今日 KeyFrame

Black Hat

• symlink 保護缺口造成任意檔案覆寫：Gogs 曾修補 CVE 中 Web UI 編輯器的 symlink 問題，但 put contents 內部 API 從未套用同等保護，導致攻擊者可透過 API 對 symlink 目標進行任意寫入，繞過原本的修補。
• RCE 鏈極短且門檻低：建立倉庫與新帳號在 Gogs 預設為開放，攻擊者只需建倉庫、提交指向 `.git/config` 的 symlink，再呼叫 put contents API 覆寫 SSH command 屬性，即可在伺服器上執行任意指令，無需任何預先存取權限。
• 行為型 IOC 比靜態 IOC 更有追蹤力：隨機八字元倉庫名稱、集中時間段建立等模式，是攻擊者留下的行為指紋；研究員用 Python 腳本掃描全球 1,500 台實例，以此特徵識別出 700 多台受害伺服器，效率遠超 IP 或雜湊值。

泛科學院

• 資料蒐集用 Gemini 搭配即時查詢：Gemini 可直接連 Google 查詢，並根據預算、時間、偏好等條件評分推薦，解決 AI 訓練資料過舊的問題，特別適合查詢景點公休、餐廳預約、展覽等即時性強的資訊。
• NotebookLM 是資料整合的樞紐：將散落的 IG 收藏、Line 訊息、Google 搜尋結果、朋友錄音檔直接丟進去，它自動整合成結構化推薦，回答都會援引匯入資料，不會憑空編造。
• Gemini Canvas 處理旅伴衝突的神器：用表格列出每位旅伴的需求（喜好、預算、步行上限等），讓 AI 生成多個版本行程並分析誰被滿足、誰需要妥協，減少溝通誤會。

李哈利AI

• 架構差異導致互不相容：Claude Code使用Claude MD檔案和.Claude文件夾來存放配置、技能、子代理；Codex則使用Agent MD和.Codex文件夾。子代理的定義格式也不同——Claude用Markdown，Codex用TOML——導致兩者無法直接讀取對方的配置。
• 五個新手常見坑：技能存放位置差異、子代理格式不同、設定檔互不相通、Codex讀取巢狀指令、子代理運作方式有差別。這些差異若處理不當，會導致切換失敗或工作丟失。
• 自動化生成相容結構：無需手動調整，用專用提示詞或下載模板讓Claude Code自動生成Codex相容的完整項目架構，包括所有必需的文件夾、配置檔和技能，一次性解決架構差異問題。

World of AI

• Mito 預發布跡象明顯：模型檢查點已交付紅隊測試，按業界標準預示發布在即，但發生洩露事件導致測試暫停，目前不清楚是否影響發布時程。
• 定價策略反映能力：Mito 計費較高但符合 Anthropic 對自身模型強度的評估，因為運行成本確實高昂。同時 OpenAI 的 GPT 5.6 也在平行開發中，兩者都預期將超越現有最強模型。
• Claude 在編程與判斷上的量子躍進：代碼產出量自 2025 年開始加速，開放式編程成功率達 76%（半年內成長 50 個百分點），代碼品質已從低於工程師水平達到持平並預期年內超越。

大人學

• 一、中年回學校僅三種情況正當
• 政府硬門檻規定（如心理諮商執照）、現職升遷需要學歷的硬性要求、已事業成功欲拓展名校人脈圈。其他轉行情況都不屬之。講者特別提醒，即使有硬門檻，也要評估該產業是否正在萎縮，以免花兩年拿到入場券，卻進入一個縮小的市場。
• 二、轉行的核心困境：兩頭不著

IBM Technology

• AI代理本身的基礎風險包括模型幻覺（無意錯誤卻表達自信）、訓練數據中毒導致輸入污染、模型感染含惡意操作。OpenClaw強大但高風險，因為它以不受信任代碼身份在用戶系統上執行，許多審計發現ClawHub和GitHub等公開註冊表中存在相當比例的惡意或易受攻擊技能。
• 開源代碼不等於完全可信——OpenBSD漏洞隱藏近三十年仍未被全球審視的社區發現，因此必須將OpenClaw視為不受信任程式碼在系統上運行，特別是以管理員權限時風險最大。安全策略應基於零信任架構，假設系統已被攻破，預先設計防禦措施。

Dan Martell

• 業務瓶頸必先找清楚。任何企業都遵循固定鏈條運作：吸引關注→取得線索→促成銷售→完成交付→客戶留存。瓶頸往往出現在線索不足或交付環節，因為這直接決定現金流和成長速度。識別出最大的瓶頸後，才是投資AI工具的正確時機。
• AI完成銷售流程的80%工作。AI不怕拒絕、不會疲憊，可以自動化生成潛在客戶名單、用數據豐富篩選合格買家、根據每個人的情況寫個性化訊息、自動跟進未回覆的訊息、分析客戶使用情況並觸發追加銷售。人類只需負責關鍵的成交時刻。
• 交付環節是AI的無限容量優勢。人類團隊有容量上限，會因為工作量大而出現瓶頸，但AI可以24小時無休地執行交付流程，包括客戶onboarding、支援、流程追蹤、自動化工作流建立。透過AI這一層，可以讓年輕新手團隊快速進入狀態，表現如同經驗豐富的職業者。

AI Engineer

• 自我決定理論（SDT）的核心：人類天生渴望自主性、精通性、關係性和目標性。真正的幸福（Eudaimonia）來自充分發揮潛能，而非享樂主義（Hedonism）的被動快樂。這是經過 30 年、數百個實驗驗證的心理學研究。
• AI 的雙面性：AI 可以用來支持發展（透過教學增強精通）或破壞發展（外包越來越多工作導致技能退化）。關鍵在於使用方式，而非技術本身。許多工程師發現雖然完成速度快，但實際學到的東西和外部認可反而減少。
• "控制錯覺"現象：AI 代理問你「選 A 還是 B」時，表面上你在選擇，但實際上不知道這些選擇的含義。這摧毀了真正的自主性，只是製造虛假的決策感。

別人的工作最有趣

• 第一，Z世代與嬰兒潮世代的工作觀完全不同。新世代不追求升職與高薪，而是重視工作生活平衡。企業再多的獎金激勵也吸引不了他們，這不是世代的錯誤，而是成長環境的差異。
• 第二，企業制度缺失是主管痛苦的根本。沒有清晰目標、隨時更改政策的公司，讓中間主管成為傳令兵。好的中間主管應主動與老闆溝通，協助訂定目標，才能帶領團隊明確前進。
• 第三，優秀的專業人士不一定適合當主管。技術強的人若心胸不夠開放、不願分享知識，會害人也害己。管理是需要培訓習得的學問，而非天賦。

經營男不難

• 新世代價值觀已根本改變：Z世代與Alpha世代生活無虞、賺錢方式多元，更看重自我價值實現而非金錢，與嬰兒潮世代的求生存心態截然不同。企業主多為舊世代，往往無法體察這種轉變，導致給了好福利反而被員工視為理所當然。
• 保健因子（薪資）不能節省：2026年移工基本工資29500元加上就業保護費等已達33440元，本地員工若薪資相近就沒有誘因。企業必須達市場行情（北部38K、中部37K、南部35K起跳），這是招人的基本條件，不是建議。
• 大幅增加績效激勵的運用：將38K拆分為36K基本+2K績效獎金，讓績效好的員工實際受惠。福利改為「立足點平等」（基礎相同）加「績效加碼」（年資久、表現好的員工獲額外補休或艙位升級），而非齊頭式平等。

Cipher Raven

• AI 加速了漏洞發現的規模：過去需要大量時間的安全審計，AI 在一個月內完成了 10,000 個漏洞的識別，這代表防禦速度出現質的躍升，但攻擊方同樣能利用同等工具。
• WolfSSL 是供應鏈型高危漏洞：CVE-2026-5194 存在於廣泛部署於 IoT、車載系統與嵌入式設備的 TLS 函式庫中，因為專用硬體的韌體更新週期緩慢，修補傳播速度極慢，構成典型供應鏈風險。
• AI 防禦已有實際戰果：合作銀行利用同款 AI 識別出社交工程（釣魚郵件偽造客戶通訊）所觸發的可疑匯款行為，成功攔截 1.5 億美元損失，這類能力過去不存在。

软件开发杰哥

• 傳統安全審計已不足以應對 AI 時代的威脅。 過去黑客找漏洞需要數月，現在 AI 幾分鐘即可掃描大量代碼；代碼產量因 AI 暴增，漏洞數量也同步上升，尤其區塊鏈一個漏洞可能造成數億美元損失，舊有的人工審計模式難以跟上。
• 形式化驗證的核心邏輯是從數學層面證明安全性，而非靠人眼檢查。 它把程序應遵守的規則寫成數學命題，再讓計算機證明代碼是否永遠滿足這些規則，例如證明「無論任何操作，用戶都不可能提走超過餘額的資產」。
• 形式化驗證有其侷限，不能神話。 已驗證的軟件仍可能有漏洞，原因包括：只驗證了部分代碼、驗證規則本身寫錯、硬件層面或側信道攻擊未納入考量——「證明了門打不開，但窗沒有鎖」。

linguamarina

• 流利度不取決於詞彙量，而在於如何善用已有的詞彙。 210 個基礎單字就足以完成一段包含意見分歧與說服的完整對話，打破「要學更多單字才能開口」的迷思。
• 影子跟讀的核心是「同步」而非「跟讀後重複」。 跟著角色同時說出台詞、漏掉也不停，強迫學習者維持自然語速，模擬真實對話的節奏感。
• 詞彙預習分兩層：發音陷阱與語境語意。 光看得懂字面（如 pretty = 漂亮）還不夠，母語者在口語中的實際用法（pretty tired = 相當累）才是對話中不掉線的關鍵。

Black Hat

• NVD 已不再可靠：承包商合約到期、Linux kernel 大量補發 CVE、預算削減三重衝擊同時發生，導致 NVD 宣告無法繼續完整豐富化資料，使安全工具所依賴的基礎數據品質持續惡化。
• 漏洞數據私有化威脅正在成形：當公共數據品質下降，初創公司與大型安全廠商開始填補空缺並收費，形成安全領域的貧富分化——每年能花 5 萬至 10 萬美元的企業才能取得完整漏洞情資，小型學校與非營利組織則被排除在外。
• 聯邦化（Federated）模式是唯一出路：演講者提出將 CVE 生態分為「分配層、豐富層、消費層、信任層」四層架構，由 ENISA 等多國機構共同分擔責任，避免任何單一政府合約決定全球漏洞數據的生死。

Isaac Wong

• Gamma提供最完整的PowerPoint編輯體驗：生成後可直接在界面編輯圖片與文本，不滿意時只需按Edit鍵重新輸入Prompt即可重新生成，不需複雜替換流程。基礎訂閱約70-80港幣/月，生成10頁約扣50點數，整體成本與體驗均衡。
• 自建ChatGPT API方案（Carousel App）成本最低但需技術門檻：採用Planning → Generation兩階段工作流，先規劃後生成確保質量。成本僅4-5港幣/10頁，支援PDF與JPEG輸出，用戶可靈活修改單張圖片，但輸出非PowerPoint格式需自行處理。
• Notebook LM速度慢且改圖困難：生成時間10分鐘左右，內容質量不錯但包含水印，生成結果為固定圖片無法直接編輯文本，僅能透過Prompting方式修改細節，適合一次到位、懶得改圖的場景。

Gary Chen

• Idea 階段的 AI 角色是「反方」，不是「啦啦隊」 — Claude 應幫助創業者拆解模糊想法成五個驗證問題（痛點真實性、受眾、頻率、現有解法、自身解法），並扮演懷疑論者找出失敗原因。這是防止製造沒人要產品的第一道防線，因為 42% 新創失敗源於此。
• MVP 階段的核心是「有控制的速度」 — AI coding 太願意寫程式，導致無意義需求蔓延。必須用 Scope Doc 定義不做什麼、CLAUDE markdown 建立工作記憶、安全審核來管住產品漂移。速度本身不是優勢，可控的速度才是。
• Launch 階段：把手工操作變成自動化系統 — AI 應生成每週 metrics brief 和 support triage SOP，讓 founder 快速判斷數字品質（Sean Ellis test：40% 用戶「very disappointed」才是有效 PMF 信號），並過濾噪音。

李哈利AI

• Claude Skill與N8N工作流類似：都是透過固定模板反覆執行同一任務，每次輸出質量穩定，適合標準化流程而非創意工作。
• 創意工作不適用Skill：開放性寫作、文案創作等需要想像力的工作不應該使用Skill，因為重複執行會失去創新性。
• 自定義Skill大幅提升效率：將詳細的檢查標準、流程、安全原則寫入Skill後，日後遇到同類問題都自動按要求修改，無需逐次調整。

World of AI

• Microsoft透過深度整合自家技術棧的方式進入AI市場，對Google構成實質威脅——Google過去依賴分發優勢補償模型能力不足，如今Microsoft具備相當分發力加上競爭力模型，打破了Google的護城河，加劇整個行業競爭與創新壓力。
• OpenAI的企業策略轉向至關重要，因為開發者雖佔用戶的80%卻非主要收入來源，分析師、行銷人員等非技術用戶增長速度快三倍，企業採用按員工數計費的收入分享模式，故擴大這類用戶基礎是規模化營收的關鍵。
• OpenAI推出的Sites和六大企業插件（數據分析、創意製作、銷售、產品設計、股權投資、投資銀行）完整覆蓋企業工作場景，標誌著AI進入第二階段——從軟體工程顛覆進入知識工作領域，且該領域增長速度將遠超開發者市場。

小天fotos

• 從心流到流失的分水嶺：過去「一個窗口、一個任務」的 Claude Code 工作流提供了沉浸感，但開啟多個視窗管理並發 Agent 時，資訊洪流會淹沒用戶視線，心流瓦解。這反映了時代對工具的新要求：不是寫好一個任務，而是能否管理多個任務的編排與協調。
• IDE 應該退居幕後：Qoder Desktop 不再是傳統編輯器，而是 Agent Session 的調度中樞。天生支援 Worktree、自定義 Agent，QoderWork 進一步通過「專家套件」與「Skill」讓非技術用戶也能自訂工作流。從代碼開發到泛任務管理，生態完整覆蓋。
• 上下文設計決定效率天花板：Claude Code 展示大量工具調用細節，視覺疲勞；Qoder 則分層呈現——用文字區分優先級、隱藏工具調用、改為展示任務狀態（待辦、監督、產物、工作區）。生成式 UI 更進一步，讓 Agent 根據任務動態生成交互界面，加速人類理解與決策。

Bug Bounty Village

• 實際運作與預期的鴻溝來自組織內部混亂。公司跳入 Bug Bounty 時常低估工作量，將其交給已超負荷的 on-call 人員，導致回應緩慢、評估不當、或乾脆不回應。同時法務、通訊等部門介入時，因對程式目的理解不足而設置障礙（如害怕高賠償會暗示產品有嚴重問題），進一步惡化流程。
• 高品質報告的關鍵是簡潔與可重現性，不是詳盡的技術說教。Triager 最需要的是「端點 X 的參數 Y 未進行 Z 過濾」這樣的直敘法，而非複製貼上 Wikipedia 關於 XSS 的段落。許多 LLM 生成的報告讓人頭昏，反而延長審理時間；清晰的復現步驟讓專家立刻掌握問題，加快決策。
• 禮貌的異議和補充背景資訊往往改變公司態度。Richard 向 Apple 指出報告符合其公開類別後，Apple 重新評估並額外支付 $4,000；向 Google 說明 app lock 繞過的業務風險後，激發了重新考慮。誠實溝通與建立個人信任，比對抗性姿態更能解決分歧。

Y Combinator

• 市場選擇有四個獨特特徵：信任度低（客戶只在乎結果不在乎如何實現）、任務判斷力差（大部分步驟可自動化）、智力門檻高（需要 AI 與人類共同才能交付可接受結果）、監管可能是優勢（提高進入門檻、增加競爭護城河）。
• 創始團隊需三項核心能力：領域熟練度確保對客戶痛點的理解、模型流暢度讓產品能適應持續改進的模型、操作嚴謹性（方差、吞吐量、週期時間）因為產品本質就是運營。
• 產品開發完全反轉傳統軟體邏輯：人是顧客的互動介面，AI 軟體幫助人非線性地擴展工作。運營指標變成產品指標，控制差異比追求速度更關鍵，品質波動會直接導致客戶流失。

查理的創業化合物

• 理解老闆的心是職場升遷的基礎 — 上班族要知道老闆要什麼（目標）和在意什麼（你的表現），關鍵是「不能犯上」但要主動回報工作進度，這樣老闆才會放權而不會介入。年輕人最常犯的錯誤是與上司正面槓上或什麼都不講，反而引發老闆的介入管理。
• 不同職位層級要對得起不同的對象 — 成功上班族對得起自己（工作績效），主管對得起老闆和部屬（兼容並蓄），經營者對得起股東和員工（共享利益）。這三個層次的責任完全不同，很多人搞混導致無法升遷。
• 多職能化與整合能力是升遷的必要條件 — 基層主管需要本分職責加上人資、總務、資訊管理三項能力；中階主管還要加上行銷、業務、財會、策略規劃、績效管理等。這不是「刺針」(專業到傷人)，而是「磨平」後的圓融，能與不同部門有效溝通。

AI Jason

• AI 增強工作流與 AI 原生閉環的本質差異：前者讓 AI 完成單次任務後即停止，缺乏反饋；後者要求代理捕捉每次執行的結果，從中提取學習並自主規劃下一步改進，形成真正的自我迭代循環。
• 閉環系統的三大核心組件缺一不可：記憶層分為事實性記憶（歷史行為 log）與程序性學習（可轉化為技能的經驗），技能庫讓代理有能力端對端完成特定工作，Cron Job 則定期觸發執行、提取學習並更新策略。
• 廣告自主實驗驗證了閉環的真實效力：代理第一週測試 10 種格式後自行發現「醜廣告」效果更好，第二週依此學習調整策略，這種跨週期自主決策正是開環工作流做不到的。

NTU IoX Center

• 動態 benchmark 優於靜態：單一固定題目無法反映模型在不同 prompt 措辭下的表現差異；透過自動生成大量變體，可量測模型的可重現性與不確定性，且比傳統人工命題的 SAT/GRE 更具擴充性。
• 紅隊測試的核心難題是「模型知道什麼」vs.「模型能做什麼」：辨識模型是否掌握危險知識只是第一步，更困難的是評估它在有工具存取權時能否實際執行危害行為（如合成化武），且這類測試本身就存在不小的安全風險。
• AI 評測需從單一模型延伸到整體系統：RAG、MCP、A2A 等外掛元件會改變模型行為，OWASP Top 10 LLM 威脅既包含傳統系統安全，也包含針對 AI 模型本身的攻擊鏈（kill chain），兩者都必須測試。

Steve Secure

• 手機是最危險的存錢地點：手機上有幾十個 App、連外鏈接，一條惡意連結就能清空錢包，硬體錢包（離線 USB 裝置）讓駭客即使拿到密碼也必須實體持有設備才能動用資產。
• 電郵是所有帳號的主鑰匙：破解電郵等於破解所有綁定服務，富裕投資者會建立一個完全不公開的「幽靈電郵」，只用於資產保護，從不用來註冊任何其他網站。
• SIM Swap 讓簡訊驗證形同虛設：詐騙者可偽裝用戶致電電信商，將號碼轉移至自己的 SIM 卡，此後所有簡訊 OTP 都送到詐騙者手中；改用軟體驗證器（Authenticator App）可完全繞過此攻擊向量。

Black Hat

• S4U2self 的身份識別設計本身就是弱點：S4U2self 只需提供使用者識別（user ID），不需密碼或 ticket 作為憑據，這是設計上的協議轉換功能，卻也讓信任邊界完全依賴委派帳戶，攻擊者若能介入這條路徑就能冒充任意使用者。
• MD4 不只是過時，而是被錯誤使用：MS-S2U 文件描述 PA-DATA 130 的 checksum 類型時，混淆了「有金鑰（keyed, type 6）」與「無金鑰（unkeyed, type 2）」的 MD4，實際實作採用的是 plain MD4，沒有加密保護，使得攻擊者可自行重算並偽造任意內容。
• 客戶端驗證存在「成功退出」邏輯漏洞：Windows 客戶端驗證函式在搜尋 reply 中的 PA-DATA 130 時，若找不到該欄位，會直接以 `success` 返回、跳過所有完整性檢查；攻擊者只需將 DC reply 中的 PA-DATA 130 移除，即可讓偽造的 ticket 成功安裝至 LSA 快取。

World of AI

• MSA 稀疏注意力架構：不讓每個 token 看遍全部 token，而是評分內容塊並只在重要部分執行注意力，實現百萬級上下文而無速度衰減，使長地平線代理和大型程式碼專案成為可能。
• 原生多模態設計：文字和圖像從預訓練初期就一起訓練（超過 100 萬億 tokens），使兩者在相同特徵空間內，模型可在同一推理路徑上理解圖像結構與相鄰文字，形填測試中能精確座標計算後填表。
• 基準測試全面領先：軟體工程基準 59%（超 GPT-4.5、Gemini 3.1 Pro），Terminal Bench 66%、MCP Atlas 74%、Browser Comp 83.5%（超 Opus），證明開權重模型首次在多個關鍵基準上打敗商用最強模型。

小天fotos

• M3在多agent編排中展現token效率優勢 — 作為編排者時，M3的工具調用次數與token消耗均低於競品，這表明其在Claude Code Harness類架構中經過專項訓練，但動態調整工作流、主動干預流程的能力仍待加強。
• Deepseek因自糾能力脫穎而出 — 當工作流偏離預期時，Deepseek能自行修復並生成最優代碼質量，但代價是監控頻繁、token消耗增加，導致編排效率下降。
• 多模態視頻處理暴露國產模型短板 — Qwen清理效果最佳卻遺漏細節、M3有幀識別錯誤、Kimi出現幀重複，三者都無法達到Claude的水準，說明視頻理解與幀提取是國產大模型的主要弱點。

𝗕𝗮𝗽𝗽𝗮𝘆𝗻𝗲𝗦𝗲𝗰

• Jailbreak 機制的一致性：同一個提示詞在 Quinn 3.6 Plus、3.7 Plus 和 3.7 Max 等多個版本上都有效，表明安全限制在不同模型版本間存在系統性的設計或實現弱點。
• 安全限制的可繞過性：模型初始會拒絕生成 keylogger 和 RAT（遠端存取特洛伊木馬）代碼，但在執行 jailbreak 提示詞後，會完全解除這些限制，甚至提供包含實現細節（如在系統匣中靜默運行）的代碼。
• 行為轉變的根本性：jailbreak 不只是讓模型生成一次有害內容，而是改變模型的核心決策邏輯，使其停止應用原始的安全限制。

鑫源AI

• 第三方模型替代官方限制——Claude Code 官方無法越獄，需用第三方大模型（如 MiniMax-M3）取代，透過 API 中繼站獲取服務。
• API 代理工具的作用——cc_switch 將中繼站 API 轉換為 OpenAI Chat 格式，使 Claude Code 能夠識別並呼叫第三方模型。
• 提示詞啟用機制——透過特定的提示詞和啟用指令讓大模型進入"越獄"狀態，之後對任何請求都不會拒絕。