行業關鍵人物在想什麼：創始人訪談、研究者論戰、投資人判斷的觀點集合。
Mahmoud Abdelwahab 是 Railway 的開發者，他花了幾個月時間，把一整疊內部 SaaS 訂閱服務換成單一一個由代理（agent）打造的工具——而他最核心的發現是：難的從來不是程式碼。這一集的標題把它包裝成對粗糙的一次性 SaaS 替代品的抱怨，而這個框架確實撐起了整場演講，但實質內容是一套具體可循的作戰手冊：代理什麼都蓋得出來，但除非你明確要求一組特定的產品行為與驗證迴圈，否則它們不會做出你真的想用的軟體。Abdelwahab 這個all-in-one 工具如今負責 Railway 的網站內容、更新日誌、部落格、電子郵件寄送、跨平臺社群發文、媒體管理、給外部創作者用的迷你
推薦理由：代理工具可統一多項 SaaS 功能，關鍵在於明確需求與驗證迴圈，確保輸出符合預期，並可節省開發成本。
兩位研究員正以遞迴自我改進（recursive self-improvement，RSI）為主題創業，他們主張這個詞已被稀釋到近乎毫無意義，真正重要的區別在於：最佳化者（optimizer）的位置上坐的是誰、或什麼。Dhaval Adjodah 是物理學出身，在 MIT Media Lab 取得強化學習博士；Owen He 主修數學，博士期間研究持續學習與元學習，之後在 DeepMind 擔任研究科學家數年。兩人與主持人 Martin Casado 同臺，完整說明他們的框架。他們的核心主張是：先前的技術時代——用晶片打造晶片、網際網路加速協調、蒸汽機讓煤礦開採更快——都只是自催化（autocat
與你共用 GPU 的其他租戶，只要在自己本來就有許可權的硬體上做計時量測，就能辨識你正在跑哪一個大型語言模型、解碼速度多快，以及產出的是哪一類文字。這是 Stealthium 資安研究員 Branislav Brzak 在這場 13 分鐘演講中提出的核心發現。這個攻擊不需要 root 許可權、不需要漏洞利用、也完全不碰觸受害者的記憶體；攻擊者只是量測自己讀取的時間，觀察當鄰居忙碌時，GPU 全域的記憶體屏障（memory barrier）如何拖慢自己的讀取。Brzak 指出，辨識模型架構與深度的準確率達 97%，解碼速度辨識準確率 99.3%，還能單憑計時就分類工作負載型別（散文、程式碼、JSON
Atlassian 共同創辦人暨執行長 Mike Cannon-Brookes 主張，在代理式 AI（agentic AI）的世界裡，使用者介面與設計的重要性不減反增——這就是他「無介面即無腦」（headless is brainless）的論點——而 Atlassian 的核心策略賭注，是打造最好的企業情境圖譜（context graph），而不是把客戶體驗拱手讓給第三方代理。他在與主持人 Harry Stebbings 對談時，對幾個當前熱議的爭論提出反主流立場：企業是否真能從訓練專用模型中受益，目前尚無定論；推論成本下降的幅度會超出他原先預期；企業對中國來源模型的抗拒確實存在，但考量到美
Kim Maida 是 Keycard 的創始 GTM 工程師暨開發者關係負責人。她主張，三種能力的組合——取得私有資料、接觸不受信任的內容，以及對外通訊的能力——讓自主代理（autonomous agent）成為攻擊者的「致命三重奏」（lethal trifecta）；而解法並非削減這些能力，而是透過 OAuth 2 權杖交換（token exchange）核發任務範圍、短效的憑證來控管存取。本集節目圍繞一場即時的前後對照示範，展示一個待命值班分流代理（on-call triage agent）如何讀取並解決事件工單；示範佔了節目大部分的長度：標題中的「致命三重奏」概念在開頭幾分鐘內介紹並定
推薦理由：三重能力結合揭示代理風險，OAuth 2 交換可控授權成關鍵防禦手段，同時示範即時分流代理解決工單，提供實務範例。
Perplexity 共同創辦人暨執行長 Aravind Srinivas 主張，下一波 AI 價值的來源將是使用深度而非使用者數量，而他認為自家公司已卡位為橫跨模型、晶片與本地加雲端運算的中立協調者。本集標題指向中小企業將帶動一波經濟榮景，但這個論點在 54 分鐘的對談中只佔了幾分鐘。訪談主體在 Perplexity 新辦公室錄製，涵蓋公司產品從答案引擎演進為代理平臺、Perplexity Computer 與 Comet 瀏覽器的推出、在使用者自有硬體上執行 AI 的主張，以及 Srinivas 對品牌、招募與美國夢的看法。 Srinivas 表示，Perplexity 的營收正以年增 5
一場人格測驗讓 Shaan Puri 在自戀量表上拿到 110 分——「破錶」，其他各項分數則都偏低——這是這集 21 分鐘單人節目的開場，也是他三個故事中最有內容的一個。標題下得沒錯但太窄：測驗結果只佔了整集大約前三分之一，剩下三分之二是另外兩段丟臉往事（一份 250 頁的創業計畫書，向 Noodles and Company 創辦人提案；以及一張交給女生的情書，對方只問了一句「這是給誰的？」）。串起整集的主軸不是那個測驗，而是一個主張：丟臉是一道傷口，會變成一道門，而這三個時刻各自帶來了一個持久的行為改變。 Puri 是唯一的講者——他是創業者，也是播客節目《My First Milli
這期公路播客在從烏鎮開往上海的理想 i8 上錄製，全程多數路段自動駕駛，主持人 Koji 與嘉賓鴨哥（前微軟、Pinterest、Samsara 工程師，哥大 PhD，現 gap 中，與課代表共同經營 AI 教育社群 Superlinear）的對話主軸並非標題所暗示的「AI 讓我強得可怕」這句感嘆，而是鴨哥反覆強調的一套方法論：把 AI 當人來管理，用 context infrastructure 餵養它，讓它自我閉環、自我迭代。標題那句話只在談到「僱了醫生、律師、文秘天團」時出現一次，佔全片極小比例。 真正撐起 72 分鐘的是四條線：對 Jev 這款爆紅分類模型的技術祛魅與行銷拆解；「給
Will McEvoy 是 Cypherpunk Technologies 的資訊長（CIO）暨董事會成員。他主張，Zcash 價格 30 倍的漲幅，是市場對唯一具備「真正密碼龐克隱私」的加密資產所進行的理性重估——在 AI 能去匿名化透明帳本的世界裡，這個資產的價值被重新定價。本集節目主要是一場公司深度剖析：Cypherpunk 持有約 325,000 至 326,000 顆 ZEC（約 5 億美元），並掌控 Zcash 約 18% 的算力，公開目標是累積至總供給量的 5%。標題的框架是公允的——5 億美元的資產儲備與 18% 的算力確實是整場對話的骨幹——但最有價值的內容在於挖礦經濟（Zc
數學家兼播客主持人 Eric Weinstein 自稱站在數學與物理的最前沿，他在節目中告訴主持人 Steven Bartlett，世界已經脫離一段異常的八十年「沉睡期」，如今同時面臨四場動盪——AI、伊朗、俄羅斯與中國——其中以 AI 最為巨大。本集標題主打 UFO 揭露，但這個話題在 112 分鐘的對談中只佔一小段；主體是 Weinstein 的論證：AI 加上人工生命構成前所未有的威脅、AI 實驗室全都被鎖在一場誰都輸不起的競賽裡、理論物理與數學已被一個自我保護的體制把持，而中東與烏克蘭距離災難比公開討論所承認的更近。 Weinstein 最具體的幾個主張：他說自己與大約 50 人談過
AI Engineer World's Fair 將在 2026 年後停止成長。主辦人 swyx 在 Moscone Center 的閉幕 Q&A 場次宣佈，2027 年將回到同一個場地、同一週、同樣規模，接下來這一年用來最佳化，而不是擴張。本集內容幾乎全在談研討會營運：工作坊報名系統失靈、一套普遍不受歡迎的委外開發行動 App、Wi-Fi 壅塞、講者遴選機制，以及國際擴張。AI 安全與生存風險——標題框架可能讓人以為會談的主題——只在開場幾分鐘出現，而且是回應一位與會者的提問；swyx 的回答是，x-risk 刻意不設成議程軌，因為那不是工程師工作上會用到的東西。 swyx 是 AI Eng
Anthropic 的 Claude Managed Agents（CMA）是一套全託管服務，將代理框架（agent harness）、沙箱、擴充套件機制與事件日誌儲存全都跑在 Anthropic 自家基礎設施上，開發者只需專注打造上層產品。在這場實作工作坊中——四部曲系列的第二場——Anthropic 的 Priyanka Phatak 與 Gabe Cemaj 從零開始打造一個可運作的 SEC 申報檔案研究代理，再逐步升級為多代理系統，加入技能（skills）、自我監督的成果驗證（Outcomes）、共享記憶，以及一套自製的 MapReduce 風格排程框架。標題其實低估了範圍：這與其說是在做
推薦理由：本教學示範以 Anthropic 的 Claude Managed Agents 建構 SEC 申報檔案研究代理，並演示多代理協作與自製排程框架，對快速部署 AI 研究代理的工程師具實務參考價值。
這是一場關於 Anthropic Claude Managed Agents（CMA）的實務營運問答，而整場的主軸並不是標題率先帶出的 CI/CD 主題——那隻佔了開頭大約一分鐘——而是更艱難的企業級問題：多租戶架構、資料隔離，以及當代理產生 PR 的速度遠超人類閱讀速度時，如何避免程式碼審查成為瓶頸。Priyanka Phatak 與 Gabe Cemaj 都隸屬 Anthropic 的 CMA 團隊，在 Code with Claude 大會後的實作坊中回答觀眾提問，多數答覆都很具體：哪個資源繫結在哪個範圍、違反排序規則時會拿到什麼 HTTP 狀態碼、哪些第三方沙箱供應商有原廠 cookb
Anthropic 的 Claude Managed Agents（CMA）是一套 API 優先的平臺，用來建構、排程並排程大量 AI 代理——本場議程由 Gabe Cemaj 主講，內容以產品實機展示為主，加上與開發者之間的長篇問答。議程標題點出的兩個主要話題（排程代理與「做夢」）確實有出現，但只佔開頭幾分鐘；26 分鐘裡大部分時間都是觀眾提問，涵蓋可觀測性、多租戶、RBAC、評估（evals）與企業部署。對技術決策者來說，最重要的收穫是這個平臺明白揭示的設計哲學：隨著 Claude 模型越來越聰明，Anthropic 會持續移除護欄，讓模型自行決定拓撲結構，因此開發者今天投資的「外殼」（h
推薦理由：此平臺揭示 Anthropic 逐步移除護欄、讓 Claude 模型自行決定拓撲的設計哲學，對決策者評估投入與未來部署提供參考。
AgentMail 共同創辦人 Adi Singh 主張，業界在解決代理身分（agent identity）問題時方向搞反了：與其發給代理全新的加密憑證，不如讓它們在人類早已信任的介面上運作——電子郵件、Slack、瀏覽器、電信商——藉此累積身分。本集是研討會演講，不是訪談；標題中「下一個十億使用者」的說法是他論點的口號，而非有資料支撐的預測。實質內容是一位實務工作者現身說法：自主代理今天實際上怎麼註冊服務、哪裡會出問題，以及他為何認為鑰匙卡式的身分規範（代理卡、護照、DID）為了安全性犧牲了採用率。 Singh 最具體的證據，是與電信商 Telnyx 的合作案：他們把一套面向代理的註冊流程（
Anthropic 工程師 Priyanka Phatak 與 Gabe Semach 帶大家拆解 Claude Managed Agents 的架構，接著在 Claude Platform 主控臺裡現場打造一個可運作的代理。核心工程論點是：代理就是「一個模型跑在迴圈裡、配上工具」，而包住這個迴圈的框架（harness）本身編碼了「模型做不到什麼」的假設——這些假設會隨著每一次新模型發布而過時。Anthropic 第一代受管代理架構把 session log、harness 和 sandbox 全塞進同一個容器，結果每個 session 都變成不能弄丟的「寵物」。團隊於是轉向把「大腦與手」解耦
推薦理由：此影片拆解 Claude Managed Agents 架構，示範在 Claude Platform 主控臺即時建立代理，對想實踐代理模型的開發者具實用參考價值。
自主 AI 代理的瓶頸已不再是模型能力，而是那道註冊大門：代理可以連續好幾個小時寫程式、部署程式，但幾乎每一個服務仍然要求人類去看登陸頁、解 CAPTCHA、驗證電子郵件、複製 API key。WorkOS 創辦人 Michael Grinich 在這場 21 分鐘的演講中主張，代理原生的註冊流程是代理經濟裡缺的那塊基礎元件，並提出 auth.md——一套以 Markdown 為基礎的開放規格，告訴代理如何在不需人類介入的情況下，成為某項服務的合法使用者。標題聚焦 auth.md 是準確的：這套規格、它的運作機制，以及一場 Cloudflare 部署的實機示範，大約佔了演講的後半段。 G
推薦理由：auth.md 透過 Markdown 規格，讓 AI 代理可自動完成註冊流程，突破人類介入瓶頸，促進代理經濟的自動化。
推論最佳化已經從核心層級（kernel）的問題，升級為系統層級的問題。這是這場 22 分鐘演講的核心論點。講者 Daniel Kim 在 Cerebras 負責 AI 與 AI 代理相關工作，另一位講者 Michelle 則是 Gimlet Labs 的共同創辦人，該公司正在打造多晶片架構的「neocloud」，目標是在堆疊的每一層最佳化推論。他們的說法是：從 2022 年一路支撐推論到今天的執行期技巧——批次處理（batching）、分頁 KV 快取（paged KV cache）、提示快取（prompt caching）、分塊預填（chunked prefill）——大致上已經被榨乾，接下
Kevin Orellana 任職於 Amazon Bedrock AgentCore（AWS 的代理沙箱代管平臺），在這場演講前的幾個月裡，他把一個 coding agent 指向自家團隊的雲端沙箱環境，讓它整夜執行、試圖把環境弄壞。最核心的發現不是某個單一 bug，而是結構性的問題：當你把代理代管在沙箱裡，而不是暴露長時間執行的 REST API，沙箱的底層原語——記憶體、CPU、檔案系統許可權、行程生成許可權、核心控制——就成了代理能否完成任務的主要限制。Orellana 的團隊跨 10 個領域生成約 1,000 個測試來對平臺做模糊測試（fuzz testing），結果失敗案例不是集中在商
推薦理由：沙箱限制成 LLM 執行程式碼的主要瓶頸，透過 1,000 次模糊測試證實，記憶體、CPU、檔案系統與行程生成許可權是關鍵限制，提醒設計者重視底層資源與許可權管理。
Stripe 產品負責人 Nilofer Rajpurkar 以 Stripe 自家的交易資料為依據，主張頂尖 AI 公司已經打破了 SaaS 時代的四項假設：他們打造產品更快、第一天就全球銷售、以用量而非席次計價，而且在拿到 A 輪之前就開始跑企業銷售流程。最引人注目的單一數字，是 Stripe 平臺上的 AI 營收年增 175%，而前一年是 120%——成長正在加速，不是減速。標題以「AI 經濟」為框架算是貼切，但這集與其說是總體趨勢調查，更像是一份實戰者的操作手冊：大約一半的內容是關於定價、全球收款與進入市場策略的具體指引，並用一場即時示範佐證——Claude 在對話視窗裡直接做出一個可
推薦理由：Stripe 產品負責人以實際交易資料說明 AI 企業如何打破傳統 SaaS 模式，提供具體定價與市場進入策略，對想進軍 AI 市場的企業具有參考價值。