開源 TrueForge Agent 運行框架：尋求社群對 AI 代理迴圈的意見回饋
開源 TrueForge 代理執行框架（Agent harness），處理上下文管理、MCP 執行與沙箱，具備高度實作參考價值。
脈絡工程與提示工程的關鍵差異與應用解析
探討 Context Engineering 與 Prompt Engineering 核心差異的技術文章。
利用 smolmachines 與 smolvm 打造安全沙盒來執行不受信任的程式碼
Simon Willison 透過 Claude Code 深入實測 smolmachines 沙箱來運行不受信任的程式碼，極具獨立開發者的深度實作與踩坑價值。
上下文比提示詞更重要：解構 AI 互動的真正瓶頸
深刻指出 Prompt 問題本質上是 Context 問題，強調給予 agent 持久化上下文比反覆微調 prompt 更重要，切中 Context Engineering 核心。
語音助理不是聽不懂，而是搞錯了何時該開口
詳細分享除錯語音代理（voice agent）停頓判斷與對話輪次交接的真實踩坑經驗與解法。
燒掉 2000 點數的教訓：如何讓 AI 寫出更好的影片提示詞
作者分享燒掉 2,000 點數後學到的影片提示詞實戰心得，誠實揭露反覆調整的盲點。
系統提示詞要重複幾次才有效？實驗證實「說四次」是黃金比例
透過 1,080 次嚴格實驗測試系統提示詞中重複重要指令次數對模型遵循率的影響，提供數據支撐的優質 prompt 工程方法論。
LLM 時代的可擴充軟體新契機：降低開發成本與安全沙箱的完美結合
引用探討 LLM 時代可延伸軟體的新機會，對 AI 應用架構設計具啟發性。
擺脫機器味！用反向提示詞將閱讀心得轉化為個人化討論板貼文
分享一個透過讓 AI 先問問題來引導使用者寫出真實語氣作業討論板貼文的實用 prompt 技巧。
為什麼沒有可衡量標準的 Prompt 必然會崩潰？
具體剖析提示詞中缺乏可衡量標準（measurable criteria）會如何導致模型崩潰，並給出具體範例。