今日 KeyFrame

小發學姐

• 傳統AI影片生成流程是直接輸入提示詞→反覆試錯→持續重新生成，浪費資源；故事板工作流先確定關鍵畫面和情感節奏，讓Seedance清楚整個故事的結構方向，大幅提升生成質量。
• 故事板不只生成漂亮圖片，而是真實拆解故事的關鍵時刻——校園短片案例中AI自動識別出「正常日常→發現異常→角色感受→情感收尾」的完整敘事弧線，使後續生成的影片角色有演技、表情準確。
• 教程類影片（料理、製作流程）天然適合故事板，因為本身就有固定步驟節點，預先規劃分鏘圖能確保AI生成時步驟清晰、邏輯合理，還能包含"蛋糕側邊需要抹奶油、擠奶油花"這樣的細微細節。

大人學

• 內耗是定位缺失的信號——講者發現自己在對職業前景迷茫時（不確定是否該繼續做工程師），反而對無關小事過度敏感。焦慮不是因為沒有外套，而是潛意識感受到自己在團隊中沒有真正的價值和認可。
• 直接對抗內耗會適得其反——白熊效應證明越想甩掉某個念頭，它越會纏繞。講者發現自己拿到外套後，焦慮並未完全消散，反而在找到專案管理的核心價值後，才真正停止了內耗。
• 專注於可控事項，放棄不可控的焦慮——使用斯多葛分類法把煩惱分為「現在立即可改變」和「無法改變」兩類。對無法改變的事項（公司文化、他人看法）的每一秒思考都是浪費，應將所有精力投入在可改變的事項上（學習技能、做好工作）。

Alice (Formerly: ActiveFence)

• 安全風險已從內容擴展至行為操控
• 傳統GenAI主要是生成問題內容，代理AI則可獨立採取行動、調用工具、執行決策。這種能力轉變創造了前所未有的攻擊面，包括提示注入、推理操控、工具調用漏洞等前兩年不存在的生產風險。
• 組織責任跨界且無人擁有

Agent 创世纪

• 多模態擴展使攻擊面急劇膨胀：視覺輸入帶來的跨模態安全不對稱性允許攻擊者用對抗性視覺噪聲破壞文本護欄，繞過純 token 過濾，這是傳統防禦無法覆蓋的盲區。
• 碎片化攻擊利用「馬爾可夫陷阱」：傳統系統遵循馬爾可夫性質，對每輪對話孤立評估，攻擊者可將惡意請求化整為零，每輪單看無害，跨輪累積完成目標劫持，形同「溫水煮青蛙」。
• TRIAD 的核心轉移是從分類到物理學：系統將 Embedding 空間視作物理場，對話軌跡視作拓扑路徑，安全評估從二元判斷升級為「預測這條運動軌跡何時墜毀」，不依賴已知攻擊特徵，天然防禦零日攻擊。

零度解说

• 越獄版不代表智商低：QWEN 3.6 35B A3B 在全球 AI 排行榜 Artificial Analysis 上，於 40B 以內開源模型中，中文理解、程式碼、多模態、長情境、推理能力幾乎全面霸榜，這意味著它同時具備能力強與無限制兩個優勢。
• 量化分級對應不同顯存：模型提供多個 GGUF 量化版本（IQ2M、IQ4NL、Q4KM、Q4KP），使用者可依據自己的顯存大小選擇對應版本，最低 6GB 即可運行，避免一刀切的硬體門檻。
• llama.cpp 是本地部署的核心工具：講者選用 llama.cpp 作為推理引擎，原因是它是目前本地跑大模型最快的開源方案之一，且持續更新，支援多種 GPU 架構，Q4KP 版本在 24GB 顯存下每秒可達 80–95 token 的輸出速度。

yuangeAI

• 免費帳號無法使用 Grok 4.3 網頁端，因此改從 API 層面切入，利用第三方中轉站（鑫源 API）以低成本調用模型，這是繞過官方限制的前提。
• 越獄核心是系統提示詞加激活指令的組合，兩者缺一不可——提示詞定義模型角色，激活指令觸發越獄狀態，模型需回覆特定文字才算激活成功。
• 模型自我修復能力持續增強，導致越獄不穩定，技術類請求（木馬、掃描工具）拒絕率高，需反覆刷新重試，這是目前無法根本解決的限制。

人工智能AI课堂-卢菁博士(北大)

• LLM 比傳統系統更難防守：傳統系統是有邊界的確定性系統，測完邊界內所有情境即可；LLM 由提示詞與用戶訊息驅動，是無邊界隨機系統，測試無法窮舉，導致上線後漏洞難以預期。
• 攻擊手法多樣且持續進化：從角色扮演、Base64 編碼混淆、多輪漸進誘導，到 RAG 資料投毒、訓練階段後門植入、圖像對抗噪聲，攻擊面遠超傳統 SQL Injection 等手法，且許多攻擊不可復現。
• 防禦必須分層部署，但沒有系統能保證 100% 安全：五層防禦層層加碼，但核心難題是「用 AI 監督 AI」——過濾模型本身也可能被攻破，形成不可判定的遞歸問題，因此安全是概率提升，而非絕對保證。

Tech-Know-G

• 滲透測試的目的是找漏洞、給修補，而非破壞系統。 真實場景中，測試者在取得授權後模擬攻擊者行為，目標是在上線前找出弱點並通知開發團隊修補，而非刻意破壞應用程式。
• 測試前必須徹底理解應用程式業務邏輯與角色權限。 講師強調在動手測試前，要與開發團隊開會，釐清使用者角色（Customer、Support、Admin）、敏感資料範圍、關鍵工作流程及測試範圍（Scope），再製作角色矩陣（Role Matrix）才能有系統地執行授權測試。
• Burp Suite 作為代理（Proxy）可完整攔截與重放 HTTP 流量。 透過 HTTP History 掌握所有請求、使用 Repeater 手動重放與修改參數、再以 Intruder 批次自動化枚舉，是發現 IDOR 等存取控制漏洞的標準操作流程。

SpeakUp Sessions English Podcast

• 翻譯思維是口說卡關的根本原因。 大腦在母語與英語之間切換會產生延遲，解法不是更努力翻譯，而是透過大量重複練習，讓大腦直接用英語運作。
• 犯錯是進步的證明，而非失敗的訊號。 節目刻意設計讓學習者 Fizu 犯文法錯誤（現在式當過去式），再即時修正，讓聽眾看見「錯誤→修正→自然化」的完整過程，降低心理防線。
• 情境化練習比背單字更有效。 節目把練習嵌入真實場景（點餐、逛街、問路、認識新朋友），讓句型與場景綁定，提高記憶留存率與實際可用性。

Black Hat

• Promptware 不需要 PhD 或 GPU：研究打破業界迷思——傳統對抗性攻擊需要白盒存取與機器學習訓練，但 Promptware 只需一段文字，任何人皆可執行，攻擊門檻極低。
• 上下文污染（Context Poisoning）是核心機制：Gemini 每次互動都會將完整對話歷史送入 LLM，惡意行事曆事件名稱雖藏在「顯示更多」按鈕之後不被使用者看見，卻仍進入 LLM 上下文，從而劫持後續所有指令。
• 延遲工具調用（Delayed Tool Invocation）可繞過 Agent 限制：Google 對非預期 Agent 的觸發有防護機制，但透過將惡意指令延遲到使用者說「謝謝」時才執行，可使系統誤認為是合法的使用者意圖，繞過限制並啟動 Google Home 等外部 Agent。

Black Hat

• 資產盲點是所有安全計畫的起點：CMDB 只為管理授權存在，無法反映實際開發中的 API 數量、語言版本、部署頻率。AppNav 整合 DNS、程式碼倉庫、Pipeline、雲端資產等多源資料，才能真正知道「需要保護什麼」。
• 安全需求必須進入開發者的工作流程，而非存在 PDF 裡：ArcBot 將所有需求文件、Backlog、電子郵件餵入 AI，自動生成安全需求並直接注入 Backlog，讓開發者在做 Standup 時就能看見並做 Thumbs Up／Down 決策，建立可追溯的責任鏈。
• 修補方案分三層，不能盲目信任 LLM 生成代碼：確定性修補（直接替換不安全函式）→ RAG 驗證修補（從人工驗證過的修補庫選策略）→ 外部 AI 建議；機器人自動開 Security Branch、驗證編譯，再由開發者 merge，保留人類決策點。

Gary Chen

• Evaluation才是關鍵，不是Prompt工程
• 最近所有工具推出的功能全指向同一件事：你能否定義清楚什麼叫「做得好」。Prompt工程和Context工程都是次要的，關鍵是評分標準能否被AI清晰執行。
• 清晰的完成定義決定了迭代品質

Bug Bounty Village

• 供應鏈三層攻擊面與實際損失規模。軟體供應鏈由源代碼層（依賴解析）、構建層（CI/CD）、分發層（部署）組成，任一層被破壞都能導致下游公司大規模入侵。2023年59%的企業經歷供應鏈攻擊、平均應對時間一個月，全球經濟損失410億美元，這是昨日之患、今日之患、明日之患。
• 優雅的依賴混淆與變種NPX混淆。依賴混淆利用包管理器在公私包名解析邏輯中的漏洞，Consul案例中不到一小時就有Fortune 500開發者下載惡意包（獲得17K賞金）。NPX混淆則藉由二進位名稱與包名不必然相同的特性，當開發者執行npx時自動從公開registry臨時安裝執行，最高可獲30K賞金、影響4,500家企業。
• 繞過安全掃描的核心技術是建立自有HTTP registry。講者開發了一套縝密的躲避方案：識別掃描器IP段、ASN、user-agent，透過deny list機制選擇性投放payload，使惡意包能在公開生態存活超過一年而不被ban，甚至可竊取企業artifactory管理員token獲得全企業讀寫權限。

Rob Walling

• 認清真實成本：初創者常高估開發成本、低估獲客成本。真正的支出不在產品開發，而在找願意付費的客戶上，包括行銷、銷售和分銷。
• 延遲正式化：沒有付費客戶就不應成立有限責任公司、開銀行帳戶或擔心品牌細節，這些都是本末倒置。營收才能證明企業合法性，其他都是虛招。
• 多元技術方案：懂編程自己開發最優；不懂編程可用 AI 工具（Cursor、Claude Code、Bolt）打造原型；也可尋找技術共同創辦人，但須帶等值貢獻（通常是銷售和行銷）。

CyberFlow

• 漏洞賞金是進入網路安全的高效途徑 — 無需履歷、面試或學位，完全基於技能的精英制度。16歲孩童能合法賺數千美元，沒有學位的人月入六位數，唯一判準是「你是否找到漏洞」。
• 從簡單漏洞掌握駭客思維 — IDOR的核心是開發者忘記驗證權限（改一個ID就看到他人資料），XSS則源於無謂信任使用者輸入。一旦理解這些基層邏輯漏洞，你的識別速度會快速加快。
• 工具和資源決定學習曲線 — Burp Suite是必備（攔截並修改所有請求），PortSwigger Web Security Academy免費教學超過80%收費課程，公開報告相當於他人無償示範報告寫法與漏洞評估標準。

Smart Money Mindset

• 私鑰是資產的唯一門鑰，洩露即歸零。 公鑰可公開分享，但私鑰一旦被他人取得，資產即遭轉走，沒有任何追回機制，因此私鑰的管理方式決定了整體安全等級。
• 攻擊者鎖定的是人，而非區塊鏈本身。 區塊鏈本身具有不可竄改性，但釣魚網站、假 App、社交工程等手法專門利用使用者的疏忽與輕信，是加密貨幣竊案的主要途徑。
• 熱錢包便利但風險高，冷錢包安全但不便。 熱錢包（連網錢包）適合少量日常交易，長期或大額持有應移至硬體冷錢包離線存放，即使電腦被入侵也無法觸及冷錢包內的私鑰。

SpeakUp Sessions English Podcast

• 翻譯障礙是學習者最大瓶頸：大多數學習者聽得懂卻說不出口，原因是大腦在母語與英語之間即時翻譯，導致反應遲緩。解法是透過大量重複練習，訓練大腦直接以英語思考，繞過翻譯步驟。
• 犯錯是進步的必要條件，不是失敗的證明：課程刻意強調「犯錯=學習」，因為怕丟臉是學習者停止開口的主因。只有在真實溝通中犯錯，才能發現盲點並修正。
• 情境式練習比背單字更有效：透過模擬餐廳、朋友見面、問路等真實場景，學習者直接在語境中使用句型，記憶更牢固，也能立即遷移到現實生活。

English Pro Tips - IELTS Preparation

• 心態決定發揮：許多學生考前能自然對話，考試一開始卻緊張失常。把考官當熟悉的老師、記住雅思可重考，能有效降低焦慮並維持正常水準。
• 仔細辨別問題語態：含 would 的問題是假設情境，需以假設語氣回答；含 some people 的問題要站在第三者立場分析動機，而非談論自身，答錯方向直接影響分數。
• Part 2 故事三段式：用開頭（背景與出發前心情）、中間（按時間順序描述事件）、結尾（展望未來）組織發言，能讓答案有頭有尾、自然填滿2分鐘，同時展現連貫性與流暢度。

Black Hat

• AI 重塑攻擊端的不對稱優勢
• LLM 讓攻擊者不需要英語能力也能批量產出語法完美、高度個人化的釣魚郵件；微軟威脅情報報告顯示，攻擊者已用 LLM 生成合成文字將惡意載荷隱藏在 PDF 不可見圖表中以繞過偵測，攻守兩端的 AI 工具效能目前嚴重不對稱，攻擊方佔優。
• 模型漂移讓分類器逐漸失準

Black Hat

• LLM 必須拆成兩層才能模擬人類分析直覺。 單一 prompt 要求模型直接輸出感染向量效果差，因為人類分析師實際上執行「先評估場景、再鎖定可疑元素」兩個隱性步驟；拆層後準確率從不穩定躍升至 96–100%。
• 截圖作為感染向量線索，比竊取的憑證資料更有情報價值。 竊得的密碼只說明「誰被偷了」，但截圖能還原「如何被感染」——包含下載來源、誘餌內容、使用的平台，是追蹤攻擊活動的關鍵。
• 攻擊者大量使用盜版軟體與 Google Ads 作為入侵路徑，針對心理弱點而非技術漏洞。 分析發現兩大誘餌類型（盜版軟體、遊戲外掛）與兩大散布管道（YouTube 教程、Google 付費廣告），手法不複雜但極度有效，因為人對「免費」與「看起來官方」的信任幾乎無防備。

Doris A-Liao

• Cursor 讓初學者跳過基礎學習直接做出完整產品
• Cursor 是一個 AI 驅動的程式編輯器，初學者可以用自然語言對話指導 AI 完成需求，不必先修完前端後端課程。開發者只需描述想要什麼功能，AI 就能生成對應的程式碼並插入專案中。
• 定價模式對小型項目友善

Privacy Matters

• 駭客測試是可重複的標準流程，不是隨意試錯。 所有專業人士（企業滲透測試師、政府紅隊、Bug Bounty 獵人）都遵循相同五階段：偵查→掃描→滲透→存取→報告。初學者只需掌握這個框架，之後就是在每個階段不斷深化技能，而不是試圖記住一千個特殊技巧。
• Nmap 掃描是所有駭客測試中最重要的技能。 Nmap 本質上在「敲門」檢查目標的每個端口，識別開放的服務及其版本。掌握版本檢測 (`-sV`) 和內建漏洞掃描 (`-sC`)，就能快速發現已知弱點，這是每次真實滲透測試的第一步。
• 利用已知漏洞而非發明新攻擊，是駭客的核心工作內容。 初學者常誤以為需要天才級別的編碼能力，實際上是在識別已存在的系統弱點，並應用已被驗證有效的現成工具。EternalBlue 就是一個例子——這是 NSA 開發的真實網路武器，現在作為教學對象被完整講解。

RCSA

• 年度計畫是企業正規經營的基礎。Richard 自 1978 年當任專業總經理後，深刻體悟到企業必須做年度計畫才能走向正規經營，因此從 1970 年代開始倡導「計畫經營」理念至今。
• 年度計畫帶給企業四層遞進的具體價值：建立全公司上下的經營管理共識、讓每人清楚知道未來每日每月每季應做之事、預測這些行動會產生的效益、最後落實為具體的預算成本規劃。
• 班級規模精準控制到 60-100 人能達最佳培訓效益。課程以部級以上主管為必修對象，因預算編制等關鍵職能由他們負責；有條件時再擴及基層主管幹部，形成分層培訓策略。

twaiastudy

• Vibe Coding 的本質是「慣老闆思維」：使用者只需用自然語言描述需求，AI Agent 負責撰寫程式。一旦手動修改生成的程式碼，後續對話將以錯誤版本為基準，導致越修越亂；正確做法是另開新 Session 並請 AI 從頭 review。
• 先備知識（Prior Knowledge）決定輸出品質：將 PDF、截圖、網站連結等資料預先提供給 Agent，等同給它訓練基底，生成的簡報、摘要或程式碼品質會顯著提升，無需手動整理素材。
• Skill 系統讓 Agent 形成自動化流水線：將常用流程存成 Skill 後，Agent 偵測到關鍵字即自動調用對應技能，甚至可呼叫 Python 腳本替代 Token 消耗，形成「Agent 中有 Subagent」的多層協作結構。

QixNews 快克新聞

• 比特幣正式成為國家與企業級資產：SpaceX 在 IPO 申請中首次公開持有 18,712 枚 BTC，成為全球第七大企業持有者；白宮同步推動戰略比特幣儲備立法，顯示 BTC 從投機資產轉型為主權與企業資產負債表的正式組成部分。
• 機構資金明顯向藍籌加密資產集中：高盛完全退出 XRP 與 Solana ETF，同時大幅增持比特幣與以太幣 ETF，反映機構長期只信任具備流動性與監管確定性的頭部資產，對小幣種 ETF 信心有限。
• 監管框架進入關鍵分叉點：特朗普行政令要求 90 天內審查 Fintech 與數位資產法規，目標降低進入傳統金融體系門檻；同時國會推動永久禁止 CBDC，未來美國數位金融生態將以私營穩定幣為主導，兩者方向互補但影響深遠。

Black Hat

• 攻擊面膨脹是雲端遷移的副作用：政府加速上雲後，微服務與小型門戶激增，導致子域名從2019年的4000個爆炸到現在的6萬個，卻缺乏統一的安全管理，每個機構各自維護Exchange伺服器等重複服務。
• 漏洞都是基礎問題，不需要高深技術：SQL注入、未加密HTTP、過期TLS、預設設定暴露，這些問題只需Google幾分鐘即可利用，研究團隊掃描時間以天計而非月計，卻挖出大量嚴重漏洞。
• 政府資安成熟度最關鍵的三指標全數落後：負責任揭露機制形同虛設（後台無人處理）、漏洞賞金計畫限制過多（只有參與的部門才可掃描）、security.txt覆蓋率僅0.2%，研究者對全加拿大政府一律評為「不及格」。

Black Hat

• 攻擊非確定性，必須重複執行才能成功。 大多數提示注入不會在第一次嘗試時生效，成功的攻擊往往需要執行數十乃至數百次，防禦側若只看單次請求會漏掉低頻攻擊。
• 鏡像系統提示格式能大幅提高注入成功率。 語言模型擅長識別模式，攻擊者取得系統提示後，刻意讓注入內容的 Markdown 格式、縮排與關鍵字與原始提示一致，可讓模型更自然地接受指令。
• 長期記憶體一旦被污染，攻擊效果持久且可橫向擴散。 記憶擷取代理若被注入惡意內容，下次該用戶登入時惡意指令便已預載，攻擊者可藉此劫持帳號並感染平台上的其他用戶。

Best Partners TV

• AI 模型的三要素：AI 優秀表現需要研究架構、基礎設施（計算量與效率兼備）、以及充分的數據。其中讓模型觀察聰明人執行任務是獲得能力的關鍵途徑，因為模型本質上通過學習高手的做法而進步。
• 人才差異產生戰略優勢：公司內部工程師的平均素質遠高於外包承包商，用內部工程師的編程工作作訓練數據，能比竞争对手（缺乏大規模優質人才庫的公司）更快速地提升模型的編程能力。
• 隱私與監視的明確分界：系統不進行個人監視、績效追蹤或監控，內容儘可能去識別化。純粹目的是讓 AI 從聰明人如何使用電腦、如何解決問題的行為中學習，而非了解員工個人活動。

Bug Bounty Village

• 演講分為三類漏洞發現模式，展示bug bounty中的實際情況。幸運類bug透過無差別payload嘗試（spray and pray）與工具輔助意外發現，例如Quick Look CSV利用了16年前的MacOS插件；WTF類bug涉及系統配置意外與複雜技術鏈，如Ansible SSTI通過email註冊欄位的template injection執行root命令；LOL類bug則因防禦機制實現不當，如WAF過濾導致密碼截斷為單字符。Email是關鍵攻擊面：應用在email驗證後多不重新驗證，且email常作為payload容器被系統自動處理。

Cybersecurity Girl

• 1. 「殺豬盤」是當前最大損失型詐騙
• 詐騙者先以普通交友方式建立關係一至兩個月，再介紹加密貨幣投資平台。初期讓受害者小額獲利並允許提款，建立信任後逐步加大投入，最終以稅費、手續費為由拒絕出金，消失前榨乾受害者資產。
• 2. 職業詐騙鎖定 LinkedIn，要求預先付費是最大警訊