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。
Wolfram Ravenwolf 是 CoreWeave 與 Weights & Biases 的 AI 推廣者，他主張單一分數的基準測試幾乎沒有參考價值，因為模型效能是一個分佈，而不是一個點；而且只要控制六個可替換的層級，並公開每個數字背後的原始軌跡，任何人都能建立更可信的評測。本集是在 AI Engineer 大會發表的代理評測方法論實作工作坊，重點多半在於如何建構可複現的基準測試，而非某個特定的排行榜結果。標題的「從零到排行榜」說得沒錯，但低估了重點：這 52 分鐘大部分時間都花在那些會默默讓比較失效的設定變數，以及如何閱讀軌跡來解釋出乎意料的分數。 Ravenwolf 的核心主
Venice AI 的開發者關係首席工程師 Joshua Mo 主張，一款 AI 產品是否具備隱私，取決於模型本身的程度，遠不如取決於圍繞模型打造的系統；而且多數代理架構在設計上就會洩漏機密。Mo 以一個自我標榜隱私、不受限制的平臺視角出發，逐一拆解憑證實際上從哪裡外洩：可觀測性（observability）管線預設就會記錄提示與機密；代理執行環境會去取出保險庫憑證，再直接交給推理層；而 MCP 工具拉取則讓 API 金鑰暴露於風險中，只要一次惡意工具呼叫就能被外洩。標題的框架公允但偏窄：本集內容主要是隱私保護模式的架構導覽——雜湊化識別碼、拆分金鑰託管、可撤銷控制程式碼、收斂代理範圍、對抗提示
這場 55 分鐘工作坊裡最有價值的內容，並不是標題所寫的「教代理搜尋」——那隻佔整場演講的後三分之一。整場大部分時間其實是一套實作教學，講的是 NVIDIA 開源的 Data Designer 框架如何生成合成資料，而搜尋案例研究則是驗證這套方法奏效的成果展示。NVIDIA 研究科學家 Dhruv Nathawani 提出的核心主張是：打造代理能力的難點不在模型，而在資料管線。你要先鎖定一個目標代理行為，把它轉化為資料問題，以真實世界的種子資料為基礎生成多樣化的合成資料，嚴格過濾，最後才進行訓練。他端出的亮眼成果是：靠這套方法，NVIDIA 讓 Nemotron 模型在 BrowseC
推薦理由：此教學展示如何利用 NVIDIA Data Designer 生成合成資料，提升代理模型訓練效果，對資料管線設計與代理行為最佳化提供可搬移的實作方法。
本集是一場實作工作坊，而非泛泛而談。Qodo 開發者關係負責人 Nnenna Ndukwe 帶著滿場開發者，走過一套結構化的 AI 編碼工作流程，整場以一個 fork 出來的示範 repo（名為 SignalPay 的 FastAPI 支付 API）為核心。全場最重要的一個主張是：代理式開發（agentic development）的程式碼品質，必須靠成文規則與技能（skills）來強制執行，而這些規則與技能要放在任何單一 repo 之外，並在每個階段——規劃、程式碼生成、本地驗證、PR 審查——都被拉進來。標題用「品質關卡」來定調是貼切的：關卡確實是整場的主軸，不過實際執行時間有相當大的比例
Arize AI 產品負責人 Fuad Ali 在 AI Engineer 大會上用 38 分鐘的工作坊，主張代理可觀測性（agent observability）正從「人類看的儀錶板」轉向「編碼代理（coding agent）能消費、調查並據以行動的程式化介面」。標題裡的「自我學習迴圈」只是包裝，實質內容是一條具體的四階段流程——偵測、調查、修復、驗證——並以一個刻意埋了 bug 的購物代理 Wonder Toys Assistant 現場示範，再加上 Arize 的三個產品介面（Signal、Arize skills、Agent Experiments）分別自動化每個階段。這集節目大部分時
推薦理由：提供可落實於實務的四階段自我學習流程，讓代理開發者能以程式化介面監測與修復錯誤，並驗證改進效果。
Google DeepMind 的開發者體驗工程師 Thor Schaeff 負責 Gemini API 與 Google AI Studio，他在這場 20 分鐘的議程中，展示了一系列近期推出的 Google DeepMind 模型，並主張：原生音訊的即時代理（agent）現在已經可以實際落地開發。這場議程的主標題「你的代理現在聽得見你了嗎？」實際上是一趟多模態積木之旅：富有表現力的文字轉語音、影像生成與編輯、近乎即時的語音翻譯、音樂生成，以及透過 Live API 存取的 Gemini 3.1 Flash Live 對話模型。整場議程以現場 demo 為主，而非單一論點，同時也為 Scha
推薦理由：展示 Gemini 3.1 Flash Live 在即時語音代理上的實際落地，讓開發者可快速構建多模態對話體驗。
兩位 AWS 工程師在會議室裡，用不到一小時帶大家從零打造並部署一個 AI 代理，而這場分享的重點與其說是示範，不如說是讓代理能安全上線生產環境的控制機制。Sandhya Subramani 與 Elizabeth Fuentes Leone 都任職於 AWS 負責 Strands Agents 與 Amazon Bedrock AgentCore 的團隊，她們主張代理工程真正困難的地方不是推理迴圈，而是包在迴圈外圍的確定性護欄：限制工具呼叫次數的 hook、只在需要時注入上下文的 skills 檔案，以及在輸出送到使用者面前之前先行檢查的 steering 處理器。本集標題承諾的是一場「sp
推薦理由：本示範展示了 AWS 代理開發流程，提供可直接套用於生產環境的安全控制技巧，讓開發者能在短時間內完成從零到部署的完整迴圈。
Atlassian 的 Dev AI 團隊在 AI Engineer World's Fair 的這場工作坊中提出一個論點：代理式（agentic）軟體開發還剩下的最大生產力成長空間，不在程式碼生成本身，而在「程式碼前後的一切」——規劃、協作排程、審查、標準落實與事故應變。主講人 Andy Wong 在 Atlassian 待了四年，投入 AI 領域約兩年半，與隊友 Shane Wolf（Dev AI 領域主管）及 Andrei Bocan 共同發表。這場議程原本設計成圍繞 Atlassian Jira Coding Agent 的實作工作坊，但研討會現場 Wi-Fi 不斷斷線，團隊被迫改成延
這場 109 分鐘工作坊裡最有價值的內容，不是標題所標榜的「讓代理自己擁有推論能力」——那個論點只佔開場幾分鐘——而是實機操作、數字紮實的演練：如何在單張專用 GPU 上跑生產級 LLM 端點並調校它。Akamai 兩位工程師——開發者推廣 Du'an Lightfoot 與資深軟體工程師 Khaja Omer——把大部分時間花在即時的 Jupyter／Kubernetes 環境裡，測量每秒 Token 數、首 Token 延遲（time-to-first-token）與 KV 快取行為，然後一次改一個 VLLM 引數，看這些數字怎麼動。最受矚目的實測結果：把 Qwen 3 4B 模型從 BF
Micah Silverman 是 Snyk 近五年的老員工，他在一場安全會議上主持了一場兩小時的工作坊，完整說明 Snyk 所謂的「AI 安全工程師基礎」課程——六個模組，涵蓋 OWASP 針對 LLM 的 Top 10、影子 AI 治理、AI 物料清單（AIBOM）、AI 威脅建模、Model Context Protocol（MCP）安全、氛圍編碼（vibe coding）以及紅隊演練。這場議程原本三小時，被壓縮成兩小時，因此 Silverman 深入講解了 OWASP 前七項，後面幾張投影片則快速帶過，並向與會者表示所有內容都會放在自助式網站上，附有徽章與完課證書。 貫穿每個模組的核
Elastic 對 AI conference 聽眾的說法很直白：檢索仍是 RAG 最難的部分，而且沒有任何單一檢索方法——向量也好、關鍵字也罷——能獨力勝任。Elastic 的 AI 架構師 Jeff Vestal 與搜尋專家團隊解決方案架構師 James Williams 花了 76 分鐘，帶著滿場聽眾實作一套工作坊：先建構語意搜尋，再用詞彙式 BM25 搜尋把它拆掉，最後以倒數排名融合（Reciprocal Rank Fusion，RRF）與可調線性加權把兩者重新組合為混合搜尋。標題的「向量不夠」說法正確，卻低估了範圍：這場議程主要是實機 lab 演練（四章，外加重新排序器的 bonu
推薦理由：實作混合搜尋方法，示範向量與 BM25 結合對 RAG 的提升，並提供可調線性加權與倒數排名融合的實作範例，說明在實際工作坊中如何快速組合兩種檢索模型以提升回覆質量
Jordi Visser 是一位宏觀投資人，主持「Signal vs. Noise」研究系列，自稱是主修宏觀經濟學、在 2012 至 2013 年後轉進數位經濟的人。他主張，把 AI 說成「泡沫」是倒果為因：泡沫在舊的、依賴利率的經濟裡，而數位與代理經濟才是該做多的賽道。本集標題主題——AI 是不是泡沫——確實有正面處理，但只佔開場三分之一；52 分鐘裡大部分篇幅在談投資組合建構，討論自 iPhone 問世（2007 年 7 月 1 日）以來 alpha 集中在哪裡，以及 Visser 預期接下來會集中在哪裡：算力、加密／代幣化，以及隱私。 Visser 的核心論點是：AI 算力的需求如今來
Josh Woodward 負責帶領 Google Labs、Gemini 應用程式與 Google AI Studio。他主張，AI 能力變化速度之快，迫使每一家公司——不只是 Google——都必須採用研究實驗室的營運紀律：大量進行低成本實驗、緊盯某件「幾乎可能」的事變成可能的那一刻，並且願意快速砍掉想法。本集標題把這件事框定為普世的要求，而這個框架確實撐起了整場對話，但最具體的價值在於 Woodward 談到的實際做法：Google Labs 如何產生與砍掉想法、在指標出現之前產品市場契合度（product-market fit）長什麼樣子、規劃時程如何壓縮到大約 100 天，以及他親自
這場 106 分鐘工作坊裡最有力的主張，並不是標題所標榜的資料情境層（data context layer）——那個主題大約只佔開頭 25 分鐘——而是講者自己在評估實驗中得到的反直覺發現：一個專門打造、能用一次呼叫回答 grep 得跑很多次才能回答的圖形工具，在單次準確率上竟然與 grep 大致打成平手。只有當同一批問題跑五次、改以一致性而非最佳情況正確率計分時，圖形代理才拉開差距——可靠性約為兩倍，Token 用量則少了約 3.1 倍。講者從中得到的教訓是：打造情境層是簡單的部分；讓代理真的願意去用它才是難的部分，因為模型在後訓練階段被教成要 grep、要讀檔案，除非把更好的工具塑造成它們
Filip Makraduli 代表 Superlinked 主講，帶大家看一套開源 MCP 伺服器：它把敏感的檔案處理工作——OCR、實體抽取、去識別化、摘要——從使用者本地的代理框架（Claude Code、Co-work、Claude Desktop）解除安裝到自架的推論叢集上。核心論點是：隱私、Token 成本降低、模型可替換性並不是三個各自獨立的問題，而是同一個基礎架構問題——只要掌控推論層，就能在自己的 VPC 內預先處理檔案，只把去識別化或濃縮後的產物回傳給主代理，既省下 Token 支出，又讓原始 PII 不會流到外部 API。本集主要是技術架構分享加上現場 demo；標題提到的
推薦理由：示範如何將敏感檔案處理移至自架推論叢集，降低 Token 成本並保護隱私，對本地 AI 工程師設計有實際參考價值。
Reducto 是一個代理式（agentic）檔案平臺，它解析了超過 300 萬頁經過塗黑、掃描與手寫的政府 PDF，為 JMail 提供底層支援——這個爆紅的「Gmail 分支」介面正是建立在 Epstein 檔案之上。這就是 Reducto 開發者關係負責人 Palak Agarwal 與創始工程師 Omar Alhait 在這裡講述的核心故事，而它主要談的是檔案抽取基礎設施，不是 Epstein 檔案本身。標題所指的主題，主要是以動機案例的形式出現：一個五小時的駭客松專案，如何演變成一套產品（JMail、JFlights、Jamazon、JDrive、JPhotos、JCal），到二月已
Bright Data 解決方案架構師 Yohan Raju 主張，網路資料收集的瓶頸已經從代理（proxy）基礎設施轉移到工程人力，而 AI 代理（agent）加上 Model Context Protocol（MCP）端點，如今已能代勞橫跨數千個網站的爬蟲建置與維護工作。Raju 在一場研討會演講中指出——他在 Bright Data 待了六年，形容該公司是僅次於 Google 的全球最大網路資料收集平臺，每月收集數 PB 的資料——他逐一拆解傳統爬蟲技術堆疊、反機器人（anti-bot）軍備競賽，並現場示範代理如何抓取 Amazon 商品頁、到 Reddit 搜尋輿情，最後給出「買／不買
Neo4j 資深軟體工程師暨開發者倡議者 Nyah Macklin 主張，純向量檢索增強生成（RAG）在需要多跳推理、聚合或可追溯來源的問題上會失效，解法是保留向量層，並在檢索路徑中加入知識圖譜——她將這種架構稱為 GraphRAG。本集是實作工作坊，而非概念綜覽：Macklin 與同事 Jeremy Adams Castanhas 帶著滿場工程師，從 Neo4j 自家的 Graph Academy 課程內容建出知識圖譜、建立向量索引，再把兩者接進一個 Neo4j Aura 代理，讓它只根據這份圖譜回答問題。標題的框架合理但比內容狹窄——「RAG 需要一張地圖」是論點，但 52 分鐘裡大部分時
Unblocked 共同創辦人 Peter Werry 主張，檢索增強生成（retrieval-augmented generation，RAG）——他狹義地將其定義為語意相似度或向量搜尋——只解決了檢索問題的一半。另一半，也是這場精簡版實作工作坊的重點，是把自然語言轉譯成真正、結構化的資料庫查詢，讓帶有結構或時間限制的問題（例如「我上週合併的 PR」）能回傳正確答案，而不是隻回傳語意相近的檔案。本集是實機建構的逐步導覽，而非概念性演講：Werry 逐一走過六個堆疊的 pull request，把一個只有空殼的引擎變成可運作的查詢產生器，再變成經過驗證、能自我修正的版本，最後讓同一個引擎驅動一
本集節目的核心結論是：Hermès 與 LVMH 目前都不值得買進，儘管兩者股價都接近歷史估值低點。主持人 Shawn O'Malley 與 Daniel Mahncke（兩人皆為 The Intrinsic Value Podcast 主持人）逐一拆解這波精品業低迷，認為疲弱主要來自總體經濟因素——中國房地產危機、波灣旅遊急凍，以及嚮往型買家族群縮水——而非品牌本身受損。但數字過不了他們設下的 12% 門檻：Mahncke 的基本情境推估，Hermès 在每股 1,300 歐元時預期報酬約 12–13%（目前股價接近 1,400 歐元），LVMH 在合理價值 350 歐元時約 11%。兩位主