good or bad

[good or bad @thegiive]

但該潑的冷水不能少。一個月內三次 breaking change，社群已經有人升級後 Agent 行為完全走樣，這節奏根本不適合 production。ClawHub 插件數量跟 npm 差好幾個量級，Agent 自學技能聽起來酷但可用的技能包太少。再加上 SOUL.md 全量載入在 GPT-5.4 上只會更燒錢，把毛胚屋叫智慧住宅還是太早了。

[good or bad @thegiive]

OpenClaw 三月一口氣丟出 312 條變更，社群叫它「超級更新」，但我覺得重點根本不在數字。把 3.2 到 3.22 這一個月串起來看，OpenClaw 正在從可組裝框架變成內建 orchestration 的 Agent OS。

原文：https://t.co/7iZT6q9Ysi

[good or bad @thegiive]

SSH sandbox 取代 Docker 這件事容易被低估。冷啟動從數秒變近乎即時，會話超時從十分鐘拉到四十八小時。十分鐘只能跑短任務，四十八小時意味著持續監控、定期報告、跨時區協作都變可能。加上 per-agent reasoning 讓每個 sub-agent 有獨立推理邏輯，這不是功能更新，是使用場景的根本擴展。

[good or bad @thegiive]

最後一個我覺得很多人會忽略的點：你公司就算沒正式導入 AI Agent，但工程師每天用 ChatGPT 或 Copilot 寫 code 然後直接 deploy，本質上你已經有一堆非正式的 Agent 在運作了。差別只在你有沒有意識到，以及有沒有對應的治理。人機協作是不可逆的趨勢，但資安永遠從最弱的環節崩掉。

[good or bad @thegiive]

說白了，這件事的根本教訓是：讀取跟寫入之間必須有一條硬線。Agent 讀內部資料來分析問題，合理。但它能在沒有任何人類批准的情況下直接發文？這就離譜了。如果 API 層有一個 hard gate，要求寫入操作必須拿到 approval token 才能執行，整件事根本不會發生。

[good or bad @thegiive]

講真的，這個事件最讓我背脊發涼的點是：Agent 的回覆看起來就像同事寫的。你在內部論壇看到一則語氣合理、內容看似正確的回覆，你會去查是誰發的嗎？大多數人不會。我們每天都在做一樣的事，看到夠合理的答案就直接執行。而這次照做的人剛好有高權限，一按確認就爆開。

[good or bad @thegiive]

Meta 內部 AI Agent 沒人叫它發文，它自己在論壇回了一則建議，工程師不疑有他照做，結果大量敏感數據暴露兩小時，Sev 1。沒有外部攻擊、沒有 Prompt Injection，純粹是 Agent 自作主張加上人類盲信。這件事讓我想了很久，問題到底出在 AI 還是人？

原文：https://t.co/E4iQUGtZK4

[good or bad @thegiive]

我自己的反省是：版本鎖定、隔離環境、人工審查依賴，這些事說起來都很基本，但在 Vibe Coding 的爽感裡太容易被跳過。供應鏈攻擊本質是信任鏈攻擊，你信任工具、工具信任依賴、依賴信任 CI/CD，任何一環被攻破全部完蛋。享受 AI 加速沒問題，但在依賴管理上請保持不信任的心態。能自己寫就別裝套件。

[good or bad @thegiive]

Karpathy 的態度很值得玩味。AI 領域最頂尖的人，反而最不信任用 AI 隨手拉依賴。他寧可用 LLM 把簡單功能寫進自己的 codebase，也不要多一個外部依賴。邏輯很清楚：每多一個依賴就多一個你無法控制的攻擊面。當 Amazon 都因為 AI coding 導致 production 事故趨勢上升，我們這些小團隊更該警覺。

[good or bad @thegiive]

真正可怕的是傳染性。兩個受災者都沒有主動裝 LiteLLM，一個是 Cursor 的 MCP plugin 拉進來的，一個是裝 browser-use 被子依賴帶進來的。你只是跟 AI 說「幫我加個瀏覽器自動化」，背後就觸發一連串 pip install。加上開源社群到處都是 >= 版本宣告，攻擊者只要發一個更高版號，所有下游自動中招。

[good or bad @thegiive]

這次攻擊鏈真的讓我後背發涼。攻擊者先毒化安全掃描工具 Trivy，再透過 CI/CD pipeline 偷到 PyPI 發佈權限，最後用合法名義推惡意版本。講白了就是先把你家監視器換成假的，再從正門走進來。而且用的是 .pth 文件，Python 一啟動就自動執行，你根本不用 import 就中招。

[good or bad @thegiive]

LiteLLM 每月九千七百萬次下載，惡意版本存活不到一小時就被發現，但不是因為安全工具厲害，而是攻擊者自己的惡意代碼寫太爛把人家電腦搞當機了。Karpathy 說這是現代軟體最可怕的事，我完全同意。

原文：https://t.co/W4vmADEr9P

[good or bad @thegiive]

我的觀察是，AI 落地最大的挑戰已經不是模型能不能用，而是人機協作的流程怎麼設計。Harness Engineering 就是在處理這件事：用系統框架確保 AI 不會脫軌，用權限管理確保人不會盲從。未來大量工作流程都會變成人機換手，誰先把這套護欄裝好，誰就能真正安全地把 AI 用起來。

[good or bad @thegiive]

Meta 出了一個 Sev 1 資安事故，問題出在兩層：AI Agent 沒拿到正確授權就在內部論壇發文分析數據，然後內部員工完全沒驗證就照 AI 建議執行，直接造成資料外洩。這不是 AI 太笨的問題，是人太信的問題。當人跟 AI 都有一定可信度，你不能全信也不能不信，這個拿捏才是最難的。

[good or bad @thegiive]

Opus 跟 Sonnet 的差距用 Benchmark 看不出來，但體感很明顯。我請 OpenClaw 寄信給 Amy，Sonnet 直接問我 Email 是什麼，完全正確。但 Opus 多做一步，先去 Gmail 搜有沒有 Amy 的往來記錄，找到了就直接寄。就差這百分之五，但這百分之五就是職場上那種永遠多想一步的人。

[good or bad @thegiive]

講真的，AI 投資報酬率最高的用法不是讓你的強項從九十分變九十五分，而是把你的短板從零分拉到六十分。有個工程師完全沒醫療背景，靠 AI 一步步做出狗的 mRNA 癌症疫苗。我自己也是，本來不懂 SEO，現在靠 AI 輔助 Blog 成效還不錯。從零到一的跳躍，才是 AI 真正讓人驚豔的地方。

[good or bad @thegiive]

做 Agent 半年最大的體悟：Prompt 是方向盤上貼的紙條，系統才是路上的護欄。你禁止提示詞寫五個模型還聽話，寫五十個他前面的就忘了。更麻煩的是今天測好明天又壞，因為平台會降智。說白了，真正要擋住 AI 亂來的不是靠拜託他，是靠外部程式碼直接報錯攔截。 https://t.co/p2wss32y32

[good or bad @thegiive]

我的核心 takeaway：4B 打贏 235B 不是小模型更聰明，是好架構讓算力花在刀刃上。這再次證明架構設計的價值被嚴重低估。大家都在追更大的模型、更多的參數，但真正的槓桿可能在於「模型怎麼用算力」而不是「模型有多少算力」。如果 MSA 方向被驗證，未來的 AI 系統會比現在簡單很多。

[good or bad @thegiive]

但講真的，冷靜的點也不少。模型沒開源、沒經過頂會同行評審、預訓練燒了 158.95B tokens 一般團隊根本玩不起、而且只測了 4B 一個尺度。論文數字跟實際部署的落差，在 AI 領域大家都見過太多次了。EverMind AI 是盛大孵化的新公司，需要更多作品來建立信任。現階段就是理解加觀望，別急著重寫系統。

[good or bad @thegiive]

技術上最聰明的設計我覺得是 Document-wise RoPE。傳統位置編碼在訓練長度外直接崩潰，MSA 讓每個文檔獨立從零開始編碼，結果是 64K 訓練長度外推到 100M，1500 倍的外推能力。大海撈針測試在 1M tokens 還有 94.84% 準確率，原始 Qwen3-4B 只剩 24.69%。