今日 KeyFrame

Prompt Engineering

• 議會架構分三階段運作：每個模型獨立作答 → 互相盲排名並計分 → 主席模型（Opus 4.8）綜合所有回應產出最終答案並標記共識與分歧，理念來自傳統機器學習的 Ensemble 方法——多個弱學習器合力勝過單一強學習器。
• 角色分工是關鍵設計：給每個模型不同的人格設定（第一性原則記者、嚴格推理師、紅隊懷疑者等），目的是讓它們不要收斂到相似答案，主席也被要求浮現分歧而非將所有意見磨平成一鍋粥。
• 測試結果出乎意料：議會只在「開放式設計問題」中勝出，在「權衡取捨題」和「風險題」中輸了，在「事實題」上因為所有強模型都答對而無差異——顯示議會是判斷工具，不是計算器。

Aishwarya Srinivasan

• 1. 不可預測性來自機率採樣，溫度（Temperature）是控制旋鈕
• LLM 每次生成時對所有可能的 token 計算機率分布，再依機率採樣而非直接選最高分，這就是為何同一問題會得到不同回答。Temperature 越低輸出越穩定，越高則越發散，這是設計特性而非缺陷。
• 2. Decoder-only 架構統一了理解與生成

Prompt Mastery

• 解析度匹配是整個流程的核心約束。 Scale 2 的動作轉移要求輸入影片與輸出影片解析度完全相同，一旦不匹配角色邊緣就會模糊或錯位；這也是放棄 12GP 內建工作流而改用 ComfyUI 的唯一原因——只有 ComfyUI 能設定任意自訂解析度（768×1088）。
• 「Solo Method」讓一個人能同時扮演兩個角色。 若沒有助手協助動作捕捉，可架好攝影機坐在左椅說話、再坐右椅說話，剪輯軟體左右拼接後，取其中一側作為驅動影片輸入 Scale 2，即可完成角色替換。
• OmniVoice + LTX 2.3 組合實現了精準的音訊驅動控制。 OmniVoice 先從網路素材複製目標語音，LTX 2.3 再根據音訊與提示詞生成角色影片，使口型、表情與動作完全跟隨聲音，解決了傳統生成影片缺乏靈魂感的問題。

RK Tech Edge

• 付費帳號是硬性門檻：Agent-to-Agent Runtime 部署需要 Google Cloud 訂閱帳號，一般免費帳號無法執行，講者借用朋友帳號完成示範。
• Spec-Driven 開發流程貫穿全程：AI Agent 根據規格（Spec）自動生成應用、實作、測試、發現問題後自動修正再重新發布，展示了規格驅動開發的完整閉環。
• 模型選擇影響資源消耗：Opus 能力優於 Sonnet，但消耗 credit 更快；在資源有限情況下，講者改用 Sonnet 以維持課程進行。

Matt Wolfe

• 1. Anthropic 自食其果的監管困局
• Dario Amodei 曾多次公開主張 AI 模型具有危險性、政府應有權暫停模型發布；美國政府隨後以出口管制為由要求下架 Fable 5 與 Mithos 5，Anthropic 因無法精準分離地區用戶，被迫對全體用戶一律下架——自己的倡議反過來約束了自己，同時也揭示了 AI 公司面臨政府干預的新型系統性風險。
• 2. 開源模型在性能與成本雙線追趕閉源前沿

勇哥餐饮创业笔记

• 帳目不清是最大盲區。 店主把個人花費與店鋪收支混在一起，從未釐清到底盈虧幾何。勇哥強調，一切優化動作的前提是把每一項細帳算明白，否則方向都是錯的。
• 廣告投入侵蝕了真實利潤。 毛利率40%、日營業額1,100元，看似有利潤，但每日還要額外支出80元廣告費，實際日淨利僅約80元，等於每月只賺2,400元左右，遠低於感知。
• 產品線過窄限制了增長天花板。 目前爆款僅有黑糖老薑茶與雞蛋水，且姨妈熱飲族群單一，復購率低。勇哥建議加入廣東糖水或搭配糕點，以組合套餐方式提升客單價，同時擴大受眾覆蓋面。

Skai Generated

• 品牌資產優先注入：在生成任何內容前，先將品牌全資產文件上傳至聊天，讓 AI 徹底了解品牌個性與產品細節，避免靠猜測產生偏差內容。
• 跨產業移植比優化競品更有力：直接模仿競品只是複製，真正的突破來自借鑑完全不同產業的成功邏輯。影片中將 Red Bull Stratos 的「極限挑戰規則」框架移植到鞋品牌，推導出「Rule Breaker 給你翼」的差異化定位。
• 計畫即可執行的素材，而非靜態文件：30 天計畫每一天都直接對應具體貼文類型、腳本、字幕與發布時段，讓計畫能直接轉化為製作動作，而非留在規劃層。

水音世界观

• 以色列是美伊談判的結構性破壞者：以色列深知一旦美伊和解，美國扶持以色列的地緣理由將消失，內塔尼亞胡的極右翼執政聯盟也將瓦解，因此精準踩踏伊朗底線，出兵黎巴嫩逼使伊朗依據備忘錄第一條款退出談判，屬於蓄意搅局而非誤判。
• 伊朗內部保守派從未真心支持協議：伊朗最高領袖穆杰塔巴原則上不認可備忘錄，僅給世俗派總統佩泽西希扬一次試水機會，以色列開火等於送上伊朗有理有據退場的台階，伊朗在道義、底線、輿論三方面全部佔優。
• 特朗普管不住盟友，談判缺乏公信力：特朗普推動談判的動機是收割政績與國際名聲，但因受制於國內猶太遊說集團，無法實質制裁以色列，導致備忘錄簽署後不到24小時即形同廢紙，最終竹籃打水。

TalentCulture - World of Work

• 能力、負荷、公平是最急需數據支撐的三大 HR 主題。 AI 技能只是能力議題的表面，更深層的問題是如何為各類職位的員工設計技能發展路徑；而員工心理健康與照護責任所導致的工作負荷問題，以及年輕世代對企業公平透明度的期待，都尚未被數據有效覆蓋。
• AI 將 HR 分析從「找報表」進化為「問答式洞察與根因追蹤」。 過去分析師需要知道去哪個儀表板、看哪張圖，AI 現在能直接回答問題、生成敘述解釋、並引導使用者一步步找到 KPI 異常的根本原因，最終給出行動建議。
• 數據讓 HR 從感性決策轉向科學驗證，甚至能推翻長期存在的管理迷思。 「銷售員不需要訓練」這類說法過去無從挑戰，但透過分析工具可量化訓練對客戶獲取率與營收的實際影響，用數字讓假設接受檢驗。

PitchXPO

• 零信任品牌的GTM必須從「借用信任」開始，而非直接規模化推廣。 Scott Finkel指出，應聚焦單一痛點、單一目標族群、單一可信渠道與單一驗證循環，讓市場透過它已信任的機構認識你，因為沒有信任基礎就無法成長。
• 線下市場的核心決策是差異化定位與資本效率，而非快速鋪店數。 Sorjendu強調先確認差異化點，再做5-10個試點測試地理與人口組合，每日追蹤數據，找到有效模型後才規模複製；Annie補充，線下業務試錯成本遠高於線上，善用「搭便車策略」與既有合作夥伴能大幅降低風險。
• 選址（Location）是線下GTM中最常被忽視的關鍵變數。 Nehul引用Kotler的行銷理論，強調該地點是否有競爭、是否有足夠消費力、流量來源是什麼，直接決定廣告投放策略；線下單一中心的行銷應聚焦在服務半徑內，而非無效地向全城投放。

Nick Saraev Daily Updates

• 1. 報價的精確性決定承諾的實際標準
• Ashton 的報價「三到五個預約」在合約層面等同於三個，因為只要達到下限就算履約。講者建議直接給單一具體數字（如 20 個），才能讓報價對客戶產生真實的說服力，並讓自己有清楚的執行目標。
• 2. 自動化的定價依據是「你幫客戶創造多少價值」

heatherstudio

• 標題關鍵字堆砌已無效：Etsy 的標籤（tags）才是真正負責搜尋排名的機制，標題應精簡、像人寫的，並使用具體的長尾詞組（如 "gift for Corgi mom"）而非籠統形容詞，這樣能降低買家困惑、提升點擊意願。
• 運費定價直接影響能見度：Etsy 目前偏好運費低於 6 美元的商品。對利潤空間足夠的產品（如毛毯，利潤約 15–20 美元、利潤率 40–50%）可提供免運費；若無法免運，則將運費壓低至 5–5.3 美元並相應調整售價，短期小虧換取長期排名提升。
• 展示圖不可重複使用：Etsy 演算法現在懲罰看起來「千篇一律」的店鋪。解法是準備 3 張帶有店家浮水印的核心展示圖，每個新商品輪流使用，並每 6–12 個月更換一輪模板。

Daron Pacheco

• 目標訊息（Destination Messaging）：服務供應商的常見錯誤是宣傳方法與流程，而非客戶最終想要的結果。客戶購買的是「六個月後更健康、更有自信的自己」，而不是訓練計劃本身，訊息必須讓客戶能把自己投射到那個終點。
• So What 法則：每次列出服務功能或配置後，必須立即回答客戶心中的問題「這對我有什麼用？」把功能翻譯成具體個人利益，才能讓客戶看見自己從中受益，銷售過程也從說服變成確認。
• ACES 漏斗系統：再好的訊息若沒有結構化系統支撐，就是把內容投進黑洞。ACES 六步驟建立一條清晰路徑，讓完全不認識你的人，透過自然的信任建立過程，主動成為你的客戶，整個過程沒有追逐、沒有壓力。

BizMoney Explained

• 需求優先於採購：成功的創業者在大量進貨前先測試市場需求——收預訂、做小批量測試——避免資金凍結在無人問津的商品上。市場確認才是投資的起點，不是熱情。
• 利潤是決策的產物，不是運氣：兩家公司可以有相同營收但利潤天差地別，差異在於毛利管控、高價值客戶的聚焦，以及持續追蹤「錢在哪裡賺、在哪裡流失」的財務紀律。
• 客戶留存優於客戶獲取：現有客戶已建立信任、購買門檻低、終身價值高，且口碑效應強；相比之下，獲取新客戶成本更高、轉換不確定性更大，應優先設計讓舊客戶回購的機制。

VertoDigital

• 帳號訊號掩蓋了真實買家：當 ABM 工具顯示 Adobe 有購買意圖，SDR 面對的是 500 個潛在聯絡人卻不知從何下手，結果只能發送通用群發信或直接忽略訊號，導致行銷 KPI 亮眼但實際營收毫無關聯。
• 購買決策由人做出，不由帳號做出：B2B 買群（Buying Group）動輒 10-30 人，大量決策者從未出現在銷售通話中，行銷若只在帳號層級操作，永遠無法觸及這些隱形影響者，而他們的立場直接決定交易能否推進。
• 聯絡人層級資料打通行銷與業務的鴻溝：將廣告曝光、點擊事件以時間軸形式寫入 CRM，業務在 Salesforce 中可直接看到哪些聯絡人已被暖身、暖身到什麼程度，自然主動挑選這些熱名單，不需要行銷反覆說服。

張慧敏Son姐話

• 1. 環境與制度，而非努力，是逆轉的根源。
• 陳思銘在香港讀屋邨學校長期處於班底，進步了無人鼓勵，自信越來越低。到英國後，小班教學讓老師記得每個學生，體育是必修課，Sports 培養出 teamwork、溝通與 emotional control，這些是香港考試制度根本不提供的土壤。
• 2. 寄宿教育買的是「獨立」，不是英國課程。

The Infographics Show

• 安全倡議與商業利益的矛盾：Anthropic 在 IPO 前夕發布 AI 失控警告，呼籲全球同步暫停，但條件是「所有主要實驗室同時同意」——這個幾乎不可能達成的條件，確保了自身在等待期間繼續加速開發，同時讓競爭對手在輿論壓力下受到制約。
• AI 自我複製代碼的加速臨界點：2025 年 2 月 Claude Code 推出前，AI 撰寫的代碼占比僅個位數；15 個月後已超過 80%。Jack Clark 公開預測 2028 年將達到 100%。Claude 在 2026 年 4 月單月完成超過 800 項修復，將某類系統錯誤降低 1000 倍，這是人類團隊可能需要數年才能完成的工作量。
• 監管即護城河：Anthropic 的「負責任擴展政策」定義了「能力門檻」，一旦被採納為行業標準，只有最頂層的實驗室能通過測試、承擔合規成本。Meta 首席科學家 Yann LeCun 與 AI 顧問 David Sacks 均直接指控 Anthropic 利用恐懼敘事塑造對自身有利的監管環境，將較小的競爭者排除在外。

WorldofAI

• GLM 5.2 是目前最強的開源前端生成模型，在 Web Design 基準上排名第一，超過 Fable 5，且 Elo 達 1300，這是此前開源模型從未達到的水位。
• 成本優勢是其核心競爭力，相同任務下 GLM 5.2 只需 $6，而 Claude Opus 4.8 需 $50，成本差距超過六倍，且速度更快，使其在商業應用場景具備明確優勢。
• 能力提升幅度顯著，相比前代 GLM 5.1，在深度推理提升 46.2%，並在 Frontier Suite 綜合評測中達到 Opus 4.8 的 74.4%，在 Terminal Bench 與 SWE-bench Pro 上也接近或超越多個閉源模型。

Chase AI

• Claude Code 天生愛寫冗餘程式碼：Claude Code 習慣重新造輪子，即使標準函式庫或平台已有現成功能，它仍傾向自行實作，導致 Token 消耗與程式碼量膨脹。
• Ponytail 的核心策略是「強制懶惰」：透過六步驟提示流程，依序確認功能是否已存在於標準庫、原生平台或已安裝依賴中，只有全部否定才允許新寫程式，且要求寫最少可運作的版本。
• 越強大的模型效益越顯著：Haiku 4.5（小型模型）本身已較精簡，Ponytail 在部分測試中反而讓其成本增加 21%；但 Opus 4.8（大型模型）因本身冗長，Ponytail 的壓縮效果更為突出，成本降幅達 53%。

GitHub Trending Digest

• AI 框架走向 microkernel 設計：Astrid 採用類 Linux 的微核心架構，核心固定、外部模組可替換，讓開發者能混搭不同 AI 供應商與工具，避免整個專案被單一平台綁死。
• MCP 成為 AI 與基礎設施的橋樑：Cloudflare MCP Transporter 將 Model Context Protocol 落地，讓 Cursor 或 Claude 等 AI 客戶端直接操作 Cloudflare 帳戶，實現自然語言管理雲端資源的工作流。
• 供應商無關的 AI SDK 是前端整合的關鍵：Sandstack AI 提供統一 API，讓同一套邏輯能切換 OpenAI、Anthropic、Gemini 等供應商，並原生支援 React、Vue、Svelte、Solid，降低多平台適配成本。

Parker Prompts

• 模式選錯是最常見的失誤：用 Instant 模式處理複雜分析，就像用計算機解微積分，效果自然差。Expert 模式給出更完整推理結構，DeepThink 模式則完整展示 Chain of Thought，讓使用者能追蹤並驗證推理邏輯。
• 同一對話可混搭模式：在 Expert 模式寫出程式碼後，不需離開對話，直接切換到 DeepThink 讓模型逐步檢查自己剛寫的邏輯，往往能發現第一輪遺漏的問題。
• 上下文品質決定輸出品質：模型的回答品質直接取決於你餵入的資料量。空手問市場策略，得到通用建議；上傳 Q1 業績數據、競品報告、產品簡介後問同樣的問題，回答會指向具體數字、競爭威脅與定位建議。

Jigs Dev

• GLM 5.2 以開源模型挑戰閉源旗艦：在 SWE-Bench PRO 上得分 62.1，超過 GPT-4.5 與 Gemini 2.5 Pro，顯示開源模型在程式碼能力上已具備頂級競爭力，且無需付費訂閱。
• 低成本 API 是核心優勢：相較於閉源模型，GLM 5.2 的 API 定價極低，適合開發者在不超支的情況下於產品中整合前沿推理能力。
• HuggingFace Router 提供統一接入點：透過 `https://router.huggingface.co/v1` 作為 base URL，搭配 HuggingFace token，可將任何支援 Chat Completion 的開源模型直接接入 VS Code AI Chat，無需額外部署。

AIRichly

• 生成式 AI 是基礎，而非終點。 LLM 讓 AI 能寫作、生成程式碼、自然溝通，但這只是下一階段的地基，企業正在此之上構建更自主的系統。
• MCP 是 AI 真正「動起來」的關鍵。 Model Context Protocol 讓 AI 與外部軟體工具整合，使其從被動問答者變成能主動採取行動的執行者，這是 2026 年最重要的 AI 趨勢之一。
• 多代理系統將重塑企業工作流。 單一代理接收需求、另一個撰寫程式、第三個測試、第四個除錯——專業化代理協作可覆蓋完整業務流程，形成混合人機團隊。

Ksk Royal

• 免費額度足夠日常測試：Cloudflare Workers AI 每日提供 10,000 tokens 免費，超量後可升級付費方案，但一般開發測試不需付費。
• 設定流程以 API Token 為核心：連接 OpenCode 與 Cloudflare 需要兩個憑證——Workers Account ID 和自建的 API Token，缺一不可，這是確保安全存取的標準做法。
• GLM5.2 具備完整 Agentic 能力：影片強調 GLM5.2 是目前開源模型中最強的 Agentic 模型之一，能自主規劃、建立檔案並撰寫完整應用程式，而非僅做程式碼補全。

AI BrainBox

• 開源模型首次真正威脅閉源頂尖模型： GLM 5.2 是第一個在 Terminal Bench 2.1 突破 80% 門檻的開源模型（得分 81），代表開源社群在實際工程能力上首次達到可與 OpenAI、Anthropic 抗衡的水準。
• MoE 架構搭配 Index Share 技巧使超長上下文可行： 模型總參數 7530 億，但每次僅啟動約 400 億，加上「Index Share」機制在每四個稀疏層共用同一注意力索引，使百萬 token 上下文的每 token 計算量降低近三倍，讓超長窗口不只是行銷數字。
• 完全開源帶來隱私與自主控制： MIT 授權意味任何人皆可下載、自行部署、微調並商用，不受單一公司定價或存取限制；然而若使用 z.ai 官方 API，資料仍會流經中國伺服器，有資料主權需求者應選擇自架或 OpenRouter 等西方節點。

Siemens

• 工業 AI 的核心要求是「零幻覺」可靠性。 消費端 AI 允許偶爾出錯，但控制生產線、電網、物流的 AI 一旦產生幻覺即造成真實損失，因此 Siemens 強調工業 AI 必須從一開始就內嵌於工程系統，而非事後疊加。
• 數位孿生是工業 AI 的起點與驗證機制。 透過物理仿真建立機器、工廠乃至整個物流網絡的虛擬複本，企業可在花費任何實體成本之前完整壓力測試設計，Digital Twin Composer 更可將多個孿生體串接為一套整合模擬。
• Eigen Engineering Agent 代表自主工程的新典範。 它不是提供建議的聊天機器人，而是在 TIA Portal 內自主規劃、蒐集文件、撰寫並驗證可執行控制碼，直到編譯無誤為止，同時能讀懂電氣設計圖紙並遵循企業自有的工程規範框架。

AI 散步日記

• AI 醫療資訊有用但有責任灰色地帶
• GPT 5.5 Instant 在健康問答的錯誤率、清晰度、完整度均聲稱勝過真人醫師，但測試由 OpenAI 自行執行，缺乏第三方驗證。AI 擅長整理資訊、釐清就醫方向，但無法替代聽診、病史判斷，出錯責任也以「僅供參考」規避，緊急症狀仍不可依賴。
• 「AI 讓你快了，卻讓團隊慢了」是職場核心陷阱

Lev Selector

• Claude Fable 5 的政治困局：模型發布後因Amazon CEO Andy Jassy向川普政府示警稱其可能遭越獄利用，行政命令要求Anthropic封鎖外國存取，最終連美國境內使用也被暫停，顯示AI模型已進入地緣政治管制範疇。
• 模型融合（Fusion）是降本提效的關鍵路徑：Fusion技術允許同時調用多個便宜模型（如Gemini Flash、Kimi、DeepSeek），將其輸出合併為單一高品質回應，實測成本比Claude Fable 5更低且準確率更高，代表「用組合取代旗艦」成為可行策略。
• Agentic/Loop工程是現代AI應用的核心架構：現代LLM不再只是單次預測Token，內部已內建「理解→規劃→執行→驗證→輸出」的迴圈邏輯；Agent Engineering作為新興職能，涵蓋目標定義、流程控制、工具整合、LLM-as-Judge品質驗證及可觀測性設計。

Two Minute Papers

• 多代理人協作的根本問題是語言轉換浪費：現有架構中每個代理人必須將思維轉成完整英文文字，下一個再讀取，這既耗費 token 又引入語義損失。
• 潛在向量通訊取代自然語言：研究提出讓代理人直接傳遞「純數值向量」給下一個代理人，不經文字轉換，AI 本就在潛在空間中思考，無需繞道人類語言。
• 準確率顯著提升，成本大幅下降：在數學問答任務上準確率從 73% 升至 86%，且 token 用量減少 50–75%，以更低成本達到更好效果。

Bad Decisions Studio

• Midjourney Medical 顛覆醫療影像
• Midjourney 創辦人 David Hull 親自製作示範影片，展示以超聲波技術取代 MRI 的全身掃描裝置。傳統 MRI 昂貴、不舒適且需使用造影劑，而該設備目標是讓掃描變得便宜、快速、無創，進而使人們能夠定期進行預防性全身檢查，在問題發生前即早發現。
• ChatGPT Codex 「錄製與重播」降低自動化門檻