今日 KeyFrame

World of AI

• 速率限制是關鍵競爭差異：Anthropic 模型儘管性能強但速率限制嚴格，限制實際應用廣度；OpenAI 歷來因基礎設施優勢提供更寬鬆額度，GPT-5.6 預期將沿襲此優勢，影響開發者採納。
• 政府監管帶來強制安全防護：Llama 3.1 與 GPT-5.6 都因政府合作而內置激進防護機制，可能對提示詞造成限制，用戶初期使用時難以察覺，需逐步觀察實際影響。
• Gemini 3.5 Pro 定位中端市場：延遲發布顯示 Google 寧願調整進度也不倉促上線，若能達到 Opus 4.8 與 GPT-5.5 水準，將吸引追求成本效益的用戶；但能否競爭頂級位置仍待觀察。

Best Partners TV

• 開源模型成本優勢已成決定性因素：開源和商業前沿模型能力差距穩定在3-6個月範圍，但成本相差數十倍，使得企業在業務負載量大時有動力轉向開源方案。這個論斷的核心意義在於，開源模型已不再是「玩具」或邊緣任務的選擇，而是具有工業級落地價值。
• 不同模型滿足差異化訴求：DeepSeek追求極致性價比，GLM 5.2追求任務規劃質量，MiniMax M3補充多模態空白，NVIDIA則強調企業部署穩定性。開發者應先釐清業務需求（成本優先或能力優先），而非盲目選擇。
• 推理成本隱藏陷阱需警惕：GLM 5.2和MiniMax M3的單位價格雖低，但因生成Token較多，實際總成本可能高於表面單價。成本控制需要在實際場景測試中才能評估準確。

Why QQ

• AI讀代碼成本危機：傳統工作流中AI需要逐文件調用工具和查詢，一個中等項目可能發起幾百次API調用，每次消耗數千Token。Codebase Memory MCP通過預計算知識圖譜，讓AI直接查詢結構關係，把工具調用減少2.1倍，Token消耗減少10倍，論文的微基準測試顯示用約3400Token替代412000Token。
• 技術路線的根本差異：Codegraph選擇TypeScript路線，優勢在於開發快、社區包多、支持多框架路由識別，但每支持新框架維護成本就上升；Codebase Memory MCP選擇純C++，用LZ4和Aho-Corasick這類工業級算法追求極致性能，內嵌編譯級符號和類型解析，覆蓋158種語言，返回精確的符號級、文件級、行級的調用路徑而非模糊的代碼片段。
• 知識圖譜的資產化思維：Codegraph把圖譜當本地緩存，每個開發者都要本地索引；Codebase Memory MCP把圖譜當代碼資產，支持生成可共享的GraphDB.zst壓縮快照（壓縮率8-13倍），提交到Git倉庫讓新同事直接加載，把計算成本前置，讓團隊共享成果。

English Avenue

• 先說再自信，不是倒過來 — 多數學習者等著自信再說，但流暢度來自說，自信跟著來。只要說出你已知的英語（即使簡單），比保持沉默的完美知識更有效。
• 簡單英語是強大英語的起點 — 孩童不是用完美句子開始說話，而是小詞彙與小句子。同樣地，學習者應該說「I am learning English」而不是等著能說複雜句子。
• 把英語融入真實生活，而非只在課本裡 — 在做早操、煮飯、走路時用英語描述，讓英語連結真實情境；這樣比抽象語法練習更容易記住和使用。

Digestible AI

• 本地優先架構成為主流：Recall、Medley、Speech to Speech、Chrome DevTools MCP 等工具都強調離線運行，避免資料外洩、API 費用和廠商鎖定，反映開發者對隱私和成本的訴求。
• 代理系統需要專門的測試基礎設施：Mobile Gym 和 Page Agent 分別針對行動端和網頁端代理的可重現性問題，提供隔離的模擬環境與確定性獎勵機制，而非依賴易壞的選擇器。
• 記憶與上下文管理已成瓶頸：Near Diamonds 和 Recall 直面「代理記憶混亂、token 成本爆炸、每次對話重新解釋專案」的困境，採用不同記憶架構（對話緩衝、向量存儲、知識圖譜等）對應不同場景。

IT Coffee

• 大模型競爭焦點轉變：隨著模型質量接近，成本與速度成為新的競爭要點，谷歌和騰訊等科技巨頭投資 Deepseak 反映了業界對推理效率的重視。
• AI 前端工程化趨勢：DesignSync 用 Markdown 標準化設計系統，讓 AI Agent 能穩定執行相同風格，預示 AI 開發將朝工程化、可重複性方向發展。
• AI 作為輔助而非替代：AI Boxer 明確定位為投資研究輔助工具而非預測工具，體現 AI 應用的務實邊界與風險管控。

Djalil Ayed

• 防禦層級遷移：與前一個房間不同，驗證邏輯由服務器執行，服務器返回的錯誤訊息「session config and locked is not set」明確指出需要設置的變數，無法通過客戶端修改繞過。
• 識別 JSON 端點漏洞：通過網絡流量檢查，發現偏好設置端點（preferences endpoint）接受 JSON 格式數據，嘗試在此端點進行質量分配攻擊，但被過濾。
• Prototype pollution 替代方案：當質量分配失效時，利用 JavaScript 對象原型鏈特性，通過注入 `constructor.prototype` 來污染全局對象，使新屬性應用到所有對象實例。

IppSec

• 多層服務偵察的重要性：盒子提供FTP、HTTP、Jetty(8080)、Hoverfly(8888)等多個入口，演講者強調需要系統性地枚舉所有開放端口，避免只盯著表面漏洞而忽視其他提權路徑。
• 反編譯與庫漏洞分析：雖然JAR檔案本身沒有自訂漏洞，但依賴的Apache CXF 3.2.14存在XXE漏洞，使用Maven檢查pom.xml可快速列舉所有依賴版本，再透過CVE Details查詢相應漏洞。
• XXE文件讀取的實際應用：透過修改SOAP請求的Content-Type和Payload格式，可自動化讀取任意檔案（如/etc/hosts、/proc/*/cmdline），演講者用Claude生成Python自動化腳本而非盲目執行第三方POC。

Black Hat

• Hash DoS 攻擊的核心原理：雜湊表在無碰撞時查詢為 O(1)，但碰撞發生時退化為 O(n)。若使用鏈表法解決碰撞，n 個元素的插入與查詢摊銷複雜度變為 O(n²)。攻擊者透過生成大量特意製造的碰撞鍵值，觸發演算法最壞情況，導致服務端 CPU 滿載。
• QUIC 協議的攻擊表面：QUIC 採用 UDP+TLS 1.3 加速連線建立，無需 TCP 三路握手。為支援用戶裝置在 Wi-Fi 與行動網路間無縫切換，QUIC 引入連接 ID 機制，用戶端自主生成並可任意選擇值。RFC 明確規定連接 ID 由「實作特定方法」決定，完全攻擊者可控。服務器將其作為雜湊表鍵儲存連線，直接滿足 Hash DoS 的第一個必要條件。
• 實作中的弱雜湊函數：Alibaba x-quic 使用乘法雜湊（hash = hash × 31 + byte），2 字節輸入有 9 個值都雜湊到 255。連接 ID 需 8-20 字節，攻擊者可排列組合這 9 個子串，產生 9^6 = 50 多萬個碰撞，耗時僅 0.1 秒。LiteSpeed lsquic 的 xx-h32 聲稱防碰撞，但簡化實作（8-12 字節）仍可用微分密碼分析產生數十萬碰撞對。

0xUnstuck

• AMM 的價格由儲備比例決定，sync 函數使池信任其真實餘額。這個設計在正常情況下是安全的，但前提是沒有人能隨意改變池內代幣數量。
• 代幣的燒毀邏輯漏洞在於一行代碼的方向錯誤：應該從賣家（msg.sender）扣除，但實際從流動性池扣除。這讓攻擊者能無償地減少池中的代幣供應，進而操縱價格。
• 價格操縱的機制是物理的而非抽象的：當池中代幣數量劇減，比例失衡，池會過度補償用來維持常數乘積，導致虛假定價。攻擊者因此能用小額輸入換取超額輸出。

0xUnstuck

• 無符號整數的下溢行為特異。區塊鏈上的餘額是無符號整數，無法為負。當減法結果應為負數時（如 0−1），不會顯示負值，而是環繞到最大值——就像里程表從 00000 往回滾變成 99999，Solidity 數字也會跳到 78 位數的天文數字。
• Solidity 0.8 自動在每個算術運算前設防。任何可能導致下溢的減法都會自動回滾整個交易，預設安全。但開發者可用 unchecked 關鍵字手動關閉此保護以省少許 gas 費，這正是漏洞的源頭。
• vulnerable settle 函數將費用從使用者餘額中扣除，但該減法被 unchecked 包裹。若費用大於餘額（如 1−2），下溢發生無人察覺，餘額變成接近 2^256 的數字，使用者聲稱對金庫擁有遠超實際的權利。

回到Axton

• 工作流思路優於單個工具：大多人裝完 Claude Code 就吃灰，是因為反向思考——先找工具再找問題。正確做法是先分析日常工作步驟，再為每步配一個 Skill，變成流水線。
• 數據決策勝過直覺：選題 Skill 監控 31 個同業頻道，抓出真實播放數據。作者最看好的方向只有幾千播放，而被忽視的方向卻有幾十萬，用數據而非拍腦袋決策。
• 多 AI 互補勝過單個 AI：Claude 寫稿，Codex 和 Gemini 評審，三家互相挑刺。單個 AI 寫東西會自嗨，不同公司的 AI 能找到彼此看不見的邏輯漏洞。

Nate Herk

• Claude Code的四大優勢：自動執行用戶描述的任務；主動測試和修復bug而非被動回答；支援多個代理並行運作；擁有持久記憶，能理解用戶的業務邏輯與優先次序，甚至比使用者本身記得更清楚。
• Vulcan案例的啟示：三位創始人中兩位完全不懂編碼，第三位自高中後就沒碰過代碼，卻透過在Claude中描述政府監管審查軟體的需求而建立產品，最終以僅為傳統顧問公司報價10%的價格贏得維吉尼亞州合約，並被州長簽署行政令強制所有州機構採用，已為州民省下逾10億美元。
• 技能門檻的革命：從需要昂貴工程團隊的高門檻，轉變為只需「理解語言和具備批判性思維」。成功的關鍵是清楚描述需求與思考，而非寫程式碼。

訪談精華

• 開放與封閉的反轉：西方AI巨頭收取高昂API費用並鎖閉核心技術，中國實驗室卻積極開源分享，導致全球開發者用腳投票轉向中國開源方案。
• 禁令帶來創新加速：美國技術限制非但未扼殺中國AI發展，反而催生了深度求等企業研發更優化的算法(如GRPO)，這些創新方法反過來被西方實驗室學習應用。
• 企業應務實選擇：大多數公司不應投入巨資自建大模型，這是商業死局；找準痛點利用開源組件和API才是正道，避免被矽谷融資故事衝昏頭腦。

商業本質

• 成本結構悖論：傳統軟件是邊際成本遞減，AI 卻相反。每次調用都消耗真實 GPU、內存、電力，用戶越多成本越高。OpenAI 到 2030 年計算支出預估 6000 億美元，持續燒錢才能保持模型領先。
• 定價陷阱：提價太高用戶減少調用，降價又被成本吞掉利潤。訂閱制看美好但實際難行——用戶若頻繁使用長上下文、代碼生成、圖像等高成本功能，月費 20 美元根本不夠。所以被迫做分層模型（Soul/Terror/Luna）來成本控制。
• 監管成為商業瓶頸：GPT-5.6 受限發佈，必須先得政府批准。OpenAI 可能給美國政府 5% 股權。模型越強、政府約束越緊，AI 從產品變成國家安全議題，這延緩商業化速度，企業客戶擔心未來政策變化而不敢深度依賴。

李厂长来了

• 文件夾結構決定系統品質 — Cowork根據文件夾層級理解任務context，主文件夾包含多個子文件夾作為獨立項目。精心設計的結構讓Cowork能準確執行，無需每次都詢問用戶。
• 三層配置系統 — 連接器打通第三方平台(Gmail、Notion、Google Drive)、技能是可復用的指令集合、插件是預設的Skills與Connectors組合，降低從零開始的複雜度。
• 自動生成項目記憶 — 每個子文件夾自動生成CLAUDE.md(說明書)與MEMORY文件(記憶系統)，讓Cowork持續學習該項目特性，提高重複任務的一致性和品質。

Nate Herk

• 1. 智慧化知識圖譜自動建構
• 系統會自動分析多個資料源的內容，發現它們之間的隱含連結（如 OpenAI 的 GPT-5.6 和 Anthropic 的 Mythos 使用不同的評測框架），讓本來獨立的文件形成動態知識圖。
• 2. 結構化管理流程的必要性

Orange Tech NEWS

• AI Agent 改變安全規則
• AI 從被動回答工具演變為主動執行、連線工具、協助工作流的 Agent，這不僅是技術升級，而是整個安全防護體系的根本重構。傳統防禦策略需要面對 AI 主動參與的全新威脅模式。
• 漏洞研究加速時代來臨

下一章閱讀

• 輝煌的失序防腐劑：經濟學人引用托克維爾觀點，美國的混亂與焦慮其實是防止體制停滯的防腐劑。但當代政治極端化跨過了邊界，國會癱瘓導致權力流向行政部門，這種失序不再輝煌，反而危及民主基礎。
• 移民政策的文明轉折：美國從理念型國家（任何人都可成為美國人）蛻變為族群型國家（優先白人血統），這主動切斷了全球人才供應鏈。經濟學人認為這種改變比單純邊界管制更具致命性。
• AI技術堆疊成為絕對籌碼：從晶片設計到基礎模型再到應用層，美國企業完全掌控整個AI生態。盟國無法脫離美國AI基礎設施，即使對川普政策反感也被迫屈服，這給了美國前所未有的戰略優勢。

硅谷101

• 开源生态权力转移：Qwen K2.6、Kimi K2、GLM5.1等中国开源模型已成全球最强，超越Meta的Llama。这是因为中国公司有发布动力（用户需求、市场占有），而美国大厂倾向闭源保护商业利益。Nathan明确指出："从2025年夏季起，美国已失去开源AI领导地位，任何相反的说法都有些自欺欺人。"
• 年轻人才的结构优势：中国AI公司大量配置20岁出头的博士生作为核心研究员（如小米的Li Lihe、Moonshot的17岁高中生）。他们专注度极高、学习快、无其他分心，特别适合后训练这种细节密集的技术工作。美国虽有顶尖PhD学生，但参与度和数量相对受限。
• "技术自主"vs"API采购"心态：美团、小米等超大公司自建模型的核心逻辑是成本更低、掌握全栈、长期可控。这种心态推动了数十亿美元的投入，同时也挤压了中小初创的生存空间。这反映了中国"资本主义更激烈"的商业竞争特征。

AI Engineer

• DSPy 團隊示範以規格、程式碼、評測三者分離來設計 AI 系統，Mike Krieger（Instagram 共同創辦人）暢談 Anthropic 的產品哲學與 Tag 委派工作流。
• 「Loop Engineering 是否被過度炒作？」大辯論直面 Ralph Loop、AI 軟體工廠與程式碼簽署責任等爭議話題，是全天最具張力的環節之一。
• 下午重量級演講接力：Theo Browne 談 AI「精神錯亂」與軟體業的擬物化時代；Garry Tan 分享 Y Combinator 旗下新創如何用「公司大腦」與技能檔案把生產力推高 400 倍。

Venionaire Capital

• 警察普遍缺乏加密認識促成專業分工：Albert 2018 年報案時遭警察刻板偏見（認為加密貨幣是犯罪工具），這反映出傳統執法機構缺乏此領域專業知識，因此民間加密取證專家填補了這個空白。
• 隱私幣非絕對隱私，數位足跡比鏈上追蹤更值錢：雖然門羅幣、Zcash 等隱私幣難以在鏈上追踪，但犯罪分子在購買、使用服務時必須經過中心化交易所或 DeFi 平台，這些接觸點留下的 IP 地址、郵件、KYC 數據往往成為破案關鍵。
• 調查流程從驗證受害者陳述開始，識別騙局類型是關鍵：先收集資金來源證明報告核實故事，再透過鏈上數據判斷是投資騙局、交易騙局還是經紀騙局，因為不同騙局類型的資金流向模式差異大。

Practical AI

• 大規模訓練的AI模型需要具備模擬世界各部分的能力，這項能力最初用於創意應用（如生成電影場景），但其應用範圍遠超想像，特別是在視覺智能與機器人領域。
• 「世界模型」是一個跨領域應用的術語，卻在具身智能、機器人技術、用戶體驗等不同領域有著多種定義，團隊需要先統一對這個概念的理解，才能進行有效的技術溝通。
• 世界模型的本質是教導AI建立對世界的知識表徵，然後利用這些表徵知識來採取行動，模型對物理規律和世界關係的理解深度直接決定了後續應用的成功。

AI Engineer

• Anthropic 由 Fable／Mythos 新世代模型開場，接著 Sonar 談以「代理中心開發週期（ACDC）」把驗證內建進流程、對抗 AI 程式碼 slop。
• Google DeepMind 兩場壓陣：用機器學習改寫程式碼推進科學前沿，以及生成式媒體模型（Omni、Veo、Nano Banana、世界模型）的爐邊對談。
• 自動研究成為全天主線：Recursive 的 Eureka Machine、Prime Intellect 的自動 AI 研究基準、Weco AI 的 AIDEN、GEPA 反思式最佳化、用自動研究打造擊敗手調的 GPU kernel。

Price.com.hk 香港格價網

• 搜尋工具的核心差異在於可追蹤性。主流AI模型善於生成文字但容易產生幻覺，Perplexity和Google AI Mode的優勢在於附帶清晰來源連結，使用者可隨時核對資料真實性，降低引用錯誤的風險。
• 中文處理需要中文訓練底層。Gemini作為外國模型在中文語法和長篇文章表現欠佳，而DeepSeek和Kimi因訓練材料以中文為核心，文法更自然、文采更強。DeepSeek V4免費版已支援100萬Token，可消化超過70萬中文字內容。
• Agent功能開啟工具新應用。Kimi不僅文字處理優秀，還能自動生成PowerPoint、網站等文件，透過網路搜尋補充內容，雖需消耗免費額度但對入門使用者價值高。

AI實驗室

• AI進化到自主代理時代：2024-2025年AI還需要逐行手動輸入指令，2026年已具備主動規劃和跨系統操作能力，讓使用者只需提供高維度目標就能自動完成複雜工作流程。
• AI輔助的雙面性：工程師使用AI生成程式確實感覺速度快20%，但若本身缺乏程式基礎只盲目依賴AI，加上後續除錯時間後實際速度反而慢19%，說明AI最強的是輔助角色而非替代角色。
• 工具選用邏輯：不同工具服務不同需求——專業研究用Perplexity、公司內部資料用Gemini、多份文檔分析用Google Notebook——關鍵是知道何時用哪個工具。

TradingKey 美股財經

• AI成本已進入財務硬約束。 Microsoft Cloud毛利率從歷史水平下降到66%，Copilot和AI使用產生真實算力成本而非邊際成本，這讓企業不再能無限制增加用量。Uber四個月就用完全年AI預算後，對工具使用設定1500美元/人/月上限，說明AI並非不好用，恰恰相反是太好用導致成本快速失控。
• 企業正進入"AI用量精算期"而非需求下滑。 這是技術商業化的正常階段：從"能用就用最強模型"轉向"這個任務值不值得用這麼貴的模型"。企業開始做模型路由（複雜任務用高階模型、簡單任務用便宜模型）、內容快取、批次處理、成本分攤，這是AI從展示走向正式業務流程的必經之路。
• 多模型雲平臺將成為最大受益者。 企業越想控制AI成本，越需要能同時提供OpenAI、Anthropic、Google、Meta開源模型的統一平臺，以及配套的成本管理、資料治理、許可權控制。這正是Microsoft Azure、AWS Bedrock、Google Cloud Model Garden的核心價值。

看得懂投資邏輯

• 產業鏈認知誤區：市場過度聚焦英偉達這類巨頭，忽視了真正卡住AI落地的三家中小公司，它們分別控制算力層、應用層、生物層的關鍵節點，是產業發展的瓶頸方，也因此擁有最高的利潤彈性。
• Recursion的數據護城河：傳統新藥研發成本高、週期長，AI能大幅縮短周期。Recursion通過自動化實驗室累積獨家真實實驗數據，大模型訓練資料來自公開論文，無法與其比較，形成通用AI公司無法跨越的護城河；核心管線即將出臨床二期數據，近期催化強。
• Symbotic的確定性成長：深度戰略綁定沃爾瑪（後者將自動化部門轉手給它），機器訂單已排期數年，剛剛跨過盈利拐點，業績確定性最強；核心風險是客戶集中度高。

AI Lion

• 成本優勢明顯：Claude 18 美元/月的服務模式遠低於競品（ChatGPT 30 美元、Opus 25 美元、Gemini 12 美元等），並包含信用點數與常時線上服務器，相較招聘員工月薪 2 萬港幣（年 24 萬）可節省 9 倍以上成本。
• 系統優於工具：單純學習 AI 工具無法產生收入，關鍵在於建立完整的工作流程系統，將 AI 分配為不同職能的「員工」（文案、程序員、銷售、行銷等），形成協作架構。
• 多職能 AI 員工：AI Marketer 可產出標題、圖片、文案並投放廣告；AI Programmer 可開發網站與工具；AI Sales 可尋找精準客戶；透過不同應用場景讓同一工具產生差異化結果。

Skai Generated

• 一致性源於整體工作流而非分片生成。傳統方式逐片製作導致人物面孔、光線、色調、氛圍產生偏離；在單一平台內維持整個專案的創意連貫性，才能讓影片保持統一的電影感而非拼接感。
• 故事最佳化是創意基礎。講者先用 Claude 將粗糙創意轉化為結構完整的故事簡案（包含工作標題、語調、故事架構），再由 OpenArt Director 進一步精化為飽滿的黑色電影敘事，為後續所有角色與視覺決策奠定堅實基礎。
• 角色一致性通過初期鎖定實現。生成角色卡（三視角：正面、側面、四分之三）並上傳至 Director 作為參考，而非在各場景中重新生成，確保整部影片人物的面部特徵、裝扮、表情風格完全一致。