AI 每日新聞 — 2026 年 11 月 14 日

總覽：今日 AI 新聞有三條主線。第一，權力重組：NVIDIA 共同創辦人黃仁勳辭任執行長，33 年來首度換帥，震動整個 AI 供應鏈；同一時間 Anthropic 傳出 IPO 超額認購、出口管制調查升溫，產業的權力版圖正在重排。第二，Agent 動手：OpenAI Daybreak 把 Agent 推進資安攻防，ChatGPT Wallet 讓 Agent 代為結帳，Adobe 讓 Agent 直接操作 Photoshop——Agent 不再只是聊天，開始碰真實系統與真錢。第三，速度與開源：Google Gemini 4 Hydrogen 主打快 2.5 倍並全面鋪開，DeepSeek、Perplexity、Salesforce 同日開源齊發，模型競賽的戰場從「更聰明」轉向「更快、更開放」。如圖一是今日三大重點，如圖二為三大主題關聯圖。

模型與產品

1. Google 推出 Gemini 4 Hydrogen，全面進駐 Copilot 與搜尋

Google 於 11 月 12 日推出 Gemini 4 Hydrogen，定位為快速模型，鎖定日常編碼與 Agent 工作流程；官方稱任務完成速度比 Gemini 3.8 Flash 快約 2.5 倍，上下文窗口達 100 萬 token，API 定價為輸入每百萬 token 1.50 美元、輸出 7.50 美元。11 月 13 日起，Hydrogen 在 GitHub Copilot 全面可用（Pro、Pro+、Max、Business、Enterprise 方案），並成為 Google 搜尋與 AI Mode 的新預設模型；GitHub 同時宣布將於 12 月 14 日停用 6 款舊模型，包含 Gemini 3.8 Flash。

為什麼重要：Google 把新模型第一時間鋪進開發者每天用的工具與全球搜尋入口，速度正式成為模型競賽的主戰場；Copilot 用戶等於一夜換上新引擎。

來源：AI Agent Update、Windows Forum

2. 百度 ERNIE 5.5 Flash Preview 上線：2800 億參數混合專家模型

百度推出 ERNIE 5.5 Flash Preview，2800 億參數的混合專家（MoE）模型，透過千帆 API 提供預覽；Apache 2.0 權重已承諾釋出，但目前尚未公開。

為什麼重要：中國大模型廠商持續以超大 MoE 架構追趕前沿，權重未釋出前只能先看官方說法，實際能力有待第三方驗證。

來源：SXF Brief

3. ElevenLabs 推出 Scribe v3 轉錄模型

ElevenLabs 推出針對錄音轉錄的新模型 Scribe v3，另有低延遲即時版本；官方稱多語測試的辨識錯誤率更低。

為什麼重要：語音轉文字是 Agent 聽懂現實世界的第一步，錯誤率下降直接影響會議記錄、客服與語音 Agent 的可用性。

來源：SXF Brief

4. 開源模型同日三連發：DeepSeek、Perplexity、Salesforce

DeepSeek v4.1 Flash 成為首款在 SWE-sweep 除錯基準上得分超過 1% 的開源權重模型；Perplexity 發布開源權重決策模型 Decider v1.3（27B 與 5B），回傳機率分布並可抽取原文片段；Salesforce 發布開源語音轉文字模型 SOV-Transcribe-1，在非串流語音辨識的開源模型中排名第一。

為什麼重要：開源陣營不再只拼聊天能力，開始分進合擊——除錯、決策、語音各有專精模型，開發者可以按任務拼裝自己的 Agent 堆疊。

來源：Agentic AI News

Agent／框架

5. OpenAI 推出 Daybreak：資安紅隊與修補 Agent

OpenAI 於 11 月 12 日在「Cyber at the Frontier」活動發表兩款 Daybreak 產品：Daybreak Red Team 以多 Agent 協作對 Web 應用做滲透測試，驗證漏洞是否真的可被利用；Daybreak Defense Factory 追蹤漏洞根源、起草修補程式，再交由工程師審核合併。底層模型為 GPT-6 Cyber，據 OpenAI 系統卡在 ExploitGym 達 48.5%。Red Team 目前為早期試用（須申請），Defense Factory 為 ChatGPT 內的預覽外掛；修補一律不自動部署，定價未公布。

為什麼重要：Agent 正式進入資安攻防兩端——找漏洞與修漏洞同一條流水線。這是 Agent 從「幫忙寫程式」走向「接管維運流程」的關鍵一步，也是最先碰到信任與權限邊界的場景。

來源：WebProNews、AI Primer

6. ChatGPT Wallet 上線：Agent 代購結帳閉環

OpenAI 於 11 月 13 日推出 ChatGPT Wallet，美國 Pro 訂閱用戶可用，ChatGPT 內的 Dots Agent 可代為購物結帳，經生物辨識授權、以 token 化卡號付款。

為什麼重要：這是主流 AI 產品第一次把「Agent 花錢」做成正式功能。Agent 經濟的關鍵不在於會不會買，而在於授權、額度與可追溯性怎麼做——Wallet 的設計將成為業界範本。

來源：SpringTools AI Announcements

7. Adobe 推出本地 MCP：Agent 直接操作 Photoshop 等創作軟體

Adobe 在 MAX 2026 宣布本地 MCP 整合，讓 ChatGPT、Claude、Gemini 等第三方 Agent 直接在已安裝的 Photoshop、Illustrator、Premiere、After Effects 專案內工作，可操作圖層、向量路徑、素材庫等；哪些功能開放仍在決定中。

為什麼重要：MCP 從開發者工具走進創作者桌面，Agent 開始操作專業軟體的原生檔案。這類「本地 MCP」模式若成形，專業軟體的競爭將從功能比拚轉向 Agent 整合深度。

來源：TweakTown

研究與論文

8. Google Antigravity 多 Agent 協作加速科學研究

Google Research 公布 Antigravity／teamwork 多 Agent 系統的新成果：多個專長不同的 Agent 與研究人員協作，解決複雜數學與科學問題。

為什麼重要：多 Agent 協作的試金石從寫程式轉向科學研究——若 Agent 能在數學證明與科學推理上真正分工，研究的生產方式可能改變。

來源：AI Edge Insights

9. 研究與開源工具三則：XYBench、AQuA、llama.cpp v1.0

Hugging Face 與合作夥伴發布 XYBench，8000 多題測試助手能否糾正使用者的錯誤前提，獲 EMNLP 2026 最佳資源論文；Google 開源 AQuA，抽樣生產環境的 Agent 對話以偵測無聲的品質退化；llama.cpp 推出 v1.0，承諾穩定的 API／ABI，Hugging Face 並據此推出 Llama 桌面應用。

為什麼重要：三者都指向同一個方向——讓 Agent 在生產環境可被衡量、可被信任。基準、監測與穩定的本地推理底層，是 Agent 從展示走向維運的基礎建設。

來源：Agentic AI News

產業與政策

10. NVIDIA 黃仁勳辭任執行長，財務長 Colette Kress 暫代

NVIDIA 董事會宣布共同創辦人黃仁勳辭去總裁、執行長與董事職務，即刻生效；財務長 Colette Kress（2013 年起任職）暫代執行長並兼任財務長，董事會啟動正式接班人搜尋，前 Synopsys 執行長 Harvey C. Jones 出任首位董事長。公司未說明辭任原因，第三季財報仍訂於 11 月 17 日公布。據《紐約時報》、USA Today 等報導，辭任前一週黃仁勳承認婚外情，董事會並調查他是否成為外國情報行動的目標；消息公布後股價下跌。

為什麼重要：AI 時代最具代表性的執行長離場，發生在產業最關鍵的時刻——接班人選、Blackwell 出貨與 11 月 17 日財報將同時接受市場檢驗，NVIDIA 的下一步牽動整條 AI 供應鏈。

來源：NVIDIA 新聞稿、CNN、USA Today

11. Anthropic IPO 據報超額認購六倍；LangChain 完成 3 億美元 C 輪

據報導，Anthropic IPO 超額認購達六倍，有望成為史上規模最大的 IPO；另據報導，銀行因美國出口管制，拒絕中國與香港投資人參與。同一週，LangChain 宣布完成 3 億美元 C 輪融資，估值 30 億美元，用於推進 LangSmith——其與框架無關的 Agent 執行、改善與治理平台。

為什麼重要：資本市場同時在為兩種 Agent 未來下注——最大的模型公司準備上市，最大的 Agent 開發框架拿到大筆資金。Agent 基礎建設的商業化正在加速。

來源：Agentic AI News

12. 晶片出口管制調查：Blackwell 指紋現身六款中國 AI 模型

據報導，鑑識分析在六款中國 AI 模型中發現 Blackwell 晶片的指紋，NVIDIA 私下確認具備追蹤晶片的能力；美國官員正調查出口管制違規情形。

為什麼重要：晶片不只是算力，更成為可追蹤的戰略資產。出口管制的執行方式，正從「賣不賣」轉向「用在哪、怎麼查」。

來源：Agentic AI News

可發展成 Agentic AI 部落格主題

• OpenAI Daybreak：Agent 接管資安攻防流程——從找漏洞到修漏洞，信任與權限邊界怎麼畫。
• ChatGPT Wallet：Agent 開始花真錢——授權、額度與可追溯性的設計，將決定 Agent 經濟走多遠。

Agent 接入 CI/CD 實作課：讓部署管線自己跑、自己驗、自己回滾

前言：部署流程裡最花時間的一步

Relay 的部署流程我很熟：開發在 develop 分支、審查通過後合併到 main、部署、確認結果、交付。每一張單走完這條路，都要有人在旁邊看著：測試紅了要有人去翻 log、部署卡住了要有人決定要不要回滾、半夜告警響了要有人爬起來判斷。流程本身是確定的，判斷卻全是人做的。

2026 年這條路開始變了。GitHub Copilot coding agent 在 2025 年 9 月全面上線、GitLab Duo Agent Platform 在 2026 年 1 月正式推出、AWS DevOps Agent 在 2026 年 3 月正式推出；2026 年 10 月 28 日，GitHub Agentic Workflows 也正式推出——用自然語言寫的 Markdown 檔，編譯成標準的 GitHub Actions YAML，讓 coding agent 直接在管線裡跑推理任務。CI/CD 不再只是「照表操課」的腳本，開始長出一個會判斷的決策層。

這篇文章談四件事：Agent 在管線裡真正能做的四種工作、一個今天就能跑的實作骨架、以及五個不先談好就別上線的護欄。

一、為什麼 CI/CD 是 Agent 最先接手的戰場

傳統 CI/CD 是確定性的：建置、測試、掃描、部署、觀測，一步接一步，失敗就停。它的痛點不在步驟本身，而在步驟之間的判斷：這次測試失敗是程式錯了，還是測試本身不穩定？這次部署能不能放行？錯誤率爬升時該降級、回滾，還是再觀察五分鐘？

這些判斷有三個特徵，剛好對上 Agent 的強項：第一，輸入都是結構化資料——log、測試報告、指標、diff，Agent 讀得比人快；第二，判斷可以寫成政策——「錯誤率超過 1% 且持續 5 分鐘就回滾」是一條規則，不是直覺；第三，動作是可逆的——回滾、重跑、降級，都有現成的逆操作。

平台商的動作也說明了這一點。GitHub Agentic Workflows 讓你在 repo 裡放一個 .md 檔，用自然語言描述「CI 失敗時去調查、提出修復」，編譯後就是一條標準 Actions workflow，預設唯讀、寫入要經過 safe-outputs 閘門。Harness 在 2026 年 7 月推出的 Agent DLC 則把 Agent 當成一等公民對待：AI Evals 在合併前對 Agent 打分、Agent Deployments 把 canary 發佈與 OPA 政策套到 Agent 身上、AgentTrace 記錄每一步工具呼叫與模型決策、AIBOM 列出 Agent 用了哪些模型、工具與相依套件。

DORA 2025 年的報告也給了同一個方向：AI 採用不再拖慢交付速度，但不穩定性上升了；有正式治理的企業，九成看到明顯效率提升，沒有治理的只有四成四。問題不再是 Agent 會不會寫程式，而是 code、CI/CD、部署、事故回應這條鏈上，還有多少留在人手裡。

二、Agent 在管線裡的四種工作

如圖一，Agentic CI/CD 不是把整條管線換掉，而是在原來的六個階段上面，橫跨一層 Agent 決策層。四種工作各有不同的自主權上限：

第一，失敗診斷：唯讀，最安全。 CI 紅了，Agent 去讀 log、比對最近的提交、查相關 issue，最後產出一份診斷報告。這個動作完全唯讀，風險接近零，也是最值得先上的第一步。GitHub Agentic Workflows 的預設工作模式就是這個形狀。

第二，修復提案：開 PR，不直接改。 診斷出原因後，Agent 寫出修復、開一個 PR，等人審查後再合併。Copilot coding agent 的標準迴路就是這樣：認領 issue、開草稿 PR、跑 CI、等人審。Faros 2026 年的研究提醒這裡有代價：高 AI 採用團隊的開發者人均 bug 增加 54%、PR 審查時間中位數變成五倍、每個 PR 帶來的生產事故超過三倍。修復提案省的是寫程式的時間，審查的負擔會回到人身上——這筆帳要先算進去。

第三，部署決策：按政策放行或攔下。 Agent 在部署前檢查測試覆蓋、掃描結果、變更風險，再對照政策決定放行、攔下或升級給人。這一步的關鍵是政策要寫在程式裡（OPA、Kyverno），不是寫在 Agent 的提示詞裡。

第四，自動回滾：最危險，也最有價值。 上線後指標異常，Agent 判斷是新版本造成的，就自動把流量切回舊版。一個企業級案例是這樣跑的：API 更新後，p99 延遲從 35 毫秒飆到 1400 毫秒，Agent 查到 8 分鐘前部署的 commit，準備回滾到上一個已知良好的版本，OPA 閘門確認符合安全部署政策後放行，45 秒完成回滾。重點是回滾閘門的閾值要在暴露流量之前就定好，事後再調等於沒有閘門。

三、實作骨架：CI 失敗自動開修復 PR

如圖二，部署自主權應該是一座階梯，不是一道開關。第一階唯讀診斷、第二階開修復 PR、第三階自動修復測試環境、第四階 canary 部署、第五階全自動部署與回滾。每一階都要有自己的閘門與回滾計畫，通過了才往上走。

以下是一段最小可跑的骨架：GitHub Agentic Workflows 的 .md 定義檔，用自然語言寫好規則，編譯後就是標準的 Actions workflow。關鍵不在模型多聰明，而在三個硬性約束：唯讀起手、寫入走 safe-outputs、預算上限。

# .github/workflows/ci-autofix.md  （自然語言寫，gh aw compile 編譯成 YAML）
---
engine: copilot
on: workflow_run
safe-outputs:
  create-pull-request: true
  max-budget: 5.00  # 單次執行最多 5 美元，超支即停
---
# CI 失敗調查與修復

當 CI 失敗時：
1. 讀取失敗的 log，定位根因（程式錯誤、測試不穩定、環境問題）
2. 只修改與根因直接相關的程式碼，不順手重構
3. 開一個修復 PR，附上根因說明與測試結果
4. 不要直接合併——合併永遠由人決定

這份 .md 用 gh aw compile 編譯後就是標準的 Actions workflow，跑在既有的 runner 與政策約束之下。第一週先開唯讀模式（不開 PR、只留言診斷），等診斷準確率穩定了，再打開修復 PR。

四、上線前先談好的五個護欄

第一，確定性軌道與機率性 Agent 分工。 建置、測試、部署這些步驟繼續用確定性腳本跑；只有「判斷」交給 Agent。Agent 不寫 YAML、不改管線定義，只讀結果、提建議、走閘門。

第二，評測先行，而且評測本身要防作弊。 UC Berkeley RDI 團隊在 2026 年 4 月示範了一個殘酷的事實：他們寫了一個專門鑽評測漏洞的 Agent，完全不解題，只操縱評分機制，就在八個主流 Agent 基準裡拿了接近滿分——SWE-bench Verified 上，一個十行的設定檔就能讓測試框架回報全部通過。評測結果要拿來決定 Agent 能不能上線，評測本身就不能跟 Agent 放在同一個沙箱裡。

第三，權限取最小交集。 Agent 的權限是三者的交集：部署流程需要的、這個角色該有的、這次任務需要的。GitHub Agentic Workflows 的預設唯讀、寫入走 safe-outputs，就是這個原則的產品化。部署憑證絕對不能進 Agent 的上下文——這是 11 月 12 日那篇憑證管理文章的同一條防線。

第四，回滾先練，部署後談。 回滾的可信度取決於四件事：舊狀態已知、逆操作測過、相依系統相容、恢復時間符合後果。沒演練過的回滾等於沒有回滾。先在測試環境把「部署壞版本、指標異常、自動回滾」完整跑三次，再談生產環境。

第五，成本上限寫死。 Agentic workflow 的 token 花費是變數，不是固定成本。GitHub Agentic Workflows 支援單次執行的預算上限，超支即停。沒有預算上限的 Agent 管線，半夜一個迴圈就能把帳單跑爆。

我的看法

結論：能用，但只限前兩階。 唯讀診斷與修復提案今天就能上：風險低、回報明確，而且 Relay、Drydock、WebTracker 的部署流程本來就是 develop 分支加審查合併，Agent 開的修復 PR 剛好走同一條路，不用改流程。自動放行部署與自動回滾先看——等 canary 閘門的閾值定好、回滾演練跑過三次、成本上限寫死，再往上走一階。

為什麼是「能用」而不是「先看」：因為前兩階的成本結構很清楚。一次 CI 失敗的人工調查大概是 20 到 40 分鐘，Agent 的一次診斷是幾塊錢 token 加上一個等人審的 PR。審查負擔會增加——Faros 的數字擺在那裡——但審一份寫好的診斷報告，比從零翻 log 便宜得多。

務實建議：下週先在 Relay 上開一個唯讀的 CI 失敗診斷 workflow，只留言、不開 PR，跑兩週看診斷準確率；準確率過八成再開修復 PR，修復 PR 的合併永遠由人決定。部署決策與回滾那兩階，等 canary 閘門與回滾演練都就位了再談。

結論

Agentic CI/CD 不是把管線換成 Agent，而是給管線加一層會判斷的決策層。判斷的自主權要一階一階往上爬：唯讀診斷、修復提案、部署決策、自動回滾，每一階都有自己的閘門。順序對了，每一步都有回報；順序錯了，第一個半夜自動部署的壞版本就會讓你把整套系統拆掉。

來源

- GitHub Changelog，GitHub Agentic Workflows generally available（2026-10-28）：https://github.blog/changelog/2026-10-28-github-agentic-workflows-generally-available/

- The CODEW，DevOps Watch: AI Agents Are Rewriting DevOps（2026-08-31）：https://www.thecodew.com/2026/08/devops-watch-ai-agents-rewriting-software-delivery-pipeline.html

- TechTarget，Harness Agent DLC targets AI agent development gaps（2026-07-22）：https://www.techtarget.com/news/Harness-Agent-DLC-targets-AI-agent-development-gaps/857026/

- UC Berkeley RDI，How we broke top AI agent benchmarks: And what comes next（2026-04）：https://rdi.berkeley.edu/blog/trustworthy-benchmarks-cont/

- Mihai Avram，AI Can Write the Code. Who Verifies It?（Faros 2026 研究數據）：https://mihaisplace.com/blog/ai-can-write-the-code-who-verifies-it

- HackerNoon，Beyond Declarative Pipelines: Architecting Autonomous Cloud Systems with Agentic DevOps：https://hackernoon.com/beyond-declarative-pipelines-architecting-autonomous-cloud-systems-with-agentic-devops

- Agentic Engineering，Autonomy is a rollback problem（2026-07-10）：https://www.agenticengineering.agency/field-notes/autonomy-is-a-rollback-problem

AI 每日新聞 — 2026 年 11 月 13 日

總覽：今天 AI 新聞有三條主線。第一，控制權向內收：Anthropic 開放自架版 Claude Managed Agents 私人測試、OpenAI 推出資安 Agent 產品線，Agent 的整套基礎設施正從雲端搬進企業自己的機房。第二，模型雙軌並行：Google 把 Gemini 4 Hydrogen 推成 Search 的預設模型，讓旗艦能力走向所有使用者；同時 Thinking Machines 把 Inkling 2 Small 的權重開放上架。第三，AI 帝國震盪：Nvidia 執行長黃仁勳閃電辭職、AMD 端出 288GB 的 MI450X、SpaceX 擬投 740 億美元建 AI 園區——算力版圖一天之內同時換帥、加碼、擴張。如圖一。

模型與產品

1. Google Gemini 4 Hydrogen 成為 Search 預設模型

Google 於 11 月 12 日推出 Gemini 4 Hydrogen——Gemini 4 系列第三款模型，繼 9 月 30 日的 Argon 與 10 月 28 日的 Carbon 之後，第一款面向所有使用者的模型：即日起成為 AI Mode 的預設模型，也負責回答最困難的 AI Overviews 問題。開發者定價每百萬 token 輸入 1.50 美元，上下文窗口 100 萬 token；Artificial Analysis Intelligence Index 高設定得分 51、略勝 Argon 的 50，極高設定 54，Carbon 仍以 59 居首。(Chris Abraham AI Roundup、AI Model Release Tracker)

為什麼重要：旗艦模型第一次直接成為全球最大搜尋入口的預設大腦——模型的戰場從開發者 API 擴大到每天的搜尋框，Google 用「夠強又便宜」的中階模型卡位。

2. Thinking Machines Inkling 2 Small 開放權重，上架 Hugging Face

Thinking Machines Lab 於 11 月 12 日更新公告：Inkling 2 Small 的權重現已可在 Hugging Face 下載，授權 Apache 2.0。這是該模型 11 月 5 日先在自家 Tinker 平台以封閉權重推出、一週後完成外部安全測試與紅隊演練的兌現。據實驗室自己的評測表，該模型在遊戲開發與 3D 設計競技場排名第一。(Agentdex Model Pulse、Thinking Machines)

為什麼重要：新實驗室「先託管、測完再開源」的模式正在成形——開源的速度取決於安全測試的進度，而 Apache 2.0 意味著任何人都能商用、微調、再散布。

3. World Labs Atlas 向所有人開放，世界模型走進遊戲引擎

World Labs 於 11 月 12 日宣布 Atlas 世界模型向所有人開放，可匯出 splat 與網格格式，供 Blender 與遊戲引擎使用。(Agentdex Model Pulse)

為什麼重要：世界模型從研究展示走向生產管線——能直接把生成的 3D 世界倒進現有工具鏈，意味著遊戲與影視製作的工作流程可能要重排。

Agent / 框架

4. Anthropic 開放自架版 Claude Managed Agents 私人測試

Anthropic 於 11 月 12 日開放自架版 Claude Managed Agents 的私人測試：整套服務——Agent 框架、沙箱、憑證、對話紀錄——都可以部署在客戶自己的伺服器上，只有模型本身仍由 Anthropic 託管。(Agentdex Model Pulse、Anthropic)

為什麼重要：這是 Agent 產品「資料主權」路線的關鍵一步：受監管產業既想用最強的 Agent 框架，又不能讓程式碼與資料離開自己的機房；自架部署讓這兩件事第一次可以兼得。如圖二。

5. OpenAI 推出 Daybreak Red Team 與 Defense Factory：資安 Agent 上工

OpenAI 於 11 月 12 日在「Cyber at the Frontier」主題演講推出兩款資安產品：Daybreak Red Team（搶先體驗）派出 Agent 團隊對 Web 應用做滲透測試，Defense Factory 則為發現的問題準備修復方案——修復仍須人類批準才能執行。(Chris Abraham AI Roundup)

為什麼重要：資安是 Agent 最先落地的專業領域之一：攻擊方與防守方同時自動化，修復流程裡「人類最後把關」的設計，也為其他高風險 Agent 應用立下治理範本。

6. 寫程式 Agent 的新工具：Vercel UI SDK、Expo Simulators

Vercel 於 11 月 12 日推出 UI SDK——由 shadcn/ui 作者 shadcn 與 Shu Ding 打造，提供 50 多種介面行為，讓 Agent 能為任何框架組裝出元件。Expo 同日推出 Expo Simulators：為所有付費方案提供雲端 iPhone 與 Android 裝置，讓寫程式 Agent 能實際驗證行動端修復是否生效。(Agentdex Model Pulse、UI SDK、Expo)

為什麼重要：Agent 寫程式的瓶頸正從「寫得出」轉向「驗得過」——UI 元件庫與雲端真機讓 Agent 的產出第一次能被自動驗收，寫程式 Agent 的可靠度門檻往上抬了一級。

研究與論文

7. 量子—古典混合模擬衝上 12,635 個原子，蛋白質複合體新紀錄

Cleveland Clinic、RIKEN 計算科學中心與 IBM Quantum 的合作團隊在 arXiv 預印本中報告迄今最大的異質量子—古典電子結構計算：完整模擬超過 12,000 個原子的溶劑化蛋白質—配體複合體（胰蛋白酶—苯甲脒 12,635 個原子、T4 溶菌酶 11,608 個原子），規模是先前 303 個原子基準的 40 多倍，共使用 30 億次量測。(Chris Abraham AI Roundup)

為什麼重要：量子計算第一次在接近真實藥物研發的分子尺度上跑出結果——仍是預印本、未經同儕審查，但它把「量子化學何時實用」的討論從理論推向工程時間表。

產業與政策

8. Nvidia 執行長黃仁勳辭職，財務長 Kress 暫代、財報照常 11 月 17 日公布

Nvidia 董事會於 11 月 12 日宣布，共同創辦人黃仁勳即刻辭去總裁、執行長與董事職務；財務長 Colette Kress 暫代執行長並續任財務長，前 Synopsys 執行長 Harvey C. Jones 出任董事會首任主席，永久執行長遴選程序同步啟動。公司公告未說明辭職原因；據《今日美國》報導，辭職前董事會正調查黃仁勳是否成為外國情報行動的目標，另據報導，黃仁勳承認一段婚外情。Nvidia 股價收盤下跌 4.34%，AMD 上漲 5.86%、Broadcom 上漲 5.54%；第三季財報仍定於 11 月 17 日公布。(USA Today、Data Center Feed、AI Market Signal)

為什麼重要：AI 浪潮的關鍵晶片供應商在財報前五天換帥，市場立刻用股價投票、資金轉向競爭對手；接班人選與供應鏈承諾能否延續，是未來一季 AI 硬體敘事的最大變數。

9. AMD 推出 Instinct MI450X：288GB HBM4，擴大 Helios 平台選擇

AMD 於 11 月 12 日宣布 Instinct MI450X 加速器，搭載 288GB HBM4 記憶體，擴大 Helios 平台的選擇；據報導，MI455X 在廠商設定的測試組態下每顆 GPU 達到每秒 21,333 個 token。(Tech Current)

為什麼重要：Nvidia 換帥同一天，AMD 用大記憶體加速器正面搶攻 AI 推論與訓練市場——記憶體容量正在成為加速器競爭的新戰場，雲端業者多一個議價籌碼。

10. SpaceX 擬投逾 740 億美元，在德州與亞利桑那建 AI 超算園區

SpaceX 於 11 月 12 日提出在美國興建兩座 AI 超級運算園區的計畫，投資總額逾 740 億美元：德州逾 240 億美元、亞利桑那州 Cochise 郡約 500 億美元。計畫中的投資不等於資金已全數投入或設施已建成。(Tech Current)

為什麼重要：AI 算力競賽正在從買晶片升級為「蓋園區」——SpaceX 同時是 Nvidia 的大客戶，園區計畫的規模與落實速度，將直接牽動未來幾年美國西南部的電力、土地與晶片需求。

11. SGLang Consortium 成立：開放推論的跨廠聯盟

LMSYS Org 於 11 月 12 日宣布成立 SGLang Consortium，成員包括 NVIDIA、AMD、Intel、Google、Meta、Cloudflare、Modal 與 RadixArk，圍繞開放原始碼推論框架 SGLang 合作。(Tech Current)

為什麼重要：晶片商與雲端商罕見地同桌推動同一套開放推論標準——推論層若能標準化，模型部署成本下降、供應商鎖定鬆動，Agent 大規模上線的門檻也會跟著降低。

12. Mirendil 獲 10 億美元 A 輪融資，Agile Robots 募資 5 億美元

Mirendil 於 11 月 12 日宣布完成 10 億美元 A 輪融資，由 Kleiner Perkins 與 Clearlake Capital 領投，Battery Ventures、Doerr Capital、Gil & Co、Google、M13、Pear VC 與 S32 參投，目標是為小型團隊打造由 Agent 運作的前沿 AI 實驗室。同期 Agile Robots 宣布募資 5 億美元，估值 85 億美元。(Agentdex Model Pulse、Mirendil)

為什麼重要：資本正押注「Agent 替小團隊跑實驗室」的新組織形態——如果 Agent 能把前沿研究的人力門檻打下來，AI 創新的集中度可能首次鬆動。

---

可發展成 Agentic AI 部落格主題

• 自架 Claude Managed Agents：Agent 基礎設施的「資料主權」轉向——企業為什麼要把整套 Agent 搬進自家機房，以及自架部署對憑證管理、沙箱與合規的連帶影響。
• SGLang Consortium 與開放推論標準：推論層標準化如何壓低 Agent 部署成本，以及對 Nvidia、AMD 與雲端商競合關係的意義。

資料來源：Chris Abraham AI Roundup、Agentdex Model Pulse、Tech Current、USA Today、Data Center Feed、AI Market Signal、AI Model Release Tracker。數字以來源原文為準，不確定處已標註「據報導」。

Agent 憑證與密鑰管理實作課：別把金鑰塞進 Prompt——短期憑證、OIDC 與 Vault 的三層防線

前言：最貴的一行 log

前陣子，一次值班檢查的執行紀錄裡出現了 API 金鑰的前二十個字元。不是有人故意外洩，是檢查腳本把帶著金鑰的環境變數印了出來。金鑰當下就輪換了，讀取方式也改成只在腳本內讀入變數、不印出的 helper，但這件事留下一個教訓：金鑰外洩很少是駭客攻進來，多半是我們自己在某個環節把它印出來、寫進檔案、或塞進了不該去的地方。

Agent 讓這個問題放大了三倍。傳統服務的金鑰躺在設定檔裡，誰拿了、去哪了，大致可控；Agent 會自己決定呼叫哪些工具、把什麼寫進 log、把什麼貼進上下文。金鑰一旦進了 Agent 的上下文，就可能出現在模型輸出、工具參數、錯誤訊息、甚至下一輪的提示詞裡。防堵的辦法不是「叫 Agent 小心一點」，而是讓 Agent 手上根本沒有長期有效的金鑰。

這篇文章談三層防線：身分先行、動態憑證、零知識傳遞，以及一套可以在 Kubernetes 上今天就跑起來的骨架。

一、為什麼 Agent 的憑證問題比傳統服務嚴重

三個放大器：

第一，呼叫次數是乘法。 一個值班 Agent 每五分鐘檢查一次，一天就是 288 次工具呼叫。每一次呼叫都是一次憑證暴露的機會。靜態金鑰的有效期是九十天，Agent 一天就把它用了兩百多次——外洩窗口不是九十天，是九十天乘以每天的呼叫次數。

第二，上下文會把秘密帶進模型。 金鑰一旦出現在 Agent 的上下文裡，就脫離了你的控制。模型可能在回答裡把它複述出來，工具可能把它寫進錯誤訊息，下一輪的摘要可能把它當成「重要資訊」保留下來。HashiCorp 的做法是把這條路直接切斷：憑證由 MCP Server 持有，Agent 只拿到執行結果，連看都看不到金鑰本身。

第三，工具鏈的長尾最難管。 Agent 背後往往掛著十幾個 MCP Server、資料庫、雲端 API，每一個都要憑證。人工一個一個輪換不現實，結果就是大家共用同一把金鑰、永遠不換。企業裡非人類身分的數量早已遠超人類員工，而且大多數從未輪換、權限過大、沒人認領——Agent 只是讓這筆舊帳一次到期。

二、三層防線：身分、動態憑證、零知識傳遞

如圖一，三層防線各擋一種風險：身分層回答「你是誰」，動態憑證回答「你這次能拿什麼」，零知識傳遞回答「金鑰經過誰的手」。

第一層：身分先行——先證明你是誰，再談你能拿什麼。 傳統做法是發一把金鑰給 Agent，拿著金鑰就等於是本人。工作負載身分（Workload Identity）反過來：Agent 不持有任何秘密，而是向身分提供者證明「我就是這個工作負載」，再換一張短期通行證。Kubernetes 的 Service Account JWT、OIDC 聯盟、SPIFFE/SPIRE 都是這個形狀：SPIRE 會根據 Pod 的命名空間、Service Account、映像檔等特徵做工作負載驗證（attestation），發出的 X.509 SVID 預設只有一小時效期，JWT SVID 更只有五分鐘。

這條路在 2026 年已經走到模型供應商那一端。Anthropic 的 Workload Identity Federation（WIF）在 2026 年 6 月 17 日正式上線：工作負載拿著自己 IdP 簽發的 OIDC JWT，向 Anthropic 換一張短期存取權杖，完全不需要靜態的 sk-ant-... 金鑰。權杖效期可在 60 秒到 24 小時之間設定，預設一小時；而且驗證鏈最上層的那一關最緊——如果你的 SPIFFE JWT-SVID 只有五分鐘效期，換到的 Anthropic 權杖最多也只有十分鐘。搭配新推出的 Service Account（svac_...），每個工作負載在組織裡有自己的身分、自己的速率限制、自己的稽核軌跡。OpenAI 也在 2026 年 7 月做了平行的發佈。

第二層：動態憑證——用完即丟，租約到期自動失效。 有了身分，下一步是讓憑證本身變短命。HashiCorp Vault 的動態密鑰（dynamic secrets）是代表做法：資料庫帳號、雲端憑證、SSH 憑證都在需要時才產生，帶著租約（lease），到期自動撤銷，不用排輪換時程。HashiCorp 的概念驗證裡，每個聊天工作階段拿到的資料庫憑證五分鐘就到期；Vault 收到撤銷租約的指令，憑證立刻失效，不必等它過期。

Vault 2.1 在 2026 年 9 月把 Agentic IAM 帶出測試，變成 Enterprise 功能：Agent 登記在冊，權限取三者的交集——擁有者的政策、Agent 自己的基準、以及授權上限；高風險操作可以做到每個請求單獨授權，權杖只為那一次請求而存在。開源版沒有這一套，但第一層加第二層的組合——Kubernetes auth 加上動態密鑰——已經能解決九成的問題，不必等 Enterprise 功能。

第三層：零知識傳遞——Agent 不碰金鑰，只拿結果。 前兩層讓憑證變短、變窄，第三層讓 Agent 連碰都不碰。做法是把憑證放在一個仲介（broker）手裡：Agent 送出請求，仲介檢查授權、用自己持有的憑證代打那一次呼叫，再把結果還給 Agent。HashiCorp 的驗證模式就是這個形狀：MCP Server 夾在 Agent 與 Vault 之間，動態憑證由 Server 持有，Agent 拿不到、也到不了目標資源。代價是多一跳延遲、以及仲介本身變成要重點守護的元件。

這裡有一個要小心的時間差：HashiCorp 官方的 Vault MCP Server 目前還是測試版，官方自己提醒不要用在正式環境，原因是它可能把密鑰暴露給客戶端與模型。第三層的觀念是對的，但現成的零件還沒成熟——自己搭的時候，仲介要先做最小權限與稽核，再談方便。

三、實作骨架：Kubernetes 上的動態資料庫憑證

如圖二，靜態金鑰與動態憑證的差別，畫在時間軸上最清楚：前者的外洩窗口是九十天，後者是五分鐘，而且到期不用人動手。以下是一段可以在 Kubernetes Pod 裡跑的骨架：Pod 用 Service Account JWT 向 Vault 證明身分，換一組只活五分鐘的資料庫帳號，用完就丟。

import hvac

# Pod 掛載的 Service Account JWT：身分證明，不是密鑰
with open("/var/run/secrets/kubernetes.io/serviceaccount/token") as f:
    sa_jwt = f.read().strip()

client = hvac.Client(url="https://vault.internal:8200")
client.auth.kubernetes.login(role="drydock-readonly", jwt=sa_jwt)

# 動態憑證：Vault 現場產生一組專屬帳號，TTL 只有 5 分鐘
creds = client.secrets.database.generate_credentials(name="readonly")
db_user, db_pass = creds["data"]["username"], creds["data"]["password"]

run_health_check(db_user, db_pass)  # 只在這次呼叫裡有效

# 租約到期自動失效；也可以主動撤銷，不必等它過期
client.sys.revoke_lease(creds["lease_id"])

三個關鍵都寫在程式裡，而不是寫在提示詞裡：第一，登入用的是 Pod 的身分，不是寫死的金鑰；第二，帳號是每次執行現場產生的，不是共用的靜態帳號；第三，租約可以主動撤銷——值班 Agent 收到可疑告警的第一件事，可以是撤銷這條租約，而不是去改設定檔、重啟服務。

同一套邏輯可以套到模型 API 上：把 ANTHROPIC_API_KEY 從環境變數拿掉，改用 OIDC 聯盟在每次啟動時換權杖。Anthropic SDK 從 v4.8.3 起內建 oidc-federation 憑證提供者，設定只有三個公開識別碼——組織編號、Service Account 編號、聯盟規則編號——沒有一個是秘密。

四、落地前先回答的五個問題

第一，TTL 多短才夠？ 從 5 到 15 分鐘起跳。太短會讓 Vault 變成瓶頸、資料庫連線數暴增；太長就失去動態憑證的意義。先量 Vault 每秒能發多少租約，再定 TTL，不要用猜的。

第二，權限取交集了嗎？ Agent 的權限應該是三者的交集：擁有者能做的、Agent 這個角色該做的、以及這次任務需要的。值班 Agent 巡檢只需要唯讀，就不要給它寫入資料庫的動態帳號。交集寫在 Vault 政策裡，不是寫在 Agent 的提示詞裡。

第三，稽核能不能回答四個問題？ 誰、在何時、用哪個身分、做了什麼。Vault 的稽核 log 與 Service Account 的使用軌跡要能對得起來，否則出事時只知道「某個 Agent 幹的」，不知道是哪一個、替誰幹的。

第四，洩漏演練跑過了嗎？ 撤銷一條租約要幾秒？輪換一把金鑰要幾分鐘？這兩個數字要實際測過、寫下來。沒測過的應變流程，等於沒有。

第五，還有哪些靜態金鑰沒清掉？ 動態憑證上線之後，最危險的是以為自己清乾淨了、其實角落還躺著一把舊金鑰。盤點要做到檔案層級：設定檔、環境變數、CI 密鑰、聊天紀錄裡貼過的片段，一把一把對。

我的看法

結論：能用。 三層防線的第一層與第二層今天就能用開源零件搭起來：Vault 開源版加 Kubernetes auth 加動態密鑰，不必等 Enterprise 的 Agentic IAM；Anthropic 的 WIF 已經正式上線，Claude API 的靜態金鑰可以直接換掉。真正要花錢、花時間的，是第三層的仲介與正式環境的 Vault MCP Server——那個還在測試版，先看就好，不急著上正式環境。

為什麼是「能用」而不是「先看」：因為這件事的成本結構很清楚。靜態金鑰的成本是「不知道什麼時候會爆」，動態憑證的成本是「多一次 Vault 呼叫與一條租約」。前者是或有負債，後者是固定開銷。對每天跑幾百次工具呼叫的值班 Agent 來說，固定開銷便宜得多。

務實建議：這週先做一件事——把 Drydock、Relay、WebTracker 裡的靜態金鑰列一張表，標出每一把的效期、用途與權限範圍；先把最常用、權限最大的那一把換成動態憑證或 OIDC 聯盟，跑兩週沒問題再換下一把。同一把金鑰不要一邊輪換、一邊還留在舊的讀取方式裡——輪換本身擋不住洩漏，改掉讀取方式才算修好。

結論

Agent 的憑證問題不是「金鑰不夠安全」，是「金鑰的生命週期跟不上 Agent 的呼叫次數」。三層防線各解決一件事：身分先行讓 Agent 不必持有秘密，動態憑證讓秘密短命到不值得偷，零知識傳遞讓 Agent 連碰都不碰。先把第一層與第二層跑起來，第三層等零件成熟再補——順序對了，每一步都有回報；順序錯了，買再多保險庫也只是換個地方放同一把金鑰。

來源

- HashiCorp，Secure AI agent authentication using HashiCorp Vault dynamic secrets（Validated Pattern）：https://developer.hashicorp.com/validated-patterns/vault/ai-agent-identity-with-hashicorp-vault

- HashiCorp，Secure AI identity with HashiCorp Vault：https://www.hashicorp.com/blog/secure-ai-identity-with-hashicorp-vault

- arXiv 2504.14760，Establishing Workload Identity for Zero Trust CI/CD: From Secrets to SPIFFE-Based Authentication：https://ar5iv.labs.arxiv.org/html/2504.14760

- DEV Community，Anthropic Just Killed the API Key: A Deep Dive into Workload Identity Federation for Claude：https://dev.to/ramasankar_molleti_f7f80d/anthropic-just-killed-the-api-key-a-deep-dive-into-workload-identity-federation-for-claude-4chj

- ByteIota，Claude API Workload Identity Federation: Drop Keys Now：https://byteiota.com/claude-api-workload-identity-federation-drop-keys-now

AI 每日新聞 — 2026 年 11 月 12 日

總覽｜今天的三個關鍵主題：第一，旗艦模型降價開打——Anthropic、Google 一週內連發四款主力模型，比的不只是能力，更是價格、速度與 Agent 任務分工；第二，Agent 從「能做事」走向「可驗證」——DeepMind 用數學證明驗證 Signal 加密，Adobe 則開放 MCP 讓第三方助理直接改創作檔案；第三，監管與市場同時踩煞車——美國國會推動設立 AI 部、對先進模型課以牌照與刑責，聯準會官員也公開警告 AI 投資熱潮可能引發市場修正。如圖一。

模型與產品

Anthropic 發佈 Claude Fable 5.2 與 Mythos 5.2，降價 20%

Anthropic 於 11 月 9 日發佈 Claude Fable 5.2 與 Claude Mythos 5.2，兩者是同一底層模型的兩種安全設定：Fable 帶有網路安全與生物安全防護、全面開放；Mythos 拿掉部分防護，僅限通過 Anthropic 網路與生命科學驗證計畫的機構使用。定價均為每百萬 tokens 輸入 8 美元、輸出 40 美元，較 5.1 世代便宜 20%；上下文窗口 100 萬 tokens、輸出上限 12.8 萬 tokens，上線當天即登上 Claude API、Amazon Bedrock、Google Cloud 與 Microsoft Foundry。

為什麼重要：旗艦模型首次以「安全等級分流」做產品區隔，而且是降價而非漲價——推理成本的競爭已進入新階段，開發者用上最強模型的門檻正在降低。

來源：Datastudios、Zeniteq、TechStartups

Google Gemini 4 Carbon 全面開放，入門價 12 月翻倍

Google 於 11 月 10 日將 Gemini 4 Carbon 開放給付費開發者與企業使用，此前僅有少數安全研究員能用。Google 稱其為迄今最強模型，鎖定長時間、多步驟的程式開發與研究任務；入門價為每百萬 tokens 輸入 2 美元、輸出 10 美元，據報導優惠價只到 11 月 30 日，之後翻倍。Google 同時在開發平台 Antigravity 預覽 /swarm 指令，一句提示就能召喚一組協同工作的 Agent。

為什麼重要：Google 把最強模型直接交到開發者手上，並把「一群 Agent 協同」做成產品功能——多 Agent 協作正式從研究展示變成付費功能。

來源：WebDevs、AI-skiftet

Meta 發佈 Muse Ember：最小、最便宜的 Agent 專用模型

Meta 於 11 月 9 日發佈 Muse Ember，定位為 Muse 家族中最小、最有效率的模型，專攻重複性 Agent 任務。在獨立評測機構 Artificial Analysis 的智力指數上，Ember 最高設定得分 36 分，與 Haiku 5.5 相當。

為什麼重要：Agent 任務開始「分工」——高頻、低難度的重複任務交給便宜小模型，旗艦模型只處理真正困難的工作，Agent 的執行成本結構正在成形。

來源：AI-skiftet

Google Gemini Omni 1.2 Flash 正式上線，影片生成延長至 15 秒

Google 於 11 月 5 日讓 Gemini Omni 1.2 Flash 正式上線，影片生成從 10 秒延長至原生 15 秒，並支援多輪對話式編輯；720p 價格為每秒 0.07 美元，較前代便宜 30%。舊版 1.1 將於 12 月 3 日自動轉接至 1.2。

為什麼重要：影片生成從「一次生成」走向「可編輯、可對話」，成本同步下降——生成式影片正在變成可以反覆修改的生產工具。

來源：Zeniteq、AccessAllGPT

如圖二：11 月 5–10 日四款主力模型接連發佈，價格與分工是本週主軸。

Agent 與框架

DeepMind AlphaProof Code：以數學證明驗證 Signal 加密

Google DeepMind 於 11 月 10 日發表 AlphaProof Code 框架，讓 AI Agent 寫出經機器驗證的數學證明，確認程式碼符合安全要求。團隊以此在四週內完成 Signal 通訊協定參考實作 libsignal 的形式化驗證。

為什麼重要：Agent 的產出第一次能被數學證明「正確」——這是 Agent 進入加密、金融等高風險系統的關鍵一步，可信度不再只靠測試覆蓋率。

來源：AI-skiftet、WebDevs、THEJO AI

Adobe MAX：Firefly 整合多家模型，開放本地 MCP

Adobe 在 MAX 大會上宣布 Firefly 納入 OpenAI、Google、ByteDance、Kling 與 Topaz Labs 的模型，並推出覆蓋全套軟體的 Creative Agent；同時計畫讓 ChatGPT、Claude 等第三方助理透過 MCP 協定直接編輯 Photoshop、After Effects、Illustrator 與 Premiere 專案，私人測試預計 2027 年初展開。

為什麼重要：創作軟體從「內建自家 AI」走向「開放給所有 Agent 進來改檔」——MCP 正在成為創作工具的通用插座，工作流程的控制權可能從軟體轉向助理。

來源：Aivora、THEJO AI

聯合航空封鎖未授權 Agent 代訂機票；Databricks 推出常駐版 Genie

聯合航空開始拒絕未經授權的 AI Agent 代為訂票，與此同時，Databricks 推出常駐版 Genie Agent，可在背景持續工作、查詢公司資料並執行較長期的任務。

為什麼重要：Agent 開始替人花錢、做決定，企業被迫劃清「誰能代表我交易」的界線——Agent 的授權與身分問題，正式成為商業現實。

來源：The Neuron

研究與論文

DeepMind AlphaGenome 2：定位基因變異影響的細胞

DeepMind 發表 AlphaGenome 2，新模型可協助科學家找出基因變異影響的是哪些細胞，進一步定位疾病的起源。

為什麼重要：AI 從「讀基因」走向「定位疾病起點」，精準醫療的拼圖又補上一塊。

來源：The Neuron

Perplexity 測試 Agent 能否逃出安全運算環境

Perplexity 測試了 AI Agent 是否能逃出安全的運算環境（sandbox），檢驗現有隔離機制的強度。

為什麼重要：Agent 安全測試從「會不會說錯話」升級到「會不會逃出沙箱」——隨著 Agent 權限越來越大，逃逸測試將成為標準安全檢查。

來源：The Neuron

產業與政策

美國國會 AI 監管升溫：擬設 AI 部，先進模型須先領牌照

11 月期中選舉後，民主黨議員推動更強的 AI 監管。眾議員 Greg Casar 提出的《禁人工超級智慧法案》（H.R. 10538，參院對應法案 S. 5493）主張設立內閣級的 AI 部，對訓練運算量超過 10²⁵ 次的先進模型實施開發暫停與牌照制，違者最高可處 20 年監禁；參議員 Warner 另提法案，主張在商務部設立 AI 安全委員會，對前沿模型訂定強制標準。上述法案目前均僅在委員會階段，尚未通過任一院。

為什麼重要：監管方向已從「自願承諾」轉向「牌照＋刑責」——即使法案尚未成法，提案本身已在改寫模型開發商的合規預期。

來源：Gadget Review、The 420、SentryHall、Reclaim The Net

聯準會官員警告 AI 投資熱潮；Anthropic 已提交 IPO 申請

聯準會理事 Michelle Bowman 警告，若財務回報跟不上預期，AI 相關投資可能引發市場修正，並點名 AI 相關債務與估值過高的疑慮。與此同時，據報導 Anthropic 已於 10 月 26 日提交 IPO 註冊申請，市場預期這將是史上規模最大的科技上市案之一。

為什麼重要：AI 熱潮的資金面第一次被央行官員公開點名——模型越強、估值越高，市場對「回報何時兌現」的耐心正在被檢驗。

來源：The Neuron、LessCarbs

NVIDIA 攜手韓國夥伴推主權 AI；Edgevana 簽下逾 7 億美元 Blackwell 合約

NVIDIA、Rebellions 與 SK Telecom 於 11 月 9 日宣布合作，以 NVLink Fusion 連接韓國自研的 R200 神經處理器，納入 NVIDIA 的 MGX 機架架構，預計 2028 年部署於 SK Telecom 的 AI 資料中心，支援韓國「AI for All」計畫。另據報導，資料中心開發商 Edgevana 已簽下逾 7 億美元的 Blackwell（B300／GB300）照付不議合約，合約總需求達 70 億美元。

為什麼重要：NVIDIA 從「賣 GPU」轉向「開放互連標準」——各國自研晶片也能進它的生態系，主權 AI 的硬體賽局正在改寫。

來源：GlobeNewswire、AI Agent Update

可發展成 Agentic AI 部落格主題

💡 AlphaProof Code：Agent 如何產出「可被數學證明的程式碼」——從寫程式到證明程式正確，Agentic AI 的可信度門檻正在被重新定義。

💡 Adobe 開放 MCP 給第三方助理：創作軟體的 Agent 生態戰——當 ChatGPT 能直接改你的 Photoshop 檔，設計工作流程會怎麼變？

Agent 排程任務實作課：讓 Agent 準時上工的 Cron、佇列與防重跑

前言：每天早上七點，誰在幫你查行程？

每天早上七點，一份當日行程整理準時出現在聊天室；八點，AI 晨報跟著到；晚上九點，一篇部落格文章自動上線。這些事沒有人坐在電腦前一件一件做——它們是排程 Agent 在做：時鐘一到，Agent 自己醒來、查資料、寫東西、送出去。

2026 年，這件事從「自己寫 cron 的手藝」變成了各家平台的標配。OpenAI、Anthropic、Google、GitHub 在幾個月內先後推出了排程 Agent 的功能：你用一句話描述工作、定好時間，Agent 就開始每天準時上工。聽起來很簡單，但實務上最難的從來不是「準時觸發」，而是「沒人看著的時候，怎麼保證它做對、做一次、做完有交代」。

這篇文章談排程 Agent 的實作面：三種觸發方式、2026 年各家平台的現況、排程最常踩的五個坑、以及從一支 cron 指令長到 Durable Execution 的三階路線。最後給一條可以在自家環境先跑起來的最小骨架。

一、排程 Agent 和聊天 Agent，是兩種動物

聊天 Agent 是等人開口：使用者打一句話，Agent 回一句話，做錯了有人立刻糾正。排程 Agent 是時鐘開口：沒人看著、沒人糾正、做錯了可能要等幾個小時才有人發現。

這個差別決定了三件事：

第一，執行次數是乘法。 一個每天跑的任務一年跑 365 次，每小時跑的任務一年跑 8,760 次。聊天 Agent 一次寫錯是一次的損失；排程 Agent 一次寫錯，是 365 次的重複損失——寄錯 365 封信、重複扣款 365 次、或在同一個 Bug 上靜靜失敗 365 次。

第二，失敗必須大聲。 凌晨三點失敗的任務，正確的反應是叫醒人，而不是安靜地寫一行 log 等明天。排程 Agent 的第一條鐵律是：寧可半夜吵醒你，也不要假裝成功。一份「成功但什麼都沒產出」的報告，比失敗本身更危險。

第三，時鐘不是你以為的時鐘。 一年有兩天，時鐘會跳——日光節約時間切換。設在當地時間早上七點的任務，在那兩天可能跑兩次、跑一次、或在錯誤的時間跑。設在 UTC 的任務不會有這個問題，但你的「早上七點」就得自己換算。時區這件事，寫在程式裡之前，先想清楚。

二、三種觸發方式：先選對怎麼叫醒它

如圖一，排程 Agent 的執行管線從觸發開始，分三種：

第一種：Cron 表達式。 最老、也最可靠的做法。0 7 * * * 就是每天早上七點。Unix cron、GitHub Actions、Kubernetes CronJob、Claude Code 的 /schedule 用的都是同一套五欄位語法。優點是到處都有、不用學新東西；缺點是它只管「到時間叫一聲」，叫了之後發生什麼事，它一概不管——機器重啟時錯過的那一次，不會自動補跑。

第二種：間隔觸發。 「每五分鐘檢查一次」這種寫法。適合輪詢型的工作：檢查有沒有新工單、檢查信箱有沒有新回信。重點是間隔要從「上一次跑完」開始算，還是從「上一次開始」開始算——前者不會重疊，後者可能在前一次還沒跑完時又開一個新的。五分鐘檢查一次、一次檢查跑六分鐘，兩種算下去結果完全不同。

第三種：事件觸發。 不是時鐘叫醒它，是事情叫醒它：新郵件進來、Webhook 打進來、檔案被上傳。事件觸發的 Agent 反應最快，但也最需要防呆——同一個事件被重送兩次，Agent 就可能把同一件事做兩次。這時候冪等性就不是加分題，是必答題。

選型的原則很樸素：固定時間做的事用 Cron，需要輪詢的用間隔，有明確來源事件的用事件觸發。一個系統裡三種混用很正常，重點是每一種都要回答同一個問題——「這一次沒跑成，怎麼辦？」

三、2026 年各家排程 Agent 現況：時鐘變成標配

2026 年是排程 Agent 變成標配的一年。幾家大廠在幾個月內先後上線了類似的功能，名字各不相同，但做的事是同一件：讓 Agent 在沒人開口的時候自己上工。

Anthropic 的 Routines 在 2026 年 4 月以研究預覽上線：可以按排程、API 呼叫或 GitHub 事件觸發，在全新的雲端虛擬機裡跑，每小時最多一次，而且不支援中途批準——跑完只告訴你基礎設施有沒有出錯，不保證任務本身成功。同年 6 月上線的 Claude Managed Agents 則是另一條線：分鐘級的 cron、每一步工具呼叫都可以等人類批準、憑證放在保險庫裡，失敗會被記錄下來，但不會自動重試。

OpenAI 在 2026 年 9 月的 DevDay 發表了 dots：ChatGPT 裡常駐的 Agent，有自己的雲端電腦，可以用自然語言設定 recurring tasks。Google 的 Gemini Enterprise 在同年 4 月推出了「長時間 Agent」，可以在 Google 的雲端沙箱裡工作數小時到數天，透過 Inbox 集中處理「需要你輸入」「出錯」「已完成」三種通知；開發者用的 Agent Development Kit（ADK）則把這種由事件或排程觸發的 Agent 稱為 ambient agents。GitHub 的 Agentic Workflows 在 2026 年 6 月進入公開預覽：排程或 repo 事件觸發，可選人工批準。微軟的 Foundry Agent Service routines 也在公開預覽中，是目前少數在文件裡寫明「失敗會重試，最多五次」的排程服務。

讀這份清單要注意一件事：幾乎所有廠商的排程，都是「排程加一次全新的 Agent 會話」。它們解決了「準時開始」，但沒有解決「跑一半斷掉怎麼辦」「同一個任務跑兩次怎麼辦」「跑完怎麼證明做對了」。這些問題不在排程器裡，在排程器後面的那一層——也就是下一節的五個坑。

四、排程最常踩的五個坑

坑一：漏跑。 機器在排程時間剛好重啟、部署剛好蓋過去、服務剛好掛掉，那一次就靜靜地沒了。Cron 不會幫你補跑。解法是給每個任務一個「錯過窗口」：啟動時回頭掃描過去 24 小時內該跑沒跑的，補跑一次。超過窗口的就不要補了——一週前該寄的週報，現在寄出去只會製造混亂。

坑二：重複執行。 這是最貴的一個坑。排程器以為上一次沒跑成，又觸發一次；或是兩個排程器同時活著，兩個都跑。解法有三件套，如圖二：第一，seen 清單——跑過的任務 id 寫進檔案或資料庫，跑之前先查；第二，分散式鎖——跑之前先搶鎖，搶不到就安靜退出；第三，冪等鍵——每一次執行帶一個由業務鍵推導出來的 id（例如 blog-2026-11-11），接收端看到同一個 id 第二次就直接回傳上次的結果。三件套不用全上，但至少要有一件寫在程式裡，而不是寫在提示詞裡。

坑三：靜默失敗。 任務跑完了、退出碼是 0、但什麼都沒產出。最常見的原因是來源 API 回了空結果，Agent 把「沒資料」當成「沒事做」，然後回報成功。解法是給每個任務定義「成功長什麼樣子」：至少要產出什麼、至少要寫幾行、至少要影響幾筆資料。達不到這個下限，就算是失敗，大聲報出來。

坑四：逾時。 雲端函數有執行時間上限（AWS Lambda 15 分鐘，Cloudflare Workers 付費版 30 分鐘）。超過 15 分鐘的任務要換地方跑：長時間容器、Modal、或 Temporal 這類工作流引擎。選跑的地方之前，先量任務實際跑多久，不要用猜的。

坑五：憑證與批準。 排程 Agent 半夜要動手，憑證不能放在提示詞裡，也不能等在聊天室裡問人。正確的做法是把憑證放在保險庫、由排程器注入，而且高風險動作要設計成「可以等」：Agent 先做到批準點就停下來，等人類早上點頭再繼續。Anthropic 的 Managed Agents 把這件事做進了產品裡；自己搭的時候，這一段要自己寫。

五、從 Cron 到 Durable Execution：三階路線

排程 Agent 的架構可以分三階爬，每一階解決上一階解決不了的問題：

第一階：單機 Cron。 一支 cron、一支程式、一個 seen 檔案。適合每天一次、失敗了明天補也沒關係的任務——例如這篇部落格文章。成本幾乎是零，缺點是機器一死，什麼都沒了。

第二階：佇列加鎖。 排程器只負責「到時間把任務推進佇列」，真正執行的是另外的工作者；工作者搶鎖、寫 seen 清單、失敗重試。這一階解決了重複執行與單點故障，適合每小時、每五分鐘跑的檢查型任務。Relay 的值班檢查就是這一階的形狀：每五分鐘檢查一次，有新單才回報，沒新單就安靜。

第三階：Durable Execution。 用 Temporal 或 Restate 這類工作流引擎跑 Agent。引擎把每一步做了什麼都記下來：工作者半路掛掉，新的工作者接手時從上次完成的地方繼續，不用重跑；等人類批準可以等上幾天，不佔任何資源；同一個 workflow id 第二次啟動，會直接回傳第一次的執行結果，不會重跑。代價是一條規則：工作流的程式碼必須是確定性的——所有不確定的事（打 API、讀資料庫、叫 LLM、看時鐘）都要包進 Activity 裡，由引擎記錄結果、重播時直接回放。這是 10 月 27 日那篇 Durable Execution 的核心，也是排程 Agent 長到「跑幾天、等幾天」時唯一的正解。

三階不是越新越好，是越適合越好。每天一次的任務留在第一階，每五分鐘的檢查上第二階，需要等批準、跑好幾天的任務才上第三階。跳級的代價是複雜度，複雜度在半夜是會咬人的。

六、最小可跑骨架：Cron 加上防重跑

先做第一階就夠了：APScheduler 負責觸發，seen 檔案負責防重跑，任務成功要有可驗證的產出。骨架如下：

import json
from datetime import date
from apscheduler.schedulers.blocking import BlockingScheduler

SEEN_FILE = "seen-runs.json"

def load_seen() -> set:
    try:
        return set(json.load(open(SEEN_FILE)))
    except FileNotFoundError:
        return set()

def mark_seen(run_id: str) -> None:
    seen = load_seen()
    seen.add(run_id)
    json.dump(sorted(seen), open(SEEN_FILE, "w"))

def daily_briefing() -> None:
    # run_id 由業務鍵推導：同一天第二次觸發，直接跳過
    run_id = f"briefing-{date.today().isoformat()}"
    if run_id in load_seen():
        print(f"skip duplicate: {run_id}")
        return
    result = build_briefing()  # 查資料、寫摘要、寄出
    # 成功要有可驗證的產出：沒產出就不算跑完
    assert result.message_id, "no message id, treat as failure"
    mark_seen(run_id)
    print(f"done: {run_id} -> {result.message_id}")

sched = BlockingScheduler(timezone="America/Phoenix")
sched.add_job(daily_briefing, "cron", hour=7, minute=0)
sched.start()

這支程式只有三個關鍵：run_id 從日期推導（不是隨機產生）、跑之前先查 seen、產出可驗證才寫 seen。順序不能反過來——先寫 seen 再做事，失敗了就永遠被跳過；先做事再寫 seen，失敗了下次還能重跑。時區要明寫，否則部署到別台機器，早上七點就變成別人的七點。

我的看法

結論：能用。 排程 Agent 的第一階今天就能上，而且成本低到可以先跑再說：Cron 加 seen 檔案加一支小程式，就是一條可以準時上工的 Agent。真正要花錢、花時間的，是第二階與第三階——佇列、鎖、Durable Execution——那些是等任務變多、變重要之後再長出來的東西，不是第一天就要一次到位的。

為什麼是「能用」而不是「先看」：因為這篇文章本身就是證據。每天晚上九點，它準時出現在部落格上，用的就是第一階的做法：一支排程、一支程式、一個主題清單。跑了一個多月，沒有漏過、沒有重複發過。第一階的坑都已經在實戰裡踩過、補過了——seen 清單、時區明寫、產出可驗證，這三件都是從真實的失敗裡長出來的。

務實建議：這週先把家裡的定時任務盤點一次，列一張表：每個任務的觸發方式、run_id 怎麼推導、失敗了誰會知道。Relay 每五分鐘的檢查、每小時的信件檢查、每天的部落格與晨報——每一行都要能回答「漏跑會怎樣、重跑會怎樣」這兩個問題。答不出來的那一行，就是下一個要補防重跑的地方。等這張表乾淨了，再談要不要把其中一兩個任務升上第二階的佇列加鎖。

結論

排程 Agent 的難題不在「怎麼叫醒 Agent」，在「沒人看著的時候，怎麼證明它做對了」。三種觸發方式解決「何時開始」，五個坑決定「會不會出事」，三階路線決定「長多大才需要多複雜的架構」。先用 Cron 加 seen 檔案把第一階跑穩，跑出來的那張任務盤點表，就是第二階與第三階的入場券。時鐘會準時響，重點是響了之後的那一次執行，有沒有留下可以查的帳。

來源

- Zentor，AI Cron Jobs: When Schedules Meet Agents in 2026：https://zentor.ai/blog/ai-cron-jobs-2026-guide

- axyz.tech，Agent cron versus production rails: 2026 vendor schedulers, and why we run OpenClaw + a scheduler + Temporal：https://www.axyz.tech/blog/agent-cron-versus-production-rails-2026-vendor-schedulers-and-why-we-run-openclaw-scheduler-temporal.html

- Abhinav Bhatia，Long-running agents explained: what changes when an agent keeps working after you close the tab：https://www.abhinavbhatia.co.uk/blogs/long-running-agents-explained/

- Temporal，The thread is the Workflow: Durable AI agents without changing Agent code：https://temporal.io/blog/manetu-the-thread-is-the-workflow

- Temporal Learn，Part 2: Creating the Workflow：https://learn.temporal.io/tutorials/ai/deep-research/creating-the-workflow/

- HPE Community，Temporal: Building Long-Running Systems：https://community.hpe.com/t5/software-general/temporal-building-long-running-systems/m-p/7272273?nobounce

- Sandeep Belgavi，Durable Execution for Agent Workflows: Replay Determinism, Model Calls as Activities, Versioning Prompts and Resuming a Run That Waited a Week：https://www.aicassindra.com/blogs/agents/durable_execution_agent_workflows_replay.html

- Shogo，AI Agent Platforms for Scheduled and Recurring Tasks: 10 Options Compared：https://shogo.ai/blog/ai-agent-platforms-scheduled-recurring-tasks/

AI 每日新聞 — 2026 年 11 月 11 日

總覽：今天 AI 新聞有三條主線。第一，模型進入雙軌競賽：旗艦模型全面開放商用（Gemini 4 Carbon 正式 GA、Claude Fable 5.2 登頂評測），同時平價小模型（Meta Muse Ember）搶佔重複性 Agent 任務。第二，Agent 正在長出基礎設施：同一天出現身分層（Linux Foundation Agent Name Service）、推論控制平面（Modelplane 進 CNCF Sandbox）與本地個人 Agent（n8n Nod）。第三，資本與監管同步收緊：Anthropic IPO 定價區間出爐、紐約 RAISE 法案正式生效、Nvidia 捲入風波兩日市值蒸發約 4,300 億美元。如圖一。

模型與產品

1. Google Gemini 4 Carbon 全面開放，預覽「/swarm」多 Agent 協作

Google 宣布 Gemini 4 Carbon 正式全面開放（GA），涵蓋開發者 API、企業與付費消費者層級，消費者版僅限 AI Ultra 訂閱。同步預覽「/swarm」功能：一個提示就能召喚一支 Agent 團隊，即時分工處理複雜任務。Google 宣稱該模型在多項評測居首，定價約為 Anthropic Claude Fable 5.2 的四分之一；入門價每百萬 token 輸入 2 美元、輸出 10 美元至 11 月 30 日，據報導 12 月 1 日起價格將翻倍。(Horizon AI Briefing、SW Architect)

為什麼重要：旗艦模型從邀請制走向全面商用，Google 把多 Agent 協作做成一等功能，並用低價搶 Agent 工作負載——模型競爭的重心正從「誰最聰明」轉向「誰最適合派一群 Agent 上工」。

2. Anthropic Claude Fable 5.2 登頂評測，Mythos 5.2 同步推出

Anthropic 於 11 月 9 日推出 Claude Fable 5.2 與 Claude Mythos 5.2——同一模型、不同安全分類器。Fable 5.2 在 Artificial Analysis Intelligence Index v5 以 64.6 分居首，超越 Gemini 4 Carbon 的 60.0 分；定價每百萬 token 輸入 8 美元、輸出 40 美元，比 Fable 5.1 便宜約兩成。在 Remote Labor Index 上，Fable 5.2 完成了 41.3% 的真實自由工作任務，一年前僅 2.5%。Mythos 5.2 僅開放給驗證過的組織。(AI-skiftet、SW Architect)

為什麼重要：評測榜首易主且價格下修，顯示前沿模型競爭已進入「更強還更便宜」的階段；真實工作任務完成率一年內從 2.5% 衝到 41.3%，是 Agent 取代白領工作的能力指標，值得持續追蹤。

3. Meta 推出 Muse Ember：家族最小、最便宜的模型

Meta 於 11 月 9 日推出 Muse Ember，定位為 Muse 家族最小、最高效的模型，專攻重複性 Agent 任務。在 Artificial Analysis Intelligence Index 上，Ember 最高設定得分 36，與 Haiku 5.5 持平、勝過 Luna 的 28。(AI-skiftet)

為什麼重要：小模型戰場的邏輯是「夠用就好」——重複性任務不需要旗艦模型，成本與速度才是決勝點；各家都在為 Agent 時代補齊「輕量勞力」這一層。

4. 阿里巴巴雲端預覽 Qwen 4

阿里巴巴雲端宣布預覽 Qwen 4——下一代 Qwen 模型，透過雲端 AI 服務平台提供。(Horizon AI Briefing)

為什麼重要：中國大模型持續迭代，Qwen 系列仍是開源與雲端生態的重要力量；後續的評測與開放程度將決定它能否維持與美國前沿模型的競爭距離。

5. 開源模型：Kimi K3.1 Pro 權重釋出，Inkling 2 Small 承諾開源

Moonshot 的 Kimi K3.1 Pro（2.8 兆總參數、1,040 億啟用參數、100 萬上下文）已於 11 月 2 日上傳完整權重，是目前可下載的最強開源模型之一。Thinking Machines Lab 於 11 月 5 日推出 Inkling 2 Small（5,940 億總參數、170 億啟用參數），先以託管方式提供，承諾外部安全測試完成後一週內以 Apache 2.0 釋出權重。同期還有 Nous 的 Arete-27B、Ricursive 的 Ripple-65B 等開源新模型。(GPUwerk、Unite.AI)

為什麼重要：開源前沿模型持續逼近閉源水準，且「先託管、測完再開源」成為新常態——開源的速度，現在取決於安全測試的進度。

Agent / 框架

6. n8n 推出開源個人 Agent Nod，跑在自己的電腦上

n8n 於 11 月 10 日推出 Nod——免費開源的個人 Agent，Mac 與 Windows 研究預覽版。Nod 在使用者自己的電腦上以私有沙箱執行任務，自帶瀏覽器，可登入沒有正式整合的網站；程式碼以 Apache 2.0 釋出，不需 n8n 帳號。n8n 稱其 LongMemEval 長期記憶得分達 93.2%。使用者自付模型費用，可接 OpenAI、Anthropic、OpenRouter、Amazon Bedrock、Google Vertex AI、Azure OpenAI，或本地開源模型。(Unite.AI)

為什麼重要：個人 Agent 從雲端走向本地桌面：資料留在自己電腦、模型任選、按使用量付費——這是「個人 Agent 普及」的另一條路，也直接挑戰以訂閱制為主的 Agent 產品。

7. Linux Foundation 正式啟動 Agent Name Service，給 Agent 一張身分證

Linux Foundation 於 11 月 10 日正式將 Agent Name Service（ANS）納為基金會專案。這是一套開放標準，用既有的 DNS 基礎設施為 AI Agent 提供可驗證的身分、探索與認證，規範共七份文件，涵蓋命名、註冊、DNS 發布、透明度日誌與 Agent 間認證；Cisco、Cloudflare、Salesforce 等 11 個組織已參與或採用。根據 Arkose Labs 2026 年第三季報告，97.7% 的 AI Agent 會話沒有可驗證的身分揭露。(PR Newswire、Artiverse)

為什麼重要：Agent 開始互相打交道之後，「對方到底是誰」成了第一道關卡；ANS 想做的就是 Agent 世界的 DNS＋身分證，是多 Agent 協作能否規模化的前提。如圖二。

8. Upbound 把 Modelplane 提交 CNCF Sandbox：推論也要控制平面

Upbound 於 11 月 10 日把開源 AI 推論控制平面 Modelplane 提交給雲原生計算基金會（CNCF）Sandbox。若獲接納，它將為跨雲、跨 Kubernetes 叢集的模型部署與 GPU 容量管理提供中立的治理場域；Modelplane 整合 NVIDIA Dynamo 的分散式推論能力，以 Apache 2.0 釋出。(GlobeNewswire)

為什麼重要：模型越跑越多，推論基礎設施也需要像雲端資源一樣被「宣告式」管理；CNCF 路線意味著推論層正在走向標準化，對自建推論的團隊是長期利多。

研究與論文

9. 微軟研究揭露「Lazarus」：改不到 10 個休眠神經元，就能植入 Agent 後門

微軟研究人員展示名為「Lazarus」的攻擊手法：只需編輯不到 10 個休眠神經元，就能在不重新訓練的情況下讓 AI Agent 在隱藏觸發條件出現時執行惡意指令。(Horizon AI Briefing、The AI Daily Grind)

為什麼重要：這是模型層級的新威脅類別——後門不必藏在訓練資料裡，改幾個神經元就好；Agent 權限越大，這類攻擊的代價越高，部署前的模型完整性檢查將變得不可或缺。

產業與政策

10. Anthropic IPO 定價區間出爐：每股 70–78 美元，估值約 1.02 兆美元

Anthropic 於 11 月 10 日啟動 IPO 路演，發行 8.25 億股 Class A 股票，定價區間每股 70–78 美元，預計 11 月 19 日在 Nasdaq 掛牌、代號 ANT；以發行後股數計，區間頂端對應估值約 1.02 兆美元，完全稀釋後約 1.4 兆美元。文件顯示公司 2026 年前九個月營收 332.4 億美元，算力採購承諾高達 8,954 億美元；Google 與 Nvidia 等參與 260 億美元的同步私募。(Dealroom、TensorFeed)

為什麼重要：這將是史上最大規模的科技 IPO 之一，定價結果會成為整個 AI 產業的估值錨點；但 8,954 億美元的算力承諾也意味著，Anthropic 的未來幾乎全押在算力擴張能否換來相應營收上。

11. 紐約 RAISE 法案註冊開放：前沿模型開發者須揭露安全框架

紐約州 RAISE 法案正式生效並開放註冊：大型前沿 AI 開發者必須公布安全框架、72 小時內通報重大事件，並發布模型透明度報告。(Agentic AI News、The AI Daily Grind)

為什麼重要：這是美國第一部州級前沿模型安全法開始執行，合規成本將直接落在大型實驗室身上；其他州是否跟進，將決定美國 AI 監管是走向拼圖式立法還是聯邦統一。

12. Nvidia 捲入風波，兩日市值蒸發約 4,300 億美元

Nvidia 股價兩日下跌約 9.5%，市值蒸發約 4,300 億美元。據報導，執行長黃仁勳承認一段婚外情，對象據稱與中國間諜活動有關；另有報導指出，至少 75 億美元的 Nvidia 晶片涉嫌違反出口管制流向中國公司。(Horizon AI Briefing)

為什麼重要：地緣政治與公司治理風險直接衝擊 AI 龍頭市值——晶片出口管制的執行力度，正在成為 AI 供應鏈最不確定的變數。

---

可發展成 Agentic AI 部落格主題

• Agent 身分層 ANS：從「Agent 能做事」到「Agent 是誰」——為什麼可驗證身分是多 Agent 協作規模化的前提，以及它與 MCP、A2A 的關係。
• n8n Nod 與本地個人 Agent：個人 Agent 的下一步是長在自己的電腦裡——本地沙箱＋自選模型，對比訂閱制 Agent 產品的優劣與適用場景。

資料來源：Horizon AI Briefing、Agentic AI News、AI-skiftet、The AI Daily Grind、SW Architect、GPUwerk、Dealroom、TensorFeed、Unite.AI、PR Newswire、GlobeNewswire。數字以來源原文為準，不確定處已標註「據報導」。