所有節目›AI Engineer Europe 2026World's Fair 2026 World's Fair 線上軌 AI in Healthcare Software Factories

術語速查

1301 個名詞與人物，都連得回它出現的那一場。同一個詞在好幾場出現時，各場的說法都留著。

搜尋名詞

1301 個

OpenClaw 18 場: 008Harshil 的第一個 app 是它的替代品，agent 不能執行 shell 指令，只能寫 JavaScript 在 isolate 跑; 016把 Pi 放進核心的專案，也讓大量 OpenClaw 實例湧進 Pi 的 tracker; 018Peter 創立的開源個人 agent 專案，這場講它的安全、維護與走向; 032可以透過 WhatsApp、Telegram、Discord 等聊天軟體對話的個人 agent，Kitze 一度重度使用; 036Matt 舉例說很常使用 CLI 的工具; 050Steve 最後舉的例子，說它把風險交給使用者的做法做得不錯; 054Radek 參與維護、也把生活事務交給它的 agent 專案; 056Patrick 說它讓大家意識到在自己電腦上執行陌生人的東西需要更安全; 080底層用 Pi 的核心套件，另加多頻道、sub-agent 等自己的 plug-in 機制; 081這場所在軌道的主題，Fryderyk 用它代表個人 agent，拿來對比公司 agent; 083Nico 多次拿來類比的 agent 專案，舉 compaction 失誤的案例時也用到它; 085Vincent 是其核心貢獻者之一，說它的 harness 會自己調整、長出 skills; 111Onur 擔任維護者的開源專案，這場的 ACP 功能是做在裡面; 115這場的主角，一個 MIT 授權的專案，Sally 把它放進容器與 Kubernetes 跑; 143Joe 說使用者常搭配 ElevenLabs 做打電話功能的 agent 專案; 163他們拆解它的要件：有心跳、有虛擬檔案系統、連到各種服務，並支援 extensions; 173Zack 用 cron job 在夜間跑內容工作的 agent 工具; 183這場圍繞的專案，Nick 為它貢獻了 trusted proxy auth mode，也拿它當開發助手
Gemma 4 12 場: 024Omar 演講前一週發表的新一代，尺寸從 E2B 到 31B; 025這場示範的主角，較小的尺寸能在 iPhone 上跑; 039Google DeepMind 的開源模型家族，有 E2B、E4B、26B MoE、31B Dense 四種尺寸; 044Google 的開放模型系列，採 Apache 2 授權，可免費在 AI Studio 試用或下載自行微調; 062Google DeepMind 新發表的模型系列，這場談的是為裝置端設計的 E2B 與 E4B 兩個尺寸; 082示範時使用的開源模型，Prince 說 MLX 在發表當天就有 Day Zero 支援; 107可在本地跑的開源模型，同樣支援多模態輸入; 108這場主要的模型，E2B 與 E4B 是 Gemini Nano 的基底；Cormac 說上週才發佈; 117上週發布的開放模型家族，有 E2B、E4B、26B MoE 與 31B dense，Apache 2 授權; 119KP 提到的模型，說在配額上等於免費，因為跑在自己的 GPU 或 TPU 上; 165剛推出的開源模型，內建音訊理解，可在邊緣裝置上跑; 169Google DeepMind 上週四發布的新一代開放模型系列，共四種尺寸
Claude Code 11 場: 016Mario 原本使用、後來離開的 coding agent harness; 029Tuomas 舉例的 AI 開發工具，說用起來就能發現小 bug; 055Louis 用來說明 agent 一次跑得更久的例子; 063講者示範用的 agent，用 skills、rules、agents、hooks 實作這個方法; 094Intercom 選定的唯一平台，用來處理所有技術工作; 098這場主要用來讀檔案系統、跑分析流水線的 coding agent，另外提到 Codex; 128Priscila 稱 Claude 是自己最愛的隊友，也提到 Claude Code 有規劃模式; 135Boris 拿來掃 port、試指令、分析封包的工具，投影片也是它做的; 159這場 demo 用的 coding agent，Rafael 覺得比 Codex 少麻煩; 167逐 session 用 grep 探索程式碼庫的例子，Kuba 說它不用向量搜尋; 173Zack 目前最常用的工作介面，這場的各種做法大多圍繞它
LLM as a judge 11 場: 034用另一個語言模型來評分，Peter 說自己讀過不少回答，認為在這裡可行; 052用另一個模型評分，處理寫不成確定性規則的語氣、品牌等細節; 056讓 LLM 依指定標準評斷產出；給它工具後可以實際執行檢查; 060把執行結果交給另一個 LLM，依成功標準評分; 084用語言模型當獎勵來源，評斷語氣、是否符合商業規範等開放性問題，人只負責定義 rubric; 091用第二個 LLM 依 rubric 評分另一個 LLM 的輸出，會附上解釋; 139Philipp 提到可用來給質化回饋的方式，另一種是人類專家; 160用 LLM 當評審產生評估訊號; 177用另一個 LLM 依安全性、groundedness、相關性等標準評判主模型的輸出，屬於評估的第二層; 179用 LLM 當評審打分數的評估方式，這場先用它，後來盡量換成確定性比對; 182Talha 列在各層檢查之中、會非確定性地呼叫 LLM 的那一種
Braintrust 9 場: 043Phil 任職的公司，自稱 agent quality 平台，靠 evals 與 observability 兩根柱子; 048David 舉的 eval 工具，說用這類工具寫 eval 非常簡單; 052主講者任職的 AI observability 平台，不綁特定 agent 框架或模型供應商; 060Pedro 提到的評估平台，可系統化跑 evals 並觀察 agent 行為; 093Pedro 跑 evals 用的平台; 124Phil 任職的公司，自稱 agent quality 平台，以 evals 與 observability 兩根支柱為主; 129Phil 任職的公司，自稱是 agent quality 公司，主要做 evals 與 observability; 132Phil 任職的公司，做 agent 觀測與 evals 平台; 141評估工具，Willmott 說很欣賞它的做法，也說這場題目和 Braintrust 那場談的很接近
MCP 9 場: 001Model Context Protocol，讓 agent 取得更多工具與資料的協定; 015Model Context Protocol，Diego 講的攻擊落在工具簡述與完整描述之間的落差; 038Karan 說這是由 Anthropic 建立的開放標準，這場談的是企業怎麼導入它; 110Model Context Protocol，讓 LLM 連到 Azure、GCP、AWS 或 Playwright 等外部資源; 123Angus 拿來當例子，說明一邊結構化、一邊非結構化的資料如何在系統間轉換; 126這場裡指讓 agent 存取各個 SaaS 工具的管線，Brandon 說它提供存取而非理解; 155讓 agent harness 接上外部工具的協定，Michael 說任何支援它的 client 都能用這套工具; 163他們說剛推出時需要 client 與 server 之間有狀態的連線，Durable Objects 適合維持這種連線; 173Zack 用來讓 Claude Code 連 Slack、Linear 與戒指資料的連線方式
AGENTS.md 8 場: 001專案常駐的規則檔，放慣例、建置與測試指令等，幾乎總是載入 context; 007agent 專用的說明檔，寫明某個 repo 該怎麼建置、測試、部署、驗證; 010多數 coding agent 都支援的標準檔，Yohan 在裡面寫下每次改完網站要做的步驟; 017放在 repo 裡給 agent 的說明檔，Ryan 提到它是提醒 agent 的方法之一; 054OpenClaw 用的指引檔，Radek 在其中靠前的位置提到 critical rules; 056放在專案裡、給 coding agent 讀的可重用說明檔，Patrick 說業界正在往這個標準靠，只有 Claude 還叫它 CLAUDE.md; 070放在專案裡的指示檔，列出可用指令、Effect repo 的位置與 patterns 檔; 184放在 repo 裡的高階指引，寫專案用途、架構、限制與 agent 該做和不該做的事，Chris 稱為最低限度的護欄
harness 8 場: 021讓 coding agent 產生程式碼，並在能開放能力的安全空間裡執行的整體架構; 046模型之上管理工具執行、環境設定與安全的一層; 085包住模型、讓 agent 能行動的那一層，Vincent 說它現在會自己改變; 101包在模型外面的 scaffolding，這場講的是怎麼設計它來支撐長時間執行; 119包住模型的 agent 執行框架，KP 目前的工作就是在內部把 Antigravity 的 harness 調得更好; 158包住模型的 coding agent 本體，Ara 說評分會同時反映它的好壞; 160包住模型與工具、讓 agent 運作的外層程式; 182包在 agent 外面的工具、context 與檢查；Talha 的結論是該把力氣放在這裡
Pi 7 場: 016Mario 做的極簡 coding agent，可以自己寫擴充來修改自己; 065他們說 OpenClaw 底層跑的 agent harness，Nick 用它做了名為 case 的 agent; 080Mario 做的開源、極簡 coding agent，Matthias 拿來玩並嵌進產品; 088Merve 喜歡的本地 coding agent，設定簡單，可搭 llama.cpp 或 Inference Providers; 089以可擴充著稱的 agent harness，Jonas 稱讚它讓 agent 能自行擴充; 137Case 改版後的底層，搭配 TypeScript 狀態機一步步驅動各個 agent; 163Mario Zechner 做的 coding agent，他們說正在和 Mario 討論把它直接跑在 Workers 上
Codex 6 場: 017OpenAI 的 coding agent，Ryan 團隊把它當開發流程的入口; 032Kitze 目前拿來當 Wolfer 底層的工具; 046OpenAI 的軟體工程 agent，有 app、IDE 延伸套件、CLI 等介面; 055Louis 自己多數時候使用的 coding agent；Vibe Kanban 則支援八種常見的 agent; 134Andres 用來加速 Qwen3 TTS，也用來一次做出現場 app 的工具; 159Rafael 提到的另一個選擇，說有時會帶人繞遠路
Cursor 5 場: 048David 任職的公司與產品，這場講它的 worktree 功能怎麼重做; 127Mardu 用來說明專注模式與可還原的例子，有規劃模式、除錯模式與多層次的還原; 143Joe 用來在兩小時內做出 app 的工具; 149Turbopuffer 的早期客戶之一，會把程式庫索引進 Turbopuffer 做語意搜尋; 167被 Kuba 當作 agentic search 做得好的例子，開啟程式碼庫時會先嵌入以供語意搜尋
lethal trifecta 5 場: 003Simon Willison 提出的安全風險模型；Šimon 說自己的系統移除了外洩管道，但 shell 仍可對外通訊，所以沒有完全破解; 018Peter 講的 agent 主要風險，其中兩項是能接觸不受信任內容與能對外溝通; 040Sam 提到 Simon Willison 的部落格文章談的提示注入風險; 059Simon Willison 提出的說法：不受信任的輸入、網路存取、重要機密資料三者並存就會外洩; 155Simon Willison 部落格文章提出的概念，Michael 用它推論本機有人在場那一層的風險
trace / span 5 場: 052一次互動的完整執行紀錄；一場對話放在 parent span，底下是各階段的 child span; 078Alex 要分析的 agent 資料單位，一條 trace 底下可能有上百個 span; 091trace 記錄 AI 應用執行時的每一步，span 是其中一步，例如一次 LLM 呼叫或工具呼叫; 132trace 是一個工作流程的完整互動，span 是其中一步; 160agent 執行過程的稽核紀錄與其中的單一步驟
Claude Agent SDK 4 場: 038Karan 提到可以在企業內部搭配 gateway 使用; 091這場示範 agent 使用的簡單 agent 框架，agent 用 Claude Haiku，評審用 Sonnet; 101由 Claude Code SDK 改名，包含 sub-agent、MCP、skills 等 primitives，用來自建 harness; 168研究與執行兩個階段 agent 所用的 SDK
Lyria 3 4 場: 044音樂生成模型，有 Pro 與 Clip 兩種預覽版; 047Gemini API 上的音樂生成模型，可生成帶歌詞的歌曲; 117音樂生成模型，可產 30 秒或約三分鐘、含歌詞的歌曲，經由 API 提供; 165近期推出的音樂生成模型，可生成帶歌詞的音樂
MCP apps 4 場: 040在 Insiders 上的功能，讓使用者能編輯 AI 產生的 issue; 116把 HTML、CSS、JavaScript 打包成單一檔案，由 tool 回傳、在 agent 裡顯示的互動介面; 150讓 MCP 伺服器在 agent 環境裡渲染 UI 的做法，Ruben 視為第三方甚至第一方 UI 的交付機制; 156讓 MCP server 的工具回傳可互動 UI，顯示在聊天裡，而非只回文字
Nano Banana 2 4 場: 044圖片生成與編輯模型，可以開圖片搜尋 grounding; 102這場用來生成角色與章節圖的圖像模型，支援 search grounding 與 image grounding; 117圖片生成與編輯模型，這場用來畫角色與章節圖，並支援圖片搜尋 grounding; 166Audry 形容為擅長合成照片的 Google 付費模型
OpenCode 4 場: 016Mario 一度靠近、但看了 context 處理方式後放棄的 harness; 070Michael 這場用的 coding agent 環境，搭配 GPT-5.4; 112Ben 用來實作 Auto Lab 的 agent 工具，repo 裡另有 Codex 與 Claude 版本; 117Ian 用來接本機 Gemma 的程式碼 agent 環境，透過 OpenAI 相容端點連線
WebMCP 4 場: 010讓網頁向 agent 提供工具的提案，可以用 JavaScript 註冊，也可以在表單上加屬性; 066他們提到的現有做法之一，用來讓模型操作網頁介面; 116讓網頁把自己的功能註冊成 agent 工具的瀏覽器端做法，RL Nabors 形容與 MCP 的關係像 JavaScript 與 Java; 171Web Model Context Protocol，提議中的網頁標準，讓網站把功能定義成結構化工具給 agent 用
WorkOS 4 場: 042Garrett 任職的公司，提供 SSO 等 auth 服務，並已實作 XAA 的 client 端流程; 172Garrett 任職的公司，在那裡負責產品；這場講的是公司內部自用的工具，不是對外產品; 173Zack 任職的公司，所屬的是 applied AI team; 182Talha 引用當天 WorkOS 提出的「enforce, don't instruct」
agent harness 4 場: 026驅動 agent 運作的外層程式，Malte 認為多數現行設計把它與執行產生程式碼的地方放在一起; 087包住 agent 的迴圈，負責檢出程式碼、實作計畫、跑建置與測試；Hugo 舉例有 Claude Code、AMP、Cursor、Factory; 099Tejas 的定義：模型周圍、讓它踩在穩定環境上的一切，是 agent loop 外面的東西; 147包住 agent 運作的程式；Benjamin 說有了它，就有讓新模型用 RL 學會提供服務的條件
skill 4 場: 007把慣例或操作平台的固定做法寫成的 markdown 文件; 056可包含說明、腳本與文件的 context 套件格式，Patrick 說各家 coding agent 都在支援; 092把團隊慣例（分支命名、feature flag、API 設計模式）封裝起來，讓 agent 重複組合使用; 094把做事方法寫成短小、可測試的指引，讓 agent 在適當時機自己呼叫
skills 4 場: 001需要時才叫用的可重複流程，例如定期整理 changelog; 030把人對某類工作的判斷編進節點，Jacob 稱讚它能處理特殊情況; 119內部累積的技能庫，由各領域專家貢獻，KP 說要讓只有最好的留下來; 155補充複雜流程的說明檔，這場提到 troubleshooting skill，並提醒堆太多會變成新的負擔
AI Studio 3 場: 044Google 讓人用 Gmail 帳號免費試用 Gemini 模型的介面，可開關工具並取得對應程式碼; 102讓人測試模型與玩範例應用的入口，Lyria Real Time 的示範也在這裡; 117Google 讓開發者最早用到 DeepMind 模型的地方，有 playground 與 Build，每個設定都能 Get Code
Arize 3 場: 078Sally-Ann 任職的公司，Alex 建在它的 observability 平台上; 116RL Nabors 目前任職的公司; 160Dat 任職的公司，做 observability、evaluation、experimentation
Composer 3 場: 048Cursor 自家的模型，在 David 的 evals 裡表現較好; 149Cursor 的模型，Kuba 說它把語意搜尋當內建工具，知道何時該用; 167Kuba 提到的 Cursor 自家模型，後來還有 Composer 2
E2B / E4B 3 場: 024最小的兩款，E 代表 effectively 2 billion 參數，可跑在手機上; 062Gemma 4 的邊緣模型；E2B 約用 1 到 2 GB RAM，E4B 吃較多資源，量化後才是實際用量; 169給手機的兩個尺寸，E 代表 effective，記憶體用量約等於 2B 與 4B 模型
Gemini 3.1 Flash Live 3 場: 047Thor 示範的原生音訊模型，並說手機上的 Gemini Live 用的就是它; 107音訊進、音訊出的 Live API 新模型，單一架構; 165幾週前推出的 speech-to-speech 即時多模態模型，用 WebSocket 連線
GitHub Copilot CLI 3 場: 095Marlene demo 用的終端機 coding agent; 156Liam 用來依 skill 產生多個 MCP app 的工具; 184Chris 示範用的 CLI，換成 Claude 或其他 CLI 也行
Google AI Edge Gallery 3 場: 058在 iOS 與 Android 上試跑模型與 agent skills 的開源 App; 108團隊做的 iOS 與 Android app，用來試小模型與 skills，Android 版開源; 117可在 Android 與 iOS 測試 Gemma 的 app，新增 Agent Skills
Harbor 3 場: 151一種跑評測或訓練的格式，SWE-rebench v2 提供了對應的 adapter; 153隨 Terminal Bench 2.0 釋出的評估框架，Vincent 說它已是不少 agent 團隊的事實標準; 158讓評測題目各自在標準化環境裡平行執行的工具
Interactions API 3 場: 047Philipp 介紹的新 API，同一個介面接模型與 agent，並支援伺服器端狀態與背景執行; 102新的 API，每次呼叫回傳 interaction ID，下次可由伺服器還原 context，仍在 preview; 119KP 說 deep research agent 現在可以透過它使用
KV cache 3 場: 125prefill 階段產生的快取，decode 每次都要讀，拆機器跑時得串流過去; 134這場中指模型生成時的快取，從動態改成靜態才能做 graph capture; 152推論時要從記憶體搬進運算核心的快取，是自迴歸受記憶體限制的原因之一
LM Studio 3 場: 025管理並執行本機模型的工具，可用 llama.cpp 或 MLX，也能開本機 server；Locally AI 被它收購; 117在本機載入並服務模型的工具，這場用來跑 26B 並提供相容端點; 169在本機跑模型的工具，Ian 用它示範 26B 模型
LiteRT 3 場: 058標準的推論框架，Cormac 說它以前叫 TensorFlow Lite; 062Google 的裝置端推論框架，建立在 TensorFlow Lite 上，沿用 TFLite 模型格式; 108跨框架的模型執行環境，前身是 TensorFlow Lite，可跑在 CPU、GPU、NPU
LiteRT-LM 3 場: 058Google AI Edge 的 LLM 執行環境，把 tokenizer 等零件包進單一檔案，跨手機、桌面與嵌入式執行; 108把 LLM 包進 app 的執行環境與格式，檔案內含執行模型所需的一切，含 tokenizer; 114想用自訂模型、或要涵蓋更多裝置時的選項，但效能測試要自己做
MCP server 3 場: 007包在 API 外面讓 agent 使用的一種介面，Juan 把它和 CLI 並列為可行的做法; 156對外提供工具、prompt、資源等能力的輕量程式; 168PostHog 自家提供給研究 agent 的介面，讓 agent 自行拉取額外資料；另外也接 Linear、Notion 等外部 MCP
Modal 3 場: 147Benjamin 任職的公司，通用型 serverless 平台，提供 serverless functions 和給程式碼執行用的 sandbox; 158Cline 跑平行評測所用的基礎設施，Ara 在台上致謝; 168他們跑 sandbox 用的服務，Joshua 特別說明沒有被贊助
OpenRouter 3 場: 053這場用來挑選與串接各家模型的服務; 086評估時用來快速替換模型的服務; 104有人認為可用來解決 API 可互換性的服務，Ara 認為這還不夠
Simon Willison 3 場: 028Gergely 2024 年訪談過的人，說 AI 很難上手、沒有手冊; 095近期寫了介紹紅綠 TDD 的部落格文章; 173被 Zack 引用，說開四個平行 agent 到 11 點就累癱的人
Tailscale 3 場: 125Alex 用來從外面安全連回家裡 cluster 的工具，EXO 沒有內建; 144建在 WireGuard 上，並在連線上疊加身分的網路服務; 185講者用來從手機連回開發機的方式，也可換成 Cloudflare Tunnels 或 ngrok
Veo 3.1 Lite 3 場: 044低成本的影片生成模型，可輸出含音訊的素材; 102Guillaume 說是 Veo 系列中最便宜的影片模型，每秒 $0.05; 117Guillaume 說是目前最便宜的影片生成模型，適合試 prompt
code mode 3 場: 036Cloudflare 去年夏天部落格提出的做法：產生 API 的型別，讓模型寫程式碼來呼叫; 040Cloudflare 的做法，Sam 列為工具使用組合化的方向; 179把多個工具組合進單一次工具呼叫的做法，Nuno 說 Anthropic API 與 Cloudflare 都談過
context engine 3 場: 057替 agent 供應需要、且只供應需要的組織脈絡，包括程式碼、對話、決策原因與專家是誰; 126查詢當下跨企業所有系統找資料、推理，再回給 agent 一份 token 優化過的小回應; 164替任務排出該看哪些內容的搜尋與排序機制，Nupur 比喻成 bouncer
context engineering 3 場: 001Brendan 引 Karpathy 的說法，指把對的資訊放進 context window，讓 agent 能做好下一步; 071決定哪些 context 來源的資料要進 context window 的做法，Leonie 認為其中大半靠搜尋工具; 124透過調整給模型的提示與 context 來改變 agent 行為，這場裡領域專家也能參與
context graph 3 場: 096把企業資料、決策軌跡與推理過程連在一起的圖，這場主張它記錄的是決策的原因; 131在知識之外，再把規則、政策與決策過程放進圖，讓 agent 知道為什麼要做某件事; 136除了實體與狀態，還記錄決策、前例與因果鏈的圖，讓 agent 能參考過去怎麼決定
context rot 3 場: 064Filip 引用 Chroma 的研究所說的現象：context 增加時，效果會變差; 101在 context window 越用越深時，連貫性下降; 145舊的、已過時的知識留在 agent 脈絡裡，反而拖累它的表現
progressive disclosure 3 場: 060不一次把資訊全塞進 context，只載入足以讓 agent 判斷是否要再讀的內容; 065把細節放進另外的檔案，做到相關步驟才讀，避免撐大 context; 109skill 不一次給完，依需要逐步揭露各模組的提示
rubric 3 場: 005Verifiers 裡把多個加權報酬函式組在一起的集合; 091評審用的規則，本質上就是一份 prompt; 170把回答對錯拆成一組小問題的評分方式，用來找出該補哪種資料
ADR 2 場: 017架構決策紀錄，Ryan 列為該留給 agent 讀的文件之一; 148Architecture Decision Record，記錄為什麼這樣做、怎麼強制執行的架構決策文件
AI SDK 2 場: 077Mehedi 說他們的 tracing 工具包在它外面; 083Nico 在 Vercel 負責的開源 TypeScript 套件，整場用它的第 6 版做 agent
AICore 2 場: 108系統層的 Gen AI，Gemini Nano 經由它提供給 app; 114把 Gemini Nano 送到裝置上的系統服務，負責硬體最佳化、排程與隔離，所有 app 共用同一個模型
Agent skills 2 場: 023以名稱與描述先載入、用到才載入全文的指令包，這場拿來取代工作流程 prompt; 058以 skill.md 描述、可帶 JavaScript 的擴充單位，由模型按需載入
Alex 2 場: 078Arize 做的 AI harness，協助打造 AI 應用，Sally-Ann 是核心貢獻者，這場的案例主角; 160Arize 內建的 AI 系統，會規劃並執行檢查應用問題等任務，也可被 Claude Code 等外部工具呼叫
Arize Phoenix 2 場: 091Arize 的開源 AI 可觀測性平台，收集 trace、儲存 eval，並提供介面與 experiment 功能; 160給工程師導向的開源產品，單一容器即可部署，不需要 Kubernetes
Armin Ronacher 2 場: 020講者之一，做軟體開發 20 年、多在開源領域，創造了 Flask，去年 4 月離開 Sentry; 128Priscila 介紹 Armin 是 Flask 的作者、前 Sentry 員工，並引了對方部落格裡的一段話
Bright Data 2 場: 159Rafael 任職的公司，這場示範的 MCP、skills 與遠端瀏覽器都是他們的產品; 176Rafael 任職的公司，自稱是讓 agent 或任何人大規模蒐集公開資料的網路存取平台
Bright Data MCP 2 場: 159有 66 個工具，讓 agent 能取回被擋網站的 HTML 或文字; 176這場 demo 對照的工具組，Rafael 說有 66 個工具，內含搜尋、轉 markdown 的抓取、批次搜尋與遠端瀏覽器
CIMD 2 場: 009Client ID Metadata Document，client 把 ID 公開成網址，授權伺服器直接去抓它的中繼資料; 042用 metadata 文件預先定義 client 的新標準，Garrett 說它取代 DCR，但想不起縮寫全名
CSP 2 場: 116內容安全政策，MCP app 裡外部字型、圖片等資源預設被擋，要靠它放行; 174Content Security Policy，server 隨文件回傳的指令，限定能載入、執行與連線的來源
Cerebras 2 場: 113Sarah 任職的公司，職稱是 head of developer experience；這家公司做的是自稱最大最快的 AI 處理器; 121他們跑異質遞迴實驗時使用的晶片平台
Cline 2 場: 104Ara Khan 任職的公司，在那裡負責寫 agent 體驗相關的東西; 158Ara 任職的公司，自我介紹時說是開源的 coding agent 公司
Clusters 2 場: 161給重度訓練用的多節點叢集，搭配高速網路; 166用於多節點訓練的產品
Code Mode 2 場: 008Harshil 說 Cloudflare 內部使用的 AI agent 整合模式; 021讓模型產生程式碼並在環境中執行，取代來回的 JSON 工具呼叫；Sunil 說這不是他們發明的，有前人做法
Compaction 2 場: 113context 填滿後被壓縮、資訊可能流失的機制，Sarah 建議避開 80% 到 100% 的區間; 122Nick 舉的例子裡，競爭實驗室透過自家 API 為自己的模型提供的功能
Cypher 2 場: 096知識圖譜的查詢語言，Stephen 提到 LLM 可以自己產生; 136Neo4j 的圖查詢語言，示範應用靠它把資料撈回來
DCR 2 場: 009Dynamic Client Registration，client 連線時自行向授權伺服器註冊並拿到新的 client ID; 042動態 client 註冊；不支援時要預先註冊 client
Dreaming 2 場: 018讓 agent 整理並濃縮記憶的功能，Peter 說已出貨第一步; 054OpenClaw 把記憶升格保留的機制，Radek 只提到名稱與用途
Dynamic Workers 2 場: 008Cloudflare 能在執行時動態開出 V8 isolate 的 API，Harshil 用它做 isolate 那一邊; 163從字串程式碼直接在隔離 worker 裡執行的新原語，他們稱之為 eval++
Electron 2 場: 050Steve 用來包裝桌面版的框架，外殼開一個 endpoint 接收 JavaScript 並執行; 077Granola 桌面 app 使用的框架，有 main process 與 render process
ElevenLabs 2 場: 135Boris 任職的公司，平常做語音 agent，電話亭背後接的就是它的對話式 AI agent; 143Joe 任職的音訊 AI 公司，提供語音合成、轉錄、音樂、音效、聲音設計與 agents 平台
Eloquent 2 場: 058團隊做的離線聽寫 App，目前只有 iOS 版; 108離線轉錄 app，由兩個小模型串成，目前只在 iOS 且尚未在歐洲上架
FastMCP 2 場: 022第三方的 Python SDK，David 說比自己當初寫的官方版好很多; 023Samridhi 用來建 MCP server 的函式庫，負責處理 agent 與工具之間的通訊細節
GEPA 2 場: 011優化 prompt 的演算法，靠反思改寫與合併產生候選，用 Pareto 前緣篩選; 068Genetic Pareto 的縮寫，優化一個字串（prompt 或 JSON）的函式庫，也可在 DSPy 裡使用
GLM 5.1 2 場: 088Merve 自己 coding 環境用的開源模型，也是推薦搭配 Hermes Agent 的模型; 125現場跑的模型，Alex 說是前一天剛發表的開源 frontier 模型，約一兆參數
GPT-5.4 2 場: 034Peter 花很多時間讀 trace 的模型，覺得讀起來最令人困惑; 081團隊 A-B 測試時想換上的模型，工具呼叫與程式碼生成表現好、也更便宜
GRPO 2 場: 005DeepSeek 用的 RL 演算法，同一起點的多個 rollout 互相比較，設定比 PPO 簡單、輕量; 170這次 RL 訓練用的方法，通常只吃單一數值的回饋
Gemini 3 2 場: 107目前的主力 Gemini 系列，能理解多種模態但只輸出文字; 165Thor 說所有音訊產品的底層，語音生成與即時對話都建在它的音訊理解上
Gemini 3 Flash 2 場: 086評語生成目前使用的模型，首個 token 約 1 秒、平均延遲約 3 秒; 107示範多模態理解與摘要所用的模型
Genie 2 場: 019DeepMind 的世界模型系列，從 Genie 1 到 Genie 3; 027Sander 舉的「逐幀自回歸、每幀用擴散」混合做法的例子
Genie 3 2 場: 044DeepMind 的世界模型，依使用者輸入逐格即時生成可操控的世界; 117由 Nano Banana、Veo 與 Gemini 組成的世界模型，逐像素生成約 60 秒可玩環境
Geoffrey Huntley 2 場: 059Chris 介紹的 Ralph loop 原始提出者; 070Ralph loops 的作者；Michael 說「拿刀在家裡亂跑的小孩」這個比喻出自 Geoffrey
Gergely Orosz 2 場: 028The Pragmatic Engineer 的作者，這場的受訪者，曾在 Uber 工作四年; 029The Pragmatic Engineer，這場對談的提問者，曾與 Tuomas 在 Uber 共事
Google AI Edge 2 場: 062LiteRT 所屬的 Google 裝置端 AI 產品線; 108Cormac 所在團隊負責的裝置端 AI 技術堆疊，包括 MediaPipe、LiteRT-LM、LiteRT
Goose 2 場: 067Luke 在 Block 發起的開源 coding agent，已捐給 agentic AI foundation; 150一個 MCP client，Ruben 提到它的 Auto Visualizer 會把資料配對到預設元件
Granola 2 場: 077Mehedi 任職的公司，會議筆記 app，能取得系統音訊與麥克風並即時轉錄; 097做 AI 會議筆記的公司，案例中由 Joe 擔任 Oracle
Haystack 2 場: 005Stefano 在 Deepset 開發的開源 LLM 框架; 106deepset 的開源編排框架，這場用它示範 pipeline、agent、guardrail 與 YAML 序列化
Hermes Agent 2 場: 032Kitze 與 OpenClaw 並列為自訂 agent 的例子，也是自己輪流使用的工具之一; 088Merve 最愛的 agent，說它的記憶管理比 OpenClaw 更進一步
Hub 2 場: 161RunPod 的 AI repo 集中處，內容已預先設定與審核，由 RunPod 與社群提供，可 fork、watch、star 並部署; 166放已經審過的開源 AI repo 的地方，例如 ComfyUI、Stable Diffusion、vLLM
Hugging Face 2 場: 134Andres 任職的公司，在那裡帶領多模態研究; 161示範時模型下載的來源
Hugging Face Hub 2 場: 088Merve 所屬公司的平台，放模型、資料集與 Spaces，被形容為所有開源釋出的基礎設施層; 112Ben 說已具備儲存、追蹤與運算，可承接這類工作負載
Inspect 2 場: 103AI Safety Institute 的工具，用來在隔離環境測試 AI agent 拿到自主權與工具後的行為; 118Ramp 內部用來跑 background agent 的基礎設施
Intercom 2 場: 051依解決的工單數收費的例子，也是 Mayank 提到建在 Stripe 上的公司之一; 094Brian 任職的 B2B SaaS 公司，在 ChatGPT 問世的週末轉型為 AI 公司
Kubernetes 2 場: 007Atlas 運算平台的基礎，團隊在上面跑應用程式; 111這場的部署目標，Onur 用完整的 pod 給每個 agent
LLM as judge 2 場: 124用 LLM 當評審做 eval；Phil 提醒它只是提示加模型，可以用標註資料集驗證; 129用 LLM 評估另一個 LLM 的輸出，Phil 提醒 judge 本身也要被評估
LLM judge 2 場: 023輸出 pass 或 fail 加簡短批評的評估者，用標註資料集與 F1 校準; 146依 rubric 評分的語言模型，與人類標註者並用以擴大規模
LM Arena 2 場: 024Omar 用來比較模型的社群偏好排名，也承認它不是完美的 benchmark; 169以使用者偏好為基準的排名，Gus 說用它是因為最貼近客戶會怎麼感受回答
LangChain 2 場: 002範例用的框架，V0 用它的 load MCP tools 方法取得工具; 071這場 demo 用的 agent 框架，內建 shell 工具與 skill 載入的範例程式
Langfuse 2 場: 012平台層部署的 observability 工具，用來追蹤 agent 與跑評估; 109Marc 共同創辦的開源專案，提供 tracing 與 evaluation，這場的 skill 就是替它做的
Linear 2 場: 029Tuomas 所在公司的專案管理工具，也是這場說明品質做法的對象; 173Zack 的工單系統，Claude Code 透過 MCP 存取它
MCP Apps 2 場: 035Ido 說自己是它的共同作者與維護者; 066MCP 標準的第一個官方擴充，讓 tool 回傳 HTML 介面，由 host 在 sandbox 裡渲染並雙向互動
MCP app 2 場: 174在 MCP 上提供介面的應用，經由 app extension 這個 MCP 第一個官方 extension 標準化; 183帶有 UI 的 MCP server，Nick 的 demo 把它註冊到 ChatGPT 裡
MCP gateway 2 場: 028Gergely 認為大公司都該有的內部閘道，Uber 把它接進 service discovery; 038夾在 MCP server 與 MCP client 之間的中間層，是 client 唯一看到的可信端點
MLX 2 場: 025Apple 做的框架，針對 Apple Silicon 最佳化，也就是 iPhone 與 Mac 的晶片; 082Apple Silicon 上的陣列框架，Prince 形容成 Apple Silicon 版的 PyTorch 或 TensorFlow
MedGemma 2 場: 024官方變體，以 Gemma 3 為基礎的多模態醫療模型，用於放射科與胸部 X 光等任務; 169針對醫療用途的 Gemma 變體
Mitchell Hashimoto 2 場: 028被 Gergely 舉為只跑少量 agent 的例子：一個背景 agent，Mitchell 說兩個就夠; 087Madison 提到的前 HashiCorp 創辦人，寫過自己會怎麼修 GitHub
MoE 2 場: 039混合專家架構，26B 版有 128 個 expert，推論時選 8 個，另有每次都啟動的 shared expert; 113每個 token 只啟動一部分專家，用小模型的算力成本換大模型的智慧
Nano Banana 2 場: 065圖像生成模型，他們用一支呼叫其 API 的 TypeScript 腳本包成 skill; 107以 Gemini 為基礎的原生圖片生成模型，這場示範用的是 Nano Banana 2
Neo4j 2 場: 131Zaid 與 ABK 任職的圖資料庫公司，這場講的是用圖替 agent 補上知識與決策依據; 136Zach 任職的公司，自稱是 graph intelligence 公司，核心是圖資料庫
Neo4j agent memory 2 場: 096Neo4j 做的開源套件，把短期記憶、長期記憶與推理記憶整合成 context graph; 136提供短期記憶、長期記憶與推理的記憶套件，是上述工具的重要依賴
OTel 2 場: 069客戶常用來把 trace 與工具呼叫送進 Raindrop 的管道; 090追蹤所依循的標準，讓不同地方建的 agent 都能送出 trace
OpenRAG 2 場: 006Phil 在 IBM 參與的開源 RAG 專案，結合 Docling、OpenSearch 與 Langflow，前端是 Next.js，其餘是 Python; 099Tejas 提到 IBM 的開源專案，讓大公司在私密資料環境做 RAG，harness 負責企業級安全
PKCE 2 場: 009授權碼流程用的 proof key，client 先產生 code verifier 與 code challenge，換 token 時再驗證; 040授權碼交換的證明金鑰，Sam 說通稱 Pixie，團隊協助加到 GitHub 授權伺服器
Paperclip 2 場: 014Dotta 做的開源 agent 協調工具，用組織圖、專案與任務來管理多個 agent; 032Kitze 輪流試用的工具，形容像看板
Parakeet 2 場: 134Andres 選用的語音轉文字模型，因為很快，每 150 毫秒轉一次; 154NVIDIA 的語音轉文字模型，示範裡用來產生帶時間戳的逐字結果
Pareto frontier 2 場: 011GEPA 選候選的方式，保留每個任務上表現最好的候選，而不是平均分最高的; 068目前表現最好的候選集合，GEPA 從這裡取候選混合出新版本
Peter 2 場: 016把 Pi 放進 OpenClaw 的人，Pi 的 compaction 也是為了 Peter 的專案加的; 111OpenClaw 圈子裡的人物，Onur 說很早就開始追蹤；這場審 PR 的工作流，靈感就來自 Peter 審 PR 的流程
Playwright 2 場: 095Microsoft 做的開源端對端測試框架，在瀏覽器模擬使用者操作; 099demo 的瀏覽器 session 底層，Tejas 強調這是傳統工程，不是 Playwright MCP
Playwright MCP 2 場: 055讓 agent 操作瀏覽器、點畫面測試的工具，Louis 舉例這會讓每一輪更慢; 095讓 coding agent 操作 Playwright 的 MCP server，demo 裡裝在 GitHub Copilot CLI
Pods 2 場: 161RunPod 的沙箱虛擬環境，會替開發者起一個容器並配置 GPU，由開發者帶 Docker file 與程式碼; 166隨租隨用、按秒計費的持久 VM 環境，跑著的期間 GPU 專屬於你
PostHog 2 場: 066示範用的例子，漏斗圖由 PostHog 自己做的元件呈現; 168Joshua 任職的公司，從 product analytics 起家，現在也有 session replay、web analytics、error tracking、experiments
Pydantic AI 2 場: 068Pydantic 公司的 agent 框架，示範中同時用來寫任務 agent 與 proposer agent; 136Zach 現場示範時選的 agent 框架
QA agent 2 場: 014負責審查成果的 agent，帶有 agent-browser 技能，能開網頁、填表單、點按鈕; 092合併後部署到 staging 時啟動，依工單的驗收條件做測試
RLVR 2 場: 005用可自動驗證的結果當報酬的強化學習，這場拿來和 SFT 對照; 045用可驗證獎勵做強化學習，例如數學題必須抽得出最終答案才有正向獎勵
Ralph loop 2 場: 059反覆把同一個任務交給 AI 的做法，最簡單的版本是外層 while 迴圈；好壞取決於 prompt 與回饋; 070用簡單的 bash 迴圈，每次只讓模型做一個小任務就結束
Remotion 2 場: 014開源的影片製作工具，這場的慶祝影片就是 agent 裝上它的最佳實務技能做的; 065用 prompt 生成影片的 skill，會在 localhost 開網頁編輯器可即時修改
RunPod 2 場: 161Audry Hsu 任職的雲端 AI 基礎設施公司，自有 GPU 硬體; 166Audry 任職的 AI 雲端基礎設施公司，提供 GPU 與算力
SKILL.md 2 場: 060skill 的主檔，frontmatter 必填 name 與 description; 065skill 資料夾裡的主檔，開頭的 front matter 寫 name 與 description
Sentry 2 場: 128Priscila 任職的公司，從錯誤與效能監控長成完整的可觀測性平台; 130Daniel 任職的公司，在那裡維護 Rust SDK
Serverless 2 場: 161RunPod 的自動擴縮產品，適合突發或批次工作，worker 閒置時不收費; 166依請求量自動擴縮 worker、沒請求就縮回去的部署方式，這場的主角
Shopify 2 場: 028Gergely 的案例：2021 年成為最早拿到 GitHub Copilot 的外部公司，約 3,000 人回饋; 156Marlene 提到正在做 MCP apps 的公司，重點是維持品牌體驗與在聊天內結帳
Skills 2 場: 010用文字描述、依開放規格寫的輕量外掛，agent 依任務需要才載入，用來補領域知識與固定流程; 046可重複使用的指示，可附腳本與資源
Snorkel 2 場: 146Kobie Crawford 任職的公司，自稱 Frontier AI Data Lab，替基礎模型產出可以 hill climb 的資料集; 170Kobie 任職的公司，做有專家參與的高品質資料集
Symphony 2 場: 017他們釋出的 agent orchestrator，Ryan 用它帶出「程式碼是編譯產物」的想法; 118OpenAI 的專案，建在 Linear 上；repository 裡附有詳細規格，Lou 的 demo 拿它當題目
Terminal Bench 2 場: 153押注 CLI 作為 agent 通用介面的 benchmark，2.0 版搭配 Harbor; 158由史丹佛的人做出的 89 題 coding 評測，可搭配任何 coding agent CLI
Turbopuffer 2 場: 149Kuba 任職的公司，建在物件儲存上的 serverless 全文與向量搜尋資料庫; 167Kuba 任職的公司，Cursor 是它的客戶之一
Unblocked 2 場: 057Peter 所屬公司的產品，這場以它的做法為例，介面包括 MCP server、CLI、儀表板與 Slack; 126Brandon 任職的公司，產品是提供 context 給 agent 的 context engine
WorkOS CLI 2 場: 065WorkOS 的命令列工具，install 指令由 skills 驅動，底層用 Claude Agent SDK; 137WorkOS 給客戶用的工具，主打自動判斷專案並裝好 AuthKit
agent card 2 場: 012A2A 協定裡描述 agent 身分、endpoint、能力、模態與驗證需求的文件; 141來自 A2A 規格、描述 agent 能做什麼的文件，Willmott 說光有它不夠評估
agent skill 2 場: 062在 Gallery app 裡載入、在裝置上執行的小功能，例如查 Wikipedia、記錄睡眠與心情; 071用 Markdown 寫的說明，名稱與描述放進 system prompt，需要時才把內文載入 context window（progressive disclosure）
agentic search 2 場: 071讓 agent 自己決定要不要搜尋、用哪個工具、搜幾次，取代固定的檢索流程; 167常被等同於對檔案系統 grep，Kuba 的定義是給 agent 一組工具逐步找出並推理上下文
auto research 2 場: 085設定目標與 reward signal，讓程式自己調整、自我優化的簡單做法; 109讓 agent 針對目標函數提出 skill 改進建議，再由人審核
best of n 2 場: 046雲端任務同時跑多次再挑最好結果的做法; 048把同一個任務交給多個模型，各自完成後比較結果
bitter lesson 2 場: 017Ryan 用來判斷自己做的工具會不會被模型進步淘汰的參考; 139Philipp 收尾提到的原則，用來說明為什麼要為被刪除而建
capability-based security 2 場: 008只授予程式碼明確需要的能力，沒授權的就不存在；對照的是列舉所有要擋的東西的黑名單做法; 021能力要明確授予、而非預設開放的安全模型，Sunil 要聽眾牢記這個概念
dark factory 2 場: 018完全不審查程式碼、全自動產出的開發方式，Peter 不認同; 041六級中的最高級：人只給意圖與目標，agent 在看不見的地方出貨
deep module 2 場: 031John Ousterhout 的概念：功能多、介面簡單的模組，相對於 shallow module; 033介面小而功能多的模組，Matt 引用 John Ousterhout 的說法，相對於淺模組
deep research agent 2 場: 023這場的研究端：給主題後自己搜網頁、看 YouTube、補缺口，最後整理成 research.md; 139先回傳研究計畫讓使用者核准的 agent，Philipp 用它說明文字如何成為狀態
eval 2 場: 056針對 context 寫的測試，用來看某份 context 有沒有讓 agent 照規則做事; 098跑 prompt、取得輸出，再依評分標準判定通過或失敗的測試，Lawrence 稱為 AI 的單元測試
evals 2 場: 093對 agent 行為而不是程式碼做的測試，這場用來測 skill; 139取代單元測試的做法，量的是 agent 在多次執行中通過的比例
event sourcing 2 場: 089把所有發生的事都記成事件，狀態由事件推導出來；Jonas 認為這樣最好除錯; 125EXO 用的設計，每台機器寫自己的 append-only log，新節點加入時重播歷史
flow matching 2 場: 072Stephen 說的一般訓練方式，是 SelfFlow 實驗中的基線; 076與 diffusion 類似的方法，他們用它一次生成一幀的 37 個 token
golden data set 2 場: 091由人標註的已知答案集，用來檢查評審準不準; 160由信任的人標註的資料集，用來校準 LLM as a judge
golden set 2 場: 052一組刻意挑出的邊角案例，用來在上線前建立基本信心; 068示範中當標準答案的資料集，Samuel 說是用 Opus 4.6 跑類似腳本產生，自己檢查過不少，但不敢說百分之百正確
grill me 2 場: 031Matt 寫的 skill，要 AI 不斷追問計畫的每個面向，直到雙方有共識；據本人說 repo 有大約 13,000 顆星; 033Matt 自己的短 skill，逐題訪談並附建議答案，用來跟 AI 對齊
guardrails 2 場: 030限縮 agent 能編輯、能讀、能搜尋的範圍，藉此換取信任; 099harness 裡的規則，demo 裡是最多 6 步與訊息數上限，超過就中止或壓縮 context
harness engineering 2 場: 017這場的主題，指替 agent 設計環境、文件、lint、測試與 review，讓它能獨立做完整份工作; 118把 skills、AGENTS.md、單元測試等一切能給 agent 回饋的東西放進 repository
llama.cpp 2 場: 024Omar 示範裝置端推論所用的執行環境，也提到它被拿去在 Nintendo Switch 上試 Gemma; 088本機服務模型的工具，也內建 agent，給 Hub ID 就能啟動
n8n 2 場: 053Liam 任職的工作流程自動化工具，用視覺化節點串接服務，也能在欄位裡寫 JavaScript; 059Chris 原本用來做每週電子報的自動化工具，後來換成 skill
programmatic tool calling 2 場: 022又稱 code mode，讓模型寫腳本串接多個工具，不必每步都經過模型推論; 036讓模型產生程式碼來串接工具呼叫，Matt 預期客戶端會普遍採用
progressive discovery 2 場: 022不把所有 tools 一次放進 context，模型需要時才載入; 036不一次載入所有工具，而是需要時才逐步取得，是這場要解的核心問題
recursive language model 2 場: 045一種執行環境，Maxime 說小模型可以在裡面用 Python 繞過長上下文不足的問題; 121MIT 去年 10 月的論文提出的做法，把脈絡當成環境，由 agent 抽出子脈絡再交給相同的遞迴 agent
registry 2 場: 038MCP server 的官方登錄處，Karan 認為對企業並不完整; 056讓人搜尋、安裝可重用 context 套件的集中處
rollout 2 場: 146在容器化環境裡跑任務的一次嘗試，環境隔離後可以平行執行; 147RL 訓練時讓模型反覆練習的評估工作，高度平行
sandbox 2 場: 021Sunil 承認這個詞被用得很氾濫；這裡指的是起點沒有任何能力、只能執行程式碼的環境; 174iframe 的屬性，讓它進入 opaque origin，不與父頁面共用來源
satisfaction of search 2 場: 057借自放射科：找到一個解釋就停止搜尋，agent 也會這樣漏掉更重要的線索; 126放射科現象，找到一個答案就停止搜尋；Brandon 用它解釋 agent 為何找到第一筆資料就停
security invoker 2 場: 060讓 Postgres view 套用 RLS 政策的旗標，沒加時 view 會繞過 RLS; 093在 view 上設 true 才不會繞過 RLS，沒設的話 view 會露出 table 預設不露的資料
session 2 場: 037ACE 裡做事的單位，是多人聊天室，也是一台有自己 Git 分支的雲端 micro-VM; 160記錄使用者與 agent 來回對話與狀態的層級
software factory 2 場: 041Eric 的比喻：把規劃、產出、審查、測試都建成可重複的流水線，由 agent 去跑; 118逐步把人移出 SDLC、讓工作自動從開發流到上線的做法
streamable HTTP 2 場: 009讓 MCP 遠端部署、多個 client 共用、可水平擴充的傳輸方式，相對於本機的 stdio; 022目前的 MCP 傳輸方式，David 說對大型雲端業者很難擴展
tmux 2 場: 016那個極簡 harness 只讓模型對 tmux session 送按鍵、讀輸出; 185終端機的視窗管理器，可分 pane、切換視窗，remobi 靠它承接 session
tool search 2 場: 022延後載入 tools 的做法，David 說 Anthropic 的產品與 API 已有; 036一個搜尋工具，依使用者問題做關鍵字比對，把相關的幾個工具載入 context，Matt 說 Claude Code 採用這種做法
trajectories 2 場: 068Samuel 的說法：類似 traces，是 agent 走到某個結果所經過的步驟序列; 069Raindrop 的檢視功能，可以用描述搜尋工具呼叫的順序與形狀
/loop: 059Claude Code 的功能，用 cron 排程反覆執行同一件事，Chris 說 session 約三天就要重開
10DS: 103Eoin 所在的 number 10 data science team，疫情期間成立，負責讓重大決策有最好的證據可用
26B MoE: 169mixture of experts，共 26 billion 參數，運作時只需要 4 billion 的空間
31B dense: 169Gemma 4 裡最強的一款，Gus 自己常用
80-20 hybrid approach: 16480% 讓 agent 自由研究、20% 的驗證與摘要用較死的規則管住
A2A registry: 012agent 的集中目錄，用 agent card 標準描述每個 agent
A2UI: 066他們說是 Google 的生成式 UI 協定，正在做互通
ACDC: 140agent-centric development cycle，Sonar 提出的 guide、verify、solve 三階段流程
ACE: 037agent collaboration environment 的縮寫，GitHub Next 的研究原型，Maggie 說還不是正式產品
ACL／grants: 144Tailscale 定義誰能存取什麼的政策檔與設定，可再放入 application capability 隨身分傳送
ACP (Agent Client Protocol): 111標準化 agent 與 client 互動的協定，Onur 說它不同於給模型工具的 MCP
ACPX: 118Lou 提到 OpenClaw 那邊建在 ACP 上、處理部分 workflow 的方案
ACP（agent to commerce protocol）: 157與 OpenAI 一起做的標準 API 與物件，描述商品目錄與結帳流程
ACW: 004After Call Work，通話後作業，指客服人員打字記錄、摘要並選擇處理代碼的時間
AFK: 033可以離開鍵盤的任務，與要人在場的 human in the loop 相對
AG-UI: 150一套協定與 SDK，可註冊對應到 React 元件的工具，讓工具呼叫的 props 變成畫面
AGENTS.md / CustomerMD: 080前者描述 agent 的角色與用法，後者寫某個客戶的特殊條件，例如存取權限與折扣
AGI pill: 049團隊做的「AGI 藥丸」，swyx 說可以開給 AI 採用程度不足的同事
AI Core: 058Android 的系統層 GenAI，Gemma 4 的 E2B、E4B 在它的 roadmap 上
AI DJ: 105可以用自然語言對話、由 Spotify 推薦並播放內容的功能
AI Edge Gallery: 114展示裝置端模型能做什麼的 app，可接 AICore，也可用自訂模型
AI Edge Portal: 062雲端的基準測試服務，用來評估模型能否穩定部署到大量不同的裝置
AI Gateway: 083全域 provider 的預設值，用模型字串就能呼叫各家模型
AI Opportunities Action Plan: 103Matt Clifford 約一年前起草的計畫，英國推動算力建設等進度現在有公開儀表板可查
AI S-BOM: 056Patrick 的比喻，用來記錄一份 context 是誰、用什麼模型做的
AI Safety Institute: 103英國評估前沿模型的政府機構，Eoin 稱它是世界第一個；10DS 從第一天就派 fellows 去支援
AI Singapore: 024訓練東南亞語言模型的團體
AI Tinkerers: 055Louis 發起倫敦分會的社群
AI achiever: 133Accenture 研究裡對少數成效突出公司的稱呼，Jess 與 Jack 說只有 12% 的公司達到
AI agent node: 053n8n 的 agent 節點，下方可接聊天模型、記憶與工具
AI builder: 053n8n 內建、可用提示改 workflow 的功能，目前只有 cloud 與 enterprise
AI gateway: 012開發者取用公司模型的統一入口，管驗證、預算與稽核
AI natives: 124Phil 對一類公司的稱呼：整個產品圍繞 agent 打造、團隊小而跨職能
AI slop: 184早期 AI 工具產出、得重寫的低品質程式碼，Chris 用來說明護欄為什麼必要
AMI: 154四到五人開會的資料集，同時有頭戴麥克風與桌面中央麥克風的錄音
ARC-AGI 2: 085Vincent 舉的謎題型評測，用來說明模型能 pattern recognition 並解題
ARIA: 121Adrian 稱為 UK Institute 的英國機構，Callosum 拿到它 3 million 的補助，要建英國第一個異質共置叢集
Ably: 100Mike 任職的即時訊息平台，提供各種即時與互動體驗的 SDK 與 API，包含 AI 體驗
Ably AI Transport: 100Ably 在做的 durable session 套用層，可接任何事件串流格式
Ably Channels: 100Ably 的共享資源，發布者與訂閱者經由它溝通；可獨立定址、持久、可續傳
Access: 036Cloudflare 的託管 IDP，示範中用來替部署的 worker 加上存取政策
Activation checkpointing: 162不存 activation，到 backward 時才重算，用算力換記憶體
Adam Smith 的 pin factory: 123Angus 用來說明資本主義傾向把任務拆成小而可重複的區塊，所以 workflow 往往更有效
AdamW: 061這場用的優化器，搭配暖身與餘弦衰減調整學習率
Adaptive Engine: 084公司的 RL Ops 平台，把觀察、訓練與服務放在一起，並提供預建的訓練 recipe
Adaptive ML: 084Alessandro 共同創辦的公司，做 RL Ops 平台，讓大型企業訓練、評估並部署自己的專用模型
Agent Bricks: 177Databricks 正在做的產品，把五根支柱的各項作業做成開箱即用
Agent Skills 開放標準: 060Pedro 採用其 eval.json 結構來設計測試案例的標準網站
Agent exams: 122對 agent 貼一行 prompt 就能參加的標準化考試，結果放上排行榜
AgentCraft: 035Ido 做的 orchestrator，用遊戲式介面同時指揮多個 coding agent
Agenta: 011Mahmoud 共同創辦的開源 LLMOps 平台，涵蓋觀測、prompt 管理與評估
Agentic GraphRAG: 131使用者提問後，agent 先查自己的知識，沒有就到圖資料庫去查再回答的做法
Agentica: 170與 RLLM 相關的 Berkeley 專案，也發了一篇合作文章
Agents SDK: 163其中一位講者說它比較像執行環境而不是函式庫，LangChain、AI SDK 都能搭配，不一定要用它的函式庫
Agents of Chaos: 018一篇被 Peter 批評的論文，用 OpenClaw 架構當例子，卻略過安全文件
AirSkills: 059Chris 自己在做的 skill 打包與版本管理產品
Alpic: 174Fred 任職的公司，自稱 MCP 託管公司，也是 Skybridge 的開發者
Alternating attention: 015局部與全域注意力交替使用，降低運算與記憶體需求
Amplifon: 012Sonny 任職的公司，全球助聽服務龍頭，這場講的是它內部的 AI 平台
Amplify: 012Amplifon 在 2025 年 1 月推出的全球跨部門 AI 導入計畫，這套平台是其中一環
Andrej Karpathy: 112Ben 提到 Karpathy 用 Claude Code 改進 NanoGPT 訓練腳本，啟發了 Auto Lab
Anteria: 097Chris 擔任第一位技術員工的新創，第一個產品做 prior authorization
Antigravity: 119Google 的 agent 開發工具，介面像 Visual Studio 風格的 IDE，背後有可同時開多個 agent 的 agent manager
Apache 2: 024Gemma 4 改用的授權
Apache 2.0: 169Gemma 4 改用的授權，取代先前自訂的 Gemma 授權
Aperture: 144Tailscale 做的 AI gateway，放在 tailnet 上當節點，集中管金鑰、用量、權限與 tool call 紀錄
Application Insights: 090要先接上它，Foundry 裡的 agent 才有 trace 可看
Arc AGI 2 / Arc AGI 3: 153ArcPrize Foundation 的 benchmark，Vincent 說 Arc AGI 3 剛推出時，前沿模型都不到 1%
Architect: 097領域專家設計會自動改進、從使用者互動中學習的系統
Arena: 034Peter 任職的公司，用匿名兩兩對戰、使用者投票的方式發布模型排行榜
Arize AX: 160Arize 給大型企業用的產品，Dat 提到的客戶有 Uber、Booking、Reddit
Artificial Analysis: 142Bertrand 拿來對照名次的另一個排行榜，說樣本約幾千筆
Ask Mode: 001Kilo 裡只能對話、不能寫檔的模式，用在研究階段
Atlas: 007Banking Circle 內部給所有技術團隊用的平台，下分運算、基礎設施、訊息傳遞、可觀測性幾個子平台
AuthKit: 137WorkOS 的產品，CLI 的安裝功能就是在替專案裝它
AutoConnect: 155讓使用者把正在看的畫面分享給 coding agent 一起除錯的功能，每次都要使用者同意
Autodesk: 066他們舉的例子：重型應用每次重新渲染都很慢
Automations: 046排程在背景執行的指示，類似 cron job
Awesome Copilot: 110Liam 這邊經營的開源專案，收集 Copilot 的客製化設定，也有對應的 MCP server，內容也能改給其他 AI 工具用
Azure Monitor: 090彙整各服務遙測的平台，可把 AI 的追蹤一併送進去對照
BDD: 148Behavior-Driven Development，用人話描述產品行為，並能直接執行成測試
BM25: 167Kuba 舉例的全文檢索方法，與 grep、glob、regex 同屬檢索手段
BPE: 061從訓練資料找常見字元組合並合成 token 的分詞方式，大實驗室目前最常用
Band-aid: 123Angus 對多數 LLM 工具的稱呼，指暫時、表面、只遮住症狀的補丁
Banking Circle: 007Juan 任職的公司，做跨境支付，提供銀行服務給超過 700 家受監管的金融機構
Baz: 002Nimrod 任職的公司，做 AI 程式碼審查，spec reviewer 是其產品之一
Beads: 059可以取代純文字 ticket 資料夾的 ticket 工具，Chris 建議有興趣的人試試
Benchmarks: 122讓使用者寫 task、選模型、彙總成 benchmark 並分享的平台
Benji: 032Kitze 自 2022 年做到現在的個人 app，想把待辦、習慣與行程整合在一起，以自己的狗命名
Bertrand Charpentier: 142來自 Pruna
Bitly: 120Michael 任職的短網址公司，在那裡帶幾個工程團隊
Bitter lesson: 123Angus 提到的一張知名圖，用來說明近年進步更多來自蠻力式的模型改進，而非實質突破
Black Forest Labs（BFL）: 072Stephen 任職的公司，總部在 Freiburg，做 Flux 系列，也與企業客戶合作
Boris: 149Kuba 形容為 Claude Code 的創始人，並轉述 Boris 的推文，說早期版本曾用過本地向量資料庫
Boris Cherny: 167Kuba 稱為 Claude Code 的奠基者，轉述的推文說早期 Claude Code 試過本地向量資料庫，效果不好
Bradley-Terry: 122Game Arena 用來做 pairwise 比較、減少需要跑的場數的方法
Brandon: 057Peter 的同事，協助 Q&A 與 workshop 現場
Brendan O’Donoghue: 152Google DeepMind 的 research scientist，研究文字擴散
Brian Armstrong: 028Coinbase 的 CEO，Gergely 舉 Brian 要求全員使用 AI 工具、並開除一位工程師的例子
Bright Data skills: 159放在 GitHub 上，教 LLM 如何用 MCP 抽 HTML、找 selector 並建出爬蟲
BugBot: 041Cursor 的 PR 審查工具，Eric 的例子是用它擋下不該用的 foreign key
Build: 044AI Studio 裡的做 app 功能，Paige 說用起來跟 v0.dev 或 Lovable 很像，已支援資料庫與登入
BullshitBench: 034Peter 自己做的 benchmark，用無意義的問題測模型會不會直接指出問題不成立，題目與結果都是開源的
CAPTCHA: 176驗證碼；Rafael 說 agent 遇到時不會回報，而是繞路或編造結果
CEO agent: 014使用者下指令的對象，負責拆解任務、雇用其他 agent、安裝技能
CLI: 181Johan 做的測試工具形式，選 CLI 是因為喜歡簡單，也可以做成 skill 或 MCP
CLS token: 015把整段輸入濃縮成一個表示、交給分類頭的特殊 token
CRIU: 0792011 年出現、能從 user space 暫停並還原 process 的工具，Trigger.dev 在改用 Firecracker 之前用的就是它
CRUD-based tools: 129對資料庫或外部系統做新增、讀取、更新、刪除的工具，Phil 把它和取資料的工具分開談
CVSS: 018漏洞嚴重度評分；Peter 說依規則算出 10 分，實務影響卻很小
Callosum: 121Adrian 任職的公司，是 founding engineer
CapCut: 143Joe 在手機上剪影片的工具
Case: 137Nick Nisi 做的內部 harness，丟給它 issue、PR 或 Slack 討論，它會做到產出附證據的 PR 為止
Catch Me Up: 128Priscila 自己寫的本機 skill，把理解程式庫的提問分成六種探索模式
Chandra OCR: 088OCR benchmark 上排第一的模型，Merve 提醒別被榜首迷惑
Chat SDK: 026Malte 自己在做的工具，把 agent 接到 Slack、Telegram、WhatsApp 等聊天軟體
ChatHub: 053n8n 內建的聊天介面，chat trigger 勾選後就能直接在裡面和 workflow 對話
Choreography pattern: 177各 agent 獨立並行，透過 message bus 聽取自己關心的事件，不必來回等協調者
Chrome Canary: 171Tara 建議用來試 WebMCP 的 Chrome 版本，可以和日常瀏覽器分開
Chrome DevTools MCP: 010讓 agent 呼叫 Chrome DevTools 功能的 MCP server，可以操作頁面、讀 console 與網路請求、跑 Lighthouse
Chrome DevTools for agents: 155Chrome DevTools 團隊專為 agent 打造的版本，以 MCP server 提供，也有 CLI
Claude Code channel: 086研究預覽中的功能，是能把事件注入執行中 Claude Code 工作階段的 MCP server
Claude Cowork: 127Mardu 用來說明透明執行的例子，介面上有進度清單與完整的工具呼叫輸入輸出
Claude Managed Agents: 038Karan 提到的近期發表產品，說 MCP gateway 可以接上它
Claude Opus: 092Mike 從 11 月開始自己實驗用的模型
Claude hook: 182讓 Claude 在 session 結束等時機呼叫外部程式的機制，Vector 靠它觸發
ClawSpace: 183Nick 在手機上做的小專案，用來看與編輯 workspace 檔案
Clay MCP: 003用來搜尋人脈系統裡可能對某些文章有興趣的人，Šimon 說這是整套裡最弱、跑得最久的一環
ClickHouse: 132Braintrust 早期使用過的資料庫，後來因為文字索引需求而換掉
Cloud Act: 106Bilge 提到的 SaaS 風險：資料即使都放在歐洲，供應商仍可能取得執行中的資料
Cloud agents: 104第四層的做法，每個 agent 有獨立機器、沒有本機依賴
CloudWatch: 077Mehedi 拿來對照：沒有自建工具時要在這裡下複雜查詢找失敗原因
Cloudflare AI Labyrinth: 176Cloudflare 推出的機制，偵測到機器人時不擋，而是提供假資料讓它誤信
Cmd+Ctrl: 120Michael 自己寫的工具，現場唸作 command and control，用手機、網頁或手錶監看與操作多個 coding agent
Code mode: 163讓模型產生程式碼再執行；其中一位講者說可用它讓 MCP server 以約 1,000 tokens 涵蓋 Cloudflare 的 2,600 個 API endpoint
Codex Security: 046逐 commit 找 GitHub 專案漏洞並產出修補的功能
Codex Spark: 113Cerebras 與 OpenAI 約一個月前推出的程式碼模型，Sarah 說每秒可生成 1,200 tokens
Cognition: 049swyx 提到自己曾加入、也因此開始認真使用編碼 agent 的公司
ColBERT: 064Filip 舉的 late interaction 模型，輸出是多個向量而非單一向量
ColGrep: 071LightOn 做的語意 grep 工具，基於多向量嵌入
Comet: 085Vincent 自述工作的地方，做 eval 研究並替許多公司跑 benchmark
Conformer: 039E2B 與 E4B 的音訊編碼器，305 million 參數，輸入 audio tokenizer 產出的 embedding
Constrained decoding: 058限制模型輸出格式的解碼方式，這場用在工具呼叫上，限定到特定工具
Context development lifecycle: 056Patrick 提出的四步迴圈：產生、測試、散布、觀察，再回頭調整
Context window: 123模型一次能處理的內容範圍，Angus 認為 agent 近年的進步主要靠它變大，但永遠不會夠用
Context7: 001Brendan 舉例的 MCP，用來查最新的框架文件
ContextBench: 149公開論文提出的基準，看 coding agent 過程中有沒有找到對的檔案、行與符號，而不只看最後解沒解出題
Contoso: 090Microsoft 常用的虛構公司，這場拿來當旅遊 agent 的情境
ConvNeXt: 073把 ViT 的設計經驗搬回卷積網路的做法
Convex: 172Studio 用來存狀態的地方，讓資訊跨 session 保留
Core ML: 082Prince 說啟用 Neural Engine 必須經由它，並說目前體驗不好
Cowork: 080Claude 的桌面版，把 coding agent 包進更貼近一般使用的形式
Crash Bandicoot: 123Angus 舉的例子，說這款遊戲的開發者在 PS2 上善用記憶體功能，從限制中換到大幅改進
Cristina Poncela Cubeiro: 020講者之一，自稱原生 AI 工程師，加入 Earendil 前在 Bending Spoons
Cross-App Access（XAA）: 042讓身分供應商在 MCP client 與 server 之間當信任方，免去逐一同意的做法
Cucumber: 148Michal 拿來寫可執行場景的 BDD 工具，場景再由 steps 解析成程式執行
Cursor 3: 041Eric 說幾週前發表、完全重寫的版本，不再基於 VS Code，改成以 agent 為主的介面
Cursor CLI: 048可以 headless 執行，David 拿來跑 evals
Cursor Workers: 041Eric 說前一天發表的架構，把雲端 agent 的編排用在自己的任何機器上
Custom agent: 184有角色、可規劃與推理、能用多個 skill 與 MCP server 的 agent，比 skill 高一層
DER: 154diarization error rate，把混淆、誤報、漏報加起來，除以總說話時間
DGX Spark: 013NVIDIA 的桌上型系統，Mozhgan 拿來在本機跑與測試模型
DHH: 095Rails 作者，2014 年發文批評過度偏重單元測試
DINOv3: 073自監督的 ViT 預訓練方法，特徵圖在 PCA 分解後有語意
DORA metrics: 007衡量應用程式交付的指標，Juan 提到變更頻率、平均恢復時間與前置時間
DSPy: 068另一個 agent 框架，Samuel 說它很早就有優化的概念，但嫌它不是 type safe
DX: 094Intercom 用來衡量開發者生產力的工具之一
Dale: 180Danielle 與 David 合作的一位導演，示範 key art 流程的影片出自他
Dan Shapiro: 041Eric 引用其文章，其中把軟體自動化分成六個階段
Dat Ngo: 160Arize 的 AI architect，服務全球的大型企業
Daytona: 158Ara 舉出的另一種可用來跑評測的基礎設施
Decagon: 147Benjamin 提到的 Modal 客戶，說法是 Frontier Labs 想讓模型什麼都贏，自家只要在業務邏輯上贏
Declarative UI: 150agent 輸出 JSON、YAML 或 Python 描述檔，由客戶端對應到預先定義的元件
Deep Research: 047Philipp 拿來示範 agent 的內建研究 agent，可背景執行
DeepSpeed Ulysses: 162Microsoft 最先提出的 context parallelism 技術，每張 GPU 負責一個 attention head，但仍對整條序列算 attention
Delta Lake: 177Databricks 平台上替原始資料加上類似資料庫表格特性的一層
Demand-Driven Context: 063講者提出的方法：用 agent 做不出來的問題逼出缺的知識，再整理回知識庫
Design Arena: 142Bertrand 舉例的影像編輯排行榜，第一名是 ChatGPT image
Devin: 049Cognition 的編碼 agent，這場的案例幾乎都靠它完成；swyx 說自己現在是 Cognition 的顧問
Dex Horthy: 001Brendan 兩度引用 Dex 的說法：研究做錯會放大成大量壞程式碼，AI 只會放大你已經做過的思考
Disaggregated inference: 113把 prefill 與 decode 拆到不同硬體執行的做法，Sarah 說近幾個月已商用化
Docker sandbox: 059Chris 提到的隔離方式，用 docker sandbox 指令在容器裡跑 Claude
Docling: 006出自 IBM Research Zurich 的開源文件解析專案，處理 HTML、Word、投影片、音訊影片與 PDF 等
Dotta Bippa: 014Paperclip 的作者，這場的講者
Draft PR: 184agent 做完工作後交出的成果，由人審查、決定要不要 merge
DreamShaper: 166以 Stable Diffusion 1.5 微調的模型，Audry 說更適合藝術與插畫風格
DuckDB: 043舊架構裡在瀏覽器端做第三層聚合用的工具
Durable Object: 008有狀態的協調者，負責驅動沙箱的生命週期
Durable Objects: 163Cloudflare 的有狀態 serverless 單元，讓請求與 WebSocket 連線落在同一個實例，兩人視為 agent 的基礎
Durable Sessions: 100位於 agent 層與 client 層之間的共享、持久、有狀態的媒介，兩邊都透過它互動
Dynamic Worker: 036Cloudflare 的功能，可從字串執行一個 worker，也就是 V8 的 isolate，用來隔離不受信任的程式碼
E2B／E4B: 117為手機與小型硬體設計的 effective 模型，靠 per-layer embeddings 把部分參數放在 flash
ELO score: 142排行榜用來比較模型品質的分數，不同榜的範圍不一樣
EQVAE: 027一篇改善 autoencoder 訓練的論文，Sander 借它的 latent 可視化來說明 latent 仍看得出動物
ESQL: 071Elasticsearch 的管線式查詢語言，用來篩選、轉換與分析資料，Leonie 在 demo 裡讓 agent 直接寫 ESQL
EXO: 125Alex 的實驗室與同名軟體，用來把多台裝置串成一個 cluster 跑本地模型
Earendil: 020兩位講者共事的公司，Armin 說他們在這裡試著弄懂各種 AI 的事
Echo Script: 165用 Google AI Studio 做的音訊分析示範應用，可在 AI Studio 的 gallery 找到
Edit Prediction: 138編輯器根據最近的編輯、游標位置與周邊定義，預測使用者下一步要做的修改
Effect: 070這場示範用的 TypeScript 函式庫，做法是把它的原始碼放進專案給模型讀
Effect Cluster: 070讓流程在伺服器掛掉後換到別處繼續跑的叢集機制，Effect 的 workflows 建在它上面
Effective 2B / 4B（E2B、E4B）: 039給手機、平板、筆電用的小模型，運作所需參數比全部表徵參數少，輸入含文字、視覺、音訊
ElevenLabs agents platform: 143全託管的 agent 部署平台，雕像 app 用它建立 agent 並撥出電話
ElevenLabs v3: 178負責文字轉語音，可以在文字裡標示情緒，例如興奮
Entra ID: 012gateway 用它做身分驗證的整合，字幕拼成 intra-id
Environments Hub: 005與 Verifiers 緊密整合、讓社群分享 RL 環境的地方
Eval: 043在 agent 上線前實驗時用來建立信心的評估
Evaluator: 097領域專家定義怎麼衡量品質並建立衡量系統，改進主要由工程師做
Evidence Tool: 002V4 新建的工具，專門在流程結尾拍證據截圖
Excalidraw: 156Marlene 舉的例子：它的 MCP server 用 MCP app 產生可拖動、可改文字的圖，常拿來畫架構圖（字幕拼成 Excalibur）
Extract: 103和 DeepMind 合作、建在 Gemini 上的工具，把規劃申請流程大量數位化，包含手寫與手繪地圖
FGN: 019Functional Generative Network，把氣旋辨識等直接放進網路的最新天氣模型
FOMAT: 120Fear of Missing Agent Time，Michael 自創的詞，指人不在 agent 旁邊而錯過它等你的時間
FSDP: 162fully sharded data parallelism，把模型參數切分到多張 GPU
Fabro: 118Lou 提到 GitHub 上有人在試的 workflow 方案，說還很初期
Facebook Instant Games API: 143已被棄用的 Facebook Messenger 小遊戲 API，Joe 用它搭一個買來的遊戲做到 1500 萬用戶
Falcon: 084Alessandro 約三年前參與訓練、說是當時採用度最高之一的開源模型
FastGen: 175NV research 團隊開源的蒸餾框架，整理大模型的後訓練與分片流程
FastRP: 096Stephen 舉的圖嵌入方法，用來做向量查找，當作進入圖的起點
Fellowship program: 10310DS 的跨政府轉型計畫，把外部技術人才派進政府團隊，也是這場的主要內容
Few-shot library: 004用幾個範例讓 LLM 把摘要拆成客戶詢問與客服動作兩份清單
Figma: 049設計稿工具，這場是 Devin 把設計稿做成網站的起點
Fin: 094Intercom 的客服 AI agent，Brian 說已有自家模型負責英文文字對話
FinQA: 170Snorkel 建的金融問答環境，內含 290 題的基準與 79 題的 FinQA reasoning 基準
Firebase AI Logic: 114混合推論的入口，有 Gemini Nano 就用本機，否則改跑雲端；也能連到雲端的 Gemini API 與 Vertex AI
Firecracker: 079Trigger.dev 去年改用的 microVM，能 snapshot 整台機器
Flash: 166RunPod 的 Python SDK，讓函式從本機開發環境直接部署到 GPU 雲端
FlashAttention: 015分塊在晶片內記憶體計算注意力，減少記憶體搬運
Flux 1: 0722024 年 8 月釋出的開源文字生圖模型
Flux 2: 07211 月釋出的模型，生成與編輯合一，最多吃 10 張參考圖
Flux 2 Klein: 0721 月釋出的近即時生成與編輯模型，有 4b 與 9b 兩種大小
Flux Context: 072Stephen 稱為第一個開源編輯模型，同時做文字生圖與圖像編輯
Flux2: 175Black Forest Labs 的影像模型，Ziv 以它示範動態量化
Flywheel: 043Phil 對 observability 與 evals 互相餵資料的循環的稱呼
Foundation Capital: 096發表「3 兆美元新創機會」文章、帶起 context graph 討論的投資機構
Foundry control plane: 090Foundry 裡集中管理與觀測 agent 的部分，Amy 說也能納入其他地方建的 agent
Framer Motion: 145範例中 agent 抱怨 TypeScript 型別太繁瑣的函式庫
Frontier API: 147模型光譜的一端，可快速做出東西，但除了 prompt engineering 幾乎無法客製
Fujitsu North America: 004Dippu 任職的公司，在那裡主導新興資料技術與 AI 架構的計畫
Function Gemma: 058270M 參數、專做 function calling 的模型，可再微調
FunctionGemma: 108270 million 參數、專攻 function calling 的小模型，可微調
GB10 Grace Blackwell Superchip: 013DGX Spark 的核心晶片，結合 CPU 與 GPU 並採統一記憶體架構
GDS（Graph Data Science）: 136Neo4j 的圖資料科學工具，示範裡用它做 graph embedding
GGUF: 088模型頁上的檔案格式區塊，附硬體相容資訊
GLIDE: 027OpenAI 的早期大規模像素空間擴散模型，Sander 用它的論文展示有無 guidance 的差異
GPQA: 153研究所與專業知識的 benchmark，附錄裡有多位審題者的對抗式品質控管與獎勵機制
GPT-2: 061這場訓練的小模型所採用的架構，Angelos 說基本零件至今沒有太大改變
GPT-3.5 Turbo: 099demo 刻意選用的舊模型，用來證明 harness 可以補足模型的弱點
GPT-5: 176這場 demo 用來跑對照實驗的模型，沒接 MCP 時說自己沒有即時網路存取
GPT-5 Mini: 005這場拿來當基準，也用來產 SFT 資料的模型，Stefano 稱它為 teacher model
GPT-5.3-Codex-Spark: 046與 Cerebras 合作的研究預覽模型，VB 說只處理文字、速度很快
GSPO: 084Alessandro 提到的最新 RL 演算法之一，平台已有預建 recipe
Gallery app: 062Google 做的開源試玩 app，示範 agent skill、音訊轉寫、ask image 等裝置端功能
Game Arena: 122讓模型玩 werewolf、poker、chess 互相對戰，以 ELO 類型評分的 benchmark 平台
Gamma: 051Mayank 用來說明客戶看簡報數量、不看 API 呼叫數的例子
Gastown: 112Ben 說自己也在這上面實作過，但形容是「Wild West」，放在另一個專案
Gemini: 169Google 自家最強的專有模型，要透過 API 使用
Gemini 3 Flash Preview: 165Echo Script 示範用的模型，一次請求就抽出講者、情緒、翻譯與摘要
Gemini 3.1 Flash-Lite: 117Paige 示範用來分析影片與畫邊界框的低成本模型，現場說的價格約每百萬 token 25 美分
Gemini 3.1 Pro: 178agent 底層使用的模型，Stephan 說它對棋的理解比之前的模型好
Gemini API / Google AI Studio: 107Patrick 所在的團隊負責的產品；API key 在 ai.studio 免費取得
Gemini Diffusion: 152Brendan 的團隊一年前釋出的研究預覽，用擴散而非自迴歸的方式生成文字
Gemini Live: 044即時對話模型，可接收螢幕、影像與音訊，並能呼叫函式與 Google Search
Gemini Live API: 047以 WebSocket 即時收發文字、音訊、影像的 API
Gemini Nano: 114這場介紹為 Google 最有效率的裝置端模型，與 Gemma 4 同架構，針對 Android 裝置最佳化
Gemini agent skills: 047為 coding agent 準備的 skill，讓它知道可用的 Gemini 模型與文件位置
Gemma: 024Google 的開放模型家族，模型可下載、可微調
Gemma 4（E2B／E4B）: 058上一週發表的小尺寸模型，支援音訊、影像與文字，採 Apache 2.0 授權
Gemmaverse: 024Omar 稱呼 Gemma 衍生出的社群模型與生態
GenCast: 019GraphCast 之後的機率式天氣模型，更準也更有效率
GenMedia: 102Guillaume 負責的圖像、影片、音樂與語音生成模型，這場的主題
Generative UI: 150由模型決定並產生介面，這場分成靜態、宣告式、生成式三個層次
Ghost Pepper: 173Zack 在 Q&A 提到的本機開源語音輸入工具，形容像 whisper flow
Git hooks: 148在 commit 與 push 時跑 lint、格式、型別檢查等任務，CI 上跑同一批
Git worktree: 048獨立的 checkout，讓多個 agent 平行作業而不干擾彼此
GitHub Archive: 151SWE-rebench 抓大型專案 pull request 與 issue 的主要來源，小專案改用 GitHub API
GitHub Copilot: 110這場主要示範的 AI 程式助理，Liam 說這些做法也適用其他 AI agent
GitHub MCP server: 040Sam 負責開發的 server，去年四月開源本地版本，也有遠端版本
GitHub Next: 037Maggie 所屬、做比較實驗性與冒險賭注的團隊
Glass: 041Cursor 3 的介面名稱，示範中 agent 用它測試鍵盤導覽的改動
Go pprof: 156Go 內建的剖析工具，Liam 的 MCP server 以它取得資料
Google AI Studio: 047試用模型、產生 app 與取得 API key 的工具
Google Colab: 061沒有足夠記憶體的筆電可改用它的免費 GPU，Angelos 提醒要把執行環境改成 T4 GPU
GothamChess: 178Stephan 舉例的知名實況主，不會講解一般玩家的棋局
Gottfried Leibniz: 081微積分的發明者之一，Fryderyk 在結尾引用 Leibniz 十七世紀時的話，呼應自動化認知工作的願景
Gradium: 075Neil 的公司，只做語音模型的基礎積木，不做 orchestration 與特定產業應用
Gradium Phonon: 075裝置端 TTS，在手機 CPU 上跑，開放私人 beta
Grafana / Datadog: 132傳統觀測工具；Phil 說 Braintrust 自己也在用 Datadog 看網站錯誤
Granite Docling 258M: 006Docling 的 VLM pipeline 使用的視覺模型，一次完成 PDF 的擷取
GraphCast: 019用球面圖神經網路預測最多 15 天內全球大氣狀態的模型
GraphRAG: 057Peter 提到它逐層摘要，難免跨越權限邊界，所以要劃出各自獨立的區塊
Greedy Coordinate Gradient: 015用梯度搜尋亂碼後綴的方法，目的是讓模型以肯定語氣開頭
Greptile: 014Paperclip 這個開源專案用它做社群貢獻的第一輪程式碼審查
Grok 4: 178Stephan 說去年秋天用過的模型裡表現最好的
Grouped query attention: 039多個 query 共用一組 key 與 value；local 層兩個一組，global 層八個一組
Guardian approvals: 046實驗功能，由 sub-agent 判斷有權限的動作是否要請人核准
Guillaume: 044做出 Lyria Studio app 的同事，在會場後排
HELM: 153Stanford CRFM 做的模組化評估框架，用來在標準測試平台上比較模型與情境
HF jobs: 112Hub 上執行訓練工作的功能，worker 用它啟動需要硬體的訓練
HF papers: 112有 CLI 的論文搜尋服務，researcher 用它找論文
HTTP transport: 116MCP 的網路傳輸方式，伺服器聽一個 HTTP 端點，靠 POST 請求溝通
Hamel: 011hamel.dev 的作者，Mahmoud 認為錯誤分析與標註流程 Hamel 講得最好
Happy: 185講者提到的手機 app，只支援 Claude Code，並使用 relay server
Harbor Framework / OpenEnv: 146Kobie 舉例的、用來建立評測與 RL 任務環境的框架
Harness: 122agent 跑在其中的外層程式環境；Michael 引的部落格文章說它對 coding 表現的影響很大
Harness Engineering: 137Ryan Lopopolo 的做法，Case 照它的想法做；Nick 轉述他的團隊只改 harness、不直接改程式碼
Harshil Agrawal: 008Cloudflare 的 Senior Developer Educator，平常用 AI 做東西，也教別人怎麼做
Harvey: 127Mardu 用來說明個人化與可還原的例子，有 playbook、memory，並以 Microsoft Word add-in 的形式運作
Hiera: 073論文宣稱相同準確度下比 ViT 快的模型，但論文註明沒有用 flash attention 量測；SAM2 用的就是它
Honeycomb: 094他們用來記錄 skill 被呼叫情況的觀測工具
Hooks: 046實驗功能，在 tool use 後、session 開始或停止時觸發指定動作
Hugging Face Skills: 112放較實驗性 skill 的 repo
Hugging Face 的開源儀表板: 112reporter 用來記錄各次執行的指標，資料層是 parquet，agent 不用介面也能直接讀資料、自己畫圖
Hugo Santos: 087Namespace 的 CEO，曾在 Google 帶領微服務，這場後半段由 Hugo 主講
IDJAG: 042Identity JWT Authorization Grant，XAA 所依據的規格，也指 IdP 發出、可跨服務使用的 token
IDP: 038身分提供者，Karan 說 gateway 可以接上企業自己的 IDP
IKEA: 063講者任職的公司，講者說平常在工作上用 Copilot 實作
IPC API: 077Electron 裡呼叫系統 API 的介面；Granola 把它抽象化，在網頁環境退回網頁標準
ITSM: 177企業既有的事件通知系統，事故手冊要串接它才能通知對的人
IT／PT 檢查點: 058PT 是預訓練後直接釋出，IT 是已做過指令微調的版本
Ian Cooper: 095Marlene 推薦的講座「TDD where it all went wrong」的講者
IdP: 042身分供應商，公司員工 SSO 登入的來源
Incident.io: 098Lawrence 任職的公司，做事故應變管理平台，正在做 AI SRE 產品
Incubator for AI: 103從這個計畫分出去的團隊，替公共部門孵化 AI 解決方案，早期技術成員多半是 fellows
Inference Providers: 088Hub 上的服務，把請求路由到不同供應商，方便比價格與速度
InjecGuard: 015微調用的資料集，Diego 說有 75,000 筆標註樣本；字幕拼成 InjetGuard
Insiders mode: 040開啟實驗功能旗標的模式，用來提前釋出實驗
Issues: 069Raindrop 的功能，會挖新出現的問題，例如新的例外
Iterate: 089Jonas 任職的公司；用自己的話說，現階段比較像自製的 hacker 俱樂部，還沒有上市產品
JAX: 027Sander 的團隊用來建模的框架，用它的 pjit 做自動分片
JSConf EU: 026Malte 過去在柏林辦的大會，2019 年夏天收掉
JSON Render: 150Vercel 做的工具，用 JSON 與 YAML 描述並對應元件
JVector: 006OpenRAG 預設的 OpenSearch KNN 外掛，可即時索引，索引不必整個放進記憶體
Jace: 081公司更早的產品，先是瀏覽器 web agent，後來成為 email agent，Fryderyk 說現在仍在運作
Jeff Dean: 167Kuba 轉述了 Jeff Dean 談大上下文視窗與分階段檢索的說法
Jennifer Aniston cell: 019神經科學概念，指一小群神經元專門編碼某個特定的人或物，不論看到圖片、影片或聽到聲音都會啟動
Jeremiah Lowin: 009FastMCP 的作者，主張 agent 需要專屬介面，也提出人與 agent 在探索、重試、context 三方面的差異
Jeremy: 009這場的第二位講者，在 Lenses 做 AI 工程，負責 OAuth 流程那一半
JinaGrep: 071Leonie 說是 Elastic 自家 Jina 出的語意 grep 命令列工具，這場用來做語意搜尋，還有分類與重排序等模式
Jobs: 088按執行時間計費的任務，結束就停，可由 agent 透過 MCP 或 skill 啟動
John Ousterhout: 031A Philosophy of Software Design 的作者，Matt 用這位作者的複雜度定義與 deep module 說明 codebase 設計
Joy 與 Bruno: 115Sally 的兩個 sub agent，一個提供占星週報，一個提供 Bruins 每日簡報
Jules: 119Ian 提到的 Google 工具，有網頁介面，可以對自己在 GitHub 上的 PR 做審查
Junior: 128Sentry 內部 Slack 裡的 bot，可分析討論串並開 PR
Just Bash: 026Malte 用 TypeScript 寫的 Bash 直譯器，給 agent 一個啟動時間為奈秒等級的類沙盒環境
Justice AI: 103司法部裡的新團隊，創辦人是前 fellow Dan James，把 forward deployed engineers 派進監獄與刑事司法體系
KV cache 重用: 113儲存並重用已算過的 token 表示，不必每一步重算注意力
Kaggle: 122Nick 與 Michael 任職的 AI／ML 社群平台，有 30 million 以上使用者，原以競賽聞名
Kaggle game arena: 086Kaggle 推出的基準測試，讓 LLM 玩各種遊戲互相比較
Kanban: 104Ara 推薦的 agent 操作介面，讓人像 engineering manager 一樣管理多個 agent
Karpathy: 150Ruben 引用 Karpathy 的說法，把和新電腦互動比作對著終端機說話
Kenton: 021據 Sunil 說是 Cloudflare Workers 的創造者，畫布井字遊戲那個例子也是 Kenton 做的
Kernelbench: 112Ben 提到的論文，用來說明 agent 能寫出有效且最佳化的 CUDA kernel
Kilo Code: 001Brendan 任職的公司與其 coding agent，示範用的 Ask Mode、slash 指令等都出自它
Kokoro: 134Andres 舉例的小型開源 TTS，只有 80 million 個參數
LCP、INP、CLS: 155網頁效能指標，Michael 說描述裡寫上它們，agent 就能聯想到該用效能追蹤工具
LDD: 092lightweight design document，由 agent 依過去的設計文件產生，先發給工程師回饋再建工單
LFM2: 005Liquid AI 的小型快速開源模型，是這場被訓練的對象
LFM2 / LFM 2.5: 045Liquid AI 的模型系列，Maxime 談的架構與訓練流程都以它為例
LLM jury: 045偏好對齊資料生成時，替每個 rollout 評分的一組 LLM 評審
LLM message router: 106Haystack 的元件，用來把輸入分類成安全與不安全兩條路
LLM-as-a-judge: 011用 LLM 當評審判斷 agent 的輸出，這場的主題是怎麼把它校準到接近人工標註
LLMS.txt: 109Marc 說發布時很熱，但實際上沒人用，後來改做 agent sitemap
LM arena: 039Cassidy 用來說明 31B 與 26B 在開源模型中名列前六的排行榜
LTX2: 175Ziv 舉的影片生成模型之一，工具已支援它的家族
LangChain、LangGraph: 104第一層提到的 framework，Ara 說自己不用，但適合快速驗證點子
LangGraph: 131ABK 舉例可以拿來實作這套決策流程的框架
Langflow: 006拖拉式的 AI flow 編輯器，串起 Docling、OpenSearch 與 embedding 模型，也承載 agent 與 chat flow
Langfuse CLI: 109把原有的 API 包起來，讓 agent 能做原本要在 UI 裡操作的事
Legora: 030Jacob 所屬的公司，給律師事務所用的協作式 AI 工作空間，屬於垂直 AI
Lenny Memory Podcast: 096用 Lenny's podcast 內容建圖的開源 demo，示範長期記憶與推理記憶
Lenses: 009Tun 與 Jeremy 任職的公司，自稱是給 agentic AI 提供即時資料脈絡的資料層，這場談的開源 MCP 伺服器是他們的
Lichess: 178Stephan 的團隊每晚從這裡下載棋局，當作分析與影片的輸入
Linear / Notion: 172Studio 另外連接的兩個內部工具
Liquid: 025Adrien 的 app 裡也放了這家的小模型，小到能在 Shortcuts 裡跑
Liquid AI: 045Maxime 任職並負責後訓練的公司，專注端側（on-device）模型
Live Jukebox: 165Thor 做的應用，讓即時模型呼叫 Lyria 生成歌曲
LiveKit: 047Thor 提到的合作夥伴，提供 WebRTC 整合與逐字稿保存
LoRA: 058輕量的微調附加層，Cormac 說 runtime 可以熱切換
Local / global 層: 039local 層只看前面固定長度的 token（sliding window），global 層看所有前面的 token
Locally AI: 025Adrien 開發的 app，在 iPhone、iPad 與 macOS 上以原生方式跑本機模型
Logfire: 068Pydantic 的可觀測性平台，示範中用來看 trace、跑 evals 與管理變數
Louis-François Bouchard: 023Towards AI 的共同創辦人，這場前半段講 workflow、agent 與 context 的觀念
Louvain: 096Stephen 提到的社群分群演算法，用來在圖中歸組
Lovable: 145Benjamin 任職的公司，使用者用聊天描述想要的東西，在 sandbox 裡直接看到結果，不需要看程式碼
Lovable Stack Overflow: 145從使用者卡關到解決的樣本整理出的知識庫，需要時由輕量模型注入主 agent
Lyria: 102Google 的音樂生成模型，分 30 秒的 clip 模型與最長三分鐘的完整歌曲模型
Lyria Real Time: 102Guillaume 最愛的模型，會持續生成音樂，可即時用 prompt 切換曲風
Lyria Real-Time: 117持續生成音樂的即時模型，可像 DJ 一樣即時換 prompt，Space DJ 用的就是它
M-Dash: 163上週推出的 CMS，外掛系統建在 Dynamic Workers 上，且不限於在 Cloudflare 部署
MAE: 073Masked autoencoder，遮掉部分 patch 再重建，作法類似 BERT
MCP / RAG: 063業界目前補 institutional knowledge 的 retrieval layer 做法
MCP UI: 035Ido 說自己是它的作者
MCP application: 022由 MCP server 提供、可放進不同 client 的應用介面，同時也能附上 tools 讓模型操作
MCP client: 156與 server 維持一對一連線的一方，這場用的是 GitHub Copilot
MCP client / server: 042這場的例子裡 client 是 Claude Code 與 Cursor，server 是 Figma 的 MCP
MCP host: 156要向 MCP server 取資料的程式，這場是 VS Code
MCP registry: 012工具與系統整合的集中目錄，以官方 MCP registry 為基礎延伸
MCP resources: 116MCP 規格裡讓伺服器提供內容給 context 的機制，RL Nabors 說目前少有用戶端實作
MCP toolset: 106把本地 MCP server 上挑出的工具接進 agent，不必開放全部工具
MCPUI: 066Ido 與 Liad 先前做的社群專案，MCP Apps 的前身，也提供推薦的 client SDK
MCP（Model Context Protocol）: 023Samridhi 說明是讓 agent 取得工具與資料的開放標準，server 提供 tools、prompts、resources
METR: 028主持人提到的去年一份研究，比較參與者自覺的生產力與實測結果
ML Kit GenAI APIs: 114ML Kit 裡的生成式 AI API，有摘要、校對、改寫等專用 API，以及最通用的 Prompt API
MLX Audio: 082Prince 的音訊套件，涵蓋文字轉語音、語音轉文字、語音對語音，支援 Python 與 Swift
MLX VLM: 082Prince 做的視覺語言模型套件，說是 LM Studio 的主要引擎之一
MLX Video: 082Prince 說是自己最近在做的影片生成專案
MLX community: 025Hugging Face 上放 MLX 量化權重的社群，模型發表後很快就有人上傳
MLflow: 177Databricks 所用的開源專案之一，Sandipan 提到它提供開箱即用的 LLM judge
MacTop: 082Prince 推薦用來看 GPU 與 CPU 使用量的工具
Machine payments protocol: 157與 Tempo 合作的協定，讓 HTTP 請求能通知付款需求並附上憑證
Madison Faulkner: 087NEA 的合夥人，專注基礎設施與開發工具投資，曾任 Meta AI 研究員，這場前半段由 Madison 主講
Maia: 178多倫多大學做的引擎，能依棋力給出該程度的玩家可能走的著法
Make Real: 0502023 年的專案，把畫布送給視覺模型，產出可運作的原型
Marvin: 141《銀河便車指南》裡腦袋有行星那麼大的機器人，Willmott 拿來比喻大模型
Marvis: 082Prince 團隊的自訂語音模型，說能在不到 100 毫秒內生成音訊
Matt Carey: 021Sunil 的同事，最先把這個做法用在 Cloudflare API 上
Matt Pocock: 059Chris 說自己去年 9 月從其影片學到把 Ralph loop 往下一步推
Maya: 086多倫多大學研究計畫的神經網路引擎，依評分預測人類在局面中會下的走法機率
McClaw: 183Nick 替自己的 OpenClaw 取的名字，主要在 Discord 上跟它對話
Memory wall: 113硬體上的記憶體瓶頸，權重與 KV cache 在記憶體與晶片間搬移，占推論延遲的 50% 到 80%
Merkle tree: 167Cursor 用來比對不同使用者程式碼庫差異的雜湊樹，只重新處理有變動的檔案
Met Office: 019英國氣象局，最早問團隊 AI 能否更準預測降雨
Metronome: 051Mayank 說 Stripe 也有的計費產品，處理企業合約的最低承諾、預先承諾與超額計價
Microsoft Foundry: 090Microsoft 的 agent 平台，可建、託管、觀測與管理 agent
Minions: 118Stripe 建在既有基礎設施上的內部 agent 系統，Lou 說能驅動數以千計的 pull request
Misha: 089與 Jonas 一起主持這場的同事，負責現場修 SDK、寫範例
Mission Control: 067為長時間任務做的專屬畫面，看進度、預算消耗、目前的 worker 與交接摘要
Missions: 067Factory 的多代理系統，把目標、計畫、執行與驗證串成可連跑數小時到數日的流程
Mistral: 076Samuel 任職的 frontier lab，同時做 B2B 的企業 AI 導入
Model Context Tool Inspector: 171Chrome DevRel 團隊做的側邊欄擴充，列出頁面上的工具，可用提示詞或直接呼叫工具
Model Explorer: 062用來檢視模型圖，決定哪些部分要調整或量化的工具
ModernBERT: 015這場微調的 encoder 模型，有 base 與 large 兩個版本
Moshi: 075他們在非營利實驗室時期做出的模型，Neil 說它是第一個對話用的 speech-to-speech 模型，至今仍是唯一的全雙工模型
Murphy's Law: 130任何可能出錯的事遲早會出錯，Daniel 用來說明缺少決定性防線的風險
NPU: 062神經網路加速器；這場提到已整合 Qualcomm 與 MediaTek
NVFP4: 013NVIDIA 的 4-bit 浮點量化格式，這場的實測主角
Namespace: 087Hugo 的公司，做高效能運算基礎設施
NemoClaw: 018NVIDIA 做的 OpenClaw 外掛與安全層，可以把 OpenClaw 放進沙箱
Nexus: 130Yuval Noah Harari 的書，Daniel 從中借來「LLM 是異類智慧」的觀點
Nils: 088Merve 的同事，做了替 Hub 上論文做 OCR 的案例
NotebookLM: 107這場要仿做的應用，可餵入多種來源並產生音訊概覽與資訊圖表
Notion: 043Phil 舉的客戶例子，傳來大量非結構化資料，想做 trace 的全文搜尋
OSS vacation: 016Mario 想關 tracker 就關的做法，把生活要回來
OWASP MCP top 10: 009Tun 用來對照風險的清單，提到工具下毒排第 3，context 注入與過度分享排第 10
Observability: 043上線後持續確認 agent 表現符合預期的做法
Obsidian: 054Radek 累積多年的筆記庫，約 3,000 頁 markdown，是 agent 判斷脈絡的來源
Obsidian vault: 003存放分析結果的地方；Šimon 說也可以換成 Notion、文字檔或其他系統
Okta: 042Garrett 示範用的 IdP，目前唯一支援 XAA 的
Oliver: 123Angus 任職的公司，原本做廣告，現在幾乎全面轉向 gen AI，有 3,000 名員工
Omni 模型: 082除了視覺，還能接收音訊輸入的模型，Prince 推薦 Gemma 4 的 E 系列，以及約 300 億參數的 Qwen3 Omni
Ona: 118Lou 任職的公司，平台做開發環境基礎設施約六年，近一兩年往 agent 方向整合
Onur 的開源 orchestrator: 111一個 Go 寫的 Kubernetes operator，處理 agent 編排的複雜部分，前面接 Slack 與 React 介面；Onur 在任職的新創裡拿它處理錯誤回報
Oolong: 121遞迴語言模型論文使用的基準，這場用來比較成本與速度
Open Benchmarks Grants: 153Snorkel 資助開放 benchmark 的計畫，這場的心得就來自審查申請
OpenAI deep research: 143雕像 app 用來查雕像身分與歷史、並產生聲音描述素材的功能
OpenClaw Foundation: 018Peter 另外成立的基金會，想把它做成像瑞士一樣中立的角色
OpenCode / OpenRouter: 014Dotta 說 Paperclip 支援 OpenCode，並可透過它使用 OpenRouter 上較便宜的模型
OpenEnv: 170這個環境公開的平台之一，也放進它的 GitHub repo
OpenInference: 091建在 OpenTelemetry 上的延伸，補上 prompt、completion、token 數、模型等 LLM 專屬欄位
OpenSearch: 006Elasticsearch 的開源 fork，這裡負責向量加關鍵字的 hybrid 搜尋與篩選
OpenShell: 080NVIDIA 針對 OpenClaw 發表的政策機制，Matthias 視為保護 agent 的一種做法
OpenShift: 115Red Hat 的 Kubernetes 平台，Sally 最早把 OpenClaw 裝上去的地方
OpenSpiel: 122Michael 說 Game Arena 目前主要用的 RL 框架，遊戲多半建在它上面
OpenTelemetry: 077Mehedi 提到的現成選項之一，他們自建的做法是存進資料庫
OpenTelemetry（OTEL）: 160Arize 全部走的遙測標準，用來產生 traces 與 spans
Opik: 023這場用來監控 thread、trace 並跑 evals 的觀測平台，Paul 說換成別的平台或自己做也可以
Opus: 172Studio 的 agent 所使用的 LLM
Opus 4.6: 081Viktor 目前的主要模型，使用者很喜歡它的個性
Oracle: 097領域專家直接把專業知識放進應用程式，同時負責評估與改進
Orchestrator worker pattern: 177由一個協調者集中分派工作給專長不同的 agent，出事時看協調者的紀錄
Overview dashboard: 120Cmd+Ctrl 裡以最近幾則訊息產生各 session 類似站會摘要的功能
PFF: 092Mike 任職的運動數據公司，服務 NFL 與 NCAA 球隊，另有幻想美式足球與運動博彩的消費者業務
PII masking: 004在資料進入 LLM 前先遮蔽信用卡號、密碼等個資
PLE（per-layer embeddings）: 039每一層各有一張 256 維的 embedding 表，存放在 flash memory 以省下 VRAM
PNPM workspace: 017他們把 repo 拆成 750 個 package 的方式，用來隔離業務領域或架構層
PPO: 084Alessandro 提到的知名 RL 演算法，需要同時調度四個大型語言模型
PRD: 148Product Requirements Document，Michal 說可以很輕，只寫為什麼、問題、目標和使用者流程
PSP: 157賣家的支付服務商，在 ACP 中與 agent、賣家來回更新結帳狀態
PTQ / QAT: 175訓練後量化與量化感知訓練，前者較簡單，擴散模型要維持畫質較麻煩
Pablo Picasso: 127Mardu 開場引用的那句關於「偷」的話出自 Picasso，用來說明研究後變成自己的才是重點
Paige: 122在同一間會議室、緊接在這場之前演講的人，為 Benchmarks 做了重畫 XKCD SVG 的 task
Pan and scan: 039Gemma 3 處理不同尺寸圖片的方法，把圖切成多個方塊，當成數張圖依序處理
Pareto front: 142把品質與延遲或價格畫在一起時，沒有被其他模型全面超越的那些模型
Paul: 076一位真人，Samuel 現場用 Paul 的錄音示範聲音複製
Paul Iusztin: 023負責寫作 workflow、監控與 evals
Pedro Rodrigues: 060Supabase 的 AI tooling engineer，過去兩個月在替 Supabase 寫自家的 skill
Peter Gostev: 034這場的講者，任職 Arena.ai，也是 BullshitBench 的作者
Philipp Schmid: 139在 Google DeepMind 負責 Gemini 與 Gemini API 上 agent 的相關工作
Phoenix Cloud: 091Phoenix 的雲端版，這場 workshop 用它免安裝收 trace
Pi AI: 080Pi 的核心套件之一，統一不同 LLM 的抽象層
Pi 的審查擴充: 020他們替 Pi（Mario Zechner 做的 coding agent）寫的審查擴充，把可交回 agent 修的問題與需要人判斷的變更分開；字幕寫成 pie 與 Py
Pipecat: 047同上，另一個整合 Live API 的合作夥伴
Pipedream: 081Fryderyk 建議用來連接整合的服務（稿子寫成「Pipe Dream」）
Pipes: 172WorkOS 做第三方整合的產品，Garrett 說正用它來改進 Studio 的權限
Playground: 043讓使用者改 agent 設定並比較結果的實驗介面
Playwright Agents: 095會裝入 planner、generator、healer 三個 agent.md 檔：規劃測試、產生測試、修復測試
Playwright CLI: 010Yohan 的流程中用來替新功能錄影的工具
Playwright MCP server: 002提供瀏覽器操作工具的 MCP server，這場拿它當第三方工具的範例
Playwright interactive: 046讓 Codex 在瀏覽器裡點操作 app、截圖並分析的 skill
Plugins: 046把 skills、apps、MCP servers 打包成可重複使用流程的單位
PoE: 135Power over Ethernet，一條網路線同時供電與傳資料，電話就是這樣接上路由器
Podman: 115Sally 用來跑容器的工具，說原則上 Docker 也行，但只在 Podman 上測過
Podman Secrets: 115Podman 的功能，可把 API key 存成 secret，設定裡只留參照
Pomerium: 183Nick 任職的公司，也用它的 identity-aware proxy 來保護自己的 OpenClaw 和 workspace
Poolside: 181Johan 任職的公司，自稱是少數從零做自己基礎模型與 coding agent 的公司之一
Precision-2: 154示範裡透過雲端 API 呼叫的付費分離模型，表現比 community-1 好
Prefill / decode: 113prefill 處理使用者輸入、可平行、吃算力；decode 逐 token 輸出、循序、吃記憶體
Prime Intellect: 170這個環境可以載入的另一個平台
Project Glasswing / Mythos: 182Talha 說是 Anthropic 發表的專案，據說強到能解決一切，但不認為這代表不需要驗證
Prompt API: 114用自然語言向 Gemini Nano 下指令，輸入支援文字與圖片，輸出只有文字
Prompt injection: 015用精心設計的輸入蓋過系統控制、套出資料；Diego 把直接注入稱為 prompt 向量，間接注入稱為 context 向量
Pruna: 142Bertrand 任職的公司，做放在 endpoint 後面的 performance models 與壓縮模型的開源套件
Pseudo RL pipeline: 104規則三的說法，指 agent 要有 CLI 之類的介面，方便其他 coding agent 反覆建置與測試
Puppr: 044Paige 介紹的全開源機器人，可 3D 列印零件，跑在 Raspberry Pi 上並用 Gemini 做偵測
PyTorch profiler: 162Max 建議用來找出訓練瓶頸的工具，論文裡有詳細討論
Pydantic AI gateway: 068一把 API key 就能連多家模型的閘道，有觀測、快取與 fallback 功能
Pydantic Monty: 036Matt 說是 Pydantic 新推出、用來執行不受信任 Python 的 code interpreter
QMD: 054Radek 用來搜尋 Obsidian 的搜尋方式，與一般搜尋和工作區記憶並用
Qodo: 164Nupur 任職的公司，做 agentic code review
Quality Wednesdays: 029Linear 每週三的例行會議，每位工程師報告一個自己找到並修掉的品質問題
Quantyca: 012負責設計並打造這套技術方案的團隊
Qwen: 013這場測試用的模型系列，從 1.5 billion 到 14 billion
Qwen 3.6 Plus: 014Dotta 說錄影當下在 OpenRouter 上免費的模型，字幕拼成 QIN 3.6 Plus
Qwen3: 166示範管線中負責改寫 prompt 的模型，跑在公開 endpoint 上
Qwen3 TTS: 134Qwen 的開源 TTS 模型，Andres 花約兩週加速它，讓語音 agent 能用
RAG: 167檢索增強生成，Kuba 的拆法是「檢索」加上「把結果交給 LLM 生成」，檢索不限於向量搜尋
RDMA: 125讓 Mac 之間的通訊延遲降到個位數微秒，需要 Thunderbolt 5 並在復原模式開啟
REAP: 113router weighted expert activation pruning，把沒被啟動的專家修剪掉
REPL: 179這場的核心介面，agent 用一個 Node.js REPL 呼叫原本的十幾個工具，變數會跨呼叫保留
RF-DETR: 073Roboflow 發表的模型家族，Isaac 說發表時勝過當時最佳的即時實例分割模型
RF100VL: 073Roboflow 推出的資料集，衡量基礎模型在物件偵測上的遷移
RL Ops: 084Alessandro 對強化學習維運平台的說法，涵蓋評估、調校與上線服務
RLLM: 170UC Berkeley 的研究團隊，也是這次用的 RL 訓練框架的開發者
RLS（row level security）: 060在資料庫層限制誰能看到哪些資料列，不必靠應用程式過濾
Radar: 172WorkOS 的產品之一，擋掉機器人與惡意使用者的安全產品，Cursor 等客戶在用；示範用來查某位使用者為何被封鎖
Raindrop: 069Zubin 與 Danny 的公司，幫 AI 工程師找出、追蹤並修好 production agent 的問題
Ralph Wiggum technique: 101把同一個 prompt 在 loop 裡反覆跑到任務完成；官方 plugin 用 stop hook 攔截停止並繼續
Ralph review refactor loops: 111Onur 提到的工作流，讓 agent 在迴圈裡審查與重構，只用來抓淺層 bug
Ralph（Ralph Wiggum）: 033只講終點、反覆小改的迴圈做法，Matt 的 AFK 實作迴圈沿用此名
Reachy Mini: 134Hugging Face 的小型開源機器人，會表情、能對話，出貨時是未組裝的
Reasoning traces: 104新一批模型 API 的推理內容，屬於 cache 與 test time compute loop 的一部分，要照指定格式回傳
Repo Roast: 065這場工作坊一起寫的示範 skill，分析 repo 的健康狀況並用有趣的方式點評
Retroforge: 101retro game maker 示範中，帶 harness 的那次跑出來的 app 名稱
Revolut: 074Luke 舉的客戶例子，用 ElevenLabs 的方案做客服
Rotary positional encoding: 015以旋轉 query 與 key 表達相對位置，取代加在 token 上的位置向量
Rust: 130編譯式語言，Daniel 主張用它來 vibe coding，靠嚴格的編譯器擋掉好幾類 bug
SAM3: 073SAM 系列的最新一代，Isaac 說有 800 million 參數
SCIM: 042Garrett 提到的帳號管理機制，可完整撤銷存取權，但許多公司沒有使用
SLO: 020其中一位講者舉為「刻意設計的摩擦」的例子，逼人思考需不需要這種可靠度、人力夠不夠
SPACE: 007Juan 舉例的開發者滿意度與體驗框架
SSE（Server-Sent Events）: 100只能由 server 單向推給 client 的串流方式，是主流 AI 框架的預設傳輸
SSH 文件: 093Supabase 實驗中的做法，把文件透過 SSH 開出來，讓 agent 當檔案系統瀏覽
STT: 004Speech-to-Text，語音轉文字，Dippu 說其準確度必須高於 90%，LLM 摘要才站得住
STT orchestration: 154pyannoteAI 把分離模型與任意語音轉文字模型串起來並處理對齊的服務
SWE-bench: 153以 PR 為基礎的 coding benchmark，衍生出 Lite、Verified、Pro、Multilingual、Multimodal 等版本
SWE-bench Verified: 158Ara 引 OpenAI 的部落格，說它已不再衡量前沿程式能力
SWE-rebench: 151Nebius 維護的排行榜，每月用前一個月新收的真實軟體工程任務評測模型
SWE-rebench v2: 151涵蓋 20 種程式語言的軟體工程任務資料集，附 Docker image，可用來訓練
Safe Intelligence: 148Michal 目前任職的公司
SafeIntelligence: 141Willmott 擔任 CEO 的公司，專做 ML 驗證，起初用形式驗證檢查視覺與表格模型
Samridhi: 023機器學習工程師，負責示範研究 agent 的 MCP server 與 skill
Sandbox SDK: 008Harshil 用來管理 container 沙箱的 SDK，由 durable object 負責生命週期
Sandcastle: 033Matt 做的 TypeScript 函式庫，用 work tree 與 Docker 沙盒平行跑 agent
Sander Dieleman: 027Google DeepMind 的 research scientist，generative media 團隊成員
Saturation: 122benchmark 被模型刷到頂、失去區分力的現象，Game Arena 想避開它
Scale AI: 061Angelos 提到的標註公司，替實驗室找各領域人員產生後訓練資料
Schema mapper: 004Dippu 對 API 閘道的說法，負責把 LLM 的 JSON 欄位對應到 CRM 系統
Scrapbook: 098他們放分析流程與 playbook 的 repo，用來讓 agent 重複做結構化分析
Scrape as Markdown: 159MCP 的工具之一，只回傳頁面文字，不含 HTML 標籤，用來省 tokens
Scribe: 074Luke 稱為最準確的 speech-to-text 模型，是 voice engine 的一部分
SelfFlow: 072BFL 公開的論文與方法，student 與 teacher 在同一個模型內自我對齊，不需外部 encoder
Shared payment token: 157agent 取得的付款憑證，可限定賣家、幣別、金額與期限，由 Stripe 強制執行
ShieldGemma: 024官方變體，用來擋不符合政策的有害文字與圖片
Skill: 184一份可重複使用、被刻意限制的做法，由 agent 呼叫；放在 .claude/skills，內容是 skill.md 加上 front matter
Skybridge: 174Alpic 的開源框架，疊在官方 app SDK 上，附 CSP Inspector 等開發工具
Slalom Consulting: 124Phil 加入 Braintrust 前任職的顧問公司，曾在那裡帶領全球 Databricks 事業單位
Snorkel AI: 153Vincent 任職的公司，自稱是 frontier AI data lab，做資料集與環境
Snowflake: 172WorkOS 內部的資料庫，Studio 主要查詢的資料來源
Soft token budget: 039開發者替每張圖指定要花多少 token 的設定，共有五種解析度可選
Sonar: 140Prasenjit 任職的公司，這場報告的評估框架與工具都出自這裡
Sonar Context Augmentation: 140guide 階段的產品，把整個程式碼庫的 context 推進 LLM
Sonar Sweep: 140guide 階段的產品，處理用來訓練模型的資料，Prasenjit 說目前是 private beta
SonarQube: 140Sonar 的程式碼分析產品，這場用它的 Enterprise 版來分析各模型產出的程式碼
SonarQube Agentic Analysis: 140verify 階段的產品，在 agent 寫完、commit 之前先分析，目前是 open beta
SonarQube remediation agent: 140solve 階段的產品，自動修 PR 上的問題與技術債，目前是 open beta
Sovereign AI: 106組織能依自己的條件設計、部署、營運 AI 系統
Spaces: 088Hub 上的 AI 應用集合，Merve 形容是 AI 的 app store，可透過 MCP 呼叫
Spark: 125現場展示的約 4,000 美元機器，算力多、頻寬較低，用來跑 prefill
Stable Diffusion: 027Sander 舉例的 latent diffusion 模型，早期版本以 U-Net 為基礎
Stable Diffusion XL Turbo: 166示範用的第一個生圖模型，主打快速生成
State machine: 104Ara 用來理解 agent 的心智模型：從使用者任務出發，經過動作與工具，到完成狀態結束
Statsig: 069實驗平台，Zubin 說 Raindrop 可以把資料轉過去
Stella / gliner: 064Filip 舉的小模型例子，前者是 embedding 模型，後者是 named entity recognition 模型
Step distillation: 175訓練學生模型用更少去噪步數產生接近的畫質，不改變參數量
Steve Kaliski: 157Stripe 的 principal software engineer，前四年帶 issuing 團隊
Stockfish: 086領先的傳統西洋棋引擎，被視為局面的標準答案，pipeline 第一步就用它跑完整局
Stripe Billing: 051Stripe 的計費產品，支援訂閱、用量與 hybrid 定價
Stripe Press: 157Stripe 的書店，demo 用它展示機器人友善的商品目錄與結帳
Stripe Projects: 157Q&A 中提到，Steve 確認它建立在 shared payment tokens 上
Studio: 172WorkOS 內部的工作空間，同事在裡面提問、查資料、做 widget
Sub-agents: 046把主任務拆成平行、獨立子任務的多個 agent，各有 persona 設定
Supabase: 060Pedro 任職的公司，以 Postgres 為底的 backend as a service，提供資料庫、驗證、儲存與 edge functions
Supabase skill: 093Pedro 在這場宣布的 Supabase agent skill，教 agent 怎麼正確操作 Supabase
Superlinked: 064Filip 任職的公司，這場介紹的推論引擎與叢集由它的團隊開發
Superlinked inference engine: 064針對 AI 搜尋與文件處理的小模型推論引擎，今天軟上線，Filip 說 repo 名稱是 S-I-E
Swin: 073在視窗內做注意力並逐層位移視窗的模型，補上區域性偏置
Swiss cheese model: 091把每層防線看成有洞的起司片，疊起來洞就對不上
TCP proxy: 135架在 Mac 上的轉送程式，讓虛擬機裡的原廠軟體經它連到電話，同時記錄全部流量
TLDraw: 163他們舉的例子，建在 Durable Objects 上，多支手機同畫面繪圖時同步很順
TRT-LLM Visual Gen: 175Ziv 提到的開源 repo，內含量化範例與快取旗標
TSGO: 070Michael 想換上的 TypeScript 編譯器，用來做型別檢查
Tailspin Toys: 095Demo 虛構的玩具公司情境
Take Take Take: 086Anant 與 Asbjorn 任職的公司，做 iOS 與 Android 的西洋棋應用，賽後評語由 AI pipeline 產生
TanStack AI: 100Mike 點名同樣預設使用 SSE 的框架
TanStack Start: 137還在 RC 階段的框架，其 start.ts 有隱含的格式約定，CLI 曾因此改壞
Tandem: 097做醫療 AI scribe 的公司，案例中由 Roy 起頭並走向分散式 Oracle
Tantivy: 132開源的全文索引框架，Braintrust fork 後用來做文字索引；Phil 說它最接近 Apache Lucene，但用 Rust 寫
Tasker: 032Kitze 約 15 年前用來管理文字檔待辦的 Android app
Taste Profile: 105讓使用者看見 Spotify 對自己的了解、決定保留或忘掉的功能，目前只在少數市場提供
TauBench: 153評估多輪 agent 的 benchmark，有使用者模擬器，並檢查是否遵守政策限制
Tauri: 077Q&A 中被問到的 Electron 替代方案，Mehedi 說試過但沒看到明顯效能提升
Tavon AI: 080Matthias 的歐洲小公司，替組織做 agent
Team 2X: 094專責推動「產能翻倍」目標的全職團隊，人數持續增加
Tempo: 157與 Stripe 合作的夥伴，demo 中的付款在其區塊鏈上以 pathUSD 結算
Temporal: 070Michael 舉例的 workflow 方案，說過去 12 個月因為大家都在產品裡導入 AI 而更受關注
Terence Tao effect: 170Berkeley 團隊的說法：不需要最頂尖的數學家，也能做好金融分析師的數學
Text Arena: 034Arena 的文字對戰榜，Peter 說累積了將近 550 萬票
Tinkerer Club: 032Kitze 最近成立的社群，每週開以 OpenClaw 為主的聚會
Together AI: 162Max 任職的 AI 原生雲，提供 GPU 叢集、模型客製化與開源模型推論
Token exchange（RFC 8693）: 009MCP 伺服器拿使用者的 token 換一個呼叫上游 API 用的 session token
Tool poisoning: 009攻擊者把隱藏指令寫進工具描述，UI 看不到，模型卻會照做
ToolLoopAgent: 083AI SDK 6 的 agent 類別，名字就是它做的事：反覆呼叫工具直到完成
Towards AI: 023Louis-François 創辦的教學內容團隊，這套研究與寫作系統原本是拿來做自家課程內容
Traces: 088Hub 新增的 dataset repo 類型，用來存 Claude Code、Pi 等 agent 的工作紀錄
TradRex: 105Spotify 對傳統推薦系統的稱呼：候選生成加多段排序、各產品各有一組模型
Trainline: 052不分業者的訂票 app，這場有兩位工程師分享他們的 ML 與多代理系統
Trajectory-based / distribution-based: 175兩種蒸餾路線：前者學老師的去噪路徑，後者只對齊最後的輸出分佈
Trigger.dev: 079Eric 是共同創辦人之一，說他們這幾年一直在讓這類 agent 更容易部署到 production
Tuomas Artman: 029Linear 的 CTO，這場被訪談的人
TurboGrep: 149Kuba 為 Claude Code 做的 CLI，把程式庫切塊、embed 後上傳 Turbopuffer，再以 tpuf search 查詢
TurboQuant: 082Prince 說自己在論文發表 30 分鐘後就實作的量化方法，用來縮小 KV cache
Twilio: 135夾在電話與 ElevenLabs 之間，負責處理 SIP domain 的複雜度
UI resource: 156server 回傳的參照，指向它產生的 HTML，由 host 抓取並渲染
UPipe: 162這場介紹的主要優化，把 attention heads 分批依序算並重用緩衝區
URL context: 044把一串網址放進模型脈絡的功能，Paige 稱之為窮人版的檢索
Unity Catalog: 177Databricks 的資料目錄，集中管理權限，並用描述與標籤提供 AI 查詢時的脈絡
Unpadding / sequence packing: 015去掉 padding token，把多個序列接滿 context 長度，用 attention mask 避免互相混在一起
Upskill: 112Hugging Face 維護的開源函式庫，產生 skill 與評估，並比較不同模型用同一個 skill 的表現
V3: 074voice engine 用的 text-to-speech 模型
V8 isolate: 008輕量沙箱，沒有檔案系統也沒有行程模型，Harshil 用來跑 tool calling 與小函式
V8 isolates: 021啟動很快、Sunil 說有約 10 年安全強化的執行環境
Vector: 182Talha 自己做的產品，用 Claude hook 在 session 結束時自動執行設定檔裡的檢查，沒過就叫 Claude 重試；公開版叫 Vector Harness
Vercel: 026Malte 擔任 CTO 的公司，這場舉的 agent 與網站流量案例都來自這裡
Vercel AI SDK: 100Mike 舉例預設使用 SSE 的框架，還引了它的文件說 abort 與 resume 功能不相容
Vercel Sandbox: 083給 agent 執行指令的環境；這場用的是 beta 的 named sandbox
Verifiers: 005Prime Intellect 的開源函式庫，用來建 RL 環境，環境是可安裝的 Python 套件，評估與訓練都能用
Vertex AI: 102面向企業、控制選項多的入口，與 Gemini Developer API 共用同一套 SDK
ViT: 073把圖切成 patch 後交給 Transformer 處理的視覺模型，這場的主角
Vibe Kanban: 055Louis 的公司與產品，用來同時跑多個 coding agent、看 diff、留言與預覽
Viking phone: 135這場的主角，一支老舊的 VOIP 電話，原廠只提供 Windows XP 相容的軟體
Viktor: 081Fryderyk 的公司做的 AI 員工，住在 Slack，沒有網頁 app，二月上線
Voice Library: 165AI Studio gallery 裡的語音生成示範應用，用導演式提示調整聲音
Vouch: 016Mitchell 把 Mario 的白名單做法做成的工具
Voyage code 3: 149Q&A 中說明用來 embed 程式碼的模型
Web AI APIs: 010瀏覽器內建的 AI API，包含 Summarizer、Proofreader、Prompt API 等，模型下載到本機執行
Web Arena: 081Fryderyk 說 Jace 當年在這個 agent 評測上是最先進的
Web Speech API: 116瀏覽器內建的語音合成能力，RL Nabors 用來朗讀漫畫，不需要額外依賴與推論
Web Unlocker: 159demo 裡 agent 寫的爬蟲所用的請求方式，Rafael 說與 Scrape as Markdown 是同一類
WebMCP 除錯擴充功能: 116RL 用來示範 WebMCP 的瀏覽器擴充功能，可看到頁面暴露的工具，並模擬瀏覽器內的 agent 聊天
Whisper: 154OpenAI 開源的語音轉文字模型，免費而且品質好，但不提供說話者標籤
WireGuard: 144讓網路上每個節點各有一組金鑰的連線協定，Tailscale 的底層
Witan Labs: 179Nuno 所屬的公司，這場講他們讓 coding agent 處理試算表的經驗
Wolfer: 032Kitze 自己做、不打算給大眾用的 agent 介面，主打巢狀主題與多 agent 對話
WorkIQ: 095Microsoft 做的 skill，讓開發者把 M365 的資料帶進終端機
Worker Bundler: 163能在 worker 裡抓 NPM 依賴、去掉型別與 JSX 再產生可執行內容的工具
YOLO setup: 151評測時 agent 不問澄清問題，直接解題
Yuval Noah Harari: 130歷史學家，Daniel 轉述 Harari 的看法：LLM 是第一個非人類卻能產生人類語言的東西
Zed: 111Onur 提到最早做出 Codex 與 Claude Code 轉接器的一方，也向它致意
Zendesk integration: 126這場對照實驗與示範用的任務：替系統新增 Zendesk 整合
Zeta2: 138Zed 最近發表的編輯預測模型，也是這場裡的學生模型
`/delegate`: 184在 CLI 裡把工作送到 GitHub 上由 agent 執行的指令，要求目標是一個正式的 GitHub repo
accepted / rejected 任務: 146通過全部四項驗收測試的任務歸 accepted，沒通過的歸 rejected
accessibility snapshot: 002Playwright 工具之一，以文字列出頁面上的按鈕與選單，Nimrod 說工具名稱的 snapshot 容易誤導，它不是視覺截圖
accessibility tree: 171agent 讀來了解頁面結構的資料之一，和 DOM、截圖並列
accountability: 070Michael 自己玩的 repo，放了大量禁止模型走捷徑的 lint 規則
acpx: 111Onur 做的 CLI，起初用來呼叫其他 agent，後來包含工作流引擎
actionability（可行動性）判斷: 168研究之後的一道關卡，決定這份 report 是繼續累積證據、等人決定，還是直接修
advisor 模式: 182Talha 轉述 Anthropic 最近推出的做法：一個 agent 負責寫程式，另一個 advisor 形成回饋迴路來驗證
advisors: 093Supabase 提供的檢查工具，指出資料庫的安全或效能問題
after append: 089processor 裡專門放副作用的地方，例如發出 LLM 請求
agent core: 080Pi 的核心 agent 套件，有 agent 類別與事件系統
agent experience: 049swyx 說的趨勢：主要使用者正轉向 agent，所以 API、CLI、MCP 比儀表板重要
agent legible code base: 020Cristina 提出的主張：程式庫要設計成 agent 讀得懂，例如模組化、依循慣例、核心簡單
agent quality: 129這場的核心目標，指 agent 面對真實使用者時是否符合預期
agent sitemap: 109Langfuse 提供給 coding agent 的文件地圖，先看它就知道有哪些文件
agent skills: 110Liam 形容為 AGENTS.md 的較新版本
agent teams: 101Claude Code 的功能，sub-agent 之間可以互相溝通，必要時才回報主 agent
agent trajectory store: 119內部專門存 coding agent 步驟的系統，用來找出何時開始打轉
agentic code owner: 041Cursor 內部的自動化：依 PR 風險決定直接核准，或找出先前改過的人加入
agentic retrieval: 006把查詢交給 agent，由它用工具決定要搜幾次、怎麼處理結果
air-gapped: 106基礎設施光譜的一端，Bilge 說這能對應 EU AI Act 的安全
ambient operations: 054Radek 分的第一類工作：更新、維護等不想自己操心的背景雜務
attention filtering: 054第二類工作：靠完整脈絡判斷什麼緊急，再主動通知 Radek
autopilot: 110預覽中的模式，agent 呼叫工具時不會一直詢問
back test: 098每天對自家與客戶帳號批次執行的一批調查，用來看系統變好或變壞
backbone（主幹）: 076他們的核心 transformer，4 billion 參數，每幀跑一步
backchanneling: 075對方說話時的附和聲，Neil 說在日文裡是禮貌與認真聆聽的表現
background agent: 110透過 GitHub Copilot CLI 執行、以 git worktree 隔離的 agent
backtesting（回測）: 094拿過往的變更與事故資料驗證 skill 與自動核准器的品質
binding: 008主程式傳給 isolate 的受限介面，例如只開放 query 方法的資料庫，是 isolate 唯一碰得到的東西
blueprint: 012給開發團隊的 GitHub 範本 repo，內含 FastAPI 服務、驗證、成本追蹤與 CI/CD
bottling the expert: 057Peter 的說法，把某位專家做過的事、做過的決策提煉成脈絡，當作檢索的起點
bring your own agent: 014自備 agent 的設計，Gemini、Pi、Hermes、OpenClaw 等都能當員工加入
btql: 043Braintrust 自創的查詢語言，Phil 說連他們自己都不喜歡
bus factor: 018少數人離開專案就會停擺的程度，Peter 看「誰在 commit」來衡量
call options: 083呼叫 agent 時才傳入、會改變行為的結構化輸入，用 schema 定義
campaign: 035AgentCraft 的功能：大致描述想要的結果，由 agent 在容器裡拆解並規劃
capability eval / regression eval: 091前者是 agent 還做不好、要爬的坡；後者是已經通過、要確保不退步的測試
cascaded system: 075speech-to-text、LLM、text-to-speech 三段串接的傳統架構
catastrophic forgetting: 105微調後模型會忘掉原有知識，Shivam 列為用語言模型做推薦的代價
caveman mode: 147讓 LLM 像原始人一樣講話以減少 token 的做法，Benjamin 說這無法擴大到 100 倍或 1000 倍
channels: 035Ido 說是靠排程讓 agent 找點子並實作，很快做出來的功能
character-level tokenizer: 061以單一字元當 token 的分詞器，這場的資料集只有 65 個
checks, captures, threats: 178一個評估局面的基本思路，這套工具把這三類著法一起交給模型
checksum: 135指令尾端的檢查值，這支電話只用一個 byte，Boris 說因此可以暴力試出規則
circuit breaker: 089事件在一秒內進來太多時，自動暫停串流，避免無限迴圈
clanker: 016Mario 對 agent 或 agent 帳號的稱呼
claw: 049swyx 用來泛指有網路存取、搭配夠聰明模型的個人自動化 agent，也提到 OpenClaw 與 nano claw
client ID metadata: 040Sam 說 MCP 認為比較可行的做法，正努力讓 GitHub 支援
client-side tools / server-side tools: 074ElevenLabs 的兩種工具概念；前端工具可以操作 DOM
clip score: 142影像模型常用的通用評測指標，Bertrand 展示用它排出來的名次一直在變
cloud agent: 110跑在 GitHub Actions 隔離環境、可擴展到組織之外的 agent，Liam 主要拿來寫文件
cloud agents: 041每個 agent 各有一台 VM 的雲端版本，能操作電腦並錄下影片當驗證
code execution: 044讓 Gemini 在內建多種資料科學函式庫的沙盒 Python 環境中執行程式的工具
codec: 076把音訊壓成較少 token 的編碼器與解碼器，這場的核心元件
cognitive complexity: 140Sonar 自家的指標，衡量人類讀懂並維護一段程式碼的難度
cognitive debt: 059Chris 指的是對程式碼庫能做什麼、怎麼運作逐漸不熟悉的狀態
cognitive exhaust fumes: 003Šimon 自創的詞，指思考留下的數位副產品，單看是廢料，整體分析可以診斷人的狀態
cold start SFT data: 045強化學習任務所需的暖身資料，SFT 混合資料要先有類似的樣本
commentary triage skill: 086他們做的 skill，讓 Claude Code 調查評語哪裡出錯，並改 prompt 或偵測器
community-1: 154pyannote 的開源模型，示範裡在自己的 Mac 上執行
compaction: 030長任務中 agent 壓縮上下文的步驟，Jacob 把它當作「可以放棄了」的徵兆
completion tokens per second: 013每秒產生的 token 數，也就是這場說的吞吐量
confidence score: 065讓模型自評對任務的掌握程度，未達門檻就繼續追問
confirmation strategy: 106讓 agent 在使用某些工具（如付款請求）前先問人工核可
consistency model: 027蒸餾擴散模型的一種做法，直接預測取樣路徑的終點，以減少步數
containment rate: 084客戶 CCS 客服系統要最大化的指標，即由模型從頭到尾處理完的通話比例
context: 083AI SDK agent runtime 裡的共享狀態，Nico 說像 React context，工具的 execute 可以取用
context anxiety: 101模型接近 context 上限時變得急躁，匆忙收尾
context blocks: 063把整坨知識庫拆成 agent 用得上的小塊內容，是這個方法要產出的東西
context caching: 107API 內建功能，長檔案反覆查詢時可省 90% 成本
context collector: 164Qodo 架構裡先從 PR、context engine 與工具收集 context 的一層
context filter: 056Patrick 提的概念，像 web application firewall，過濾進來的 prompt injection 與可疑樣式
context gap scanner: 063講者做的工具，拿過去的事件去驗證知識庫，找出缺漏、過時與重複
context log: 079agent 的 system、user 訊息與 tool call、結果、回覆組成的 append-only log
context window compression: 047以滑動視窗丟掉較舊內容，延長 Live session
continual learning: 041掃過去的對話記錄，抽出記憶與規則的外掛
continuous learning: 145Benjamin 稱為 AI 工程目前的聖杯，這場講的就是 Lovable 在規模上怎麼做
contract: 101動工前由 generator 與 evaluator 協商的驗收條件，之後 evaluator 照它打分
contrastive loss: 019Raia 說嵌入模型用的損失函數，並提到自己博士時研究的 Siamese 網路是理解它的早期方式
control plane: 120彙整所有 agent 狀態的一層，不管 agent 跑在開發機或雲端 VM，UI 都從這裡取資料
control tower: 012Amplify 運作模式的兩個單位之一，由少數人組成，決定資安、法務、技術準則與策略重點
cookbook: 102Google 放在 GitHub 的範例庫，這場 notebook 出自其中
course video manager: 033Matt 平常錄課用的自家應用，也是這場的實戰 repo 範例
create-context-graph: 136一行 uvx 指令就生出前後端與示範資料的開源工具，Zach 說一個月內才做出來
credits: 051把功能打包成客戶看得懂的點數，底層換算可隨時調整
critic node: 164對照原始目標檢查結果，偏了就請 agent 重試的節點
critical rules: 054Radek 另外建的規則檔，用來補 AGENTS.md 與記憶檔裡仍會被遺忘的規則
critique: 185講者提到另一個用來捲動查看 diff 的工具
cross-app access: 022與身分提供者合作的機制，登入一次後即可使用 MCP server
curated context layer: 126團隊把公司關鍵資訊放進 agent 可讀的靜態資料庫，要有人維護，也沒有執行期資料
custom agent: 110針對特定問題（如寫測試）設定的專用 agent
cyclomatic complexity: 140數程式裡有幾個 if、for、while 等分支與迴圈的複雜度指標
d0: 083Vercel 內部讓人「和資料對話」的 agent，可使用幾乎整個後端與管理後台
daemon: 120跑在每個 agent 平台旁邊的程式，監控生命週期並回報狀態；Michael 說這層是開源的
data region: 109Langfuse 的資料所在區域，歐洲與美國都有，skill 不會預設而是詢問使用者
database advisors: 060Supabase 提供的檢查工具，用來提早發現暴露的 schema 與潛在漏洞
decision log: 030讓 agent 自行決定並記錄，人事後審查、必要時推翻
decision traces: 136過去決策留下的軌跡，Zach 說是關於為什麼這樣決定的動態資訊
deep research: 119KP 先前做過的 agent，這場談的是把它改成共用 Antigravity harness
deepset: 106Bilge 任職的公司，做 Haystack 與企業平台，客戶包含 Airbus、Bosch、Siemens 和歐洲的公部門
deflection rate: 026客服問題在第一線就被解決、不必往下轉給人的比例，Vercel 的客服 agent 是 90%
denoiser: 027輸入加噪後的樣本、預測乾淨版本的模型，取樣就是反覆呼叫它
description: 065給 LLM 判斷何時載入 skill 的路由規則，他們說它和 name 是 skill 最重要的欄位
design concept: 031Frederick P. Brooks 在 The Design of Design 提出的概念，指多人一起設計時漂浮在彼此之間的那個想法
detectors: 086自己做的一批偵測器，找捉雙、牽制、串擊、疊兵等戰術與棋形
deterministic guardrail: 002以確定性的程式邏輯限制 agent 能做的事，不交給 agent 自己判斷
deterministic verification: 182用可重現的方式檢查 agent 的產出，相對於讓另一個模型去判斷
dissatisfaction rate（不滿意率）: 034Peter 的說法：使用者投「兩個回答都差」的比例
distillation: 138讓 frontier model 當老師產生預測，再把它的輸出整理成學生模型的訓練目標
distillation / caching: 142Bertrand 說可把生成內容的步驟從 20 到 50 步降到更少的兩種方法
doc tags: 006Docling 的中介文件格式，類 XML，可轉成 Markdown、HTML、JSON
domain-native AI organization: 097Chris 提出的目標：把領域專業內建在組織運作裡的 AI 組織
doom loop: 057Peter 的說法：跟 agent 反覆來回修正，最糟是放手跑完整個任務卻整個錯
doom looping: 045模型不斷重複同一串字、停不下來的失敗模式
droid whispering: 067Factory 內部對「在腦中模擬不同 LLM 如何互動與失敗」這項技能的稱呼
durable streams: 089附 offset 的 append-only 事件日誌規格，Jonas 說他們的實作不完全照規格走
dynamic client registration: 040OAuth 動態註冊 client 的機制，GitHub 評估後拒絕支援
dynamic worker configured: 089一種事件類型，內容是含 reducer 與 after append 的腳本，寫入後該串流就跑這支程式
dynamic workers: 021Cloudflare 自己用來做這件事的東西，底層是 V8 isolates
effect.solutions: 070Keith Langton 做的 Effect 入門網站，用 CLI 讓模型讀 Effect 內容
effective parameters: 045Maxime 的用語，指真正用在推理與知識容量的參數，不含 embedding 層
elicitation: 030agent 遇到不會處理的事，回頭問使用者
elicitation / tasks: 022MCP 新增的原語，David 說 tasks 目標是 agent 之間的溝通
encode / score / extract: 064這套 API 的三個基本操作
enterprise scaffold: 133他們說的企業運作骨架：審批、資安審查、部署流程等為人類速度設計的一整套結構
ephemeral token: 047伺服器用 API key 發出的短效 token，供客戶端直連 Live API
erasable syntax only TypeScript: 020他們最近在試的模式：程式碼基本上是 JavaScript，型別標註疊在上面，不需轉譯，source of truth 只有一份
error budget: 056Patrick 用來容許一組 eval 偶爾失敗的想法，因為結果不是決定性的
eval calcification: 085Vincent 自己命名的問題：eval 愈來愈難維護、愈來愈僵化
eval tool: 098他們自製的 CLI，讓 coding agent 能操作 eval 測試檔
eval 的三要素: 129task（被測的 agent 或 prompt）、資料集、評分函式，Phil 用這三樣描述一個 eval
evaluator-optimizer: 023寫手產生初稿、審稿者另開 context 審查、再由編輯修改的迴圈
events.iterate.com: 089Iterate 這週做出的事件服務，有網頁介面，可用 curl 寫入與訂閱事件
exclusive diarization: 154community-1 內建的做法：遇到重疊說話時，挑出較可能被轉錄的那位，讓對齊容易一點
exec plans: 017他們早期公開的一種計畫格式，要求含里程碑與驗收條件
exocortex: 125EXO 名稱的由來，指 AI 是使用者自己的延伸，而不是租來的工具
experiment: 052拿一組資料集跑出來的一次評估結果，可以彼此比較差異
explicit signals: 069明確訊號，能驗證真假的指標，如錯誤率、延遲、重新生成與成本
exposure ladder: 133逐級放開 agent 自主程度的做法，依序是 shadow mode、advisory mode、controlled autonomy
expression: 053欄位裡用大括號包起來的 JavaScript，可引用前面節點的資料
extension API: 080Pi 讓人擴充指令與 UI 互動的機制，Matthias 看重 session 事件與 UI 互動
fail to pass / pass to pass: 151驗證用的兩組測試：解題前會失敗、解題後要通過的，以及像回歸測試的那一組
failure modes: 129agent 會出錯的具體類型，Phil 主張 evals 要先從這些切入
fairies: 050畫布上的小精靈 agent，可多隻同時工作，能看到彼此的狀態與動作
fc run: 079Eric 介紹的類 docker CLI，用來跑 container 與 Firecracker VM 並 snapshot、restore、fork，預計開源
fearless concurrency: 130Rust 編譯器檢查多執行緒間共享資料是否以執行緒安全的方式處理
federated OIDC: 144Remy 舉例用 GitHub 的這項機制讓 runner 啟動時取得 tailnet 存取與標籤
flame graph: 156Liam 示範的圖，用來看程式的時間花在哪些函式
flash run: 166在本機起一個 FastAPI 開發伺服器的指令，請求會轉到雲端 endpoint
fleet: 118把 agent 依排程或觸發鋪到組織內多個 repository，用於 CVE 修補、補測試覆蓋率這類工作
flywheel: 129Braintrust 內部的說法：抓 production traces、找出問題、帶回離線重跑 eval、再改進 agent
focus modes: 127把 agent 放進規劃或研究等特定模式，限縮行動與輸入空間
forever claw: 115Sally 對自己長期使用的 OpenClaw 的稱呼，拿它來回答為什麼要跑在容器裡
formula engine: 179計算試算表公式的引擎，讓 agent 驗證自己寫的公式
forward deployed engineer: 103進駐到政策、法務等使用者團隊裡，一起設計並快速交付工具的工程師
forward deployed engineer（FDE）: 147Benjamin 的職位，在通用平台上和各種 AI 應用的客戶一起工作
forward-deployed engineer: 026在「單一贏家」的未來裡，工程師會淪為替贏家公司駐點的角色，而 Malte 認為這個未來不太可能發生
frame（幀）: 076約 80 毫秒的一段音訊，每幀轉成 37 個 token
function calling: 107讓 Gemini 以函式宣告呼叫圖片與語音生成模型的機制
game master: 180這場用來形容 runtime LLM 可以替玩家調整遊戲體驗的角色
gated short convolution: 045LFM2 實機 profiling 選出的運算單元，Maxime 說比其他替代方案快
generator / evaluator: 101兩個各自有 context 與 system prompt 的角色，一個負責建、一個負責用 Playwright 實際操作並批評
git worktree: 110對應到工作區內獨立資料夾的 branch，background agent 在裡面工作
golden spreadsheet: 179帶有一組輸入與輸出的標準試算表，把模型做的試算表當黑箱，輸入相同數字比對輸出
gotchas: 137Nick 手寫的常見陷阱清單，取代照文件大量產生的 skills
graph embedding: 136把圖裡相連的節點嵌成向量，相似的決策軌跡可用向量相似度查出來
greedy decoding: 061每次都選機率最高的 token，Angelos 說寫作類 LLM 不適合，轉錄類任務適合
greenfield / brownfield: 181全新專案與既有舊專案；Johan 用它們區分 agent 直覺準不準
group ID: 057合成資訊跨越權限邊界時，附上標記，只有有權限的人才取得
guidance scale: 027放大有條件與無條件預測差值的超參數，調高會降低多樣性、提高品質
guideline.md: 023使用者每篇貼文都要填的輸入檔，寫明主題、角度、重點與敘事流程
half-duplex / full duplex: 075半雙工是模型一次只能聽或說；全雙工能邊聽邊說，可處理重疊與附和
heterogeneous intelligence: 121讓不同架構、大小的模型在不同硬體上合作，取代單一種模型擴張
heterogeneous recursion: 121他們延伸遞迴語言模型的工作流程原語，依子脈絡把工作分給不同晶片與模型
hill climb: 146模型靠資料集反覆改進分數，Snorkel 的資料集就是為此而做
hill climbing（爬坡）: 158拿到分數後，持續調整 harness 把分數往上推
homogeneous intelligence: 121Adrian 口中目前主流的做法，靠縮放定律讓同一類模型越來越大
host: 066承載對話與渲染 MCP app 的一方，例如 Claude、ChatGPT、VS Code、Cursor
hot swap: 064在同一張 GPU 上快速切換多個小模型，以提高每張 GPU 的使用率
huddle: 092取代 Scrum 儀式的短會，每隔一天一次，工程、產品、設計都參加
human annotation: 124人工標註 agent 的互動與 trace，Phil 說領域專家能指出表現好壞與原因
human in the loop: 131決策被上報時，由人（或權限更高的 agent）介入的子流程
human review: 053加在工具前面的人工審核步驟，核准後 agent 才能呼叫該工具
hybrid pricing: 051基本費加上隨用量成長的費用，Mayank 認為這是 AI 公司的主流方向
ideation: 065Nick 做的開源 plugin，用信心分數反覆追問，直到把需求問清楚才開工
identity-aware proxy: 183由身分提供者、policy engine 和 reverse proxy 組成的代理，Nick 說 GCP 裡的 IAP 就是這類
iframe: 156host 用來渲染 MCP app 的沙盒容器，與聊天視窗其餘部分隔離
implicit signals: 069隱含訊號，看語意的指標，如拒絕、任務失敗、使用者沮喪、jailbreak，可用 regex、分類器或自診斷偵測
inbox: 054Radek 丟連結的地方，agent 會分析內容、加標籤並連到既有筆記
indirect prompt injection: 008LLM 讀到網頁或文件裡的隱藏指令，使用者與模型都沒做錯，但資料本身是惡意的
inductive bias: 073模型結構本身帶有的假設，例如卷積認定同一個東西不論在圖的哪裡都該有同樣反應
instance-level MCP: 053n8n 原生的 MCP 功能，可逐一開放 workflow 讓 Claude 等客戶端使用
institutional knowledge: 063只存在公司內部與人腦裡的領域知識，是講者認為 agent 最缺的一塊
insurgency model: 103Eoin 對這支小隊運作方式的說法：有首相府授權、較高自主權、自己的招募流程
intelligence per watt: 125Stanford Hazy Research 提的指標，模型在某任務的表現除以耗能；Alex 說更準確是 per joule
intent engineering: 085Vincent 接在 prompt、context engineering 之後的概念：機器依意圖自我優化
inter-annotator agreement: 146標註者之間評分的一致程度，Kobie 用它檢查人與人、LLM judge 與人的對照
interleave / dual stream: 076處理串流文字輸入的兩種主要架構：把音訊與文字穿插在同一層，或各走一條串流再融合
internal plugins: 094公司自己維護的 Claude 外掛，直接推送到員工筆電
inverse text normalization: 004把口說的金額等內容轉成數字格式，例如 $5,000
iterative retrieval: 164給 agent 一份主題索引，讓它自己判斷相關再去查，Nupur 稱為「圖書館卡片」
judge agent: 164收集各專家 agent 的結果，檢查彼此是否說得通、與使用者是否相關的 agent
kept rate: 138比較預測後的文字與定稿狀態，看預測中有多少字元被保留；線上與實驗都在試
kernels: 112Hugging Face 維護的函式庫，用 toml 檔標明 kernel 支援的硬體與軟體版本，也是 Hub 上的 repo
key art: 180一張代表遊戲風格的主視覺圖，這場拿來當 LLM 的單一參考，定住美術與玩法方向
knowledge filters: 006以 OpenSearch 篩選功能建立的條件，讓聊天只針對特定文件
knowledge graph: 096以節點、關係與屬性存放資訊的圖結構，可再加向量嵌入做相似度搜尋
latent representation: 027用 autoencoder 壓縮出來的較小表示，保留網格結構、丟掉局部紋理這類細節，擴散模型實際訓練的對象
lazygit: 185在 tmux 視窗裡開的 git 介面，用來看改動
leader: 050多隻 fairies 協作時選出的一隻，負責看畫布、列待辦並分派，自己不動手
least recently used eviction: 064他們內建的淘汰策略，用來決定換掉哪個模型
ledger: 087Hugo 把 git repository 比喻成的帳本，每個變更都要依序寫入
living memory: 133客戶使用產品時產生的修正、邊緣案例與真實行為訊號，他們認為這才是護城河
llms.txt: 010給 agent 的網站導覽檔，形式是帶連結的 Markdown；llms-full.txt 則把全部內容放在同一個檔案
local agent: 110在 VS Code 裡跑、與開發者並肩互動、有人在迴圈中的 agent
login handler: 099demo 裡由 harness 在登入頁自動填憑證送出的函式，不經過 agent
long session evals: 078針對長對話後段才出現的遺忘問題做的評估
low floor, high ceiling: 071搜尋工具的配置原則：專用工具讓 agent 易上手，通用工具保留處理意外問題的空間
managed variables: 068Logfire 的功能，把 prompt、模型等設定存在平台上，不重新部署就能改，並可設定各值的流量比例
managed 模式: 052執行時改依 Braintrust 上託管的 prompt 與 parameters，而不是本地的設定
max workers / active workers: 161Serverless 的設定：前者是最多擴到幾個 worker，後者是不讓容器縮回去的常駐 worker
maximizer mode: 014路線圖上的模式，讓 agent 在有足夠 token 時持續工作不停
mel spectrogram: 061Angelos 說把音訊轉成這種數值陣列後再做分詞，是常見做法
memory graph: 131把短期、長期與推理三種記憶放在一起的圖
meta-evaluation: 091檢驗評審本身是否可信，做法是和人工標註比對
metamodel: 063描述業務流程、系統、API 與術語如何互相關聯的結構，講者用來當 agent 的地圖
micro-VM: 037每個 session 背後的沙盒雲端電腦，隊友共用同一台
minimax: 005用來做井字棋最佳對手的演算法，對它而言最好的結果是和局
mlx-swift-lm: 025GitHub 上的 repo，給 iOS、macOS、iPadOS app 下載並執行模型
mlx-vlm: 025給 Python 或 macOS app 跑視覺語言模型的專案
mock TPU: 119KP 提到用來測試 harness 與 agent 流程、又不必耗掉大量 TPU 時數的做法
mosaic effect: 003把許多小片資訊拼起來就得到完整圖像；Šimon 說同樣的交叉比對讓系統有用，也讓它成為危險的目標
n plus one queries: 148Michal 用來示範 ADR 的問題，他們靠分層與 import 檢查徹底防止
nanoGPT: 061Angelos 說自己最早是從 Andrej Karpathy 的 Nano GPT 影片認識 transformer，這場以它為藍本
navigator.modelContext: 116命令式 WebMCP 用來註冊工具的入口，註冊時給名稱、描述、輸入 schema 與執行 callback
observe skill: 090Foundry skill 下的子 skill，讓 coding agent 跑完評估與優化循環
omnimodal embedding model: 019源自 Gemini 的嵌入模型，可把文字、影片、音訊與 PDF 轉成單一向量（稿子沒念出正式名稱）
online scoring: 052把評分套在正式環境進來的 log 上，並可設定取樣率
open-weight LLM: 105Shivam 提到的 Llama、Qwen 這類模型，Spotify 拿來微調並注入自家目錄知識
optimize anything: 011gepa 函式庫新推的 API，可優化 prompt 以外的配置，需提供種子候選與評估函式
orchestration paradox: 164越聰明的模型越會一直研究該用哪個方法，token 花在找方法而非執行
orchestrator: 067負責規劃的角色，會對使用者釐清需求，產出功能、里程碑與 validation contract
outcome-based pricing: 051依成果計費，例如依解決的工單數或錄用的候選人數
outrunning your headlights: 031出自 The Pragmatic Programmer，指開得太快、回饋跟不上
pass at five: 151同一題跑五次，只要有一次成功就算成功，用來看模型的潛力
pass@k: 091衡量 k 次嘗試中至少成功一次；pass^k 則要求 k 次都成功
patterns 檔: 070請模型研究 Effect repo 後存下來的做法整理，之後實作時當參考
per-layer embeddings: 024每層一份、像查表的嵌入，不必放 GPU，專為行動裝置設計
performance models: 142Bertrand 形容 Pruna 做的又快又小、放在 endpoint 後面的模型
planner: 101把一行需求拆成高層 spec 與 sprint，刻意不規劃技術細節
playbook: 127Harvey 的概念：律師事務所審閱合約等工作所用的方法與原則，agent 會照同樣方式做事
pre-flight 檢查: 172新問題進來時先確認工具連線、脈絡是否足夠，不夠就追問
pre-merge: 087Hugo 說他們開始這樣稱呼的佇列：變更已完成，但要先整理成可序列化的順序才進 repository
precision / recall: 149精準率是讀過的檔案中有多少是必要的檔案；召回率是必要的檔案中找到了多少
precision / recall / F1: 124傳統 ML 工程師慣用的指標，Phil 認為不足以涵蓋 agent 的評估範圍
prefill: 152先處理輸入上下文的階段；只產生很少 token 時，它會主導總成本
prefill / decode: 125推論的兩個階段：prefill 載入 prompt 並產生 KV cache，算力吃重；decode 逐 token 生成，受限於記憶體
prepare call / prepare step: 083前者在一次 run 的開頭執行一次，後者在每一步之前執行，可改送進模型的內容
previous interaction ID: 047接續上一輪互動的 ID，伺服器據此帶出先前的輸入與輸出
principal domain expert: 097對 AI 品質負全責、能做決定的單一專家
prior authorization: 097醫師開立檢查後，保險公司判斷是否核准的流程
probes: 063掃描時先產生的基本測試，用來檢查知識庫能不能回答某個事件
product engineer: 029懂客戶要什麼、知道好功能與好體驗長什麼樣的工程師，Linear 招募的主要對象
prompt agent / workflow agent: 090前者是一個模型加指示的輕量 agent，後者用 YAML 串接多個專責 agent
prompt motion: 008Harshil 的第二個 app，使用者用自然語言描述動態影像，AI 寫程式並給出預覽網址
prompted playlist: 105使用者用 prompt 描述需求、由模型生成客製播放清單的功能，Shivam 說這週起也支援 podcast
proposer agent: 068GEPA 裡負責根據評估結果提出新 prompt 的 agent
provider 執行的工具: 083像 web search 這類由模型供應商在自己伺服器上執行的工具
pyannote: 154Hervé 做的開源說話者分離工具，因為 Whisper 開源後缺少說話者標籤而廣受使用，現在的公司也用這個名字
quality quarter: 128Sentry 去年用三個月專門整理程式庫、清技術債的時段
quantization: 142Bertrand 列出的壓縮方法之一，他們對模型的每個模組用不同的量化
read-only AI: 003對所有資料來源只讀、不寫入也不代為行動的 AI，輸出只放在另一個地方讓人審閱
read-only hint annotation: 040MCP 規格裡標示唯讀的註記，Sam 說沒有 client 用它過濾 server
reasoning memory: 131記錄 agent 依預先定好的政策與規則為何做某個任務的那一塊記憶
reasoning traces: 096推理軌跡，記錄決策的思考過程，供之後類似決策參考，也用於合規與除錯
red teaming agent: 090依風險類別與攻擊策略主動攻擊目標 agent，並回報失敗案例
red-green TDD: 095先寫失敗的測試，再寫程式讓它通過，最後重構
reducer: 089同步函式，輸入狀態與事件，回傳新狀態，不做副作用
reference class validation: 131做重大決定前，先確認對當事人而言什麼最重要、自己屬於哪一類群體
reference files: 093skill 附帶的參考檔，agent 常懶得載入，不能漏的資訊不該只放在這裡
reflection template（反思模板）: 011GEPA 用來讓 LLM 看結果後改寫 prompt 的提示，Mahmoud 自己重寫了一份
rejection sampling: 084Alessandro 說的做法：用獎勵篩出好的軌跡，組成資料集來啟動第一輪訓練
remobi: 185講者做的開源工具，把 tmux 裡的 agent 工作流搬到手機的 PWA 介面
remote control: 173Claude Code 的功能，讓手機上也能看到並操作還在本機跑的 session
remote control / teleportation: 120Michael 提到 Anthropic 近期推出的、在終端機之外操作 coding agent 的做法
render engine: 179把一個範圍的內容連同格式與版面畫成圖片的引擎，供 agent 看渲染結果
repair step: 138老師的預測沒過靜態檢查時，交給另一個 frontier model 修正的步驟
replay journal: 079replay 模型裡記錄每個 step 的紀錄，版本與大小都是這個做法的痛點
replay model: 079把副作用包成被快取的 step，重跑時跳過已完成部分的 durable execution 做法
report: 168把相關訊號分在一起、累加權重的單位，超過門檻就升級進入研究階段
representation alignment: 072用外部 encoder 教生成模型理解物體關係，加快收斂的做法
research-plan-implement loop: 001先研究、再計畫、最後實作的工作迴圈
resource authorization server: 042負責驗證 IDJAG 並發 access token 的伺服器，與 Figma API 這個資源伺服器分開
response mode: 053chat trigger 的回應方式，要用審核節點時必須設成 using response nodes
response schema: 165讓模型輸出固定結構，Thor 用它把結果直接填進介面
retro agent: 137Case 中的回顧 agent，讀執行紀錄並更新自己的記憶檔
reversal ratio: 138預測剛好撤銷使用者剛打的字的比例，離線評估時追蹤
review bundle: 035把一批變更整理在一起，附任務說明、截圖與影片，方便審查
rollout / trajectory: 005rollout 是一次完整的互動過程；Stefano 用 trajectory 指一整局遊戲
root of trust: 038資安團隊選定一個平台來背書，作為分散開發的信任基礎
routines: 014可排程或手動執行、帶範本變數的例行任務
row level security (RLS): 093Postgres 的資料列層級存取控制，這場用它示範 view 可能暴露資料
runbook: 098寫給 coding agent 照著做的步驟文件，也可以包成 skill
runtime LLM: 180遊戲進行當下由 LLM 即時決策、修改或導演遊戲，與事先寫好的腳本相對
scorer: 052評分函式，分成不用模型的確定性評分與用模型判斷的評分兩種
scraping browser: 176遠端瀏覽器，LLM 可以開啟並操作；Rafael 說它能自動解驗證碼，並有獨特的瀏覽器指紋
script injection: 050讓 agent 對編輯器寫程式、直接改畫布與應用程式，是這場桌面版的核心做法
search / execute: 021Matt Carey 設計的兩個工具，都收程式碼字串；search 拿到整份 OpenAPI JSON spec，execute 提供可呼叫的函式
search endpoint: 109把文件 Q&A 的 RAG 開放出來，agent 用自然語言查詢並取得文件片段
searchable toolset: 106以 BM25 動態搜尋工具，避免 context 被工具定義塞滿
secret ref: 115OpenClaw 的功能，憑證以指標指向 secret，避免金鑰出現在日誌裡
security sentinel: 041Eric 提到資安團隊做的自動化，針對改到特定檔案的 PR 跑多個檢查
seed prompt（種子 prompt）: 011GEPA 優化的起點，這場是一個預設「agent 合規」的簡單 judge
self-diagnostics: 069給 agent 一個回報工具，讓它在遇到值得注意的狀況時主動說出
semantic IDs: 105把代表曲目或集數的向量壓成幾個 token，讓 LLM 能自回歸地生成下一個項目
semantic VAD: 075Neil 列為他們串接系統的標配元件之一，沒有進一步說明
semtools: 071LlamaIndex 出的語意搜尋工具
service tier: 102Flex 約打五折但可能延遲，priority 兩倍價格換快速通道，另有一般層級
settled data: 138使用者停止編輯該區域後存下的最終狀態，用來篩選訓練範例
shadow mode: 133agent 與人工流程並行但不影響結果，拿它的輸出和人的決定比對
shared nothing architecture: 079運算層沒有有意義的狀態，所有狀態都在資料庫的後端做法
shell tool: 071讓 agent 在終端機執行命令的工具，各家叫法不同（Anthropic 稱 bash tool，OpenClaw 稱 exec tool）
shift left: 007把驗證往前移，在本地就先確認，不等到推送之後才失敗
shower principle: 173離開桌子、進入發散模式時比較容易想到新解法的說法
signal layer: 173Zack 自己的叫法，把最耗切換成本的訊息來源接進常用工作窗格
signal（訊號）: 168產品裡發生、會改變 dashboard 指標的事，例如錯誤、log、實驗結果、Slack 訊息
simple memory: 053n8n 代管的對話記憶，預設只記最近 5 則訊息，Liam 建議可調到 50 左右
simplify: 059Claude Code 內建的 skill，會用三個 subagent 檢查最近改動能否更簡潔
skill / SKILL.md: 109給 coding agent 的說明手冊；SKILL.md 寫導入風格，再連到各產品模組的 reference
skill / sub-agent: 048Cursor 既有的兩個功能，新的 worktree 實作就是用這兩個拼起來
skill creator: 065Claude 內建的 skill，可用來評論、設定與評估自己寫的 skill
skill.md: 093skill 的主檔，內容是指示，frontmatter 的名稱與描述決定 agent 何時載入
skills over MCP: 022即將推出的擴充，讓 server 作者透過 MCP 持續提供更新後的 skills
skills 頁面: 176Bright Data 提供的頁面，讓 agent 讀過後學會怎麼建爬蟲與資料管線
skills.sh: 014Dotta 提到的技能來源，CEO 會從那裡安裝 Remotion 技能
skills（npm 套件）: 060Vercel 出的套件，可把 skill 裝進專案並連結到不同 agent 的資料夾
slim mode: 155只開放 select page、navigate page、evaluate script 三個工具的模式，省 context 但可能多繞幾輪
smart truncation memory: 078取頭尾各 100 個字元、中間存進記憶供回頭取用的現行方案
smart zone / dumb zone: 033Matt 引用 HumanLayer 的 Dex Horthy 的說法：對話越長 LLM 越笨，自己的標記大約是 100K token
snapshot: 181Johan 描述為網頁狀態的高度壓縮版本，token 用量少，供 AI 讀取
snapshot and restore: 079把整個執行狀態存下來並關機，需要時再還原
social graph: 126記錄一個人在哪些 repo 工作、跟誰合作的圖，用來當檢索的支點
social graph builder: 057這場 workshop 的範例專案，從 repo 的 PR 與 review 關係推出團隊、專家與程式碼區域的覆蓋度
soft token: 105由使用者向量投影進 LLM 空間而成的 token，代表當下這位使用者
soul.md: 018定義 agent 個性的檔案，Peter 花很多心思調整並公開做法
spaCy、GLiNER: 136套件把文字轉進知識圖時依序用到的抽取方法，後面接 LLM 後備
speaker diarization: 154回答「誰在什麼時候說話」，輸出的是說話者一、二、三這類標籤，不是真實姓名
speaker-attributed transcription: 154在逐字稿上替每個字標上說話者，回答「誰說了什麼」
speaker.json: 183AIE 網站右上角提供的本場講者資料，demo 拿它當資料來源
spec reviewer: 002Baz 的 agent，比對工單與設計圖的需求和實際實作，給通過或失敗的判定與截圖證據
spec-driven development: 148先寫 Markdown 規格再開發的做法，Michal 認為它缺少驗證產品是否照規格運作的一環
spec-driven testing: 141把資料集、規則、詞彙、權限與壓力情境合起來當規格，再據此測試 agent
specs to code: 031寫規格讓 AI 轉成程式碼，有問題就改規格重跑，不看程式碼的做法；Matt 認為行不通
speech-to-speech pipeline: 134Hugging Face 的語音管線，串起 VAD、語音轉文字、LLM 與 TTS，Andres 是維護者
srcdoc: 174iframe 的屬性，把內容直接推進去，不另外載入網址；iframe 會與 host 同源
stdio: 116MCP 的本機傳輸方式，伺服器由用戶端啟動成本機行程，靠標準輸入輸出溝通
step up auth: 040缺少授權範圍時回傳 scope challenge、互動詢問使用者的機制，VS Code 有支援
stratified sampling: 005Stefano 加的分層抽樣，讓每個 batch 都有平衡的對手強度組合
stream processor: 089讀事件串流的程式，由 reducer 與 after append 兩部分組成
structured handoff: 067worker 完成功能後填的紀錄，含做了什麼、沒做什麼、遇到的問題與是否遵守流程
structured output: 022MCP 的功能，說明工具回傳值的型別，方便模型串接
stuck（卡住）: 145使用者重複同一要求、抱怨實作、明確失敗或放棄對話，由 LLM 判官從對話中標出
sub-agent: 078承接資料量大的搜尋工作，讓主對話保持輕量
sub-registry: 038gateway 內的元件，登錄企業內部自己的 MCP server
sub-workflow: 053被另一個 workflow 當工具呼叫的流程，Liam 用它處理沒有按鈕的審核
tabular review: 030把合約審查攤成表格的介面，Jacob 說是使用者已經熟悉的介面形式（稿子的字句不清楚）
tailnet: 144一個 Tailscale 網路，裡頭的容器、GPU 伺服器、筆電、手機等節點彼此直連
target function: 109自動實驗用來衡量 skill 改得好不好的目標，這場的重點教訓
tau-bench: 011客服 agent 的基準資料集，Mahmoud 用的是其中的航空客服情境；印象中是 Sierra 做的
tcache: 175這場舉的快取例子：步驟間變化很小時就不重算；Ziv 也說它不算很強，但適合拿來理解概念
team pulse: 037ACE 儀表板上摘要同事近況的區塊
telemetry in the loop: 085讓 harness 看得到錯誤與成本等資料，並據此自我修正
temperature: 061控制取樣隨機程度的參數，Angelos 建議 0.7 左右
tensor parallelism: 125把每層的張量運算拆到多台機器，每層要同步兩次
terminal bench: 146這場研究所用的任務風格：容器化環境加上任務定義，Kobie 也提到它的一代與二代
test-time training: 125在推論時更新模型權重，Alex 認為這會讓雲端沒辦法 batch
text-to-Cypher: 131把人類語句轉成 Neo4j 查詢語言的工具
text-to-speech: 076把文字轉成語音；這場談的是它的架構與串流
theory of constraints: 059系統裡永遠有一個主要瓶頸，不先處理它，其他優化都沒意義
time split: 151每月只收前一個月的新題，避免題目與解答成為下一代模型的預訓練資料
time to first token: 013串流回應中第一個 token 出現的時間，Mozhgan 視為使用者感受到的反應速度
tiny teams: 049swyx 的說法，指營收的百萬美元數多於員工人數的團隊
tldraw: 050Steve 的公司，做線上白板，也提供讓別的產品內嵌畫布的 SDK
tldraw computer: 050Steve 提到的另一個以多段 prompt 串起來的專案，這場沒有展開
token billionaire: 017Ryan 的自稱，指大量消耗 token 讓模型做完整份工作；主持人介紹時說一天用掉超過十億個輸出 token
token maxing: 028工程師為了讓自己的 token 用量好看而刻意多用 AI，Gergely 說起初是玩笑，後來在不少公司變成奇怪的文化
tokenomics: 084Alessandro 用來指一個用例的 token 成本是否划算；模型小，成本才算得過來
tokens per successful outcome: 155Michael 提出的指標，把完成度與 token 成本、工具呼叫次數、時間合在一起看
tool search tool: 060Claude Code 依需求載入 MCP 工具的機制，Pedro 視為 MCP 版的 progressive disclosure
tool sets: 040Sam 加的概念，把相關的產品工具分組，讓使用者自選
trace-linked evaluation: 090把評估結果連回 trace，從失敗的指標回頭看執行過程
tracer bullets / vertical slices: 033貫穿各層的薄切片，用來儘早拿到回饋
traces: 129agent 運作過程的紀錄，有 tool call 之後評估對象就是整條 trace
tracing 工具: 077Granola 自建的追蹤工具，記錄 tool calls、搜尋與推理軌跡和成本
trajectory eval: 160檢查整串呼叫順序是否能正確完成商業流程的評估
transactional memory: 133他們對企業既有資料（CRM、ERP、SOP）的稱呼，認為每個競爭對手都有一份
triage agent: 069Raindrop 每天掃描所有訊號，異常時自動調查的 agent
tribal knowledge: 063大家知道怎麼做、但從沒寫下來的知識，講者估計約占企業知識的 40%
trunk-based development: 092PFF 採用的開發方式，所以有專門處理 feature flag 的 skill
trusted proxy auth mode: 183讓控制面信任前面代理放進來的身分，免貼 WebSocket token、免裝置配對的驗證模式
tsnet: 144Tailscale 的開源函式庫，讓程式自己加入 tailnet 並讀取同樣的身分資訊
turn-taking: 074判斷何時輪到誰講話；Luke 說它能感知情緒與脈絡、分辨停頓，也做 semantic VAD
ubiquitous language: 031DDD 的概念，開發者、程式碼與領域專家共用同一套術語；Matt 用 markdown 表格維護
usage cap: 051用量上限，用完要加購或等下個月重新配額
use case registry: 012把 agent、工具、模型對應到具體業務用例的目錄，支援影響分析與 lineage
user embedding: 105Shivam 的團隊為每位使用者產生的向量，代表長期累積的聆聽口味
uv: 061Angelos 用來建立專案環境的工具，跑 uv sync 就會建好虛擬環境
vLLM: 013Mozhgan 用來在本機服務各個模型的推論伺服器
vLLM / SGLang: 147Benjamin 列出的模型 serving 選項
val loss: 061用模型沒看過的資料算出的損失，用來判斷是否過擬合
validation contract: 067規劃階段、動工之前寫好的驗收斷言集合，獨立於實作定義什麼叫完成
validator: 067負責驗證的角色，分 scrutiny 與 user testing 兩種，都沒看過程式碼
variable length flash attention: 064可變長度的 flash attention，讓 token 批次處理時不必補齊而浪費算力
vent tool: 145給 agent 的回饋工具，在工具、文件或平台行為明顯拖慢工作時，把抱怨直接送到 Slack
verifier's rule: 030Jacob 說是 Jason 提出的：任務可解又容易驗證，就會被 AI 解決
verify step: 099用寫死的程式檢查工具歷史，確認任務真的完成，demo 裡是有沒有真的點到讚
vertical AI: 030專注單一產業的 AI 公司，這場以法律為例
vibe coding: 143用自然語言叫 LLM 寫出 app 的做法，Joe 說這是把整個故事推紅的原因
video web arena: 121視覺網頁導航的評測，Adrian 說他們勝過 GPT-5.2 與 Gemini 2.5
view: 174顯示在對話裡的一小塊 HTML 介面，永遠是某次 tool call 的結果
vllm serve: 161示範中的部署設定會當成這個指令的旗標傳入
voice design API: 143ElevenLabs 的 API，輸入聲音描述就生成符合的聲音，雕像 app 的聲音靠它產生
voice engine: 074ElevenLabs 預告的新產品，把 text-to-speech、turn-taking、speech-to-text 包成獨立元件，可套在現有 agent 上
widget: 172Studio 產生的 sandbox 程式碼，內含 UI、API 與查詢，是可重複使用、可分享的小工具
work trial: 029Linear 招募流程裡為期一週、有付費的試做
worker: 067負責實作的角色，以乾淨 context 做一個功能，完成後用 Git commit 並填交接單
workerd: 036Cloudflare 的 worker 執行環境，Matt 用它示範前面的 dynamic worker，和 Deno、Pydantic Monty 並列
world models: 072學習模擬幾何與物體互動的模型，用來訓練機器人等 agent
write-ahead log: 132Braintrust 自建資料庫讓 trace 立刻可見的元件
yak shaving: 049為了做一件事，得先處理一層又一層相依雜事的狀況
zero-bug policy: 029bug 一進來就指派並優先修復，不放進待辦清單
原地編輯: 152固定住部分內容，讓模型填補缺口，例如在程式碼或故事中補一段
命令式 API: 171用 register tool 自訂工具，適合複雜的多步驟 UI 流程
四檔案外部記憶: 113agents、plan、progress、verify 四個 MD 檔，讓每個新 session 接得上進度
宣告式 API: 171在 HTML 表單加工具名稱與描述，瀏覽器自動產生 JSON schema
機械式強制（mechanical enforcement）: 020多半用 lint 規則落實的約束，例如禁止 bare catch、SQL 集中、單一元件庫、函式名稱唯一
清理日（garbage collection day）: 017每週五全隊把本週看到的 slop 歸類，並設法徹底消除的做法
研究 agent（research agent）: 168負責弄清楚問題是什麼、屬於哪個 repo，並用 git blame 找出該找誰 review
空注入（blank injection）: 145偵測到該注入時刻意不送任何內容，用來和有注入的專案比較成效
自迴歸: 152一次產生一個 token、後一個以前面的為條件的標準做法
自適應運算: 152模型被訓練成自己判斷何時完成，簡單問題用少量步驟
行為評估: 177評估的第三層，檢查工具呼叫與是否陷入重複呼叫，例如答對餘額卻呼叫了三次資料庫
遠端瀏覽器: 159跑在 Bright Data 伺服器上的瀏覽器，可指定地區的 IP，並模擬真人的滑鼠與打字
離散擴散: 152加噪方式是把 token 換成詞彙表裡的隨機 token；Brendan 說目前文獻裡多數文字擴散屬於這一類
飛輪: 052Braintrust 的講者說的循環：放進資料、找失敗模式、修正、上線、監控，再重來
驚嘆號加反引號: 065在 skill 裡先執行指令，並把輸出填進去的寫法，他們說目前主要是 Claude 支援