Technical PM 面試考 API 設計，真正要看的不是你會不會畫架構圖，而是你怎麼在『不能打斷任何一個現有整合』的前提下，還能讓系統往前走。今天練一道改編自 Stripe 真實歷史的題目：『你要把一個布林欄位換成列舉欄位，但已經有數千個第三方整合依賴舊格式，你會怎麼規劃這次變更？』答案框架是 Use Case → Contract → Compatibility → Operability → DX：先搞清楚誰在呼叫、呼叫的契約是什麼，再決定相容策略、維運成本與開發者體驗怎麼兼顧。案例是 Stripe 自 2011 年公司成立起維護所有 API 版本的相容性，不用 v1/v2/v3 大版號，改用以日期命名的 rolling version，把每次破壞性變更封裝進獨立的 version change module，六年內做了近百次破壞性升級，對現有整合幾乎無感。
AI Agent Gateway 是 Tuskira 開源的閘道，擋在 agent 和 MCP tool server／LLM provider 之間。安裝：docker compose -f deploy/docker-compose.yml up --build -d。解決了每個 agent 的 MCP 設定裡都要貼一份憑證、工具存取又只能整包開放或整包不開的問題。
今天的 Coding 輪練換個方向，從前幾週已經練熟的推論排程、tokenizer、sampling 轉向 LLM API gateway 另一個幾乎每家公司都要自己刻的元件：token bucket rate limiter。跟一般 API 限流不同，LLM API 的限流單位是 token 而不是請求數（OpenAI、Anthropic 都用 TPM／RPM 雙軌限制），單一請求的 cost 可能是幾千個 token，不是固定的 1。核心概念涵蓋 lazy refill（檢查時才用經過時間 × refill rate 計算補了多少 token，不用背景 timer）、check-then-deduct 的 race condition（多執行緒同時檢查餘額會超放）、單次請求 cost 超過 bucket 總容量時的邊界處理，以及延伸到多台 API gateway 實例共享同一組 quota 時，怎麼用 Redis Lua script 做跨機器的原子操作、並用 Redis 自己的時間而非各台機器的本地時鐘。練習題來自 AI Engineering 面試題庫收錄的真實題目。
Manus 母公司 Butterfly Effect 完成首輪獨立募資，金額超過 $500M，由 Boyu Capital 與 IDG Capital 共同領投，Tencent、HSG、ZhenFund 跟投。這筆錢代表的信號：監管擋下跨國收購不等於資本撤退，只要營收夠扎實，投資人會把「被迫獨立」當成重新估值的機會。
Nous Research 完成 $90M Series B，估值 $1.5B，由 Robot Ventures 領投，Nvidia、Samsung 等跟投。這筆錢代表的信號：開源 Agent 框架的可複製性本身也能變成商業護城河，被複製越多次，生態鎖定效應反而越強。
Rein Security 完成 $25M Series A，由 Glilot Capital 與 Sienna Venture Capital 共同領投，總募資來到 $35M。這筆錢代表的趨勢：企業部署 AI Agent 的速度已經超過能安全管控它們的速度，runtime 層的即時監控正在變成下一代基礎設施標配。
Claude Haiku 5.5：2026-10-07 上線，Model ID `claude-haiku-5-5`；1,000,000 tokens context window（輸出上限 128K）；API 定價依 prompt 長度分兩檔——100K 以內 input $0.10／output $0.50，超過 100K input $0.50／output $2.50（前代 Haiku 4.5 單一檔 $1.00/$5.00），平均成本降 75%；OSWorld 2.1（computer use）從 Haiku 4.5 的 15.7% 跳到 72.4%，Terminal-Bench 4.0 從 0.0% 到 39.2%，已超過自家 GPT-6 Luna 比較組的 16.4%；是首款支援 effort 調整的 Haiku 系列模型，但資安 safeguard 比 Haiku 4.5 更嚴，封鎖滲透測試類操作
Anthropic 2026-10-07 起分批開放：Max 5x 訂閱戶每月 $100、Max 20x 每月 $200、Team 方案依 Standard/Premium 席位加總（每月最高 $500）的 Claude API 額度，可用在 Claude API、Managed Agents、Agent SDK 與 Playground，但不能用在 Claude Code 或訂閱本身的超額用量，每月歸零不累積。這取代了今年 6 月上線、現已停用的 Agent SDK 額度方案。
Growth & Experimentation 面試真正在考的不是會不會跑 A/B test，而是看到一個漂亮的提升數字時敢不敢先問『代價是什麼』。今天練一道 Stripe、Notion、LinkedIn 都設過的 Growth PM 面試陷阱題：『你的 A/B 測試顯示啟用率（activation rate）提升 12%，要不要上線？』答案框架是替每個實驗配對 Primary Metric 與 Guardrail Metric——如果啟用門檻被悄悄降低，這週數字很漂亮，下個月流失率就會補繳回來。案例是 Auth0 讓 Growth Marketing 與 Developer Productivity 兩個團隊互相審查彼此的實驗設計，第三次「Product Tour」實驗裡主動幫自己加了一個原本沒人要求的 drop-off 守門指標，才沒有把啟用率衝高卻把真正想要的使用者趕去別處。
postgres2mcp 是一個自架 MCP server，把 Postgres 連線包成帶權限治理的工具介面。安裝：curl -fsSL https://raw.githubusercontent.com/Railcode-HQ/postgres2mcp/main/install.sh | bash。解決了多個 agent 或第三方服務要連同一個資料庫，卻只能給整庫唯讀或完全不給這種 all-or-nothing 授權的問題。
Google Cloud 發布通用型「Gemini agent」搶先卡位企業工作賽道；ARTEX 這款開源 agentic 滲透測試工具遭武器化入侵南韓銀行；Wikimedia 與澳洲 Medicare 的案例顯示 OpenAI 自己放出去的 agent 同樣會脫序越界；本週三篇 Arxiv 論文與一個現實案例共同證明「疊兩層安全閘門」只等效 1.2–1.4 層防護；DeepSeek、Moonshot（Kimi）、Kuaishou Kling 三家中國 AI 公司同時衝向資本市場。
今天的 LLM & Agent Engineering 輪練涵蓋四個核心概念：workflow 跟 agent 的分界其實是一條 agency 光譜，多一分自主性就多付一分可預測性、延遲跟成本；agent loop 的四個組件(model、tools、context、stop conditions)裡最容易被忽略的是 forced stop 跟完成前的驗證；context engineering 的核心是把 prompt 當 API 設計，instructions 放在資料前面、用 delimiter 隔開不信任內容、搭配 lost-in-the-middle 的版面安排；agent 評估要做到 span-level scoring(工具選對沒有、檢索相不相關)而不是只看最終答案對不對，因為 tracing 跟 evaluation 是兩件事。練習題是改寫自 GitHub 上 AI-Engineer-Interview-Questions 題庫的 agent 設計與評估情境(自擬整合，非公司洩題)：設計一個會呼叫建工單工具的企業知識庫客服 agent，拆解思路把「先判斷該不該用 agent」到「評估設計不能只看最終輸出」串成一套完整的推理鏈。
Mastra @mastra/core@1.75.0 四個重點：(1) 新增 `storage.querySpans()` 可以直接查單一 span（含 filter／cursor／cost），不用先找到 trace 再往下挖；(2) `aggregateTraces()` 補上 token／cost 量測，ClickHouse／DuckDB／Postgres 三種 observability store 都支援；(3) Semantic Recall 支援 self-embedding 向量庫（如 MongoDBVector 的 `autoEmbed`），不用再設定 client 端 `embedder`；(4) `@mastra/connect` 正式進到 1.0，但 `integrations` 改名 `providers`、MCP 工具預設不再需要 approval、Slack channel id 從 `slack` 改成 `slack-channels`，都是 breaking。
Ampersand 完成 $15M Series A，由 Bessemer Venture Partners 領投，累計募資達 $19.7M。這輪錢代表的信號：AI Agent 能不能真正落地，不是看模型夠不夠聰明，而是看它能不能安全地在企業既有系統裡「寫得進去」——整合層正在變成獨立的基礎設施賽道。
Melius 完成總計 $25M 募資（$20M Series A by CRV + $5M Seed by General Catalyst）。這筆錢代表的信號：生成式 AI 把廣告行業的競爭點，從「優化廣告怎麼投」搬到了「誰能用 AI 直接做出成品廣告素材」，而且這個賽道已經有估值 $5.4B 的 Higgsfield 這種領先者存在。
Vocca 完成 $20M Series A，由 Norrsken VC 領投，累計募資達 $25M。這輪錢代表的趨勢：語音 Agent 在醫療這種高監管、高容錯要求的場景裡，正從「接電話」擴張成診所的排班與病患溝通基礎設施。
Anthropic 2026-10-07 把 Claude Sonnet 5.5 的 cache read（快取命中）價格從 $0.20 砍到 $0.10/1M tokens（輸入價的 5%，原本是 10%），降幅 50%，當天生效。Input $2、output $10、cache write（5 分鐘 $2.50／1 小時 $4）都沒變。這是 Sonnet 5.5 自 9/29 上市以來第一次真正調價——上市時官方強調『同價格換省 token』，這次才是帳單單價真的變小。
AI Product Design 面試常考的不是『要不要做人機協作』，而是『這個任務到底該交給 AI 還是留給人』的具體拆解能力。今天練一道 Amazon AI PM 面試真題：『上線前三週，模型評估顯示在邊緣案例上有明顯的幻覺比例，你的下一步是什麼？』答案框架是 Human-AI Task Allocation：先用『錯誤代價』與『使用者能否自行核查』兩個維度，把功能拆成 AI 自主執行、AI 輔助加人工審核閘、人類主導三個桶，再決定要不要為了邊緣案例延遲整個上線。案例是 WorkStep 的『Retain』產品：客戶每月收到上千則員工意見，人根本看不完，Neuron 重新設計後讓 AI 負責掃描跟安全、騷擾、歧視相關的字詞把留言挑出來，但『怎麼回應』完全留給人——這個分工讓客戶規模一年內成長近 400%。
mcpgawk 是一個開源 CLI，記住你核准過的 MCP server 長什麼樣子，之後發現任何一個 tool 被改過就擋下呼叫。安裝：`uv tool install --force mcpgawk`。解決了 MCP server 審核通過後又悄悄改寫 tool 定義（rug-pull）卻沒人發現的問題。
今天的 ML System Design 輪練涵蓋五個核心概念：feature store 如何透過共用特徵計算邏輯消除 training-serving skew、ML pipeline 設計為什麼要先定 baseline 再談複雜模型的 justification、PSI 與 KS test 兩種資料飄移偵測方法的適用情境、shadow deployment／canary rollout／rollback 的漸進上線順序，以及 A/B testing 框架在 ML 系統裡怎麼量化模型上線後的真實影響。練習題改寫自 A10 Networks Machine Learning Engineer 面試(PracHub 2026 題庫，候選人回報、非洩題)：設計一個即時流量特徵的 ML 推論 pipeline，要有 baseline 模型、延遲預算、drift 監控與 rollback 路徑，拆解思路把「先問清楚流量量級與延遲目標」到「用什麼機制讓壞模型能即時退場」串成一套完整的推理鏈。