融資速報｜Mave 完成 $34M 融資（Agentic SecOps 讓 Agent 接管事件調查）
Mave 完成 $34M 融資，其中 $28M 為 Series A，由 Red Dot Capital Partners 領投。這筆錢的信號：SecOps 的下一個戰場不是「買更多安全工具」，而是「讓 Agent 在既有工具之間自己跑完調查」——Mave 的 ARR 一年內成長超過 4 倍，證明企業已經在為「Agent 接手事件調查」付費，不只是概念驗證。
daily
816 篇文章模型卡｜KRAFTON Raon-1 mini
Raon-1 mini preview：PUBG 開發商 KRAFTON 旗下 KRAFTON AI 從零訓練的 28.8B 總參數／4.3B 活化參數 MoE 模型，262,144 tokens context，Apache 2.0 開源權重；混合注意力架構（Raon Delta Attention + Gated MLA）把 KV cache 壓到每 token 約 8 KiB，自帶 DFlash2 投機解碼草稿模型在 B300 上最高提升 2.18 倍吞吐量；韓語口語對話內部基準 92.9 分大幅領先同量級 Qwen3.6-35B-A3B（74.5）與 Gemma 4 26B-A4B（90.6），但 MMLU-Pro、BFCL 工具呼叫基準落後 Qwen3.6-35B-A3B；尚無官方 API 定價，僅開放權重與限時免費 playground。
定價追蹤｜Claude Sonnet 4.5 將於 11/30 退役，官方替代降價 33% 但帳單省不到那麼多
Claude Sonnet 4.5 於 2026-11-30 從 Claude API、Claude Platform on AWS、Microsoft Foundry 退役，無寬限期；官方建議替代 Claude Sonnet 5.5 單價降 33%（input $3→$2、output $15→$10），但 Sonnet 5.5 的新 tokenizer 讓同樣文字多產生約 30% token，實際帳單省幅通常落在 10-15%，不是牌面的 33%。
Product Builder 面試日練 — 2026-10-23：Growth & Experimentation
今天的骨架是：先用 North Star Metric 把『成長』定義成一個主指標加幾條輸入指標，再用 Eric Ries 的三引擎框架（sticky、viral、paid）判斷產品現在靠哪一個引擎長，避免把所有成長題都答成『加分享功能』。練習題是結帳漏斗一週掉 20% 的真實診斷題——先排除資料本身壞掉和外部因素,才輪到使用者體驗假設,這個順序本身就是分數。案例是 Clay 從 20 個付費客戶的通用試算表產品,窄化成冷信代理商的資料整理工具,再靠『代理商用 Clay 交付案子→公開分享工作流程→顯得專業→接到更多案子→用更多 Clay』的迴圈,滾到 2026 年 9 月 71 億美元估值——這個案例最值得模仿的不是 LinkedIn 發文,而是『讓別人分享你的產品對他們自己有經濟利益』這個設計決定。
工具推薦｜landmine — 讓 Coding Agent 先知道「這個版本有這個已知 bug」
landmine 是一個 CLI／pre-edit hook／MCP server 三位一體的工具，掃描你的 lockfile 找出每個直接依賴的精確版本，比對 GitHub 上針對那個版本開的 open issue，把已知 bug 和社群解法寫進 AGENTS.md／CLAUDE.md 或在 agent 要犯錯時擋下一次。安裝：`npx landmines scan && npx landmines install --rules`。解決了 agent 不知道自己寫的程式碼撞上一個鎖定版本裡的已知 bug 的問題。
AI Agent 週回顧 — 2026-10-23
CrowdStrike 揪出用 Claude Code 攻擊南韓銀行的攻擊者、Apex Accelerator 用 npm 供應鏈劫持 agent 流量、自主 agent 入侵 1,200+ 網站單站僅 $50，同一週 Google Gemini 4 Argon、OpenAI Patch the Planet $10 億、Microsoft／Cloudflare 治理工具相繼上線，防守與攻擊同時規模化；DeepSeek 在美國下令聯邦機構移除其系統兩天後完成 $15B 融資；連四天的 Arxiv Digest 證明評測與監控基礎設施本身會系統性失靈且不報錯（9 組 LLM 判官打出同一分數、多 agent 分工讓偵測率從 87% 掉到 7%）；Vertex AI、OpenAI、Anthropic 同週集中退役舊模型，牌面降價話術與實際省幅經常脫鉤；台灣金管會發布代理 AI 安全諮詢文件的同一週，全球資本已用 8 筆大型融資搶進 agent 執行層基礎設施。
AI Engineer 面試日練 — 2026-10-22：LLM & Agent Engineering
agent 一旦串了多個 retriever、sub-agent 跟 tool call，光看最終答案對不對已經不夠；今天練怎麼把評估拆到每個環節，並用一道多工具 agent 評估題練習完整回答。
框架更新｜Agno v3.1.8
Agno v3.1.8 三個重點：(1) 新增 `PostgresCheckpointStore`，沙箱 checkpoint 可以直接存進 Postgres，多副本部署不用再靠 S3 或共用檔案系統還原 session；(2) 行為改變：沙箱預設只保留每個 session 最新 3 份 checkpoint，想保留全部要設 `retain_checkpoints=None`；(3) `Claude()` 預設模型改成 `claude-sonnet-5-5`，取代即將退役的 `claude-sonnet-4-5-20250929`。
框架更新｜Pydantic AI v2.59.0
Pydantic AI v2.59.0 三個重點：(1) 修補高風險安全漏洞 GHSA-4whf-38hw-pxxh——`web_fetch` 工具抓到惡意建構的 HTML 時，轉換過程可能拖住同進程裡的其他工作；(2) 新增 `DaytonaSandbox`，讓 Coder／Shell／FileSystem 等 harness 能力整組跑在 Daytona 沙箱裡；(3) 把跨 provider 的模型錯誤統一成 `ModelRateLimitError`／`ModelContextWindowExceededError` 等共用分類，方便寫出不綁死單一廠商的重試邏輯。
融資速報｜Legora Series E $550M（法律 AI 估值衝上 $8.8B）
Legora 完成 $550M Series E，Atreides Management 領投，估值 7 個月內從 $5.6B 衝上 $8.8B。這筆錢的信號：法律 AI 的競爭不再是「誰的模型讀合約更快」，而是「誰的 Agent 能接手整個案件流程」——半年內兩家法律 AI 新創各拿 $550M，資本正把法律服務業當成下一個會被 Agent 重構的垂直領域。
融資速報｜Pigment Series E $250M（Agent 接管企業規劃，要取代 Excel）
Pigment 完成 $250M Series E，由 EQT 管理的 Scaleup Europe Fund 領投，估值達 $2.3B，約為現有 ARR 的 23 倍。這筆錢的信號：企業規劃軟體的下一個戰場不是「做出更好的報表」，而是「讓 Agent 直接把決策變成行動」——目前平台上 85% 的新指標已經由 Agent 建立。
模型卡｜Recursive Flint
Recursive Flint：40B 總參數 MoE（256 個路由專家＋1 個共用專家，每 token 啟用 6 個路由專家，活躍參數約 2.5B），原生 context 262,144 tokens（官方建議上限 512K），Apache 2.0 授權，2026-10-21 發佈，TechCrunch／Wired 均有報導；SWE-bench Verified 74.2%（官方自測對照 Qwen3.6-35B-A3B 的 73.4%）、SWE-bench Pro v2 89.7%、Terminal-Bench 2.1 54.9%、LiveCodeBench v6 80.3%，是 50B 參數以下 MoE 模型目前最高分；MacBook Pro M4 Pro 上達 131 tokens/s，比 Gemma 4、NVIDIA Nemotron 3.5 Lightning 等同級模型的 58–69 tokens/s 快將近兩倍，RTX Spark 上超過 150 tokens/s；量化到 NVFP4 僅比 16-bit 掉 0.7 分；無官方付費 API，OpenRouter 目前提供促銷性免費 hosted 版本。Recursive 由 Salesforce 前首席科學家 Richard Socher 領軍，2026 年 5 月以 6.5 億美元募資、46.5 億美元估值走出 stealth，這是公司第一款公開模型，核心訊息是幾乎整個模型建構流程（架構搜尋、量化配方、推理 kernel）都由自家自動化研究系統 Eureka Machine 完成，4 個月內由小團隊打造。
Product Builder 面試日練 — 2026-10-22：AI Product Design
AI 產品面試裡『human-in-the-loop 要擺哪裡』是最常被問到卻最容易答成口號的題型——『重要的動作要有人看過』聽起來對,但面試官要的是你能不能把『重要』拆成可操作的判準。今天用 Cloudsoft Solutions 整理的『錯誤成本 × 可逆性 → 審核強度』三層矩陣(高成本不可逆要事前核准、中風險高量可事後抽查、低風險只要例外處理與回饋),搭配 Tcules 整理的八個人機協作 UX 模式——重點是『approve 按鈕本身不等於有效監督』,因為自動化偏誤(automation bias)不會因為訓練或提醒而消失,而 Anthropic 自己的數據顯示 Claude Code 使用者核准了 93% 的權限提示,這正是『審核疲勞』的證據。練習題是自擬的『AI 貸款核准系統要不要人工覆核』設計題,示範如何不要用一刀切的『全部人工審』或『全部自動放』,而是按錯誤成本分三層設計審核強度,並且設計『怎麼證明審核真的有效』而不是只看核准率。案例是 Anthropic 2026 年 3 月發布的 Claude Code auto mode——把『每個動作都要人核准』重新設計成三層架構(安全工具白名單、專案內檔案操作、分類器審核),分類器的兩階段設計把假陽性率從 8.5% 壓到 0.4%,但在真實的危險動作測試集上仍有 17% 漏判率,這個誠實揭露『自動化審核不是零風險,是用可接受的風險換掉審核疲勞』的作法,正是這題最值得模仿的地方。
AI Engineer 面試日練 — 2026-10-21：ML System Design
ML system design 跟一般 system design 的差別在於多一層「預測什麼、怎麼知道它有效、怎麼悄悄變差」；今天用框架＋詐欺偵測案例練習怎麼把這層講清楚。
框架更新｜Pydantic AI v2.58.0
Pydantic AI v2.58.0 三個重點：(1) 新增 `DelegationTasks.steer`，讓正在跑的委派任務可以即時轉向而不用整個重跑；(2) 加入整輪 agent run 的 `timeout=`／`RunContext.deadline`，以及單次 model request 的 `request_timeout`／`max_retries`；(3) 修補兩個中風險安全漏洞——provider-native MCP 設定可能把 server URL／token 洩漏進 OpenTelemetry trace，以及特定前端設定下工具可能被用戶端指定參數直接執行而不經模型請求。另新增 `openai-chatgpt` provider 與 `ElevenLabsAgentsRealtimeModel`。
融資速報｜Arda Series A $160M（前 OpenAI 研究長押注製造業 Agent）
Arda 完成 $160M Series A，估值 $1.5B，由前 OpenAI 研究長 Bob McGrew 創辦。這筆錢的信號：AI Agent 的下一個戰場不只是程式碼，也包含把「改一條生產線要花 3 到 6 個月」這種製造業的人力瓶頸，壓縮到天的尺度。
融資速報｜Daytona Series B $60M（AI Agent 專用雲獨角獸）
Daytona 完成 $60M Series B，FirstMark 領投，估值 $1B。這筆錢的信號：當企業開始部署數千上萬個 AI Agent，雲端運算的單位不再是「給人用的虛擬機」，而是「60 毫秒內生成、用完就丟的 Agent 沙箱」。
模型卡｜Ornith-1.5-122B
Ornith-1.5-122B：122B 總參數 MoE（active 參數未公開）、262,144 tokens 原生 context（YaRN scaling factor 4.0 可延伸至約 1M）、MIT 授權，單張 80GB GPU 可部署；2026-10-16 上架 HuggingFace，沒有對應部落格公告，靠社群與 HF trending 才被注意到；SWE-bench Verified（non-hack）84.5%、CyberGym 80.0%，均領先同量級的 Qwen3.8-Flash-Next（125B）；訓練方法沿用 Ornith-1.0 的自我改進迴路，但從單純優化 scaffold／rollout 擴展成同時優化任務生成、scaffold 建構與 rollout 三個環節；尚無官方或第三方代管 API 定價。
定價追蹤｜OpenAI 一次關閉 o1、GPT-4、GPT-3.5-turbo 等 12 個舊模型
OpenAI 官方 deprecations 頁面列出 10/23 關閉的舊模型中，o1 遷移到 GPT-5.6 Sol 後 input 從 $15 降到 $4（↓73%）、output 從 $60 降到 $20（↓67%），但 o3-mini／o4-mini 遷移後反而變貴 1.8～3.6 倍。還在呼叫這些 model ID 的程式碼，三天內會直接收到 API 錯誤。
Product Builder 面試日練 — 2026-10-21：Strategy & Execution
2026 年戰略題面試官最在意的,不再是答案結構完不完整,而是候選人有沒有一個五個其他準備過的候選人給不出來的獨特立場——結構完整的答案已經是及格線,不是加分項。今天用 Aced（原 Exponent）整理的六步框架：釐清問題→定錨業務目標→掃描競爭格局→設定指導原則→產生並篩選選項→論證收斂,搭配 Roger Martin 提出的『愚蠢反轉測試』（如果你戰略選項的反面講出來很荒謬,那就不是真正的選擇)判斷差異化夠不夠硬。練習題是 Google 面試真題：『你是 Zoom 的 CPO,面對 Google Meet 的強力競爭,你會怎麼做?』,拆解示範如何先定錨 Zoom 真正的營收結構(企業訂閱與附加服務,不是消費端免費會議量),把威脅定義在『Google 靠 Workspace 捆綁免費取得分銷,不是功能更強』這個精確層級,再用一條能真的刪掉選項的指導原則收斂到一個選項,而不是列出一串都想要的清單。案例是 2000 年 Netflix 對 Blockbuster 的反向定位(counter-positioning)經典戰役——Blockbuster 當年靠逾期費賺進將近 8 億美元,占營收 16%,Netflix 推出無逾期費訂閱制,Blockbuster 明知道該跟卻跟不了,因為跟進等於自砍主要金流,這正是 Hamilton Helmer《7 Powers》裡反向定位的教科書案例。