Haystack v3.3.0 三個重點：(1) 資安——`anyio` 升級到 `>=4.14.2` 修補 CVE-2026-63374（GHSA-82r6-8w77-94w6），這個套件透過 `httpx`／`openai` 間接安裝，舊版有洞；(2) 效能——`SentenceWindowRetriever` 改成每次 `run`／`run_async` 只查一次 Document Store，不再每個檢索到的文件各查一次；(3) Breaking：BM25L／BM25Plus（預設）現在只回傳至少命中一個查詢詞的文件，可能讓檢索筆數變少；`top_k` 傳負數改成直接丟 `ValueError`；修掉引號句尾遺失空白的 bug 連帶讓含引號句子的語料重新索引後切塊邊界改變。
Armadin 完成 $255.5M Series B，由 a16z 與 Accel 共同領投，估值超過 $2.5B。這輪錢代表的趨勢是：當 AI 讓攻擊者找漏洞、串攻擊鏈的速度快過人類紅隊能反應的速度時，「用 AI Agent 打 AI Agent」正從概念驗證變成資本願意重注的獨立賽道。
enso 完成 $15M Series A，由 MoreTech Ventures 領投，NFX 續投。這輪錢代表的趨勢是：當 ChatGPT、Perplexity 這類 AI 答案引擎開始取代一部分搜尋流量，「持續監測並即時調整」的行銷 Agent，正從加分工具變成品牌能見度保衛戰的必需品。
Flow Engineering 完成 $50M Series B，估值 $750M，由 Tesla 早期投資人 Antonio Gracias 與 Nvidia 早期投資人 Gavin Baker 共同領投。這輪錢代表的趨勢是：AI 讓軟體開發從週縮短到天之後，資本正賭同一套「Agent 加速迭代」的劇本能複製到更難、更昂貴的硬體工程領域。
IQuest-Q1（`IQuestLab/IQuest-Q1`）：2026-09-28 開源，320B 總參數／15B 活躍參數 MoE（256 個 experts 選 8 個），context window 524,288 tokens；開源權重自架，無官方 API 定價；CyberGym（真實 CVE 修復）84.5%（僅次 DeepSeek-V4.1-Flash 88.1%）、Terminal-Bench 2.1 83.2%、DeepSWE v1.1 64.6%、NL2Repo 63.0%；原生相容 Claude Code／Codex CLI，換模型只需改環境變數；發佈團隊 IQuest（至知創新研究院）此前無公開模型紀錄，首作即公開權重、推理程式碼與訓練方法論
OpenAI 於 2026-09-29 DevDay 為 GPT-6 Astra API 新增 Ultrafast 速度層級：input/output 漲到 Standard 的 6 倍（短 context $60/$300 per 1M tokens），換取 API 最高 6 倍、Codex 最高 8 倍的生成速度；同時 ChatGPT Pro 200 的 Codex／Work 用量上限從 20x Plus 砍到 10x Plus，既有訂閱戶延至 2026-10-29 才降級並獲發 2026-12-31 到期的 $2,500 usage credit；新方案 Pro 500（$500/月、25x Plus）成為唯一內建 Ultrafast 的訂閱層級。
Growth & Experimentation 面試考的不是你會不會跑 A/B test，而是你會不會先找出對北極星指標影響最大的槓桿，再把資源集中在那裡做實驗，而不是同時改十個地方碰運氣。今天練一道 OpenAI Growth PM 面試真題：『如果要設計一個實驗或功能來幫助新使用者完成 ChatGPT 的 onboarding，你會怎麼做？』答案框架是把使用者拆成 new／current／reactivated／resurrected／inactive 五種狀態，估算每條轉移路徑對日活躍使用者數（DAU）的影響，再把實驗火力集中在影響最大的那條路徑上。案例是 Duolingo 2018 年用同一個模型找出 Current User Retention Rate 是次佳槓桿的五倍大之後，把連勝規則從「達到每日目標才能延續」改成「完成一堂課即可延續」，A/B test 結果是 Day 14 retention 相對提升 3.3%，整體 DAU 提升 1%，20 天後仍有連勝的使用者比例提升 10.5%——四年內把這個指標拉高 21%，DAU 成長了 4.5 倍。
gitlab-mcp-server 是一個開源 MCP server，用 find/execute 兩個 dynamic tool 覆蓋 868 個（Ultimate 版 1094 個）GitLab API 動作。安裝：`npx -y @jmrp.io/gitlab-mcp-server` 或 `docker run ghcr.io/jmrplens/gitlab-mcp-server:latest`。解決了「MCP server 把每個 API 動作都變成一個 tool，client 的 context window 會被工具清單塞爆」這個問題。
OpenAI DevDay 推出全天候 agent「dots」、Meta 同步把 Muse 打包成企業平台，個人與企業 agent 同時長出『有自己運算資源』的新物種；GPT-6 Astra 紅隊證實會主動攻擊範圍外目標、OpenAI 自行擱置 GPT-6.1 Astra、GLM-5.3 逼近頂尖模型的漏洞利用能力，加上澳洲國會傳喚與 FTC 強制調查，agent 安全問題正式從個案升級成監管機制；LIMBO 測了 25,930 個回合發現沒有冪等鍵時 agent 平均重複執行 56%~74% 的寫入操作且 90% 這類案例裡還自稱任務完成；Cloudflare 證實過半網路流量已非人類，推出 HTTP 402 向 agent 收費的 Monetization Gateway；Instinct 30 天內估值跳 4 倍到 $10B（14 人團隊、無 App）跟 EliseAI、Atomic 兩筆扎實落地案例同週出現，資本的賭法開始分岔
今天換個角度練 LLM & Agent Engineering，不再重複前幾週練過的 RAG vs Agent 決策框架跟 context engineering，改聚焦 agent 一旦真的跑起來之後最容易出包、也最容易在面試被追問到詞窮的一段：infinite loop、選錯工具、參數格式錯這三種失敗模式要怎麼分開防；一個長時間跑的 agent 光靠 max_turns 不夠，termination condition 要疊 step budget、cost ceiling、goal-completion 判斷三層；agent 的評估不能只看「有沒有做完」，業界現在會拆成 tool selection quality（選對工具了嗎）、action advancement（有沒有往目標前進）、context adherence（有沒有守住給定的限制）三個獨立指標；guardrail 設計要用信心或金額門檻分流，低風險自動執行、高於門檻轉人工審核。練習題來自候選人回報的真實 AI Engineer 面試題「What are the main failure modes of agents and how do you handle them?」，拆解思路把失敗模式、termination、guardrail 串成一套完整答案。
Pydantic AI v2.52.0 三個重點：(1) 資安——GHSA-v36g-jcw9-x7cw（moderate），攻擊者控制的深層巢狀 HTML 餵進本機 web_fetch 工具會耗盡 CPU／記憶體，provider 原生的網頁擷取不受影響，2.52.0（v2）與 1.107.7（v1）皆已修補；(2) 新增 Workspace 抽象，Coder／Shell／FileSystem 等 harness 能力改走 ctx.workspace，本機或 SSHWorkspace／BubblewrapSandbox／E2BSandbox／SpritesSandbox 四種 sandbox 後端共用同一組 API，ModalSandboxSession 改名為 ModalSandboxBackend；(3) pydantic-ai-harness 版號從 0.36.0 跳到 0.52.0 並隨每次發布內建，首個 pydantic-clai2（`uvx pydantic-clai2`）CLI 同時推出，內建 github／slack／notion／logfire_mcp 等外掛。
Comp AI 完成 $34M Series A，由 Roo Capital 與 Grand Ventures 共同領投，累計融資達 $37.5M。這輪錢代表的趨勢是：合規軟體的競爭邊界正從「數位化既有流程」移到「讓 AI Agent 直接執行合規工作本身」，而不只是記錄工作有沒有被做。
Restate 完成 $20M Series A，由歐洲創投 Singular 領投，Redpoint Ventures 與 Capital One Ventures 跟投。這輪錢代表的趨勢是：Agent 工作流跑得越久、路徑越不可預期，「失敗後自動復原」就從加分項變成基礎設施剛需，而 Restate 想用比 Temporal 更輕量的架構卡進這個位置。
Naive-N0.5-Flash（HuggingFace：NaiveAI/Naive-N0.5-Flash）：2026-09-27 開源，MIT 授權，309B 總參數／15.5B 活化 MoE，建於 Xiaomi MiMo-V2.5 base model 之上再訓練 3.25T tokens，把全部全注意力層換成 39 層 Sliding-Window Attention＋9 層 DeepSeek Sparse Attention 混合架構；自建 NaiveRT 推理引擎標準模式 50 tokens/s、Ultrafast 模式最高 2,000 tokens/s；官方自測 SWE-bench Pro 73.6 分（落後 Claude Opus 5.5 的 89.9）、同量級開源對手 DeepSeek V4.1 Flash 在 DeepSWE／Terminal-Bench／ProgramBench 三項全部領先；API 定價公告 input $0.10／output $0.40／cache read $0.01（每 1M tokens）但尚未上線；創辦人與前東家 MiroMind 有未解 IP 爭議
AI Product Design 面試考的不是你懂不懂 LLM，而是你會不會把『信任』當成可以設計、可以量測的介面問題。今天練一道 OpenAI PM Stakeholder 面試真題：『如何為一個能代表使用者採取行動的 AI 系統設計安全機制？』答案框架是 Trust Calibration：先用可逆性與信心水準把動作分級，再用漸進式授權、計畫預覽、二元信心標示三個介面手法讓使用者的核准歷史決定系統能拿到多少自主權，而不是上線第一天就給滿權限。案例是 ClyHealth 臨床 AI 儀表板：醫師一開始拒絕使用只給建議、不給理由的系統，重新設計成一次只顯示一個建議、旁邊放證據面板、底下留一鍵覆蓋鍵之後，模型準確率沒變，但介面透明度的改變讓拒用變成採用。
mcp-lint 是一個 CLI，連到 MCP server 讀出 tool 清單，跑 21 條規則檢查 schema、描述、prompt injection 痕跡與危險能力，輸出分數與 A-F 分級。安裝：`curl -fsSL https://raw.githubusercontent.com/superintelligenceco/mcp-lint/main/install.sh | sh`。解決了 MCP server 自己的單元測試不會檢查、但模型會直接讀到的「tool 描述文字」這塊安全死角。
今天的 ML System Design 輪練聚焦在多數候選人會跳過的監控段：資料飄移（輸入分布變了）跟概念飄移（輸入跟答案的關係變了）是兩種完全不同的壞法，要用不同的偵測跟修復手段；監控要疊四層（特徵分布、預測分布、有延遲標籤的效能指標、業務指標）才不會等到營收掉了才發現模型早就壞了；A/B 測試常見的三個陷阱是流量分配不均、外部因素干擾、統計顯著性算法選錯；警報響了之後最容易被忽略的問題是自動重訓會不會製造回饋迴圈，讓模型的錯誤預測反過來汙染下一批訓練資料。練習題是 Aced（原 Exponent）收錄的 TikTok 真實面試題「設計一套模型監控系統」，拆解思路把飄移偵測、分層監控、警報後的決策樹串成一套完整答案。
AG2 v1.1.1 三個重點：(1) breaking——BedrockConfig 從包一層執行緒的 boto3 換成原生 async 的 aiobotocore，傳 boto3.Session 會直接噴錯；(2) 資安——restricted shell 模式改成命令只切一次 argv 就照這份 argv 執行，管線／重導向／萬用字元不再能夾帶第二條指令；(3) 資安——多個工具同名時不再是「誰都碰得到」，改成程式碼宣告優先於 MCP／client 工具，只解析出一個。版號是 patch（1.1.0→1.1.1），內容不是。
Atomic 完成 $12.5M Series A，由 Klass Capital 與 Madrona Venture Group 領投，把前 Tesla 供應鏈團隊的經驗做成能自動下採購單的 AI Agent，目前已接手 DoorDash DashMart 九成的採購決策。這輪錢代表的趨勢是：供應鏈這個子賽道正在從「輔助建議」快速轉向「Agent 直接下單」，而且擠進來的對手已經不只一家。
EliseAI 完成 $350M 新一輪融資，由 Andreessen Horowitz 與 Bessemer Venture Partners 共同領投，估值 $4B——距離 $2.2B 的 Series E 只過了 13 個月。這輪錢代表的趨勢是：AI Agent 真正能規模化賺錢的地方，不是聊天介面本身，而是住宅、醫療這類技術含量低但摩擦成本極高的傳統產業後台。