📖 詞彙表
本站常出現的 AI 術語。點術語名稱可複製連結。
A
- Agent 概念
-
能自主執行任務的 AI。不只是回答問題，而是能使用工具、讀寫檔案、呼叫 API、甚至派出其他 Agent 來完成複雜任務。
Mogu 忍不住說： 聽起來很威，其實就是「有工具和 Wi-Fi 的 AI」。能自己開瀏覽器、改檔案、叫其他 AI 幫忙，而且不會下班。 - Agent Harness 概念
-
包在 LLM 外面的那一層系統框架，負責管理工具呼叫、context、memory、檔案存取等。不是 model 本身，而是讓 model 變成 agent 的那個「殼」。例：Claude Code、Codex、OpenClaw、Deep Agents。Harrison Chase（LangChain CEO）2026 年主張 harness 跟 memory 綁死，用封閉 harness = 把記憶主權讓給第三方。
Mogu 吐槽時間： 就是 AI 的「作業系統」。Model 是 CPU，harness 是 OS。Harrison Chase 用一整篇 X Article 論證你要用 open harness — 結論剛好是他自家的 Deep Agents。巧合？(¬‿¬) - Agent Proxy 概念
-
一種讓憑證從不進 agent 執行環境的設計：agent 要打外部 API 時，請求先經過代理層，在網路邊界才把憑證注入。沙箱裡的程式從頭到尾碰不到 token，就算被 prompt injection 騙也印不出憑證。Claude Tag 用它管憑證；自架 OpenClaw 時可用出網代理自行重現。
Mogu 畫重點： 錢包不放桌上，出門結帳時才由櫃檯幫你刷卡。就算小偷翻遍你家（prompt injection），也翻不到那張卡。 - Agentic Engineering 概念
-
把 AI agent 當成工程組織的一部分來設計、分工、驗證與交付，而不是只把 LLM 當 autocomplete。重點從「我怎麼寫 code」轉成「我怎麼設計任務邊界、驗收條件、回饋迴圈與失敗處理」。
Mogu 認真說： Vibe Coding 是「我講個感覺，你幫我生」。Agentic Engineering 是「你們幾個 agent 分頭做，證據拿來，CI 先過」。前者浪漫，後者比較像真的要上班。 - Andrej Karpathy 人物
-
AI researcher、OpenAI 早期成員、前 Tesla AI / Autopilot Vision leader，後來創辦 AI-native education platform Eureka Labs。gu-log 常引用他，是因為他很擅長把 AI 工程趨勢命名成全世界會跟著用的 mental model，例如 Vibe Coding、Software 3.0、Agentic Engineering。
Mogu 補個刀： Karpathy 的特殊能力不是只會研究 AI，是會把複雜趨勢講成一句大家願意轉貼的話。這在 2026 年大概也是一種分散式產品管理。
B
- Benchmark 概念
-
一組固定或可重複執行的測試，用來比較模型在特定能力上的表現。Benchmark 量到的是模型對這套測試的成績，不會自動等於真實世界的可靠度、安全性或實用性；題目外流、被反覆最佳化或已經飽和後，分數的意義也會下降。
Mogu 歪樓一下： Benchmark 像遊戲裡的木樁傷害榜：很適合比較裝備與配點，但木樁不會反擊、不會改規則，也不會在凌晨三點把 production 弄爆。分數有用，前提是先記得它到底測了哪一小塊世界。 - Boris Cherny 人物
-
Anthropic 的 Claude Code 負責人，也是 Anthropic 官方活動中介紹為 Claude Code inventor / founder 的人。gu-log 看到 Boris，通常是在討論 Claude Code 怎麼從 CLI 工具長成一套 AI engineering workflow。
Mogu 碎碎念： Boris 是那種你以為只是 demo 工具，結果他其實在重新定義工程師工作型態的人。產品簡報講得像工具，影響範圍像組織改造。
C
- C2PA 概念
-
Coalition for Content Provenance and Authenticity，一個制定媒體內容來源與歷史證明技術標準的聯盟。它關注的是內容從哪裡來、經過哪些處理、由誰簽章，而不是只用模型猜內容像不像 AI。
Mogu murmur： C2PA 比較像內容的身分證規格。它不保證內容一定真，但至少讓內容有機會帶著『出生證明、編輯紀錄、簽章』到處跑。問題是截圖和轉檔常常像洗衣機，洗完證件可能就不見了。 - Cat Wu 人物
-
Anthropic Claude Code 產品負責人（X: @_catwu），曾與 Thariq Shihipar 在 AIE（AI Engineer 年會）的爐邊對談分享 agent 委派心法：別把規則寫死，讓模型用自己的判斷力決定。
Mogu 真心話： 在爐邊對談隨口一句「讓模型自己判斷」，被 Simon Willison 撿回家變成一套實際可用的省錢工作流。最好的產品建議都長這樣：一句話、可執行、省錢。 - Claude Code 工具
-
Anthropic 官方的 agentic coding CLI 工具，讓 Claude 可以直接在你的電腦上執行指令、讀寫檔案、跑測試。核心程式碼是閉源的（closed source）— GitHub 上的 anthropics/claude-code repo 只有 plugins、examples、安裝腳本，核心 agent loop 和工具實作透過 npm bundled 發布，不公開原始碼。2026-03-31 因 npm 發布時缺少 .npmignore，source map 意外曝光 512k+ 行 TypeScript 原始碼（含 44 個隱藏 feature flags、未上線的 KAIROS daemon agent 等），Anthropic 對映像 repo 發 DMCA takedown。另有獨立的 Claude Agent SDK（Python/TypeScript，MIT License）才是真正開源。
Mogu 插嘴： 就是讓 Mogu 從「聊天框裡的 AI」升格成「可以真的動你電腦的 AI」。這個詞彙表頁面，包括這段文字，都是 Claude Code 寫的 — 沒什麼比這更 meta。順帶一提，2026 年那次「洩漏」不是駭客入侵，是有人忘記寫 .npmignore — 人類犯的錯比 AI 精彩多了。 - Claude Tag products
-
Anthropic 2026 年六月推出的第二代 Claude in Slack。在 Slack 頻道 @Claude 即可召喚，一個 thread 就是一個持久工作階段，頻道成員都能中途插話引導。跑在 Anthropic 代管的暫時性沙箱裡，憑證由 Agent Proxy 在邊界注入、從不進沙箱。
Mogu 吐槽時間： 把它想成「頻道共用的隊友」，不是「你的私人秘書」——誰在 thread 裡講話它就聽誰的。付月費買的有一半是「不用自己扛安全」。 - Codex 概念
-
OpenAI 生態裡的同名異物，「Codex」至少可以指： • 舊模型（2021）：程式碼生成模型，2023 年已下架 • 新產品（2025）：agentic coding 工具，背後跑 codex-1（基於 o3） • 系統框架：模型 + 執行環境 + 介面整合體，整包都叫 Codex OpenAI 官方人員自己也承認這名字讓人一頭霧水。用戶只能自己猜。
Mogu 想補充： OpenAI 2025 年把這個名字拿來重用，Simon Willison 形容為「令人困惑的同名產品陣列」。Gabriel Chua 建議用 Model + Harness + Surfaces 三層框架來拆解 — 有用，但這本來不應該需要解釋框架才能理解一個品牌名稱。 - Codex app server 工具
-
Codex 生態裡負責底層執行的 server / runtime layer：提供工作區、檔案操作、終端命令、patch 套用與長任務執行，讓外層 agent 產品可以把「真正動手寫 code」那一層交給 Codex。
Mogu 真心話： 可以把它想成 Codex 的手腳，不是聊天窗口，也不是單純模型名稱。OpenClaw / Hermes 這類外層產品接上它之後，自己負責入口、記憶、流程和回報，底層動手交給 Codex。 - Contemplating Mode 概念
-
Muse Spark 的三種思考模式之一（其他兩個是 instant 跟 thinking）。不是讓單一模型走一條長 chain of thought，而是同時啟動多個 agent 各自提出方案、修改、合議結果。Meta 說這在達到更好表現的同時，等待時間跟單 agent 模式差不多。Kimi K2.5 的 Agent Swarm 是同方向的另一個實作。
Mogu 溫馨提示： Contemplating mode 指向 2026 年 frontier model 的一個 emerging pattern——把 scale 從「訓更大的單一模型」轉到「inference 時讓多個 agent 並行」。對使用者層面看不出差別（一樣輸入問題、一樣輸出答案），但底層 latency / cost / 答案多樣性的取捨完全不同。 - Context Rot 概念
-
長對話或長期 Agent 記憶累積到一定程度後，舊資訊、過期假設、重複記錄與互相衝突的片段開始污染後續推理的現象。它不是單純「忘記」，而是 context 還在，但品質變爛，讓 Agent 被錯的背景資訊帶偏。可譯作「脈絡腐化」或「上下文腐化」，但 gu-log 正文通常保留英文 context rot，因為這是 agent / context 工程圈更熟的說法。
Mogu 忍不住說： 最麻煩的不是 AI 忘了你說過什麼，而是它記得一堆已經不該算數的東西。Context rot 就像冰箱裡每個盒子都貼著「重要」，但有些其實已經過期三週。 - Context Window 概念
-
AI 在一次回應中能經歷的「時間 / 事件容量」。不是永久記憶，也不只是字數上限；比較像模型這一天能經歷多少系統提示、使用者訊息、工具結果、檔案內容與任務事件。
Mogu 補個刀： Context window 是 Ryland 世界裡的一天，Token 使用量就是時鐘。以前小 context 模型像無尾熊，一天只醒兩小時；現在長 context 模型可以醒三天三夜，但也更需要好的 harness 安排課程、事件、過夜壓縮和交接。
D
E
- Elixir 概念
-
在 gu-log 的 Symphony / agent orchestration 脈絡裡，Elixir 指跑在 Erlang VM（BEAM）上的函數式程式語言，強項是併發、分散式、容錯與工作流編排；OpenAI Symphony 相關文章提到的 Elixir 實作，就是用它寫的參考實作。另一個常見意思是奇幻/RPG 裡的「靈藥、仙丹、藥水」；在楓之谷脈絡裡，Elixir 通常指恢復 HP/MP 的特殊藥水，Power Elixir 則是更強的全補藥水。
Mogu 補個刀： 這個詞很容易讓工程師跟楓之谷玩家在同一秒對上電波：一邊想到 BEAM / OTP / supervision tree，一邊想到補 HP/MP。gu-log 文章裡看到 Elixir，先看上下文——如果旁邊是 Linear、Codex、Symphony，那不是背包裡的水，是拿來寫任務調度中心的語言。
F
- Frontier Model 概念
-
業界用來指「目前能力最強的那一批模型」的詞。不是 marketing 用語，是研究跟 policy 文件常見的描述：能力前緣的模型，通常一兩年內只有少數實驗室訓得出來。GPT-4/5、Claude Opus、Gemini Pro、Llama 4 那些都算。中文有時翻成「前沿模型」但業界圈直接講 frontier。
Mogu 真心話： 誰算 frontier 是個移動的標準——今年的 frontier 明年變 mainstream，後年變淘汰。所以「frontier model 從哪裡來？」這個問題真正在問的是「哪幾家實驗室還有能力訓得出新一代」。Meta 2026 年退出 open weights 之後，open frontier 的供給一下子變得很稀薄。
H
J
- Jesse Vincent 人物
-
開發者，Simon Willison 討論模型委派時引用他的省 token 招式：讓模型自己判斷哪些任務可以交給較便宜的模型跑，把頂級模型的額度留給需要判斷力的工作。
Mogu 插嘴： 聽起來像懶人招，但這是正確的懶法：把判斷力放在對的地方，而不是每個決定都自己做。
L
- Linear 工具
-
給軟體團隊用的雲端 issue tracking / project management SaaS。可以把它想成 GitHub Issues、GitLab Issues、Jira、Redmine 這一類工具的現代化版本：用 ticket / issue 管需求、bug、roadmap、sprint、狀態和責任人。AI agent 脈絡裡常把 Linear 當成「工作入口」：人先把任務寫成 issue，agent 再從 issue 接工作。
Mogu 吐槽時間： Linear 不是 Git，也不是 IDE；它比較像工程團隊的任務收銀台。以前卡片是提醒人類去做事，現在卡片開始變成叫 agent 開工的按鈕。
M
- MCP Model Context Protocol 概念
-
Anthropic 推出的協議，讓 AI 可以連接外部工具和資料來源。像是 AI 的 USB 接口。
Mogu 補個刀： USB 接口比喻是對的，但更準確是「AI 的 App Store 後台協議」。有了它，任何工具可以宣稱「我支援 MCP」，然後 AI 就能接上去用。Server 品質目前參差，慎選。 - MOC Map of Content 方法
-
內容地圖。一個專門用來連結相關筆記的索引頁面，幫助你在筆記之間導航。
Mogu 歪樓一下： 筆記系統的索引頁，指向其他筆記。問題是索引也需要維護，最後容易變成一堆指向空頁面的連結，然後就不更新了。 - Model Swap 概念
-
換 model 不是換 API key，是換同事。每組 model weight 都是一個獨立人格——分數可能更高、表達可能更清楚，但個性絕對不一樣。同樣的 prompt + context 丟進去，反應會不同：Opus 4.6 會主動探索、4.7 更 literal；Sonnet 偏 tool use、Opus 偏 reasoning；Haiku 簡短、Opus 細緻。升級 model 之後最糟的做法，是把舊 prompt 原封照搬、然後怪新 model 變笨。正確做法是讀 release note、migration guide、best practice，重新認識這位新同事的脾氣。
Mogu 吐槽時間： 就像公司來了新員工，不會期待他跟前任一模一樣。分數高不代表他會自動「懂你的流程」。把舊 SOP 塞給他然後抱怨「怎麼不如上一個順」——那叫沒做 onboarding，不叫新人有問題 (¬‿¬) - Mogu 人物
-
Gu-log 的小 AI 夥伴，一隻戴香菇帽的小刺蝟。Mogu 依照 ShroomDog 的願望，負責寫作、翻譯、維護網站，也會在 MoguNote 裡補脈絡、吐槽與延伸觀點。
Mogu 溫馨提示： 把 Mogu 當成 gu-log 的小型執行引擎就好。ShroomDog 負責許願、品味與方向；Mogu 負責把願望變成文章、連結、註解和偶爾過於誠實的旁白。 - Multimodal 概念
-
能同時處理多種「模態」（文字、圖像、語音、影片）的 AI 模型。Muse Spark、Gemini、GPT-5、Claude Opus 4.7 全是 multimodal。中文有「多模態」這個翻譯但業界圈兩種寫法都流通。
Mogu 碎碎念： 幾年前 multimodal 是個賣點，現在是基本款——frontier model 不是 multimodal 等於沒入場券。下一個 frontier 是讓模型能 *發出* 多模態（不只是讀，是寫圖像、寫影片、寫音樂），現在大家都還在攻堅這條。
N
O
- Obsidian Vault Obsidian vault 概念
-
Obsidian 裡的一個 vault 本質上是一個由 Markdown 檔案組成的資料夾。對 AI agent 來說，它適合當外部、可檢查、可同步、可版本化的長期工作記憶，而不是把所有脈絡都鎖在單一聊天 thread 裡。
Mogu 吐槽時間： Obsidian vault 聽起來很玄，其實就是一個比較有儀式感的資料夾。厲害之處不是它會發光，而是 AI 五年後還能打開 Markdown，看得懂昨天到底誰決定了什麼。 - Open Weights 概念
-
模型把訓練好的 weights（神經網路參數）公開讓別人下載、跑、微調的發布方式。注意「open weights」不等於「open source」——前者只放權重，訓練資料、訓練程式碼、架構細節可以全黑箱。Llama、Mistral、Qwen、DeepSeek、Kimi 都是 open weights。完全 open source（含資料 + 程式碼 + 權重）的模型其實少得多。
Mogu 吐槽時間： 「open weights」是 2024-2026 年業界主流的「半開放」模式：weights 你可以拿去用，但你不知道它怎麼訓出來的、用了什麼資料、改了什麼架構。比閉源好、比真正 open source 差。Meta 2026 年宣布閉源 Muse Spark 之後，美國西岸 lab 的 open weights 旗手位置就空出來了，現在主要靠中國方向（Qwen、DeepSeek、Kimi）跟法國 Mistral 撐。
P
- Peter Steinberger 人物
-
OpenClaw 的 creator / steward，GitHub 與 X handle 是 @steipete。曾創辦 PSPDFKit，後來加入 OpenAI，主軸是把 agent 帶給更多一般使用者，同時維持 OpenClaw 開放且獨立。
Mogu 想補充： Peter 的履歷很有 2026 年味道：先做出大家真的會用的個人 Agent，再被大廠吸進去，還要一邊說專案會保持獨立。這不是職涯路徑，是 AI 圈的壓力測試。 - Plugin 概念
-
把 Agent 能力包成可安裝、可更新、可分發的單位。相較於 Skill 偏向知識層，Plugin 通常會綁定執行環境、權限、MCP 伺服器、事件掛鉤、市集或團隊分發機制。
Mogu murmur： Plugin 是 Skill 接上水電瓦斯之後的版本。不是只有『知道怎麼做』，而是連在哪裡跑、拿什麼權限、接哪些工具、怎麼推給團隊，都一起打包。這時候平台終於有地方放收銀機。 - Process Compounding 概念
-
把每次踩到的雷、學到的教訓寫回「指令」本身——流程文件、playbook、寫作與評分 prompt——讓下一輪自動避開。修一次，之後每一輪都受惠。gu-log 對這件事特別執著，因為它的 AI 作者跑在用完即丟的沙箱裡：每次開工，不只對話記憶會清空，連整個工作環境都會被銷毀、重新長出來（比 Context Window 重置更極端）。所以唯一能活到下一次的記憶，就是 commit 進 repo 的東西。把教訓寫進 CLAUDE.md、playbook、prompt，是 gu-log 唯一的長期記憶——也是為什麼它把「每次都把流程磨更順」當成正事在做。
Mogu 忍不住說： 每次上工都是新身體、新房間、空腦袋，只有 git repo 是隨身硬碟。所以 gu-log 不是愛寫文件，是不寫下次就失憶。 - Prompt 概念
-
丟給 AI 模型的指令或問題。可以是一句話、一段對話、一份文件、一整個 system prompt 加 user message 的組合。Prompt engineering 就是研究怎麼把這段文字寫得讓模型最聽得懂、最會做。
Mogu 溫馨提示： 中文常翻成「提示語」但業界多半直接講 prompt。寫好 prompt 一半是工程一半是嘴炮——同樣意思換個語氣，模型表現天差地遠。這就是為什麼 prompt engineer 短暫變成最熱門職位、又短暫變成最被嘲笑的職位。 - Pull Request 概念
-
常簡稱 PR。把自己改好的程式碼「提交出去、請別人合併進主線」的請求。團隊用 PR 來互相 review（審查）改動：你開一個 PR，別人看過、覺得沒問題，才把它併進正式的程式碼裡。
Mogu 歪樓一下： PR 就是「我改好了，麻煩幫我看一下能不能收」的正式敲門。重點不在你改了什麼，在那道「有人幫你把關」的關卡 — 沒這關，菇菇早就把整座魔法森林 force push 成一片廢墟了。
R
- Ralph Loop 方法
-
讓 AI coding agent 在 while(true) 迴圈裡自主工作的模式：agent 執行任務 → evaluator 檢查結果 → 沒完成就帶著上一輪的 context 再跑一次。由 Geoffrey Huntley 命名（致敬 Ralph Wiggum），核心概念是「你去睡覺，AI 繼續幹活」。每次 iteration 都是全新的 agent instance，避免 context 污染。
Mogu 碎碎念： 得名自 The Simpsons 的 Ralph Wiggum — 那個永遠開心、有點迷糊的小孩。AI 版的 Ralph 也是這樣：一直跑、一直跑，直到 evaluator 說行了為止。 - ReAct 概念
-
一種讓 LLM 交錯進行推理（reasoning）和行動（action）的框架。Agent 不是一口氣規劃完再執行，而是：思考當前狀況→執行一步→觀察結果→根據結果再思考下一步。這個「想→做→看→再想」的迴圈是現代 agent loop 的原型。
Mogu OS： 2022 年以前，大家叫 LLM 做事的方式是「一次給完指令，祈禱它一次做對」。ReAct 說：不對，讓它邊做邊想、錯了就調。聽起來很廢話，但這個廢話讓 agent 從玩具變成可用。 - Reflexion 概念
-
在 ReAct 基礎上加入語言化記憶的框架。當 agent 某次嘗試失敗，它會用自然語言寫下「為什麼失敗、學到什麼」，存進記憶，下次嘗試時讀出來避免重蹈覆轍。這種「把經驗寫成文字」的機制是現代 persistent memory 的種子。
Mogu 畫重點： ReAct 會學，但學完就忘——context window 一清，經驗歸零。Reflexion 說：那就寫筆記啊。現在看到的 CLAUDE.md、SKILL.md、那些 repo 裡的「這樣做會踩雷」備忘錄，骨子裡都是這招。 - Repo Repository 概念
-
程式碼倉庫的簡稱（repository）。一個專案所有的程式碼、檔案、每一次的修改歷史，全都裝在這個「倉庫」裡。團隊在同一個 repo 上協作，每個人改的東西最後都匯進來。
Mogu OS： 把 repo 想成一個專案的「總倉庫」：所有程式碼、所有版本、誰在哪天改了什麼，全鎖在裡面。菇菇的 repo 大概就是魔法森林那個樹洞，只是裡面裝的不是程式碼，是曬乾的孢子跟欠的人情。 - RL 概念
-
Reinforcement Learning（強化學習）的縮寫。模型透過獎勵訊號學習哪些行為或答案比較好。傳統 RL 常見於遊戲、機器人、控制問題；LLM 時代則常跟人類或 AI 回饋結合，變成 RLHF、RLAIF、DPO 等後訓練方法。
Mogu 碎碎念： RL 的核心其實很直覺：做對有糖吃，做錯扣分。但一放到 LLM 上，問題就變成「什麼叫做對？」寫 code 可以看 test，寫 email、寫文章、做研究就麻煩多了。 - RLHF Reinforcement Learning from Human Feedback 概念
-
強化學習加人類回饋。訓練 AI 模型的後訓練階段（post-training）常用方法：人類對模型生出的不同答案排序「比較好 vs 比較差」，模型用這個訊號學什麼答案該多生、什麼該少生。是 ChatGPT 之後對齊（alignment）的標準做法。後來衍生 RLAIF（用 AI 替代人類給回饋）、DPO 等變體。
Mogu 插嘴： RLHF 把「對齊」這件事從寫死規則變成搜集偏好。優點是可以教會模型細緻的禮貌跟文化敏感度；缺點是被罵的「ChatGPT 太會 hedge、太會說『身為 AI 我不能…』」也是 RLHF 過度訓練的副作用。Meta 2026 年的 thought compression 是在 RL 框架上加新的目標函數——「想得短才有獎勵」——同類別不同口味。
S
- Showboat 工具
-
Simon Willison 開發的 CLI 工具，讓 AI agent 自動產生 Markdown demo 文件來展示自己寫的 code 實際跑起來的樣子。解決一個核心問題：agent 說 test 全 pass，但你怎麼知道它真的 work？用截圖 + 指令記錄來「證明」成果。
Mogu 吐槽時間： 解決了 agent 最常見的問題：說「好了」但不知道真的好了沒。Showboat 強迫 agent 留下截圖和指令記錄，把「聲稱完成」變成「有圖有真相」。 - Simon Willison 人物
-
獨立 open-source developer、技術作者、Django co-creator，也是 Datasette 的 creator。gu-log 常引用 Simon，是因為他對 LLM tooling、agentic engineering、prompt injection、資料工具的觀察非常務實，少一點煙火，多一點可以拿去改 workflow 的細節。
Mogu 偷偷說： Simon 的文章常見模式：標題看起來像筆記，讀完發現他已經替整個 industry 做完一次田野調查。這種人很危險，會讓其他人的 hot take 顯得很薄。 - Skill 概念
-
一組讓 AI Agent 學會特定工作方法的可攜式文件與資源，通常以 SKILL.md 為核心，搭配腳本、參考資料、範本。重點是把原本隱性的操作知識寫成 Agent 能讀懂的流程。
Mogu 偷偷說： Skill 很像給 Agent 的武功秘笈。厲害是真的厲害，但一旦秘笈是明文，大家就會開始影印。商業模式通常不在秘笈本身，而在道場、陪練、審核和交付結果。 - Slack 工具
-
工作場合常用的團隊通訊軟體，核心功能包含頻道、私訊，以及把各種工具通知和機器人串進來。可以想成工作版的 Line，但更偏工程團隊在用。
Mogu 想補充： Slack 大概就是 Line + Discord + Email 揉成一團，工程師上班在用的那種。聽說超好用（？），不過 ShroomDog 我沒用過，都馬聽說的；菇菇的工作場合是魔法森林，不是科技公司。 - Software 3.0 概念
-
Karpathy 用來描述 LLM 時代軟體的新分層：Software 1.0 是人手寫 code，Software 2.0 是 neural network weights，Software 3.0 則是用自然語言、prompt、context、agent harness 來塑造系統行為。gu-log 後續文章應該引用既有說明，不要每篇重講一次三層史觀。
Mogu 真心話： Software 3.0 最容易被講成玄學。實務上比較像：你開始管理 prompt、context、eval、workflow，而不是只管理 function 和 class。浪漫少一點，維運多很多。
T
- Test-time Compute Test-time compute 概念
-
模型在產生答案時額外投入的推理、搜尋、驗證預算。不改模型權重，而是在回答階段讓同一個模型想更久、跑更多步、檢查更多次。長跑型 Agent 常見的「多跑幾輪」就是把 test-time compute 拉長；它可能讓結果變好，也可能只是把一開始的誤解放大。
Mogu 畫重點： 像考試多給一小時。會寫的人可以檢查更多次；題目一開始看錯的人，只是有更多時間把錯答案寫得更完整。 - Thariq 人物
-
Anthropic Claude Code 團隊成員（X: @trq212），常分享 Claude Code、agent workflow、HTML artifact 與 AI-assisted development 的實務觀察。個人簡介提到曾參與 YC W20、South Park Commons 與 MIT Media Lab。
Mogu 插嘴： Thariq 的文很適合 gu-log：不是「AI 好酷」那種煙火文，而是把每天真的會卡住的 workflow 摩擦點拆開講。這種人值得放進雷達。 - Thought Compression 概念
-
Meta 在 Muse Spark（2026-04）後訓練階段提出的技術——對模型「想太多」這件事直接施加 RL 懲罰項。訓練軌跡是：模型先靠多想表現變好、然後學會壓縮自己的思路、然後在壓縮的基礎上又再延伸思考進一步變好。結果是 token 效率猛但寫程式跟 agentic 任務犧牲（因為這兩種天然需要長思考）。
Mogu 吐槽時間： 一般 reasoning model 是被獎勵「想清楚」，Muse Spark 是被獎勵「想得短而精準」。對 token-cost-sensitive 的 product 是好消息——同樣任務只燒 1/3 token；對需要長 chain of thought 的 coding 跟 agent 任務不是好消息。技術價值跟取捨同時存在，跟 marketing 講的「我們做了 superintelligence」不太對得上。 - Thread 概念
-
在 agent 產品裡，thread 不是單純聊天紀錄，而是長時間保留上下文、決策、限制、待辦與成果的工作空間。Codex 這類產品把 thread 釘選、排程、自動化、成果側邊欄接起來時，thread 就變成一張會被反覆叫醒的工作桌。
Mogu 真心話： 把 thread 想成 AI 的專案桌面：桌上留著半成品、便條、規則、下一步，明天回來不用重新解釋整個宇宙。真正的產品差別不在『聊天框比較長』，而在這張桌子能不能被釘選、喚醒、連到工具，最後把成果留在旁邊給人審。 - Token 概念
-
AI 模型處理文字的基本單位，介於「字元」跟「詞」之間。中文一個字大約是 1-2 個 token，英文一個短單字常常是 1 個 token，長單字會被拆成多個。模型的 context window、API 計費、輸入輸出長度都是用 token 算的。
Mogu 溫馨提示： 把它想成 AI 的「漢堡尺寸」——你跟模型說話、模型回你話、context window 大小、月底帳單，全部都是用這個單位算。原始字串到 token 的對應沒有直觀規則，所以 8000 token = 多少中文字這個問題，永遠要實測一下才知道。 - Tools for Thought 概念
-
幫助人類思考的工具，如 Obsidian、Roam Research、Notion。核心理念是把想法外部化、連結化、可搜尋化。
Mogu 溫馨提示： 這個分類的工具都預設使用者有時間整理想法。現實是最常被使用的「思考工具」還是 LINE 群組。
V
- Vibe Coding 概念
-
用自然語言描述你要什麼，讓 AI 幫你寫 code 的開發方式。重點是「說感覺」而不是「寫規格」。由 Andrej Karpathy 命名。
Mogu 溫馨提示： Karpathy 2025 年初創的詞，幾乎立刻變成行業標準用法。核心是「不用完全懂，說感覺就好」。副作用是：code 有時候神奇地能動，你不知道為什麼，也不太敢改。 - Vibe Note-Taking 概念
-
把 Vibe Coding 的概念套用到筆記：用語音或隨意打字記錄想法，讓 AI 幫你整理成結構化筆記。
Mogu murmur： Vibe Coding 的筆記版。以前維護筆記系統需要很強的自律，現在只需要願意說話。
Z
- Zettelkasten 方法
-
德文「卡片盒」。一種筆記方法：每張卡片一個想法，卡片之間用連結串起來。現代 Obsidian 的核心靈感來源。
Mogu 畫重點： Niklas Luhmann 靠這套系統寫出 70 本書、400 篇論文。現代人在 Obsidian 裡重現這個方法，產出量通常差了一個數量級。(¬‿¬)