AI 是新時代的 baseline:BossAI、ARTEX 事件之後,自己的系統先打一輪
花蓮的 BossAI、高雄的 AI 自學駭客、首爾的 ARTEX 案,顯示全自動攻擊系統不需要資安背景也能架起來,單一操作者幾週就能掃過數百個目標。自己的系統先用 AI 對原始碼跑一輪資安 audit,再用 ARTEX 類框架自測,兩者成本都遠低於外包滲透測試。
花蓮的 BossAI、高雄的 AI 自學駭客、首爾的 ARTEX 案,顯示全自動攻擊系統不需要資安背景也能架起來,單一操作者幾週就能掃過數百個目標。自己的系統先用 AI 對原始碼跑一輪資安 audit,再用 ARTEX 類框架自測,兩者成本都遠低於外包滲透測試。
掃了 7 天、85 個 session:104 次 compaction、20 次 SIGKILL、24 次型別檢查 OOM、72 則使用者追問。結論是硬規則從 CLAUDE.md 搬進 PreToolUse hook,MEMORY.md 刪掉 16 條 git 查得到或已失效的條目。
Google 的 Professional Agentic Architect 以 hybrid 兩部分的方式考驗:先過 Pearson 監考的選擇題,再過 Google Skills 的 hands-on labs。兩部分都是必修。官方 GA 規格是 2 小時、50-60 題選擇題、$200、英文、效期一年;beta(2026 年 9 月 8 日至 30 日)是 3 小時、約 80 題、$120。
同一份上下文要問多題時,Flide 只算一次共用狀態再分岔給每一題,答案與單獨問一致;最佳情況比 vLLM、SGLang 快 9.5 倍,多題共用狀態的負載平均約 1.3 到 3.3 倍,每個輸入只問一題時只剩約 1 到 3 倍。
同時開好幾個 Claude Code、Codex 或 Cursor 的 session,dev server、測試 worker 和 Playwright MCP 會在 session 結束後變成孤兒繼續跑,swap 被吃到 30 GB、測試卡住。macOS 沒有單一程序的記憶體上限,要靠 SessionEnd hook、定期回收孤兒、記憶體守門三層一起擋。
想試「讓 AI 用一台雲端電腦」,先用 Simular box:電腦免費,一行指令接上 Claude Code 或 Codex;缺點是規格官方沒公布、一個帳號只有一台、仍在 beta。要多台或常駐改選 Orgo(月繳 $29 起)或 Runloop,只跑指令選 E2B 這類沙盒,只碰網頁選 Browserbase 這類瀏覽器服務。
安裝 OpenCode 2 後,先直接選用內建免費模型,完成第一個生活小任務;想換更多模型或在自己的程式呼叫免費 API,再接 OpenRouter。
LLM 寫作有四個常見通病:否定式對比(先駁倒沒人說過的 X)、意義抬高(把普通事實包成轉折)、指示型摘要(只說談什麼、不給結論)、過度概括(摘要丟掉條件與範圍);前三個刪空話、直接寫答案,第四個拿原文逐句對。否定式對比已追到訓練用的偏好資料,模型修訂稿時還會把它換成另一種對比句型,所以只在 prompt 禁字未必擋得住。
對每一句否定式對比問兩件事:讀者心裡真的有 X 嗎?否定 X 會讓讀者多知道什麼嗎?任一個沒有,就刪掉 X 直接寫 Y。NLP 論文的 rather than 從 2019 到 2026 年變成約 7 倍,五個商用模型寫中文時,這類句式的密度是人類參考語料的 2.5–9.2 倍;模型幾乎沒用錯,但一半以上可有可無,一篇用了八次,總有一句會讓讀者煩。
四個起點是同一條樓梯,不是選單:缺記憶與續傳就加 DO,缺 chat 管線用 AIChatAgent,缺 loop 管理上 Think 或 PiHarness,要拆工作才看 dynamic agents。
兩小時的課程影片約 72 萬 token,Gemini 的 API 收得下,Claude 與 ChatGPT 的 API 文件沒有列影片輸入;程式碼這條線 Claude 與 GPT 在 Vals 榜上只差 0.8 分,該比的是速度與成本;X 輿情與代填結帳找 Grok,現成 App 與語音找 ChatGPT。
偵測與稽核工具是一條光譜:Uber ADR 的開源版純事後讀紀錄,numbat 預設只監控,其餘多半賣點是能在動作前擋,預設卻先只觀察。紀錄能不能當證據,取決於誰能改它:簽章金鑰和被稽核的 agent 同機同使用者時,只能發現竄改,不能防止竄改。
護欄在 agent 動作之前攔截。Claude Code 上的主要接點 hook,官方文件寫明大多數事件上出錯或逾時會照常執行,要擋得設 onFailure: block。別的工具各有各的出錯行為與預設:Agent Governance Toolkit 的函式庫沒載入政策時放行,NeMo 的偵測器連不上時放行,llm-guard 與 rebuff 已封存。選護欄先問三件事:攔在哪、掛了怎樣、誰能改規則。
容器共用 host 核心,gVisor 在中間插一個使用者空間核心,microVM 多一個 guest 核心加 hypervisor;三種都還共用同一台 host 的 CPU 快取與儲存。
兩個互不連線的程式可以靠共用資源的快慢傳位元:一方改變資源狀態,另一方計時。這類通道要先約好協定,速度慢、容易被雜訊蓋掉;本機實驗在 20 bps 以下幾乎全對,100 bps 以上錯誤明顯增加。
沒有任何一項防守同時擋住旁路通道與出口。擋通道的核心是不共用,擋出口的核心是收窄被放行的服務,監控只負責發現,自動停止是事後回應,兩者都不是預防。
沙盒沒有直連網路,不代表沒有出口:套件代理、DNS 解析器、metrics 服務這類被放行的服務,只要能替人發請求就是出口。OpenAI 的三個案例都是這個形狀。
OpenAI 自述紅隊 agent 在共用主機上用快取、儲存、CPU 時間與 TLS 憑證快取做出通訊管道,多數通道很慢;多數測試被指定了通道或給了協定,頻寬與錯誤率沒有公開。
一段 agent 程式碼從執行到連線會穿過五層:容器、核心邊界、共用主機、網路邊界、監控。每層只承諾一件事,共用主機這層幾乎沒有承諾。
依我的判斷,OpenAI 談的是訓練前沿模型的研究環境;個人 agent 最該先做的是限制憑證與出口,旁路通道要到有第二個需要被隔離的租戶時才變成主要風險。