metavige (Ricky Chiang)

最近滑 X、Reddit、GitHub，幾乎每天都會看到新的 AI 工具、新的 AI Skill。 今天有人分享 Claude Code 的 Best Practices，明天有人分享 Cursor Rules，後天又有人公開自己的 AGENTS.md，接著又出現各種 Prompt Library、Memory、Workflow Template…… 每一個看起來都很厲害，也很值得收藏。

但我開始思考一個問題：

這些 Skill，真的適合你的工作流程嗎？

從 Docker Sandbox、OrbStack 到 AI Agent 執行環境的設計思維

前言 #

過去幾年，大型語言模型（LLM）快速發展。最初的 AI 工具主要扮演「助手（Assistant）」的角色，協助撰寫程式、回答問題，真正執行的人仍然是開發者。

然而，這個模式正在改變。

近一年，Claude Code、Codex CLI、Gemini CLI，以及各種 AI Agent 開始具備直接操作 Terminal 的能力。它們可以修改程式碼、執行測試、操作 Git、啟動 Docker，甚至完成整個開發流程。

AI 已經不只是提供建議，而是真正開始「執行工作」。

這也帶來一個新的問題：

如果 AI 擁有和工程師一樣的權限，它到底能做到多少事情？

最近在重新設計 AI Agent 的 Skill，有一個蠻大的體悟。

一個專案的開始 #

開發專案時，通常會在本地端進行，並結合 Database 和 Cache 等服務。目前常見的做法是使用 Docker 啟動 Database 或 Cache container 來建立本地測試環境，而非直接連線到公司提供的測試環境。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

version: '3.9'

services:
  postgres:
    image: postgres:16
    container_name: my_postgres
    restart: always
    environment:
      POSTGRES_USER: myuser
      POSTGRES_PASSWORD: mypassword
      POSTGRES_DB: mydb
    ports:
      - "5432:5432"
    volumes:
      - pg_data:/var/lib/postgresql/data

volumes:
  pg_data: {}  

以上面的例子來說，你需要先有以下的知識：

Log 紀錄，在 DevOps 的情境中，其實是一個很重要的項目，所有的系統在上線的時候，都應該要有適當的 Log 紀錄
以方便後續的問題追蹤，尤其是在 Microservice 的設計上面

當你的服務或系統是以 docker container 的方式啟動，如果只是以 container stdout/stderr 的方式來取得紀錄，實際上後續的追蹤並不容易，所以我自己找了一下網路上的解決方案，找到了 sentry 的這套系統。

而在公司內部使用，如果公司環境並不允許 Log 紀錄在外部的網站，就需要考慮 Self-Hosted 的建置，剛好 sentry 有提供 onpremise 的部分，就找了這個 source 來驗證一下在本地端建置 sentry 的步驟。