10.30 2026 年 10 月 30 日　週五　AI 新聞總覽

Zia Chat 支援 ChatGPT、Claude、Gemini 和 Zoho 自研 LLM，使用者可在單一對話入口跨應用搜尋資訊與執行任務。Zia Agents 提供無程式碼／低程式碼開發環境，預建 Account Manager、SDR、HR、Customer Support 等代理可直接部署。重視隱私的企業應留意：這些資料不會用於訓練 Zoho AI 模型，且使用者僅能查看授權資訊。台灣客戶主要使用 Zoho Workplace、Zoho One 和 Zoho CRM。

Replica 最大優勢是生成的 AI 原型能遵循企業既有的設計系統，不會產生風格不一致的介面。支援實時預覽與修改，團隊可自行架設 Replica Hub 協作平臺進行評論與版本管理。適合做 AI 驅動設計工具的產品經理與工程師，特別是需要快速迭代原型的團隊。支援 macOS 與 Linux，需安裝 Git、Node.js 等工具。

越南已將開機載入程式檢查納入行動銀行 App 法規；台灣金融業調查 8 大防護能力。OWASP 發布 MASTG 2.0 與 MASWE 1.0 標準。Google Play 2027 年 2 月要求 DEX 超過 10MB 的 App 達成 25% 的代碼混淆、最佳化與縮減。Digital.ai 新推 WBC Agent 整合白箱加密 API，並規畫支援後量子密碼演算法 ML-KEM、ML-DSA。做行動應用開發與資安的團隊應關注這些合規要求。

計畫核心是從傳統影像辨識（看到什麼）進階至理解與推論（為什麼發生）。使用 VLM 分析攝影機影像，再用 Nvidia Cosmos Reason 2 模型推論事件原因。Smart Governance City（SGC）平臺串接 AI 判斷與各局處業務流程。實績包括：道路巡檢從發現到派工最快 2 分鐘完成；防汛應變中 AI 主動偵測的事件佔 52%；交通系統提前 14 分鐘發出路網異常告警。做城市智慧治理、IoT 與邊緣 AI 應用的團隊可借鏡。

逆向分析從靜態分析（2 分鐘重建 DEX）進階至動態 Memory Dump（34 秒取得完整程式碼）。87% 的 App 遭受攻擊，iOS 動態 Instrumentation 攻擊年增 10%。防禦重點改為強化深度程式碼混淆、類別加密，以及結合伺服器端風險評分系統（如累積 Root、Frida 檢測訊號後遠端決策處置）。做 App 開發與資安的團隊應從靜態 SAST、SCA 進一步加強發布後的執行期防護。

開發者可部署雲端 MCP 伺服器或 Android AppFunctions API。Google Connected Console 提供註冊、連線設定、測試與審查流程。支援 OAuth 授權，通過審查後可查看流量、延遲與錯誤率。已有 Adobe、Experian、Peloton 等服務上線。做 Gemini 整合開發或想擴大產品觸及的開發團隊應掌握這個機會，需透過正式申請參與預覽版。

SSH 權限提升漏洞：背景服務 tailscaled 以系統權限執行但缺乏登入帳號權限檢查，使一般帳號可存取 Docker、Tailscale 本機 API。Serve 漏洞讓修改配置的使用者能繞過限制。HTTP/2 存取控制漏洞可能混用不同服務權限。使用 Tailscale SSH 轉送或 Serve 的管理員應立即升級；暫時無法升級可先停用 SSH 轉送功能。遠端開發、DevOps 與基礎設施團隊應優先更新。

Nemotron 3.5 Transcribe 採混合專家架構，約 340 億參數、每次啟用 43 億。模型可處理 1 小時音訊、區分最多 8 名講者，詞錯誤率 2.8%。Nvidia 同時公開 Granary v2 多語言資料集（46.3 萬小時、48 種語言）及 NeMo Speech 微調工具，協助開發者針對專業領域微調。開發者可透過 vLLM 自行部署或選用第三方代管服務。

Anthropic 在自身程式碼審核中，將約 90% 的讀取工作轉移給機器（自動化測試、linter、CI），人類集中於風險評估與最後把關。低風險改動（文件、特徵旗保護）人工審核數量少，高風險需 2 人承認。關鍵在於：責任所有人（提出指令的人）仍要負責，推遲檢查不等於逃避責任。6 月至 9 月 PR 增加逾 2 倍，差退率下降 40% 以上。

每次依賴包含：任務名與目的、輸入對象、輸出位置、完成條件、失敗記錄方式。執行端遇到判斷需求時立即回報、不推測，以便思考端可重新補指令並恢復執行。記錄依賴與結果可對照，判斷是策略失誤還是指定不足。本方法來自人類協作原理，在 Agent 體系上也同樣有效。

三原則對應功能：① CLAUDE.md 與 docs/ 提供導航，詳細文件外推避免壓迫 context；② PreToolUse Hook 守護破損即出事的規則（如 .env 保護），實作方式留給模型選擇；③ Skills 紀錄每次失敗對應正確手順，隨著專案進行複利積累。初始化新專案時優先產生哈內斯結構而非應用本身。

Muse 是 Agent 型 AI，可在本機執行檔案操作、部署網站、定時監控，主動發現問題。相比聊天型 AI，更適合副業反覆迭代。10 億 Token 約等於數千本長編小說或數千次網站建立修改。啟用需在註冊 48 小時內設定中輸入邀請碼（邀請雙方各得 10 億 Token，限一次）。

用架空運費表測試，依賴中僅提供資料位置的素白一句，模型會自行搜尋並 5 次都找到正解。優化依賴文反而因缺少明確資料線索，4 次被拒絕。進一步測試顯示：聞法磨練增加 137.6 token，資料貼直增加 102 token，後者更有效率。自力探索耗時 3 倍，本質差異在於讓 AI 主動尋找 vs. 被動接收。

Workflow 適用於工程固定（如分類 FAQ 後按路徑回覆）；Agent 適合調查路徑隨輸入變化（如比較多個文件找差異）。設計時需清楚答案驗證基準與停止條件。兩者可結合：固定入出口、中間授權予 Agent。運用上應分離「完成」（有根據、通過檢查）「停止」（輸入缺失、超時）「失敗」（工具錯誤）三種終態。

Haiku 5.5 入出力價格下降 90%，實際成本約降 75%。首次支援 effort 調整。小型模型當下適合：分類、抽取、摘要、context 壓縮、短期瀏覽器操作、Sub-Agent 層。長期規劃與複檔案編輯仍留 Sonnet。成本評估需含自動驗證與低成本重試的優勢。

首 Token 遲延（TTFT）與穩定性主由越境路徑決定，非模型問題。測量 p50/p90 差異辨識經路穩定度。流傳輸讓使用者及早看到 Token；connect 逾時宜短，read 逾時為區塊間沈默上限。429/5xx/timeout 才重試，用指數補償＋全抖。每行程共一客户端啟 keep-alive；多路由選項自測擇優，並配故障轉移。附 curl 測式與 Python 範例。

四類秒的來源：① 往返次數（讀屬性逐個呼叫數百次）② 重複工作（整理表後再整一次、測試前讀全模組再讀）③ 無用任務（試驗 25 項多數無獲、無修改仍複製試驗本）④ 固定手段（逐棵樹施工vs批次）。三本棚從 1.10 秒降至 0.16 秒只改呼叫方式。VBA 側亦同理：文字分割 62 萬次改為一次緩存。架構層見 stats --slow 名指最重環節，逐層剝洋蔥；驗證層含往返次數、重複檢查、實驗有效性。

明確角色（如程式碼審核代理的五點檢查清單），分離公用設置與任務參數。共享設置不代表共享權限——API 金鑰、倉儲存取須個別管理。如 Sharkly.ai 提供 Personal/Space 層級，可管理代理可用性與 Jira 連動。部署前需驗證：輸出格式一致性、邊界遵守、檢驗可依據、權限限制、向後相容。

對想在自己電腦上執行開源模型的工程師很有價值。文章涵蓋 0.4 版本的完整架構（llama.cpp、MLX、推論核心 llmster）、量子化選擇建議（迷茫時用 Q4_K_M），以及精確的記憶體需求公式與實測表格；強調 KV 快取對長對話的影響。支援 macOS（Apple Silicon 用 MLX）、Windows（NVIDIA CUDA / AMD Vulkan）、Linux，並已改為無償商用授權。