DARE：純 Markdown 寫嘅 AI 研究自動化，比 Application Code 更強？

我哋用咗幾年去學點樣寫 application code 去 orchestrate AI agent——LangChain、CrewAI、AutoGPT，每個 framework 都聲稱自己係「AI 嘅操作系統」。但 DARE（De-Anthropocentric Research Engine）將呢個假設完全反轉：佢成個 system 係 900+ 個 Markdown 檔案，零 application code，零 runtime，零 framework。個「runtime」就係 Claude Code 本身。個「framework」係一個四層 command hierarchy：Campaign → Strategy → Tactic → SOP。呢個唔係哲學實驗——係一个 production-ready 嘅 autonomous research engine，喺 GitHub 上開源，有 49 個 MCP tools、6 個 external server integrations，真正做到 autonomously 做 literature survey、gap analysis、hypothesis generation、experiment design。

所有 Application Code 都係多餘嘅 abstraction

我哋習慣咗一個假設：要控制 AI，就要寫 code。我哋寫 Python 去 call LLM API，寫 YAML 去 define agent workflow，寫 JSON 去 config pipeline。但諗深一層——你寫嘅 code 最終都係為咗產生一堆 instruction 俾 LLM 執行。咁點解唔直接寫 instruction？

DARE 嘅做法係：每個 skill 係一個 Markdown file，有 YAML frontmatter 定義 dependencies，正文就係 instruction。一個 Campaign skill 定義「做 literature survey 嘅完整流程」，一個 Strategy skill 定義「點樣 iterate search-read-reflect loop」，一個 Tactic skill 定義「點樣組合多個 SOP 做 cross-domain collision」，一個 SOP 就係「search Semantic Scholar 攞 paper」。

呢層抽象唔係偷懶——係消除多餘嘅 abstraction layer。你寫 Python orchestration code，本質上係將 instruction 編碼做 control flow，再由 framework 解碼返做 instruction 俾 LLM。呢個 encode-decode cycle 唔單止浪費運算，仲引入咗 framework 本身嘅 bug、breaking changes、vendor lock-in。DARE 直接跳過呢步：instruction 就係 instruction，冇中間人。

四層 Hierarchy：Military-Grade 嘅 composability

DARE 最令我眼前一亮嘅係佢嘅四層架構。有人會覺得「900+ skills 太誇張」，但仔細睇，呢個係一個精心設計嘅 composability system：

Campaign（45+）——定義「做咩研究」。例如「knowledge-acquisition」、「deep-insight」、「creative-ideation」。每個 campaign 有自己嘅 completion criteria 同 backtrack conditions。

Strategy（200+）——定義「點樣 iterate」。例如「literature-survey」唔係 search 一次就算，而係行一個 SEARCH → READ → REFLECT → EVALUATE loop，有 state ledger 追蹤 coverage percentage。

Tactic（100+）——定義「點樣組合 operation」。例如「cross-domain-collision」組合 domain-scanning、analogy-extraction、forced-bridge-construction、blend-evaluation 四個 SOP。

SOP（500+）——原子 operation。一個 SOP 做一件事：search paper、score hypothesis、extract analogy。

呢個架構嘅精妙之處在於：每層只 call 下面一層，唔跨層。Campaign 唔直接 call MCP tool，Tactic 唔決定 research direction。嚴格嘅 layering 令每個 component independently testable、replaceable、composable。

對比之下，LangChain 嘅 chain、CrewAI 嘅 agent/crew 分層，喺 composability 同 discipline 上都遠不及呢個 design。DARE 嘅四層架構係真正嘅 military-grade——每個 layer 有清晰嘅 concern boundary，唔似得主流 framework 咁樣樣都撈埋一齊。

Arsenal 唔係 Pipeline——呢個先係真正嘅 game changer

每個現有 autonomous research system——AI Scientist v2（Sakana）、AI-Researcher（HKUDS）、Agent Laboratory——都係 fixed pipeline。Stage 1 → Stage 2 → Stage 3，hardcoded 順序。Agent 嘅 autonomy 只限於 local decisions 入面。Backtracking 最多係 retry 當前 step。

DARE 唔係 pipeline，係 arsenal。10 個 research packages 完全 freely composable，冇 prescribed order。CC（Claude Code）喺 direction crystallization 之後讀 research-catalog，根據 current state 決定 invoke 邊個 package、咩順序、使唔使 loop back。Research Spec 入面有 explicit backtrack conditions——例如「如果 stress-test invalidates >50% hypotheses，return to hypothesis-formation」。

呢個先係真正嘅 autonomous decision-making。唔係「跟住個 flowchart 行」，而係「知道自己喺研究空間嘅咩位置，決定下一步去邊」。做 startup 嘅朋友應該即刻明——呢個就係 founder 嘅 decision-making 同 middle manager 嘅分別。

對香港開發者嘅啟示

DARE 對香港同繁體中文圈嘅開發者有三個直接啟示：

第一，Markdown 係被低估嘅「programming language」。我哋成日覺得要寫 code 先叫「整緊嘢」。但喺 AI agent 時代，寫清楚嘅 instruction 可能比寫靚嘅 code 更有價值。DARE 證明咗 900+ 個 Markdown files 可以組成比大部分 application code 更 powerful 嘅 system。

第二，Architecture 嘅競爭優勢由「點樣寫 code」轉移去「點樣組織 knowledge」。DARE 嘅核心唔係 algorithm breakthrough，而係佢點樣組織 900+ skills 做一個 composable hierarchy。呢個係 information architecture 問題，唔係 software engineering 問題。

第三，Zero infrastructure 係真正嘅 competitive moat。DARE 嘅 install 係 git clone && npm install && codex。冇 server 要 deploy，冇 API 要 manage，冇 database 要 migrate。對香港嘅 indie developer 同細團隊嚟講，呢個意味住你可以用最低嘅 infra cost 做到最複雜嘅 automation。

我唔係建議你即刻棄用 Python 轉寫 Markdown。但我強烈建議你諗一諗：你而家寫嘅 orchestration code，有幾多係真正必要嘅 abstraction？如果你直接寫 instruction 俾 LLM，係咪可以做得更快、更 flexible、更容易 debug？DARE 唔係終極答案，但佢指向咗一個值得深思嘅方向——喺 AI native 嘅世界，最強嘅「code」可能根本唔係 code。