Concepts Index
這一層收錄從 raw sources 萃取出的可重用概念、框架、技術方法與工作流。
Knowledge architecture
- llm-wiki-karpathy-pattern — Karpathy LLM Wiki pattern
- open-knowledge-format — OKF 開放知識格式
- llm-wiki-vs-okf — pattern 與 standard 的比較
- hermes-lmwiki-obsidian-workflow — Hermes + Obsidian + LLM Wiki 工作流
- karpathy-zettelkasten-comparison — LLM Wiki 與 Zettelkasten 的比較
Agent workflows
- ai-agent — AI agent 基本概念
- personal-ai-agent-seven-layer-architecture — 個人 AI Agent 的七層 harness：核心規則、技能、記憶、使用者畫像、歷史、自動化與多平台入口
- personal-general-ai-assistant — 推理、工具使用、多模態與個人化匯流的個人通用助理
- on-device-intent-extraction — 用 on-device small model 從 UI trajectory 推斷個人 agent 意圖
- agent-economy — 個人與企業 agent 協調供需、溝通與交易的市場結構
- token-economics — 用 token consumption 觀察 AI 公司成長、成本與基礎設施需求（path:
concepts/token-economics.md） - intelligence-inflation — AI 讓一般認知輸出變便宜後的人類價值重定價框架（path:
concepts/intelligence-inflation.md） - loop-engineering — 把提示改成可執行閉環
- harness-engineering-for-ai-coding — Agent feedback / verification harness
- agentic-engineering-patterns — Simon Willison guide 的 coding-agent 工程 patterns：測試、理解、subagent 與 PR evidence
- agent-instruction-files — AGENTS.md / CLAUDE.md 等專案層級 agent 指令檔的最小化寫法
- agent-skills — 把可重複工作封裝成 agent 可載入、可執行、可評估的能力單位
- knowledge-to-skill-framework — 專家知識萃取成 skill 的六條路線
- agent-experience — 把 CLI、API、文件與產品介面設計成 agent 可穩定操作的 AX 原則
- identity-aware-connectivity-platform — 以 identity 而非 IP 管理 resource access、agent action 與 audit 的 connectivity platform
- claude-learning-map — Claude 的八段式產品與工作流學習地圖
- gemini-learning-map — Gemini / Gemini Notebook 的跨平台知識與工作流學習地圖
- generative-media-agent-workflow — 多模態生成模型、agent 編排、評估、成本與素材治理的生成式媒體工作流
- generative-ui — 讓模型依 prompt 即時產生任務型互動介面的產品形態
- natively-adaptive-interfaces — 用 multimodal AI 與 agent-driven modules 讓介面原生適應使用者能力與情境
- model-harness-fit — 模型與 harness 配對的貼合度與過期風險
- agent-framework-selection — 自建 agent framework 的 Deep Agent / 基礎構建選型
- unix-style-agent-architecture — 用 LLM、shell、檔案系統、Markdown 與 cron 組成最小可讀 agent 架構
- model-interface-agent-orchestration — 把多模型／多 agent 編排封裝成單一 model endpoint 的產品形態
- agent-sandbox-architecture — agent 執行環境的隔離模式、權限邊界與安全／可用性取捨
- self-improving-harness — 用 trace、eval、regression gate 與 rollback 讓 harness 受控自我改進
- dynamic-agent-workflows — coding agent 的動態工作流
- graph-engineering — 把多個 agent／loop 組成可恢復的有向圖或狀態機
- agent-teams-vs-dynamic-workflows — agent teams / subagents / dynamic workflows 比較
- cognitive-load-agent-orchestration — 用認知負荷理論管理多 coding agent 協調成本
- agent-ready-data-governance — 企業資料、流程與現場知識轉成 agent 可用資料的治理模式
- forward-deployed-engineering — FDE：深入客戶現場完成 AI 系統整合、上線與能力交接
- ai-fitness-and-enterprise-ai-maturity — 用 AI 基礎能力、應用能力與財務績效衡量企業 AI 成熟度
- document-parsing-first-rag — 先檢查文件解析、結構保留與 parser eval，再選 RAG 檢索與 agentic loop
- tabular-foundation-models — 表格資料的 zero-shot / in-context learning foundation model 工作流
- time-series-foundation-models — TimesFM-3 與多變量時間序列、covariates、quantile forecast 與 task-level eval（path:
concepts/time-series-foundation-models.md） - wearable-health-foundation-models — wearable sensor foundation model、agentic classroom 與 Personal Health Agent grounding
- data-science-agents — 異質資料、程式執行與 verifier loop 驅動的資料科學 agent
- planetary-prediction-engine — LLM 編排 geospatial data selection、dataset curation、AutoML 與 planetary prediction 的研究 workflow
- chain-of-evidence-autonomous-research — 用 claim-level evidence chain 與獨立稽核驗證 autonomous research artifact
- ai-native-enterprise-governance — 企業把 AI teammate 設計成有 owner、sandbox、觀測與 KPI 的工作角色
- ai-reverse-division-of-labor — AI 逆分工：用 agent、skill、MCP 與監管機制重塑企業任務分配
- ai-code-validation-bottleneck — AI coding 產碼暴增後，瓶頸從撰寫轉移到規格、審查與整合驗證
- code-abundance-product-taste — Codex 讓實作成本下降後，產品瓶頸轉向品味、取捨、時機與整合
- ai-native-engineering-organization — 當 coding 不再是瓶頸後，工程組織重設規劃、審查、協作與管理慣例
- ai-collaboration-compounding-workflow — 把 context、偏好、workflow、並行 session 與團隊基礎設施逐層沉澱的 AI 協作複利模式
- ai-speech-feedback-loop — 用錄音逐字稿、rubric 與下一步修正建立個人口語表達 AI feedback loop（path:
concepts/ai-speech-feedback-loop.md）
Context / memory economics
- ai-cognitive-offloading-and-agency — AI 把記憶、信念形成與行動判斷外包後的 agency gate
- emergent-tact — LLM judge 與人類在職場溝通上的得體偏好分化，以及人機混合編修的 agency boundary
- context-engineering — 在固定 context budget 下做寫入 / 選擇 / 壓縮 / 隔離
- agentic-ai-cost-management — 用 task-level 觀點管理 agent 成本、快取、重送與治理
- ai-memory-hierarchy — 把 HBM、HBF、KV cache 與 SSD 放進 AI 推論的記憶體階層
- reasoningbank-agent-memory — 把成功與失敗經驗壓成可重用 reasoning strategy 的 agent memory
- agent-memory-reconstruction — 依目前狀態重構、改寫或拒絕取回經驗，而非原封不動 replay
- test-time-compute-evaluation — 把模型表現視為推論算力函數的評測觀點
- model-harness-fit — 模型與 harness 配對的貼合度與過期風險
- agentic-ai-cost-management — 用 task-level 觀點管理 agent 成本、快取、重送與治理
Evaluation / improvement
- knowledge-profiling-factuality — 用 WikiProfile 拆解 LLM factuality 的 encoding、recall、recognition 與 thinking recovery
- eval-is-spec — Eval 作為規格
- user-simulator-evaluation — 測量 LLM synthetic users 與真人／多方人機互動分布的 realism gap
- bayesian-teaching-llm-reasoning — 用 Bayesian traces 訓練與評估 LLM 的互動式 probabilistic reasoning
- replit-agent-eval-scale — Replit 評測與 trace 改進系統
- agent-trace-observability — agent trace 觀察與校準
- privacy-preserving-chatbot-analytics — 用 differential privacy 做 chatbot / agent trace 聚合分析
- coding-agent-as-optimizer — coding agent 作為外層優化器
- agent-post-training-workflow — coding agent traces 到 post-training workflow
- anti-sycophancy-prompting — 把 prompt 從尋求認同改成要求證據、反例與失敗路徑
- prompt-debugging-eval-checklist — 用 eval、失敗案例與盲點巡查把提示詞除錯變成可驗證流程
Local / edge LLM
- llm-model-name-syntax — 本地模型命名拆解
- frozen-multi-token-prediction — frozen Gemini Nano + MTP head 的手機端推論加速
- sequential-attention-subset-selection — 用逐步 subset selection 做模型特徵選擇、structured pruning 與硬體友善 sparsity
- gist-smart-sampling — 用 GIST 在訓練前選出兼顧 diversity / utility 的資料子集
- multilingual-model-scaling-laws — 用 ATLAS 估算多語模型的語料混合、模型大小與 pre-train / fine-tune 取捨
- test-time-memorization — Titans + MIRAS 用 surprise metric 做推論時長期記憶更新
- nested-learning-continual-learning — Nested Learning 把架構、optimizer、memory 視為多層 continual learning 系統
- microsoft-mai-model-platform — Microsoft MAI 自有模型線與平台分發策略
- frontier-model-release-governance — 前沿模型發布、出口管制、可信客戶與 release gate 的治理模式
- open-weight-model-strategy — open-weight 與 closed-weight 的部署可攜性、供應鏈自主與治理取捨
- edge-ai-harness — 邊緣 AI 落地整合 harness
- taiwan-ai-reindustrialization — AI agent、token demand、硬體供應鏈與軟體重來交會的台灣產業命題
- open-source-ai-hardware-governance — 開源專案與 AI 硬體供應鏈的規格話語權
- physical-ai-commercialization — Physical AI 的模型、硬體成本、場域選擇與部署 harness 判準
- world-models — 以世界狀態表徵支援預測、規劃、模擬與具身／實體 AI 部署
Generative models
- diffusion-model-creativity — score smoothing 如何讓 diffusion model 在 data manifold 上平衡生成品質與新穎性
AI search / content economy
- generative-engine-optimization — GEO
- ai-seo — AI SEO
- zero-click-search — 零點擊搜尋
- digital-content-layered-economy — AI 時代內容分層經濟
Media monitoring / data extraction
- groundsource-news-to-data — 用 Gemini 把多語新聞報導轉成可驗證的結構化事件資料