AI 建模的本質與模型生成器
文章指出,AI 建模可透過程式碼生成處理日常建模中佔 95% 以上的固定設計模式,沒有固定範式的工作則由人機協作完成。以櫥櫃參數化建模為例,DeepDraw 引擎配合 Codex 或 DeepSeek,將 SKILL 沉澱為可重用的生成器或插件;經 3 輪 SKILL 訓練後,AI 已能生成櫥櫃,插件程式碼所需微調亦很少。
文章指出,AI 建模可透過程式碼生成處理日常建模中佔 95% 以上的固定設計模式,沒有固定範式的工作則由人機協作完成。以櫥櫃參數化建模為例,DeepDraw 引擎配合 Codex 或 DeepSeek,將 SKILL 沉澱為可重用的生成器或插件;經 3 輪 SKILL 訓練後,AI 已能生成櫥櫃,插件程式碼所需微調亦很少。
Christian Anderson 發佈開源 MCP 伺服器 zima-mcp,讓 Claude Desktop、Claude Code、Cursor 等 AI 客戶端透過 SSH 監察主機負載、程序、磁碟及 Docker 容器,並查看日誌或重啟獲準容器。
DamuBPM 團隊建立 MCP server,讓 Claude Code 透過約 85 個工具讀取及修改低程式碼 BPM/ECM 平台。每個環境各設一個 MCP server,Agent 先在測試環境工作,再以 patch 將完成的修改交予正式環境。CLAUDE.md 列出 Lua API 函式簽名,協助 Agent 按平台實際規格編寫腳本。
GAL1LEO 維護的兩個獨立項目,分別透過 MCP 橋接 WhatsApp 對話,以及整合 Tesla Fleet API 讀取車輛資料和請求操作。項目由操作者自行部署;Tesla 實體指令須有明確意圖並經確認,能否執行亦取決於權限、車輛硬件、韌體及操作要求。原始程式碼採用 Apache-2.0 授權,託管及供應商/API 使用費用另計。
Qwen 團隊於 11 月 16 日推出 Qwen4-Max,採用 2.4 兆參數 MoE 架構,支援 100 萬 Token 上下文及文字、圖片和影片輸入。
《Build without Limits》第 6 期整理智能體 AI 軟件開發的文章、工具與實踐。研究指出,讀取現有上下文可佔 Agent 執行總成本最高 73%,工具呼叫則可在 token 數量不變時令成本增加 26×。Zalando 的工程主管分享了將智能體工程擴展至 2,000 名開發者和 150 個工程團隊的三年經驗。
Detectify 推出 Agentic Tooling,讓客戶自有的 AI 智能體在運行中的應用程式上測試疑似漏洞。由 Detectify 寫入的 Security Ledger 會記錄每次測試的請求、載荷與結果,協助團隊區分有實測依據的發現和缺乏支持的 AI 結論。工具在客戶自有環境運行,透過 Model Context Protocol 或命令列介面連接現有智能體,並只使用客戶提供的數據。
作者實測拆解 ai-memory,指出它可讓二十多種編碼 Agent 共用記憶和交接,但單人最多在兩個 Agent 間切換時,讀取既有日誌可能已足夠。專案以 git 中的 Markdown 筆記保存記憶,數據庫負責索引;作者測試超過 1,200 項測試全部通過,並確認植入的假 API key 在資料庫中已被遮蔽。
這份參考資料整理 15 款 AI 編碼智能體的 MCP、技能、模型供應商及全域指令設定路徑、檔案格式與注意事項。資料分列 6 款核心主機和 9 款其他用戶端,指出根鍵及 JSON、TOML、JSON5、YAML 等格式不一,盲目用符號連結共用設定檔可能令設定被改寫或遭拒。
滔搏體育基於 AgentCore 和 AgentLoop 建設企業級多智能體能力,將零售經驗沉澱為可複用、可營運的企業資產。經營、商品、陪練、會員及營銷 Agent 協作,支援員工訓練、顧客維護及門店經營安排;單月練貨涉及逾 5700 件商品、逾 39 萬次。一個單次經營分析案例中,店長工作由 2 小時縮短至約 20 分鐘;關鍵決策和執行責任仍由人承擔。
作者以 Kiro 的規格優先流程構建 Ferret,一個由情緒狀態調整兩項上限、但不改動規則或檢查順序的規則引擎。四份規格列出 51 項要求;獨立 Python 參考實作以 120 個情境、4,926 個隨機事件驗證 TypeScript 引擎,回放結果零差異。Kiro 編寫的四項單元測試後來被發現預期有誤,作者以此説明獨立判定器可避免為迎合錯誤測試而改動正確引擎。
文章主張,編碼智能體可以提交工單已完成的主張及檢查證據,但不應自行決定工單是否完成。可由 CI 判定可自動驗證的標準,文字、設計或客戶需求等需要判斷的部分則交由指定人員;合併 pull request 也不應自動關閉工單。Arbituro按這個原則設計,透過 MCP 接入的智能體沒有可自行確認標準或結束工作的工具。
深勢科技將阿里雲 AgentLoop 接入科研 Agent 的 Shrimp Runtime,觀測關鍵調用、耗時與 Trace,並結合任務狀態、外部作業和研究產物定位異常。AgentLoop 負責運行觀測,長任務執行、異步作業管理及 Workspace 產物留存由既有基礎設施承擔,科學計算與交付物仍需另行驗證。這套協作為長流程任務的排查、交付和持續迭代提供依據。
阿里巴巴發佈新一代基座模型 Qwen4-Max,具備原生視覺能力、支援百萬上下文,並強化智能體與編程能力。
推薦理由:文章對照 Qwen4-Max 與上一代在編程評測中的 Token 用量、得分及單任務成本,並列出汽車加工和金融投研場景的量化數據。
ARL Protocol 在 Base Mainnet 部署 ARLJobs v3 託管合約及 Verified Evaluator v5,並為首個質押期注入 300,000 ARL。
Apify 上的 Bluesky Post Scraper 可免登入按關鍵字、hashtag 或個人檔案擷取公開貼文,並匯出 CSV 或 JSON。每筆結果可包含互動數據、連結和媒體,亦可按排序、語言和日期篩選。Python、JavaScript 和 Apify MCP server 均可呼叫 Actor;Free plan 定價由每 1,000 篇貼文 $0.60 起,另有每次執行的小額啟動費。
作者介紹自己建置的 hedwigai 遠端 MCP 伺服器,讓智能體把跨工作階段的工作保存於工作簿,而非只依賴聊天記錄或 Markdown 檔案資料夾。伺服器透過每次寫入建立新版本、拒絕基於過時版本的寫入、按 schema 檢查內容,以及讓不同智能體和用戶讀取同一份資料,避免覆寫並保留版本紀錄。
阿里雲 AgentLoop 為企業級 Dify 應用提供運行觀測與審計,追蹤模型及工具交互,協助識別敏感資料暴露、惡意指令和越權操作。團隊可透過自訂審計規則補充業務要求,並沿關聯記錄追查風險成因、定位工作流節點,支援後續整改。
Sentinel-IR 0.5.10 昨日推出,更新調整未支援語言分析、Rust 警告、Sentinel-IR MCP 目錄外存取,以及 doctor 設定檢查。
SolonCode 在 v2026.11.15 新增免安裝直接執行模式,雙擊隨附啟動器即可在 http://localhost:4808/ 開啟完整 Web 介面。目標電腦須已安裝 Java 8+,資料會與已安裝版本共用;若 4808 已被佔用,啟動器會報告衝突並停止。
SPIFFE/SPIRE 用於證明呼叫程序的工作負載身份,OAuth 則承載權限範圍、受眾限制及需要時代表用戶的委派,兩者解決不同問題,並非互相取代。作者指出,生產環境通常需要兩者,並可透過 SVID 作為客戶端斷言或 actor token,配合 OAuth 令牌交換。小型團隊可先採用平台 OIDC 和嚴格的權限範圍;有多團隊智能體、共用 MCP 平台或合規需要時,再加入 SPIRE。
ONAA 測試 AI 智能體在 14,991 間商店購物,49% 可無人協助到達準備付款,但沒有商店讓智能體首次自行完成付款。其中 3,513 間商店列為買家一次批准 Shop Pay 後,智能體可自行付款;報告沒有觀察實際付款步驟。樣本只涵蓋已宣傳支援智能體購物的商店,數據截至 2026 年 11 月 15 日,且尚未獲任何商店核實。
作者測量智能體載入 MCP 工具定義的 token 開銷,200 個工具每次訊息消耗 24,522 個 token,500 個則消耗 61,302 個。50 個工具起,每多接入一個工具便增加 122.6 個 token;200 個工具佔 200k 上下文窗口的 12.26%。作者建議先計算成本、縮短工具描述,並只接入當前任務所需的伺服器。
Qwen 團隊發佈 Qwen4-Max,採用 Qwen4 架構,具備 2.4T backbone parameters、原生視覺能力及一百萬 token 上下文窗口。
推薦理由:文章同時列出基準成績、任務成本變化及工業、專業和科研案例,方便讀者對照其長流程工作能力與實際應用範圍。
文章比較 MCP 與 CLI 的上下文成本,測得四個常見 MCP 伺服器的工具定義合共佔用 11.923 個 token,而 Apidog CLI 技能描述每個工作階段佔用 112 個 token。
MCP 與 CLI 的工具定義載入方式造成不同上下文開銷:作者以 o200k_base 測得,四個常見 MCP 伺服器合計佔用 11,923 個 token,Apidog CLI 技能的會話起始説明為 112 個 token。
作者實測比較 MCP 與 CLI 的工具定義成本,四個常見 MCP 伺服器的定義共佔 11,923 個 token,而 Apidog CLI skill 的常駐説明佔 112 個 token。預先載入的 MCP 工具定義會在每輪佔用上下文窗口,CLI 命令説明則可按需讀取。作者建議把終端式 API 工作交給 CLI,並只在需要跨客戶端的結構化存取時保留精簡的 MCP 伺服器。
Lucas 比較 MCP 與 CLI 的工具載入成本,指出預先載入的 MCP 工具定義會佔用智能體上下文,而 CLI 通常按需載入説明及輸出。其單次測量中,四個常見 MCP 伺服器的 66 項工具定義共佔 11,923 tokens,Apidog CLI 技能的常駐説明則佔 112 tokens。
文章比較 MCP 與 CLI 對智能體上下文窗口的佔用,指出預先載入的 MCP 工具定義會在每輪請求中佔用 token,而 CLI 可按需要讀取説明。作者以 o200k_base 測得四個一般 MCP 伺服器共 66 個工具、11,923 token;Apidog CLI 技能每個工作階段常駐的 frontmatter 為 112 token。
預先載入的 MCP Server 會把工具名稱、描述及 JSON Schema 放入模型請求,消耗上下文窗口;CLI 則在 Agent 執行命令時才載入相關説明或輸出。
MCP 看似簡單,實際上是因為規格很少作出決定,讓身份驗證、錯誤處理和工作階段管理等問題留給實作者處理。作者在整合檢索伺服器與生成伺服器時,遇到 MCP 未有處理的競態問題、不可預測的逾時及工作階段狀態外洩。MCP 適用於快速內部原型等場景,但簡單易上手不代表容易維護,團隊仍需預先處理規格未涵蓋的工作。
MCP 的設計簡單,卻令團隊容易忽略規範細節,造成相容實作在錯誤處理和逾時情境中表現不一。作者指出,缺乏強制測試令整合在正式環境中變得脆弱,建議部署前進行符合性測試,並建立輕量認證機制。
Order of the Golden Eagles 團隊在 Hack the Nest 2026 開發 Signal2Speech,讓難以説話或打字的人透過 EEG 訊號選擇並確認回覆。Claude 根據已核實的事實提供兩個簡短答覆,佩戴者先以 P300 訊號選擇,再以另一種訊號確認。使用 5 人的錄製 P300 數據測試時,系統在閃卡一次後選對的比率為 94%,閃卡五次後為 100%。
Playwright E2E 測試可由固定路徑腳本升級為自主探索流程,先讀取瀏覽器可存取性快照,再以 planner、generator、healer 串起規劃、生成與修復。自癒應限於定位器和等待條件,斷言修改須經人工審批,並保留修復記錄供審核。文中建議將穩定流程沉澱為確定性 Playwright 腳本作高頻回歸,因 Playwright MCP 快照在典型瀏覽器任務中可能消耗數萬 token。
OpenAI 的 Businesses in ChatGPT beta 讓企業管理 ChatGPT 商家頁面;文章指出,API 準備包括整理產品 feed、允許雲端瀏覽器存取,並按需要接入 MCP 插件。
作者提出一套為 AI 智能體撰寫驗收準則的方法,要求每項準則交代可觀察結果、驗證方式,以及由誰判定是否完成。文章列出八項規則,包括以結果取代活動、明確寫出邊界情況和工作範圍,並由 CI 檢查或指定人員作判定。智能體可以草擬準則,但須由人員接受或修改;作者亦介紹 Arbituro 如何按準則記錄檢查、判定及更改。
這套 Claude Code 工作流透過 MCP 讀取最新工單,並在分支、每次提交及 Pull Request 標示工單編號,讓需求和程式碼變更保持關聯。示例以 Arbituro 和 GitHub 展示,驗收準則由 CI 檢查或指定人員判定;Claude Code 可提交檢查證據,但不能自行勾選或更改準則。
阿里雲瓴羊 Quick Service 定位為業務執行型 Agent,透過多輪上下文管理、任務規劃及呼叫後端 API,處理複雜客服問題。產品已服務超過5萬家企業,AI問答準確率達93%,複雜業務處理時長可縮短約60%。文章建議以真實客服紀錄測試端到端完成率及執行失敗時的人工支援。
編碼助手在 IDE 內提供程式碼建議並由人逐步審核;AI 智能體建置平台則跨業務系統自動執行工作流程。MCP 以共用格式列出可用工具,但不決定自主程度;兩類工具須採用不同的安全審查和權限控制。試點可衡量助手的首個 PR 評論時間及回退率,或智能體的成功執行、人手介入和事故數。
阿里雲 CLI 域名插件 DomainCLI(`aliyun domain`)可配合 AI 助手管理域名全週期;AI 負責理解需求與解釋結果,DomainCLI 執行操作並返回可核對結果。指南涵蓋候選核驗、價格判讀、購買前人工確認、付款後核驗、DNS 記錄檢查及到期盤點,並説明 CLI、AI 助手、MCP 和控制台的使用邊界。 DomainCLI 不內置大模型,也不是常駐提醒服務。