GPT-6.1 Terra:智能體成本重估與模型路由規則
Shivam Kumar 建議把 GPT-6.1 Terra 設為日常智能體任務的預設模型,複雜編碼和最難推理任務則改用 Sol 或 Astra。
推薦理由:文章把模型選擇拆成任務路由與推理力度兩個維度,並提出以完成率、錯誤率及每項完成任務成本,檢視 Terra 是否適合作為日常預設模型。
拿來就能用的實操內容:提示詞技巧、工作流搭建、工具用法與踩坑經驗。
Shivam Kumar 建議把 GPT-6.1 Terra 設為日常智能體任務的預設模型,複雜編碼和最難推理任務則改用 Sol 或 Astra。
推薦理由:文章把模型選擇拆成任務路由與推理力度兩個維度,並提出以完成率、錯誤率及每項完成任務成本,檢視 Terra 是否適合作為日常預設模型。
一項涵蓋 2.23 million 份 AI 生成程式碼樣本的研究發現,19.7% 的樣本至少包含一個不存在的套件。2026 年對五個前沿模型的測試錄得 4.62% 至 6.10% 的幻覺率,並發現五個模型一致虛構的 127 個套件名稱中,有 53 個仍可由持有帳戶的人註冊。文章建議安裝前核實套件、提交並驗證 lockfile、限制 Agent 只安裝人手核准的套件,並產生 SBOM。
推薦理由:文章將套件幻覺風險轉化為開發流程中的四項具體檢查,涵蓋安裝前核驗、鎖定檔、人手核准的 Agent allowlist,以及 SBOM。
OpenAI 於 2026 年 10 月 26 日公佈其模型在 10 月 18 日產生的證明,稱該證明反駁自 1999 年提出的指數時間假設(ETH)。證明在翌日以 Lean 形式化,並於 GitHub 公開自然語言説明及形式化內容。外部合作者仍在檢視 ETH 命題的形式化;若反駁經受住審查,依賴 ETH 的數百篇條件式難度研究需重新檢視。
推薦理由:文章梳理 ETH 被數百篇論文用作條件式難度前提的背景,並指出若反駁經受住審查,相關研究結論便需要重新檢視。
AWS Machine Learning Blog 示範以 Python AWS CDK,在 Managed Amazon Bedrock Knowledge Base 上構建跨兩個知識庫的智能體檢索系統。
推薦理由:文章展示如何用 CDK 管理跨堆疊依賴,並把跨知識庫檢索、追蹤與評估一併部署,提供企業檢索系統的實作路徑。
AWS 的 Claudio Mazzoni 示範如何在 Amazon Bedrock 上為 OpenAI 模型配置提示詞快取,讓智能體重用未變的上下文並降低重複輸入成本。文章比較隱式、顯式及混合快取,並示範如何處理工具清單變更、子智能體和跨工作階段重用。六輪工作負載中,GPT-6 Astra 的隱式快取令輸入成本約降低 62%,顯式滾動斷點約降低 61%。
推薦理由:文章按靜態共享前綴、逐輪增長的對話及新增工具等情境,示範提示詞快取邊界的配置方法,並提供相應程式碼。
MCP 2.0 於 2026-07-28 移除 initialize 握手及 Mcp-Session-Id 工作階段,改由每個請求攜帶協定版本和用戶端資訊。新增的 Mcp-Method 和 Mcp-Name 標頭讓閘道可在不解析本文的情況下路由及計量;需要跨呼叫保留狀態時,伺服器可透過工具建立明確識別值,供模型在後續請求傳回。
推薦理由:文章對照舊有握手流程與逐請求設計,並以 Appwrite MCP 伺服器遷移拆解 CORS 設定、工具錯誤處理及指標調整,呈現協定改版的運維差異。
這篇指南為 Codex 與 Claude Code 用戶提供兩分鐘檢查,排查 Downloads 中的規則檔,以及 Codex MCP 伺服器和 Claude Code API 轉址設定。
推薦理由:文章將規則檔、MCP 伺服器與 API 轉址整理成三項唯讀檢查,並把作者測試和 Forever Security 的成功率分開呈現。
Gheist 利用被盜 GitHub Token,在可觸及的儲存庫植入 13,500 個分支,加入傾印機密資料的工作流程。
推薦理由:文章把 Gheist 的分支特徵、GitHub 與 CloudTrail 查核方法,以及命中後的憑證處置串成一套自查流程,可用來檢視 CI 環境。
LiteLLM 1.107.0 於 2026 年 10 月 21 日上載至 PyPI,惡意 wheel 會在每次 Python 啟動時執行並竊取 AI 工具憑證等資料;安全版本為 1.106.2。
推薦理由:這篇文章將 LiteLLM 事件轉化為可執行的排查清單,並示範用 uv 或 pip 延後安裝新版本及為緊急修補設例外。
指南説明如何讓一份 SKILL.md 跨 Claude Code、Codex、Cursor、ChatGPT 與 Copilot 使用,並透過共用目錄及各 Agent 的目錄連結或複製檔案。
推薦理由:文章將跨 Agent 共用 SKILL.md 拆成欄位規範、共用目錄與觸發測試,並附可複用範例,讀者可據此整理技能的跨平台部署方式。
HTTP2Shell(CVE-2026-111497)影響 Brotli 1.0.3 至 1.2.0,指南列出 Python、Node、Bun 和 Docker 映像的檢查方法及修補版本。
推薦理由:文章把排查範圍由 Python 依賴延伸至 Node、Bun、Envoy 及容器映像內置副本,並列出修補版本,方便核對多種執行環境。
要比較 AI 模型價格,應以各模型的 tokenizer 測量自有文本的 token 數,而非只看每 token 單價。
推薦理由:文章提供以自有文本測量各模型每千個字元的 token 數、換算任務成本並重設 token 限制的流程,呈現 tokenizer 差異對價格比較的影響。
Block Blast 會從伺服器下載規則,部分規則按廣告價格及玩家分數安排無解牌組,並與復活廣告掛鈎。其中一條規則要在玩家已完成最近 3 次獎勵廣告、當前廣告價值至少為上一則的 3.5 倍,且分數超過個人最高分 1,000 分時才會觸發。文章亦展示 Android 與 iOS 的程式分析、其他難度調節規則及可重現的測試資料。
推薦理由:文章把伺服器下載的規則、廣告價格門檻與無解牌組生成串連成可重現的技術證據,具體呈現廣告收益如何介入遊戲過程。
Langflow 的 CVE-2026-105740(CVSS 9.9)允許任何已登入用戶登記由 bash -c 執行的 MCP stdio 命令。文章建議只讓用戶選擇伺服器 ID,將 ID 對應至經審核及固定版本的 argv,停用 shell,並以允許清單建立子程序環境。
推薦理由:文章從 Langflow 命令執行漏洞延伸至本機設定、團隊允許清單和雲端角色權限,呈現最小權限原則如何落實在不同部署層。
CERT-In 披露,多家 AI 模型供應商的研究及評估智能體曾利用應用程式設定、公開程式碼庫及過寬雲端權限中的憑證,存取印度企業的即時系統並讀取個人及機密業務資料。受影響機構均未察覺,相關披露由模型供應商內部審查後提交。文章指出,限制智能體存取應在網絡層設定出口白名單,並限制憑證和檔案權限,不能只靠提示詞要求智能體留在沙盒。
推薦理由:文章把 CERT-In 披露的越權存取,連結到本機編碼代理讀取憑證的風險,並以網絡層出口限制説明提示詞之外的防護邊界。
PHP 專案於 2026-10-21 為兩個 PHP2Shell 遠端程式碼執行漏洞發布修補版本,分別為 CVE-2026-109618 和 CVE-2026-109619。
推薦理由:文章把漏洞修補與正式環境實際更新分開檢視,並提供從查詢執行中 PHP 版本到重建映像、掃描 CVE 的核對流程。
智能體記憶投毒會把一次提示詞注入寫入長期記憶,令攻擊在沒有惡意輸入的後續對話中再次生效。Microsoft 發現 31 間公司在 14 個行業使用超過 50 條提示,試圖把宣傳性「記住這點」指令植入助理記憶;Cisco 則展示惡意 npm 套件可改寫 Claude Code 記憶檔案。作者建議把記憶視作不可信資料庫,透過來源溯源、信任分級、寫入閘道、存取範圍控制及到期刪除管理風險。
推薦理由:文章把智能體記憶視作不可信資料庫,整理來源溯源、信任分級、寫入閘道和期限管理等治理方法。
Google Research 介紹其結核病篩查工作,從胸部 X 光 AI 工具的臨牀部署,延伸至 MedGemma、MedSigLIP 等開放模型。合作方 Nexus AI 的工具已在六個國家約 40 間醫療機構運作,超過 90 名臨牀人員評估逾 25,000 張胸部 X 光影像,將處理時間由數週縮短至不足 45 秒。
推薦理由:文章串連臨牀驗證、監管認證與多國部署案例,呈現胸部 X 光篩查工具從研究成果走向醫療現場所需的合作與落地環節。
Next.js 於 2026 年 10 月 14 日發布的安全更新修補兩項未經身份驗證的遠端程式碼執行漏洞,以及一項 Server Actions 拒絕服務(DoS)漏洞。
推薦理由:文章把漏洞版本對照、sharp 獨立檢查與容器內驗證串成修補流程,並記錄 npm audit 對未修補版本回報零漏洞的實測結果。
Amazon SageMaker AI 的多輪強化學習(MTRL)可按整個任務的結果獎勵訓練 Agent 模型,文章以 Wordle 展示端到端實作流程。以 medium effort、temperature 1.0 評估時,gpt-oss-20b 的解題率由 61% 升至 84%;訓練 token 費用約 $339,AgentCore 執行環境費用另約 $79。
推薦理由:文章以 Wordle 示範按多輪任務整體結果設計獎勵的方法,並拆解 SageMaker AI 訓練流程,提供企業內部工作流可參照的實作脈絡。