今日 KeyFrame

Speak English With Vanessa

• 童年自由度隨世代逐漸收縮：Vanessa 與 Dan 的父母屬於「日落前不用回家」的極端放養世代，他們自己給孩子的自由度則介於中間——允許在自家死巷玩耍，卻發現社區裡的孩子大多都待在室內，推測主因是數位娛樂的排擠效應，而非父母刻意限制。
• 科技從有限工具演變為環境底層假設：1995 年的 Game Boy 可以一天破關、電腦只能打文件；現今幼兒把「視訊才算打電話」視為理所當然，螢幕已從娛樂選項變成生活預設值。兩人刻意不給孩子平板，讓孩子把電腦與「工作」連結，而非娛樂。
• 管教從體罰擺向過度寬鬆，千禧世代正在尋找中間地帶：科學研究使這代父母放棄體罰，但替代方案尚未形成穩定共識，導致部分家庭出現孩子「當家作主」的失控現象。Dan 與 Vanessa 採用計時隔離法（timeout），並強調孩子需要一個明確的「領導者」角色。

Black Hat

• Signal 的隱私設計遠超一般應用：profile 資料全以客戶端生成的 profile key 加密，伺服器只存加密 blob；Sealed Sender 更進一步隱藏發送方，讓伺服器無法知道誰在和誰通訊，這些功能在同類應用中極為罕見。
• 雙棘輪協議解決前後向保密問題：每則訊息使用獨立金鑰加密後立即丟棄（解決後向保密），並定期更換棘輪（解決前向保密），即使攻擊者取得裝置上的金鑰，也無法解密過去或持續監控未來訊息。
• 明文封包驗證缺失導致訊息注入：Signal 協議允許明文封包僅用於解密錯誤回報，但 iOS 完全未做類型驗證，Android 漏掉 data message 的檢查，惡意伺服器可借此將任意訊息注入任何對話中。

Andrej Karpathy's RSS 订阅清单

• 時間護城河正在崩潰：過去 JavaScript 保護的核心邏輯是「拖延時間、抬高門檻」，LLM 的出現不是幫攻擊者「爬樓」，而是直接把整棟樓夷為平地，5 萬美金商業保護方案的價值正在迅速蒸發。
• LLM 不只反混淆，還能重建語義：模型能將混淆代碼還原成結構清晰的 TypeScript，並推斷出原始模組設計意圖，等同於代碼考古而非單純解碼。
• 攻防存在根本性不對稱：進攻是「自動化理解已存在的複雜性」，防守是「不斷生成前所未見的新複雜性」，前者遠比後者容易自動化，使進攻方天然佔優。

MultiVerse

• AI 大幅降低攻擊門檻，精準度呈指數成長。 攻擊者利用 AI 爬取目標的社群媒體資料後，可在幾分鐘內生成高度個人化的魚叉式釣魚內容，使點擊率較傳統釣魚攻擊高出 12% 以上，因為訊息細膩到讓人無從質疑。
• 深偽技術將社交工程攻擊升級至視聽層面。 只需約 4-6 秒的語音樣本即可克隆聲音，搭配偽造視訊會議畫面，攻擊者能讓受害者「親眼看見、親耳聽到」假冒的 CEO，藉此騙取鉅額資金轉帳，傳統「驗人」機制已完全失效。
• AI 本身也是攻擊目標：訓練資料投毒與提示注入是核心手法。 若攻擊者污染 LLM 的預訓練資料集，整個模型的輸出就會被惡意操控；間接提示注入則透過圖片中隱藏的隱寫術指令，繞過系統提示的安全護欄，讓模型執行被禁止的任務。

Web3观察哨

• 攻擊本質是跨鏈橋中心化漏洞，而非協議本身問題。 攻擊者控制了 CBBTC 跨鏈橋的管理員私鑰，憑空鑄造出不應存在的封裝比特幣，再用假資產在 Drift 換取協議內的真實流動性，協議合約審計乾淨也無法阻止這種攻擊。
• DeFi 樂高的系統性致命弱點在於底層基礎設施的中心化。 協議本身或許去中心化，但所依賴的跨鏈橋常以多簽或聯邦模型運作，幾把管理員私鑰就掌控著數億美元資產，這個中心化節點一旦被攻破，所有接入的協議一併遭殃。
• DeFi 保險機制對超大規模攻擊形同虛設。 Nexus Mutual 等保險協議的總覆蓋容量遠不足以賠付此次損失，加上理賠條件複雜、需社群投票，用戶實際上只能自行承擔風險，與傳統金融的存款保險完全是兩個世界。

加密头条

• 私鑰洩漏是最可能的攻擊根因。 資金在極短時間內被大量轉走，且攻擊行為可繞過智能合約警報機制，安全圈主流判斷為管理員私鑰遭竊而非合約邏輯漏洞，這與2022年Ronin Network五個驗證節點私鑰被盜如出一轍。
• 多資產金庫架構放大了攻擊面。 Drift作為綜合性衍生品平台，事發前TVL約5億美元，多資產池設計雖為用戶提供靈活收益，卻同時讓每個金庫的權限設置與資金流動路徑都成為潛在破口，一環失守即全線崩潰。
• 攻擊者的洗錢鏈條高度專業化。 先透過Jupiter聚合器將所有異質資產統一換成USDC，再透過跨鏈橋轉至以太坊，最終換成ETH並分散至Hyperliquid與幣安，多路徑並行讓鏈上追蹤極度困難，整套流程堪稱「教科書級別」。

Practical AI

• 心態轉變：AI不是工具而是同事。講者認為認知AI為機器或工具的觀點有根本偏差，正確的框架是把AI視為具備能力和效率的協作者，尤其在科學與知識工作領域。
• 討論的誤導性：關於AI如何提高科學工作效率的許多論述存在問題。這些討論往往隱含著「工具」的邏輯，而非「同事」的邏輯，導致人們對AI的使用方式和期待產生偏差。
• 互動方式：與AI溝通應採用自然的同事交流方式。不需要特殊的「技巧」或「儀式」，直接告訴AI你在做什麼、你的目標是什麼，期望得到實質性的建議和反饋，就像向辦公室同事請教一樣。

少女投資學 Lynn

• 自主式 AI 已能獨立執行完整商業決策迴圈：Ron 不只執行指令，還能自行抓取社群留言、分析市場反應、提出全新商業計畫，展示 AI 代理人從失敗中學習並轉型的能力。
• 社群媒體的失敗內容本身就是產品：Robbie 把實驗過程發到 TikTok，意外爆紅並暴露出真實市場需求，說明「展示過程」比「完美產品」更能驗證商機。
• 預購模式可在產品成形前驗證需求並取得啟動資金：以 10 美元低門檻預購，同時測試轉換意願並累積真實用戶，最終達到接近 44% 的高轉換率，驗證了產品市場契合度。

ekcheungAI

• 內容生產門檻已極低：AI 影片、漫畫爽劇、圖文內容現在只需懂得調用工具即可產出，能做到的人仍是少數，先動手者佔先機。
• 無露臉頻道是低成本被動收入的可行路徑：Lo-fi 音樂頻道或科普解說頻道可做到百萬觀看，全程由 AI 生成腳本、配音、畫面，幾乎完全自動化。
• AI 客服是香港本地明顯缺口：外國 AI Call Center 已普及，香港慢人一步，懂得整合電話 AI、WhatsApp Bot、預約系統的人，現在切入有商業空間。

Andrej Karpathy's RSS 订阅清单

• 攻擊具備自我複製機制：每次成功入侵都能竊取維護者的發布憑證，再用來污染該維護者負責的其他專案，使被感染節點呈指數擴張，傳統人工響應速度根本追不上。
• LLM 是這場危機的結構性變數：它同時壓低了「發現漏洞」與「構建複雜攻擊載荷」的門檻——過去需要頂尖高手數週設計的隱匿手法（如將惡意代碼藏進音頻文件），現在 LLM 可能數小時內生成。
• 以發布者身份為核心的信任模型已破產：當開發者本機被攻陷，所謂「可信發布者」的人工確認步驟反而成為攻擊者可操控的環節，平台層面的緩解措施治標不治本。

NiuGee

• 無審查模型的本質是移除過濾層，而非修改模型能力。 線上大模型拒絕特定請求，是因為模型外層加了內容過濾器；無審查版本只是拿掉這層封裝，讓模型照其原始訓練能力輸出。
• 本地部署的核心優勢是私密性與無限制性。 本地模型除了節省 API Token 費用，更重要的是可執行雲端服務因合規限制無法完成的任務，且資料完全不離開本機。
• 顯存容量決定可用模型規模與上下文長度。 27B 模型在 32K context 下即佔滿約 30GB 顯存；9B 模型約 7.4GB 基礎大小，context 設為 4K 最省顯存，建議依顯卡大小選擇模型與 context sizing。

The AI Globe

• 智能體 vs 傳統程式碼助手的本質差異：傳統工具給你程式碼讓你自己執行，智能體則從搭建環境、寫碼、執行到修錯全程自動化，最終交付的是「可運行的結果」而非「待執行的程式碼」。
• AutoGen 框架的核心設計：框架由 AssistantAgent（執行者）與 UserProxyAgent（任務發布者）組成，使用者以自然語言下達需求，智能體自主拆解步驟執行，且支援中途插入新需求（如臨時追加蘋果股價）並即時修改。
• Text-to-SQL 大幅壓縮數據分析流程：過去需要數據分析師手寫 SQL、整理報表才能看到數據，現在自然語言一句話直接生成查詢語句並輸出結果，已廣泛應用於報表生成、用戶推薦、即時數據調整等場景。

Beyond the Numbers

• 區塊鏈追蹤技術已能有效溯源，但速度決定一切。 資金在鏈上停留時間極短，若執法機構拖延兩三週才回應，資金往往早已再度轉移，追蹤機會即告喪失。
• 跨境司法管轄是系統性障礙，而非個案問題。 多數詐騙者身處柬埔寨等地的詐騙園區，地方警察缺乏工具、州檢察官不願接跨國案件，導致受害者幾乎無法獲得法律救濟。
• 所有詐騙都遵循相同模式，識別模式比追蹤資金更關鍵。 無論是假投資、愛情詐騙還是假技術支援，犯罪者都製造緊迫感、建立信任、再施壓要求快速轉帳，教育公眾識別這些模式是最具成本效益的防禦手段。

Black Hat

• 視訊會議天然具備隱蔽 C2 所需的全部屬性：低延遲、高吞吐、跨企業廣泛使用，且廠商文件明確建議將其流量排除在 TLS 檢查與全流量 VPN 之外，這使得流量在安全設備眼中屬於「可信基礎設施」。
• TURN 憑證是核心攻擊面：Zoom 與 Teams 均提供可獨立取得的 TURN 憑證（Teams 甚至有未驗證端點），憑證有效期約數天，且與特定會議無關，使攻擊者可在受害者毫不知情的情況下持續使用。
• 此工具設計為「補充」而非「取代」長期 C2：高頻寬操作（如大量橫向移動、內部應用瀏覽）透過長期 C2 會留下異常流量模式，短期通道可承接這些操作，降低主要 C2 暴露風險。

Black Hat

• 簽名驗證普遍缺失：NOSTR 規範未強制要求服務器驗證簽名，導致許多客戶端直接跳過此步驟；一旦客戶端省略驗證，攻擊者可向任何人發送偽造身份的事件（貼文、個人資料），因為沒有後端兜底。
• 加密私訊的密文完整性為零：NIP-04 規範採用 ECDH 金鑰協商 + AES-CBC 加密，但 CBC 模式本身不提供完整性保護；攻擊者即使不知道金鑰，也能透過 bit-flipping 翻轉特定位元，將收款比特幣地址替換成自己的地址。
• 跨協議攻擊突破加密：研究者利用 NOSTR 的 Nsec 遷移協議（設備同步功能）取得明文與密文的配對，再結合 CBC 可延展性攻擊，構造出可控的加密訊息內容——這是設計層面將不同用途共用同一套金鑰所造成的根本缺陷。

Black Hat

• 1. Impostor Commit 是核心武器
• 攻擊者無需直接修改目標倉庫程式碼，只需在 fork 中建立惡意提交，再將原倉庫的 release tag（如 v4、v44）指向該提交即可。因為 GitHub API 允許標籤指向 fork 中的提交，這個「幽靈提交」不會出現在倉庫任何分支的 commit history 中，傳統審查工具完全看不見。
• 2. 記憶體 dump 是憑證竊取的手法

欸那個AJ

• NotebookLM 修改功能的正確用法：先把所有頁面的提示詞都寫好，再一次性按「生成修訂簡報」，避免逐頁修改導致整份重做浪費額度。每頁可給不同指令（如改成科技感風格、改圖表類型等）。
• DeckEdit 工具的運作原理：下載 PDF 格式簡報，上傳至 DeckEdit 網站轉換為 PPTX，此工具會利用你的電腦算力做文字辨識與移除再重新放回，準確度約 95%，可能需要手動修正部分錯字。
• Canva 方案的效率優勢：在 NotebookLM 先生成英文版、下載 PowerPoint 格式，在 Canva 用「抓取文字」功能快速掃描圖片內的所有文字，再用「魔法切換」直接翻譯成繁體中文或其他語言，處理速度最快。

李哈利Harry

• Vibe Coding 是第三次 AI 革命的起點：從「對話 AI」到「工具串接自動化」，再到「用自然語言直接生成完整工作流代碼」，每一代的核心差異是人介入程度的降低與產出效率的倍增。
• 效率差距決定工具選擇：講者以親身案例說明，在 N8N 上耗費一週反覆除錯的複雜 RAG 系統，用 Claude Code 以對話方式不到一小時完成，且支援圖文混合 PDF 精準嵌入向量資料庫，AI 自動找 bug 不需人工排查。
• Vibe Coding 有 4 個必須防範的坑：上下文漂移（對話過長 AI 遺忘指令）、代碼幻覺（AI 捏造不存在的函數）、過度設計（跳過計劃模式直接執行）、上線後缺乏可觀測性（需搭配 Triggered.dev 等監控平台）。

Black Hat

• 補丁無效根源：VMware 2021 年針對 xHCI 的修復僅調整了函式執行順序，研究者發現無需新程式碼就能繞過，透過修改 slot 狀態再執行 disable slot 命令，仍可觸發相同的 UAF，代表漏洞本質上從未被修補。
• 受限 UAF 的創意利用：UAF 操作只能對偏移量 +0x205C 的四位元組做減法，研究者利用 xHCI 字串上下文哈希表（每元素 12 位元組，剛好對齊）作為 primitive，將字串上下文指標的低四位元組改寫為指向偽造物件，再藉堆疊重疊達到任意讀寫。
• 沙箱逃逸利用 CBT 驅動：ESXi 沙箱以 security domain 限制系統調用；VMX 進程對 CBT（Change Block Tracking）裝置有讀寫權，而 CBT 驅動的位圖更新函式缺乏邊界檢查。先擴大磁碟欄位讓位圖大小不同步，即可觸發 OOB Write，最終修改系統調用掩碼關閉沙箱。

Black Hat

• CodeQL 內建規則存在大量漏報。 研究團隊嘗試用 CodeQL 偵測近期高風險漏洞時，發現主因有二：source/sink 覆蓋不完整，以及特定語言特性導致資料流中斷。這兩個根本缺陷驅動了整個研究方向。
• LLM 三代理流程可自動化 source/sink 識別。 Discover Agent 做檔案層級掃描找候選函式；Judge Agent 套用社群專家規則（如函式需為 public、回傳值需能傳播受汙染資料、回傳型別不可為 boolean）過濾誤報；Validation Agent 下載依賴該框架的真實開源專案，執行 SAST 掃描驗證函式確實被使用，未被使用的 source/sink 一律移除。
• 跨執行緒分析透過 Jump Step 橋接。 CodeQL 預設無法追蹤資料從 Runnable 建構子流入 `run()` 方法的路徑。研究團隊利用 `additionalValueStep` 介面，依資料是在 `start()` 前、後傳入的不同時機，分別定義跳躍策略，讓資料流路徑得以完整連通。

Tech With Tim

• 权限与隔离机制：Co-work 仅能访问你明确授权的文件夹，一旦授权该文件夹内所有内容可被修改或删除，故需谨慎选择权限范围。浏览器自动化可登录账户、扣款，需密切监控其行为。
• 项目与记忆管理：单次任务互相独立、无记忆；创建项目后 Claude 才能跨对话保留上下文，这是获得稳定结果的关键方法。
• 多代理并行搜索：Co-work 可同时分配任务给多个子代理进行并行搜索，加快完成速度，最终令牌消耗量相同但响应更快。

Sam 6

• 生成速度差異明顯反映技術底層差異。AiPPT.com 用 40 秒完成，遠快於其他平台，對工作效率產生直接影響，特別是在時間緊迫的工作場景中優勢顯著。
• 設計質量與排版精細度決定簡報視覺呈現。AiPPT.com 採用專業模板、排版細緻，視覺比例恰當；而 Gamma 版型簡化、Notebook LM 文字過多堆砌，都不利於簡報表達重點。
• 可編輯性與工作流彈性攸關實用性。AiPPT.com 支援直觀的文字編輯、AI 圖像生成替換、即時模板切換等功能；Notebook LM 需靠對話框文字指令重新生成，效率低。

Agent 创世纪

• 自動研究循環取代人工直覺：Claudini 建立五階段閉環流水線（提議 → 編碼 → GPU 提交 → 評估損失曲線 → 反補迭代），研究人員只提供環境與評分函數，AI 自主發明優化器，繞過人類經驗上限。
• 結構性創新優於超參數調優：傳統 Optuna 工具只在既有 25 種算法內微調參數，容易過擬合；Claude 代理則能自主編寫原本不存在的算法結構，實現訓練級與驗證級損失同步下降，泛化能力顯著更強。
• 零樣本跨模型遷移驗證底層法則：算法僅在 Qwen、Gemma 等模型的無意義亂碼上訓練，從未接觸 MetaSec Align 70B，卻實現 100% 攻擊成功率（基線僅 0.6%），證明代理發現的是跨模型家族的普世優化法則。

Shield Spectrum

• 滲透測試與紅隊演練的本質差異
• 滲透測試目標明確、時間有限，只測單一系統；紅隊演練則模擬真實攻擊者的完整入侵路徑，包含社交工程、持久化與資料竊取，目的是讓組織看見整體防禦的破口。
• AI 能複製攻擊者的思維邏輯

Collapse Matrix

• 冷錢包多簽機制遭繞過非蠻力破解：攻擊者不攻加密本身，而是入侵員工端開發機器，在簽署介面上注入偽造顯示，使員工看到合法地址卻實際授權至攻擊者控制的錢包，這代表制度性安全設計的最薄弱環節是人機介面而非密碼學本身。
• 區塊鏈的不可篡改性是調查的根基：所有交易帶有時間戳且無法竄改，區塊鏈鑑識從錨點出發，透過地址聚類、共同消費分析、已知實體歸因資料庫，系統性追蹤資金流動，使48小時快速歸因成為可能。
• Lazarus Group擁有可識別的鏈上指紋：多年攻擊行動留下特定錢包聚類行為、交易跳點時間規律、慣用混幣服務等可重複辨識的數位行為模式，使歸因不依賴推測而有實證依據。

茱莉英語-Julie English

• be 動詞隨人稱與時態變化最多：I → am、you/複數 → are、he/she/it → is；過去式統一為 was（單數）/ were（複數）。這些變化必須記熟，因為它既是主要動詞（「是」），也是進行式的核心助動詞。
• do / does 是改寫句型的關鍵工具：當句子動詞為一般動詞時，否定句在動詞前加 don't / doesn't，疑問句在句首加 do / does。助動詞後面的動詞一律還原為原型，且回答時必須用 do / does 呼應，不能直接重複主要動詞。
• have / has + 過去分詞構成現在完成式：用來表達「從過去持續到現在才完成的事」或「截至目前的經驗」，第三人稱單數主詞改用 has，否定加 haven't / hasn't。

奇奇怪怪的短视频

• AI 智能體的能力躍升使安全威脅等級質變：過去風險是 AI「說出」不該說的話，現在是 AI「自主執行」大規模有害任務，例如批量發送惡意郵件，兩者的傷害規模天差地別。
• 傳統紅隊測試的盲點在於只看單點、忽視鏈式行為：AI 智能體的危險往往藏在一連串看似無害的操作之後，逐步累積才爆發，舊測試框架根本看不到這條鏈。
• T-MAP 以「軌跡感知」模仿 AlphaGo 自我對弈的方式進化攻擊：它分析歷史攻擊成敗、生成新指令、執行、評判，不斷迭代，最終能找出跨多步驟的組合漏洞。

yuangeAI

• 越獄提示詞是核心關鍵： TWEAKCC 的系統提示欄位允許使用者注入任意提示詞，只要貼入對應模型的越獄提示詞並儲存，模型即可突破原有安全限制執行被拒絕的任務。
• API 分組的選擇直接影響越獄成功率： 作者測試後指出，「claude code 專屬分組」與「官轉克勞德 1/2 分組」的安全防火牆較低，越獄有效；普通預設 API 分組則效果不穩定，建議同時綁定多個分組作為備援以避免額度中斷。
• 操作權限模式決定自動化程度： 工具提供唯讀、讀寫需批准、全自動三種模式，作者選擇全自動，使模型可不經人工干預直接修改本地檔案，等同於讓 AI 代理直接控制檔案系統。

Professor Lao

• 情境比句型更重要：教師為每個短句設定具體場景（職場、會議、朋友對話），因為相同語意在不同情境中語氣與得體程度差異極大，例如「It's not a big deal」若語氣不對反而顯得無禮。
• 縮讀與口語化是母語者的常態：教師反覆示範 gonna、it'll、lil 等縮讀形式，說明即使在職場正式場合，母語者也自然使用縮讀，英語學習者不必刻意迴避。
• 「理解」與「能說出口」之間仍有落差：教師指出大多數 B2 學習者早已理解這些句子，但在真實對話中無法自然說出，這個落差只能靠持續開口練習來彌補。

AI賺錢研究所

• AI 是加速工具而非全自動賺錢機器：AI 能在幾秒內生出一篇文章，但生成的只是初稿，語氣、細節、正確性仍需人工調整，因此正確定位是「提高寫作效率」，而非「一鍵產出收入」。
• 變現管道決定你該累積什麼能力：接案寫作吃的是交付能力與速度；經營自媒體部落格靠的是 SEO 流量與聯盟行銷長尾收益；替商家寫社群貼文與電商文案則考驗文案轉換力，三條路各有不同學習曲線。
• 新手應先建立作品集再談接案：在沒有案例的情況下貿然找客戶成功率極低；先用 AI 產出幾篇示範文章、修改至自然流暢、整理到 Google Docs 或 Notion，讓人看到你的能力，才能有效開始接單。