我們選用 Redshift 了!

我們選用 Redshift 了!

上一篇:PostgreSQL 效能優化(下):用 Array + GIN 把標籤變成索引 為什麼從 PostgreSQL 改用 Redshift? 前面三篇聚焦在標籤查詢的調校。正式環境還要做歷史統計,例如比較同一群客戶每月平均餘額的變化,以及不同產品的差異。選型考量 RDS for PostgreSQL(GIN 方案) Redshift歷史資料的統計效率 GIN 可先篩選;命中資料多時,仍要讀取並彙整大量紀錄 欄式儲存與壓縮減少讀取量,並行處理分攤彙整工作每日寫入更新的維護成本 新增資料與更新標籤會增加 GIN 維護及清理工作 省去 GIN 維護,仍有載入、更新與資料整理成本運算資源與費用 費用隨執行個體、IOPS 與儲存配置而變 分析若非全天候,Serverless 隨用隨付可減少閒置運算支出;儲存費另計這批資料每年約 20 TB,正式環境至少要分析兩年、共 40 TB 以上的歷史資料,同時承接每日寫入與更新。 40 TB 本身未超過 RDS for PostgreSQL 的最高儲存規格。我們最後選擇 Redshift,用欄式儲存與並行處理承接大量歷史統計,也不必另外建立與維護 GIN 索引。分析有閒置時段時,Serverless 隨用隨付也能減少運算支出。 Redshift 的 SUPER 陣列 上一篇提出把標籤轉成 PostgreSQL 的 text[] 陣列,再搭配 GIN 索引。換到 Redshift 後,標籤改存進 SUPER;它是可儲存陣列與物件的資料型態,沒有 GIN 的索引功能。 載入時用 SPLIT_TO_ARRAY 把 tag1;tag_VIP 拆成 ["tag1","tag_VIP"],後續就能直接比對完整標籤,不必再拆字串,也避免 LIKE '%tag_VIP%' 連 tag_VIP_plus 一起找到。 CREATE TEMP TABLE customer_tags_demo AS SELECT 1001 AS customer_id, SPLIT_TO_ARRAY('tag1;tag_VIP', ';') AS tags;SELECT DISTINCT c.customer_id FROM customer_tags_demo AS c, c.tags AS tag WHERE tag = 'tag_VIP';c.tags AS tag 會逐個取出陣列裡的標籤,再用 tag = 'tag_VIP' 比對,預期找到客戶 1001。DISTINCT 則讓同一位客戶只出現一次。 資料筆數與每筆標籤越多,展開、比對的工作也越多。 實戰心得:資訊補齊後,重新選型 一開始選 PostgreSQL,是因為我最熟悉它,也能透過 pgvector 擴充套件做向量搜尋。 把正式環境的歷史分析需求、每日寫入更新,以及 AWS 費用一起評估後,團隊最後決定改用 Redshift。 延伸閱讀AWS:Amazon Redshift 與 PostgreSQL 的差異 AWS:Redshift Serverless 隨用隨付計費 AWS:查詢 SUPER 裡的陣列與物件

Read More
導入 AI:從改善既有工作,到重新設計工作方式

導入 AI:從改善既有工作,到重新設計工作方式

做了 HR 知識助手和 GenBI,然後呢? 我做過不少 AI Agent 和 Workflow,包含 HR 知識助手與 GenBI。 HR 知識助手用 RAG,從人資文件裡找資料來回答問題。GenBI 則用 Text2SQL,讓不會寫 SQL 的人,也能用日常語言自己查資料。 做這些助手,目的很直接:少花一點時間找資料,少一點重複工作。但做著做著,我也開始想,資料查出來之後呢? 像 GenBI,使用者可能拿數據整理報表,再交給主管;也可能繼續追問,往下探索。前者讓原本的工作更快完成,後者則有機會讓人問出以前因為不會查資料,而沒有繼續問下去的問題。 這也呼應我在企業裡看到的兩種期待:有人想讓 AI 接手自己不想做的事,有人想試試以前成本太高、做不到的事。這兩種期待會出現在同一個工具裡。 自動化早就有了,n8n 和 RPA 都能處理不少重複作業。AI 加進來之後,我更在意它能讓使用者多做到什麼。 以我自己的經驗來說,用 AI 省下時間後,我並沒有因此做更多工作。如果用完成的工作量來看,生產力並沒有增加多少,最直接的好處就是省下時間。這也讓我想繼續看,這些改變有沒有讓團隊多完成什麼。 員工交得快,主管還是只有一個 大人學 EP715 談到一個情境:員工用 AI 省下了幾天工時,提案交出去,卻還要等主管下週才有空看。當大家交得更快、更多,主管還得花時間看完、找問題、退件。 所以,就算員工真的把省下的時間拿來做更多工作,也可能只是讓主管桌上多堆幾份提案。 大人學的 Joe 建議,把資深主管腦中的判斷標準整理出來,讓團隊能在交件前搭配 AI 檢查,減少來回修改。 這讓我想到,可以把這些標準寫成 skill,也就是 Agent 執行工作時可以使用的指示與參考資料。員工整理自己熟悉的操作步驟,主管整理審核標準:哪些資料一定要有、哪些條件不符合就退回、哪些情況需要人來決定。 這是我從節目延伸的想法。能先檢查的就先做,主管再處理需要取捨的部分。標準也要跟著實際結果調整,看看有沒有漏掉問題。 科技浪 EP160 也談到信任 Agent 的問題。主持人哈利轉述 Lauren Tan 的分享:她單月能交付數千個 PR,也就是程式碼變更提案;團隊裡連 PM、設計師也能透過 Agent 參與正式功能開發。 哈利提到,Lauren Tan 花力氣整理程式碼、清理不良做法,再加上自動檢查規則、skill 和驗證機制,建立讓團隊能放心使用 Agent 的工作環境。這讓我覺得,除了把工作交出去,還得把 Agent 做事的環境顧好。 套回 HR 知識助手和 GenBI,我也想回頭檢查:文件和資料定義是否清楚?回答與查詢結果要怎麼驗證?這些做好了,才有機會減少每次都要人盯著的部分。 工具變了,工作方式也能一起改 ihower/愛好 AI 工程 Blog 的文章提到 Walmart 當年導入電腦的案例。文章說明,Walmart 透過即時資料共享,讓門市與供應商能依據庫存資訊做決策,改變補貨與協作方式。 這個例子讓我想到,資訊變得容易取得之後,分工也可以跟著改。 回頭看 GenBI,讓不會寫 SQL 的人自己查資料,已經跨過一個門檻。但查到資料以後,哪些事能自己處理,哪些還是得等主管?這一段也需要一起看。 最近聽到企業流程再造的概念:從想達成的成果出發,重新設計整套工作方式。套到我自己的工作,就是把流程攤開:哪些步驟可以省掉?哪些檢查能提早做?哪些事情可以授權,讓工作直接往下走? 我想像未來的公司裡,可能有上百、上千個 Agent,接手我們現在做的許多工作。如果它們做完每件事,都還要等同一個主管批准,今天的瓶頸只會更嚴重。 所以,除了把工作寫成 skill,還得安排好 Agent 怎麼交接、什麼時候找人,以及出了問題由誰處理。這些都需要人先想清楚。 人的時間,要拿來做什麼? 我希望把能自動化的工作交給 Agent,讓人有時間專注在 Agent 還沒辦法代替我們做的事,尤其是溝通。 跨部門合作時,資料整理好了,對方也不一定願意配合。每個部門都有自己的目標和優先順序,你得了解對方在意什麼,說明這件事為什麼值得做,再想辦法說服對方投入時間和資源。這些事情,還是得自己出面談。 往上跟主管爭取支持,往下跟團隊說明方向,也是一樣。Agent 可以幫忙準備資料、整理說法,但實際面對對方的疑慮、協調彼此能接受的做法,仍然需要人花時間。 Agent 可以幫忙分析選項、整理利弊,但最後要怎麼選、願意放棄什麼、承擔什麼風險,還是得由我們決定。結果也要自己負責,這些取捨沒辦法一起交給 Agent。 回頭看 HR 知識助手和 GenBI,我會期待它們幫人省下查文件、查資料的時間,讓人有餘力帶著這些資訊去討論問題、推動事情。這也是我接下來想繼續想的:助手把工作做完之後,人要怎麼接著往下做?把能自動化的工作交給 Agent,把人的時間留給溝通、協調和說服,以及做出決定、承擔結果。參考資料ihower/愛好 AI 工程 Blog〈別再看 AI 預測文了:Cedric Chin 的 Sensemaking 三部曲教你怎麼真正看懂 AI〉https://blog.aihao.tw/2026/05/31/cedric-chin-sensemaking-ai/ 大人學《大人的 Small Talk》EP715〈有了 AI,幫員工省下三天工時,提案卻在主管桌上躺了一週。為什麼大家變快,流程還是卡卡的?〉Apple Podcasts · YouTube 維基百科:企業流程再造(Business Process Re-engineering,BPR)https://zh.wikipedia.org/zh-tw/企业流程再造 科技浪 Tech.wav EP160〈AI 時代的公司將徹底改變!一個人如何創造百倍價值?Anthropic、SpaceXAI 已經讓我們看見答案!〉Apple Podcasts · YouTube

Read More
一份 AGENTS.md,讓多個 AI 程式開發 Agent 共享專案規則(上)

一份 AGENTS.md,讓多個 AI 程式開發 Agent 共享專案規則(上)

AI 程式開發工具會一直增加。當 Cursor、Claude Code、Codex、Antigravity 各自帶著一份規則檔進專案,幾個月後常會發現規則彼此已經說了不同的事。 我現在把專案當成穩定入口:共用規則放在 AGENTS.md,完整任務流程放在 .skills/,工具需要特定探索位置時只放輕量 adapter。工具換了,真正需要維護的內容仍然留在專案裡。更新(2026-08-24):本文已配合本專案的原生 skill 探索 adapter 更新。實作細節與 Antigravity、Cursor 的使用方式請接著閱讀 Part 2。1. 四個工具如何接到同一份專案規則 四個工具的入口不同,但它們都可以回到同一個原則:把跨工具、長期穩定的內容留在專案,讓工具專屬設定只處理載入方式。 Codex:AGENTS.md 是專案指引的指令鏈 Codex 在開始工作前會讀取 AGENTS.md。它會從專案根目錄一路走到目前工作目錄,逐層合併規則;較靠近工作目錄的 AGENTS.md 或 AGENTS.override.md 會排在後面,因此能覆寫前面的通用規則。 這很適合放全專案都要遵守的資訊:專案結構與常用指令 建置、型別檢查與測試規則 提交與審查的期待 共用 skills 的唯一來源如果 src/content/posts/ 有特別的工作限制,可以在那個資料夾新增較近的指引。全域規則仍然放在根目錄的 AGENTS.md,讓新進專案的 agent 一開始就知道基本工作方式。 Claude Code:用 CLAUDE.md 匯入同一份指引 Claude Code 的預設入口是 CLAUDE.md。既然專案的共用規則已經放在 AGENTS.md,CLAUDE.md 只需要保留官方匯入語法: @AGENTS.md這個檔案是 adapter,不承載另一份規則。指令、驗證方式與 Git 流程改動時,只修改 AGENTS.md,Claude Code 也會讀到同一個版本。 Antigravity:把共用規則放進可執行的任務脈絡 Antigravity 適合處理跨編輯器、終端機、瀏覽器的完整任務。對這個專案,我會在任務一開始要求 agent 讀 AGENTS.md,再依 skills 索引開啟命中的 .skills/<name>/SKILL.md。 例如文章更新可以直接交代: 更新中英文文章。先讀 AGENTS.md 與命中的 skill,完成後跑 skills:check、npm run check、npm run build。接著讓 agent 依序改內容、執行指令、啟動預覽;最後再從計畫、截圖或瀏覽紀錄檢查成果。這是任務執行層的安排,專案的流程本體仍然只有 .skills/ 那一份。 Cursor:共用規則用 AGENTS.md,路徑觸發用 .cursor/rules Cursor 可以把根目錄的 AGENTS.md 當成簡單的專案指引。這足以承接整個專案都適用的規則。 當某條規則只適用於一類檔案時,再加入 .cursor/rules/*.mdc。例如文章被開啟或修改時,讓規則檔只指向完整流程: --- description: Apply the blog writing workflow globs: src/content/posts/**/*.md alwaysApply: false ---Read and follow `.skills/tech-blog-polish/SKILL.md` before editing this post.這個 adapter 只回答「什麼時候載入」,不複製文章結構與語氣規則。Cursor 的檔案路徑能力保留下來,流程也不會分裂成多份。 2. 專案的最小共用策略 我會把規則拆成三個層次:AGENTS.md 放穩定指引,.skills/ 放完整任務流程,工具資料夾放產生的或依路徑套用的 adapters。這個分法讓每個檔案都有單一責任,也讓審查時能快速判斷一條規則該放在哪裡。 Luke-Tech-Blog/ ├── AGENTS.md # 專案指引 ├── CLAUDE.md # 匯入 AGENTS.md ├── .skills/ # 完整且唯一的流程 ├── .claude/skills/ # 產生的原生探索 adapter ├── .agents/skills/ # 產生的原生探索 adapter └── .cursor/rules/ # 可選的檔案路徑觸發規則AGENTS.md 的內容保持短而穩定: ## Repository Expectations- Keep the complete workflow only in `.skills/<skill-name>/SKILL.md`. - `.claude/skills/` and `.agents/skills/` are generated native-discovery adapters. - Run `npm run skills:sync` after changing skill frontmatter..skills/ 才放會反覆演進的細節,例如文章潤稿的讀者設定、段落結構與語氣,或 Git 審查的檢查順序與提交規則。 需要 Claude Code 與 Codex 的原生探索時,執行同步腳本產生 adapter: npm run skills:sync npm run skills:check前者更新產生檔,後者只驗證同步狀態。這讓失步變成可以在提交前或 CI 明確攔下來的錯誤。一份共用規則能走得久,前提是每個工具只帶走它需要的入口。結論:先讓規則收斂,再讓工具各自發揮 四個工具各有適合的使用方式:Codex 與 Claude Code 可直接接到共用指引;Antigravity 適合執行長任務並留下可檢查的成果;Cursor 適合按檔案路徑自動附加規則。 先把 AGENTS.md 與 .skills/ 定為唯一來源,後面的工具整合才不會變成持續複製文件的工作。 下一篇會回到這個部落格專案,實際展示 Claude Code 與 Codex 的原生探索 adapters,以及 Antigravity、Cursor 在同一份流程上的使用方式。一份 AGENTS.md,讓多個 AI 程式開發 Agent 共享專案規則(下)參考資料OpenAI Codex:Custom instructions with AGENTS.md Claude Code:How Claude remembers your project Cursor:Rules Google Antigravity:agentic development platform

Read More
一份 AGENTS.md,讓多個 AI 程式開發 Agent 共享專案規則(下)

一份 AGENTS.md,讓多個 AI 程式開發 Agent 共享專案規則(下)

上一篇先整理了官方文件的共同方向:AGENTS.md 可以成為專案的共用指引。這一篇回到我自己的部落格專案,說明我如何讓 Claude Code 與 Codex 直接發現同一組 skills。一份 AGENTS.md,讓多個 AI 程式開發 Agent 共享專案規則(上)更新(2026-08-24):這個專案已加入可提交的原生探索 adapters。.skills/ 仍是唯一完整流程,.claude/skills/ 和 .agents/skills/ 只保留產生出的入口。我的目標很明確:專案指引只維護一份 任務流程只維護一份 工具專屬檔案只做 adapter 團隊共用的內容進 Git這樣換工具時不用重寫規則。接下來我把實作分成兩段:先處理 Claude Code 與 Codex 的原生探索,再補上 Antigravity 與 Cursor 該怎麼接到同一份專案規則。 1. Claude Code 與 Codex:一份流程,多個原生入口 上一版架構已經讓 agent 可以從 AGENTS.md 找到 .skills/。實際使用時,工具開啟專案後若能直接掃描自己的 skills 目錄,任務發現會更自然;我不必在每個指令裡重複提醒「先去 .skills/ 找流程」。 這次完成後的結構如下: Luke-Tech-Blog/ ├── AGENTS.md ├── CLAUDE.md ├── .skills/ │ ├── README.md │ ├── tech-blog-polish/ │ │ └── SKILL.md │ ├── git-change-commit-review/ │ │ └── SKILL.md │ └── linkedin-blog-promo/ │ └── SKILL.md ├── .claude/ │ └── skills/ │ ├── tech-blog-polish/ │ │ └── SKILL.md │ ├── git-change-commit-review/ │ │ └── SKILL.md │ └── linkedin-blog-promo/ │ └── SKILL.md ├── .agents/ │ └── skills/ │ ├── tech-blog-polish/ │ │ └── SKILL.md │ ├── git-change-commit-review/ │ │ └── SKILL.md │ └── linkedin-blog-promo/ │ └── SKILL.md └── scripts/ └── sync-skills.mjsAGENTS.md 依然是專案指引的入口,放常用指令、驗證方式、專案結構與 Git 流程。CLAUDE.md 仍然只匯入它: @AGENTS.md真正的任務流程放在 .skills/<skill-name>/SKILL.md。兩個工具目錄裡的同名檔案則是 adapter,讓 Claude Code 與 Codex 可以用各自的原生探索找到同一個 skill。 完整流程只寫一次 adapter 的內容刻意很短。以 tech-blog-polish 為例,產生出的檔案只保留 skill 的 frontmatter,以及導向唯一來源的指示: --- name: tech-blog-polish description: Polish technical blog articles for this project... ---# Canonical Skill完整流程在 `.skills/tech-blog-polish/SKILL.md`。先讀該檔,再依其步驟執行。這個設計刻意避開把完整內容複製三份。文章潤稿規則、Git 審查規則,甚至未來新增的流程,都只修改 .skills/ 內的 SKILL.md。 AGENTS.md 也明確說出這個責任分工: Keep the complete workflow only in `.skills/<skill-name>/SKILL.md`. `.claude/skills/` and `.agents/skills/` are generated native-discovery adapters..skills/ 是完整流程的唯一來源;原生 adapter 只負責讓工具找到它。用腳本產生 adapter,讓失步變成可檢查的錯誤 Windows symlink 在不同開發環境仍可能遇到權限差異。因此這個專案用 Node.js 小腳本 scripts/sync-skills.mjs 產生檔案,而非依賴 symlink。 它會逐一讀取 .skills/ 的子目錄,確認 SKILL.md 有 name 與 description frontmatter,再把精簡 adapter 寫到兩個原生探索位置: .skills/<name>/SKILL.md ├─> .claude/skills/<name>/SKILL.md └─> .agents/skills/<name>/SKILL.md日常修改後跑: npm run skills:syncCI 或提交前則跑: npm run skills:check--check 不會寫檔。只要唯一來源的 skill frontmatter 或 adapter 內容沒有同步,它就會列出需要更新的檔案並以失敗結束。這讓「有人改了 .skills/ 卻忘了更新 adapter」成為明確、可重現的問題。 2. 補充:Antigravity 與 Cursor 的使用方法 這兩個工具不需要複製另一份 skill。它們適合補上不同層次的工作方式:Antigravity 處理跨編輯器、終端機、瀏覽器的任務執行;Cursor 處理與特定檔案路徑綁定的即時規則。 Antigravity:從 AGENTS.md 進入,交給 agent 完成整段任務 在 Antigravity 開啟這個專案時,我會先讓 agent 讀根目錄的 AGENTS.md。裡面的 skills 索引會指向 .skills/;任務命中後,agent 再讀對應的唯一來源 SKILL.md。這個順序讓專案指引、任務流程與工具操作各自有清楚的位置。 例如要更新一篇文章,我會直接交代任務範圍與驗證要求: 更新中英文 Part 2,先讀 AGENTS.md 與命中的 skill,完成後跑 skills:check、npm run check、npm run build。Antigravity 的 Manager Surface 適合這類需要編輯、跑指令與看預覽的長任務。完成後我會從它產生的計畫、截圖或瀏覽紀錄檢查結果,再決定是否送出下一輪修正。專案裡的 .skills/ 不需要為它另開副本。 Cursor:把檔案路徑觸發留給 .cursor/rules Cursor 也能讀根目錄的 AGENTS.md,因此全專案的規則仍然只有一份。當需求和檔案位置有直接關係時,才在 .cursor/rules/ 放一個短 adapter。例如文章被開啟或修改時,讓 Cursor 載入文章潤稿流程: --- description: Apply the blog writing workflow globs: src/content/posts/**/*.md alwaysApply: false ---Read and follow `.skills/tech-blog-polish/SKILL.md` before editing this post.英文文章可以用另一個相同概念的 rule,將 globs 指到 src/content/posts-en/**/*.md。這個 .mdc 檔只負責觸發,不重述文章結構、語氣與驗收細節;完整規則仍然在 .skills/tech-blog-polish/SKILL.md。 這樣分工後,Cursor 的自動附加規則解決「何時載入」,Antigravity 的 agent 任務解決「如何執行整段工作」,而 Claude Code 與 Codex 透過原生 adapters 解決「怎麼發現 skill」。四個工具都回到同一份流程。 結論:讓工具找到規則,也讓團隊只維護一份規則 AI 程式開發工具還會繼續變,skills 探索的目錄也可能不同。把流程直接複製到每個工具資料夾,長期一定會增加維護成本。 現在這個專案讓 .skills/ 承擔完整內容,腳本產生 Claude Code 與 Codex 的原生 adapters,再用 skills:check 守住同步。新工具要加入時,我只需要新增一個輕量 adapter,不必搬動整套流程。原生探索可以因工具而異;團隊共用的流程應該只有一個來源。參考資料OpenAI Codex:Agent Skills Anthropic:Agent Skills Cursor:Rules Google Antigravity:Agent 導向開發平台

Read More
善用 AI Coding Agent(上):當 Branch 不足以支撐多 Agent 協作

善用 AI Coding Agent(上):當 Branch 不足以支撐多 Agent 協作

AI Coding Agent 已經不只是「幫忙補程式碼」的工具。 我自己也付費使用多個 AI Coding 工具,包含 Cursor、Anthropic Claude Code、OpenAI Codex。這些工具的介面不同,但能力越來越接近:它們可以讀專案、改檔案、跑測試、修錯,甚至花一段時間完成一個比較完整的任務。 這讓我的使用方式開始改變。以前我把 AI 放在 IDE 裡,像一個隨叫隨到的助手;後來我開始把 Agent 當成可以接任務的人。這個轉變聽起來很小,實際上會改變整個工作流程。當 Agent 可以長時間工作,我們要管理的不只指令,也包含它正在使用哪一份專案檔案。這篇是「善用 AI Coding Agent」系列的上篇。我想先記錄一個實際遇到的問題:當我開始讓 Agent 跑長時間任務,原本靠 Git branch 切換的做法很快就不夠用了。 從局部修改開始 我一開始跟 AI 協作的方式,和很多開發者差不多:在 IDE 裡圈選一段程式碼,然後請 AI 幫我做局部修改。 例如:幫我重構這個 function 幫我補上 TypeScript 型別 幫我解釋這段邏輯 幫我把這個 API call 改成另一種寫法 幫我補測試這種方式非常直覺,也很有效。因為操作單位很小,風險也相對容易控制。AI 改完之後,我看一下 diff,覺得可以就接受,不行就退掉。 這個階段的工作方式很單純:我知道現在要改哪裡,AI 只負責處理我指定的那一小塊。它像是加速器,幫我把手上的工作做快一點。 當任務只有幾分鐘,這樣非常夠用。專案目前在哪個狀態、改了哪些檔案、要不要接受修改,都還在我的掌控範圍內。 長時間任務改變了問題 後來我在做 Prompt Engineering 相關工作時,遇到一類很適合交給 Agent 的任務:長時間評估。 例如:跑一批 prompt 評估案例 比較不同 prompt 版本的輸出品質 調整 evaluator 或 LLM-as-a-judge 的判斷邏輯 根據測試結果反覆修改 prompt 整理 trace 或測試報告這類任務通常不會改一個地方就結束。Agent 需要讀專案、跑指令、看結果、修改檔案,再重新驗證。時間可能從幾分鐘拉長到半小時甚至更久。 問題出現在等待期間。當一個 Agent 正在跑 prompt evaluation,我自己還想繼續開發新功能,或再開另一個 Agent 去修 bug。 當時我的想法很直接:能不能讓一個 Agent 在背景處理長時間任務,同時我繼續在另一個分支上開發?直覺答案是開新 branch。 Branch 看起來可以解決 我一開始也是這樣做的。 假設現在有一個主要專案資料夾: luke-tech-blog/我可以為長時間任務開一個 branch: git checkout -b agent/prompt-eval然後讓 Agent 在這個 branch 上執行 prompt 評估。 如果你不熟 Git,可以先把 branch 想成「同一個專案的不同版本路線」。一條路線用來做 prompt 評估,另一條路線用來開發新功能,聽起來很合理。 接著我想繼續開發新的搜尋頁面: git checkout -b feature/search-page這個瞬間,問題才真的浮出來。 同一個專案資料夾,一次只能顯示一個 branch 的檔案。當我從 agent/prompt-eval 切到 feature/search-page,目前資料夾裡的檔案也會跟著換成另一個版本。 這代表正在執行長時間任務的 Agent,看到的專案檔案被我換掉了。 對人類來說,這件事很好理解:我剛剛切了 branch,所以檔案換了。對正在工作的 Agent 來說,它只知道目前資料夾裡的檔案突然變了。它剛剛讀過的內容、跑過的測試、接下來準備修改的檔案,都可能和新的狀態對不上。 可以把它想像成同一張辦公桌上有兩個人在工作。Agent A 正在整理一份報告,我突然把整張桌子的文件換成另一個專案。Agent A 沒有離開,但它眼前的東西已經不是剛剛那一份了。Branch 可以分開專案的不同版本路線,但沒有替每個 Agent 準備自己的工作桌。問題其實在工作空間 這次經驗讓我重新理解問題。 我需要的結構是:同一個專案 不同 branch 不同資料夾 每個資料夾可以同時存在 我切換其中一個資料夾時,不影響另一個 Agent理想上,我希望專案可以長這樣: luke-tech-blog/ mainluke-tech-blog.prompt-eval/ agent/prompt-evalluke-tech-blog.search-page/ feature/search-page這樣我就可以把不同任務分配到不同目錄: Agent A -> luke-tech-blog.prompt-eval Agent B -> luke-tech-blog.search-page每個 Agent 都有自己的 branch,也有自己的資料夾。長時間任務不會因為我切 branch 被中斷,不同 Agent 的修改也不會混在同一個地方。 這是多 Agent 協作第一個很務實的限制:任務可以平行,工作空間也要能平行。 下一篇,我會接著介紹我後來改用的解法:Git worktree。它可以讓同一個專案在不同資料夾同時打開不同 branch,也讓每個 Agent 有自己的工作桌。 小結當 Agent 開始承接長時間任務,每個 Agent 都需要一個不會被別人突然換掉的工作資料夾。善用 AI Coding Agent(下):用 Git Worktree 替每個 Agent 建立獨立工作區

Read More

想更認識我的技術背景?

更多背景、專長與工作方式請見 關於我 頁。

關於我