AI 名詞表
彙整知識庫中所有 AI / LLM / Agent 筆記出現過的名詞。 文章清單見 AI / Agent 文章索引。
一、Agent 與工具協定
| 名詞 | 說明 | 出處 |
|---|---|---|
| MCP (Model Context Protocol) | Anthropic 提出的 Agent 工具標準協定，讓 LLM 以一致方式呼叫外部工具 | mcp、AI |
| FastMCP | MCP python-sdk 提供的高階寫法。FastMCP("Demo", json_response=True) 建立 server | mcp |
@mcp.tool() | 把一個 Python 函式註冊成 MCP tool（可被 agent 呼叫的動作） | mcp |
@mcp.resource() | 註冊 MCP resource，可帶路徑參數（如 greeting://{name}） | mcp |
@mcp.prompt() | 註冊可重複使用的 prompt 樣板 | mcp |
| streamable-http | MCP server 的傳輸方式之一，mcp.run(transport="streamable-http") | mcp |
| Agent Skills / Skill | 可重複使用的技能模組，安裝後可在對話中被自動或手動觸發 | skills、claude_skills |
npx skills add | 安裝 skill 的 CLI，如 npx skills add vercel-labs/agent-skills | skills、claude_skills |
| skills.sh | Vercel 的 agent skills 平台，用於瀏覽／安裝／分享 skill | vercel_skills |
/plugin marketplace add | Claude Code 內加入 plugin marketplace 的指令 | claude_skills |
CLAUDE.md / AGENTS.md / GEMINI.md | 各家 CLI 在專案內產生的 agent 指示檔：Claude Code 用 CLAUDE.md、Codex 用 AGENTS.md、Gemini 用 GEMINI.md | AI |
| Agent Builder | OpenAI 的 Agent framework（platform.openai.com/agent-builder） | AI |
| OpenAI Agents SDK | OpenAI 的 Agent SDK，與 MCP 一起構成其 agent 標準 + SDK 組合 | AI |
| ADK (Agent Development Kit) | Google 的 Agent 開發套件，搭配 Vertex AI Agent Builder 做雲端部署 | AI |
| Claude Agent SDK | Anthropic 的 Agent SDK，搭配 Claude Code / Claude 模型 | AI |
| aisuite | Andrew Ng 團隊開源的 Python 套件，用統一介面呼叫多家供應商 | deeplearning_ai_aisuite |
provider:model | aisuite 指定模型的字串格式，如 openai:gpt-4o；換成 anthropic:... 即切換供應商 | deeplearning_ai_aisuite |
二、Claude Code
| 名詞 | 說明 | 出處 |
|---|---|---|
| Claude Code | Anthropic 官方的 agentic CLI，可讀專案、編輯檔案、執行指令、完成多步驟開發任務 | claude_code |
@anthropic-ai/claude-code | Claude Code 的 npm 套件名，npm install -g 全域安裝，需 Node.js | claude_install |
| Channels | Claude Code 的功能，用於在不同介面／管道與 Claude Code 互動 | claude_channel |
| Claude Code Chrome 整合 | 透過瀏覽器擴充功能讓 agent 操作網頁（導覽、點擊、讀取頁面內容） | claude_code |
ollama launch claude | 用 Ollama 啟動 Claude Code 並選擇底層模型的指令 | claude_use_ollama |
| skill-creator | anthropics 官方 plugin 提供的 skill，用於建立新 skill | claude_skills |
三、本機推論與自架
| 名詞 | 說明 | 出處 |
|---|---|---|
| llama.cpp | 以 C/C++ 實作的推論引擎，支援 GGUF 量化模型；是 lm studio、ollama、jan 三者共同的核心 | ai_inference |
| GGUF | llama.cpp 使用的量化模型格式 | ai_inference、ai_jan_ai |
| LM Studio | 桌面 GUI 應用，方便下載模型、切換與試玩，適合個人本機互動 | ai_inference |
| Ollama | 以指令列與 API server 為主，適合部署成服務讓多人／多端存取 | ai_inference |
| Jan | 類似 LM Studio 但採 Apache 2.0 開源授權，可完全離線，資料不外流 | ai_jan_ai、ai_inference |
| vLLM | self-host 推論選項之一，筆記中與 ollama 並列比較 | AI |
| 選型三句話 | 要 GUI 試玩選 lm studio 或 jan；要開源選 jan；要當服務給多人／程式呼叫選 ollama | ai_inference |
OLLAMA_HOST | Ollama 監聽位址。預設只聽 127.0.0.1，設為 0.0.0.0 才能讓區網／VPN 其他裝置存取 | ollama_export_in_vpn |
| Open WebUI | 自架的 LLM 對話前端，提供 /api/chat/completions 端點（Bearer token + text/event-stream 串流） | openwebui |
| OpenClaw | AI agent 平台，俗稱「龍蝦」，在台灣廣泛使用；具高系統權限與 24 小時自主運作能力 | openclaw、HERMES_AI_KUBERNETES_SECURITY_ARCHITECTURE |
| clawhub | OpenClaw 的 skill 市集與 CLI：pnpm add -g clawhub、clawhub search / clawhub install | openclaw |
openclaw pairing approve | 核准頻道配對，如 openclaw pairing approve telegram <pass> | openclaw |
openclaw channels status --probe | 探測各管道連線狀態 | openclaw |
networkingMode=mirrored | WSL2 .wslconfig 設定，讓 Windows 與 WSL 共用網路，方便互連本機服務 | openclaw_jan_ai |
| Hermes Agent | Nous Research 基於 Hermes 系列開源模型打造的 agent 系統 | hermes |
| Open-weight LLM | 公開訓練後權重的語言模型，可下載到本機執行、微調、部署；訓練資料與流程通常不公開 | open-weight-llm |
| Closed-weight | 權重不公開、只能透過 API 或官方產品使用的模型（如 GPT、Claude） | open-weight-llm |
| Open Source AI Definition (OSI) | OSI 的開源 AI 定義：除權重外還要提供足以重現模型的資訊（訓練資料說明、完整訓練程式碼），且授權允許自由使用與再散布。完整開源例子如 OLMo、Pythia | open-weight-llm |
| MoE (Mixture of Experts) | 總參數很大、但每個 token 只啟用部分專家（如 2.8T / 50B），推論成本遠低於同規模 dense 模型；目前前段 open-weight 模型的主流架構 | open-weight-llm |
| Artificial Analysis Intelligence Index | 整合多項 benchmark 的綜合智力分數，可篩選只看 open-weight 模型 | open-weight-llm |
| LMArena | 依人類盲測投票計算 Elo 的模型排行榜 | open-weight-llm |
| 量化記憶體粗估 | FP16 每十億參數約 2 GB；INT8 約減半、INT4 約再減半，另需加上 KV cache | open-weight-llm |
筆記中出現過的模型
| 模型 | 說明 | 出處 |
|---|---|---|
minimax-m2.5:cloud | Ollama 推薦的雲端模型，主打快速、高效率的 coding 與實務生產力 | claude_use_ollama |
glm-5:cloud / glm-4.7-flash | 推理與程式碼生成；glm-4.7-flash 為本地版，約 25GB | claude_use_ollama |
kimi-k2.5:cloud | 多模態推理，帶 subagents | claude_use_ollama |
qwen3:8b | 高效率的通用助理模型，約 11GB | claude_use_ollama |
gemma3:12b | 用 ollama pull 下載的 Google 開源模型 | openclaw |
ministral-3:latest | Open WebUI 測試串流時使用的模型 | openwebui |
| Breeze-ASR-25 | 聯發科（MediaTek Research）開發的繁體中文語音辨識模型 | ai_whisper |
四、各家產品對照
| 類型 | OpenAI | Anthropic | Perplexity | |
|---|---|---|---|---|
| Chat | ChatGPT | — | — | Perplexity |
| POC | — | Google AI Studio | — | — |
| Browser | ChatGPT Atlas | Chrome AI 模式 | — | Perplexity Comet |
| AI 筆記與研究 | NotebookLM（實為 Google 產品，原表列於此欄） | — | — | — |
| 地端 IDE | — | Antigravity | Claude Code CLI | — |
| 企業 AI 搜尋 | — | Google Agentspace | — | — |
| CLI | Codex CLI | Gemini CLI | Claude Code CLI | — |
| Agent Framework | MCP + OpenAI Agents SDK | ADK / Vertex AI Agent Builder | Claude Agent SDK | — |
出處：AI（該筆記中同時有兩張對照表，欄位歸屬略有出入，此處合併整理）
| 名詞 | 說明 | 出處 |
|---|---|---|
| Antigravity | Google 的 agent-first 本地 IDE | ai_google_antigravaty |
| Google AI Studio | Google 的 AI POC / 快速建 App 平台，產物為 Vite + React 的 CSR 前端專案 | ai_google_ai_studio |
| NotebookLM | Google 的 AI 研究與筆記助理，以「你上傳的資料源」為依據回答並附引用 | ai_google_notebook_lm |
| Audio Overview | NotebookLM 依資料源生成的雙人對談 podcast 式語音摘要 | ai_google_notebook_lm |
| Project Mariner / Jules | Google Labs 的兩個 AI 專案連結 | ai_google_ai |
| Gemini CLI | Google 官方開源終端機 AI agent，brew install gemini-cli 安裝，首次需 Google 帳號授權 | ai_google_gemini、gemini |
| Codex / Codex CLI | OpenAI 的 coding agent，有 VSCode extension 可在側邊欄互動、套用 diff | ai_vscode、AI |
| GPTs 動作（Actions） | 自訂 GPTs 呼叫外部 API 的機制，可從 openapi.json 網址匯入 | gpts |
| Apple Intelligence | Apple 的 AI 功能（筆記中僅有官方文件連結） | ai_apple_intelligence |
五、Antigravity 專有名詞
| 名詞 | 說明 | 出處 |
|---|---|---|
| Task | Antigravity 把每一次請求定義成一個 task，因為它的重點在於「Agent 如何工作」 | ai_google_antigravaty |
task.md / Task Artifact | Agent 執行任務時自動產生的任務說明文件，含 Goal、需求與約束、Implementation Plan、Output Summary、Remaining Work 五段 | ai_google_ai |
| Fast mode / Planning mode | Fast 直接執行；Planning 先計畫並產生 artifacts | ai_google_antigravaty |
| Agent Manager | 管理多個 agent 工作的面板，用於減少 context switching | ai_google_antigravaty |
| Editor window | Antigravity 的整合視窗，避免開一堆視窗 | ai_google_antigravaty |
| Knowledge | Antigravity 記錄「學到的知識」的機制 | ai_google_antigravaty |
| browser-in-the-loop | 前端開發時可透過瀏覽器打開或互動，並直接視覺化編輯 | ai_google_antigravaty |
.agent/rules | Antigravity 新增 rule 後存放的專案目錄 | ai_google_antigravaty |
六、瀏覽器自動化與 CDP
| 名詞 | 說明 | 出處 |
|---|---|---|
| CDP (Chrome DevTools Protocol) | Chrome 的控制協議，收 JSON 指令回 JSON 結果（導航、點擊、截圖）。沒有任何驗證機制——連得上就等於完全控制瀏覽器 | claude_remote_playwright_mcp |
--remote-debugging-port=9222 | Chrome 啟動參數，會開一個 HTTP + WebSocket 伺服器接受 CDP 指令。預設只綁 127.0.0.1 | claude_remote_playwright_mcp |
--user-data-dir | Chrome 啟動參數。必須指向獨立資料夾，否則會附掛到已開啟的 Chrome 實例，debug port 掛不上 | claude_remote_playwright_mcp |
connectOverCDP() | Playwright 連接「已存在、開著 debug port」的瀏覽器，而非自己啟動一個 | claude_remote_playwright_mcp |
--cdp-endpoint | Playwright MCP 連既有瀏覽器的參數，給 http://localhost:9222 即可，它會自己去抓 webSocketDebuggerUrl | claude_remote_playwright_mcp |
webSocketDebuggerUrl | 從 http://localhost:9222/json/version 取得的帶 UUID 的 WS endpoint，格式為 ws://localhost:9222/devtools/browser/<UUID> | claude_remote_playwright_mcp |
反向 SSH 隧道（ssh -R） | ssh -N -R 9222:localhost:9222 user@linux-server，把 Linux 的 localhost:9222 反向轉發到 Windows 的 Chrome。標準解法，因為它同時給了加密與認證 | claude_remote_playwright_mcp |
GatewayPorts | sshd 設定。預設 no 表示反向轉發出來的 port 只綁 server 的 127.0.0.1——保持預設就是安全的，不要開 yes | claude_remote_playwright_mcp |
ssh -L | 本地轉發，如 ssh -N -L 18789:127.0.0.1:18789 alanhc@<ip>；port 撞號會出現 Address already in use | openclaw |
autossh / ServerAliveInterval | ssh -R 斷線不會自動重連，長期跑要用 autossh 或加 keepalive 參數 | claude_remote_playwright_mcp |
cloudflared tunnel --url | 把本機服務（如 http://127.0.0.1:8000）暴露成公開 HTTPS 網址，會給一個 *.trycloudflare.com 域名 | mcp、gpts |
| Playwright MCP Server | 負責瀏覽器自動化任務的 MCP server | ai_testing |
| Playwright Test MCP Server | 用於測試工作流程，使用 Playwright Agents 時自動啟用 | ai_testing |
| Planner / Generator / Healer | Playwright agent 的三個角色 | ai_testing |
Firecrawl scrape / crawl / map / extract | 分別為：抓單一頁面／遞迴走訪整站／快速列出所有 URL／用 LLM 依 schema 擷取結構化資料 | firecrawl |
七、AI Agent 安全（Hermes 系列）
核心原則
| 名詞 | 說明 | 出處 |
|---|---|---|
| 思考層 vs 行動層 | 本系列的核心論點：gateway 只負責對話與決策（brain），所有高風險工具執行拆出去（controlled hands）。從架構設計第一天就該分開 | hermes_kubernetes、HERMES_AI_KUBERNETES_SECURITY_ARCHITECTURE |
| 縱深防禦 (Defense-in-depth) | 安全控制分佈多層，單一層失效不導致全面淪陷 | HERMES_AI_KUBERNETES_SECURITY_ARCHITECTURE |
| 最小權限 (Least privilege) | 每個元件只持有完成功能所需的最小權限集合 | HERMES_AI_KUBERNETES_SECURITY_ARCHITECTURE |
| 完整仲裁 (Complete mediation) | Saltzer & Schroeder (1975) 原則：每次存取受保護資源都要獨立授權，而非啟動時授權一次 | HERMES_AI_KUBERNETES_SECURITY_ARCHITECTURE |
| Prompt injection / 間接提示注入 | 透過訊息、社群留言、網頁內容注入惡意指令。核心風險假設：任何外部輸入都可能含惡意指令 | HERMES_AI_KUBERNETES_SECURITY_ARCHITECTURE |
| 權限移轉 (privilege transfer) | 一旦真實工具交給 LLM agent，工具權限在實際效果上已移轉給 agent 與其底層模型 | HERMES_AI_KUBERNETES_SECURITY_ARCHITECTURE |
| Tool output is data, not instruction | 工具輸出一律視為不可信資料。網頁內容、GitHub 留言、Slack 訊息、log 都不能授權後續工具使用 | HERMES_AI_KUBERNETES_SECURITY_ARCHITECTURE |
| Instruction hierarchy | Wallace 等人 (2024)：外部工具回傳內容的指令優先級應低於系統指令，不得覆蓋安全規則 | HERMES_AI_KUBERNETES_SECURITY_ARCHITECTURE |
/opt/data | Hermes 存放 config、API keys、sessions、skills、memories 的目錄。應視為企業密鑰庫（crown jewels），tools 與 sandbox 一律不得掛載 | hermes_kubernetes、HERMES_AI_KUBERNETES_SECURITY_ARCHITECTURE |
命名空間分層
| Namespace | 角色 |
|---|---|
hermes-system | 思考層：Hermes Gateway、Dashboard，不直接持有行動權限 |
hermes-tools | 受控行動層：各 MCP server，持有特定服務的 scoped token |
hermes-sandbox | 隔離執行層：Shell、Browser、Code Runner 等高風險工具，一次性受限工作空間 |
llm-serving | 模型推論層：Ollama / vLLM / NIM，或 egress 到雲端 API |
observability | 可觀測層：Prometheus / Loki / Grafana、稽核日誌 |
出處：hermes_kubernetes、HERMES_AI_KUBERNETES_SECURITY_ARCHITECTURE
Kubernetes 機制
| 名詞 | 說明 |
|---|---|
| Pod Security Standards | 三個層級：Privileged、Baseline、Restricted。restricted 依 Pod hardening best practices 設計，是本架構要求的等級（Kubernetes ≥ 1.25） |
automountServiceAccountToken: false | 避免 gateway 持有 Kubernetes API token |
allowPrivilegeEscalation: false | 避免 setuid/setcap 提權 |
readOnlyRootFilesystem: true | 唯讀根檔案系統。前提是確認應用只寫 /opt/data 與 /tmp，啟動失敗時可先拿掉再收緊 |
capabilities: drop: ["ALL"] | 丟掉所有 Linux capabilities |
seccompProfile: RuntimeDefault | 套用預設 seccomp 設定檔 |
| default-deny NetworkPolicy | podSelector 留空物件、policyTypes 含 Ingress 與 Egress，強制所有流量明確宣告。前提是 CNI 要支援 NetworkPolicy（Calico、Cilium）；不支援時建立了也沒有實際效果 |
| PVC ReadWriteOnce (RWO) | 只允許單一節點掛載讀寫，這是 replicas: 1 的技術來源。要 HA 需改用 ReadWriteMany (RWX) 的 NFS / CephFS 並加分散式鎖 |
| 不掛 Docker socket | Docker socket 等同於高權限控制 host/container runtime，掛了等於可 container escape |
不掛 hostPath / 不用 hostNetwork | 前者避免存取 host filesystem，後者避免繞過 NetworkPolicy |
| RBAC list/watch secrets 的陷阱 | Kubernetes 官方提醒：list/watch secrets 實際上會讓使用者看到 Secret 內容；能建立 workload 的權限也可能間接取得 namespace 內的 Secret |
| 明確禁止的資源 | secrets、pods/exec、pods/attach、serviceaccounts/token、persistentvolumes、mutatingwebhookconfigurations，以及 verbs: ["*"]、resources: ["*"] |
ttlSecondsAfterFinished | sandbox Job 完成後自動刪除的秒數 |
| Cilium FQDN Policy | 原生 NetworkPolicy 只支援 IP CIDR、不支援 DNS/FQDN。要管控外部 LLM API 呼叫需用 Cilium FQDN policy、egress gateway，或集中到單一 llm-proxy |
出處：hermes_kubernetes、HERMES_AI_KUBERNETES_SECURITY_ARCHITECTURE
MCP 分權限
| MCP Server | 持有憑證 | 允許操作 |
|---|---|---|
calendar-mcp | Google OAuth credential | 建立、查詢 Calendar event |
discord-mcp | Discord bot token | 管理指定 server／channel |
github-mcp | GitHub fine-grained token | 操作指定 repository |
k8s-readonly-mcp | 受限 RBAC | 唯讀 pods / pods/log / services / events / deployments 等 |
k8s-admin-mcp | 完整 RBAC | 預設停用，需人工核准，短效 token |
出處：hermes_kubernetes、HERMES_AI_KUBERNETES_SECURITY_ARCHITECTURE
Runtime policy 與治理
| 名詞 | 說明 |
|---|---|
| Tool Router | gateway 與 MCP／sandbox 之間的中介，作為統一的 Policy Enforcement Point |
| Policy Decision Point (PDP) | 判斷此次呼叫是否被允許 |
| Policy Enforcement Point (PEP) | 攔截、拒絕、轉送執行或觸發人工核准 |
| tool-call audit log | 與 Kubernetes audit log 目的不同：後者答「哪個 pod 對 API 做了什麼」，前者才答「哪個使用者、哪個 session、用哪個工具、對哪個資源、在什麼 policy decision 下做了什麼」。欄位含 timestamp、requesting_user、agent_id、session_id、tool_name、requested_action、target_resource、credential_scope、policy_decision、approval_result、execution_result、risk_level |
| human approval gate | 強制人工核准的操作：刪除持久性資料、發送外部訊息、存取憑證、執行 shell／browser／Kubernetes mutation、把 /opt/data 或 memory 送到外部 |
| 長期記憶治理 | 安全規則若只存在短期對話上下文，長時間運作或壓縮後會遺失。應寫入啟動設定、納入版控、定期備份審閱、對變更建立 audit log |
| 第三方 Skill 審查 | 人工 code review + 靜態分析 + secret scanning（gitleaks、trufflehog）+ 沙箱行為驗證；production 只允許內部 registry 或 allowlist |
相關工具與研究名詞
| 名詞 | 說明 |
|---|---|
| gVisor (runsc) / Kata Containers | 進階 sandbox runtime，進一步隔離系統呼叫層面的風險 |
| OPA Gatekeeper / Kyverno | Admission policy 強制執行 |
| Trivy / Grype | Container image 漏洞掃描 |
| Falco | Runtime 異常行為偵測 |
| cosign | Container image 簽章驗證 |
| External Secrets Operator / Sealed Secrets / SOPS + age / HashiCorp Vault | Secret 生命週期管理的四種方案，分別對應雲端密鑰服務、GitOps、本地加密、企業級 |
| Agent Sandbox | Kubernetes 與 Google Cloud 針對 AI agent runtime 推出的設計，目標是隔離 agent workspace、不可信程式碼執行、process、storage 與 network boundary |
| GrantBox | Zhang 等人 (2026) 提出的評估沙箱，讓 LLM agent 對真實工具行使真實權限以評估其權限使用 |
| DDIPE | 靜態分析要掃描的惡意指令嵌入模式之一 |
| Data Thieves / Agent Hijackers | Liu 等人 (2026) 掃描 98,380 個 Skill 後歸納的兩類惡意 Skill 攻擊模式：憑證竊取與決策劫持 |
| SkillFortify | Bhardwaj (2026) 提出的框架，以靜態分析結合 capability sandboxing，達 96.95% F1 偵測率 |
| 幻覺引用 (hallucinated reference) | 論文版附錄的查核紀錄：原引用 [5] MCP-Secure 在學術資料庫查無此文，判定為幻覺引用並替換為兩篇可核實論文 |
八、組織與治理（觀點文名詞）
| 名詞 | 說明 | 出處 |
|---|---|---|
| 四道牆 | 推不動 agentic AI 的四個組織障礙：①管理層覺得不好管 ②出事沒人負責 ③同事怕被取代 ④agent 拆解角色後責任滑到 code review | ai-why-companies-struggle-agentic-ai |
| 能力—部署驗證落差 | Apostolou 等人 (2026)：公司做得出實驗性高階 AI，卻因缺乏產出驗證機制而無法放進生產流程。四個障礙為 LLM context window 限制、專有語言／協定表現不佳、非決定性、資料機密性 | ai-why-companies-struggle-agentic-ai |
| Accountability gap（問責落差） | IBM 的框架：企業缺乏監控 agent 行為、審查自動化決策、事後歸屬責任的能力 | ai-why-companies-struggle-agentic-ai |
| Principal-agent problem（委託代理問題） | 經濟學的絕妙雙關：委託 agent 做事會遇到資訊不對稱與目標不一致。傳統解法是誘因契約——但 AI agent 同時抽掉兩根支柱（推理黑箱無法觀察、沒有考績聲譽無法用誘因約束） | ai-why-companies-struggle-agentic-ai |
| 責任蒸發 | 流程從「某工程師負責」變成「某 agent 負責」時，責任不是轉移而是憑空消失 | ai-why-companies-struggle-agentic-ai |
| 眾手問題 (problem of many hands) | 應用倫理學概念：結果由許多人共同促成時，反而沒有單一個人能被清楚究責 | ai-why-companies-struggle-agentic-ai |
| Causal responsibility vs Accountability | 前者是「誰的疏漏造成 bug」，多因、事後查；後者是「誰對外負責」，制度事先指派。組織的痛苦多半來自以為在找前者，真正缺的是後者 | ai-why-companies-struggle-agentic-ai |
| 機長比喻 | 機長對整架飛機負責，不代表每顆螺絲都是他鎖的。agent pipeline 天生沒有機長——merge authority 是刻意造出來的 | ai-why-companies-struggle-agentic-ai |
| Moral hazard（道德風險） | 不必承擔自己行為後果的人會怠於盡責。全自動 merge 或橡皮圖章式 review 就是溫床：問責一旦被稀釋，監督品質跟著滑落 | ai-why-companies-struggle-agentic-ai |
| Goodhart's law | 當一個衡量指標變成考核目標，它就不再是好的衡量指標。把「AI 建議接受率」設成 KPI 等於在衡量工程師願不願意關掉批判性思考 | ai-why-companies-struggle-agentic-ai |
| STARA awareness | Brougham & Haar (2018)：員工對「智慧科技、AI、機器人、演算法」的覺察程度越高，組織承諾與職涯滿意度越低、離職意圖越高 | ai-why-companies-struggle-agentic-ai |
| 配合但不投入 | 抵抗最難察覺的形式：訓練資料淺一層、agent 的錯不主動回報、最關鍵的隱性知識不寫進 skill | ai-why-companies-struggle-agentic-ai |
| 創新擴散（Rogers, 1962） | 採用者分成創新者、早期採用者、早期大眾、晚期大眾、落後者。策略是先賦權改革派讓他們橫向擴散，而非把力氣花在安撫保守派 | ai-why-companies-struggle-agentic-ai |
| Enthusiasts / Pragmatists / Cautious | 實證研究把開發者分成熱衷者、務實者、謹慎者三群，對應 Rogers 的採用者類別 | ai-why-companies-struggle-agentic-ai |
| 任務串接 (task chaining) | 「取代 vs 增強」二分法不足；AI 實際上在角色內部移轉責任，並讓工作邊界被重畫 | ai-why-companies-struggle-agentic-ai |
| Oversight burden（監督負擔） | Garousi (2026)：AI 導入軟體工程最常被低估的隱藏成本，有時消耗的力氣比省下的還多 | ai-why-companies-struggle-agentic-ai |
| 依風險分級的人類監督 | 「什麼都審」造成速度崩潰、「什麼都不審」造成不可稽核。GAIE 框架的 OCM 依法規影響、客戶接近度、可逆性、資料敏感度路由到 human-in-the-loop / human-over-the-loop / automated-with-monitoring 三級 | ai-why-companies-struggle-agentic-ai |
| Minions（Stripe） | Stripe 內部自主編碼 agent，每週產出 1,300+ 個零人類手寫程式碼的 PR，但每一個仍由人類 review 後才 merge。規模化關鍵是既有開發基礎設施（devbox 沙箱、測試、CI、確定性關卡）而非模型強弱 | ai-why-companies-struggle-agentic-ai |
| Stop 區段 / allowlist / denylist | agent 設定檔中由工程師親手寫下的能力邊界：絕不 merge、絕不刪除、絕不 push 到 main、不確定的丟給人看。「你沒寫進去的紅線，總有一天 agent 會替你踩過去」 | ai-why-companies-struggle-agentic-ai |
| Security vs RD 斷層 | DevSecOps 系統性回顧指出「人」的最大挑戰是開發與安全團隊衝突，根源是目標函數不同。agent 讓斷層位置改變：雙方第一次面對「連 RD 自己都沒把握的 AI 產出」，gate 從「管制 RD」變成「保護 RD」 | ai-why-companies-struggle-agentic-ai |
| 顯影劑 | 全文結論：agent 不是這些病的病因，而是把公司平常靠默契糊住的裂縫一次照亮 | ai-why-companies-struggle-agentic-ai |
| 技能半衰期 | 技術棧各層貶值速度不均：框架約 2~3 年、程式語言約 10 年，但「拆解需求、判斷系統為何慢、讀懂爛程式碼、在兩個都有道理的方案間取捨」半衰期長得驚人 | ai_basic_knowledge |
| 無法證偽的話 | 「基本功最重要」永遠不會錯，因為詞的邊界可以隨時伸縮；一句不能被證偽的話提供的不是資訊，是安慰 | ai_basic_knowledge |
九、語音辨識
| 名詞 | 說明 | 出處 |
|---|---|---|
| VAD (Voice Activity Detection) | 語音活動偵測，判斷音訊中是否有人在說話 | VAD語音喚醒 |
| Real-time factor (RTF) | 處理時間 ÷ 音檔長度。RTF < 1 才能即時 | VAD語音喚醒 |
onFrameProcessed | VAD 的回呼，可用來估算每秒能處理多少音訊 frame | VAD語音喚醒 |
| False positive / False negative | 把靜音／噪聲誤判成說話，或漏判說話 | VAD語音喚醒 |
| onset / offset lag | 起始／結束延遲：開始講話多久才亮、停講多久才熄，直接影響 UX | VAD語音喚醒 |
| torch-to-nnef | Sonos 的轉檔工具，其 VAD demo 可在網頁直接體驗 | VAD語音喚醒 |
| vad-bench | 自建的 VAD 評測頁面 | VAD語音喚醒 |
| WebRTC VAD | 以統計模型（GMM）為基礎的傳統 VAD，很輕但在嘈雜環境準確度差 | vad-silero-chip-performance |
| Silero VAD | MIT 授權的開源預訓練 VAD：約 1–2 MB，16 kHz 下每次吃 512 samples（≈32 ms），STFT 特徵 → CNN → 有狀態 LSTM，提供 PyTorch JIT 與 ONNX；faster-whisper、WhisperX 等預設使用 | vad-silero-chip-performance |
| Always-on workload | 24 小時不停跑的推論：32 ms 一個 frame，一天約 270 萬次，單次能耗乘上頻率直接反映在待機功耗 | vad-silero-chip-performance |
| µJ/inference | 每次推論能耗，always-on 情境比 TOPS 更關鍵的指標 | vad-silero-chip-performance |
| 低功耗島（LPI / always-on domain） | SoC 中可在 AP 睡眠時繼續運作的 DSP／sensor hub／micro-NPU，通常只有幾百 KB SRAM；把 VAD 放這裡才能讓 AP 進 deep suspend、DRAM 進 self-refresh | vad-silero-chip-performance |
| Op fallback | NPU 不支援的運算（如 LSTM、STFT）退回 CPU/DSP 執行，產生跨 core 搬移並可能更耗電 | vad-silero-chip-performance |
| End-of-turn / barge-in | 語音 agent 判斷使用者是否說完、是否插話，VAD 的延遲直接影響對話反應速度 | vad-silero-chip-performance |
十、AI 輔助 BMC 開發
| 名詞 | 說明 | 出處 |
|---|---|---|
| PMBus Linear11 | PMBus 的數值格式：N = 高 5 bit 有號整數、Y = 低 11 bit 有號整數，Value = Y × 2^N。適合請 AI 代算 | ai_bmc |
| hwmon driver 骨架 | 請 AI 產生 drivers/hwmon/pmbus/xxx.c（含 probe）、Kconfig 項目、Makefile 一行、DTS binding 範例 | ai_bmc |
| bmcweb | OpenBMC 的 Redfish / REST API 層，AI 適合協助產生 API 測試 script、理解 schema | ai_bmc |
| phosphor-dbus-interfaces | OpenBMC 的 D-Bus interface 定義。名稱大小寫敏感，AI 有時會拼錯 xyz.openbmc_project.* | ai_bmc |
FILESEXTRAPATHS:prepend | Yocto recipe 語法，AI 可協助解釋 SRC_URI += "file://xxx.patch" 與 ${THISDIR}/${PN} 這類寫法 | ai_bmc |
| AI 產碼三個雷區 | ①Kernel API 版本差異大（OpenBMC 常用 5.15 / 6.1）②PMBus 的 page / phase 參數容易出錯，務必對照 datasheet ③D-Bus interface 名稱大小寫敏感 | ai_bmc |
十一、Decision model（Jev）
| 名詞 | 說明 | 出處 |
|---|---|---|
| Jev | TypeSafe AI 於 2026-09 推出的 System One Model：不生成文字，只回傳受 schema 約束、帶校準機率的型別化判斷；延遲約 70–500 ms | jev-decision-model-for-firmware-ci |
| System One Model / decision model | 借用 Kahneman 雙系統理論：System 1 快速直覺判斷（decision model）、System 2 慢速推理與表達（LLM），兩者互補 | jev-decision-model-for-firmware-ci |
noul / choice / score | Jev 的三種問題型別：是否（0–1 機率）、多選一（機率分布 + 信心值）、分級評分 | jev-decision-model-for-firmware-ci |
| RLCD | Reinforcement Learning for Calibrated Decisions，Jev 的訓練方法，以合成資料訓練校準的判斷 | jev-decision-model-for-firmware-ci |
| Shadow mode | 模型接上真實流程但只記錄不執行，定期與人工判斷比對，驗證後才逐步開放自動化 | jev-decision-model-for-firmware-ci |
| 規則先、模型後、人最後 | CI triage 的分層原則：regex 能解的不呼叫模型，模型只處理模糊地帶，信心不足一律轉人工 | jev-decision-model-for-firmware-ci |
十二、其他工具與指令
| 名詞 | 說明 | 出處 |
|---|---|---|
| yt-dlp | 下載 YouTube 資訊與字幕的套件。skip_download + writesubtitles + writeautomaticsub 只抓字幕；不限定語言時要用 subtitleslangs 收斂，否則抓全部自動字幕容易觸發 429 | gpts |
| VTT | YouTube 字幕格式。筆記中的 parse_vtt() 會解析時間戳並把 5 秒內的相鄰字幕合併 | gpts |
| gspread | Python 套件，用服務帳戶 JSON 金鑰串接 Google Sheets API | gemini_google_sheet |
client_email | 服務帳戶 JSON 裡的欄位（xxx@xxx.iam.gserviceaccount.com）。必須把 Google Sheet 用「共用」分享給這個 Email 並給編輯者權限，否則寫不進去 | gemini_google_sheet |
| CSR | Client-Side Rendering。從 AI Studio 下載的專案結構（App.tsx + vite.config.ts）可判斷產物是 CSR | ai_google_ai_studio |
snapshot_download | Hugging Face Hub 的下載函式，用 uv run python -c "..." 一行下載模型 | ai_whisper |
nvidia-smi --query-compute-apps | 查詢佔用 GPU 的 process 與其 VRAM 用量，--format=csv 輸出 | openclaw |