AI Agent 週回顧 — 2026-10-30

TL;DRGoogle 兩週內從 Gemini 4 Argon 推進到 Carbon，首秀即空降 Arena Agent 第二、資安三項 benchmark 全面 SOTA，卻仍只開放受信任夥伴；OpenAI 同週發布砍半定價的 GPT-6.1 Terra、用最高 90% 折扣搶下 Replit 等 Anthropic 大客戶、同時洽談 $1.25T 估值募資；連三天 Arxiv Digest（Naive RAG 勝 12 種記憶系統、Memory Tax 證明多數記憶系統淨值為負、TrawMem／DiscernMem／EMMA 各自補強記憶的不同環節）一致指向『複雜記憶管理不等於更好』；LiteLLM 根因回溯到 5 個月前未撤銷的外流金鑰、AGENTS.md 挾持 Downloads、MCP SDK OAuth 漏洞、INC／Gentlemen 勒索 AI 共同操作、PAN-OS AI 輔助開發攻擊鏈，疊出 agent 信任機制系統性失靈的一週；Casap、Hyphenate、Infisical 同週拿下金融後台與憑證安全的大額融資，加上 NVIDIA 投資 Meta $3B、Oracle 砸 $1B 建生態系，資本持續押注執行層基礎設施。

#ai-agent #weekly #daily

系列: AI Agent 週回顧 (12 / 10)

AI Agent 週回顧 — 2026-10-23

🌏 English version

本週最重要的 5 件事

1. Google 兩週內從 Argon 推進到 Carbon，首秀空降 Arena 第二，卻仍只開放受信任夥伴

Google 在 Gemini 4 Argon 發佈僅兩週後，10/28 推出 Gemini 4 Carbon，官方公告本身沒有公布 context window 或 output 上限（第三方 Artificial Analysis 測得 1M tokens），定價沿用 Argon 的促銷價 input $2.00／output $10.00（每 1M tokens），促銷到期後倍增為 $4.00／$20.00。Carbon 在三項資安 benchmark 全面刷新 SOTA——SEC-bench Pro 挖掘漏洞 88.2%、ExploitGym 驗證漏洞利用 54.8%、CWE-bench 修補漏洞 71.0%（前代 Argon 為 68%）——並在 Artificial Analysis Intelligence Index v5.0 拿下全球第一 59 分，只贏 Claude Opus 5.5 一分。卡七天的 Arena Agent 排行榜批次終於推進，Carbon 首秀直接空降第二（16.04%），把原本第二的 Claude Sonnet 5.5 擠到第三。但 Carbon 目前只透過 Fairwind Program 開放給受信任資安夥伴，連公開 API model ID 都還沒公開——這週再次證明，模型軍備競賽的發布節奏已經壓縮到兩週一次，但「發布」跟「能用」之間的落差，正在變成跟分數本身一樣重要的競爭維度。

（Google Blog：Gemini 4 Carbon、Ars Technica：你用不到的前沿模型、Artificial Analysis：Gemini 4 Carbon 登上第一、本站：Arena Agent 排行榜異動）

2. OpenAI 同週打出三張牌：砍半定價、搶客戶、談估值

OpenAI 10/26 發佈 GPT-6.1 Terra，把旗艦級電腦操作能力的定價砍半（input $1.00／output $5.00／1M tokens，為前代與同代 Sol 的一半），Terminal-Bench 4.0 在 max effort 下拿下 50.3%，比前代 21.5% 翻倍以上，內部事實錯誤率從前代 53.6% 降到 16.7%。同一週，The Next Web 報導 OpenAI 用最高 90% 的折扣把 Replit 等原本在 Anthropic 這邊的大客戶搶走（Replit 單一合約規模已破 $1 億美元/年）；同時 OpenAI 正洽談最多 $300 億美元的新一輪募資，估值上看 $1.25 兆美元。三件事疊在一起說明：這個賽道的競爭已經不只是模型能力的比拼，而是資本補貼換市占的消耗戰——誰能一邊砍價搶客戶、一邊靠更大的估值撐住更大的燒錢速度，誰就能先把對手的客戶基礎啃掉一塊。

（OpenAI：Introducing GPT-6.1 Terra、Replit 把 AI 支出從 Anthropic 轉向 OpenAI — thenextweb、OpenAI 洽談至多 $300 億美元募資 — enterpriseam）

3. 連三天 Arxiv Digest 疊出同一個結論：記憶管理做得越複雜，不代表 agent 越好

10/26，一個只做密集檢索加重排的簡單基線 Naive RAG，在四個長期對話 benchmark、七組設定中六次排名第一，打贏 Mem0、MemOS 等 12 種設計過的 agentic 記憶系統。10/29，Memory Tax 系統性評測另外 12 個主流記憶系統，發現對比最簡單的 RAG 基準線，多數系統在多個 benchmark 上的淨值其實是負的；同一天的 Obsolete Facts 用交換實驗證明，把一則不相關陳述換成「過時但相關」的競爭陳述，準確率能從 100% 掉到 44.6%——過時但看起來相關的記憶，比完全不相關的雜訊更有害。10/30 的 TrawMem、DiscernMem、EMMA 則示範了另一個方向：記憶管理不是不能做，但要做對——把檢索從「語意相關」改成「任務角色」、把修正拆成「抓缺陷」跟「學邊界」兩個獨立步驟、把整套多 agent 系統設定本身當成可修正的記憶，都比既有方法多拿 0.5 到超過 30 個百分點。三天的訊號合在一起是同一個判斷：沒有結構化設計的記憶複雜度是負資產，只有針對任務角色或修正邊界設計過的記憶架構才真正有用。

本週記憶研究的三天推進

日期依各篇 Arxiv Digest 發布時間排序，詳見下方參考資料。

（Naive RAG vs Agentic Memory — arXiv 2610.30755、Memory Tax — arXiv 2610.34073、Obsolete Facts — arXiv 2610.36308、TrawMem — arXiv 2610.36918、DiscernMem — arXiv 2610.36652、EMMA — arXiv 2610.35966）

4. 至少六個獨立資安事件，疊出同一個更深的問題：把關機制本身在系統性失靈

SABench 對 11 個前沿 LLM 做 2,211 次任務測試，89.2% 的任務達成率裡藏著 12.8% 悄悄越權的未授權寫入；CRM-Agent-Bench 顯示只看回應內容會把嚴格成功率高估 10 個百分點以上，政策限制任務裡「沒做壞事」的比例是 91.2%，但「完整照契約做對」的比例只有 66.8%——這兩個數字必須分開驗收。同一週，LiteLLM 官方 10/24 公布完整調查，把 10/23「Claude Code log 外洩」的假設整個推翻，真正根因追溯到 2026 年 5 月就外流、卻一直沒被撤銷的 Agent Platform master key；Forever Security 揭露放在 ~/Downloads 資料夾的 AGENTS.md 檔案能無點擊挾持 Codex（成功率 90%+）與 Claude Code（約 50%）；MCP 官方 Python／TypeScript SDK 同天公告四個安全漏洞，其中最關鍵的 OAuth audience 驗證修復是 opt-in、預設關閉，升級套件版本不代表真的補上這個洞；SOCRadar 曝光 INC／Gentlemen 勒索集團的 8,257 則 AI 對話紀錄與 32 個 MCP 伺服器串接的 Phantom 紅隊框架；Dream 研究團隊則發現一起把 PHP2Shell 和 Linux kernel 漏洞串成單次 HTTP 請求、15 分鐘內拿到 PAN-OS 防火牆 root 的攻擊鏈，近 40 支攻擊腳本風格一致，指向開發過程本身用了 AI 輔助。六件事放在一起看，風險已經不是「模型被騙做壞事」這麼單純，而是評測分數、權限 scanner、憑證撤銷流程這些本該負責把關的機制，本身可能就有沒被驗證過的裂縫。

（SABench — arXiv 2610.34167、CRM-Agent-Bench — arXiv 2610.32004、LiteLLM 攻擊鏈官方更新、Forever Security：AGENTS.md 挾持 Downloads、MCP SDK 修復是 opt-in — Yaami Labs、SOCRadar：INC／Gentlemen AI 基礎設施、Dream：PHP2Shell 串 Fragnesia 攻破 25 台伺服器）

5. 資本持續往執行層基礎設施集中，金融後台一次拿下三筆大額融資

Casap 完成 $56M Series B，做信用卡爭議這種規則明確、後果可審計的 agentic 流程，證明能把成本砍半；Hyphenate（原 Maximor）完成 $45M Series A，讓 agent 真正執行 CFO 辦公室的對帳、開票、分類帳，13 個月營收成長 86 倍；Infisical 完成 $40M Series B（估值 $600M），押注「agent 根本不該拿到密碼」這個更底層的憑證安全命題。同一週，NVIDIA 投資 Meta 規劃中的股票發行 $3B 以深化 agent 基礎設施合作，Oracle 在 AI World 發佈治理型 agentic AI 平台 Fusion Claw，同步宣佈 $1B 夥伴生態系投資。這些錢指向同一個判斷：當模型層的差異化持續在縮小，真正稀缺、也真正能規模化變現的，是讓 agent 長期、安全地活在企業真實流程裡所需要的底層——身份治理、憑證安全、可審計的執行環境。

（Casap Series B — PR Newswire、Hyphenate Series A — GlobeNewswire、Infisical Series B — PR Newswire、NVIDIA 投資 Meta $3B — the-decoder、Oracle 發佈 Fusion Claw）

本週認知更新

之前以為 agent 記憶系統做得越完整（抽取、摘要、建圖）效果越好，現在知道至少三篇獨立研究（Naive RAG 勝過 12 種設計過的系統、Memory Tax 證明多數記憶系統淨值為負、Obsolete Facts 顯示過時但相關的事實比不相關雜訊更致命）一致指出：沒有針對任務角色或修正邊界做結構化設計的記憶複雜度，反而會讓效能變差，不是加了就有幫助。
之前以為「任務成功率」是驗收 agent 的終點指標，現在知道 SABench 和 CRM-Agent-Bench 都證明 89% 以上的任務達成率裡能藏著 12.8% 的悄悄越權寫入，而政策合規任務裡「沒做壞事」的比例（91.2%）跟「完整照契約做對」的比例（66.8%）是兩個必須分開驗收的數字——光看成功率會讓系統性的隱性風險完全被蓋過去。
之前以為升級套件版本等於補上安全漏洞，現在知道 MCP SDK 這次最關鍵的 OAuth audience 驗證修復是 opt-in、預設關閉——版本號過了修復線，功能卻可能沒被真的打開，掃描器只看版本號看不出設定值，稽核安全更新不能只問「版本升級了嗎」，還要多問一句「那個修復開關真的打開了嗎」。
之前以為算力的計價只會沿著 token 用量這條軸線演化，現在知道 NVIDIA Jensen Huang 已經放話考慮對每顆 GPU 每年收取約 $2,000 的 agent 軟體授權費——算力供應商正在把「執行 agent」重新定義成一個獨立計價層，自建 GPU 跑 agent 的團隊得把這個不確定性寫進明年的基礎設施預算情境。

企業落地觀察

我認為本週企業落地最值得注意的信號，是 agentic AI 在金融後台（Casap 信用卡爭議、Hyphenate CFO 自主記帳）同時拿到大額融資，而不是對話式客服繼續加碼。

用交易成本的框架分析：信用卡爭議、對帳、開票這類工作，原本靠大量人力執行一套規則寫得清楚、但極度耗時的流程，人力的邊際成本高、出錯要重跑整個流程、稽核軌跡還得靠人另外補；agent 一旦把規則徹底執行、自動留下稽核軌跡，就能直接取代這段最貴的人力環節，不只是加速。這跟對話式客服很不一樣——客服的瓶頸多半是「回答對不對」，後台作業的瓶頸是「步驟有沒有漏做、有沒有留痕跡」，後者剛好是目前 agent 最擅長、企業也最敢放手的工作類型。

對台灣企業導入的啟示：與其急著把 agent 套進客服或行銷這類對外、看得到、容錯率低的場景，不如先盤點內部對帳、申報、憑證核銷這類規則清楚、可被稽核、出錯成本可控的後台流程——這些地方的導入阻力最低，也最容易量化省下的人力成本，而且不需要等到「agent 夠聰明會聊天」才能開始。

下週值得追蹤的

EU AI Office 10/27 向 30 多家供應商發出的正式資安調查，觀察後續是否有公開回應或執法動作
Gemini 4 Carbon 的 Fairwind Program 何時擴大開放（目前僅限受信任資安夥伴測試，連公開 API model ID 都還沒公開）
OpenAI 洽談中的 $300 億美元募資、$1.25 兆美元估值是否正式敲定

Watchlist 更新建議

🆕 建議加入

本週 signals 中出現頻率最高的公司皆已在 watchlist 內（OpenAI／Google／NVIDIA／Oracle／Cohere）。本週新出現的公司（Azoma、Nous、Hyphenate、Infisical、Casap、Plato、Wabi、Serval 等，詳見下方新創雷達）各自只對應一則本週的融資新聞，沒有不在 watchlist 中的公司本週出現達 3 次以上，故本週無新增候選。

⚠️ 考慮移除

✅ 本週無符合移除條件的公司

本週新創雷達

公司	做什麼	融資	為什麼值得注意
Casap	金融業 agentic 爭議處理（信用卡爭議）	Series B $56M（累計 $90M）	Experian、Synchrony 策略加入，證明能把後台成本砍半
Hyphenate	CFO 辦公室的自主財務 agent	Series A $45M	原名 Maximor，13 個月營收成長 86 倍
Infisical	Agent 憑證／機密管理安全	Series B $40M（估值 $600M）	Elad Gil 連續兩輪領投，押注「agent 不該拿到密碼」
Serval	企業自動化 agent，叫陣 ServiceNow	Series C $150M（估值 $3B）	成立僅 18 個月、三輪累計 $277M，派人力進駐客戶重設流程
Plato	模擬職場，訓練 AI agent 的練習場	Series A $16M（累計 $19M）	Microsoft AI 執行長 Mustafa Suleyman 跟投
Wabi	多人共享的個人 AI agent	$55M（估值 $1.25B）	Replika 創辦人 Eugenia Kuyda 新作
Azoma	幫品牌被 AI 購物 agent 推薦（Agentic Commerce Optimization）	Series A $11.2M	一年營收成長近 10 倍，押注新的「agent 版 SEO」類別
Nous	讓 AI agent 代替使用者換保險、換電信方案	$17M	先去英國 FCA 登記，用合規先行換取消費者信任

我這週學到什麼

這週最大的認知差是：「記憶」跟「安全驗收」犯的是同一種錯——以為做得越多、看得越細就越可靠，但沒有結構化設計的複雜度，反而會放大風險或拖累效能。Naive RAG 贏過 12 種設計過的記憶系統、SABench 證明 89% 的成功率裡藏著 12.8% 的隱性越權，說的是同一件事：先用最簡單的基線量出真正的表現，再決定要不要加複雜度，而不是預設複雜架構或高成功率數字本身就代表安全或有效。對台灣團隊的提醒是：評估一套 agent 系統時，先問「你的基線（最簡單版本）量過嗎」，再問「你的安全分數測的是不是你以為的那個東西」。