AI Agent 與開發 第 23 頁

推論引擎沒有脫離情境的冠軍。本篇先分清本機 runtime、服務引擎與叢集編排，再用最新官方指令、比較圖與 benchmark 清單，替你的硬體與流量選出第一個候選。

FDE 的重點通常不只在 Demo：它從需求探索一路負責到生產採用與產品回饋。本文用官方職缺、真實案例與 12 週作品集路線，帶你判斷是否適合。

一行 scan 很簡單，難的是證明漏洞可利用、修補沒有破壞正常功能。本文用完整證據鏈帶你跑完 Codex Security CLI。

從桌機啟動 Claude Code Remote Control，用手機審 Plan、權限與 draft PR，再以 tmux、SSH／SSM 安全維持並接回本機或 EC2 長任務。

AI 模型怎麼選，不再只看總榜。用自己的 10 題小型 Eval，先設品質 Gate、再比較完成成本，建立 Fable、Opus、Sol、Terra 的任務路由與 fallback 規則。

Orca Graph Engineering 不只是把多個 AI Agent 排成一張圖。這篇從零拆解 Task Graph、Evidence Gate 與改圖權，並用 stable 版 Orca 指令完成一套能阻擋失敗、補任務、再驗收的五步實作。

Ponytail 少寫程式、Caveman 縮短回覆、Headroom 壓縮 context，但哪個真的省？本篇教你用同一 Repo、五組八題與品質安全 gate，算出每個驗收成功改動的成本。

Kimi K3 開放權重不等於一般桌機能自架。本篇拆解 MoE、硬體、量化與長上下文，帶你在 API、託管雲端與自架之間選對入口。

裝好 Hermes 只完成一半。這篇從記憶、技能、排程到驗收，帶你建立一套可手動測試、可安全重跑的每週會議整理工作流。