在大型程式項目中通常會透過不同手段來優化 llm token 的使用效益,本篇文章將介紹如何使用 codegraph

安裝 CLI
npm install -g @colbymchenry/codegraph

進入到項目中，安裝 codegraph，它會自動偵測並設定 Claude Code、Cursor、Codex
$ codegraph install

- 閱讀剩餘部分 -

傳統的 IP 封鎖和 Rate Limit 正在失效。當對手能無限旋轉 IP、偽裝 Header， 你真正的防線藏在一個沒人注意的地方——U+2019，那個「右彎引號」。

問題在哪

假設你花了幾年訓練一個垂直領域的 LLM，或者你的 API 輸出本身就是有價值的資產。 現在有人開始大量抓取你的輸出，用來微調（fine-tune）他們自己的模型。 傳統反爬蟲？封 IP——對方換 Proxy；加 Rate Limit——對方放慢速度； 要求登入——對方批量買帳號。

- 閱讀剩餘部分 -

賦予 AI 智能體記憶：遊戲開發中的自組織知識庫

為什麼我不再讓我的 AI 助理每天早上重新學習整個程式碼庫，而是為它建立了一個能夠自我管理的記憶庫。

需要服的問題

在游戲開發項目中整合 AI 助理最困難的部分不是模型本身，而是上下文。每次啟動，助手都要從零開始：重新閱讀程式碼庫，重新推導出某個功能的工作原理，最終得到的答案往往與昨天略有不同。與此同時，實際的知識分散在三個彼此矛盾的地方——每日提交記錄、代碼審查筆記和問題描述——而不懂 C# 的遊戲設計師仍然需要知道“這個功能涉及哪些方面，以及這個需求是否可行？”

- 閱讀剩餘部分 -

Giving an AI Agent a Memory: A Self-Curating Knowledge Base for Game Development

Why I stopped letting my AI assistant re-learn the whole codebase every morning — and built it a memory that curates itself.

The problem I kept hitting

- 閱讀剩餘部分 -

本章節要將情緒「分類」升級到「結構化輸出」

原本Stage 1 只回一個詞（喜悅）。Stage 2 要回一個 JSON 物件：

{
  "instruction": "分析以下文本的情緒，輸出 JSON：emotion（類別）、intensity（1-5）、trigger（觸發詞）、reasoning（分析過程）",
  "input": "他竟然在背後說我壞話，我真的快氣炸了",
  "output": {
    "emotion": "憤怒",
    "intensity": 4,
    "trigger": "背後說壞話",
    "reasoning": "「竟然」表示出乎意料的憤慨，「快氣炸了」是強烈憤怒的慣用表達"
  }
}

在這過程中要加入 COT，爲什麽呢？

- 閱讀剩餘部分 -