容器、gVisor、microVM 差在哪：核心、系統呼叫與硬體誰和誰共用
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。
ai
1239 篇文章沒有網路也能傳資料：共用快取、儲存與 CPU 時間怎麼變成訊號
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。
防守清單怎麼讀：隔離、降噪與偵測各擋哪一類問題
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。
出口不只一個：套件代理、DNS 與「替人跑腿」的服務
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 紅隊報告怎麼讀：四種通道、實驗條件與沒公開的數字
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。
Agent 的程式碼跑在哪裡：容器、核心、主機、網路與監控五層隔離
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。
投稿前怎麼請 AI 審稿：哈佛 King 與 Worthington 的實驗、提示詞與限制
King 與 Worthington 拿 124 篇稿件的 134 份付費專家預審，對照 Claude Opus 4.8 的審查：GPT-5.5 評審的 132 組有定論配對全選 AI，3 位前任編輯在 30 次判斷中選了 26 次。結論只適用於投稿前的建設性意見，不等於期刊審查。
個人 AI 助理怎麼選：代管的 Duet、Muse、Dots、Grok Bot，對上自架的 OpenClaw、Hermes
Duet、Muse、Dots、Grok Bot 和 OpenClaw、Hermes 都能在背景替你處理信件與帳號，差別在電腦、憑證、審批和資料由誰掌握。代管型省設定，但模型和資料政策由廠商決定；自架型可換模型、能看原始碼，但沙盒要自己開。
Perplexity Computer 本地模式怎麼選：完全本地、Hybrid、記憶體與雲端邊界
Perplexity Computer 在 10 月 20 日新增完全本地模式：模型與 agent 都跑在 Apple silicon Mac 上，Pro、Max、Enterprise 訂閱者可用，官方建議 36GB 以上記憶體。檔案與推理留在本機，但即時資訊、瀏覽器和寄信仍會連網。
Claude Code 團隊怎麼做 code review：七層檢查、風險分級與人力配置
Anthropic 說 Claude Code 約 90% 的程式碼由 Claude 撰寫。這篇導讀他們的審查流程：PR 先過七層檢查，人力依風險分 0／1／2 人，目標是每個變更最多一位真人，而且 revert 不增加。
讓 coding agent 做逆向工程：REA 的 MCP 工具、證據紀錄與適用範圍
REA 是一個 MIT 授權的 MCP server，讓 Claude Code、Codex、Cursor 等 agent 透過 Ghidra、Hopper 或 IDA 讀原生執行檔，也能直接拆 Electron、.NET、APK 與網頁。它跟 GhidraMCP 這類單一引擎橋接的差別，在於每筆結果都附證據 ID、涵蓋範圍與限制。一行 npx rea-agents setup 裝好，分析 JavaScript 不用任何反組譯器。
Agent 省 Token 時怎麼保住工具結果與技能指令：分類保留、可恢復清除、快取與成本驗收
為了減少每輪重送歷史的輸入 token，agent 平台常截斷、清除或摘要舊的工具結果，技能（skill）指令、寫入回執與錯誤訊息也會一起被砍。The Complexity Trap 顯示觀察遮罩能把成本砍半，但 Gemini 2.5 Flash thinking 的完成率仍從 40.4% 掉到 36.4%。省多少要跟完整歷史比，修多少要跟現況比，看的是每個成功任務的總費用，不是單輪輸入變短。
Agent 工具搜尋與按需載入怎麼選：工具組完整性、模型工具上限與快取
Claude 文件指出工具超過 30–50 支後選擇準確度會下降，Claude 與 OpenAI 都改用按需載入的 tool search。但搜得到不等於做得完：ToolRet 的 43k 工具基準上，沒有一個檢索器能在前 10 名湊齊完整工具組超過 35%。本文把問題拆成五個失敗點，對照七種做法與一套驗收指標。
Agent 時代，你可能累錯地方了：Matt Pocock 的 18 條錯誤清單怎麼讀
Matt Pocock 在 X 貼出 18 條「你可能正在犯的錯」，只有標題沒有說明。照他公開的 skills 與演講分成五組：驗證、放手、context、對齊、思考。其中六條直接對應 /retro 的檢查類別，今晚就能拿一次 session 試。
Post-training 從聊天走到 Agent：公開材料導讀｜Stanford CS329A 第 9 堂
聊天模型的獎勵看單則回覆像不像人喜歡的答案；Agent 的獎勵要看多步操作後任務有沒有真的完成，兩者需要的資料與環境不同。
LLM 推理：中間 token 為什麼有用｜Stanford CS329A 第 15 堂
推理是輸入與輸出之間的中間 token；RL 微調勝過模仿人類解答的關鍵是可靠的驗證器，多次取樣再選最常見的答案能再往上推。
數學奧林匹亞的三套系統：驗證從哪裡來｜Stanford CS329A 第 16 堂
AlphaGeometry2 靠符號引擎、AlphaProof 靠 Lean 驗證，2024 年合計 28 分；2025 年 Gemini Deep Think 用自然語言拿 35 分，驗證改由人類閱卷。
自主 Agent 系統：獎勵與理解才是瓶頸｜Stanford CS329A 第 18 堂
Laskin 的判斷是工程師八成時間在理解系統而不是寫程式；而 RL 能走多遠取決於有沒有乾淨的獎勵，這個問題他認為和超級智慧一樣難。
機器人的多模態 Agent：VLA 怎麼接上動作｜Stanford CS329A 第 19 堂
VLA 在視覺語言模型上加一個動作模組；讓動作模組的梯度回傳會損害語言理解，knowledge insulation 的作法是擋住梯度；π0.5 則用網路資料與多種機器人資料一起訓練來換取泛化。
Agent 產品怎麼決定可以上線：Meta Muse 的行為清單、雙門檻與體感檢查
Alexandr Wang 說 Meta 把個人 Agent 需要的 100 多項行為各建一個 eval，每項設「阻擋上線」與「算好」兩條門檻，等到第一個全綠的檢查點出現，並確認實際用起來明顯更好才上線；另外也做了新手使用者測試。這套做法可以照抄，但上線後的安全爭議也說明：全綠不等於安全。