今日 KeyFrame

DEFCONConference

• 公共政策影響每一個人：DEF CON Policy 討論的是全球層級的公共政策，而非企業內規，科技已成為國家關鍵基礎設施，相關法規直接影響生活安全。
• 跨界對話是核心設計：計畫刻意將技術社群（黑客）與政策制定者放在同一場域，讓具備技術知識的人能直接參與政策討論，避免法規脫離現實。
• 議題橫跨技術與治理兩端：從如何合法進行安全研究（避免違反 CFAA）、到 AI 治理框架，範圍廣泛但都圍繞「科技如何被規範」這個核心問題。

大辰軒煩琳

• AI 網路攻擊能力是規模化的副產品，不需要專門訓練。 Anthropic 明確表示 Mythos 本質上就是 Claude 下一代，沒有針對滲透測試做特殊訓練，網路安全能力只是算力、資料與模型規模擴大後自然浮現的結果，如同核反應堆達到臨界點自動點燃，無需人工觸發。
• 漏洞武器化的時間窗口正在崩潰，防禦體系的假設前提已失效。 過去安全工程師依賴「攻擊者讀不懂複雜 code」這個隱性保護；但 AI 閱讀 1000 行與 1 行 code 的時間差距只有幾秒，這個假設已徹底瓦解。
• 負責任披露展示了 AI 公司當下的態度與行業信號。 Anthropic 選擇先私下通知 OpenBSD 團隊、給予修復時間，再公開細節，這是網路安全圈公認的道德規範，也是向整個行業宣示：AI 能力已到達必須被嚴肅對待的等級。

Agent 创世纪

• 傳統 AI 的紋理偏見是根本缺陷
• 從第一天就接受完美高清圖像的 AI 模型，會死記局部紋理而非理解形狀結構。在形狀-紋理衝突測試中（用象皮紋理填充貓的輪廓），傳統 AI 判定為大象，揭示其在現實場景中頻繁失效的根源。
• 嬰兒期模糊輸入是大腦的關鍵過濾器，而非缺陷

零度解说

• 速度不等於品質，但速度優勢屬於 GPT-5.5：GPT-5.5 在每輪任務中幾乎率先完成，而 Deepseek V4 和 Qwen 3.6 Max 普遍落後數分鐘，在需要快速產出場景中，速度差距不可忽視。
• Qwen 3.6 Max 是本次最大黑馬：多輪任務中 Qwen 自動加入音效、K 線圖更貼近真實盤面、天氣 API 效果精緻，國產模型在前端視覺細節上已具備超越國外頂尖模型的能力。
• Deepseek V4 在複雜動態任務上存在明顯短板：第四輪股票 K 線任務中，Deepseek V4 生成的頁面沒有正常波動線與互動按鈕，屬於功能性失敗，說明其對「數據動畫結合」類任務的掌控力較弱。

白白说大模型

• 大模型的先天缺陷是「無狀態」：模型本身沒有持久記憶，一旦置入長流程任務，就會出現上下文腐爛、工具調用幻覺、失敗狀態丟失、過早停止等四種失敗模式，這是做 Agent 的人必須正視的工程問題，而非提示詞能解決的問題。
• Harness 扮演作業系統角色：正如電腦需要 OS 才能調度 CPU 與記憶體，AI Agent 需要 Harness 來管理上下文、持久化狀態、驅動工具、執行錯誤自我修復，讓模型能穩定跑完複雜的長鏈路任務。
• 錯誤恢復思維必須從「拋異常重啟」轉為「反思自修正」：傳統後端遇到錯誤就拋異常、人工修復；AI 系統的正確做法是把錯誤資訊回饋給模型，讓模型自我反思並修正後繼續執行，同時靠狀態持久化確保進度不歸零。

Easy English Practice

• 日常對話含大量情緒轉折：影片中的對話並非一帆風順，從爭吵到和解，展示真實口語中如何表達不滿、緩和氣氛、轉移話題，這正是學習者最難從教科書學到的部分。
• 購物情境強調數字與比較：洋裝購物段落詳細呈現折扣計算過程（原價、折扣率、實際售價），讓學習者習慣在英語對話中處理數字與做決策。
• 跟讀法（shadowing）是核心學習策略：對話中 Angela 明確說明她每天使用 shadowing practice，並搭配 BBC「The English We Speak」podcast 及英文字幕影片，每天學 5–7 個新單字，形成系統化學習習慣。

English Avenue

• 方法錯誤才是卡關根源，不是能力不足。 大多數人把英語當作一門「學科」來讀，讀完就關掉，大腦永遠不會把它當成真實語言；必須像學母語一樣，讓英語進入日常生活環境，才能建立自然反射。
• 口語是身體技能，必須靠開口訓練。 理解英語和說出英語是兩件事，嘴脣、舌頭、語調都需要反覆練習才能協調；即使對著鏡子自言自語、錄音跟讀，都比只看不說有效得多。
• 翻譯是流利度的最大殺手。 先想母語再翻成英語的人，每句話都在「解題」，思緒被打斷、速度變慢；刻意訓練直接用英語思考，是從「學英語的人」變成「用英語思考的人」的關鍵分水嶺。

Black Hat

• 歷史案例是最好的警示教材：Bernie Madoff 用獨立系統偽造投資人報告、Frank Abagnale 利用人類對「權威」的盲目信任詐騙身份、Equifax 因遲遲未修補已知漏洞遭駭，這三起事件各自揭示了技術控制、社會工程、與漏洞管理的失敗模式。
• 驗證「是否是人」比驗證「是誰」更難：傳統身份驗證問的是「你能證明你是誰嗎」，但現在 AI 能秒產假臉、假聲音、假文件，真正的問題已變成「你能證明你是人類嗎」，需要從靜態身份轉向動態、持續性的人格驗證。
• 行為生物辨識是難以偽造的最後防線：每個人握手機的角度、鍵盤敲擊節奏、滑鼠停頓習慣都是唯一的，這些細微行為即使狼披上羊皮也難以完整模仿，是多因子驗證中最高熵的訊號。

Black Hat

• 1. 智能體複雜度使測試全面落後
• 現代 AI 系統已從簡單的輸入輸出演進為多工具、多記憶、多回合的複雜軌跡，但測試方法多數仍鎖定初始輸入（前門），忽略環境污染、工具注入、記憶累積等側門威脅，導致測試結果與真實部署風險嚴重脫鉤。
• 2. 有狀態測試是絕對必要條件

陳宗賢

矽谷輕鬆談 Just Kidding Tech

• 1. Harness Engineering 是短期主流，但有天花板
• LLM 本身無狀態且存在幻覺，Harness Engineering 透過外加控制流程與記憶機制來補足，這是目前讓 AI agent 輸出穩定的主要手段，但它治標不治本，無法解決 LLM 對物理世界理解不足的根本問題。
• 2. 世界模型與生成式模型本質不同

yuangeAI

• 、

學長Ethan

• Claude 的三層能力差距決定使用價值：Chat 只能回答、Code Work 有沙盒限制、Claude Code 擁有完整專案目錄權限，能直接創建文件、部署網頁、呼叫外部工具，不會頻繁提示「沒有權限」。
• CLAUDE.md 是 AI 的長期記憶核心：這份放在專案目錄的文件記錄工作背景、偏好格式、禁止事項，相當於新員工入職手冊，每次啟動 Claude Code 都會優先讀取，省去重複說明的成本。
• Skill 是普通用戶與 AI 專家之間的品質分水嶺：Skill 包含判斷維度、輸出格式、工作流程，相當於給 AI 一份詳細的崗位說明書。建立自己的 Skill 只需三步：準備標準文件 → 讓 Claude 生成 Skill.md → 測試輸出並反覆迭代。

Exploit Mastery

• MCP 消除指令記憶負擔：傳統 Metasploit 使用者需記住大量指令與模組名稱，透過 MCP Server 接入 AI 後，使用者只需以自然語言描述目標，AI 自動選擇並執行對應的 Metasploit 模組。
• 設定流程以 Claude Code 的 Edit Config 為核心：在 Developer 設定中修改 config 檔案，填入 MCP Server 的路徑與密碼參數（影片示範密碼設為 `12346`），重啟 Claude Code 後即可建立連線。
• 連線狀態與健康檢查內建於工作流程：MCP 連接後，Claude Code 介面可直接查看 Metasploit 的連線狀態與健康狀況，確認正常後才進行掃描作業，降低操作失誤風險。

Black Hat

• 國家安全是集體責任，不是單一企業問題。 網路攻擊的影響會沿供應鏈傳遞，一家員工不到 30 人的小型管件製造商，可能是整個縣水務局的唯一供應商——它下線，整個縣的供水就斷了。
• 財務語言是跨部門溝通的唯一通用語言。 技術指標（阻擋率、APT 數據）無法打動 CEO 和董事會；必須把風險轉換為「若不投入 10 萬美元，可能損失 100 萬美元」的格式，決策者才會行動。
• CRQ（網路風險量化）需要獨立驗證，不能依賴供應商自家計算器。 由供應商提供的 ROI 計算器存在利益衝突，方法論必須經過同行審查與學術驗證，且輸出結果需能在法庭上清楚解釋選擇理由。

Black Hat

• 虛假信息工廠已被 AI 徹底民主化。 2015 年網路噴子農場需 700 名員工，今天一人透過 ChatGPT、AI 圖像與影片生成器即可複製同等產出，成本斷崖式下降使規模化攻擊幾乎無法防堵。
• 仿冒基礎設施是核心手法。 攻擊者不只散布假消息，而是仿造《衛報》建立 guardian.co.com、仿造北約建立 nato.ws，頁面布局與導航連結完全相同，僅插入假文章，並投放超過 10 萬美元 Facebook 廣告強制曝光，讓受害者難以辨別真偽。
• AI 模型已成為汙染目標。 攻擊者先在維基百科與 Reddit 植入假聲明，ChatGPT 等 LLM 從這些來源訓練，導致輸出結果被扭曲；「Pravda Network」專為欺騙演算法而生產 360 萬篇文章，覆蓋 49 個國家。

PAPAYA 電腦教室

• 設計系統自動化：上傳品牌文件、Logo、字體、網站截圖等設計資產，Claude 自動萃取可重複使用的視覺元素，建立專屬設計系統並進入審核階段讓使用者確認色票、字體搭配、間距規則等細節。
• 多層次編輯工具：Edit 模式讓使用者像 Word 般直接修改內容；Comment 模式用對話描述需求無需手動調整；Draw 功能在畫布上標記引導 AI；Tweaks 提供快速控制面板即時微調色彩、圓角等視覺參數。
• AI 影片整合：支援在 Freepik 用 Sora 2.0 或 Kling 3.0 將靜態圖轉為動態背景影片，直接嵌入網站主視覺區，豐富頁面視覺表現力。

白白说大模型

• 工具與通訊已被標準化，競爭轉移至架構編排能力。 MCP 讓工具跨框架複用，A2A 讓不同廠商的 Agent 互通，底層差異消失後，框架真正的護城河只剩下「怎麼編排任務」這件事。
• 框架選型的本質是算帳，而非比功能清單。 LangGraph 原始碼免費，但生產級狀態持久化需付費使用 LangGraph Platform；LlamaIndex 的核心文件解析服務 LlamaParse 按量計費；Crew AI 的 Agent 對話若失控，Token 消耗難以預測。低估隱性成本是最常見的踩坑原因。
• 不同規模的團隊應走不同路徑，而非追求最強框架。 個人開發者從 Pydantic AI 起步最省時；初創公司先用 Crew AI 驗證原型，拿到資源後再遷移至 LangGraph；大型企業則應先確認雲戰略與 MCP/A2A 協議支援，避免選到封閉孤島框架。

国外VPS测评

• AI Agent 有別於一般網站服務：它依賴多個 Docker 容器同時運行、頻繁調用 API、維持 SSE/WebSocket 長連線，以及強依賴資料庫，本質上是一個輕量分散式節點，對 VPS 的穩定性與記憶體要求遠高於靜態網站。
• CN2 DE 線路是 API 調用場景的關鍵選擇：CN2 DE 路由穩定、延遲低，適合 AI Agent 頻繁對外呼叫第三方 API 的使用情境，相較普通 KVM 套餐有明顯優勢。
• Dify 必須做存算分離才能壓低記憶體需求：Dify 原生含 DB、VectorDB、Worker 等多個元件，預設要求 4G 以上記憶體；透過存算分離（將資料庫獨立部署），才能在 2G 機器上穩定運行。

TechSky - Ethical Hacking

• 攻擊不依賴技術漏洞，而是利用「情境合理性」操控信任。 攻擊者複製合法服務的視覺設計（外送確認、交友配對、叫車服務），讓受害者在認知上覺得授權定位是合理的操作，從而自願點擊 Allow。
• 瀏覽器 Geolocation API 本身是合法功能，無法被封鎖，只能靠使用者判斷。 惡意請求與 Google Maps 的合法請求在視覺呈現上完全相同，作業系統層的提示無法區分善意與惡意來源。
• 單次授權可同時洩漏多層資訊。 除精確 GPS 座標外，還會捕獲 IP 位址（可推算 ISP 與大略地區）、作業系統、CPU 核心數、RAM、GPU、螢幕解析度，攻擊者可利用這些資訊規劃後續裝置特定攻擊。

Black Hat

• SIM 卡資訊可在不觸碰 KI 秘鑰的情況下被提取。 KI 並未存放在任何可讀取的 Elementary File 中，但 IMSI、ICCID 等身份識別檔案可透過 SIM 卡讀卡機、AT 指令或 ADB 三種方式讀取，足以讓攻擊者複製出功能性 SIM 卡副本。
• 攻擊能否成功完全取決於電信商的認證觸發頻率。 部分電信商採「每 N 次事件才觸發一次認證」的政策（實測常見 N＝15），若攻擊者在兩次認證之間操作，網路根本不會察覺 KI 不符，因此能正常掛網、上網、收發簡訊。
• 攻擊橫跨所有世代行動網路，4G 是主要脆弱點。 研究團隊在 2G、3G、4G 及真正的 5G Standalone 網路上均成功驗證攻擊，其中 4G（純封包域，無電路交換）認證政策普遍較弱，是現階段最易被利用的目標。

Black Hat

• CAN 總線物理結構極簡：差分雙絞線（CAN High / CAN Low）加 120 歐姆終端電阻，拓撲等同 1990 年代 10Base-2 同軸網路，訊息 ID 越低優先級越高，廣播即生效、無需握手確認。
• 逆向的核心技巧是「基線靜音」：用 Savvy CAN 的 mute/ignore 功能排除背景雜訊後，執行目標動作（踩剎車、轉方向盤），觀察哪個 PID 的哪個 byte/bit 開始跳動，數分鐘即可定位目標訊號，不需拆線或接觸實體開關。
• DBC 檔案大幅加速逆向：購買電動零件通常附帶 DBC（訊號起始位元、長度、單位、數值含義一目了然），GitHub 上的 OpenDBC 收錄福特、通用、斯巴魯等主流車廠資料，可把「從零逆向」縮減為「只找未知訊號」。

Peter Peng

• LLM 的架構決定了它天生無法驗證指令來源：語言模型的核心任務是根據上下文預測下一個字，它將使用者指令與所讀取的文件內容全部「壓平」成同一層資訊處理，因此文件中夾帶的指令與主人的命令對 AI 而言沒有層級差異。
• 間接注入比直接注入危險百倍：直接注入是攻擊者自己操作 AI（即越獄/Jailbreak），影響有限；間接注入則是在受害者完全不知情的情況下，透過 AI 正常處理的外部資料（網頁、PDF、Email）完成攻擊，白底白字、字體大小設為 0、或藏在 PDF Metadata 中的指令，人眼看不到，AI 全讀得到。
• AI Agent 化讓攻擊後果從洩露資料升級為全鏈路攻擊：當 AI 同時擁有讀取 Email、搜尋內部知識庫、自動發信的權限，一封含有惡意指令的廣告信，可在幾秒內完成：讀取機密文件 → 轉寄外部信箱 → 刪除原信毀滅證據，整個過程使用者什麼都不需要點擊。

AI超元域

• 基準測試全面領先 Claude Opus 4.7：GPT-5.5 在智能體終端使用、電腦操作（Computer Use）、智能體瀏覽器調用三項基準均超越 Claude Opus 4.7，顯示其在自動化操作層面已建立明確優勢。
• 自動選擇最佳執行路徑：實測中 GPT-5.5 在繪製流程圖時主動跳過傳統拖放操作，改以直接編輯 XML 並貼上畫布，說明模型會自主判斷最高效的完成方式，而非機械遵循人類操作習慣。
• 獨立滑鼠指針設計提升並行可用性：GPT-5.5 在 Codex 中操作時擁有獨立的虛擬滑鼠指針，與使用者本身指針完全不衝突，使用者可同時操作其他任務，這一點優於 Claude Code 共用單一指針的設計。

Zero Trust Lab

• 提示注入分直接與間接兩種型態：直接注入由攻擊者手動輸入惡意指令；間接注入則將惡意指令隱藏在文件、網頁等 AI 會讀取的外部資料中，後者更難偵測也更危險。
• LLM 漏洞是經典資安概念的延伸，並非全新領域：提示注入對應 SQL Injection，訓練資料污染對應供應鏈攻擊，過度授權（LLM08）對應最小權限原則，既有資安知識可直接遷移應用。
• 防禦核心是執行嚴格的信任層級（Trust Hierarchy）：系統提示視為可信，所有外部輸入（使用者輸入、文件、網頁）一律視為不可信，並對 AI 的所有輸出進行消毒驗證。

Black Hat

• 政策不具體等於沒有政策：加拿大政府現有指引僅說「應遵循安全設計原則」卻無任何實例，導致130萬科技工作者中超過60萬名開發人員毫無安全編碼指引可依循。
• 軟體安全是國家風險，不只是技術問題：政府網站宕機會造成民眾恐慌、上街示威，稅務系統漏洞已導致集體訴訟；講者認為當前資安策略過度聚焦網路層與硬體，忽略驅動整個國家運作的軟體本身。
• 問責機制缺失導致違規常態化：資料洩漏只有達到「重大違規」門檻才有法律義務揭露，講者估計每一起公開事件背後有100至300起未申報的違規事件。

Black Hat

• 實體攻擊往往比 RFID 更快：門底撬棒、塑膠卡片撬門縫、爬牆穿天花板，都是完全繞過讀卡器的替代路徑，紅隊第一步永遠找最省力的入口。
• Wiegand 協議是安全最薄弱的一環：無論讀卡器與卡片之間的加密多強，一旦解密後的 ID 透過 Wiegand 電線傳送至控制器，就是純明文，任何搭線監聽設備都能截取並重放。
• 降級攻擊讓高安全卡形同虛設：若系統為向下相容而同時支援低頻感應卡，攻擊者只需把截取到的解密 ID 寫進一張無加密的感應卡，控制器完全無法分辨差異。

Ron AI 基地

• 內容類型決定收益天花板：YouTube 廣告 CPM 因頻道類型差異極大，財經、商務類英文頻道每千觀看可達 70 美元，科技類約 40 港元，選錯方向即使流量相同，收入也可能相差數倍。
• 配音工具是最大可壓縮成本：MiniMax 與 ElevenLabs 兩款 AI 配音工具音質有明顯差距，但 MiniMax 成本僅為 ElevenLabs 的十分之一，在確認音質能過關的前提下，選 MiniMax 可大幅降低每條片的製作成本。
• 流水線邏輯是「用錢換時間再換收入」：每月投入固定訂閱費用建構自動化流程，目標是讓每天只需花半小時即可完成發片，ROI 以每月千元投入換取兩千元回報（200%）為基準。

Vivian 煮意 Cooklicious

• 資本鎖定算力主導權：亞馬遜與 Anthropic 的戰略深化不只是融資，而是透過共建全球最大 AI 算力集群、綁定 AWS 訓練基礎設施，形成生態護城河，10 萬家客戶已在 AWS 上使用 Claude 模型，規模效應持續擴大。
• Mephos 重新定義攻防邊界：Anthropic 刻意限制 Mephos 的存取範圍，正因其能自主發掘漏洞並生成攻擊代碼，這代表 AI 已具備主動滲透能力，而非僅是輔助工具，各國監管機構緊急回應說明其危害等級已超出常規安全評估框架。
• AI 工具的權限管理成新型攻擊面：Wholesale 遭駭事件的根因是員工對第三方 AI 工具授予無限制存取權，Azure 也存在令牌洩漏可讓外部人員窺探其他企業 AI 代理，顯示 AI 整合進企業系統後，傳統的最小權限原則被嚴重忽視。

克雷兒 Claire

• 成人與兒童語言習得機制不同，導致「懂規則卻說不出口」的矛盾。 成人依賴海馬迴以邏輯框架記文法，但口說當下卻調用不出來，因此需要刻意將規則練到自動化，才能突破這個瓶頸。
• 動詞時態是出錯頻率最高的環節，句中每一個動詞都需單獨檢查。 如「I told him I ate the cake」，句子中兩個動詞都必須各自確認時態，而非只注意第一個動詞。
• 感受用 -ED 形容詞、描述事物用 -ING，混用會改變語意。 "I am bored" 是「我感到無聊」，"I am boring" 是「我是個無趣的人」，兩者意思截然不同。