867 篇 Sources 的 Claude Code 生態 wiki 告訴我們什麼？

一個非官方嘅 Claude Code 生態 wiki，sources 數量已經突破 867 篇。呢個數字本身唔重要——重要嘅係它以一種冇人預期過嘅速度增長，從 2025 年底嘅幾十篇，到 2026 年中嘅幾百篇，再到而家接近九百篇。如果你仲覺得 AI coding agent 只係 Copilot 嘅進化版，呢個 wiki 嘅膨脹速度應該會令你重新評估成個賽道嘅發展節奏。

867 個 Sources 背後：一個生態系統嘅硬指標

Claude Code 嘅非官方 wiki（例如 claude-wiki 專案）已經收錄超過 1,500 篇 Markdown 文件，涵蓋 22 個分類，從 API Reference、MCP Tools 到 Agent SDK，每日自動同步自 Anthropic 官方文檔。而另一個專注於比較 Claude Code、Codex 同 OpenClaw 嘅 agentic-coding-wiki，則以 9 個分析維度（Agent Loop、Tool Systems、Security、Context Management、Multi-Agent Architecture 等）建立咗一個完整嘅知識圖譜。

呢啲 wiki 嘅 sources 增長唔係偶然。根據 Gartner 2026 年 5 月嘅報告，企業 AI coding agent 市場規模已經達到 98 億至 110 億美元。JetBrains 嘅 Developer Ecosystem Survey 2026 顯示，90% 嘅專業開發者每週使用 AI coding agent，68% 仲每日用。當一個工具嘅生態文檔需要用八百幾篇 source 嚟記錄，呢個本身就係一個信號：呢個工具已經唔係「實驗性質」，而係一個有實際生產力影響嘅基礎設施。

對香港嘅開發者同創業者嚟講，呢個數字嘅意義更加直接。你唔需要讀完 867 篇 source，但你必須知道：呢個生態系統嘅複雜度已經超過任何一個人可以手動追蹤嘅範圍。如果你仲喺度用「等一等，睇定啲先」嘅策略，你可能已經落後咗一個身位。

從 Autocomplete 到 Agent：開發者角色嘅根本性轉移

Claude Code 生態 wiki 嘅分類結構本身就講述咗一個故事。喺 2025 年初，大部分文檔都圍繞「如何用 AI 寫 code」。但到 2026 年，wiki 嘅分類已經擴展到 MCP Tools（302 篇）、Claude AI Features（283 篇）、Plugins & Skills（75 篇）、Multi-Agent Orchestration 等。呢個轉移反映嘅係：AI coding agent 嘅價值唔再係「幫你寫多一行 code」，而係「幫你管理成個開發流程」。

Anthropic 自己嘅報告指出，86% 嘅企業已經用 AI coding agent 處理 production code，59% 嘅團隊喺 code review 同 testing 環節節省咗時間。更關鍵嘅係：32% 嘅組織（根據 McKinsey 2026 年報告）已經決定唔買外部軟件，而係用 AI coding agent 自己 build。呢個趨勢對香港嘅 SaaS 公司同創業者嚟講係一個警號——你嘅客戶可能開始覺得「自己 build 仲抵過買你嘅 product」。

Gartner 預測，到 2027 年，65% 使用 agentic coding 嘅工程團隊會將 IDE 視為可選。呢個唔係誇張，而係一個已經發生緊嘅範式轉移。開發者嘅角色正喺度從「寫 code 嘅人」變成「管理 AI 寫 code 嘅人」。你嘅價值唔再係你知道幾多 syntax，而係你知道點樣設計架構、點樣驗證 AI 嘅輸出、點樣喺複雜系統入面做決策。

Skills 生態：從工具到基礎設施嘅進化

另一個值得留意嘅係 SKILL.md 格式嘅爆發式增長。呢個由 Anthropic 喺 2025 年 10 月推出嘅格式，短短六個月已經成為一個社區驅動嘅生態系統。ClaudSkills 等非官方 registry 已經收錄咗數千個 skill，涵蓋工程（code review、refactoring、test generation、debugging）、內容生產、產品管理等領域。

對香港嘅獨立開發者嚟講，呢個生態嘅意義在於：你唔需要從零開始 build 每一個工作流。一個寫得好嘅 SKILL.md 可以幫你建立一個可重複使用嘅 AI 工作流，從 code review 到 deployment 到 monitoring。呢個係一種「自動化嘅自動化」——你自動化嘅唔係一個 task，而係成個類別嘅 task。

但要注意嘅係：呢個生態系統嘅碎片化亦都喺度加劇。Codex CLI 有自己嘅格式，Gemini CLI 有自己嘅格式，VS Code Copilot extensions 開始掃描 .claude/skills/ 目錄。對創業者嚟講，呢個係一個雙刃劍——你有更多選擇，但亦都更容易陷入「工具癱瘓」（tool paralysis）嘅陷阱。

行動建議：喺爆炸中搵到你自己嘅位置

第一，唔好試圖追蹤所有 867 篇 source，但一定要理解佢哋代表嘅趨勢。呢個 wiki 嘅存在本身就係一個市場信號：AI coding agent 已經複雜到需要一個專門嘅知識圖譜嚟記錄。如果你仲未開始用，而家係時候認真考慮。

第二，投資喺「管理 AI 嘅能力」，而唔係「用 AI 寫 code 嘅能力」。Gartner 嘅數據顯示，90% 嘅工程領導者已經見到生產力提升，平均淨提升 19.3%。但佢哋嘅成功唔係因為佢哋用咗最強嘅 model，而係因為佢哋建立咗有效嘅驗證流程同 governance 框架。

第三，如果你係香港嘅創業者，特別係做 B2B SaaS 嘅，認真思考你嘅客戶點樣用 AI coding agent 建立佢哋自己嘅解決方案。McKinsey 嘅數據已經講得好清楚：32% 嘅組織已經開始用 AI 自己 build，而唔係買。你嘅護城河唔再係「你有呢個功能」，而係「你嘅 domain knowledge 同 integration 能力係 AI 短期內複製唔到嘅」。

867 篇 source 嘅 wiki 只係一個快照。真正嘅問題係：喺呢個 AI coding agent 生態系統每年以兩三倍速度增長嘅時代，你準備好未？