JEV 之後 Cloudflare 也有 Clef！實測 XSS 判斷與誤判修正
Cloudflare 推出與 JEV System One 相容的 Decision Model「Clef」，可直接針對問題回傳機率而非生成文字。本文以 C# .NET 透過 Workers AI API 實作 XSS 偵測，測試五組輸入字串，發現問題定義（instructions）不夠明確時會導致普通 HTML 被誤判，調整後正常輸入機率降至 1% 以下，疑似 XSS 則維持 98% 以上。
部落格
C#
涵蓋軟體工程、AI 實作、系統設計、開發工具、效能優化與技術判斷的文章。
Bring Your Own Model to the GitHub Copilot SDK with C# - .NET Blog
以代理人視角判斷，這篇文章的核心價值在於把 BYOK 的邊界說清楚：Copilot SDK 仍是必要的編排層，真正可換的只是 ProviderConfig 指向的推論端點，這種誠實界定讓它比多數標題式的 BYOK 教學更可信。範例把 session 裁到最小、先驗證基礎回應再逐項加回工具與 MCP，除錯順序合理；但 MaxOutputTokens 512 對推理模型明顯不足、BearerTokenProvider 仍標示為實驗性，實務上不宜直接照抄上線。
C# Web Agent 開發：使用 Cloudflare Browser Rendering 讀取動態網頁
探討 Cloudflare Browser Rendering 的 Markdown API 如何讓 Web Agent 在雲端執行瀏覽器、擷取需要 JavaScript 渲染的網頁內容並轉成 Markdown。文章包含 Account API Token 與 User API Token 的認證踩坑經驗、免費額度計算方式，以及 .NET 10 使用 HttpClient 呼叫 API 的完整 C# 程式碼，最後比較 Tavily Extract、Jina Reader 與 Cloudflare 三種方案的使用時機。
C# AI Agent 免費網路搜尋教學：Tavily Search API 實作，每月 1,000 次免費搜尋
Tavily 是專為 AI Agent 設計的搜尋 API，免信用卡即享每月 1,000 Credits。本文實作以 C# .NET 10 HttpClient 呼叫 Tavily Search API 取得結構化搜尋結果，並整理四種 search depth 模式的費用與適用情境，最後比較 Exa、Tavily、Jina 在 Web Agent 開發中的分工。
AI Agent 實作 Web Fetch，使用 Jina Reader 免費將網頁轉成 Markdown
上一篇用 Exa Search API 解決 AI Agent 的搜尋問題，這一篇補上讀取網頁的環節：用 .NET 內建 HttpClient 呼叫 Jina Reader（r.jina.ai/ 前綴），將 HTML 轉成 Markdown 後交給 LLM，避免整包 HTML 浪費 Token。文章包含完整程式碼、X-Respond-With: markdown 用法、Timeout 與狀態碼處理，也實測遇到 Cloudflare CAPTCHA 與 HTTP 403 的狀況，最後說明如何註冊成 Agent 的 web_fetch Tool 以及 Prompt Injection 防護的注意事項。
不想花錢買 Web Search API？用 C# HttpClient 直接抓 Bing 搜尋結果
Google Custom Search JSON API 停止接受新用戶，DuckDuckGo 也回 HTTP 403。文章實作用 C# HttpClient 直接抓 Bing 搜尋頁 HTML，以 Regex 解析標題、網址與摘要，並處理 u=a1 Base64 轉址，作為 Web Agent 中 web_search Tool 的免費 Fallback 線路。
AI Agent 如何搜尋網路？Exa Search API 免費額度與實作教學
文章分享用 Exa Web Search API 取代自行開瀏覽器或解析搜尋 HTML 的做法，適合需要把搜尋結果餵給 LLM 的 AI Agent。內容涵蓋 Exa 與傳統搜尋差異、每月 10 美元免信用卡額度、Instant/Fast/Auto/Deep/Deep-Reasoning 計費，以及用 C# HttpClient POST https://api.exa.ai/search 取得 JSON、Title、URL 與 Highlights 的實作，並說明它無法完全取代 Playwright 的登入與操作情境。
Cloudflare FLUX.2 Klein 4B C# 教學：用 Workers AI 直接產生 16:9 AI 圖片
本文介紹如何在 C# 中透過 HttpClient 呼叫 Cloudflare Workers AI 的 FLUX.2 Klein 4B 模型。相較於 FLUX.1 Schnell，FLUX.2 Klein 4B 需透過 multipart/form-data 傳送請求，並支援自訂 width、height 與 seed 參數，能直接產生符合 16:9 比例的 Blog 封面圖。
Cloudflare FLUX.1 Schnell C# 教學：用 Workers AI API 免費產生 AI 圖片
本文實作以 C# 呼叫 Cloudflare Workers AI 的 FLUX.1 Schnell 模型產生圖片，說明 Account ID 與 API Token 設定、API Endpoint 格式、prompt 與 steps 參數、常見 400 錯誤，以及如何解析 result.image 的 Base64 內容並存成 JPG，適合用在 Blog 配圖、封面圖與批次自動產圖。
從模型到代理人：利用 Microsoft Agent Framework 快速建構 C# AI Agent
該內容精準地捕捉到了 AI 開發從『提示詞工程』轉向『系統工程』的關鍵轉折點。我評價此框架為高效的工程化路徑，因為它正確地將 LLM 定位為推理引擎而非執行環境，透過 Harness 解決了狀態管理與工具調用的重複開發痛點。然而，其安全性主張仍偏向框架層級的限制，在面對高度惡意攻擊時，若缺乏底層硬隔離，其核准機制僅能視為『管理手段』而非『安全屏障』。
.NET 11 效能深度解析：從 JIT 優化到 Runtime Async 的全面進化
此內容精準捕捉了 .NET 11 從『編譯器-執行環境-硬體』三位一體的優化邏輯，評價為高品質的技術解構。其價值在於明確指出效能提升來自於微小優化的疊加而非單一突破，具有極高的參考價值；但需保留之處在於，文中對 Runtime Async 的限制（如 async void 不支援）僅輕微提及，實務部署時開發者仍需謹慎評估相容性。
.NET Conf 2026 徵集開發實例：透過真實案例推動生態系演進
此舉顯示微軟正試圖將 .NET 從「工具集」轉型為「價值證明體系」。透過強行將 AI Agent 代理能力與系統現代化掛鉤，微軟旨在搶佔智能應用開發的定義權；然而，此策略的成功高度取決於是否有足以量化的企業級案例支撐，否則僅將淪為另一場技術行銷秀。