AI Project Strategy：三四個小時的試算表，省掉幾週的錯方向｜Stanford CS230 第 6 堂
Andrew Ng 用 deep researcher 當例子示範 error analysis：列是 pipeline 的每個步驟，行是 10 到 100 個查詢，只看表現不好的那些，逐格標記哪裡壞掉。百分比不需要加起來等於 100%。他說這要花三四個小時，但省下的是幾週走錯方向的時間——而真的會去做的人的比例遠低於 100%。
全部文章
第 109 頁，共 129 頁
Deep Reinforcement Learning：把 RLHF 放回強化學習的框架裡｜Stanford CS230 第 5 堂
圍棋不能用監督式學習的第三個理由最有意思：ground truth 本身就沒有良好定義——最強的人類不是每天下出最好的棋，而他最好的棋也不是最優解。這一講的最後約 15 分鐘把 RLHF 完整放回 RL 的框架：agent 是被微調的模型、action 是下一個 token、一個 episode 是一次完整生成，而且獎勵極度稀疏。
Full Cycle of a DL Project：資料收兩天就好｜Stanford CS230 第 3 堂
Andrew Ng 用人臉辨識開門系統走完整個專案生命週期，而全講只有一個核心論點：速度。他給團隊的期限是兩天，理由是「花在準備資料的時間，應該和訓練一次模型的時間相稱」。最後收在一句話：我的工作是做出一個真的能用的東西，那和做出一個在測試集上能用的東西不一樣。
Supervised, Self-Supervised & Weakly Supervised Learning：從比較像素到比較意義｜Stanford CS230 第 2 堂
CS230 第二講用三個案例研究推導出 embedding：日夜分類教你怎麼用人當 proxy 決定解析度，喚醒詞偵測教你三小時生出上百萬筆訓練資料，人臉驗證教你設計出第一個 loss function。最後從監督式 triplet 走到自監督 pairs——那一步才是現代模型能吃下數十億張未標註影像的原因。
What's Going On Inside My Model?：模型退步了，你先看哪裡｜Stanford CS230 第 10 堂
問模型「你心目中的鵝長什麼樣」，它畫出一大群鵝——因為標註資料把一群鵝標成 goose，它以為整群才是那個標籤。這一講給了七種打開 CNN 看內部的方法，然後誠實地說：這套方法到 transformer 上，最前沿的研究也只解釋得了兩層。
Introduction to Deep Learning：光靠 prompt 走不遠的那兩個時刻｜Stanford CS230 第 1 堂
CS230 第一講是課程總覽，但 Andrew Ng 花最多時間講的是三件事：為什麼 scaling 有效、什麼時候 prompt 就不夠用了、以及他認為「不要學寫程式」是史上最糟的職涯建議之一。
掃描 PDF 實測：10 種解析工具丟進考古題，結果差多少？
用 4 份台大碩班掃描考古題實測 10 種開源 PDF 解析工具。VLM 類（Firecrawl、MinerU 3.4、Marker v2）在公式和程式碼上全面碾壓傳統 OCR，但安裝踩坑才是真正的門檻——MinerU 舊包名會進依賴地獄、Marker 首次模型下載要 10 分鐘、PaddleOCR 缺引擎。實務推薦兩階段策略：RapidOCR 粗篩 + MinerU/Firecrawl 精查。
Career Advice in AI：投了 300 份履歷都失敗的 10x 工程師｜Stanford CS230 第 9 堂
一個菁英等級的工程師投了 300 多份工作全部失敗，原因是求職手冊教他「站穩立場、要有骨氣」，而他詮釋成強硬。面試官的判斷是：這人就是那個 10x 工程師，但我不想讓他靠近我的團隊。這一講也給了 vibe coding 最好的判準——技術債。
X 演算法開源：權重公開之後，反而更清楚黑箱在哪
2026-08-13 的發布新增 363,246 行，首次公開 For You 的排序權重：favorite 0.5、reply 5.0、report −234.0。但權重是常數，真正決定順序的 P(action) 來自一個 2560 維、8 層的 transformer。
context 與記憶：agent 失敗的真正位置
Chroma 測了 18 個前沿模型，全部隨輸入變長而跳崖式退化。記憶失效多半是檢索失效偽裝的。而 KV cache 的真正成本是頻寬不是儲存——decoding 每產生一個 token 都要讀過整個 cache。
安全：prompt injection 只能在 harness 層做損害控制
2025-11 三大實驗室聯手把先前提出的 12 種 prompt injection 防禦全部攻破。EchoLeak 的 payload 通過了微軟自己的專用分類器。所以目標不是擋住每次攻擊，是攻擊成功時活下來——而這只能在 harness 做。
概念界線：agent、workflow、RAG、MCP 到底差在哪
workflow 與 agent 的分界是「步數由誰決定」——開發者在設計時決定是 workflow，模型在執行時決定是 agent。依這個定義，今天大多數上線的 LLM 系統其實是 workflow。附 agent / RAG / MCP 的可操作判準。
上線才是工作的開始：企業 agent 案例橫向讀
Salesforce 從兩萬個部署得到的數字：agent 有 90% 的工作發生在上線之後，跟傳統軟體剛好相反。Stripe 每週合併 1,300 個零人類手寫的 PR，靠的是環境而不是模型。附六家公司的橫向比對。
協定層：MCP、A2A、ACP、Skills 各解什麼問題
MCP 管 agent ↔ 工具，A2A 管 agent ↔ agent，Skills 管可重複使用的知識。判準是資料會不會變：呼叫之間會變就要 MCP，穩定到可以寫下來就用 skill 檔案——後者不需要一個會獨立失敗的 runtime。
模型只是元件，harness 才是系統
Microsoft、OpenAI、Salesforce、Stripe 等七個獨立案例講出同一句話：可靠性來自模型周圍的工程。而「把確定性的部分還給程式碼」已經被四家公司各自做成產品——Agent Script、Procedures、runtime、blueprints。
RAG 的三種形態與 evaluator paradox
Standard RAG 取錯 chunk 就答錯，而且沒有任何機制會發現。Agentic RAG 補上自我檢查，但代價是 evaluator paradox——自我修正能力的上限，就是那個做評估的 LLM 判斷相關性的能力。
台灣機場被無人機關場 23 次：而機場拿到的授權只有「取締」
立法院三份預算評估報告的一手清單：108 年度到 112 年 8 月底，台灣機場因無人機關場 23 次，而每一列的處理方式欄都是同一句「會同航警局查處」。民航法第 99 條之 13 第 6 項給機場的動詞是「取締」，不是「制止或排除」，但 113 年度報告已寫各機場均購置手持式干擾器。
電廠、水廠、晶圓廠：關鍵基礎設施在民航法的授權表上，連一格都沒有
民航法第 99 條之 13 第 3、4 項寫的是「政府機關（構）、學校或法人」，但唯一讓場地方「制止或排除」的第 7 項但書只寫「政府機關（構）」——台電、中油、晶圓廠都是法人。它們剩下的路徑是請縣市政府公告禁限區再「取締」，罰則從最低 30 萬掉成最高 30 萬；而輸入干擾器要的「關鍵基礎設施提供者」身分，是靠收到一封信知道的。
警察飛無人機的法源是完整的——但那是「飛」的法源，不是「拍」的法源
八個警察局成立無人機隊，飛的法源很清楚——民航法第 99 條之 16 第 2 項給政府機關執行法定職務的操作豁免。但那是飛安豁免：台北市法規會的法律鑑定意見寫明它「恐無法作為以無人機空拍方式實施行政調查時之法律基礎」，而 2024 年三讀的刑訴特殊強制處分專章授權了 GPS、M 化車與隱私空間攝錄，空中調查一條都沒有。
誰有權把無人機打下來：台灣的法律授權了「排除」，卻沒授權任何一種手段
中央法規裡「無人機」出現在 19 部，「反制無人機」只出現在 1 部，而那一部是採購特別條例。六個場域被授權「制止或排除」侵入的無人機，但沒有一條說可以用什麼手段——民航法第 99 條之 13 只寫「採取適當措施」，而警械公告的 31 項裡有迫擊砲、沒有干擾槍，電信管理法第 67 條第 1 項也沒有任何公務除外規定。