症狀導向排錯。全程分級標示規範保證／Baseline 可用／部分支援／實務共識／平台相依，來源為 MDN、web.dev、WebKit 官方部落格與 caniuse（hub＋13 篇原子筆記，持續更新）
• 簡報（Presentation）最佳實務 × open-slide —— 進階實戰 — 不寫入門，只寫「已經會做投影片之後」的深度：把一場簡報拆成三個獨立產物（投影片／講稿／講義）、先定 big idea 與目標行為再動手 → 結構語法（Minto 金字塔＋SCQA 給決策者、Duarte sparkline 的 what is ↔ what could be 擺盪、S.T.A.R. moment、峰終定律及其邊界）→ 兩種體裁的完整模板（簡約 15 分鐘：單一 big idea、逐段時間分配表、以「視覺節拍」而非分鐘算張數、10–14 頁的頁面預算與行動呼籲顆粒度；深入 1 小時：四章 × 12 分鐘、每章「定位→預測題→解釋→案例→邊界→提取」微結構、29 分鐘處三選一的中場、40–55 頁且 Q&A 排在 60 分之外）→ 讓聽眾學到與思考（Mayer 五原則的施工版、訊噪比與「三個垃圾桶」分流法、retrieval／pretesting 先猜再學、把停頓寫成可執行動作、對比與雙碼、六種不該用的假互動）→ 讓講者有信心（四輪排練法、逐字 vs 要點的分工表、開場前 20 分鐘 protocol 與 Brooks 的「重新標定為興奮」、空間／時間／人三種錨點、器材雙備援表與進場 15 分鐘檢查表、Q&A 五類問題與六句救援話術、出錯復原）→ open-slide 實戰整合（檔案契約與 1920×1080 固定畫布的取捨、與 Reveal.js／Slidev／PowerPoint 的選擇準則、/create-slide → inspector 留言 → /apply-comments → git review 的閉環、theme 配方、兩份可直接跑的 React deck 程式碼：簡約 12 頁與一小時章節化骨架、present mode／speaker notes 索引對齊／匯出與離線備援）→ 15 條進階反模式 → 分六級標示實驗證據／證據有限／機制推論／業界共識／風格取向／工具事實（hub＋16 篇原子筆記，持續更新）
• Hi-Fi 音響知識——從 DAC、擴大機到 DSD 的硬體邏輯深入解說 — 不做器材選購，只拆訊號鏈上每個方塊的機制、誤差種類與量級：數位音訊基礎（取樣定理是恆等式不是逼近、6.02N+1.76、TPDF dither 的 4.77 dB 代價、為何 16/44.1 已涵蓋人耳）→ DAC 架構（R-2R 的 20-bit 需 0.00005% 電阻匹配 vs delta-sigma 的 (6L+3) dB/OSR 倍頻 noise shaping、數位濾波器選項在改什麼、NOS 的 sinc 滾降 20 kHz −3.2 dB、ESS／AKM／Burr-Brown 家族差異）→ 時脈與 jitter（SNR = 20log₁₀(1/2πf·t_j) 完整推導與對照表、隨機裙擺 vs 離散旁瓣 vs 資料相關抖動、async USB 與 ASRC 為何有效、femto clock 為何無邊際效益）→ DSD（1-bit 本身只有 7.78 dB、理論 167 dB 與實際 120 dB 那 47 dB 落差的來源、無法 dither 與條件穩定、DoP 的 176.4 kHz 算式）→ 擴大機 class（A 的 25% 效率上限與 4× 靜態耗散、AB 偏壓熱失控、Class D 的死區／負載相依／後濾波回授、耳機功率計算差 74 倍）→ 輸出阻抗與增益結構（分壓公式讓多單體 IEM 頻響偏差達 5.7 dB，是電子鏈唯一常超過 1 dB 的機制；阻尼係數超過 50 被音圈電阻主導；平衡的真實好處是電壓與共地串音）→ 訊號鏈與介面（I2S／S/PDIF／USB 差在時脈不在位元、UAC1 上限 24/96 的頻寬推導、接地迴路物理、電源看 PSRR 不看拓樸、晶片 132 dB 到成品 118 dB 掉在哪）→ 量測與聽感（THD+N 沒標頻寬等於沒標、FFT 頻譜比 SINAD 有資訊量、可聞閾值表與其薄弱的證據基礎）→ 玄學與實證專篇（A/B/C/D 四級分類、三個反覆出現的歸因錯誤、對「可聞但量不到」的公允處理）。全程機制先於現象、量級先於有無，來源含 Xiph.org、Analog Devices MT 系列、AES 論文（Lipshitz & Vanderkooy、Benjamin & Gannon、Meyer & Moran）、ESS／AKM 原廠資料與 Audio Science Review（hub＋9 篇原子筆記，持續更新）
• 最新 AI Memory 處理框架與可複用架構模式（2026） — AI memory 專欄 的續篇，定位「最新框架 ＋ 可複用藍圖」：先統一記憶分類學（working／episodic／semantic／procedural、user vs agent memory），再逐一拆解 Letta(MemGPT) 的 memory block 與 sleep-time compute、Mem0 的 extract-update 管線與 ADD/UPDATE/DELETE/NOOP、Zep/Graphiti 的雙時間軸與事實失效、Cognee 的 ECL 與 ontology、LangMem/LangGraph 的 checkpointer vs Store、Claude 的 memory tool 與 context engineering、ChatGPT 的 saved memories 與 Dreaming、OpenClaw 與 Hermes Agent 的檔案原生路線；核心產出是可重新套用的架構藍圖（決策樹、參考架構、寫入／召回／遺忘三條管線）與可直接照抄的介面／SQL schema 草案，另附橫向比較表、評測與可觀測性、實作陷阱（記憶投毒／膨脹／PII／多 agent）與依專案類型的選型建議，全程區分官方文件事實／論文結果／廠商自我宣稱／我的設計主張（hub＋15 篇原子筆記，持續更新）