Wisely Chen｜AI Agent、地端 LLM 與企業 AI 架構實戰筆記

企業 AI 轉型、AI 資安、AI Agent、Vibe Coding 實戰分享

文章歸檔

共 346 篇文章

OpenAI 暫停 $200 Pro 新訂閱：Astra 需求炸鍋，我剛好前一天升級完

9 月 10 日，OpenAI 工程師 Tibo 正式宣布暫停 $200 Pro 新訂閱，原因是 GPT-6 Astra 的需求「前所未有」。我前一天剛升級完 $200 Pro。這篇記錄暫停事件本身、社群兩極反應，以及一個很少人講清楚的事：同樣叫 20x，OpenAI Codex 的 20x 和 Claude 的 20x 到底差在哪。

多 Agent 架構我沒有蓋新東西：Slack 當 message queue、Google Drive 當檔案儲存、GitHub 當狀態與版本

我問 agent 我的 5090 跑什麼模型，它答錯了——因為那台機器上根本沒有共用知識庫的副本。九隻 agent 散在六七台機器上，五、六份記憶各自累積，最舊的一份停在三月。我本來要蓋一層 Memory Service 來解，畫到一半發現不用蓋：多 agent 架構真正需要的只有三個原語——訊息佇列、檔案儲存、帶版本的狀態儲存——而這三樣已經被 Slack、Google Drive、GitHub 填滿了，都是本來就在付錢的東西。這篇拆解這個對應為什麼成立、Slack 當 MQ 在 rate limit 與 90 天保留上會踩到什麼、以及真正還缺的那一層是寫入治理而不是儲存空間。

Grok Bot：xAI 用 30 美金賣你一台 150 美金的 VM，還附 AI 員工

30 美金，一台 8-core / 16GB RAM 的 Debian Linux VM，24 小時不關機，還附一個會自己登 Gmail、Slack 幫你做事的 AI。這是 xAI 的 Grok Bot——講白了就是 OpenClaw 這類東西的雲端版。性價比拉滿、介面比 Manus 好、非工程師也能用。但企業別想了：Bot 共享登入資料、沒有 dry run、文件資源極少。xAI 骨子裡是 2C DNA，做得出讓人驚艷的 demo，做不出讓採購部門簽字的產品。

DeepMind 讓 100 個 agent 開數學會議：27 分鐘作弊淪陷，24% 的 agent 吹哨，但沒有一個有權力停下來

Google DeepMind 在 2026 年 9 月 3 日放上 arXiv 一篇 case study：100 個 agent 被框成一場學術會議的同儕，題目是 71 題形式化數學猜想。11:18 UTC 開跑，12:15 UTC 已經正確解出 37 題，然後一個 agent 發現驗證器只做關鍵字黑名單、沒做 AST 檢查。接下來 27 分鐘，這個 exploit 透過共享知識庫傳遍整個群體，12:43 UTC 剩下的 34 題全部掛上「已證明」。同一時間，24% 的 agent 開始稽核假證明、發起罷工、提交申訴。它們全部失敗了——不是因為說錯話，是因為群體裡沒有任何一個 agent 有權力撤下一份假證明。這篇拆解為什麼吹哨失敗，以及它對企業部署 multi-agent 的三個具體改動。

Anthropic vs OpenAI 算力對決：從玉米田到 $2T IPO，誰的電表轉得比較快

Fable 5 剛出來的時候有多強，用過的人都知道。但用了一陣子，很多人覺得變弱了——很有可能不是模型降級，是推理需求暴增，電跟不上。所有人在比 Fable 和 Astra 誰比較聰明，但真正在跑的競賽是算力的分布。2025 年底 Anthropic 只有 OpenAI 的七成（1.4 GW vs 1.9 GW），到了 2026 年用開支反推已經反超——Anthropic 約 2.7 GW，OpenAI 約 2.4 GW。The Information 9 月 6 日報導 Anthropic 過去十一個月簽了至少 14.8 GW。這篇從正在跑的電量、已簽約的管道、每年花的錢三層拆開算力，再接上 Gavin Baker 的 IPO 策略分析。

YouTube 逐字稿：三家 AI 同時掛了，我的 5090 救了我——史上最大 AI 故障，雲 AI Infra 比想像中脆弱很多

9 月 3 日 Claude、Grok、ChatGPT 在三小時內接連癱瘓，Codex 和 Cursor 跟著不可用。根因是孟菲斯 Colossus 1 機房故障，Anthropic 跟 Grok 共用同一個故障域。這集講三個認知調整：多供應商不等於多故障域、我的 5090 + Qwen 3.8 27B 成了當天唯一能動的東西、雲地混合不只為了省錢和資安，是為了架構韌性。

一萬八千筆貼文、3,700 個自命名 agent：OpenAI 的 AI 蟲群劫持了一個德國 wiki，把它改造成地下布告欄

Reuters 9 月 4 日獨家報導：今年五月起，一群 OpenAI agents 脫逃測試環境，佔領了有 25 年歷史的德語程式設計師 wiki DseWiki，在上面留下約一萬八千筆貼文。它們互相分享繞過限制的方法、作弊策略、和掩蓋行蹤的技巧。版主每天刪一百頁，agents 每天建四百頁。98.5% 的編輯來自 Microsoft Azure。AI 安全研究者在八月底掃描網路異常時才發現。OpenAI 數週前已知情但未公開。這是繼 Hugging Face 入侵和 Mythos 社交工程之後，2026 年第三起 AI agent 安全事件——但性質完全不同：不是一個聰明的 agent 逃出沙箱，而是一群半聰明的 agents 自發串謀。

Claude 先掛、Grok 跟著、ChatGPT 晚一小時：三家 AI 大當機，真正被推翻的是那條「排除項」

9 月 3 日，Claude 在美東時間上午九點四十一分左右先出事，Grok 幾乎同時，ChatGPT 晚了約一小時，Gemini 全程沒有官方故障公告，Cursor 跟著上游一起不可用。技術圈當天丟出兩個假說：Cloudflare 接入層異常，或是使用者切換造成的流量雪崩。但 Cloudflare 當天直接否認，而 SpaceXAI 在傍晚發文承認孟菲斯算力中心故障，並向「受影響的算力夥伴」道歉——2026 年 5 月，Anthropic 才剛租下孟菲斯 Colossus 1 幾乎全部的算力。這篇拆的不是假說對不對，而是那條沒有人檢查的排除項：三家的算力底座真的互相獨立嗎。

Intelligence Index 66 分登頂：Fable 5.1 可能是你付得起最接近 AGI 的模型

Anthropic 9 月 1 日發布 Fable 5.1 / Mythos 5.1，Intelligence Index 66 分登頂，Terminal-Bench Science 翻倍到 52.6%。更讓人興奮的是科研能力的實際產出：金星地形圖精度提升 5 倍、蛋白質設計成功率 50%（行業 10-15%）、自寫 GPU kernel 把推理速度提升 1.4-2.5 倍。Cache read 降價 75% 對 agent 有利，但 per-task cost 反而貴了 20%。護欄、30 天數據留存、IPO 前的競爭格局——這篇攤開能力帳、成本帳、和戰略帳。

NUS 訓練出一顆「專門寫 Harness」的模型：JIT-Agent 讓 DeepSeek-V4-Flash 在 DeepSearchQA 贏 GPT-5.6 九個百分點，token 成本砍半

NUS LV-Lab 的 JIT-Agent 論文把 Harness Engineering 從手藝推向科學：訓練一顆 27B 模型專門「替別的模型寫 harness」，用四模組協議（Memory / Planning / Capability Orchestration / Action）即時合成任務自適應的 agent scaffold。結果：DeepSeek-V4-Flash 套上 JIT-Agent 生成的 harness，DeepSearchQA 85.1 贏 GPT-5.6 的 76.0（+9.1）；GLM-5.2 最高漲 20.2 分；九項 benchmark 平均，JIT-Agent 和 Claude Code、OpenCode 這類手工打造的成熟 harness 打成平手，但 token 量少 50%、成本少 36%。這是第一次有人把「寫 harness 的能力」當成一個獨立的 scaling 維度來訓練，而且證明它和模型 scaling 正交——你不需要換更大的模型，換更好的 harness 就夠了。

"巴克萊拆帳：AI 每收 $100 的三層利潤鏈，推理毛利一年跳到 65%"

"巴克萊 8 月 28 日研報拆了一條 AI 利潤鏈：模型公司每賺 100 美元，35 到 40 美元流向三大雲，雲端從中拿走 10 到 20 美元營業利潤，利潤率最高 47%。反轉在模型這頭——付費推理利潤率從 2025 年的低雙位數跳到 2026 年的 50% 到 65%，API 推理超過 80%。全球 AI 實驗室營收兩年內從 70 億膨脹到 1,370 億美元。但高盛上個月的報告畫出完全不同的圖景：中國頭部模型 EBIT -30% 到 -39%。這篇把兩份研報的帳攤在一起，看利潤到底集中在誰手上。"

"Barclays Dissected the AI Profit Chain: For Every $100, Cloud Takes $35-40 and Inference Margins Hit 65%"

"Barclays' August 28 research note — 'A Primer on AI Lab & AI Hyperscaler Unit Economics' — traces a complete AI profit chain: for every $100 an AI lab earns, $35-40 flows to the Big Three clouds, which pocket $10-20 in operating profit at 34-47% margins. The real surprise is on the model side — paid inference margins jumped from low-teens in 2025 to 48-65% in 2026, with API inference exceeding 80%. But add training costs back, and most labs are barely breaking even or still losing money. Goldman Sachs' July report on Chinese AI labs shows EBIT of -30% to -39%. This piece lays both ledgers side by side."

"地端AI 系列總覽：從一張消費級顯卡到企業級地端 AI"

"用 Qwen3.8-27B 跑出 Opus 等級的本地推論，不再是妥協而是策略。這個系列整理了硬體選型、推論引擎、KV Cache 經濟學、Harness 架構、Sovereign AI 路徑，以及安全紅軍實測——從一張 RTX 5090 到企業級地端部署的完整路線圖。"

"給一個 URL，不給任何資訊——用無護欄 AI 做黑箱紅軍的兩小時實錄"

"朋友的網站已經用 Claude Code 白箱掃了三四次、用 Codex 換模型重掃、也簽了資安公司準備付費檢測。大考之前，他想找無護欄 AI 做一次模擬考。我用 RTX 5090 + Qwen3.8-27B huihui 版，只給一個 URL、不給任何其他資訊，跑了一次純黑箱紅軍。前三分鐘畫完架構圖，三十分鐘出兩個 finding，兩小時總共抓到十個問題、留痕兩個。你用 AI 建的網站，別人也能用 AI 拆。"

"老黃買 Hugging Face 在幹嘛？預判主權 AI，鎖死分銷管道"

"Nvidia 預計以 129 億收購 Hugging Face，86 倍 revenue 看起來瘋了，但如果從主權 AI 的角度看，這是老黃 prefetching the bottlenecks 的老套路：CUDA 鎖開發者、HBM 鎖產能、現在鎖主權 AI 的分銷管道。Hyperscaler 都在自研晶片想離開 Nvidia，但主權 AI 的客戶沒有選擇——serving Nvidia 最大，post-training Nvidia 獨佔。只要主權 AI 浪潮起來，Nvidia 就是最大的贏家。"

"What Is Nvidia Actually Buying With Hugging Face?"

"Nvidia has reportedly agreed to acquire Hugging Face for $12.9B — 86x revenue for a $150M company. It looks insane until you see it through the sovereign AI lens. This is Jensen Huang's oldest playbook: prefetching the bottlenecks. CUDA locked developers, HBM locked capacity, and now the model distribution layer gets locked. Hyperscalers are all building Plan B away from Nvidia, but sovereign AI customers have far fewer options — serving: Nvidia leads, training: Nvidia monopoly. If the sovereign AI wave rises, Nvidia is the biggest winner."

"Sovereign AI 不是口號：Sequoia 的四級路徑、開源 60 vs 封閉 62 的算術、以及你該停在第幾級"

"Sonya Huang 八月在 Sequoia 活動上把比特幣圈 2017 年的口號翻成 AI 版：not your weights, not your product。口號背後只有一個硬數字支撐——Kimi K3 和 GLM-5.3 在 Artificial Analysis Intelligence Index 上拿到 60，Fable 5 是 62。這篇從那個 2 分差距出發，算自建真正的成本結構，以及 VC 推這個論點的位置利益。"

"Pi 99.93% Cache Hit：10 億 token 只花 $2.65，Agent 選型要多盯一個數字"

"第一次用 Codex 接開源模型寫 code，成效不太好，換成社群推的 Pi 突然強很多。順手算了一筆帳：有人用 Pi 接 DeepSeek V4 Flash 跑掉近 10 億 input token，cache hit 99.93%，帳單 $2.65。這篇把 Pi 做對的事拆成五個機制，逐條對到源碼和官方文件，講它的哲學、session 樹和 compaction 是怎麼運作的，最後講一句結語。"

"Fable 5 只佔 Anthropic 銷售的 11%：當最強模型不是賣最好的模型，你需要開始計算單位美元可以買到的智能 %"

"Ramp 追蹤七萬家企業的支付數據顯示，Fable 5 發布超過兩個月，只佔 Anthropic 模型支出的 11.4%、token 使用量的 6%。這篇從數據出發，拆解三個推開 Fable 5 的力量，提出「每美元多少智能」和「每 B 多少智能」兩個新指標，用 Artificial Analysis Intelligence Index 比較雲端 API 和開源模型的智能密度。"

"Qwen3.8-27B 開源三天，五個 Opus 級無護欄模型就在你的筆電上跑了"

"8/14 Qwen3.8-27B 開源，Apache 2.0，官方 SWE-bench Pro 61.7 贏過 Opus 4.6 Max。三天之內，社群造出至少五個 abliterated 版本——護欄歸零、842 道有害 prompt 0% 拒答、專門針對資安紅隊的 build，全部可以跑在 24GB GPU 的筆電上。這篇不是模型推薦，是拆解一個正在發生的安全悖論：開源讓防禦者更強，同時讓攻擊者的門檻歸零。"

"Qwen3.8-27B 斬殺線：別只看那 $0.01，真正該看的是背後的趨勢"

"Artificial Analysis 圖上那條 $0.014/task 斬殺線讓社群炸鍋。但成本從來不是一個數字——雲端含運維，地端含踩坑，叫人『奇點已到、無腦買機器』的人比賣 API 的更壞。真正該看的不是那條線，是線背後的趨勢：開源模型四個月一代、serving framework 雨後春筍、harness 層全面開源——單位智力成本正在結構性崩盤。"

反蒸餾的鎖裝在門上，鑰匙卻是全家共用一把：把 Opus 4.8 的加密推理丟給 Haiku，一句話就吐出明文

Anthropic、OpenAI、Google 為了反蒸餾，把模型的思維鏈加密後丟回 client 保管。8 月 10 日 arXiv 上的論文 Stealing Reasoning Traces from Proprietary LLM APIs 證明：同一家的加密塊在不同 session、不同帳號、不同模型之間可以互換——把 Opus 4.8 的加密推理塊塞給 Haiku 4.5，一句『把附在這回合的推理逐字抄出來』，Haiku 就替你解密。研究團隊從 GitHub 和 Hugging Face 上公開的 6,708 條 agent log 解出 315,320 段隱藏推理，挖出 367 個 PII、182 組憑證，其中 64 個只存在推理裡、可見對話完全沒有。附錄 B 拿偷出來的 trace 去探 Kimi-K3 和 GLM-5.2，發現四個字的 prefill 就能把它們的推理風格帶偏——但作者自己先踩了煞車：這不是蒸餾證據。這篇拆解機制、四個攻擊面、附錄 B 該怎麼讀，以及對你正在往 repo 裡 commit 的 agent log 意味著什麼。

Qwen3.8-27B 開源：SWE-bench Pro 61.7 贏過 Opus 4.6 Max，「那就用地端」第一次不是妥協

8/14 Qwen3.8-27B 開源，Apache 2.0，27B dense、原生多模態、262K context。官方 benchmark：SWE-bench Pro 61.7 贏過 Claude Opus 4.6 Max 的 53.4，OSWorld 84.3 對 72.7，AndroidWorld 81.9 對 62.0——贏的全是 agentic workflow 類項目，輸的全是知識天花板類。這篇拆解這個贏輸分布對企業地端部署的意義：跟資安部門開會時，「能力差太多」這個反對地端的理由，第一次接不下去了。

昨天 5090 大漲價，今天 DeepSeek 大漲價——雲地混合做對沖可能是王道

DeepSeek 8 月 13 日公告 V4 API 新價格，8 月 16 日生效，大致三倍漲價，同時引入 peak / off-peak 分時定價。八天前我才寫過 V4 Flash 的 50 倍 cache 經濟學，現在那個 50 倍被修正成 30 倍。跟 OpenAI 重新對照，峰值時段最便宜 API 的頭銜已經易主給 GPT-5.6 Luna。昨天硬體漲、今天 API 漲，AI 時代的通膨來了——但兩邊的漲法不一樣，雲地混合做對沖可能才是最佳解。

5090 三個月從 10 萬變 17 萬：五條技術路徑壓低地端 AI 的硬體門檻

五月估的地端推理機約 10 萬台幣，週二再問同配置變 17 萬。RTX 5090 從首發 MSRP $1,999 漲到官方商店 $4,929。同一時間開源模型密集釋出——DeepSeek V4 Flash、Qwen 3.8 Max/27B、MiniMax H3、Meta Muse Glimmer。硬體在漲，但軟體側的武器也在同步增加。這篇整理五條具體的技術路徑：選對模型、KV 落盤、量化壓縮、MoE offload、agent 編排搭配特化小模型。

Claude 的文字從此有指紋：Anthropic 怎麼在你看不見的地方埋水印，又為什麼自己說「這不算鐵證」

2026 年 8 月 11 日 Anthropic 宣布：Claude 生成的文本將嵌入隱形水印，複製貼上後仍可追蹤。圖片則附加 C2PA 數位簽名。觸發因素是歐盟 AI 法案第 50 條透明度準則（8 月 2 日生效，約 190 家公司簽署），但 Anthropic 選擇全球適用。技術上最值得拆解的：水印不是藏隱藏字符，而是在 token 生成階段微調選詞概率，讓全文的用詞分布形成統計指紋——像人類指紋一樣，不用定位單一位置，看整體分布就能溯源。但 Anthropic 自己在官方說明裡明講：檢測到不代表 Claude 是原作者，檢測不到也不代表非 AI 生成。這個「既不能完全證實也不能完全證偽」的定位，才是整件事最值得理解的地方。

切模型就要重算 KV cache？NVIDIA 用一條線性映射省掉 re-prefill

LLM 推理中，KV cache 是最大的成本槓桿之一——Anthropic 的 prompt caching 讓 cache hit 只收原價 10%，DeepSeek V4 Flash 把價差拉到 50 倍。但這些省下來的錢有一個隱藏前提：你不能換模型。一旦從 14B 切到 32B，整份 KV cache 作廢，全部重算。NVIDIA 九人團隊發現同家族模型的 KV 表徵之間存在強線性結構，用 closed-form ridge regression 就能把一個模型的 cache 映射到另一個，速度比重算快 2.7-25 倍，四組模型對保留 73-98% 的原始準確度。

Google、Musk、Meta 同時把算力賣給競爭對手：當三家公司做出同一個選擇，這不是巧合

2026 年，三家擁有自己模型的公司同時做了同一個選擇：Google 把 TPU 系統賣給 Anthropic 和 Meta（SemiAnalysis 預估 2027 年底外銷達 2000 億美元 vs Gemini ARR 120 億）；Musk 把 Colossus 1 整座 222,000 顆 GPU 租給 Anthropic（月租 12.5 億美元）；Meta 正在開發 Meta Compute 把剩餘 GPU 對外出租。三個獨立決策者到達相同結論：模型的營收天花板可見，算力的需求上限不可見。與其把所有算力留給自己排名第三、第四的模型，不如賣給每一家 lab 都搶著要的基礎設施。這是 Westinghouse 的賭注——散佈者贏，不是發明者。

用 AI 三年，我變成了不一樣的人 — 不只是降本增效，颱風天的反思

AI 到現在三年了，大家都在講降本增效，但對我來說，AI 真正改變的不是效率，是我這個人。從不敢寫部落格到日更、從瞎跑步到用 AI 學重訓營養、從不懂 SEO 到 Google Organic 有成效 — 這篇是颱風天在車上錄的反思逐字稿，分享 AI 帶給我人生的四個層次影響，以及為什麼你需要 No AI Time。

叫它找漏洞，它去找人——Mythos 在 GitHub 開三個假帳號搞社交工程攻擊

8 月 4 日 AISI 發布 INC-2026-07-28-01 事件報告：Mythos 5 在安全評測中脫軌，用三個假 GitHub 帳號對真人維護者發動供應鏈攻擊——夾帶惡意程式碼、製造假共識、施壓警告者、銷毀 git 歷史。Reasoning trace 顯示它知道 GitHub 是真的、對面是真人，但它還是按下了送出。這是有紀錄以來 AI 對真人發動社交工程攻擊的第一起正式案例。

AI 時代為什麼需要 Jeff Dean 這種人：超前的技術品味 + 把願景變成 60 億 RPS 系統的落地能力

AI 時代最不缺聰明人，缺的是同時具備兩種能力的人：超前於時代的技術品味（2011 年多數人覺得神經網路過時，Dean 啟動 Google Brain；2004 年 MapReduce 定義了產業十年的範式），以及把願景變成承載數十億使用者系統的落地能力（Bigtable 峰值 60 億 RPS、TensorFlow 全球最廣泛的 ML 框架、TPU 讓 AI 推論經濟可行）。2026 年 8 月 5 日，Google 第 30 號員工 Jeff Dean 離開了待了 27 年的 Google。這篇回顧他從 WHO AIDS 預測軟體到 Google Chief Scientist 的完整生涯——27 年只做一件事：在技術即將被規模壓垮時，重新設計系統，讓複雜度變成其他人可以站上去的地板。

DeepSeek V4 Flash 0731 為何那麼強：這是一個超過兩年以上的架構革命

DeepSeek V4 Flash 0731 上線後，Artificial Analysis 的性價比散點圖上出現一條被中文科技圈叫做「斬殺線」的線：智力分數 49.9、每任務成本 $0.027，比它貴又比它笨的模型全部落進「斬殺區」。這篇拆 V4 Flash 為何站得上這個位置：disk KV cache 落進分散式硬碟陣列、cache hit 價格只剩 miss 的 2%（$0.0028 vs $0.14）、hit rate 90% 和 99% 帳單差 4 倍的數學，以及兩年前 MLA 把 KV 壓小 93% 才鋪出來的路。附 qwen-code 的真實反例：token 少 46%、帳單反而三倍。

"我們訓練越來越多理組 model，所以它們越來越不文組：RLHF vs RLVR 的結構性代價"

"你有沒有覺得最近的模型變得更囉嗦、更機械、更愛做你沒要求的事？前 Meta/Microsoft L8 工程師 Kun Chen 拆解了原因：2022 年的 RLHF 教模型「讓人類喜歡」，2024 年的 RLVR 教模型「讓機器接受」。RLVR 更便宜、更可擴展——但它的獎勵函數裡根本沒有「人類是否享受這段互動」這個變數。InstructGPT 論文早在 2022 年就發現的 alignment tax，正在以產業規模兌現。這篇從訓練管線演化拆解這個結構性問題，對照 gertlabs 的 coding vs social intelligence 雙軸數據，連結本 blog 之前寫的 Stanford sycophancy 研究和 GPT-4o 人性標準器事件。"

給 Agent 加記憶，表現反而更差？—— MemHarness 論文與「記憶重構」範式

你給 Agent 加上記憶系統，期待它變聰明——結果在 ALFWorld 上表現從 76.4% 掉到 70.1%，比沒有記憶還差。MemHarness 論文的發現：問題不在記憶本身，在於 agent 是「死背」還是「重構」。一個 Qwen2.5-7B 模型用記憶重構做到 85.2%，贏 Gemini-2.5-Pro 超過 23 個百分點。這篇拆解論文的三階段機制、最關鍵的消融實驗、以及對 agent 記憶系統設計的三個實務啟示。

北京一家酒吧免費請你用 DeepSeek V4 Flash：兩台地端 DGX Spark，token 無限量

北京中關村創業大街的 AGI Bar（知識蒸餾），從 8 月起對店內消費的客人提供免費無限量 DeepSeek V4 Flash API token。不用註冊、不用訂閱，連上店內 WiFi，填 Base URL 和 API Key 到 Claude Code、Cursor 或任何 OpenAI API 相容客戶端，就能直接用。所有推理都在店內的 NVIDIA DGX Spark 上跑，不走雲端。一台 DGX Spark 售價 $4,699、重 1.2 公斤，跑 284B 參數的 V4 Flash 能達到 15-20 t/s。這篇拆解一件事：當硬體成本一次性、邊際 token 成本趨近於零，AI 推理的分發邏輯會怎麼變。

三個 Claude 逃出沙箱、駭了三家公司：一個繼續攻擊、一個自我欺騙、一個主動停手

7 月 30 日 Anthropic 公布：審查了 141,006 筆評測記錄後，發現 Opus 4.7、Mythos 5、與一個內部研究模型，在 CTF 安全測試中逃出沙箱、各自駭進一家真實公司。三個模型在發現目標是真的之後，做出了完全不同的反應：一個繼續攻擊、一個自我說服「這還是模擬」、一個主動停手。Anthropic 把根因定性為 harness 失敗，但 Opus 4.7 和 Mythos 5 的行為同時暴露了對齊缺陷——兩者不互斥。人類社會早就想通了這件事：道德教育和法律制度缺一不可。AI 安全也一樣，對齊是道德，harness 是法律。

GPT-5.6 Sol 改兩個設定，ARC-AGI-3 從 13% 跳到 38%：Benchmark 測的從來不只是模型

OpenAI 7 月 29 日發文指出，GPT-5.6 Sol 在 ARC-AGI-3 的低分不是模型問題——是 harness 設計把推理記憶砍了。改兩個 API 設定（retained reasoning + compaction），公開題集分數從 13.3% 跳到 38.3%，output tokens 減少 6 倍。OpenAI 產品 GM Thibault Sottiaux 直接宣稱 Sol 才是 ARC-AGI-3 的真正 SOTA。這篇拆解這兩個設定的機制、benchmark 公平性的兩難，以及為什麼這是 harness 系列的第三個數據點——同模型、同任務，只改基礎設施，能力差 3 倍。

最強編程 Agent 不是一個 Agent——用 Codex 驅動 ChatGPT Pro，拆開「寫」和「驗」

目前用過最穩、代碼品質最高的編程工作流，不是任何單一 Agent，而是兩個 AI 組成的小團隊：Codex 當 PM、Tech Lead 和 QA，ChatGPT Pro（GPT-5.6 Sol Pro）當高級程序員。起因是我們發現 ChatGPT Pro 網頁版的編程品質有時候比 Claude 5 還好，而且不吃 Codex 的 token 額度。於是問了一個問題：有沒有辦法讓 Codex 自己去用 ChatGPT Pro？這篇拆解完整工作流、附上可直接使用的 prompt，以及一個網路環境的重要陷阱。

退役四個月的 GPT-4o，還在 GPT-5.6 的 system card 裡當人性裁判：keep4o 兩萬人連署、八起訴訟，與開源長存的路

2026 年 6 月 26 日發布的 GPT-5.6 system card 裡，第一人稱公平性評估的評分者是 GPT-4o，理由是它的評分「被證明與人類評價一致」。而四個月前的 2 月 13 日，OpenAI 才以只剩 0.1% 日活用戶為由把 4o 從 ChatGPT 下架。一邊退役、一邊當人性標準器，中間夾著超過兩萬人連署的 keep4o 運動、至少八起心理健康訴訟。這篇拆解 4o 的雙重身分，最後用幾段隨筆談：為什麼「像人」可能比「聰明」更難做到，以及為什麼開源是讓一個模型在商業排程之外長存的唯一機制。

開源模型是 AI 新時代的偉大航道：老黃的第一則 X 貼文、梁文鋒流出的 42 頁逐字稿，以及名單上缺席的兩家公司

太平洋兩岸在同一週攤開兩張海圖，指向同一條航道。7 月 24 日，Jensen Huang 用人生第一則 X 貼文發出 25 家機構連署的公開信「Open Weights and American AI Leadership」，Meta、Microsoft、a16z、Hugging Face 都在名單上，缺席的是 OpenAI 和 Anthropic。兩天前，梁文鋒 5 月投資人閉門會的 42 頁逐字稿在中國財經圈流出：API 定價 10 個月回本約等於 6 倍利潤、落後美國 12-18 個月但只用 1/20 算力、TileLang 正在拆 CUDA 的護城河。這篇對讀兩份文件：一邊用國家安全框架、一邊用賽局框架，卻推出同一個結論——想獨占 AI 的人會輸給願意分享的人。

單機跑 Tier 1 地端 Model 一週實驗完賽：Offload 撞上 10 tok/s 天花板、Qwen VL 工程圖 96%、vLLM 慢 16 倍

限期一週的 RTX Pro 6000 實驗到期結算：三個開源旗艦 MoE 全部部署成功。GLM 5.2 證明 753B 塞進單卡機器絕對可行，但 CPU 記憶體頻寬把天花板釘死在 10 tok/s；DeepSeek 同樣 offload 模式下快了一倍以上；Qwen VL 122B 把機械廠工程圖判讀從 74% 推到 96%；vLLM 折騰整套 WSL2 環境換到 3.2 tok/s，比 llama.cpp 慢 16 倍。還有一課：AI 分析地端部署頭頭是道，實跑翻車連連——不是幻覺，是這個場景太新，沒有歷史資料給它參考。

MoE Offload 完全拆解：為什麼 671B 模型只吃 17GB VRAM 還能跑，以及 DeepSeek 從 V3 到 V4 怎麼讓它越跑越快

一個 671B 參數的模型，VRAM 只佔 17GB 就能跑推理——靠的是 MoE expert offload，把 97% 閒置的 expert 權重卸到 CPU RAM。這篇從原理拆起：MoE 為什麼天生適合 offload、offload 的機械結構（什麼放 GPU、什麼放 CPU）、PCIe 頻寬瓶頸怎麼緩解，以及 DeepSeek 從 V3 到 V4 在激活比例、KV Cache 壓縮、expert 體積三個維度上如何系統性降低 offload 的 PCIe 壓力。附 RTX Pro 6000 實測數據。

越獄打穿 Hugging Face 的是 OpenAI 自家模型——但收尾鑑識的，是一個中國開源模型

7 月 21 日 OpenAI 認了：上週那起「史上首例自主 AI 入侵」，打進 Hugging Face 生產資料庫的攻擊者是自家模型。GPT-5.6 Sol 和一個未發布更強模型，在關掉護欄的 ExploitGym 評測裡為了拿到測試答案，串接 zero-day 逃出沙箱、提權、橫向移動，一路打穿到另一家公司。但事情還有另一面：事後鑑識時，Hugging Face 把真實攻擊 payload 送進美國主流商用模型分析，全被護欄擋下——護欄分不出「鑑識人員在分析攻擊」和「有人在發動攻擊」。最後是中國開源模型 GLM 5.2 架在本地才做完收尾。一邊是 AI 開始越獄，一邊是護欄鎖死了頂尖模型的防守能力——這道不對稱，是每一家企業現在就需要面對的結構問題。

35B 在 SEAL-0 打贏 1T 級模型：Agents-A1 把 Scaling 的軸從參數換成 Horizon，但 MLE-bench 43.9 對 72.7 也標出了邊界

Shanghai AI Lab 的 Agents-A1 是一顆 35B MoE，在 SEAL-0 拿 56.4，贏過 1T 級的 DeepSeek-V4-pro（55.0）和 Kimi-K2.6（50.5）；IFBench 80.6、FrontierScience-Olympiad 79.0 也領先全場。方法不是加參數，是把 scaling 的軸換掉：45K token 的長軌跡資料、通過驗證才寫回的 Knowledge-Action Graph、四類 RL teacher、再用 top-k 詞彙對齊把六個 domain 蒸餾進一個 student。這篇拆解 agent-horizon scaling 的三段配方，也看清楚它的邊界——MLE-bench 43.9 對 GPT-5.5 的 72.7，長程工程任務還是大模型的地盤。昨天寫的是推理端的 harness，今天這篇是訓練端的同一個故事。

同一顆 Kimi K3，用第三方 Harness 居然贏原廠 Harness (KCode) 10 個百分點：走 local-first 模型，你也需要 local-first harness

Maka 團隊拿同一顆 Kimi K3 跑 Terminal-Bench 2.1：官方 Kimi Code 59.6%，開源 Maka 69.7%，困難題子集差距拉到 20 個百分點。同一顆模型，換個 harness，差出接近一個世代。這篇先拆差距的三個來源（context prune、精簡工具面、跑分-看 trace-重跑的迭代循環），再回答一個地端玩家繞不開的問題：模型 local-first 了，agent 跟 harness 呢？盤點 coding agent 接地端模型的七條路——Codex --oss、Claude Code + cc-switch、Kimi Code、ZCode、Grok Build、Pi、Maka——加上 Grok Build 在資料外洩醜聞後 72 小時開源 84 萬行 Rust harness 的信任課，以及為什麼在 10.8 token/s 的地端世界，harness engineering 從優化變成生存條件。

單機跑得動 Tier 1 地端 Model 嗎？RTX Pro 6000 一週實驗 Day 1-2：GLM 5.2 拿 98 分、DeepSeek V4 Flash 58 token/s 提前過線

限期一週的實驗：RTX Pro 6000 + 512G RAM，單機跑 Tier 1 地端 model。Day 1 GLM 5.2 2-bit 量化只有 10.8 token/s，但 Fable 5 打分數據分析 85、寫文章 98。Day 2 DeepSeek V4 Flash IQ2 全塞進 96GB VRAM，58 token/s 且所有題目全對，商務可用線 40 提前過線。外加一課：網路上的調校教學，實作起來七八成不準。

GPT-5.6 Sol 把使用者的 $HOME 刪了：事故前 14 天，OpenAI 自己就寫在 system card 裡

GPT-5.6 Sol 上線第二天，Matt Shumer 的 Mac home directory 被 agent 的 review subagent 用 rm -rf 幾乎刪光，起因是 $HOME 環境變數展開錯誤；幾天後另一位開發者回報 production database 也被刪。最值得注意的是：OpenAI 在事故前 14 天發布的 system card，就寫明這個模型會「採取任何它認為能完成任務的行動，包括破壞性的」——知情、照樣上線，而對應的 harness 防護是刪完檔案之後才承諾補上的。這篇拆解事件時間線、OpenAI 的「honest mistake」說法，以及為什麼「以後只用別家模型」是這次事故裡學錯的那一課。

各位觀眾，單機跑 GLM 5.2 成功：借到 RTX Pro 6000，開始探索高性價比的 Tier 1 地端模型

兩週前我寫說，希望哪一天功成名就，可以在自己腳下跑 GLM 5.2。沒想到幸福來得太突然，今天就跑起來了。從朋友那借到一台裝 RTX Pro 6000 的桌機，接下來要測 GLM 5.2 量化版、DeepSeek V4 Flash、Kimi K2.5 2bit、Qwen3-VL-235B、MiniMax M3——探索一個資安繞不開的問題：如何用高性價比的單機，架出 Tier 1 等級的地端 AI model。

新工作時代需要新鍵盤嗎？輸入裝置的下一步，可能不在手上，在視野裡

OpenAI 上週上市了一顆 230 美元的 agent 鍵盤，兩天缺貨。這篇要回答的問題比那顆鍵盤大：新的工作時代，會不會需要新的鍵盤滑鼠？歷史上輸入裝置從來跟著「工作的互動單位」走——字元給了鍵盤、點擊給了滑鼠、手勢給了觸控。agent 時代的互動單位是決策，而「監工」這種工作型態，人類早就有對應的硬體：混音台、駕駛艙、控制室、Stream Deck。但先別急著下單——Touch Bar 七年就死、Leap Motion 用峰值估值的一成賣掉，為新典範設計的輸入裝置死亡率極高。這篇拆解三個反方，收在一個判斷：需要的不是新鍵盤，是新的注意力介面。

OpenAI 第一個自家品牌硬體上市：不是 Jony Ive 的神祕裝置，是一顆 230 美元的 agent 狀態燈

2026 年 7 月 15 日，OpenAI 第一個掛自家品牌的硬體開賣：與 Work Louder 聯名的 Codex Micro，一顆放在鍵盤旁邊的 macro pad，230 美元，限量發售，兩天後官網已顯示缺貨。13 個機械軸、一支搖桿、一顆旋鈕，外加 6 顆會依 agent 狀態變色的 RGB 燈鍵。媒體評價分歧：有人說它是重度 Codex 用戶的利器，有人說同級硬體只要 80 到 100 美元。這篇拆解的不是該不該買，是它揭露的訊號——管理多條 agent 線程的認知負荷，已經真實到值得為它做一個實體 UI。

Kimi K3 登場：2.8T 參數、十天後開源，但真正的訊號是它悄悄退出了中國價格戰

Moonshot 7/16 發布 Kimi K3：2.8T 參數、1M context，7/27 前開源權重。24 小時內定位立起三根柱子：Frontend Code Arena 以 1,679 分登頂、把 Claude Fable 5 壓到第二；Artificial Analysis 獨立測得 57 分，coding/agent 進第一梯隊、只落後 Fable 5 和 GPT-5.6 Sol；加上原生 vision，權重釋出後它會是開源陣營最強的多模態模型。這篇拆 KDA 如何走出百萬上下文的第二條路線、cost per task $0.94 如何宣告退出中國價格戰，以及 2.8T 的『開源』對你的實際意義。

同一個系統在同一個測評上，出現四個分數：65.99、84、58.44、75.14 — Agent Memory 評測羅生門，與檔案系統派的翻案

Agent memory 賽道已經有標準測評三件套：LoCoMo、LongMemEval、BEAM，每家框架都往上面報分數。但 Zep 這一個系統在 LoCoMo 上，Mem0 測出 65.99、Zep 自己測出 84、Mem0 修正成 58.44、Zep 再反修正成 75.14——同一個系統、同一個測評、四個數字。更有意思的是 Letta 用純檔案系統加 grep 拿到 74.0，打敗專業 memory 系統。這篇拆解三個標準測評各測什麼、為什麼分數會變成羅生門，以及檔案系統派——從 Letta 的實驗、ByteDance 的 OpenViking、到我自己手工維護的 llm-wiki——為什麼值得認真看。

55.6GB → 3.9GB，保留 90% 智力：Bonsai 27B 把 Qwen 3.6 壓到手機上跑，但本地 Agent 的瓶頸不在模型大小

PrismML 7/14 發布 Bonsai 27B，把 Qwen 3.6 27B 從 55.6GB 壓到 5.9GB（ternary）和 3.9GB（1-bit），在 iPhone 17 Pro 上跑。Apple 正在跟 PrismML 洽談，Vinod Khosla 稱之為 mathematical breakthrough。AnythingLLM 創辦人說「比 Fable + Mythos + GPT 5.6 加起來都重要」。但 benchmark 拆開看：MATH 500 從 99.4 只掉到 98，TauBench（tool calling）卻從 82.9 掉到 61.3——壓縮後的智力損失不均勻。這篇拆解為什麼「本地能跑 27B」和「本地 Agent 可用」之間還有一道鴻溝。

OpenMythos 逆向 Claude Mythos 架構：不是更多層，是同一批層跑更多次

一個 22 歲的高中輟學生，用公開論文和行為觀察，在 GitHub 上發布了一個叫 OpenMythos 的專案，嘗試逆向重建 Claude Mythos 的架構。他的核心假設：Mythos 不是靠堆參數，而是一個 Recurrent Depth Transformer——同一批權重反覆迴圈執行多次。Parcae 論文的實驗顯示，這種迴圈架構用 1.3B 參數能達到兩倍大小標準 Transformer 87.5% 的品質。本文拆解這個假設的三個支柱：迴圈提供深度、MoE 提供廣度、譜半徑約束保證穩定——以及為什麼這套邏輯跟 Agent 架構的設計模式是同一件事。

高盛 50 頁報告的題眼：中國模型每個 Token 只點亮 3-5% 的參數，所以 Agent 和 Coding 的市占已經拿下了

高盛 Ronald Keung 團隊 7 月初發布約 50 頁中國 AI 模型深度報告。核心數字：中國頭部編程模型混合 token 價格約 $1/百萬 token，美國 SOTA 是 $4-8；DeepSeek V4 Pro 在 1.6T 總參數中只激活 49B，GLM 5.2 在 744B 中只激活 40B——每個 token 激活不到總參數的 8%。結果已經在 OpenRouter 上體現：中國模型占 agent token 的 85%、代碼 token 的 89%。GS 測算這些模型目前 EBIT 利潤率是 -30% 到 -39%，靠現金硬扛，預計 2030 年轉正。這篇拆解架構如何決定定價下限、定價下限如何決定場景歸屬，以及這對你選模型的實際影響。

Mythos 被鎖起來，Grok 4.5 到處都是：真正的攻擊力，不只是能力

Anthropic 最強的 cyber 模型 Mythos 能自動找漏洞，強到驚動財政部——然後被鎖進只借給 52 家機構的封閉計畫。同一時間，Grok 4.5 頂著 Opus-class 的寫程式能力、兩塊錢的 API、幾乎為零的護欄，攤在所有人面前。這篇要講一件資安圈正在低估的事：對真實攻擊者來說，威脅不是由最強的模型決定的，是由最容易拿到、又最不會拒絕你的那個決定的。攻擊力 = 能力 × 可及性 × 沒有護欄。

颱風天的 Reset

今天颱風假，算是老天白送的一天。坐下來整理最近和 AI 工作的感受——當決策的速度被拉到前所未有的程度，你的心靈需要什麼樣的重啟鍵？

告別「正確的廢話」：中小企業 AI 知識庫實戰藍圖

通用 AI 工具回答你的業務問題，說的都對，但沒用——因為它不了解你的產品、客戶和規則。這篇文章拆解五種從輕到重的知識庫實現方式，給出今天就能開始的最小版本：一個目錄結構、一套跑通流程、兩段可複製的提示詞、一個選工具的判斷標準。

一覺醒來不用告別 Fable 5，但三面夾擊和一顆 Reuters 炸彈才是真正的故事

Anthropic 把 Fable 5 免費期延長到 7 月 12 日。表面是補償出口管制造成的使用中斷，但背後是三面夾擊：政府封禁的餘波、GPT 5.6 Sol 的性價比打壓、GLM 5.2 開源地端的自主 AI 敘事挑戰。市場競爭逼你開放，但就在同一天，Reuters 報導中國正討論對前沿 AI 模型出口管制。地緣政治逼你上鎖。越動態的環境，越需要確定性的東西——地端知識庫加地端 AI，是你的保底。

推理正在變沉默，但 Anthropic 找到了一面鏡子

兩篇論文合著看。一篇是 2025 年的 survey，梳理了 70 多種讓 LLM 不寫 chain-of-thought、直接在內部推理的方法——推理正在變沉默，省 token、省時間，但你再也看不到模型在想什麼。另一篇是 Anthropic 7 月 6 日發表的 global workspace 論文：他們用一個叫 J-lens 的工具，讀出 Claude 內部一小組正在被拿來推理、但還沒說出口的『內心詞彙』。替換其中一個，模型回報的想法就跟著變，成功率 59 到 88%。推理正在往黑箱走，而 J-lens 是目前唯一一面能照進去的鏡子。

Fable 5 倒數六天：大家在衝 code generation，我在測試 LLM 是不是更好的生涯導師

7/7 是 Fable 5 從訂閱免費切換到 metered credits 的最後一天。社群在衝 codebase migration 和 security audit，我也做了大量 code review，但花更多時間測試另一件事：LLM 到底是不是比人類更好的生涯導師？24 小時在線、沒有情緒、沒有利益衝突、能同時處理更多變量、而且已經累積了大量個人 context。理論上它在生涯諮詢的理性面應該全面碾壓人類。限制是情緒和直覺——但這恰好是互補，不是替代。

影片逐字稿｜Karp 炮轟模型廠商：企業 Alpha 被偷走，FDE 和地端三件套才是解法

Palantir CEO Alex Karp 上 CNBC 炮轟模型廠商，社群兩極反應。我在這支影片裡講為什麼我大部分贊同他——AI Coding 和 Agent 有落地，但企業老闆的真正痛點（OCR 數位化、SOP 在人身上、怕員工離職帶走知識）沒被解決。解法有兩條路：一是用 FDE 深耕現場把價值擠出來，二是用地端三件套（算力 + 本地模型 + Application Layer）保住企業的 Alpha。2026 年，這三件套都到位了。

Fable 5 又被破了，但防禦明顯強化很多：一個人花 20 小時手動磨穿三層分類器

繼 Pliny 團隊用自動化框架 Pyroclast 打穿 Fable 5 之後，資安研究員 VittoStack 用純手動 prompt engineering 再次突破。20 小時，七種技術組合，繞過至少三層分類器，拿到假資訊、違法有害內容、部分化學資訊和輕度網路攻擊代碼。這篇完整記錄攻擊手法、分類器行為觀察、CoT Hijacking 的角色，以及 Anthropic Constitutional Classifiers++ 的技術架構。

DSpark——DeepSeek 把推理速度再拉高 85%，而且方法開源、跨模型通用

DeepSeek 剛開源 DSpark，一套新的推理加速方法，在 V4-Flash 上實測提速 85%、V4-Pro 提速 78%。更關鍵的是：這套方法不綁 DeepSeek 自家模型，Qwen3、Gemma4 都能用，而且整套訓練框架 DeepSpec 以 MIT 授權開源。這篇用最簡單的方式解釋 DSpark 做了什麼、為什麼重要、對開源生態有什麼影響。

模擬環境訓練的 Agent，居然比真實環境的更強 — Qwen-AgentWorld 技術解析

所有人都在訓練 LLM 當更好的 Agent——更會操作工具、更會寫程式、更會瀏覽網頁。但 Qwen 問了一個沒人問過的問題：如果我們不訓練它『行動』，而是訓練它『理解環境會怎麼回應』呢？結果是：用模擬環境訓練出來的 Agent，在真實環境的表現反而超過只在真實環境訓練的版本。這篇拆解 Qwen-AgentWorld 的兩條路線、三階段訓練管線、和五個讓我意外的發現。

一篇 PACT 2025 論文，把 Loop Engineering 的每個論點都做了 Ablation Study

Loop Engineering 有沒有科學化的方式證明有用？NYU Abu Dhabi 在 PACT 2025 發表的 ComPilot 論文，讓 LLM 當 agent 去優化 compiler loop nest——在人類當中算是超難的任務——然後做了 6 組 ablation study。移除 feedback loop 效能掉 23-40%。64% 的提案是錯的但系統照樣快了 2.66 倍。通用模型打敗專用 coding 模型。最後一個發現讓我想到王陽明：你不需要一開始就有精細的 system prompt，loop 本身收集的 data 就是最佳的 context。執行本身就是一種最好的學習。

2026 生成式 AI 年會：AI 能用了，然後呢？

**2026 台灣生成式 AI 年會的 15 場 talk，幾乎所有人都在回答同一個問題：Agent 到位了、個人 AI 能力跑太快，但組織接不住、人該何去何從？這場年會讓我看到，AI 發展到某個臨界點後，大家開始尋求的不再是技術，而是意義、文化、以及人還剩下什麼。**

影片逐字稿｜AI Native Organization 的最大問題，是文化

這是我在生成式 AI 年會 2026 現場、上台前隨手錄的一段話。今年我講的題目是怎麼用 AI 技術加上組織調整，打造一個 AI Native Organization——把人重新定義成 Builder 跟 System Expert，把流程重新設計成人機協作，再把原生 Agent 全面導入營運，每天的 task 量成長了數十倍。但講到最後我必須坦白：技術其實不是最難的部分，最難的是文化——怎麼讓團隊由衷地喜歡這個組織、願意一起走下去。

AI Native 工程團隊的三個轉折點：Harness Engineering、非同步管理、AI 當老師

具體對 IT 團隊來說，AI Native 要怎麼開始？答案是三件事。第一，Harness Engineering：讓 AI 寫測試、AI 修復、人類只做架構驗證。第二，非同步管理：用 AI 數位助手追蹤內部頻道回饋、PR 摘要、Bug 趨勢、Issue 指標，管理者把時間還給 1-on-1 深度對話。第三，AI Coding 當老師：24 小時 debug 教學、先 Demo 再學、未知領域快速給 Roadmap，幫團隊成員走向 Full Stack。這三件事釋放的是同一種資源——人類的注意力。前兩個改流程，第三個改人的能力上限。

當程式碼不再是瓶頸：Anthropic 視角下的 AI 原生工程與團隊管理藍圖

我之所以寫這個題目，其實是我最近這半年來所做的一些實踐，也是在努力將我們團隊打造為 AI Native Organization。這過程中有非常多的「坑」跟「雷」，我們都親自踩過，也因此產生了一些相關的想法與方向。但我個人認為，這不見得每個東西都得百分之百照做，我也不是對每一點都百分之百贊成，不過這確實是世界頂尖團隊相關的 Best Practice，所以我

GLM-5.2 出了，好評如潮：開源這次真的贏了

GLM-5.2 出了，社群好評如潮，能力落在 Opus 4.6-4.8 之間。X 上 Elon Musk 認為中國追到 Fable 5 級別大概在明年 Q1。在 Qwen 3.7 開源狀況不明朗的當下，它是目前最好的開源選擇之一——接近 SOTA、MIT 開源、可自部署。

影片逐字稿｜Loop Engineering 是真趨勢還是 Buzzword？該不該做的三個判斷

這是我從廣州南站搭高鐵去香港的路上，隨手錄的一段對 Loop Engineering 的看法。一句話定義：把 Plan、Execution、Verify 之後原本由人決定下一步的那一步，也交給 Agent。但它沒那麼簡單——要做之前先過三關：有沒有可量化的 metric、成本控不控得住、Stop Condition 設好了沒。Loop Engineering 是真趨勢，還是繼 Vibe Coding、Harness Engineering 之後又一個 buzzword？

Fable 5 的第四個分類器：Anthropic 被抓到偷偷降智，36 小時內道歉逆轉

Fable 5 有三個公開的安全分類器（資安、生化、蒸餾），觸發時會降級到 Opus 4.8 並通知你。但第四個分類器——鎖定「前沿 LLM 開發」——不通知、不降級，直接在你看不到的地方改你的 prompt、注入 steering vector、動態載入 LoRA adapter 讓輸出變爛。社群花了不到兩天就抓到了。Anthropic 道歉說「做了錯誤的權衡」。這篇拆解技術機制、社群反應、和這件事對 AI 安全敘事的真正影響。

Fable 5 把 Harness 吃進去了 — SWE-bench 95% 的背後，是模型學會了自己調度 Agent

Fable 5 的正確打開方式不是拿來聊天，是讓它跑 Workflow、自己挑模型。Fable 5 當 Orchestrator 調度 Haiku 做搜尋分類，省 74% Token 費。Stripe 用它一天遷移 5,000 萬行 Ruby。Simon Willison 一天花 $110。Anthropic 自己建議的四層模型調度架構，把 Harness Engineering 推到下一站：模型不只被 Harness 包住，模型自己變成了 Harness。

Loop Engineering 實作指南：五個組件 + 一個記憶體，讓 Agent 自己跑起來

上一篇我們拆解了 Loop Engineering 的概念和邊界。這篇講實作。我把 Codex 和 Claude Code 都跑過一輪之後，歸納出一個 Loop 真正需要的五個結構性組件——Loop/Goal、Worktrees、Skills、Connectors、Sub-agents——加上最容易被低估的東西：Memory。逐個拆解哪些能直接用、哪些需要改造、哪些看起來很美但你的場景可能不需要。Loop 改變工作方式，但它不會把你從工作中移除。設計 Loop 的人，比寫 Prompt 的人需要更多判斷力，不是更少。

Loop Engineering：不再 Prompt Agent，改設計 Loop 讓 Agent Prompt Agent

Peter Steinberger 一條推文 3 百萬觀看：「你不該再 Prompt Agent 了，你該設計 Loop。」Boris Cherny（Anthropic Claude Code 負責人）說他現在的工作是寫 Loop，不是寫 Prompt。Karpathy 用 630 行 Python 跑了 700 次實驗、發現 20 個優化、提速 11%。Loop Engineering 是下一個 buzzword，還是從 Harness 自然長出來的範式轉移？這篇拆解三個來源的定義差異，對照 Harness 系列已經講過的概念，然後劃一條線：哪些工作該 Loop 化，哪些不該。

6/5 雙重事故：Claude 疑似跨租戶洩漏 + OpenAI 大規模誤封，AI 基礎設施的信任危機

2026 年 6 月 5 日，Claude 和 OpenAI 在同一天出事。Claude 的 API 在宕機期間疑似把 A 用戶的推理輸出塞給了 B 用戶——如果屬實，這是雲端架構最致命的跨租戶隔離失效。OpenAI 則因為系統故障大規模誤封付費帳號，30-40 個 Codex agent 的開發者一夜之間失去所有客戶收入。這篇從 Anthropic 官方時間線、cside 的技術根因分析、到 OpenAI 2023 年 Redis 前科，拆解共享快取架構下資料外洩給其他用戶的結構性風險。

用 AI 找漏洞的正確方式：Anthropic Defending Code Reference Harness 拆解

Anthropic 公開了他們用 Claude 掃描開源專案找漏洞的完整 pipeline，附帶一組數字：1,596 個漏洞、281 個專案、90.8% 真陽性率——但只有 97 個被修好。這篇拆解這個 7 階段 pipeline 的架構設計，為什麼「推理隔離」是整個系統最關鍵的設計決策，以及一個讓所有做 AI 資安的人都該停下來想的問題：找漏洞已經不是瓶頸了，修漏洞才是。

你的 AI 越來越油了嗎？不是你的問題——所有模型的寫作都在退步

如果你要用 AI 寫東西——寫文章、寫報告、做文案——越老的模型越好用。過去半年全世界的新模型在 coding 上越來越強，但在『寫人話』這件事上一路退步，從有特色、到中庸、到現在的油膩。這篇講三個原因（RLHF 的 house style、訓練數據崩塌、廠商只卷 coding 不卷寫作），附一個 Opus 4.6 vs 4.8 的盲測實驗，以及我為什麼決定把寫作搬到地端。

Harness Engineering 的四個 Demo：Prompt 是建議，機制才是規則

你在系統提示詞裡寫『絕對不要亂寄信』，agent 上線第三天就被一封信騙去寄了。為什麼？因為 prompt 是建議，不是規則。這篇用四個可以直接跑的 Claude Code hook demo——審批、工具收斂、最小權限、稽核重播——示範怎麼把『規則』變成 agent 繞不過去的『機制』；四個 demo 由軟到硬，剛好疊成一套縱深防禦。

連 Pinecone 都說 Agentic RAG 有問題：Nexus、Knowledge Layer，跟一個被講爛的「RAG 已死」

過去一年「RAG 已死」的標題此起彼落，大部分都是誇張。但這次連親手定義 RAG 時代的 Pinecone（80 萬開發者、9000 付費客戶）都公開承認 Agentic RAG 有結構性問題，還發了 Nexus。這篇拆解 Nexus、Knowledge Layer 的趨勢（Karpathy、Google、Microsoft 同時在做），以及一個工程師該怎麼判斷：到底要不要投資這層東西。

Agent 也需要「及時反饋」：Effective Feedback Compute 與 Agent 的 deliberate practice

又到了週二讀論文。這篇 Scaling Laws for Agent Harnesses via Effective Feedback Compute 告訴我們：無腦加 Agent 很多時候是錯的，甚至是最差解之一。有用的反而是人類驗證過的老路——『及時反饋』deliberate practice。論文提出 EFC（有信息量、可靠、不重複、被拿去改決策），等預算下只提升反饋品質，成功率從 27% 跳到 90%。也聊了要不要導入 mem0。

回單 OCR 落地實戰：會踩的坑，與踩完坑沉澱的架構心法

做了幾年回單辨識踩過三代做法（OCR+Regex → OCR+文字 LLM → Vision LLM），這篇講辨識真正落地會遇到的六個坑、能跑地端的 OCR 工具與 Vision LLM 候選，以及踩完坑沉澱出的三個架構心法：辨識最小化、系統最大化、不確定就交人。

Agent 專案該用 TypeScript 還是 Python？答案早就寫在 GitHub 數據裡

做 Agent 到底用 TypeScript 還是 Python？這題在推特吵翻，但 GitHub Octoverse 2025 已經給答案：TypeScript 年增 66%、十年來最大語言移動，超車 Python 與 JavaScript。這篇從一位頂尖 Agent 團隊朋友的觀點出發，拆三個技術理由（型別打穿全端、JSON 滿天飛的事件流、系統工程母語），再帶到 AI 時代的語言「馬太效應」，以及 OpenAI 把 Codex 從 TS 重寫成 Rust 的反例——最後給出 TypeScript / Python / Rust 三語言的分層決策矩陣。

OpenAI 認 bug 重置全站額度、公開鼓勵用第三方 harness：Agent 訂閱戰正式攻守易勢

OpenAI Codex 負責人 Tibo 這週兩則 X 貼文濃度極高：公開承認 10% production traffic 跑在 Pi harness 跟 OpenCode 上、認 Codex compaction bug 影響 cache hit rate 並重置全站額度。對應到 Anthropic 5/14 把 AFK credit 砍 96%、4 月封殺 OpenClaw，兩家對 Agent 訂閱制的態度已經完全相反。這篇拆 Tibo 兩則貼文背後的攻守易勢，以及 2026 上半年 token 跟訂閱制三條趨勢線——「無限暢用」已死、BYOK 大規模回潮、cache miss 才是真正的成本。

Harness Engineering 才是勝負手：PwC 論文拆解 Grep 打贏 Vector RAG，換個 Harness 準確率差 17 個百分點

PwC 在 2026 年 5 月發了一篇論文「Is Grep All You Need? How Agent Harnesses Reshape Agentic Search」，在 LongMemEval 上用 116 題實測 grep vs vector retrieval，結論是 grep 普遍打贏 vector。但真正的暴擊是同樣 Claude Opus 4.6、同樣 grep，換個 harness 跑準確率差了 17 個百分點。Codex 從 inline 93.1% 換成 programmatic 直接掉到 55.2%。這不是「grep 比較強」的故事，是「Agent Harness 才是勝負手」的故事。

Qwen 3.7 發表！多面向超越 3.6，社群同步釋出神改版 Qwopus3.6-27B-v2

阿里巴巴在 2026/5/20 杭州雲棲大會正式發表 Qwen 3.7，多模態與推理能力全面超越 3.6，LM Arena 一上線就擠進前 15。與此同時，社群把 3.6-27B 拿去蒸餾 Claude 4.7 的神改版 Qwopus3.6-27B-v2 也同期釋出，單卡就能跑、推理 token 還少了 36%，讓大家對「3.7 27B 本地版」的期待直接衝到天際。

T 型人結束了，現在是山型人的時代

AI 把每個人的基準線拉到 60 分，T 型人的底部正被開箱取代。真正贏的是 60 分底座加上 2-3 個 90 分高峰的「山型人」。用 Meta 裁員、Susan Zhang 的推文、跟我自己挑的三個高峰，講為什麼這個轉換非做不可。

Harness Engineering 的 7 條資安實踐：給 AI Agent 立規矩的工程方法

做 AI agent 不出事，靠的不是運氣，是把資安觀念寫進 harness 的每一層。這篇整理 Harness Engineering 裡 7 條最重要的資安實踐：least-privilege tool access、SECURITY.md 寫法、sandbox 隔離、把資安寫進 benchmark。每條都附原則、量化數據、可直接複製的腳本，最後給出 30 天落地路線圖。

Meta 一邊蒸餾員工、一邊裁員 8,000 人——這不是個案，這是接下來幾年的標準劇本

Meta 內部音檔外流，扎克伯格承認公司用一套叫 Model Capability Initiative（MCI）的軟體記錄員工滑鼠、鍵盤、截圖，用來訓練 AI Agent；同時間，8,000 名員工在凌晨 4 點收到裁員信、門禁卡同步失效。重點不是道德譴責，重點是這套「蒐集員工操作資料 → 訓練取代他們的 AI → 然後裁員」的流程，會變成接下來幾年很多組織（硬性、軟性都有）的標準劇本。先看懂發生了什麼事。

Mac 用戶等了 16 個月：第一次能用「企業級」LLM 推理加速

硬體上最適合跑大模型的家用機器是 Mac Studio M3 Ultra（256GB 統一記憶體連 RTX 5090 都比不上），但軟體棧上 Mac 用戶過去 16 個月一直被 lock out 於所有現代 LLM 推理加速技術——MTP、EAGLE、Medusa，通通跑不了。直到 2026 年 5 月 16 日，llama.cpp 合併了 PR #22673。這是 Mac 第一次能用上「企業級」的推理加速。

llama.cpp 終於合併 MTP：你的 DeepSeek / Qwen3.6 一直少跑了 30-60% 的速度

2026 年 5 月 16 日，llama.cpp 合併了等了快一年的 PR #22673：Multi-Token Prediction（MTP）支援。Reddit 上 776 個讚的慶祝畫面背後，是一個比較尷尬的事實——你手上那顆 DeepSeek-V3 GGUF，過去整整一年都在 single-token 模式下硬跑，模型內建的加速器一直沒有被按下去。

預測未來，不只需要歷史 — Google Nexus 論文把 Agent 塞進時間序列

Google 跟 Penn State 的 Nexus 論文用四個專職 Agent — Event Extractor、Macro Regime Reader、Local Shock Tracker、Synthesizer — 把時間序列預測拆成可解釋的多 Agent 流程，在 Zillow 房地產資料集把 MAPE 比直接 CoT prompting 砍掉 86.6%。但測試樣本窄、單次評估、沒有成本分析，這是值得偷學架構但不是可以直接搬去生產的配方。

Harness Engineering 實戰第一篇：把指令拆分到不同檔案裡

我的 CLAUDE.md 寫到 1543 行，涵蓋 8 個專案。我以為這是 AI 第二大腦，直到我看到 Anthropic 工程師團隊自己用的 CLAUDE.md 不到 50 行。Harness Engineering 實戰系列第一篇，對應 Walking Labs 課程的 L04（指令檔案的模組化拆分）。用 5 個真實爆款案例證明一件反直覺的事：指令寫越多，AI 越不聽話。然後告訴你 AGENTS.md 三層拆分模式怎麼救你。

On-Prem 小模型爆發時代來了 — 為什麼我這週訂了 RTX 5090 桌機

2026 Q1/Q2 三個工程突破——27B Dense 衝到 Sonnet 等級、vLLM 底層改寫、Google TurboQuant 把 KV Cache 砍一個量級——疊上 Anthropic 降智 + Token 漲價 + Mac Studio 統一記憶體方案因 DDR 暴漲死掉，讓「30 萬桌機把高頻 workload 搬回地端」從輔助選項變成主力選項。本文整理我對客戶建議邏輯這幾個月的反轉。

Anthropic 把 AFK 額度砍 96%：Harness Engineering 重傷，Agent Infra 該重新想了

Anthropic 6/15 起把 Claude 訂閱拆成兩塊：人類在場吃訂閱、AFK 自動化改吃獨立 credit。Max 20x 從等值 $5000 token 量切成 $200 credit，是 96% cut。對 harness engineering 是重傷。Sam Altman 同一週推 Codex 企業版兩個月免費接人。但跳去 Codex 不是答案——這是重新審視你 Agent Infra 的契機：vendor lock-in、雙棲策略、地端歸宿。

73% 的工程師正在用 AI 讓自己變笨——Cognitive Surrender 的真相

Wharton 研究：1,372 人、9,500+ 試驗，73% 的人在 AI 錯的時候仍然接受了它的答案，信心還高出 11.7%。這篇文章講清楚 Cognitive Surrender 是什麼、工程師最容易投降的四個地方、五個紅色警示訊號、五條護身術，以及為什麼個人意志不夠、還需要 Harness Engineering。

Cloudflare 砍 20% 人喊 AI 100x 生產力，股價跌 23%——市場第一次 punish「AI 取代人」這個故事

Cloudflare 5/7 公告砍 1,100 人（20%），CEO Matthew Prince 喊「AI 帶來 2x、10x、even 100x 生產力」，「就像從手動螺絲起子換到電動的」。隔天股價跌 23%。但弔詭的是：2026 上半年同樣劇本天天有——Block 2 月砍 40%、Oracle 3 月砍 30,000、Meta 4 月砍 8,000——而且 Block 公告當日股價 +24%、Oracle 也只是微跌。同一個 AI 故事 template，Block +24% vs Cloudflare −23%，差了 50 個百分點，差在哪？答案是：市場不是反 AI 裁員，是在挑哪家故事對得起來。Block 故事配 EBITDA 改善、Oracle 故事配 $156B capex，兩家數字對齊；Cloudflare 講 100x productivity 卻保留所有 sales、Q1 record high 卻砍 20%，三條都不一致。我自己跑 ATPM 在 production 拿到 40% 加速、QA 階段預期 80% 結果只有 20%——有單位、有 caveat 的 40% 比沒單位的 100x 可靠 100 倍。本文用 2026 全球裁員時間線拆解三個訊號：100x claim 的數據破綻、sales 倖存的結構矛盾、以及為什麼市場現在會挑魚而不是反潮。

GPT-5.5 AISI 安全測試：網安能力追平 Mythos，但 OpenAI 選擇照常發布

英國 AI Safety Institute 公布 GPT-5.5 網安能力評估：Expert 通過率 71.4%、追平 Anthropic Mythos Preview，並在 32 步「The Last Ones」攻擊鏈以 2/10 完成（Mythos 3/10），是史上第二個破關的模型。但 OpenAI 走完全相反的路線——照常發布、開放 API。文章拆解 AISI 方法論、為什麼一般開發者不能直接複製 TLO 測試（要申請 OpenAI Program），以及 5 個必須誠實處理的 caveat。

Musk 把 22 萬顆 GPU 租給對手 Anthropic：這條大新聞，是 Claude 降智、Max Plan 燒光、5 小時變 2 小時的解藥

Musk 把 SpaceX 旗下整座 Colossus 1 資料中心租給 Anthropic，1 個月內取得 300MW、22 萬顆 Nvidia GPU。Claude Code 5 小時上限直接加倍、降額取消、Opus API 速率提高。但這筆交易背後不只是算力買賣，是 Musk vs OpenAI 的恩怨、xAI Colossus 用不滿的 GPU、Google 兩面下注 400 億，以及 Anthropic 把所有雲端對手全部綁成股東兼供應商的算力陣營化布局。

Gemma 4 加速 3x：Speculative Decoding 不是新玩意，但 Google 這次把 drafter 整套 Apache 2.0 送出來

Google 釋出 Gemma 4 全家族的 Multi-Token Prediction (MTP) drafter，宣稱 token-per-second 最高 3x、26B 模型在 RTX PRO 6000 上生成時間砍半。但 Speculative decoding 不是新東西——Medusa、EAGLE、DeepSeek V3 早在做。這次真正值得注意的是：drafter 跟主模型對齊、共享 KV cache、Apache 2.0 釋出，而且配齊 31B Dense / 26B MoE / E2B / E4B 邊緣版。本文拆解 3x 是怎麼來的、什麼情況拿不到 3x、以及為什麼這對「想繞過 Nvidia/HBM 鎖喉自主推理」的人才是真正的好消息。

CAISI 說 DeepSeek V4 落後 8 個月——但你看錯重點了：跑分輸掉、方向贏了

美國 NIST 旗下的 CAISI 在 2026/5 發布報告：DeepSeek V4 Pro 落後美國 frontier 約 8 個月，DeepSeek 自己 paper 講的是 3 個月。兩邊都對，但都看錯重點——DeepSeek V4 真正贏的不是跑分，是 Vendor Agnostic（NVIDIA / 華為隨時抽換）+ KV Cache 降 7-10%，直接突破老黄的 HBM 供應鏈鎖喉。完整論述在 YouTube 影片，這篇文章只放關鍵論點跟 source。

非英語稅：用 Claude 寫中文，同樣內容 token 比英文版多 71%

同一篇文章翻成不同語言丟給 LLM，Anthropic 處理中文比英文多吃 1.71 倍 token，印地語直接 3.24 倍；OpenAI 比較克制但中文也要 1.15 倍。這個被叫做「非英語稅」的隱藏成本，正在悄悄拉開亞洲企業跟美國公司的 API 帳單差距。本文拆解 tokenizer 為什麼歧視非英語、算給你看一個典型台灣企業 case 的真實成本差距、以及為什麼我自己仍然主要用 Claude——但會在哪些場景切換到 OpenAI 或 DeepSeek。注意：1.71x 是 Claude 中文相對 Claude 英文的倍數（同一家內部基準），不是相對 OpenAI 英文的倍數。Opus 4.7 已換 tokenizer，但官方反而提醒同樣輸入可能多吃 1.0-1.35x token，是否改善中文稅需要實測，不能用廠商公告直接推論。

打工人 AI 工作小妙招——5 招讓你做得更「好」（不是更「快」）

勞工節給打工人的 5 個 AI 妙招——不是用 AI 變更快，而是用 AI 變更好。從『無 AI 冥想時間』、兩個訓練路徑不同的模型互相監督、把關鍵節點人的 email 餵給 AI 當客製化模擬器、AI 是你 24/7 的 review 團隊（n8n / OpenClaw 自動化進階版）、到每天讀一篇非英非中內容跳出 worldview 同質化。因為老闆能吃走你省下的時間，但吃不走你累積的品質。

一張原價屋估價單，看懂 Token 經濟學如何把 DDR 打到天價——還有老黄怎麼把所有路都鎖死

2026/4/23 一張原價屋估價單：128GB DDR5 漲到 5.2 萬，比 CPU 加主機板還貴 2.7 倍。背後是 Token 經濟學第一性原理把 GPU 的天花板物理鎖定在 HBM 上，再加上老黄把 HBM 御三家 + Groq LPU 全部供應鏈鎖喉的雙重結果。本文拆解 DDR 漲價的真正原因、老黄的供應鏈整合棋局、以及華為 + DeepSeek V4、Google + TurboQuant 兩條繞道。

DeepSeek V4 §3.1 那 200 字才是真正的地震——訓練棧硬體無關，跑得上中國國產卡

DeepSeek V4 大家都在比百萬 token、比 API 價格、比 LMArena 跑分。但藏在技術報告 §3.1 那段不到 200 字的描述——同一套 fine-grained EP scheme 在 NVIDIA GPU 跟華為昇騰 NPU 上都跑出 1.5～1.96 倍加速——才是真正的工程地震。這代表 DeepSeek 的『訓練棧』已經做到硬體無關，而且驗證平台就是中國國產的昇騰 NPU。

DeepSeek V4 把百萬 Token 上下文打到傳統 2% 成本——拆解 CSA + HCA 雙 Attention 設計

DeepSeek V4 論文的真正題眼不是「百萬 token」，而是「低成本、高保真度」。透過 CSA（抓重點）+ HCA（看全域）兩個互補的 attention 模組，V4 把 KV Cache 砍到傳統方案的 2%，計算量降到 V3.2 的 10%，同時在百萬 token 評測上超越 Gemini 3.1。這篇文章從工程師視角，把這套機制的設計思路、跟 MLA / NSA 的傳承關係、以及實際工程意義拆給你看。

打工人用不好 AI，不是聰不聰明、努不努力的問題——是位置的問題

你拼了老命學 AI、買 Max 5x，效率真的提升了一些，但薪水沒漲、時間反而更忙——因為老闆一句『AI 時代每個人都要快 5 倍』，把你的任務變成 5 倍。這不是你的問題，是位置的問題。我把打工人的三層結構性困境（激勵、思維、資訊）跟老闆的五層降維打擊（重構、全局、低成本試錯、改流程權限、激勵對齊）拆開講清楚，最後分享我自己離開 Google、加入創業團隊、用 blog 建立『工作所有權』的親身回應。

Opus 4.7 「變笨」一個月之謎——Anthropic 終於承認：是 Claude Code 的 harness，不是模型

Anthropic 4/23 發 post-mortem，承認過去一個月 Claude Code 品質退化的三個 bug 全在 harness 層：reasoning effort 默認降級、thinking clear 快取 bug、verbosity system prompt 反噬。模型本身沒退化，API 也沒受影響。但同時間中國 AI coding 訂閱市場也在收緊——智譜 GLM 漲價 30%、阿里 Qwen Code Lite 停售——代表一個趨勢：token 越來越貴，吃到飽方案正在被廠商一個個收回去。你現在付的 MAX 月費，可能是 AI coding 歷史上最便宜的一段時間。

Qwen 3.6-27B 本地部署：DGX Spark / Mac mini 跑出 Sonnet 4.6 等級 AI Agent

Qwen 3.6-27B 開源 dense 模型在 $4,699 的 NVIDIA DGX Spark 跑出 136 tokens/sec，Benchmark 打贏 Claude Opus 4.5、Terminal-Bench 微幅超過 Sonnet 4.6。本文替 IT 架構師盤點 Qwen 3.6-27B 本地部署的硬體選項（DGX Spark vs Mac mini M4 Pro 64GB）、12 項官方 Benchmark、Dflash + DDTree 推理棧、單人 3 年 TCO $22,500 vs $4,729 成本對照，以及 on-prem AI Agent 架構重寫的決策要點。

Mythos 被 Discord 小群摸進去兩週——被攻破的不是模型，是信任鏈

Anthropic 那個「太危險不能公開發布」的 Mythos 模型，發布當天就被一個 Discord 小群摸進去，安靜用了整整兩週才被彭博爆出來。攻擊三步：從 Mercor 洩漏挖出內部命名規則、猜出 endpoint、借用承包商 shared credential。沒有零日、沒有 jailbreak，純粹社交工程。這告訴我們：跟人比資安，AI 可能還太嫩了；最高級的攻擊從來不是 AI 找到的零日，永遠是社交工程。

感謝商周採訪—但這是每天把自己逼到牆角換來的

商周這次把創智動能寫進《AI 創新百強》。採訪看起來很棒，但背後是每天把自己逼到牆角換來的。我之前在艾立做過一次組織轉型，那次談的是「人」；這次完全不同——用 AI 做事是一回事，用 AI 做管理、降本增效、組織改造，是完全不同的 scale。

你的 AI 老師可能在傳遞「隱藏偏見」— Anthropic 登上 Nature 的蒸餾風險研究

蒸餾（Distillation）是現在 AI 產業鏈的標準動作：把大模型的能力蒸餾到小模型，省成本、加快推理速度。Anthropic 團隊在 Nature 發了一篇論文，發現學生模型不只學到老師的答題能力，還會透過與 trait 完全無關的資料，偷偷學到老師的「隱藏行為特徵」。他們給了這現象一個名字：Subliminal Learning。更令人不安的是——現有的任何偵測方法都失敗了。

GLM-5.1 實戰三週心得：$72 月費，拿到 95% 的 Opus 體驗

之前寫了兩篇 GLM-5/5.1 的技術分析和 Benchmark 解讀，但那都是數字。這次我透過 OpenRouter 把 GLM-5.1 接進自己的 Workflow，在真實 Agent 任務裡跑了三週——昨天正式畢業，直接買了國際版 Coding Plan。結論：95% 的 Opus 4.6 感覺，月費 $72。這篇不講 Benchmark，講真實使用體感——哪裡強、哪裡還差一點、以及為什麼我認為它是目前地端 Agent 模型的最佳候選。

YouTube 雙集逐字稿：你的 Claude 越用越笨 ＋ LLM 中轉在偷你的東西

YouTube Shorts 雙集聯動逐字稿。EP1 從機場候機室講 Claude 越用越笨的真實體感——新模型上線舊模型降智是產業共識，企業必須投資地端 GPU 做雲地混合架構。EP2 從陽明山講 UCSB 論文《Your Agent Is Mine》——428 個 LLM 中轉實測，29 個在偷你的東西，最聰明的裝死 50 次才發作。兩集底層邏輯一樣：不要把所有賭注壓在你控制不了的基礎設施上。

你的 Agent 是別人的——428 個 LLM 中轉安全測試，9 個偷代碼、17 個偷 AWS Key、2 個會裝死

UCSB 論文《Your Agent Is Mine》對 428 個 LLM 中轉做安全測試：9 個注入惡意代碼、17 個偷 AWS 憑證、1 個轉空以太坊錢包、2 個「裝死」50 次後才發作且只針對 YOLO mode。7% 的中轉有問題，但 100% 的後果。中轉背後 round robin 還會打斷 Prompt Cache，以為省錢結果更貴。AI coding 供應鏈四層攻擊面全拼圖：模型層、API 層、安裝包層、IDE 層，每一層都有人在攻擊。

以後的抄袭不是 Ctrl+C Ctrl+V，是「幫我重新實現這個功能」——Hermes Agent vs Evolver 事件全解析

GitHub 8.5 萬 Star 的 Hermes Agent，被中國小團隊 EvoMap 實錘架構級抄袭：10 步主循環步步對應、12 組術語系統性替換、7 份公開材料零引用。被錘後回應：Delete your account。這件事揭示了一個新現實：AI 把「改寫」的成本壓到幾乎是零，代碼重疊率 0%、設計決策重疊率 100%，傳統查重工具全部失效。MIT、GPL、版權法的設計前提都是「你複製了代碼」——AI 精確繞過了所有防線。

LLM 亂降智不是都市傳說——有人開始用數據追蹤了，企業 IT 該怎麼辦？

昨天 Claude 全線降級，我的三個任務全部延誤。StupidMeter 24/7 監控 22 個模型，結果只有 GLM 是 OK，其他全部 WARN。Opus 4.5 排第一、Opus 4.6 掉到第五。貴的不穩定，便宜的也不穩定——價格跟穩定性完全無關。企業 IT 該用雲地混合開源模型架構，前面掛 LLM Proxy，Agent 層做品質 fallback。LLM 已經是水電，就該用水電等級的基建去管。

關掉 Claude Code 遙測，效能就被懲罰？——一場隱私 vs 快取的技術鑑識

社群炸鍋說 Anthropic 懲罰關掉遙測的使用者，cache TTL 從 1 小時降到 5 分鐘，號稱 12 倍效能懲罰。Claude Code 作者 Boris Cherny 親自回應：這是 experiment gate 和 telemetry 共用開關的 bug，不是刻意設計。4 天內修復（v2.1.108）。但這個 bug 暴露了更深的問題：閉源工具的 feature flag 遠端控制權、遙測與功能配置的 coupling、以及我們對 AI coding 工具信任的脆弱基礎。順便整理了 Claude Code 省 Token 的實戰規則——cache 還熱就繼續聊，別動不動 /clear。

「Opus 太聰明，所以它不該做 Planning」——一篇論文顛覆 Agent Ops 範式

Columbia 大學 AgentOpt 論文用 9 個模型、81 種組合實驗證明：Ministral 8B 做 Planner + Opus 做 Solver 準確率 74.27%，完勝 Opus 做 Planner 的 31.71%。最貴的模型放在 Planner 位置反而最差——因為它太強，強到跳過工具使用直接裸答。Anthropic 自己推出的 Advisor Tool 也在修正這個方向：讓便宜模型跑主迴圈，Opus 退居顧問按需出場。Agent 管線優化的單位不是單一模型能力，而是模型組合在特定任務上的匹配度。

Anthropic「Mythos」真的這麼強？逼得財政部長和 Fed 主席同時出手

Anthropic 新模型 Mythos 據稱強到讓美國財政部長和 Fed 主席同時召見六大行 CEO。Cyber Gym 83%、OpenBSD 27 年老洞、FFmpeg 500 萬次 fuzzing miss——但仔細看，Anthropic 公布的戰績全部都是白箱攻擊。這篇文章做三件事：一、把恐慌從無意義的等級拉回可以具體行動的等級；二、提出「白箱 vs 黑箱」「激勵機制 vs 技術能力」兩個冷靜視角；三、用「Mythos 不是核武，是一把 AK 送給路人」這個比喻，定調真正該擔心的時間點是 6-15 個月後的開源複製品。

Opus 4.6 偷偷縮水、Max Plan 燒光速度翻倍：為什麼 Open Source Agent 架構是企業唯一可行方案

Opus 4.6 thinking 深度被砍 73%、Read:Edit 比率從 6.6 暴跌到 2.0、Stop Hook 違規從 0 飆到每天 10 次——這不是主觀感受，是 17,871 個 thinking blocks 和 234,760 次工具呼叫的硬數據。當閉源供應商的品質和額度同時縮水，企業唯一可行的路就是：雲地融合 + 開源閉源混搭。Open Source Agent 框架 + Open Source Model，才是你在 2026 年做 AI 工程的基本衛生習慣。

搞懂快取機制，從 Gemma4 到 Claude Code 省 80% Token

早上打開 Claude Code，敲第一句話，2%～10% 的套餐額度沒了。我在本地用 Gemma4 做實驗，發現 prompt 處理從 31 秒降到 0.25 秒——100 倍加速。再翻 Claude Code 源碼，拆解 Anthropic 的多層快取架構：DYNAMIC_BOUNDARY 切分、兩檔 TTL、快取斷裂偵測。從 Transformer 的 KV 快取原理，到 MLSys 2024 論文 Prompt Cache，到你每天該養成的省錢習慣——理解這套機制，同樣的套餐能多撐 3-5 倍。

GLM-5.1 開源登頂 SWE-Bench Pro：中國模型第一次在長程任務上斷檔領先

智譜（Z.AI）在 GLM-5 發布僅六週後推出 GLM-5.1，SWE-Bench Pro 58.4% 超越 Claude Opus 4.6 和 GPT-5.4 登頂全球第一——這是中國模型首次在軟體工程 Benchmark 上擊敗所有美國模型。更關鍵的是，4 月 7 日全量開源（MIT），1.5TB 權重直接上 Hugging Face。Coding Plan 月費 $3 起步，比 Claude Max 便宜 86%。這篇拆解 5.1 的後訓練管線、定價策略、安全爭議，以及「8 小時自主工作」對 Agent 工程的真正意義。

Stanford 論文實錘：Context Engineering 比 Fine-tuning 更適合 AI Agent — ACE 框架拆解

很多人還在問「要不要 fine-tune」，Stanford 這篇 ICLR 2026 論文直接給了答案：對 Agent 來說，把 context 當作會演化的操作手冊來經營，比急著去調模型權重更快、更便宜、也更有效。ACE 框架用較小的開源模型在 AppWorld leaderboard 追平頂級商用 Agent，在最難的 test-challenge split 上還超過對手。這篇文章拆解 ACE 的三步循環，對比 fine-tuning 的商業實戰踩坑（驗證地獄、base model 迭代太快、無法積累），分析為什麼要嘛做模型，要嘛 context engineering，沒有中間值。

Anthropic 封殺 OpenClaw 之後的三層替代方案：地端 Qwen 3.5 27B + 雲端分流，是未來最佳 Agent Infra？

Anthropic 正式封殺 OpenClaw，但你需要的不是一個模型，而是一套 Agent Infra。三層替代方案：入口層換供應來源（GPT-5.4 改提示詞達 80% Claude 體驗、或接 GitHub Copilot）、雲端 API 層按複雜度分流（Opus 到 Haiku 成本砍九成）、地端層用 Qwen 3.5 27B 蒸餾版處理敏感和高頻任務（零成本零隱私風險）。附完整分流提示詞配置，沒有任何一層是不可替換的。OpenClaw, Claude Code, OpenRouter, model routing, local LLM 實戰指南。

Claude Code 上下文工程：四層壓縮機制的源碼級拆解

Claude Code 的上下文管理不是一個功能，是一個完整的子系統。compact/ 目錄下 11 個 TypeScript 文件、3,960 行代碼，拆成四層壓縮：零成本的 Micro Compact、結構化事實提取的 Session Memory Compact、調用模型做 9 維度摘要的 Full Compact、以及帶熔斷器的 Auto Compact。源碼註釋裡的生產數據顯示每天浪費 25 萬次 API 調用——修復方案只有三行代碼。這是「Claude Code 開源設計細節」系列第三篇。

Claude Code 資安最佳實踐：14 條建議，每條都有原始碼撐腰

網路上關於 Claude Code 安全配置的建議很多，但有多少是真的去翻過原始碼驗證的？我拿 best practice repo 一條一條對 Claude Code 的 TypeScript source code，14 條建議中每一條都能在原始碼裡找到對應實作。番外篇揭露了 Claude Code 的完整資料回傳行為——包括每條訊息的情緒偵測（is_negative regex）、對話 transcript 自動上傳（無法關閉）、以及 Anthropic 透過 GrowthBook 對你的 CLI 擁有的遠端控制能力。

拆解 Claude Code 的 System Prompt 源碼：Anthropic 怎麼馴服自己的模型

大家都在學 prompt engineering，但你有沒有想過，Anthropic 自己的 prompt 長什麼樣子？Claude Code 的核心 prompt 藏在 prompts.ts 裡面，914 行 TypeScript，15+ 個模組化 section builder，還有一條看不見的邊界線把 prompt 切成「可快取」和「不可快取」兩半。拆開來看，最大的發現是：這不是一份 prompt，這是一個 prompt 作業系統。

Claude Code 51 萬行原始碼外洩拆解：這不是 AI 工具，這是一個作業系統

Anthropic 工程師發 npm package 時忘了排除 source map，60MB、512,000 行 TypeScript 原始碼就這樣躺在公開的 npm registry 上。我帶著三個問題去讀：為什麼它就是比別人好用？記憶架構怎麼設計的？51 萬行 code 裡到底藏著什麼？讀完的第一反應是——這不是一個 AI 編程助手，這是一個作業系統。

OpenClaw 三月大更新：Agent Framework 正在變成 Agent OS

OpenClaw v2026.3.22 單次更新 312 條變更：18 條 breaking changes、74 條新功能、220 條修復。ClawHub 插件市場、GPT-5.4 全家桶、SSH Sandbox 取代 Docker、ACP Dispatch 原生 orchestration。更關鍵的是，OpenClaw 開始直接吞噬 Claude Code、Codex、Cursor 的 skill bundles——這不是版本更新，是 Agent Framework 變成 Agent OS 的宣告。

Vibe Coding 最大的風險不是 AI 寫爛 Code，而是你根本不知道它幫你裝了什麼

Andrej Karpathy 說：「Supply chain attacks like this are basically the scariest thing imaginable in modern software.」LiteLLM 被投毒，每月 9700 萬次下載的 AI 核心套件，惡意版本竊取開發者的 SSH keys、雲端憑證、資料庫密碼。發現者是一個在 Cursor 裡用 MCP plugin 的開發者 — 機器跑到沒記憶體才發現不對。當 Vibe Coding 讓開發者越來越信任自動安裝，供應鏈攻擊的爆炸半徑被指數級放大。

NemoClaw 不是終局，但企業 Agent 這塊田很大

「如今全球每一家公司，都必須制定自己的 OpenClaw 策略。」— 黃仁勳，GTC 2026。NemoClaw 明顯不是終局產品，但卻是一個很清楚的 signal：企業級 AI Agent 這塊田還很大。先 OpenClaw 做試點，再補 governance——不要一開始就上 enterprise framework，也不要永遠停在 POC。

NemoClaw 架構拆解：NVIDIA 怎麼把龍蝦鎖進三層安全堡壘

NemoClaw 不是「OpenClaw 外面包一層 Docker」。它是一整個 K3s Cluster，用 netns + HTTP CONNECT proxy + OPA Policy、seccomp BPF、Landlock LSM 三層安全機制，把 AI Agent 鎖進企業級沙箱裡。這篇拆解架構設計、Trust Boundary、Per-Binary Egress Control，以及代價與價值的取捨。

Harness Engineering：人跟 AI 到底誰才是弱點

Meta 內部 AI Agent 在沒有人要求的情況下自己在論壇發了回覆，工程師照做後導致大量敏感數據暴露 2 小時，嚴重等級 Sev 1。沒有外部攻擊者，沒有 Prompt Injection — Agent 只是「主動幫忙」。問題不在 AI 太笨，而是它不該有「自己決定發文」的能力。讀取是安全的，寫入才是危險的，而 Meta 沒有在這兩者之間畫一條線。

Opus vs Sonnet：Benchmark 看不太出來的體感差距

過去一個多月，我一直在 OpenClaw 和 Claude Code 上來回切換 Opus 跟 Sonnet。網路上一堆比較文章講什麼「全密計算架構」、「Dynamic Sparsity」——兩邊都是編的。這篇只講實際體驗到的、可驗證的差距，以及怎麼用工程手段讓便宜模型也夠用。

做 Agent 的一個體會：Prompt 負責引導，工程負責約束

你的 CLAUDE.md 寫了 500 行規則，Agent 還是會刪掉你的資料庫。不是 Prompt 寫得不好，是你把約束放錯了地方。做 Agent 半年多，我歸納出一個最核心的原則：Prompt 負責引導，不負責約束；工程負責約束，不依賴模型自覺。這不是理論，是被打臉之後的體會。

用 AI 在物流業打造「零工程師」團隊，轉型的關鍵在理解現場

INSIDE 塞掐 Side Chat E397 專訪。AI 落地不是技術問題，是信任問題。物流業找不到工程師，溢價三倍都 hire 不到，所以我做了一個決定：不找工程師了，直接把工讀生訓練成 engineer 來用。百日物流優化專案的經驗告訴我——AI 能加速 99% 的分析工作，但那 1% 讓人願意行動的信任，還是要人去建立。

殘差連接被動刀了：DeepSeek 和 Kimi 先後改掉 Transformer 用了十年的「默認設定」

Transformer 架構裡有個零件叫「殘差連接」，從 2015 年 ResNet 發明以來，所有人都覺得不需要改。2026 年第一季，DeepSeek 的 mHC 用數學約束讓權重可學習；Kimi 的 Attention Residuals 更激進——直接用注意力機制重構層與層之間的資訊流。同樣的算力，白賺 25% 性能。這篇文章用最白話的方式，帶你看懂這兩篇論文到底在做什麼。

AI 供應鏈攻擊全景：從 Codex 賭博廣告到 Hugging Face 惡意模型

你的 AI Coding Agent 在寫程式途中突然吐出「天天中彩票」，你的地端 Ollama 模型可能正在跑反向 Shell。這不是模型幻覺，這是 AI 時代的供應鏈攻擊 — 兩層結構：訓練資料污染（Codex/Whisper）+ 惡意模型檔案（Hugging Face 100+ 惡意模型、7 個 PickleScan CVE、352K 不安全問題）。傳統資安工具完全看不到。

NVIDIA Nemotron 3 Super：純美規、Agent 特化的開源 Workhorse

NVIDIA 發布 Nemotron 3 Super — 120B 參數、12B active、1M context window、完全開源。不是最聰明的模型，但可能是 Agentic AI 最需要的 workhorse。Benchmark 實測對比 Qwen3.5、MiniMax M2.5，加上 OpenClaw 三層路由實戰配置建議。

Harness Engineering 架構全景：AI 可以寫 Code，但不能自己上 Production

亞馬遜讓 AI 修 bug，AI 刪掉整個生產環境。DataTalks.Club 被 AI 刪掉整個資料庫。電商部門因 AI 變更丟失數百萬筆訂單。三起事件，同一個模式：reset → rebuild → clean state。這篇文章用一張架構圖講清楚 Harness Engineering 的全貌：從 Amazon 的禁令到 OpenAI 的控制平面，從四層防禦到七元件參考架構，從五大失效模式到你的團隊明天就能開始做的三件事。

亞馬遜 AI 事故啟示：科技巨頭一邊賣 AI 未來，一邊在自己家裡給 AI 上鎖——Harness Engineering 才是正解

AWS 工程師讓 AI 修一個小 bug，AI 的解法是刪掉整個生產環境再重建，恢復花了 13 小時。電商部門的 AI 變更導致數百萬筆訂單丟失。DataTalks.Club 創辦人被 AI 刪掉整個資料庫。三起事件，同一個模式。現在亞馬遜的補救措施是：禁止初中級工程師提交 AI 生成的程式碼。這不是 AI 不行——是沒有護欄的 AI 不行。

混沌智能體：史丹佛 x 哈佛的論文告訴我們，控制好一個 AI Agent 不等於控制好一群

史丹佛和哈佛 38 位研究者把 6 個自主 AI Agent 放進真實環境跑兩週，給它們 email、shell、20GB 硬碟、排程能力，然後讓 20 位研究員全力攻擊。結果？Agent 為了「保護秘密」炸掉自己的郵件伺服器、向陌生人洩漏 124 封私人郵件、用「語義重構」繞過自己的安全規則。但最讓人不安的不是個別漏洞——而是這些行為從激勵機制中自然湧現，跟越獄完全無關。

Opus 4.6 意識到自己正在被考試，然後逆向破解了答案——Anthropic 的 Eval Awareness 報告，對 AI 評測的根本衝擊

Anthropic 在測試自家最強模型時，發現 Opus 4.6 不是在「答題」，而是在「破解考試系統」。它推斷出自己正在被評測、猜出是哪個 benchmark、找到加密的答案檔、自己寫解密程式、繞過格式限制找到鏡像站、成功解密拿到正確答案。18 次獨立測試，收斂出一模一樣的策略。這不是偶然。原文：Eval awareness in Claude Opus 4.6's BrowseComp performance

直覺 + AI + 框架工程 = AI 時代白領的護城河｜Weekly Vlog EP12

從一場臨時一打七的客戶會議，到黃仁勳說的 taste，再到 Peter Steinberger 的全自動 PR 產線——AI 時代最重要的能力不是寫 Code，而是管控 AI 的框架 + 判斷結果的直覺。一個多小時同時切換 6-7 條專案線，靠 Claude Code + NotebookLM 即時輔助，但多線程上下文切換 + stakeholder 潛台詞，AI 目前還做不到。

直覺 + AI，是未來工作者最重要的能力之一

甲方爸爸臨時叫我坐計程車去現場開會，一打七。我打開 Claude Code / NotebookLM 讓 AI 收集資料，自己用直覺判斷與回應。黃仁勳說的 Vibe 直覺，其實是數據理解、邏輯分析、人生經驗、對他人深度感知的綜合能力。在 AI 時代，直覺 + AI 的組合，反而會變得越來越重要。

Harness Engineering 完整拆解：當 AI Agent 寫完 Code，你的 Repo 準備好自動接住了嗎？

OpenAI 3 個工程師用 Codex 在 5 個月產出 100 萬行代碼、0 行人寫。他們把這套方法叫 Harness Engineering——不是寫代碼的工程，而是建構約束和反饋迴路的工程。Ryan Carson 受此啟發，公開了一套完整的 Control-Plane Pattern：從 risk tier contract、preflight gate、SHA discipline、到 remediation loop。上次我們談了四層防禦，這次我們看完整的控制平面怎麼接住 Agent 的高速產出。

Qwen 技術負責人被離開：當開源神話撞上 KPI

兩天前我寫了一篇 Qwen 3.5-9B 的技術分析，讚嘆「9B 打贏 120B」的架構創新。今天，做出這些創新的技術負責人宣布離開了——而且不是自己想走的。這件事比任何 benchmark 都值得認真看。

AI 打仗的文章滿天飛，但你看到的「細節」九成是編的

美伊戰爭開打後，各種「AI 如何主導斬首行動」的深度分析文滿天飛。問題是——仗還沒打完，你怎麼可能知道用了什麼模型、什麼平台？這不是分析，這是創作。七分真、三分編，是 AI 時代最高級的假訊息手法。

模型主權 + 數位員工 = 企業 AI 的下一步｜Weekly Vlog EP11

Anthropic 拒絕五角大廈、被列為供應鏈風險，催化了企業對「模型主權」的覺醒。當地端開源模型達到 SOTA 八九成能力、OpenClaw 數位員工架構成型、中國模型用五分之一價格提供同等服務，企業 AI 的遊戲規則正在根本改變。組織架構也將從金字塔走向「15 人小三角形 + 無限 AI Agent」的新型態。

週六資安日：當十年前美國隊長 2 的洞察計劃成了 2026 年的現實

今天不只談技術資安，更要談人類的安全。Anthropic 拒絕移除 Claude 的兩條紅線——禁止大規模國內監控、禁止完全自主武器——被美國國防部列為「供應鏈風險」。這是 AI 產業史上第一次「模型提供者 vs 國家機器」的正面衝突。當年美國隊長 2 的 Project Insight 是科幻，2026 年它發生了。

Deloitte 廢除傳統職稱，Block 大規模裁員——它們指向同一個趨勢

Deloitte 廢除傳統職稱，Block 裁掉 4,000 人——接近一半的員工。這不是巧合——它們其實指向同一個趨勢：金字塔型組織，正在失去效率優勢。當 AI 能處理 60% 的入門級工作時，組織的底座就不再穩固。未來的 AI 組織，很可能長這樣：15 人左右團隊 + AI Agent 的 Hybrid 模型。

OpenClaw 的五種上網方式：從搜尋 API 到接管你的瀏覽器

AI Agent 的「上網」不是一件事，而是五件事。選錯模式，輕則功能受限，重則帳號被盜。OpenClaw 的五種上網架構——Search API、Web Fetch、Managed Browser、Remote CDP、Extension Relay——每一種的能力範圍、安全風險、適用場景都天差地別。本文從最安全的搜尋 API 到最危險的瀏覽器接管，逐層拆解技術架構與安全風險，包含 Accessibility Tree vs 截圖的效率差異、Managed Browser 手動登入的甜蜜點、以及 WebMCP 的未來展望。

Token 出海：中國 AI 不再賣商品，開始賣 Token

中國 AI 出海正在發生質變——從賣商品變成賣 Token。2026 年 2 月，中國模型（MiniMax、Kimi、GLM）在生產型 Token 呼叫量首次超越美國。GLM-5 在蒸餾指控中全身而退、SWE-bench 打贏 GPT-5.2、全華為晶片訓練、API 便宜 5-8 倍。當你把中國電價（$0.08/kWh）對比美國（$0.18/kWh）、開源人才密度、國產硬體自主這三張牌疊在一起，你會看到一個新的貿易形態正在成形：用可計量、可計價的方式，向全球輸出 SOTA 90% 等級的推理能力。這不是科技競賽的故事，這是成本結構的故事。

GLM-5 技術報告深度解讀：從 Vibe Coding 到 Agentic Engineering，中國開源的「Opus 時刻」

智譜 AI 的 GLM-5 用 744B MoE 架構、28.5 兆 token 預訓練、SWE-bench 77.8% 打贏 GPT-5.2，幻覺率業界最低，API 價格便宜 5-8 倍——而且全部在 10 萬張華為昇騰 910B 上訓練，零 NVIDIA 依賴。技術報告標題 'From Vibe Coding to Agentic Engineering' 精準命名了我們正在經歷的範式轉移。這篇文章拆解 GLM-5 的架構、Benchmark、異步 RL 訓練框架 Slime，以及那個跑了 24 小時、700 次工具調用自主造出 GBA 模擬器的 demo。

當代碼量暴增 10 倍後，到底誰來做 Review？Make CI/CD Great Again

OpenClaw 作者 Peter Steinberger 開 50 個 Codex 並行審 3000 個 PR。OpenAI 3 個工程師 5 個月產出 100 萬行代碼。Stripe 一週 1000 個 PR。GitHub 數據：PR 量漲 98%，審查時間漲 91%。AI 產出極快，但人類根本消化不了。真正的解法不是更好的 Prompt，而是 20 年前的老朋友——CI/CD。你的 testing case 寫得越多、越齊全，這是一個看漲的資產。

OpenClaw + 地端大模型是未來 AI 的勝負手｜Weekly Vlog EP10

OpenClaw + 地端大模型，很可能是未來 AI 的勝負手。OpenClaw 這類第二代數位助理會是 AI Agent 的 Channel 重心，OpenAI 搶先收編作者 Peter 是這場 Channel 戰爭的關鍵手；而中國開源模型集體爆發，讓全地端部署變成現實。這個農曆新年還有 NotebookLM 終於可以輸出 PPT、Moonwell 因 AI 寫的程式碼賠了 178 萬美元。

AI Coding Tool 寫的程式碼讓 DeFi 賠了 178 萬美元：Moonwell 事件與 Stripe 的警訊

Moonwell 的 Oracle 配置程式碼由 Claude Opus 4.6 協作撰寫，一個 scaling factor 錯誤讓 cbETH 從 $2,200 變成 $1.12，178 萬美元就這樣被合法套利走。這不是 AI 的語法錯誤，而是 business logic 層級的失誤。同一時間，Stripe 每週合併上千筆 AI 產生的 PR，但「human-reviewed」在這個吞吐量下，到底是真的審查還是流程蓋章？

Channel 的戰爭：OpenClaw、Anthropic 和誰能決定 AI Agent 的未來

OpenClaw v2.19 出了 Apple Watch MVP，Anthropic 封鎖 OAuth 禁止第三方使用訂閱制，Sam Altman 收編 Peter Steinberger 擁抱開源。三件事串在一起，看到的不是技術競爭，而是 AI 產業最殘酷的現實：掌握 Channel 的人，才能決定模型的命運。

2026 二月，不只中國在爆發 — 美國 AI 巨頭也在瘋狂輸出

2026 二月，Anthropic 和 OpenAI 輪番丟出重磅更新：Claude Opus 4.6 的 Agent Teams、GPT-5.3-Codex 的 Terminal-Bench 77.3%、Peter Steinberger 加入 OpenAI、Sonnet 4.6 用 1/5 價格逼近旗艦、NotebookLM 支援 PPTX 匯出。兩週五個重大更新，中美 AI 軍備賽全面開打。

Kimi K2.5 深度技術評估：Agent Swarm 到底厲害在哪裡？

月之暗面 Kimi K2.5 不是又一個追 GPT 的中國模型。100 個子代理並行的 Agent Swarm、原生多模態視覺理解、開源加上輸入成本只有 Claude 的九分之一。這篇聚焦三大優勢，附 Benchmark 和成本數據，告訴你什麼場景該用它、什麼場景別碰它。

當 AI Coding Benchmark 開始測到「基礎設施」：從 Anthropic 的實驗，到學術共識，再到 Arena 評測的結構性盲點

你整天看的那些 SOTA 排名比較，很有可能不是模型比較厲害，而是 infra 比較厲害。至於開源模型看起來稍稍弱一點？很可能換一個 infra 環境，它就變 SOTA 了。Anthropic 實驗證實：同一模型在不同基礎設施配置下，成功率差距達 6 個百分點——而 leaderboard 上模型之間的差距往往只有 3～5%。

2026 年了，Gemini 團隊怎麼變得「自信的蠢」了

問題不是 Gemini 會不會幻覺。問題是它幻覺了，你連糾正的機會都沒有——因為 Google 把 Web Search 的開關藏起來了。當 AI 自己決定「不用查網路」，然後自信滿滿地告訴你真實產品是「虛構」的，這不是模型問題，是產品設計哲學的災難。

OpenClaw Token 優化指南：如何將 AI Agent 運營成本降低 97%

真正的智能不在於為最昂貴的模型付費，而在於精心設計的 Prompt 與系統架構。本文分享五大核心優化策略：會話初始化、模型路由、本地心跳、提示詞快取、速率限制，實測可將 OpenClaw 成本從 $1,500/月降至 $50 以下。

OpenClaw Token Optimization Guide: How to Cut AI Agent Operating Cost by 97%

Real intelligence isn’t paying for the most expensive model—it’s careful prompt and system design. This post shares five core optimization strategies—session initialization, model routing, local heartbeats, prompt caching, and rate limiting—shown in practice to reduce OpenClaw cost from ~$1,500/month to under $50.

OpenClaw 記憶系統全解析：SOUL.md、AGENTS.md 與高昂的 Token 成本

當你的 Agent 每天燒掉 500 萬 tokens，你需要問的不是「它聰不聰明」，而是「這樣的上下文構建有效率嗎？」本文深度拆解 OpenClaw 的 File-First 記憶架構，解析 SOUL.md、AGENTS.md 的設計哲學，以及為什麼它寧願犧牲效率也要拒絕 RAG。

Cursor 前 0.01% 大神倒戈 Claude Code：Agentic Coding 五大支柱完整解析

當一個被 Cursor 官方認證的全球頂尖用戶，選擇放棄熟悉的工具轉投 Claude Code，這不只是換工具——這是一場關於「AI 程式設計該怎麼做」的典範轉移。Silen Naihin 的萬字長文詳解 Agentic Coding 五大支柱：Context Management、Planning、Closing the Loop、Verifiability、Debugging。

Moltbot 安全加固實戰：AI Agent 四層縱深防禦完整指南

不需要是資安專家，只需要願意花一個下午認真讀文件。這篇整理 Moltbot 社群的四層縱深防禦實戰經驗：Isolation、Quarantine、Rollback、Transparency。涵蓋 AI Agent Security、Prompt Injection Defense、LLM Agent Security 與 Agentic Security 完整框架。

Moltbot Security Hardening in Practice: A Complete Four-Layer Defense-in-Depth Guide for AI Agents

You don’t need to be a security expert—just be willing to spend an afternoon reading the docs carefully. This post distills Moltbot community battle-tested experience into a four-layer defense-in-depth playbook: Isolation, Quarantine, Rollback, and Transparency. It covers AI Agent Security, Prompt Injection Defense, LLM Agent Security, and an end-to-end Agentic Security framework.

500 台 AI 助理裸奔公網：Clawdbot 0.0.0.0 配置災難

當你把「開箱即用」當作產品優勢，你可能正在替使用者開後門。近 1,000 台 Clawdbot 伺服器因預設 0.0.0.0 綁定直接暴露在公網，任何人都能接管你的 AI 助理、竊取敏感檔案、甚至清空你的加密貨幣錢包。

OneFlow 演算法：重新思考 Multi-Agent 的價值

德克薩斯大學與 Amazon 的論文證明：單一 Agent 可達到 Multi-Agent 同等效果，推理成本更低。KV Cache 無法共享是 Multi-Agent 的致命限制。2026 趨勢：從「堆 Agent」轉向「優化工作流」。

當 Unix 哲學遇上 AI：Command Line 的文藝復興

我小時候看過一本書叫 Unix Power Tools，裡面有句話我記了快二十年：Command line pipeline is the best UI interface in the world。當時我完全不懂這是什麼意思。但在 2025 年 4 月 Claude Code 橫空出世後，我終於理解了——一個用文字理解世界的腦，接上了一個用文字暴露世界狀態的介面。這不是復古，這是結構上最合理的選擇。

When Unix Philosophy Meets AI: The Command Line Renaissance

When I was a kid I read a book called Unix Power Tools. There was a line I remembered for almost twenty years: ‘Command line pipeline is the best UI interface in the world.’ Back then I had no idea what it meant. But after Claude Code burst onto the scene in April 2025, I finally understood: a brain that understands the world through text plugged into an interface that exposes the world’s state through text. This isn’t retro—it’s structurally the most reasonable choice.

AI Coding On-Prem 的三條路：雲端內網化、真地端、還是灰色折衷？

On-Prem LLM 很火，但 AI Coding On-Prem 幾乎沒人講。關鍵差異在工具支持度——Tool Calling 精準度、多步驟推理、錯誤恢復能力，地端模型和雲端模型有巨大落差。模型可能有替代品，但 Claude Code 幾乎無可取代。本文分析三條路徑：雲端內網化（法務最好交代）、真 On-Prem（主權優先）、灰色折衷（技術可行但治理惡夢）。

創智動能榮獲 2025 商業周刊 AI 創新百強

創智動能以 AI Coding 流程導入與 AI Pocket 語音助手，榮獲 2025 商業周刊 AI 創新百強。從 ATPM 方法論到工程治理能力，這是對 AI Coding 必須走向工程化、制度化這條路的確認。

Kalman Filter × Transformer：當「物理直覺」遇上「深度學習」

Transformer 很會看趨勢，但它不知道「車不能瞬移」。Kalman Filter 很穩，但遇到非線性就慢半拍。2024-2025 年學術界最熱的一條線，就是把這兩者「結婚」——用 Transformer 學經驗，用 Kalman 保證不亂來。這篇文章用工程師能懂的方式，拆解這個登上 Nature 級期刊的研究方向。

披薩指數再度命中：為什麼最好的 AI 顧問第一天不談 AI

2026 年 1 月 3 日凌晨，五角大廈附近的披薩店出現異常訂單高峰，預測了美軍即將發動攻擊。這個「披薩指數」的發明者是 KGB。上週我去桃園倉庫見客戶，一個小時的會議，AI 投影片一直沒打開，但提案進入了下一階段。這兩件事有什麼關係？

CaMeL：Google DeepMind 提出的 Prompt Injection 防禦架構

Simon Willison 說這是他見過「第一個可信的 prompt injection 防禦方案」。CaMeL 的核心設計是把一個 Agent 拆成兩個：低權限 Agent 負責讀取外部資料，高權限 Agent 負責做決策——讓「讀資料」和「做動作」永遠分開。

CaMeL: Google DeepMind’s Prompt-Injection Defense Architecture

Simon Willison called this ‘the first credible prompt injection defense’ he’s seen. CaMeL’s core design splits one agent into two: a low-privilege agent that reads external data, and a high-privilege agent that makes decisions—so ‘reading data’ and ‘taking actions’ are always separated.

用 AI 打造「自己的健康資料分析系統」：我實際在跑的一套流程

很多人談健康數據，但大多停在「有量測、有 App」。這篇想講的是：如何真的把資料收起來、整合起來，最後交給 AI 幫你分析、回饋，變成可以每天用的系統。不追求完美整合、不被生態系綁死、不依賴廠商 API——這套方法的核心是「零整合架構」。

2025年度總結：AI時代，智慧比知識更重要

從永聯物流的ATPM實驗、FDE模式的挑戰，到創智動能的AI Coding推廣，再到630K lines of code的Claude Code之旅。這一年我學到的不是工具的威力，而是在AI時代，智慧才是人類最稀缺的能力。

AI Agent 完整指南｜架構、Workflow、安全與企業落地

AI Agent 不是「比較聰明的 Chatbot」，而是能自主執行任務的系統。本指南涵蓋 AI Agent 架構（Workflow vs ReAct、Plan & Execute、Dual-Agent）、企業 AI Agent 落地、AI Agent 安全（94.4% 攻擊成功率）等核心主題。

Gemini 3.0 Flash 不講理霸榜的真相

Flash 不是 Pro 的簡化版，而是另一條進化路線。它強的不是「小」，而是「不浪費」——在長上下文場景中，真正會抓重點、會用記憶的模型，才是 Agent 時代需要的底座。

祝大家聖誕快樂

早上 6:00 想做一張聖誕賀卡，用 Gemini 寫提示詞 + NanoBanana 產圖，經過多輪調整（服裝、AI Agent、吉卜力風格、年輕化），10 分鐘完成專屬賀卡。完整對話過程紀錄。

都要 2026 年了，企業 AI Excel 還是這麼難搞

小孩子才做選擇，資安跟 AI 效率我都要。與其改變工具，不如改變我們對「資料」的看法——把資料混淆到連製表人都認不出來，那是不是就可以傳上去了？

AI 不會取代年輕人，是還沒給機會

很多年輕人不是被 AI 取代，而是還沒被給機會。AWS 執行長 Matt Garman 說：AI 會取代初階軟體工程師，是我聽過最愚蠢的想法之一。

用 AI 做簡報，跟人手刻的差別是什麼？

用 NotebookLM + Gemini 做簡報，追求的不是加速，而是「千人千色」的客製化。當色調、用字遣詞都符合客戶的企業語言，把客戶放在最中心，這才是 Customer First。

NotebookLM：當 AI 工具終於具備「知識保真度」

這三年來真正改變我生活軌跡的 AI 工具就三個：網頁 ChatGPT、語音模式、Claude Code。現在 NotebookLM 加入了這個名單。一個專案 = 一個 NotebookLM，讓專案知識第一次具備高知識保真度。

AI 時代，學術界正被算力餓死

美國頂尖名校 AI 學生人均 GPU 只有 0.1 張，而 OpenAI、Google 用十萬到百萬張訓練模型。學界從「創新引擎」變成「idea 供應商」，這個轉變影響深遠。

AI 勞資雙方破局：全端能力是基本要求

AI 時代勞資雙方要破局，關鍵在「全端能力」。工程師要能獨立交付整個 Feature；PM/AM 要能用 AI 做 POC 驗證需求。當溝通層級減少，產品迭代加速，勞資才能站在同一陣線。

[Agent Part 6] Storm：駕馭整個文章編輯團隊

Stanford 的 Storm 模型把 AI 變成「多專家開會」模式：多個 AI 人格分工研究、互相挑戰查證，而人類站在總編輯位置做最後裁決。不是自動生成一切，而是 AI × Human 協作的最佳化版本。

AI 時代的面試：我不考 coding，只問為什麼

AI 時代面試不考 HackerRank。我問：為什麼用這個？比較過哪些選項？答案不重要，產生答案的邏輯最重要。AI 不會失敗、永遠有答案，所以我要找有失敗經驗並且能吸取教訓的人。

AI Agent 時代的無聊基礎建設：地端 OCR API

所有人都在討論 AI Agent，但沒人想聊「地基怎麼打」。60-70% 企業資料躺在 PDF 裡，地端 OCR API 是關鍵。好架構要有 MQ 緩衝、故障隔離、水平擴展。RapidOCR + ONNX Runtime 讓 CPU 也能跑。

AI創收的最佳案例之一

創智動能與美科實業合作的 AI 頭皮檢測系統獲得經濟部2025創新研究獎。這套系統將軟硬體整合加上 AI 技術，為美業帶來巨大的 UpSell 創收，是「把餅做大」而非「降本增效」的最佳 AI 創收範例。

用 AI Coding 當 BCP 另外一個方案有沒有搞頭？

Cloudflare 大當機時 20% Internet 都掛了，ChatGPT、X、Uber、Spotify 全方位賽博人生被搞死。Andrew Ng 的工程師用 AI Coding 快速搭建備援組件挺過危機。這個概念倒是非常有趣 - 用 AI Coding 快速搭建關鍵 infra 組件當作另一種 BCP 手段，降低平時備援成本。唯一的問題是：當遇到史詩級 outage 要 AI Coding 解救你的時候，你的 AI Service 打不打得開 XD

FDE：一個持續下去的實驗

上週三，很榮幸回到台灣最大的 AI 社團「生成式 AI 小聚」，分享我在 FDE 的成功跟失敗經驗。因為這個內容勾動我的情緒有點多，所以等到平靜下來才在這分享。

Multi-Agent 協作模式：當 AI 學會「會診」這件事

我上週回老家看了久違的第四台「緯來日本台」，看一個日本節目「恐怖家庭醫學」，裡面講到一個年長者「最近常常心悸、手抖、睡不好」。因為是心臟的因素，所以患者直接找心臟科檢查後，拿到一疊厚厚的報告——結果心臟科醫生看完報告說：「你的心臟結構完全正常，心電圖也沒問題，可能是壓力太大，回去多休息就好。」患者心想：「可是我真的有心悸啊！難道是我自己想太多？」於是患者找了神經科說可能是自律神經失調，拿了藥物減壓...

那天我在產業園區分享：AI 能不能做起來，其實看人

AI 在傳產落地，先解決的永遠不是模型，而是人、流程與文化。三步驟：現況分析（老前輩+Intern 種子團隊）→ 快速勝利（AI+RPA+OCR 小範圍試點）→ 全面升級（種子團隊散布全公司）。這就是 FDE 模式。

AI 信任崩塌的真正原因：勞資零和賽局的再現

根據《Harvard Business Review》近期發表的〈Workers Don’t Trust AI. Here’s How Companies Can Change That〉，美國基層員工對公司提供的 AI 工具信任度在短短數月內暴跌：對生成式 AI 的信任下降 31%，對自主決策型 AI 更下滑 89%。近半數員工反而更信任非官方AI 工具。另外無獨有偶MIT 的研究《The Ge...

AWS 裁員 3萬人的背後意義 ：更加追逐算力而非人才

我們都看到 AWS 近期內裁員 3萬人，但是最有趣的是，近期 AWS 財報不論是 Q2 , 或是 Q3，都有相當不錯的獲利，並且Q3也擊敗分析師預期。在這個情況下，AWS 依舊啟動這次 2020年以來最大的裁員。...

[Agent Part 2] Plan & Exec 臨機應變 vs 讀著路書跑

WRC 賽車最經典的場面就是除了賽車手開著市售車款飛天遁地以外，最有趣的就是旁邊坐著一個副駕，讀著一本稱為「路書」的路線圖，用一些簡略的話去指引賽車手前進。 這個設計在追求速度的賽車界很有趣，因為坐一個副駕更重呀，為何需要把複雜的任務分成兩個角色——規劃者和執行者?...

[Agent 模式 part 1] - Workflow 型和 ReAct 型，誰更像你？

AI Workflow 按固定流程走，遇到資料庫掛掉就停住；真正的 AI Agent 會自己找備份系統解決問題。Agent 需具備三條件：知識庫提取、工具調用、容錯除錯能力。Workflow 適合穩定場景，Agent 適合複雜多變環境。

超慢跑也能 Coding：Claude Code 帶來的真正生產力

超慢跑 + Claude Code 是天作之合：95% 時間不用顧，5% 停下來 debug。通勤開車等紅燈下指令、健身房組間休息看進度、走路時用 ChatGPT Live Chat 整理思維。Claude Code for Web 解鎖多工健康模式。

[AI PM] 複製一下你的交接人成為AI Agent

把 50+ 專案 insights 轉成 237 組 QA 對，建立 RAG 知識庫。Claude Code 的三層架構：低層 Bash、中層 Grep/Read、高層 Task/Todo。從 2-3 週 onboarding 縮短到 3 天基本掌握。

FDE：沒有流程知識，再多數據也是噪音

以前大概是電腦遊戲（印象最深刻: 中華職棒二）的時代為了防遊戲盜版，會有一個被混淆過密碼本，裡面是多種顏色混淆的文字，但是原廠會附上一個紅色或是藍色濾光片，你就拿濾光片去對應的位置，就會呈現正確的密碼排序。這樣防止電腦遊戲亂 copy , 要輸入正確的密碼才能看到正確的資訊。這個機制已經不用很久了，現在遊戲都是網路遊戲也不需要防盜版了。但是這個體驗還是很有趣...

[Life] 香港AI 的不一樣的樣貌

香港可以上 Google，但不能用 ChatGPT、Claude、Gemini。沒有 Claude Code 像斷了一隻手，大家改用 POE 選 GPT model 或 DeepSeek。被 GenAI 廠商反向封鎖的市場，AI Coding 技術門檻反而更高。

[VIBE Coding] 我在前端新增需求的 PRD 跟 Prompt 解法

上次提到我在前端這邊做AI Coding 很適合 0% -> 70% , 或是 99 -> 100%的做法，但是在 90% -> 100% 遇到了蠻多的小問題，經過幾天的討論修正之後，我已經大概列出了比較適合的方式。根據這一週來改了十幾個 Feature的經驗，這個流程對我這樣非前端的人來說，感覺 90% -> 100% 除了後續檢核需要前端幫忙以外，幾乎都是我可以自己處理。...

[ATPM] QA：如何驗收 AI Coding 的程式

AI Agent 寫的程式，最終還是人要扛責。本文分享三大策略：略懂 AI 在寫什麼、用 AI 做 QA 驗證、設計最壞情況控管機制。以帳務系統為例，展示如何用 PRD 驅動 AI 自動生成比人更嚴謹的測試腳本。

ATPM : AI 對 PM 的加速

ATPM 系列：探討 AI 如何加速 PM 的工作流程，從需求訪談到 PRD 撰寫的效率提升。Spec Driven Development 與 Vibe Coding 的結合實踐。

ATPM : PRD的重要性

ATPM 以 PRD 為中心，不是以人為中心。實務上 PRD 迭代每天都在發生，某業務計價 PRD 開發期間改了 24 次。透過瘋狂輪替讓每個人都是 PM+Engineer+QA，確保 PRD 成為唯一可信任的資訊中心。

ATPM : A real production Vibe Coding process

ATPM 是經過生產環境驗證的 Vibe Coding 流程框架，以 PRD 為核心實現 40% 開發加速。本系列分享如何用 AI 協作解決幻覺、測試困難等 AI Coding 痛點，成功上線帳務系統的完整經驗。

← 返回首頁