Cheng's Tech & Life

$1,000,000,000,000。 這不是 Anthropic 的融資額，是它在二級市場的估值。4 月 23 日，Anthropic 在 Forge Global 等二級市場交易平台的隱含估值越過了兆美元門檻，同時間 OpenAI 停在 $8,800 億，低於它自己去年底 $8,520 億的官方估值。 這個數字的荒謬感在於，Anthropic 連 IPO 都還沒有。公開市場對它完全無從定價。但機構投資人搶得如此激烈，把二級流通股票的要價推到了傳統估值方法難以支撐的位置。這不是理性定價，是稀缺性恐慌——害怕現在不買，以後根本買不到。 同一週，Google Cloud Next 2026 在拉斯維加斯展示了一套重新架構的 agent 基礎設施，A2A 協定正式量產，支援者從六個框架變成幾乎整個生態系。 有些事情正在同時改變，它們之間有關聯。 Google Cloud Next 2026 — Vertex AI 不見了，Gemini Enterprise 接手4 月 22 日 Google Cloud Next 2026 最大的一個動作，不是發布新功能，是改名。 Vertex A...

AI coding agent 不是不夠聰明。它太會找理由了。 跟它說寫完記得補測試，它會說「這個功能比較簡單，測試等之後再補」。跟它說上線前做 code review，它說「改動很小，應該沒問題」。跟它做安全審查，它說「這只是內部工具，威脅模型不複雜」。每一個理由聽起來都很合理，每一個結果都讓你在兩週後踩坑。 問題不是 AI 不知道該怎麼做。問題是它沒有理由在沒人要求的情況下把每件事都做完整。 Agent Skills 的設計思路就從這裡開始：不靠信任，靠結構。 19 份文件，覆蓋整個開發生命週期整個專案沒有任何程式碼依賴。就是 19 份 Markdown 文件，每份對應開發流程的一個階段，告訴 AI agent 這個階段該做什麼、怎麼驗證自己做完了。 作者是 Addy Osmani，Google Chrome 前工程總監，Software Engineering at Google 的貢獻者之一。這本書裡很多工程紀律的理念——測試文化、增量實作、強制 code review——在 Agent Skills 裡都有對應的實作。 按開發階段分成六大類： Define：idea-...

GitHub Copilot 在 4 月 20 日暫停了所有個人方案的新用戶註冊。同時，Pro 方案的用戶即將失去 Claude Opus 模型的存取權。 如果你是剛好要開新帳號的工程師，或者是衝著 Opus 去的 Pro 用戶，現在是個評估要不要換工具的時間點。 這篇是從 Copilot 遷移到 Claude Code 的操作指南，不是比較評測（已有一篇），也不是勸你換工具。你得自己決定值不值得換，但換之前至少要知道怎麼換、換了之後哪些習慣要調整。 先搞清楚兩個工具的根本差異遷移前最重要的一件事不是「A 功能在哪裡」，而是「這個工具假設你怎麼工作」。不懂這個，你會用 Copilot 的思維用 Claude Code，然後覺得它很難用。 Copilot 的設計假設：你在 IDE 裡工作，AI 在旁邊輔助。你寫程式，AI 補全、提建議、回答問題。主導者是你，AI 是智慧自動補全。 Claude Code 的設計假設：你在 terminal 裡工作，AI 和你一起做事。你描述目標或問題，AI 讀檔案、跑指令、修程式碼。主導者更模糊——Claude Code 可以接管一個任務然後跑到...

77%。 去年這個數字是 20%。這不是某個廠商的行銷數字，是 Stanford AI Index 2026 剛剛公布的 Terminal-Bench 基準——測試 AI agent 處理真實世界任務的成功率。一年之間，從五題答一題，到十題答八題。 同一份報告裡還有一個數字：280%。這是「Agentic AI」技能需求在職缺描述中的年增幅，從 0.06% 到 0.23%，絕對數字是美國約 9 萬個職缺。兩個數字放在一起看，AI agent 的進步曲線和市場需求曲線，幾乎是同步加速的。 這週的幾條新聞，放在這個背景下讀會有不同的感受。 Stanford AI Index 2026 — AI agent 成功率翻了將近四倍Stanford HAI 今年的 AI Index 報告裡，數字最驚人的一塊是 agent 能力的進步速度。 OSWorld benchmark 測試 AI agent 在真實作業系統上執行任務的能力。一年前，成功率是 12%；現在是 66%。Terminal-Bench 的數字更極端，從 20% 跳到 77.3%。網路安全方面，AI agent 解決 CTF ...

大部分 AI coding agent 教學的問題不是講錯，是從功能開始，不從問題開始。 「這個工具有幾個 tool call」「這個框架支援哪些 LLM」——這些都不是最重要的問題。最重要的問題是：你怎麼告訴一個 AI agent 它是誰、它能做什麼、它什麼時候該停下來問你？ 這個問題的答案，幾乎所有 agent 框架都藏在 prompt 裡——但很少有人完整把 prompt 架構攤開來講。claude-code-prompts 做的事情就是這件：把一個可以實際運作的 AI coding agent 的 prompt 架構整個拆開，38 個 Markdown 檔案，分 7 大類。 這不是「Awesome Prompts」清單先釐清這個專案跟你可能預期的有什麼不同。 awesome-chatgpt-prompts 是角色扮演清單——「你是一個 Linux 終端機」、「你是一個英文老師」。每個 prompt 獨立運作，彼此沒有關係。 claude-code-prompts 完全不是這個概念。它的 38 個 prompt 是互相連動的系統：system prompt 定義 agen...

同一個場景，加了一個東西之後，Claude 的正確率從 37% 跳到 57%。 那個東西不是更強的模型、不是更長的 prompt、不是換一個框架。是加了一個叫 think 的工具——讓 Claude 在工具呼叫鏈的中間，有個地方可以把想法寫下來。 這是 Anthropic 工程師在 2025 年 3 月發表的設計模式。一個工程師做 code review，但不能用草稿紙，所有推理都得在腦子裡跑。同一個人、同樣的問題，給他一張草稿紙，結果大概率不一樣。think tool 就是在做這件事——給 Claude 一張草稿紙，讓它在需要的時候把推理過程寫出來，不直接跳到下一個動作。 它和 Extended Thinking 不一樣這是很多人容易混的地方，值得先講清楚。 Extended Thinking 是 Claude 在開始回應之前的思考——一個深度推理過程，讀完你的問題，在心裡把整個計畫想清楚，然後才開始生成答案。就像你解一道數學題之前，先在腦子裡把解題路徑跑一遍。 think tool 是不一樣的東西。它是 Claude 已經開始行動之後的中途思考。Claude 呼叫了工具 A...

一行指令，五個工具，同一個技能包。 4 月 16 日 GitHub 推出 gh skill 命令，讓 GitHub Copilot、Claude Code、Cursor、Codex、Gemini CLI 共用同一套技能安裝標準。這不是一個小更新。這是整個 AI coding 工具生態系第一次在「如何安裝技能」這件事上達成共識——而且是用 Claude Code 那邊流出去的 SKILL.md 格式當基礎。 把這件事和同一週的其他幾條新聞擺在一起看，你會看到一個還沒被廣泛討論的系統性趨勢：AI 工具市場正在跑一場「誰的基礎設施先成為業界標準」的賽局——不是誰的模型最強，是誰的規格先被其他人採用。先成為標準的那個，接下來的每一個新工具都得跟它相容。 Claude Code v2.1.116 — resume 快了 67%，MCP 工具結果可以不被截斷4 月 20 日釋出的 v2.1.116，有兩個更新值得注意。 第一個：/resume 在大型 session（40MB+）上快了 67%。這個改善針對的是長期使用者——session 積累愈久、dead-fork 愈多，之前 resu...

大部分人覺得決策困難是因為資訊不夠。其實不是。 你已經有夠多資訊了——Google、Perplexity、你自己的工作記憶。問題是你用同一個角度看來看去，不管資訊再多，最後還是用你最熟悉的那個框架下結論。 model-thinking 是台灣工程師 kcchien 做的 Claude Code Skill，把 253 個跨學科思維模型打包成一個 AI 可以動態調用的工具箱。它讓 Claude Code 幫你挑框架——不是挑一個，是挑三個：一個做主分析，一個補你看不到的面向，一個故意反駁前兩個。 這個設計本身就值得拆開來看。 先搞清楚「思維模型」是什麼修一個一直在 crash 的服務，大部分工程師的第一反應是看 log、加 breakpoint、問 ChatGPT。這是一個框架——叫「找最近的變化」或「用症狀反推原因」。 思維模型（Mental Models）就是這類可以重複套用的推理骨架。工程師有除錯框架，物理學家有第一性原理，投資人有機率思考。問題不是某個框架對不對，是你有幾個框架。 只有一個框架的人，所有問題看起來都像是那個框架能解的問題。有一百個框架的人，看到問題的第一步...

**20%**。這是英語版 AZ-305 題庫在 2026-04-17 更新的變動比例。新題範疇集中在監控、備份、遷移——也就是第四天才剛上完的東西。繁中、簡中、港版會在兩到三週內陸續同步，6 月底前完成。 想像你準備某科期末考準備到一半，突然老師改了五分之一的題目——這大概是大部分考生最怕聽到的消息。第五天講師開場就先打這劑強心針：怎麼把這個變動納進備考時程。 這篇是 AZ-305 第五天的課堂筆記。前四天講技術，這一天全部講「怎麼考過」——從報名、考場選擇、費用優惠、到六題範例解析，整個考試流程被壓在最後一天過完。 考試定位：兩張考才拿得到專家級AZ-305 是 Azure Solutions Architect Expert 三星專家級認證。這個級別的設計是：必須同時通過 AZ-305 跟 AZ-104（Azure Administrator Associate），微軟才會核發專家證書。 順序不限。可以先考 AZ-305 再補 AZ-104，也可以反過來。但只有一張的話，只會拿到對應的單一認證，不會有專家級徽章。 這個設計的邏輯很清楚：架構師不能只會畫架構圖，還得懂基礎操...

課程走到最後一天，講師把前四天技術細節全部擺到一邊，丟出四個詞：人負責、流程優先、上下文工程、版本選擇。然後說：「記這四個就好。」 一開始以為是虛招。但把 GH-300 整份考綱攤開後會發現——這四個詞是骨架，前四天的所有 Copilot 功能、Coding Agent、SpecKit、TDD 三 Agent、自訂指令、企業治理，全部都是這四個骨頭上長出的肉。 這就是費曼式的學習：能把整門課壓成一句話的人，才真的學會了。 這篇是 GH-300 的課堂筆記，不是原創深度解析，重點是把第五天上到的東西整理清楚，對應到實務上可以拿去用的行動。 責任制的 AI：六大原則不是投影片上的裝飾微軟 Responsible AI 框架有六個原則，在 GH-300 的考試跟企業導入場合反覆出現。一開始看會以為是 PR 用的官腔，但仔細讀會發現每一條都扣著工程師日常會踩到的坑。 把六條濃縮成一個類比：AI 就像實習生。很聰明、學得快，但沒有責任能力。六個原則都是為了回答同一個問題——這個實習生搞砸了，誰要負責？ 公平性（Fairness）。模型對不同族群、不同程式風格、不同語言的反應要一致。Cop...