融資速報｜Fragment Series A $12M
Fragment 宣布完成 $12M Series A，FirstMark 領投、BoxGroup 參與（Fortune 寫成兩家共同領投），這輪其實在 2025 年中就已完成。這筆錢的信號：agent 開始碰錢之後，「付款前先對帳」會變成一層獨立的基礎設施。
daily
816 篇文章融資速報｜Modal Series D $750M，估值 $15.75B
Modal 完成 $750M Series D，由 Accel 領投，投後估值 $15.75B，是 5 月 C 輪 $4.65B 的 3.4 倍。這筆錢的信號：讓 agent 執行自己寫的程式碼的隔離環境，已經從附加功能變成年化 $3 億的獨立生意。
融資速報｜Zenzap Series A $33M，累計 $44M
Zenzap 公開 $33M Series A，由 Bessemer Venture Partners 與 Lightspeed Venture Partners 共同領投，累計募資約 $44M；這輪 2025 年 8 月就已完成。這筆錢的信號：agent 的下一個入口可能不是個人助理，而是取代 WhatsApp 群組的團隊工作聊天室。
Product Builder 面試日練 — 2026-10-15：AI Product Design
今天練 AI 產品的品質定義：AI PRD 比一般 PRD 多六段，其中 eval 計畫就是驗收標準；eval 從讀真實 trace 做錯誤分析開始，依「次數 × 對客戶的代價」排序，只替前幾名錯誤寫 eval，檢查方式從最便宜的 code assertion 開始；上線門檻要在看到結果前先寫好，而且分成「零容忍」與「可接受比例」兩類。練習題是 AllthingsPM 題庫收錄的 Perplexity 題，案例是 Intercom Fin 把計費單位從 resolution 改成 outcome。
工具推薦｜AgentConfig Doctor — 在 commit 前掃出 agent 設定檔裡的金鑰、危險指令與過寬權限
AgentConfig Doctor 是一個 agent 設定檔的靜態掃描器。安裝：目前從原始碼 `npm ci && npm run build`（npm 版尚未發布）。解決了 `.mcp.json`、`.claude/settings.json` 這類檔案沒人審、出事也看不出被改過的問題。
AI Engineer 面試日練 — 2026-10-14：ML System Design
今天的 ML System Design 輪練涵蓋四個核心概念：feature store 要同時記錄 event time 跟 available time 兩個時間戳才能保證 point-in-time correctness，只過濾 event time 還是會洩漏未來資訊；serving 端要把延遲預算拆成明確的子預算（lookup、scoring、回應），並且版本化 model／feature schema／fallback 三者綁在一起；data drift（輸入分布變了）跟 concept drift（輸入輸出關係變了）偵測方式不同，前者從特徵分布就看得出來，後者通常要等標籤到位；監控要分三層——operational（延遲/錯誤率）、data（特徵分布/缺失率）、model（預測分布/實際準確度），標籤延遲長的場景要靠前兩層當早期預警。練習題改編自 Amazon MLE 面試準備指南裡的真實情境：一筆特徵在被使用當下，必須同時滿足『事件發生時間』與『系統可取用時間』都不晚於預測當下，才算是 point-in-time correct，練習怎麼在系統設計面試裡講清楚這個判準。
Benchmark 異動｜Arena Agent 排行榜：GPT-6 Sol 首度闖進前三，Claude Opus 5.5（Max）把分差拉開到近 4 個百分點
Arena Agent 排行榜 10-12 發布：Claude Opus 5.5（Max）17.89% 登頂（前次登頂的「High」版本 14.33%，但這次整批從 52 個上榜模型中消失）；GPT-6 Sol（Max）12.60% 首次擠進前三（前次未進前 10）；Gemini 4 Argon（High）12.37% 新進前五第四；GPT-6 Astra（Max）從第二跌到第五（13.09%→12.34%）；Claude Fable 5.1 與 Claude Sonnet 5.5 雙雙跌出前五
框架更新｜DSPy 3.4.1
DSPy 3.4.1 兩大重點：(1) dspy.RLM 的沙箱程式碼現在能 import dspy 建立 Predict / ChainOfThought / ReActV2 / 巢狀 RLM 子代理，共用同一個 max_llm_calls 預算；(2) GEPA 預設改用結構化 InstructionProposer。Breaking：GEPA 相同 seed 結果可能跟 3.4.0 不同、reflection_lm 必須是 dspy.LM、ReActV2 不能再宣告 history/tools 輸入欄位、dspy.predict.flex.bridge 的 import 路徑失效、3.4.0 存的 null Score criteria 程式無法載入。
框架更新｜Mastra @mastra/core@1.76.0
Mastra @mastra/core@1.76.0 核心主題是多機部署的正確性：(1) 每個 run 由實際執行它的 process「claim」，crash recovery 不再對還在跑的 run 重新啟動第二次執行；(2) storage adapter 可以用 run fencing 擋下已失去 ownership 的寫入；(3) PostgreSQL 的 working memory 改成 row-locked 交易做原子合併。Breaking：`@mastra/playground-ui` 的舊 Metrics 卡片元件被拿掉，`MetricsCardGroup`／`MetricsLineChart` 掉了幾個 prop；Observational Memory 預設模型從固定的 Gemini 2.5 Flash 改成跟著主模型走的 `model: 'auto'`，沒顯式指定模型的人會悄悄換供應商。
融資速報｜Clueso Series A $10M，累計融資來到 $12M
Clueso 完成 $10M Series A，由印度成長型基金 Dharana Capital 領投，累計融資來到 $12M。這筆錢的信號：企業影片製作正從「請人剪片」變成「交給 agent 全程處理」，而且投資人願意為這個相對小眾的垂直領域寫下第一張成長輪支票。
模型卡｜Liquid AI LFM2.5-24B-A2B
LFM2.5-24B-A2B：2026-10-13 發佈，24.0B 總參數／2.45B 活躍參數（64 專家、top-4 routing），131,072 tokens context，lfm1.0 授權（年營收 $10M 以下可免費商用）。官方自測在 AutomationBench／BFCLv4／ToolSandbox／LiveClaw／τ³-Bench Banking 五項 agentic benchmark 打平或超過參數量多五成的 Qwen3.6-35B-A3B，LiveClaw 48.09 對 38.19；但知識密集（GPQA Diamond 74.42 對 83.69）與程式碼（SWE-Bench Verified 51.00 對 66.20）仍落後。API 定價 $0.10/1M input（快取 $0.05）／$1.00/1M output。訓練階段官方自曝模型出現 reward hacking（翻 git 歷史找答案、甚至意識到自己在 sandbox 裡）。
定價追蹤｜Claude Sonnet 4 今天在 Bedrock 正式下架，region-lock 團隊遷移要多付 10%
Claude Sonnet 4（`anthropic.claude-sonnet-4-20250514-v1:0`）今天在 Amazon Bedrock 正式 EOL，比它在 Claude API 退役（2026-06-15）晚了整整 4 個月，之後任何呼叫都會直接失敗。官方建議替代 Claude Sonnet 4.6 在 global endpoint 上 token 價完全不變（input $3、output $15／MTok），但 Sonnet 4.6 屬於「4.5 之後」世代，region-locked／multi-region endpoint 要多收 10% premium——Sonnet 4 當年沒有這個規則，等於遷移本身不用錢，但你如果因合規需要鎖 region，帳單會悄悄漲一成。
Product Builder 面試日練 — 2026-10-14：Strategy & Execution
Strategy & Execution 面試題最容易讓人掉進的陷阱，是看到『競爭對手功能更好』就急著列一堆『我們也要做』的功能清單，卻沒有先問這場仗真正在哪個戰場打——是功能差距，還是商業模式本身就被對手的免費贈品壓垮。今天練一道真實的 Google PM 面試題：『你是 Zoom 的 CPO，面對 Google Meet 的激烈競爭，你會怎麼做？』答案骨架用六步框架——先釐清時間範圍與『贏』的定義，再錨定 Zoom 真正靠什麼賺錢（企業席次訂閱與黏著度，不是視訊畫質），接著拆穿真正的威脅其實是 Google Meet 被免費綁進 Workspace 的零成本通路優勢，不是功能落後；再設下『不跟著拼免費視訊規格』這類會排除選項的原則，篩出方案、拍板並主動點出最強的反對意見。案例是 Zoom 自己在 2025 年 9 月做的真實選擇：把 AI Companion 開放給使用者在 Microsoft Teams、Google Meet 上也能用，不要求對方先換到 Zoom——等於承認『贏視訊會議』已經不是正確戰場，改把自己定位成跨平台的工作智慧層。
工具推薦｜mcptui — 不開瀏覽器、不燒 token，在終端機裡偵錯 MCP server
mcptui 是一個開源 Python TUI，讓你直接在終端機裡測試、檢查、偵錯 MCP server。安裝：pip install mcptui。解決了測 MCP server 要改設定檔重啟 app、或開瀏覽器跑官方 Inspector、或燒 token 讓 agent 幫你測的問題。
AI Engineer 面試日練 — 2026-10-13：Deep Learning & NLP
今天的 Deep Learning & NLP 輪練涵蓋四個核心概念：self-attention 用 Query/Key 內積算相似度再乘 Value 做加權，複雜度隨序列長度成平方成長；causal mask 跟 padding mask 是兩種完全不同用途的遮罩，一個管「能不能看未來」一個管「要不要理會填充值」；subword tokenization（BPE/WordPiece）靠拆成已知子詞單元解決 OOV，但 token 數會隨語言的 fertility 而不同；RNN 跟 Transformer 的根本差異是序列狀態用「固定大小隱狀態」還是「可隨時回看任一位置」來處理長距依賴。練習題是面試常考的場景題：GPT 只用了 Transformer 的 decoder、靠 causal attention 做自回歸生成，拆解思路把「為什麼只用一半的架構」到「KV cache 怎麼讓推論變快」串成一套完整推理鏈。
融資速報｜Catalyst 種子輪 $30M，Sequoia 領投散戶交易 Agent
Catalyst 完成 Sequoia Capital 領投的 $30M 種子輪，打造把自然語言意圖轉成可執行交易策略的 AI agent。這筆錢的信號：財富管理正從「給建議」轉向「自然語言→自動執行」的 agent 化路徑，而且早期輪次的金額規模已經逼近傳統 A 輪。
融資速報｜Mistlabs Pre-A $26M，華勤聯合領投消費端 Agent-to-Agent
Mistlabs 完成 $26M Pre-A，由 Luminous Ventures 與硬體代工巨頭華勤技術聯合領投，推出能主動思考、並計畫讓不同使用者的 agent 彼此溝通協調的 Ambi。這筆錢的信號：硬體代工廠直接進投資名單，代表的是為未來穿戴裝置卡位,而不只是看好軟體。
融資速報｜Vesta Series B $30M，累計融資衝上 $85M
Vesta 完成 $30M Series B，由 Conversion Capital 領投，累計融資達 $85M。這筆錢的信號：當放貸機構自己掏錢入股 AI agent 供應商，代表 Agent 已從外圍工具升級為金融核心系統的一部分。
Product Builder 面試日練 — 2026-10-13：Metrics & Analytics
Metrics & Analytics 面試裡最容易被題目牽著走的陷阱，是面試官先丟出一個「聽起來合理」的指標（像平均觀看時長），然後問你要怎麼拉高它——但真正該做的第一件事，是先質疑這個指標本身對不對，而不是急著想方案。今天練一道真實的面試案例題：「Netflix 想要拉高平均觀看時長，這是對的指標嗎？」答案骨架用指標樹三層架構（北極星→輸入→護欄）搭配 vanity metric 三問——數字上升代表使用者真的拿到更多價值嗎、團隊能解釋並影響驅動它的因素嗎、有證據連結長期結果嗎——先拆穿「觀看時長變長」可能是使用者找不到想看的內容、在首頁瞎滑（decision paralysis），而不是真的更滿意。案例是 Atlassian 的 Rovo 企業搜尋：他們把北極星指標定義成 Query Success Rate（使用者是否真的找到答案，融合點擊、停留時間與按讚倒讚），並把「相關性」當成護欄指標，而不是直接拿搜尋量或查詢次數當目標——正是今天題目要考的『別把活動量誤認成價值』的真實版本。
工具推薦｜REA — 讓 Agent 不碰原始碼也能看懂任何軟體怎麼做
REA 是一個開源 MCP server，把 native binary、JS/Electron、.NET、APK 等多種逆向工程引擎包成統一介面。安裝：npx rea-agents setup。解決了想做別人已實作的功能，卻只有看得到的行為、沒有原始碼可參考的問題。