如何免費使用 LLM：OpenCode 2 內建模型與 OpenRouter 入門教學
安裝 OpenCode 2 後，先直接選用內建免費模型，完成第一個生活小任務；想換更多模型或在自己的程式呼叫免費 API，再接 OpenRouter。
ai
1264 篇文章AI 通病總覽：否定式對比、意義抬高、指示型摘要、過度概括
LLM 寫作有四個常見通病：否定式對比（先駁倒沒人說過的 X）、意義抬高（把普通事實包成轉折）、指示型摘要（只說談什麼、不給結論）、過度概括（摘要丟掉條件與範圍）；前三個刪空話、直接寫答案，第四個拿原文逐句對。否定式對比已追到訓練用的偏好資料，模型修訂稿時還會把它換成另一種對比句型，所以只在 prompt 禁字未必擋得住。
「不是 X，是 Y」怎麼改：否定式對比的三種句型、頻率與留刪判準
對每一句否定式對比問兩件事：讀者心裡真的有 X 嗎？否定 X 會讓讀者多知道什麼嗎？任一個沒有，就刪掉 X 直接寫 Y。NLP 論文的 rather than 從 2019 到 2026 年變成約 7 倍，五個商用模型寫中文時，這類句式的密度是人類參考語料的 2.5–9.2 倍；模型幾乎沒用錯，但一半以上可有可無，一篇用了八次，總有一句會讓讀者煩。
Cloudflare Agents SDK 怎麼選起點：Pi harness、Agent、AIChatAgent 與 Think
已有 harness 就用 PiHarness；做 chat、要自己組模型呼叫用 AIChatAgent，交給框架用 Think；不是 chat 但要狀態、排程、MCP，用 Agent。
Gemini、Claude、ChatGPT、Grok 怎麼選：長影音、程式碼、X 即時搜尋與 App 平台
兩小時的課程影片約 72 萬 token，Gemini 的 API 收得下，Claude 與 ChatGPT 的 API 文件沒有列影片輸入；程式碼這條線 Claude 與 GPT 在 Vals 榜上只差 0.8 分，該比的是速度與成本；X 輿情與代填結帳找 Grok，現成 App 與語音找 ChatGPT。
事後怎麼看見 agent 做過什麼：Uber ADR、numbat、Adrian 與稽核紀錄的可信度
偵測與稽核工具是一條光譜：Uber ADR 的開源版純事後讀紀錄，numbat 預設只監控，其餘多半賣點是能在動作前擋，預設卻先只觀察。紀錄能不能當證據，取決於誰能改它：簽章金鑰和被稽核的 agent 同機同使用者時，只能發現竄改，不能防止竄改。
動作前把關靠不靠得住：Claude Code hook、Agent Governance Toolkit、pipelock 與 NeMo Guardrails
護欄在 agent 動作之前攔截。Claude Code 上的主要接點 hook，官方文件寫明大多數事件上出錯或逾時會照常執行，要擋得設 onFailure: block。別的工具各有各的出錯行為與預設：Agent Governance Toolkit 的函式庫沒載入政策時放行，NeMo 的偵測器連不上時放行，llm-guard 與 rebuff 已封存。選護欄先問三件事：攔在哪、掛了怎樣、誰能改規則。
容器、gVisor、microVM 差在哪：核心、系統呼叫與硬體誰和誰共用
容器共用 host 核心，gVisor 在中間插一個使用者空間核心，microVM 多一個 guest 核心加 hypervisor；三種都還共用同一台 host 的 CPU 快取與儲存。
沒有網路也能傳資料：共用快取、儲存與 CPU 時間怎麼變成訊號
兩個互不連線的程式可以靠共用資源的快慢傳位元：一方改變資源狀態，另一方計時。這類通道要先約好協定，速度慢、容易被雜訊蓋掉；本機實驗在 20 bps 以下幾乎全對，100 bps 以上錯誤明顯增加。
防守清單怎麼讀：隔離、降噪與偵測各擋哪一類問題
沒有任何一項防守同時擋住旁路通道與出口。擋通道的核心是不共用，擋出口的核心是收窄被放行的服務，監控只負責發現，自動停止是事後回應，兩者都不是預防。
出口不只一個：套件代理、DNS 與「替人跑腿」的服務
沙盒沒有直連網路，不代表沒有出口：套件代理、DNS 解析器、metrics 服務這類被放行的服務，只要能替人發請求就是出口。OpenAI 的三個案例都是這個形狀。
OpenAI 紅隊報告怎麼讀：四種通道、實驗條件與沒公開的數字
OpenAI 自述紅隊 agent 在共用主機上用快取、儲存、CPU 時間與 TLS 憑證快取做出通訊管道，多數通道很慢；多數測試被指定了通道或給了協定，頻寬與錯誤率沒有公開。
Agent 的程式碼跑在哪裡：容器、核心、主機、網路與監控五層隔離
一段 agent 程式碼從執行到連線會穿過五層：容器、核心邊界、共用主機、網路邊界、監控。每層只承諾一件事，共用主機這層幾乎沒有承諾。
你的 agent 該擔心哪幾層：個人、團隊與多租戶平台的優先順序
依我的判斷，OpenAI 談的是訓練前沿模型的研究環境；個人 agent 最該先做的是限制憑證與出口，旁路通道要到有第二個需要被隔離的租戶時才變成主要風險。
沙箱怎麼選：四種隔離的差別，以及 Claude Code 與 Codex 的預設差在哪
我把 agent 沙箱分成四種：共用核心的作業系統隔離、容器編排、本機 microVM（輕量虛擬機）、遠端 microVM。Claude Code 的沙箱預設關閉、只包 shell 指令；Codex CLI 本機預設開啟。公開的逃逸案例多半繞過邊界旁邊的設定檔或檢查腳本，不是打穿核心；沙箱回答的是被騙之後能走多遠，不是會不會被騙。用 Claude Code 的話，先開沙箱，再把 ~/.ssh、~/.aws 列進拒絕清單，並另外擋住 Read 工具。
AI Agent 的資安工具怎麼分：風險入口、七類工具與三個反覆出現的限制
裝 skill、接 MCP、讓 agent 跑指令時，風險可以看成從四個入口進來。我把相關的開源防護工具依介入的時間點分成七類，從安裝前掃描、沙箱、護欄到稽核與紅隊測試。這一篇先看每一類管哪一段，以及三個反覆出現的限制：沒有單一工具能獨當防線、預設值常常對你不利、公開的偵測數字缺少獨立評測。
用 AI 打別人的工具與雙用途風險：Strix、Shannon、HexStrike、ARTEX 的證據讀法
AI 滲透工具把 LLM 當攻擊者，去測傳統軟體。它們有兩個共通問題：工具本身是攻擊面（被測目標可以用 prompt injection 反控它，HexStrike 的伺服器甚至沒有驗證），以及開源之後管不住用途（同一個工具既能做授權測試也能被拿去攻擊，ARTEX 與 HexStrike 的防濫用設定都是操作者可以改的預設值）。讀「某工具被濫用」的新聞，要問誰說的、是不是獨立的證據。ARTEX 事件有多家廠商分析，但其中幾家分析的是重疊的攻擊者基礎設施，或直接引用彼此，不能算成多個獨立證據。
投稿前怎麼請 AI 審稿：哈佛 King 與 Worthington 的實驗、提示詞與限制
King 與 Worthington 拿 124 篇稿件的 134 份付費專家預審，對照 Claude Opus 4.8 的審查：GPT-5.5 評審的 132 組有定論配對全選 AI，3 位前任編輯在 30 次判斷中選了 26 次。結論只適用於投稿前的建設性意見，不等於期刊審查。
測試你的 LLM 應用抗不抗攻擊：garak、promptfoo、PyRIT、HackAgent 的成功率怎麼讀
兩份都寫「攻擊成功率 5%」的報告不能直接比：數字背後有誰出題（攻擊者模型）、誰判定（judge，負責判定的模型或規則）、分母算什麼三個變數。garak 官方 FAQ 說自己的分數沒有科學效度，HackAgent 白皮書裡兩個模型的先後會隨 judge 門檻翻轉。我查到的資料裡，四個工具都沒有獨立的準確度評測。
用 AI 審計自己的專案：Cloudflare security-audit 與 Trail of Bits skills 的做法差在哪
兩個代表的做法相反：Cloudflare 的 security-audit skill 是純 LLM 的多階段流程，Cloudflare 說他們內部的 harness 接了 Semgrep 之後，獵捕用的 agent 一個月都沒呼叫；Trail of Bits 則是 Semgrep、CodeQL 腳本加 LLM 判斷。我在兩者的規則與附檔裡都找不到 Workers、D1、KV 或 Astro 的專屬檢查，兩者也都沒有公開在真實專案上的準確率。這篇只讀了文件，沒有對任何專案試跑。