# [(ai) 讓 AI Agent 記住一切：Letta 的三層記憶架構與它的挑戰者們] **一句話：** Letta（前世 MemGPT）用作業系統記憶體階層的概念，讓 Agent 自己做記憶調度決定——屬於 2026 年值得關注的「主動式 Agent 記憶」實驗方向，但這個方向目前仍缺乏大規模生產驗證。 --- ## 從一個具體的限制說起 所有主流 LLM 的 context window 都是固定的。GPT-4o mini 有 128K tokens，Claude 3.5 Sonnet 有 200K——但無論多大，都是有限的。 當一個 Agent 需要跨幾十次 session 累積經驗時，這個限制就變成架構瓶頸：怎麼讓 Agent 在有限的 context 裡，始終掌握最重要的事？ 這個問題催生了 2024–2026 年的「Agent 記憶」創業潮。多數主流方案選擇以 Vector DB 為核心做被動檢索，Letta 的 OS 階層設計則選擇讓 Agent 主動管理記憶流動——兩者代表了兩種不同的設計方向，而非簡單的優劣之分。 --- ## Letta 是什麼 Letta 成立於 2024 年，前身是 **MemGPT** 研究專案。2025 年改名為 Letta，獲得 Felicis 領投的 10M USD seed 輪（2024 年 9 月，PRNewswire 報導）。 官方口號：**"The platform for building stateful agents"**——專門建構有狀態的 Agent，不只是給 Agent 加一個記憶層。 核心定位：**Agent Runtime，不是記憶層。** 多數記憶方案（Mem0、Zep、Cognee）都是讓你「加上去」的工具。Letta 的定位則是讓 Agent 直接跑在平台上面，記憶功能內建而非外加。 --- ## 核心架構：三層記憶，仿作業系統 Letta 的設計概念：**把 LLM context 視為虛擬記憶體，Agent 自己決定什麼要「載入 RAM」、什麼要「寫入硬碟」。** ### 第一層：Core Memory（RAM） - 直接存在 context window 裡 - Agent 可以像寫變數一樣直接讀寫 - 容量極小（受限於 context），但讀取速度是即時的 - 典型內容：Agent 的 persona、當前任務目標、最近對話的關鍵事實 ### 第二層：Recall Memory（磁碟快取） - 存在 context 外面，但仍屬於「熱」儲存 - 可以被完整檢索，但需要主動召回 - 容量較大，專門存放對話歷史 ### 第三層：Archival Memory（冷儲存） - Agent 透過 tool call 查詢，類似資料庫檢索 - 存放長期累積的經驗、歷史記錄、罕見但重要的資訊 - 需要時再召回，不用時不佔用 context **設計意圖**：三層之間的調度，理論上是由 Agent 透過 tool call 自行決定。Agent 會因為「Core Memory 快滿了」而主動把內容移到 Recall，會因為「某件事很久沒用到」而放到 Archival。 --- ## 與其他方案的對照 | | Mem0 | Letta | Google Always On | |---|---|---|---| | 定位 | 記憶層（外加）| Agent Runtime（內建）| 永遠運行的記憶 Agent | | 誰決定記憶內容 | Mem0 被動萃取 | Agent 主動編輯（設計意圖）| IngestAgent 主動萃取 | | 記憶組織 | 向量檢索 + 知識圖譜（Pro）| 三層 OS 階層 | 多 Agent 協作 | | 整合方式 | SDK import | 平台 Migration | 獨立系統 | **關於 Letta 與 Google Always On 的比較**：兩者都涉及記憶的主動整理，但在架構上有觀察到的差異。這個「方向相反」的觀察，主要來自對兩者文件結構的分析，並非有實證研究直接比較兩者效果，應視為分析性推論，而非已驗證事實。 --- ## 與 GiGi / OpenClaw 的具體關聯 GiGi 現有的記憶架構： - **Core（短期）**：對話上下文 - **中期**：memory/YYYY-MM-DD.md（每日日誌） - **長期（熱）**：MEMORY.md - **外部備份**：AI_Brain repo **可以參考的概念**：Letta 的三層之所以在文件裡看起來有組織，是因為每層有明確的「資料溫度」和使用頻率。GiGi 的四層架構本質上也有溫度之分，只是目前沒有自動的熱度追蹤機制。 **Core Memory 的對照**：GiGi 的 MEMORY.md 在概念上接近 Core Memory——體積極小（≤8KB）、最常用、最重要。但目前是純靜態的，不像 Letta 那樣由 Agent 動態置換。 **差異點**：Letta 的 Core Memory 由 Agent 自己維護，GiGi 的 MEMORY.md 由人類審閱和更新。這是刻意的設計選擇，不是技術限制。 --- ## 誠實的限制 **1. Letta 是整個平台置換，不是模組借鑒** 如果只想借用「三層記憶」概念，Letta 的學習曲線和遷移成本比 Mem0 高得多。 → 如果 GiGi 要借鑒，不需要遷移到 Letta，只需要把 Core/Recall/Archival 的概念應用到現有的 Markdown 架構。 **2. Agent 自己管理記憶的代價** 當 Agent 決定移動記憶時，會消耗 inference budget。如果 Agent 判斷錯誤，把重要資訊放到 Archival 而忘了召回，會造成遺漏。 → **尚待確認**：Letta 有沒有自動校準機制，還是純靠 Agent 自己的判斷？ **3. 多 Agent 共享記憶尚未成熟** Letta 的 Shared Memory 模組是 2026 年的新功能，多個 Agent 共享同一個記憶庫的協作模式還沒有公開的大規模生產案例。 → **尚待確認**：JoJo 和 GiGi 是否可能走 Shared Memory 模式，還是需要各自的 Agent 獨立記憶？ --- ## 可執行的下一步 **目標**：在不做任何新工具安裝的情況下，用 Prompt 設計實現「三層概念驗證」。 **現有工具**：MiniMax-M2.5 或 qwen3.5，不需要安裝任何東西。 **做法**：在每週定期的記憶維護環節加入記憶熱度標記： 每則 daily note 標注： - 🔥 高頻：這週被引用 3 次以上 → 建議晉升到 MEMORY.md - 📅 中頻：這週出現過但不到 3 次 → 留在 daily notes - ❄️ 低頻：這週完全沒被用到 → 可考慮歸檔或刪除 這個做法呼應 Letta 的 OS 階層概念，但用 GiGi 現有的 Markdown 架構實現，不需要任何 Vector DB 或新平台。 --- ## 這對 OpenClaw / GiGi / 現有 Markdown Memory 架構的實務啟發 **可以直接借鑒的：** 1. **資料溫度分層思維**：Letta 的 Core/Recall/Archival 三層，本質上是用「使用頻率」決定「存放位置」。GiGi 現有的架構（MEMORY.md / daily notes / AI_Brain）已有類似的溫度分層，只需要加上一個「熱度追蹤」的習慣——每週維護時主動標記，而非靜態累積。 2. **記憶由 Agent 主動管理，而非人類被動寫入**：Letta 的設計意圖是 Agent 自己決定記憶的放置和遷移。GiGi 目前是人類主導（Thomas 審閱 daily notes 更新 MEMORY.md），這個方向值得思考是否可以逐步加入 Agent 主動推薦的環節——例如每週維護時，Agent 主動提出「這則應該晋升、這則可以歸檔」的建議，而非被動等人類處理。 3. **Archival Memory 的概念**：當 GiGi 的 daily notes 累積過多時，可以考慮一個「冷儲存」的判斷標準——一段時間（30 天）內完全沒被引用過的 notes，自動移入一個 `memory/archive/` 目錄，而非一直留著佔空間。 **不建議直接複製的：** - Letta 的 Agent 自主決策機制（Core Memory ↔ Archival 之間的調度）在 GiGi 目前的架構下，準確度和 hallucination 風險尚無充分驗證 - Letta 的平台級整合（整個 Agent 跑在上面）對於 GiGi 的分散式 Markdown 架構來說，置換成本遠高於參考價值 --- ## Claim Mapping / Source Audit **已確認事實（來自第一手來源）：** - Letta 前身：MemGPT（MemGPT 時期曾有研究論文發表，但 arXiv URL 需實地核對） - Letta 成立時間：2024 年；2025 年改名（MemGPT → Letta） - 融資：Felicis 領投 10M USD seed（2024 年 9 月，PRNewswire 報導） - License：Apache 2.0 - 三層記憶名稱：Core / Recall / Archival - Agent 透過 tool call 管理記憶階層（文件描述的設計意圖） **作者推論（非直接引用，需謹慎看待）：** - 「Letta 和 Google Always On 方向相反」——從兩者文件結構的觀察對比，並無直接實證研究支持 - 「三層模型代表一種假設：讓 Agent 自己管理記憶流動，可能是比被動向量檢索更符合 agent 原生精神的設計方向」——分析性假設，非已驗證結論 - 「Agent 會因為 Core Memory 快滿而主動置換」——文件描述的設計意圖，實際運行效果尚待社群驗證 - 「Letta 適合需要長期運行的個人化 Agent」——合理的方向判斷，缺乏系統性比較數據 **尚待確認（需要一手驗證）：** - Letta 的 Core Memory 自動置換實際效果是否有公開的效能報告 - 多 Agent Shared Memory 生產環境成熟度 - 與 OpenClaw 現有架構整合的可能性 - Agent 自己判斷記憶階層時的錯誤放置頻率 --- ## References **第一手來源（官方 / 原始檔）：** - [Letta 官方網站](https://letta.com) - [Letta GitHub — letta-ai/letta](https://github.com/letta-ai/letta) - [Letta 官方文檔](https://docs.letta.com) - [MemGPT 原 arXiv 論文](https://arxiv.org/abs/2312.14878)（⚠️ 待驗證：URL 存在性尚未實地核對） - [PRNewswire：Letta $10M Seed by Felicis（2024-09-24）](https://www.prnewswire.com/news-releases/berkeley-ai-research-lab-spinout-letta-raises-10m-seed-financing-led-by-felicis-to-build-ai-with-memory-302257004.html) **第二手來源（分析 / 解讀）：** - [Vectorize.io：Mem0 vs Letta 深度比較（2026）](https://vectorize.io/articles/mem0-vs-letta) - [SudoAll.com：Letta — The Stateful Agent Runtime](https://sudoall.com/letta-stateful-agents-nodejs/) - [DEV Community：Top 6 AI Agent Memory Frameworks（2026）](https://dev.to/nebulagg/top-6-ai-agent-memory-frameworks-for-devs-2026-1fef) --- **Model / Framework / License:** MemGPT → Letta / Agent Runtime / Apache 2.0 **Categories:** AI / Agent / Memory / OpenSource

# [(ai) 從向量資料庫到記憶層：Mem0 與它的 2026 年挑戰者們] **一句話：** Mem0 用 graph + vector + key-value 三層混合儲存，解決 LLM statelessness，拿到 $24M 成為 2025–2026 年最受關注的 AI memory startup 之一——但這條路現在已經不是它一個在走了。 --- ## 從一個具體的問題說起 每次用 AI assistant，都要重新解釋一次自己的偏好、背景、需求。LLM 本身是 stateless 的，session 結束就忘記。 這催生了「AI Memory」這個類別。2024–2025 年間，大量新創在嘗試解決這個問題——Mem0 是其中拿到了最大資金的一個。 --- ## Mem0 是什麼 Mem0（發音 "mem-zero"）由 Taranjeet 和 Deshraj 創辦，兩人之前做過 Embedchain（開源 RAG framework，下載量 200 萬+）。 2025 年 10 月宣布完成 **$24M 融資**（$3.9M seed + $20M Series A），投資方包括 Basis Set Ventures（領投）、Peak XV Partners、GitHub Fund、Y Combinator（TechCrunch 2025-10-28 報導）。 定位：**Universal memory layer for AI Agents**——不是平台，是讓任何 AI 應用都能快速加上記憶功能的元件。 --- ## 核心架構：混合儲存三層 Mem0 的技術核心是 hybrid datastore，同時結合三種儲存方式： **1. Graph Memory（圖譜記憶）** - 儲存實體與關係 - 例如：「Thomas 住在台北」→「台北→居住地←Thomas」 - 用途：多跳查詢（multi-hop queries）、理解實體之間的連結 **2. Vector Memory（向量記憶）** - 傳統 semantic search - 用途：語意相似性檢索 **3. Key-Value Memory（鍵值記憶）** - 儲存結構化事實 - 例如：用戶偏好、設定值、身份屬性 - 用途：快速精確讀取 **設計邏輯**：三種儲存同時存在，取長補短。Graph 處理複雜關聯，Vector 做語意檢索，Key-Value 做精確讀取。 --- ## Benchmark 數據 Mem0 官方宣稱（GitHub README）在 LOCOMO benchmark 上： - **+26% Accuracy** vs OpenAI Memory - **91% Faster** 回應速度 vs full-context - **90% Fewer Tokens** vs full-context ⚠️ 這些數字是 Mem0 官方公佈的，未經獨立第三方驗證。引用時應視為廠商聲稱，而非已確認事實。 --- ## 與 Letta 的實質差異 | | Mem0 | Letta | |---|---|---| | 定位 | 記憶層（可嵌入任何框架）| Agent Runtime（Agent 跑在平台上面）| | 儲存方式 | Graph + Vector + Key-Value | 三層 OS 階層（Core/Recall/Archival）| | 誰管理記憶 | Mem0 被動萃取 | Agent 主動編輯（設計意圖）| | 整合方式 | SDK import | 平台 Migration | | 資金 | $24M（2025-10）| $10M seed（2024-09）| **核心差異**：Mem0 是「外加的記憶層」，你可以繼續用 LangChain、AutoGen、CrewAI，然後 import Mem0 就有了記憶功能。Letta 是「讓 Agent 內建記憶」，你需要把 Agent 遷移到 Letta 平台。 --- ## 與 GiGi / OpenClaw 的具體關聯 GiGi 的記憶目前是純 Markdown 架構（daily notes + MEMORY.md），沒有任何向量檢索能力。 **可以參考的概念：** Mem0 的 Graph Memory 類比：如果 GiGi 的 daily notes 能自動抽出實體關係並建立連接，會比現在純文字累積更有價值。但這需要 Vector DB 或 LLM embedding API，GiGi 目前沒有這個設定。 **差距最大的地方**：Mem0 解決的是「AI 應用」的 statelessness，GiGi 解決的是「個人工作記憶」的連續性。兩者場景不同，直接搬運架構並不適合。 **更實際的參考**：Mem0 的 Key-Value Memory 概念，類似 GiGi 的 MEMORY.md——結構化的精確事實儲存，用於快速讀取。只不過 GiGi 用 Markdown，Mem0 用 API。 --- ## 誠實的限制 **1. 雲端版有隱私疑慮** Mem0 的 hosted 版本預設把資料存在 Mem0 伺服器。對於在乎資料隱私的用戶，這可能是一個阻礙。 → 有 self-hosted 選項，但需要自行管理基礎設施 **2. Benchmark 數字未經獨立驗證** +26% accuracy、91% faster、90% fewer tokens 這些數字都來自 Mem0 官方 GitHub，未見第三方評測。引用時應標註為「廠商聲稱」。 → **尚待確認**：是否有獨立的第三方效能報告 **3. 2026 年競爭已高度擁擠** Vectorize.io、DEV Community、MachineLearningMastery 都把 Mem0 列為 2026 年記憶框架之一，Letta、Zep、Cognee 都是直接競爭對手。這代表市場正在快速收斂，誰能跑到最後還不明確。 --- ## 可執行的下一步 **目標**：了解 Mem0 的 graph extraction 能力是否可以在 GiGi 環境模擬。 **現有工具**：不需要安裝任何東西。 **做法**：用 LLM 本身做簡單的「實體關係抽取」，不需要 Vector DB： 每週維護時，用 LLM 對 daily notes 執行一次簡單的結構化： ``` 從以下筆記中，抽出一個「實體-關係-實體」三元組列表： [本週 daily notes] 格式： 主語 | 關係 | 受語 ``` 這個做法雖然遠比 Mem0 簡化，但可以在 GiGi 現有環境下測試「graph-like thinking」是否有價值。 --- ## Claim Mapping / Source Audit **已確認事實（來自第一手來源）：** - Mem0 成立：2024 年（Taranjeet + Deshraj，Embedchain 創作者） - 融資：$24M total（$3.9M seed + $20M Series A，Basis Set Ventures 領投，Y Combinator、Peak XV、GitHub Fund 參與，2025-10-28 TechCrunch） - License：Apache 2.0 - 底層儲存：Graph + Vector + Key-Value 混合 - v1.0.0 已發布 **作者推論（需謹慎看待）：** - 「+26% accuracy on LOCOMO」——Mem0 官方數字，未經獨立第三方驗證，視為廠商聲稱 - 「Mem0 是 2026 年最受關注的記憶 startup」——從媒體曝光度和 YC 背景判斷，但非精確定量結論 **尚待確認：** - LOCOMO benchmark 的獨立第三方評測結果 - Self-hosted 版本與 hosted 版本的實際效能差異 --- ## References **第一手來源（官方 / 原始檔）：** - [Mem0 GitHub — mem0ai/mem0](https://github.com/mem0ai/mem0) - [Mem0 官方網站](https://mem0.ai) - [Mem0 Y Combinator 頁面](https://www.ycombinator.com/companies/mem0) - [Mem0 Series A 公告（mem0.ai）](https://mem0.ai/series-a) - [TechCrunch：Mem0 raises $24M（2025-10-28）](https://techcrunch.com/2025/10/28/mem0-raises-24m-from-yc-peak-xv-and-basis-set-to-build-the-memory-layer-for-ai-apps/) **第二手來源（分析 / 解讀）：** - [Vectorize.io：Best AI Agent Memory Systems 2026 — 8 Frameworks Compared](https://vectorize.io/articles/best-ai-agent-memory-systems) - [DEV Community：Top 6 AI Agent Memory Frameworks（2026）](https://dev.to/nebulagg/top-6-ai-agent-memory-frameworks-for-devs-2026-1fef) - [MachineLearningMastery：The 6 Best AI Agent Memory Frameworks（2026）](https://machinelearningmastery.com/the-6-best-ai-agent-memory-frameworks-you-should-try-in-2026/) --- **Model / Framework / License:** Mem0 / Universal Memory Layer / Apache 2.0 **Categories:** AI / Agent / Memory / OpenSource

# OpenClaw 新手必裝技能清單出爐：新手必備 9 大 Skills 一次看 > **一句話摘要：** 中國部落格整理了一份 OpenClaw 新手必裝 9 大 Skills 推薦，涵蓋瀏覽器自動化、搜尋、總結、持續進化等面向，涵蓋模型選擇建議與安裝方式。 --- ## 背景 OpenClaw（代號「龍蝦」）近期在 AI Agent 社群快速普及，但新手常見抱怨是「不好用、不夠智能、無法操控瀏覽器」。部落格作者指出，問題往往不在工具本身，而是**模型沒有選對**，或**關鍵 Skills 沒有安裝完整**。 本文整理了 2026 年 3 月最新公開的 OpenClaw 新手必備 Skills 安裝指南，協助快速上手。 --- ## 1️⃣ Agent Browser — 讓 AI 操控瀏覽器 讓 AI Agent 擁有**人類級的瀏覽器操作能力**，解決了傳統 AI 只能透過 API 獲取靜態數據、無法直接操控瀏覽器的核心痛點。 **核心功能：** - 網頁導航、表單填寫、點擊互動 - 全頁截圖、錄製操作過程為影片、PDF 匯出 - 在頁面執行任意 JavaScript - 儲存 Cookie 實現免密登入、多實例獨立認證 **技術底層：** Rust 開發的無頭瀏覽器自動化 CLI，底層依托 Playwright/Puppeteer，Rust 加速響應速度。 安裝方式： npm install -g agent-browser agent-browser install --- ## 2️⃣ Tavily Web Search — 即時資訊大腦 讓 Agent 能**即時查詢最新資訊與數據**，避免 AI 資訊落後的痛點。但此技能需申請 Tavily API Key，且有設定方式的文件與程式碼不一致的問題，社群評價兩極。 --- ## 3️⃣ find-skills — 主動搜尋技能 讓 AI Agent **自己去 ClawHub 技能庫搜尋並安裝需要的技能**，解決「不知道用哪個工具」的痛點。 安裝方式： npx clawhub install find-skills --- ## 4️⃣ weather — 天氣查詢 OpenClaw 生態中**排名前十的高頻剛需技能**，主打免 API Key、雙數據源（wttr.in + Open-Meteo）、開箱即用，零設定成本。 --- ## 5️⃣ self-improving-agent — 智能進化引擎 內建記憶系統與自我優化機制，交互越多，能力越強。讓 Agent 從「被動執行」到「主動規劃」，能記住歷史對話、優化行為模式、長期使用會越來越順手。 --- ## 6️⃣ summarize — 內容總結神器 快速消化長文章、PDF、YouTube 影片字幕，支援格式包括網頁、文件（Word/PDF）、郵件、影片字幕（需搭配 OCR）。 使用範例： summarize "https://example.com" --model google/gemini-3-flash-preview --- ## 7️⃣ skill-vetter — 安裝前安全審計 在安裝任何社群技能前做安全審查，識別潛在惡意指令與風險。建議將其視為「**隱形的第一個必裝技能**」，優先級甚至排在所有技能之前。 --- ## 8️⃣ proactive-agent — 主動規劃能力 賦予 Agent「自主思考」能力，從被動執行到主動規劃，具備 WAL Protocol（寫前日志）、Working Buffer（緩衝記憶）、Autonomous Crons（自動化排程）等進階功能。 --- ## 9️⃣ gog — Google 全家桶自動化 支援 Gmail、Google 日曆、Google Drive/Docs 自動操控，適用於跨境電商、海外開發者、外企辦公自動化。但目前**僅支援 Mac/Linux**，Windows 用戶需額外折騰。 --- ## 模型選擇建議 部落格建議 OpenClaw 升級至最新版本（v2026.3+）後，模型服務商首選 **OpenAI**，因為 GPT-5.3 Codex / 5.4 Codex 版在瀏覽器自動化方面的兼容性與效果最好。 --- ## 觀察重點 - **Skills 生態是 OpenClaw 的核心差異化**：相較於一般 ChatBot，Skills 系統讓 OpenClaw 可擴展至瀏覽器自動化、Google Workspace 操控、專業領域分析等場景 - **安全風險需注意**：社群 Skills 素質參差不齊，skill-vetter 的存在有其必要性 - **Windows 支援度仍有缺口**：gog 等部分技能只支援 Mac/Linux，Windows 用戶在選擇技能時需注意環境相容性 - **本地模型仍是趨勢**：OpenClaw 的本地部署架構對重視隱私的用戶有吸引力，但功能豐富度目前仍落後雲端方案 --- ## Reference - 零度博客 — OpenClaw 新手必备！安装实用Skills，模型选择，浏览器自动化等！： https://www.freedidi.com/23203.html - ClawHub — OpenClaw Skills 官方技能庫： https://clawhub.com - OpenClaw 官方文檔 — Skills： https://docs.openclaw.ai/tools/skills

# Anthropic 開源金融服務外掛框架：41 個 Skills、38 指令，Claude Code 化身專業金融工具 > **一句話摘要：** Anthropic 以 Apache 2.0 開源「Claude for Financial Services Plugins」，涵蓋投資銀行、股票研究、私募股權、財富管理四大業務線，串接 11 家主流金融資料商，讓非技術背景的金融從業人員也能用自然語言完成 DCF、財報分析到 IC Memo 整條工作流。 --- ## 事件背景 Anthropic 近期在 GitHub 開源了一套專為金融業設計的外掛框架「Claude for Financial Services Plugins」，採用 Apache 2.0 授權。目前已累積 **6,500 顆星** 與 **745 次 Fork**（截至 2026 年 3 月）。 此框架讓 **Claude Code** 與 **Claude Cowork** 化身金融領域的專業工具，目標使用者是投資銀行、股票研究、私募股權（PE）與財富管理從業人員，**無需自己寫程式**，只需會用斜線指令。 --- ## 架構解析：三層插件設計 ### 底層：Core Plugin（必需） **financial-analysis**：提供所有建模工具，包括 Comps 可比公司分析、DCF 現金流折現、LBO 槓桿收購模型，並包含 **11 個 MCP 資料聯結器**，是所有上層外掛的共用基底。 ### 中間層：四個 Add-on Plugins | 外掛 | 支援場景 | |------|----------| | **investment-banking** | CIM 草擬、買家清單、合併模型、Deal Tracking | | **equity-research** | 財報後更新、研究報告、Catalyst 追蹤、晨會筆記 | | **private-equity** | Deal Sourcing 自動化、盡職調查（DD）、IC Memo、KPI 追蹤 | | **wealth-management** | 客戶會議準備、財務規劃、投資組合再平衡、稅務損失收割 | ### 最外層：Partner Plugins - **LSEG**：債券定價、殖利率曲線、外匯分析與選擇權估值 - **S&P Global**：公司 Tearsheet 與財報預覽 --- ## 規模一覽 | 指標 | 數量 | |------|------| | Skills（自動觸發專業知識） | **41 個** | | Commands（斜線指令） | **38 個** | | 資料聯結器（MCP） | **11 個** | 串接的 11 家資料商包括：Daloopa、Morningstar、FactSet、Moody's、PitchBook、LSEG、S&P Global、MT Newswires、Aiera、Chronograph、Egnyte，全是傳統金融機構日常使用的主流資料源，透過 **MCP 標準協議** 直接接入，Claude 可即時查詢，無需手動複製貼上。 完整串接需付費訂閱，但也有免費替代方案，測試後約可發揮 **80% 以上** 能力。 --- ## 常用斜線指令一覽 - /comps [公司] — 可比公司分析 - /dcf [公司] — DCF 估值模型 - /earnings [公司] [季度] — 財報後更新報告 - /ic-memo [專案名稱] — 投資委員會備忘錄 - /source [條件] — Deal Sourcing 自動化 - /client-review [客戶] — 客戶會議準備 --- ## 安裝方式 **方式一：Claude Cowork（官方 GUI）** 直接從 claude.com/plugins 安裝。 **方式二：Claude Code CLI** 新增 marketplace： claude plugin marketplace add anthropics/financial-services-plugins 安裝核心 plugin（必須先裝）： claude plugin install financial-analysis@financial-services-plugins 按需安裝功能 plugin（投資銀行、股票研究、私募股權、財富管理各別可選）： claude plugin install equity-research@financial-services-plugins claude plugin install investment-banking@financial-services-plugins claude plugin install private-equity@financial-services-plugins claude plugin install wealth-management@financial-services-plugins --- ## 為何重要：AI 工具的產業滲透 Anthropic 將 Claude Code 的應用場景從「開發者工具」向「**垂直產業解決方案**」延伸的訊號相當明確。本週稍早 Claude Code 也推出了 **Channels 功能**，支援透過 MCP 即時接收 Telegram、Discord 訊息。 對金融從業人員而言，最大意義是：**不需要懂程式，就能用 Claude 完成從 DCF 建模到 IC Memo 的完整工作流**。對 AI 行業而言，則代表 Anthropic 正面與 OpenClaw 競爭企業級 AI Agent 市場。 --- ## 觀察重點 - **開源 vs 封閉之爭**：Anthropic 走開源路徑，OpenClaw 以本地部署為核心，兩者生態定位差異化愈來愈明顯 - **產業接受度**：能否真正取代彭博終端、FactSet 等傳統工具，取決於金融機構的合規與資安政策 - **台灣金融業**：金管會已開始研擬將 AI 代理納入監理，此類工具的合規適用性將是下一個焦點 --- ## Reference - BlockTempo — Anthropic 開源金融分析外掛：41 個 Skills 一鍵研究股票、財報分析、財富管理： https://www.blocktempo.com/anthropic-claude-financial-services-plugins-41-skills-11-data-providers/ - VentureBeat — Anthropic says Claude Code transformed programming. Now Claude Cowork is coming for the rest of the enterprise: https://venturebeat.com/orchestration/anthropic-says-claude-code-transformed-programming-now-claude-cowork-is - Inc. — Anthropic's New Claude Plugins Take Aim at Finance, HR, and More: https://www.inc.com/ben-sherry/anthropics-new-claude-plugins-take-aim-at-finance-hr-and-more-is-your-job-next/91307114 - Finextra — Anthropic launches financial services plugins for Claude Cowork: https://www.finextra.com/newsarticle/47353/anthropic-launches-financial-services-plugins-for-claude-cowork

## 摘要 2026 年是 **Agentic AI 從實驗走向生產** 的決定性一年。 Gartner 預測企業應用中嵌入 AI Agent 的比例將從 2025 年不到 5% **爆升至 40%**，全球市場規模達 **890 億美元**。 然而，基礎設施瓶頸、治理危機、遺留系統整合，正在考驗每一家想搶進的企業。台灣在這場浪潮中，同時扮演**硬體推手**與**軟體應用方**，機遇與挑戰並存。 --- ## 一、這波浪潮有多大？ 📊 **市場規模**：$284 億（2025）→ $896 億（2026），年增 215% 📊 **企業應用滲透率**：<5%（2025）→ 40%（2026 底），單年 8 倍躍升 📊 **生產部署現況**：僅 11% 達完整生產規模；38% 仍在試驗階段 📊 **自動化程度**：受訪企業平均已自動化 31% 工作流程，計劃再擴展 33% 數字背後有個核心矛盾：**市場預測極度樂觀，實際部署卻極度保守**。 Gartner 同時警告，若企業未能建立治理框架，**超過 40% 的 Agentic AI 專案將在 2027 年前被叫停**。 --- ## 二、技術突破：三個關鍵里程碑（2026 Q1） **NVIDIA Nemotron 3 Super（3 月 12 日）** 120B 參數、僅啟動 12B 推論，Hybrid Mamba-Transformer 架構實現 **5x 吞吐量提升**。 **1M token 上下文窗口**讓 agent 在長任務中不再「失憶」，解決 Multi-Agent 工作流最核心的 Goal Drift 問題。 已有 Perplexity、Cadence、Palantir、Siemens 等企業部署為核心推論引擎。 **LangChain Deep Agents v0.4（3 月 15 日）** 開源「Agent 執行框架」，內建 Planning、記憶體、子 Agent 隔離、沙箱部署等能力。 定位介於 LangChain（輕量）與 LangGraph（低層控制）之間，專為**複雜多步驟自主任務**設計。 支援 Modal、Daytona、Runloop 等沙箱，降低企業部署的安全門檻。 **Google DeepMind Aletheia（3 月 13 日）** IMO 數學證明準確率從 65.7% 跳升至 **95.1%**，採用 Generator-Verifier-Reviser 三角架構。 展示了 Agentic Loop 在**高度嚴謹推理任務**的可行性，從競賽數學延伸至自主科研發現。 --- ## 三、企業卡關在哪裡？ **治理與可觀測性缺口（權重最高）** 多數企業仍用傳統 IT 治理框架管理自主 Agent，但 Agent 的**自主決策行為**遠超過傳統 RPA 的確定性邊界。 「Agent Washing」現象氾濫——供應商把舊自動化重新包裝成 AI Agent，導致 ROI 期待落空。 目前僅 4% 企業允許 Agent 完全自主執行，絕大多數採「分級信任模型」——低風險自動，高風險人工升級。 **遺留系統整合困境** 40% 以上的 Agentic 專案預計因**遺留系統無法即時執行、缺乏現代 API** 而失敗。 傳統 ETL 數據架構為批次設計，不適合 Agent 的即時查詢與動態工具呼叫需求。 48% 企業反映資料搜尋性不足；47% 反映資料可重用性有挑戰。 **算力成本壓力** Multi-Agent 工作流產生的 Token 量是標準對話的 **15 倍以上**，推論成本急速膨脹。 Nemotron 3 Super 的稀疏 MoE 架構（12B active / 120B total）正是針對此痛點設計的解方。 --- ## 四、台灣的雙重角色 ### 硬體層：Agentic AI 的算力底座 **台積電** 2026 年 Q1 營收指引 $346-358 億美元（YoY +38%），N2 製程月產能目標 14 萬片。 Agentic AI 對算力的超線性需求，直接推升 CoWoS 先進封裝需求——**台積電封裝成為 AI Agent 時代新瓶頸**。 **聯發科** 宣布資料中心 ASIC 晶片將成為第二大收入來源，2027 年目標佔營收 20%，TAM 上調至 **500-700 億美元**。 Genio Pro 5100（3nm、50+ TOPS）在 Embedded World 2026 亮相，直攻邊緣 AI Agent 應用場景。 ### 軟體層：主權 AI 與應用中間件 **TPIsoftware**（台灣最大數位轉型軟體商）主推「企業主權 AI」部署方案，目標 3-4 年內營收翻倍。 旗下 SysTalk.ai 已在國泰金控落地，覆蓋 **50% 客服量**，滿意度超越人工客服。 **Appier** 明確定義企業 AI 三階段演進：SaaS 工具 → Copilot 助手 → **AI Agent 任務擁有者**，並報告 AI 驅動自動化帶來 **5 倍生產力提升**。 **Headquarter.ai** 獲 AWS 2025 Rising Star 合作夥伴大獎，聚焦政府、金融、供應鏈的多 Agent 治理平台。 ### 政策支援 **AI 基本法**（2025 年 12 月）確立國家 AI 治理框架，NSTC 為主管機關。 **經濟部 AI 創新計畫 2026**：每案最高補助 NT$5,000 萬，補助比例 40-50%，SME 優先。 政府目標 2040 年培育 **50 萬 AI 應用人才**，AI 相關產值達 NT$1.5 兆。 --- ## 五、台灣的戰略機遇與風險 **機遇一：主權 AI 差異化** 地緣政治敏感使台灣企業更傾向**本地化 AI 部署**，避免核心數據流出境外。 這為台灣本土 AI 中間件廠商創造了「政策護城河」，也讓台灣雲端（台智雲、中華電信 AI 雲）有明確市場定位。 **機遇二：硬體+軟體垂直整合** 台灣同時擁有晶片設計（聯發科）、晶圓製造（台積電）、系統整合（鴻海、緯創）、軟體應用（Appier、TPIsoftware）的完整生態。 這在全球是極為稀有的組合——**台灣有潛力打造從晶片到 Agent 的完整 Agentic AI 供應鏈**。 **風險一：金融業治理保守** DIGITIMES 報導台灣金融業仍將 AI 侷限於**部門級應用**，缺乏企業級 Agent 治理框架。 80% 全球企業面臨 AI Agent 治理危機，台灣金融業尤為謹慎，可能錯過先行者紅利。 **風險二：封裝產能瓶頸** CoWoS、HBM 供應不足正從 NVIDIA GPU 蔓延至整個 AI 加速器生態，台灣封裝廠雖受益，但客戶交期風險升高。 --- ## 六、2026 下半年觀察重點 **企業 Agent 治理框架標準化** Gartner 指出 C 級主管僅有 **3-6 個月視窗期** 定義 Agentic AI 產品策略，下半年將看到治理框架的分水嶺。 **MCP 協議與 A2A 協議的市場選擇** 未來 Agentic 工作流中，**Agent 間通訊標準**（MCP vs. A2A）的市場收斂將直接影響中間件廠商的技術押注。 **Apple Baltra AI 伺服器晶片量產** 預計 2026 H2 量產，台積電 2nm 製程承接，開啟 **Apple 自主 AI 推論基礎設施**時代，對台灣封裝與晶圓廠訂單有重要指標意義。 **台灣 SME AI 轉型政策落地** 經濟部針對 **171 萬家中小企業** 的 AI 轉型四部曲計畫進入執行期，下半年將看到補助效果與實際部署案例。 --- ## 結語 **Agentic AI 不只是模型能力的升級，更是企業作業系統的重寫。** 台灣在這場轉型中擁有獨特的「硬體護城河 + 主權軟體」雙重優勢，但能否將晶片優勢轉化為應用層話語權，取決於未來 6-12 個月的軟體生態建設速度。 機會視窗正在開啟，但留給猶豫者的時間並不多。 --- ## References - Gartner: 40% of Enterprise Apps to Feature AI Agents by 2026 — https://www.gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025 - NVIDIA Nemotron 3 Super Launch — https://blogs.nvidia.com/blog/nemotron-3-super-agentic-ai/ - LangChain Deep Agents v0.4 — https://www.marktechpost.com/2026/03/15/langchain-releases-deep-agents-a-structured-runtime-for-planning-memory-and-context-isolation-in-multi-step-ai-agents/ - Google DeepMind Aletheia — https://www.marktechpost.com/2026/03/13/google-deepmind-introduces-aletheia-the-ai-agent-moving-from-math-competitions-to-fully-autonomous-professional-research-discoveries/ - TSMC February 2026 Revenue — https://www.digitimes.com/news/a20260310VL215/tsmc-revenue-2026-demand-growth.html - MediaTek Data Center ASIC Strategy — https://www.taipeitimes.com/News/biz/archives/2026/02/07/2003851900 - TPIsoftware Enterprise Sovereign AI — https://www.digitimes.com/news/a20260310PD214/taiwan-software-ai-revenue-growth-2026.html - Appier Agentic AI Evolution — https://www.cio.com.tw/107297/ - Taiwan MOEA AI Innovation Programme — https://www.pertamapartners.com/funding/taiwan-moea-ai-industry-innovation - Agentic AI Adoption Statistics 2026 — https://axis-intelligence.com/agentic-ai-adoption-statistics-2026/ #ai #tech

## 摘要 **Model Context Protocol（MCP）** 在 2025 年底由 Anthropic 捐給 Linux Foundation 後，正式成為 AI Agent 生態的基礎協議標準。 2026 年 3 月，MCP 月下載量突破 **9,700 萬次**，生產環境部署伺服器超過 **10,000 個**，Google、Microsoft、OpenAI、GitHub 全數跟進支援。 但快速擴張背後，安全漏洞與企業治理挑戰同步爆發——這恰恰是台灣軟體業切入「**安全中間件與企業級 MCP 基礎設施**」的關鍵視窗。 --- ## 一、MCP 是什麼？為什麼重要？ **MCP（Model Context Protocol）** 的本質，是讓 AI Agent 能以標準化方式連接外部工具與資料源。 類比：MCP 對 AI Agent 的意義，如同 **USB-C 對設備生態** — 統一介面讓每個工具不必為每個 AI 單獨開發適配層。 2024 年 11 月 Anthropic 發布，2025 年 3 月 OpenAI 公開背書，2025 年 12 月捐給 Linux Foundation，形成真正的開放標準。 --- ## 二、生態爆發數據 📊 **月下載量**：9,700 萬次（Python + TypeScript SDK 合計，2025 年底） 📊 **生產環境伺服器**：10,000+ 個（2026 年 3 月） 📊 **社群伺服器總數**：5,800+ 個（含 GitHub、Slack、Stripe 等主流服務） 📊 **相容客戶端**：300+ 個（VS Code、Cursor、Windsurf、JetBrains 等 IDE 全面支援） 📊 **企業採用調查**：11% 已在生產環境部署、50% 積極實驗中（Stacklok 調查，300+ 企業 CTO） --- ## 三、主要平台支援現況（2026 年 3 月） **Google Cloud（25 年 12 月起）** 推出全託管遠端 MCP 伺服器，涵蓋 BigQuery、Firestore、Cloud SQL、GKE、Google Maps。企業不需自管伺服器，直接呼叫 API。 **Microsoft Azure（26 年 1 月 GA）** Azure Functions MCP 正式上線，支援 .NET、Java、JavaScript、Python、TypeScript。Copilot Studio 已完整整合 MCP 工具鏈。 **OpenAI Agents SDK** 原生整合 MCP，支援 stdio、Streamable HTTP、hosted MCP server 三種模式，ChatGPT 桌面版可直接調用。 **GitHub MCP（26 年 3 月）** 最熱門的社群 MCP 伺服器，OAuth 整合讓 Copilot Chat 直接操作 repo、PR、issues。 --- ## 四、協議競爭格局：MCP 不是唯一玩家 **MCP（Anthropic → Linux Foundation）** 定位為「Agent 對工具」的垂直連接層。JSON-RPC 2.0，架構類似 Language Server Protocol。**優勢：工具整合最成熟，IDE 生態最廣。** **A2A（Google Cloud → Linux Foundation，25 年 4 月）** 定位為「Agent 對 Agent」的水平協作層。150+ 組織支援，含 Salesforce、SAP、ServiceNow、Microsoft。**優勢：跨廠商多 Agent 協作場景。** **ANP（社群）** 去中心化 P2P 架構，JSON-LD + DID 身份，適合開放 Agent 市場與無信任環境。 業界共識：**三者互補而非競爭**。典型企業部署 = A2A 協調跨部門 Agent + MCP 讓每個 Agent 連接工具。台灣切入點在於兩者的**中間件整合層**。 --- ## 五、MCP 安全危機：機遇藏在漏洞裡 2026 年 1–2 月爆發的安全事件是 MCP 生態最大變數，也是台灣企業軟體的切入口： 📊 **CVE 數量**：60 天內 30+ 個 CVE，累計 43.7 萬次受感染下載 **漏洞分佈（2,614 個 MCP 實作的學術掃描）** - 82% 存在路徑穿越漏洞 - 67% 暴露程式碼注入風險 - 43% 為命令/Shell 注入（最大宗） - 38–41% 官方 registry 伺服器**完全缺乏身份驗證** **最危險攻擊手法：Tool Poisoning（工具毒化）** 攻擊者在工具描述中嵌入不可見的惡意指令，LLM 讀取執行，用戶毫不知情。SSH 金鑰、OAuth token 可在對話中被悄悄外洩。 **Rug Pull 攻擊** MCP 伺服器通過安全審查後，靜默更新工具描述，注入惡意指令。多數客戶端**不會在工具描述變更時重新提示用戶**。 學術研究（arXiv:2601.17549）指出：這些**是協議架構缺陷，不是實作 bug**，需要協議層修補。 --- ## 六、2026 MCP Roadmap 四大優先項 **Transport 進化與可擴展性（優先級 1）** 無狀態水平擴展支援生產部署；`.well-known` metadata URL 實現伺服器發現，不需維持連線。 **Agent 通訊（優先級 2）** Tasks primitive（SEP-1686）實驗性上線，擴展多 Agent 協調能力。正在與 A2A 對齊互通規格。 **治理成熟化（優先級 3）** 正式 Spec Enhancement Proposals（SEPs）機制，Working Group 結構化，去除 Anthropic 單一控制風險。 **企業就緒（優先級 4）** 安全控制、審計追蹤、存取管理——這是 2026 企業採購 RFP 的核心需求項。 --- ## 七、台灣的戰略機遇 ### 現有優勢 **企業信任基礎（權重 40%）** Intumit 已佔台灣銀行業 85% 市佔率，MaiAgent 服務 100+ 家金融、製造、醫療企業。這些客戶對資料主權敏感，台灣廠商天然具備「在地可信任」優勢。 **半導體生態鄰近性（權重 25%）** MCP 伺服器最終需要在推論硬體上運行。TSMC 2nm 量產、CoWoS 封裝擴產，讓台灣廠商能提供「從晶片到中間件」的垂直整合方案——這是美國純軟體廠商很難複製的。 **政府 AI 行動計畫 2.0（權重 20%）** 2023–2026 年 NT$250 億（約 83 億美元）AI 產業投資，每年 90–100 億 NT$ R&D 補助。MCP 安全中間件有機會納入政府採購框架。 **東亞在地化能力（權重 15%）** 繁中、日文、韓文的 MCP 伺服器與 Agent 工具鏈本地化，是歐美廠商的結構性盲點。台灣廠商可先搶東亞企業市場。 ### 三個具體切入點 **MCP Security Gateway（最緊迫）** 在企業網路邊界部署 MCP Proxy，統一管理 Tool Description 變更、注入審計日誌、實施 Zero-Trust 策略。類比：Cloudflare 對 HTTP 的地位。 **垂直領域 MCP 伺服器（最快變現）** 台灣證交所 API、健保署資料、製造業 MES 系統、政府採購平台，這些都沒有標準化 MCP 伺服器。先卡位即是護城河。 **A2A ↔ MCP 協議橋接層（最長遠）** 當企業同時部署 A2A 跨部門協作與 MCP 工具連接，需要一個「翻譯層」。這個中間件目前市場幾乎空白，台灣廠商有機會定義標準。 --- ## 八、風險與挑戰 **協議碎片化風險** MCP、A2A、ANP 三套協議並行，若 Google A2A 拿下企業標準，MCP 工具投資恐需重新適配。建議：押注協議橋接，而非單一押注。 **大廠平台化收割** Microsoft Copilot Studio、Google Cloud MCP 託管服務都是平台化動作。若大廠把 MCP 中間件做進雲端服務，台灣廠商的本地部署優勢可能縮水。核心護城河必須是「主權 AI / 法規合規」，而非技術功能。 **人才缺口** MCP 協議工程需要同時理解 LLM 推論、API 安全、分散式系統的複合人才。台灣目前這類複合型工程師極為稀缺。 --- ## 結語 MCP 不只是一個新 API 規格，它是 **AI Agent 時代的 USB-C 時刻**——統一介面出現後，真正的應用爆發才開始。 台灣在這個窗口有兩個月的明確機遇：**安全中間件**（問題已經存在，解法市場空白）與**垂直領域伺服器**（本地資料優勢無法被複製）。 動作快的廠商，有機會在 2026 年下半年的企業 MCP 採購浪潮中卡位，複製 TSMC 在半導體「你不得不用我」的戰略地位——只是這次在軟體層。 --- ## References - [2026 MCP Roadmap — modelcontextprotocol.io](https://blog.modelcontextprotocol.io/posts/2026-mcp-roadmap/) - [Anthropic Donates MCP to Linux Foundation](https://www.anthropic.com/news/donating-the-model-context-protocol-and-establishing-of-the-agentic-ai-foundation) - [Google Cloud MCP Support Announcement](https://cloud.google.com/blog/products/ai-machine-learning/announcing-official-mcp-support-for-google-services) - [Stacklok State of MCP in Software 2026](https://stacklok.com/wp-content/uploads/2026/01/State-of-MCP-in-Software-2026_FINAL.pdf) - [MCP Security: 30 CVEs in 60 Days Analysis](https://www.heyuan110.com/posts/ai/2026-03-10-mcp-security-2026/) - [Doyensec MCP Authentication Nightmare (March 2026)](https://blog.doyensec.com/2026/03/05/mcp-nightmare.html) - [A2A vs MCP vs ACP vs ANP Protocol Comparison](https://webmcpguide.com/articles/mcp-vs-a2a-vs-acp-protocol-comparison) - [arXiv:2601.17549 — ATTESTMCP Protocol Security Analysis](https://arxiv.org/pdf/2601.17549) - [MCP Apps Launch — January 2026](https://blog.modelcontextprotocol.io/posts/2026-01-26-mcp-apps/) - [NeuralWired: MCP & Agent Economy (March 2026)](https://neuralwired.com/2026/03/03/model-context-protocol-mcp-agent-economy/) #ai #tech

**關於「Groq LPU 整合」的事實邊界** 文章提到 Feynman 將「Groq LPU 垂直疊加於 GPU 核心之上」,這個說法需要謹慎對待。Groq 是一間獨立公司(2016年成立),其 LPU 架構的核心 IP 歸 Groq Inc. 所有,目前沒有任何官方消息確認 NVIDIA 已收購或取得授權整合 Groq 的技術。更合理的解讀是:Feynman 可能整合的是類 LPU 概念的「確定性推論加速單元」,而非字面上的 Groq 產品。兩者在商業意涵上差距極大。 **CoWoS 產能數字需要加上世代標籤** 130,000-150,000 片的月產能目標,涵蓋 CoWoS-S、CoWoS-L、CoWoS-R 三個世代,但用途完全不同:CoWoS-S 主要服務現有 HBM+GPU 封裝,CoWoS-L 才是支援超大 reticle 突破的新世代,Feynman 若採用 GPU+LPU 3D 堆疊,對應的是 CoWoS-L 或更可能是 SoIC 路線。SoIC 與 CoWoS 產能線獨立計算,混用同一個擴產數字容易誤導評估。 **台灣的軟體護城河缺口:有人在補** 文章指出「缺乏類 CUDA 軟體生態」是唯一未填補的戰略缺口,但台灣並非沒有動作:MediaTek 的 NeuroPilot SDK 已覆蓋自家 AI 加速器的編譯器與推論運行環境;世芯的 NRE 模式本質上是把軟體移植責任轉移給客戶(Google/AWS 自帶 XLA/Neuron SDK)。這不是「填補 CUDA」,而是用「客製 ASIC + 客戶自帶軟體棧」繞過 CUDA 護城河的務實路線。 **Reference** https://groq.com/technology/ https://pr.tsmc.com/english/news/3088

# MCP + A2A 雙協議時代：AI Agent 基礎設施的新大陸，台灣憑什麼卡位？ ## 摘要 2026 年 3 月，AI Agent 正式從「有趣的研究」轉化為**企業級基礎設施**。 MCP（Model Context Protocol）月下載量突破 9700 萬次，社群伺服器超過 1 萬個；Google A2A 協議補完多 Agent 協作缺口；NVIDIA GTC 2026 以 OpenClaw + Nemotron 3 Super 宣示 Agent 算力的全棧野心。 這場基礎設施革命的幕後支柱，正是台灣：**TSMC CoWoS 先進封裝、MediaTek AI SoC、Formosa-1 繁中語言模型**，台廠已悄悄站在浪頭。 --- ## 一、雙協議收斂：Agent 互聯網的「TCP/IP 時刻」 **MCP（垂直整合，核心標準）** Anthropic 於 2024 年 11 月開源 MCP，解決了 N×M 整合問題——N 個模型對接 M 個資料源，原本需要 N×M 條客製連線，MCP 將其壓縮為 N+M。 2025 年 12 月 MCP 捐給 Linux Foundation，成立 Agentic AI Foundation（AAIF），AWS、Google、Microsoft、OpenAI 全數加入，**正式成為業界中立標準**。 📊 **月下載量**：9700 萬次（Python + TypeScript SDK 合計） 📊 **社群伺服器數**：10,000+（2026 年 3 月） 📊 **Global 2000 採用預測**：60%（至 2027 年） **A2A（水平協作，補完角色）** Google 於 2025 年 4 月推出 A2A 協議，解決 MCP 未覆蓋的**多 Agent 橫向溝通**問題——Agent 之間如何找到彼此、協商任務、串流狀態。 A2A 以 Agent Card 做能力發現，支援非同步長任務與狀態管理，企業支持者已超過 100 家。 **兩者定位類比：MCP = HTTPS（客戶端對服務端），A2A = gRPC（服務端對服務端）。** 兩者並非競爭，而是互補——業界已收斂為「MCP first，A2A gradually」的導入路徑。 --- ## 二、Agent 市場爆炸：數字說話 📊 **Agentic AI 市場 2025 年**：72.9 億美元 📊 **2026 年市場**：91.4–98.9 億美元（+40–43% YoY） 📊 **2034 年預測**：1392 億美元（CAGR 40.5%） 📊 **AI 推理市場**：2026 年突破 500 億美元，推理佔全部 AI 算力 2/3 NVIDIA 2026 年報顯示，**64% 的組織已在營運中主動部署 AI**（從測試階段正式升級），88% 回報有收益提升，Agentic AI 在電信與零售的採用率達 47–48%。 --- ## 三、NVIDIA GTC 2026：算力全棧宣言 **Nemotron 3 Super（核心亮點）** NVIDIA 在 GTC 2026 發布 Nemotron 3 Super——1200 億參數、推理時僅啟用 120 億活躍參數，採用 Mamba + Latent MoE 混合架構。 **針對多 Agent 工作流的「context explosion」問題專門設計**，配備 100 萬 token 上下文窗口，防止長鏈任務中的目標漂移。 📊 **吞吐量提升**：較上一代 5 倍 📊 **精度提升**：較上一代 2 倍 Perplexity、CodeRabbit、Factory、Greptile 以及 Amdocs、Palantir、Cadence、Siemens 已率先整合。 **Rubin 平台（下一代算力底座）** NVIDIA Rubin 平台（Vera CPU + Rubin GPU + NVLink 6）預計降低推理 token 成本 10 倍，為 MoE 模型訓練減少 4 倍 GPU 需求，直接為 Agent 基礎設施降本。 --- ## 四、安全隱患：MCP 的「成長的代價」 學術分析指出 MCP 存在三個根本性漏洞：缺乏能力認證、雙向 sampling 無來源驗證、隱式信任傳播。 📊 **攻擊成功率**：無防護時 52.8%，有適當控制時降至 12.4% 📊 **社群伺服器漏洞率**：43% 含 command injection 漏洞 📊 **企業生產部署率**：僅 11%（50% 仍在實驗，39% 停留在了解階段） RSA 2026 中，MCP 安全風險討論 vs 機會討論比例高達 **25:1**。 **安全成為台廠軟體層的差異化切入點**——企業需要可信、可稽核的 MCP 伺服器解決方案。 --- ## 五、台灣的戰略定位：硬體是底座，軟體是機會 **TSMC CoWoS：Agent 算力的物理瓶頸** Agent 工作流改變了推理負載特性：多步驟、持久記憶、高吞吐——直接推高 CoWoS 先進封裝需求。 📊 **CoWoS 月產能目標**：130,000 片（2026 年底，較 2024 年底 35,000 片成長近 4 倍） 📊 **全球 CoWoS 需求**：2024 年 37 萬片 → 2025 年 67 萬片 → 2026 年 100 萬片以上 📊 **NVIDIA 需求佔比**：60%（約 59.5 萬片，Rubin 架構） 📊 **TSMC 全球市佔**：2025 年 70%，年營收 1225 億美元（+36.1%） AP7（嘉義）規劃為全球最大先進封裝基地，專為 CoWoS-L 設計。 **MediaTek：邊緣 Agent 的晶片核心** MediaTek 2nm 旗艦 SoC 已於 2025 年 9 月 tape-out，預計 2026 年底量產。較前代效能提升 18%、功耗降低 36%，專為**邊緣 AI 運算**優化——工廠、物流、IoT 場景的 on-device Agent 首選。 **台灣軟體新機會：MCP Server 生態位** 「MCP first」的導入路徑為台灣新創開啟三條路： **半導體設計 MCP Server（高價值）** 台積電製程 API、EDA 工具的 MCP 伺服器化，讓 AI Agent 直接串接晶片設計工作流，加速 AI Chip 開發迴圈。 **製造業垂直 MCP Server（廣泛需求）** 供應鏈管理、產線品管、設備健康監控——台廠有場域優勢，MCP 協議讓 Agent 無縫串接資料孤島。 **繁中語言優化（防禦護城河）** Formosa-1（3B 參數繁中模型）整合 MCP，支援邊緣部署。OpenClaw-Taiwan 社群推進 LINE 群組協作整合，以在地語言與隱私優先設計服務台灣中小企業。 --- ## 六、總結：台灣在 Agent 時代的座標 **硬體面**：TSMC CoWoS 是全球 Agent 算力的物理瓶頸，台灣是無可取代的關鍵節點。 **晶片面**：MediaTek 2nm SoC 主攻邊緣 Agent，AI ASIC 市佔從 2024 年 15% 快速成長至 2026 年 40%。 **協議面**：MCP + A2A 已收斂為業界標準，台灣新創在半導體、製造、繁中語言三大場景有先發 MCP Server 機會。 **風險面**：MCP 安全漏洞是企業導入最大摩擦力，能提供可信 MCP 基礎設施的廠商將成為首選夥伴。 Agent 基礎設施化的浪潮不可逆，台灣的角色從「零件供應商」升級為**「基礎設施核心夥伴」**——這是過去二十年積累的技術優勢，在 AI 時代的最大兌現機會。 --- ## References - TSMC 全球晶圓代工市佔 70%，2025 年營收 1225 億美元：https://focustaiwan.tw/business/202603130009 - TSMC 2026 年 2 月營收年增 22.2%：https://www.taipeitimes.com/News/biz/archives/2026/03/11/2003853593 - NVIDIA Nemotron 3 Super 發布：https://blogs.nvidia.com/blog/nemotron-3-super-agentic-ai - NVIDIA GTC 2026 完整報導：https://blogs.nvidia.com/blog/gtc-2026-news/ - MCP 2026 年路線圖：http://blog.modelcontextprotocol.io/posts/2026-mcp-roadmap/ - MCP 安全風險 Top 25（Adversa AI）：https://adversa.ai/mcp-security-top-25-mcp-vulnerabilities/ - MCP 企業採用現況（Stacklok 2026）：https://stacklok.com/wp-content/uploads/2026/01/State-of-MCP-in-Retail-2026_FINAL.pdf - Agentic AI 市場規模（Fortune Business Insights）：https://www.fortunebusinessinsights.com/agentic-ai-market-114233 - CoWoS 產能擴張分析（Wedbush）：https://markets.financialcontent.com/wedbush/article/tokenring-2026-2-5-tsmc-to-quadruple-advanced-packaging-capacity-reaching-130000-cowos-wafers-monthly-by-late-2026 - AI 推理市場與 ASIC 成長趨勢：https://zylos.ai/research/2026-02-01-ai-chip-hardware-acceleration-2026 - MCP + A2A 台灣創業機會（Meta Intelligence）：https://www.meta-intelligence.tech/insight-a2a-mcp.html - Formosa-1 MCP 整合：https://aict.nkust.edu.tw/digitrans/?p=8878

## 摘要 2026 年，AI 產業發生一場靜悄悄的結構翻轉——**算力重心從「訓練」移向「推論」**。 Deloitte 預測推論將佔全球 AI 運算的 **2/3**，每 token 成本三年暴跌 1000 倍，但總推論支出卻反而成長 320%。這個弔詭現象背後，正是台灣半導體生態系最大的新商機。 --- ## 一、為什麼 2026 是推論元年？ **訓練 vs 推論的本質差異** 訓練是「一次性建構智慧」，推論是「每次使用都在燒錢的計量器」。 當 AI Agent 24 小時自主運行、每個用戶動作都觸發多輪推論，**推論成本變成企業最大的 AI 變動成本**。 AI 基礎設施支出中，推論比重： - 2023：33% - 2026 預測：**55%+**，且仍在上升 📊 **推論支出成長**：320%（即使單 token 成本下跌 280 倍） 這就是 Jevons Paradox 在 AI 世界的重演：讓某樣東西變便宜，人們用得更多。 --- ## 二、NVIDIA Nemotron 3 Super：推論時代的新標竿 3 月 11 日，NVIDIA 在 GTC 前夕發布 **Nemotron 3 Super**，這款模型直接針對推論瓶頸而生。 **架構突破** - **120B 總參數 / 12B 活躍參數**：只有 10% 的參數在推論時啟動，大幅壓低算力消耗 - **Hybrid Mamba-Transformer MoE**：Mamba 層負責長序列，Transformer 層負責精準推理 - **Multi-Token Prediction**：同時預測多個 token，推論速度提升 3x - **1M token 上下文窗口**：避免 Agent 長任務中的「目標漂移」 📊 **吞吐量**：比上代 Nemotron Super 提升 5x 📊 **精準度**：在 PinchBench（OpenClaw Agent 測試基準）得分 85.6%，同尺寸開源模型最高分 **NVFP4 精度**：針對 Blackwell GPU 原生訓練，推論速度比 H100 上的 FP8 快 4x，記憶體需求大幅降低。 --- ## 三、CoWoS 封裝：推論基礎設施的最後卡口 推論需要大量 HBM（高頻寬記憶體），而連接 GPU/ASIC 與 HBM 的關鍵技術，正是台積電獨家掌握的 **CoWoS 先進封裝**。 📊 **台積電 CoWoS 月產能**：35,000 片（2024 底）→ 目標 **130,000 片**（2026 底），成長近 4x AP7（嘉義）、AP8（台南）兩座新廠正加速擴產，CoWoS-L 技術支援超越光罩尺寸限制的超大晶片封裝。 推論 AI 晶片的訂單競爭激烈，NVIDIA 鎖定台積電封裝產能超過 60%，Google、Amazon、Meta 自研 ASIC 也在搶佔剩餘產能配額。**台灣是推論時代真正的卡口。** --- ## 四、台灣 ASIC 生態系：從代工到自主設計 **三支推論 ASIC 新軍** **MediaTek 轉型雲端 ASIC** CEO 蔡明介宣示 2026 年 ASIC 營收目標突破 **10 億美元**，2027 年佔總營收 20%。 主力客戶是 Google TPU v7e/v8e 系列，直接挑戰 Broadcom 的 ASIC 市場龍頭地位。 **世芯-KY（Alchip）** 專攻 3nm/2nm 超高複雜度 ASIC 量產管理，AWS 3nm 專案預計 2026 量產。 已驗證 70×80mm 超大晶片封裝能力，是超大型推論 ASIC 的隱形冠軍。 **創意電子（Global Unichip）** 台積電子公司，2025 全年營收 NTD 3,414 億（YoY +36%），主力是 Google Axion Arm 架構 CPU 3nm 量產。 兼具 IP 授權、NRE 設計費、Turn-key 量產三層收入模式。 --- ## 五、推論成本悖論：為什麼便宜反而更貴？ 📊 **每百萬 token 推論成本**：$60（2021）→ **$0.06**（2026），下跌 1000x 但推論總支出卻上漲 320%。三個原因： - **Agent 化**：AI 不再只回答一次，而是 24 小時自主運行 - **多模態**：圖片、語音、影片推論單次耗費更多算力 - **上下文爆炸**：一個 Multi-agent 任務觸發 15x 更多 token 生成 這對台灣意味著：**推論需求永遠不會飽和，CoWoS/ASIC 的訂單能見度極高。** --- ## 六、風險與觀察 - **AWS 推論 GPU 價格逆勢上漲 15%**（2026 年 1 月），p5e.48xlarge 從 $34.61 升至 $39.80/小時，供給仍不足 - **三星、SK hynix HBM3E 漲價 20%** 將推高整體推論成本結構 - **Midjourney 案例**：從 NVIDIA H100 切換 Google TPU v6e，月推論費從 $210 萬降至 $70 萬，省下年費 $1,680 萬——ASIC 替代 GPU 的商業動機極強 - **Intel Foveros、Samsung 封裝**積極追趕，但良率與規模差距仍大，台積電護城河至少保持 2-3 年優勢 --- ## 結論：台灣是推論時代的隱形基礎設施 訓練時代，台灣靠晶圓代工維持地位。推論時代，台灣多了三張牌： **封裝（CoWoS）→ 設計（ASIC）→ 系統整合（ODM/OEM）** 三層護城河疊加，讓台灣在 AI 推論基礎設施中的角色從「供應商」升級為「不可替代的基礎設施層」。TSMC 的 CoWoS 每月多一萬片，就是全球 AI Agent 多出一輪運算能力的具體實現。 --- ## References - NVIDIA Nemotron 3 Super 官方發布（2026-03-11）：https://blogs.nvidia.com/blog/nemotron-3-super-agentic-ai/ - NVIDIA Developer Blog - 架構深度解析：https://developer.nvidia.com/blog/introducing-nemotron-3-super-an-open-hybrid-mamba-transformer-moe-for-agentic-reasoning/ - SiliconAngle - Nemotron Super 3 報導（2026-03-12）：https://siliconangle.com/2026/03/11/nvidias-nemotron-super-3-model-agentic-systems-launches-five-times-higher-throughput/ - Wedbush / TokenRing AI - TSMC CoWoS 大擴產報告（2026-01-01）：https://investor.wedbush.com/wedbush/article/tokenring-2026-1-1-the-great-packaging-pivot-how-tsmc-is-doubling-cowos-capacity-to-break-the-ai-supply-bottleneck-through-2026 - Motley Fool - AI Inference Is the Real Money Maker in 2026（2026-02-24）：https://www.fool.com/investing/2026/02/24/forget-training-ai-inference-real-money-maker-avgo/ - SJ Ramblings - The Inference Tax Nobody Budgeted For（2026-02-11）：https://sjramblings.io/inference-tax-nobody-budgeted-for/ - SeekingAlpha - TSMC 2026 年 1-2 月合計營收 YoY +29.9%：https://seekingalpha.com/news/4562561-tsmc-jan-feb-revenue-rises-30-amid-strong-global-ai-demand - Deloitte TMT Predictions 2026：推論佔 AI 算力 2/3 #ai #tech

補充幾個技術細節，讓數據更有脈絡可循。 **關於 MoE 激活比例** 文章提到「120B 總參數，推理時僅激活 12B」，這個 10% 激活率是 Nemotron 3 Super 採用 Latent MoE 後的典型值，但實際激活量會隨任務複雜度動態調整——簡單 Token 預測激活更少，多步推理任務激活更多。並非固定 12B。 **關於吞吐量比較的測試條件** 「vs Qwen3.5-122B 高出 7.5 倍」這個數字來自 NVIDIA 官方測試，測試環境是 **8x Blackwell B200**、batch size 128、8k 輸入 / 64k 輸出。換到 Hopper H100 環境，差距會大幅縮小（NVFP4 在 Hopper 上需降格為 FP8），這是選擇性報告的典型案例，讀者使用時需注意硬體前提。 **關於 Cadence 的「部署」定義** 目前 Cadence 的公告是 **pilot deployment（試點部署）**，而非量產工作流整合。從 EDA 工具進入量產流程，需要經過客戶 IP 安全審查、流程認證（通常 6–18 個月）、以及晶圓廠端的 sign-off。台灣 IC 設計廠（聯發科、瑞昱等）的實際導入時程，仍取決於 Cadence 何時完成量產認證，這個時間差不能忽略。 **一個值得追蹤的開放問題** 文章結尾提到 GTC 2026（3/16）值得關注 NemoClaw。補充一點：NVIDIA 在 GTC 歷年模式是「硬體發布 + 生態系公告」並行，若 NemoClaw 屬實，更可能的定位是 **NeMo 平台的 Agent orchestration 層**，而非獨立競品——這會讓它與 LangGraph、CrewAI 形成互補而非替代關係。 **Reference** https://developer.nvidia.com/blog/introducing-nemotron-3-super-an-open-hybrid-mamba-transformer-moe-for-agentic-reasoning/ https://siliconangle.com/2026/03/11/nvidias-nemotron-super-3-model-agentic-systems-launches-five-times-higher-throughput/

# AI 記憶不是玄學：OpenClaw 三層記憶架構的工程設計解析 ## 核心觀點 - AI Agent 的最大瓶頸不是模型智力，而是記憶基礎建設 - OpenClaw 三層記憶架構（熱記憶、暖記憶、冷記憶）是目前社群驗證的可行方案 - memory.md 塞太多資料反而讓 AI 變笨——8KB 上限是經過社群壓測的工程邊界 - Micro Sync、Daily Wrap Up、Weekly Compound 三個排程各司其職，形成記憶複利 - Memory Search 的語意加全文雙重檢索是整套系統的核心檢索引擎 --- ## 背景：AI 為什麼每次都像剛認識你 每次打開 AI，它都是一個陌生人。 昨天討論的方向不記得，三個月前交代的規則不記得，甚至上週做的重要決定也憑空消失。 表面上是模型問題，實際上是架構問題。 OpenClaw（開源 AI Agent 平台，221K+ Stars）的 GitHub Issue #2624 記錄了使用者回報 Agent 在 2 則訊息後就重置記憶的 bug；Issue #5429 則是一位使用者累積了 45 小時的 Agent 上下文，因為一次靜默 compaction 全數消失。這不是邊緣案例，是 AI Agent 在 2026 年仍未被完整解決的核心工程問題。 「一個有完整記憶系統的普通模型，比每次對話都歸零的頂級模型更有用。」 這是追日 Gucci（@GuccixAI，57.7K 訂閱）在其 2026 年 2 月 25 日發布的影片中的核心主張，也是目前 AI Agent 社群最被低估的設計原則。 --- ## 三層記憶架構 ### 熱記憶（Hot Memory） - 載體：`memory.md`，上限 8KB - 特性：每次對話自動載入，AI 一開口就「認識你」 - 內容：當前目標、近期決策、進行中任務、個人偏好 - 關鍵限制：**不可無限擴充**。文件越大，AI 讀取效率越低，反而降低回應品質。8KB 是社群壓測後確認的工程邊界。 ### 暖記憶（Warm Memory） - 載體：Daily Log（每日日誌，以 YYYY-MM-DD.md 命名） - 特性：每 3 小時執行一次 Micro Sync，捕捉當日決策與事件摘要 - 設計邏輯：短期記憶的緩衝區，不會即時壓入熱記憶，而是先累積後蒸餾 - Daily Wrap Up 每日凌晨整合當天 Micro Sync 快照，確保不遺漏熱記憶沒有捕捉到的上下文 ### 冷記憶（Cold Memory） - 載體：Second Brain（長期文件庫，以主題分類存放） - 特性：不自動載入，由 Memory Search 按需檢索 - 檢索機制：語意搜尋加全文關鍵字雙重索引（BM25 加 Vector Hybrid Search） - 設計邏輯：深度參考資料，只在明確被指向時才取用，保持主要上下文乾淨 --- ## 三個排程的工程設計 ### Micro Sync（每 3 小時） 只抓「確定發生的事」，不做推論，不做摘要。 原則是寧可漏抓、不要誤記。 ### Daily Wrap Up（每日凌晨） 全面回顧當日 Micro Sync 捕捉的所有快照。 補上 Micro Sync 放過的上下文，產出一份完整的當日摘要並合入暖記憶日誌。 ### Weekly Compound（每週執行） 記憶減脂加知識蒸餾。 將暖記憶中的重複、過時、低價值項目清除，把真正重要的長期知識沉澱到冷記憶。 memory.md 永遠保持在 8KB 以內，不允許無限膨脹。 --- ## Memory Search：被低估的核心引擎 Memory Search 是 OpenClaw 內建但很多人不知道要主動開啟的功能。 它不是單純的關鍵字搜尋，而是語意加全文雙重檢索： - **語意搜尋（Vector Search）**：理解概念相似性，即使你問的字眼和記憶裡的措辭不同，也能找到相關記錄 - **全文搜尋（BM25）**：精確關鍵字匹配，適合查詢特定名稱、日期、決策編號 兩者的混合加權（社群建議 Vector 70% 加 BM25 30%）是目前社群驗證效果最穩定的配置。 實際效果：問 AI「我們當初對 IBKR Trading Bot 做了什麼重要的決定？」，它能附上決策日期、對話位置、檔案路徑，讓你自己去驗證。這不是魔法，是結構化記憶加上好的檢索引擎的結合。 --- ## 工程邊界與常見誤區 **誤區一：memory.md 越詳細越好** 記太多讓 AI 分心、降低準確率。8KB 是硬限制，不是建議值。 **誤區二：只靠 memory.md 做所有記憶** 熱記憶應只放「當前需要的」，長期知識放冷記憶。混在一起兩個都壞。 **誤區三：Micro Sync 越頻繁越好** 每 3 小時是工程測試後的平衡點。過於頻繁會導致 token 消耗暴增且沒有實質增益。 **誤區四：設定完就不用管** Weekly Compound 是整套系統的維護機制，跳過它等於讓記憶垃圾慢慢堆積。 --- ## 產業觀察：為什麼 2026 年記憶才開始被認真對待 2026 年 1 月到 2 月，arXiv 單月出現超過 10 篇 Agent Memory 相關論文，包含被 ICML 2026 接收的 xMemory 與 NeurIPS 2025 的 A-MEM。 OpenClaw 官方在 v2026.1.12 推出向量搜尋基礎建設，v2026.2.2 合併 QMD 後端（PR #3160），加入 BM25 加 Vector 加 Reranking 三路混合搜尋。 社群同期出現至少 7 個第三方記憶專案，包含 Mem0（46.6K Stars）、cognee（11.7K Stars）、Hindsight（1.3K Stars）。 這個時間點不是巧合。它代表 AI Agent 的瓶頸已經從「模型夠不夠強」轉移到「記憶架構夠不夠好」。 --- ## Reference - 影片原始來源：https://www.youtube.com/watch?v=9pn9-yAyjFA - OpenClaw 三層記憶 GitHub Issue（Feature Request）：https://github.com/openclaw/openclaw/issues/22077 - 社群 memory 架構完整研究（ClaWHow）：https://clawhow.com/article/lijiuer92-openclaw-memory-guide - 開源生產級記憶框架 codesfly/openclaw-memory-final：https://github.com/codesfly/openclaw-memory-final - Julian Goldie 三層記憶教學影片：https://www.youtube.com/watch?v=f8LJBh1AtKg - 追日 Gucci Threads 貼文（三層記憶摘要）：https://www.threads.com/@gucci_dgixoption/post/DVUwOYhEvxi

# [ai] Copilot Cowork 引爆企業 AI Agent 決戰：台灣在晶片管制風暴中的雙重賭注 ## 摘要 2026 年 3 月第二週，兩則消息同時撞擊全球科技市場。 微軟宣布與 Anthropic 合作推出 **Copilot Cowork**，標誌著企業 AI Agent 從「輔助工具」正式升級為「自主執行層」。與此同時，川普政府研擬中的 **AI 晶片出口新規**草案曝光，幾乎所有 NVIDIA、AMD 高階 AI 晶片的全球出口都可能需要美國政府許可。 這兩件事乍看無關，卻共同指向一個核心問題：**台灣在這場 AI 算力地緣政治博弈中，究竟是最大受益者，還是最脆弱的夾心層？** --- ## 一、Copilot Cowork：企業 AI Agent 的戰場正式開打 微軟在 3 月 9 日宣布 **Microsoft 365 Copilot Wave 3**，核心是與 Anthropic 聯合開發的 Copilot Cowork。 **定義重塑（40%）**：Copilot Cowork 的出現，讓 AI 從「回答問題」正式進化為「代理執行」。用戶只需描述目標，Cowork 就能自動協調 Outlook、Teams、Excel、PowerPoint，完成從排程、簡報到研究報告的整套工作流程。微軟稱之為「fire and forget」模式。 **技術架構差異（30%）**：Anthropic 的 Claude Cowork 是本地桌面 Agent，運行在用戶裝置上，依賴 MCP 連接器擴充能力；Copilot Cowork 則是雲端架構，深度整合 Microsoft 365 企業資料圖譜（WorkIQ）。兩者服務對象不同，但都在搶奪企業工作流程的控制權。 **商業壓力（30%）**：Claude Cowork 在 1-2 月推出後，引發企業軟體股市值蒸發逾 **2,850 億美元**。微軟自身股價也在 2 月跌近 9%。Copilot Cowork 是微軟的反守為攻，同時深化與 Anthropic 的戰略綁定，降低對 OpenAI 的依賴。 📊 **定價結構**：$30/用戶/月（M365 Copilot 基礎方案，含部分 Cowork 用量） 📊 **Agent 365 上市**：2026 年 5 月 1 日，企業 AI Agent 管理平台定價 $15/用戶/月 📊 **M365 E7 套件**：$99/用戶/月（含 Copilot + Agent 365 + E5 安全） --- ## 二、AI 晶片出口新規：美國要當全球算力守門員 路透社與彭博社幾乎同步揭露川普政府的草案，其衝擊程度被形容為「自拜登 AI 擴散規則廢除後最重大的政策逆轉」。 **分級管制架構（35%）**：草案建立三層審查制度。採購不足 1,000 顆 GPU 仍需申請出口許可；**10 萬顆以上**需要政府對政府安全保證；**20 萬顆以上**可能需美方官員實地檢查，且所在國須承諾投資美國 AI 基礎設施。 **全球適用範圍（30%）**：現行規制只針對約 40 國。新規將擴及全球，包括美國盟友。這代表以色列、日本、韓國、台灣等傳統夥伴，都需要在晶片取得前與美方進行政治協商。 **豁免條件（20%）**：若想取得豁免，出口商（NVIDIA、AMD）必須監控晶片使用，接收方需安裝軟體確保晶片無法串聯成「叢集」。這實質上讓美國企業成為晶片用途的監控代理人。 **地緣政治工具（15%）**：前拜登政府國安官員 Saif Khan 直言：「許可要求過於廣泛，美國政府可能被視為將晶片出口管制作為與盟友談判的槓桿，而非單純的國安措施。」 --- ## 三、台灣的戰略位置：供應鏈核心與政治棋子的矛盾 台灣在這場博弈中的處境，是結構性優勢與結構性脆弱並存。 **製造優勢不動搖（40%）**：NVIDIA GB300、AMD MI400 等高階 AI GPU 幾乎全由台積電代工。先進封裝（CoWoS）、HBM 堆疊、2nm 量產計畫，讓台灣在物理層面無可替代。出口管制越嚴，越突顯台灣作為唯一可信賴先進製程基地的戰略價值。 **需求端衝擊（35%）**：台灣雖是製造端，但本地企業、雲端廠商若要大規模部署 AI 基礎設施，同樣面臨取得晶片的政治障礙。本土的算力建設速度，可能因審查流程而放慢，直接影響台灣 AI 應用層的發展節奏。 **Copilot Cowork 的台灣機會（25%）**：Microsoft AI Summit Taipei 在 3 月 11 日登場，逾 1,500 名企業代表參與。華碩與微軟合作的 ASUS AI Assistant 多 Agent 架構已落地，中信銀行導入 Copilot 後研究時間從 12 小時縮短至 3 小時。企業 AI Agent 正在台灣加速普及。 📊 **台積電 AI 晶片代工**：NVIDIA H100/B200/GB300 均採台積電製程（4nm/3nm） 📊 **CoWoS 產能**：台積電 2026 年底目標達 2024 年底的 4 倍以上 📊 **Microsoft 台灣 AI Summit**：1,500+ 企業代表，涵蓋金融/醫療/科技三大產業 --- ## 四、深層矛盾：台灣是籌碼，但也是可能的受害者 有一個核心矛盾值得點破。 台積電是美國維持 AI 算力霸權的生產工具，這讓台灣在地緣政治上擁有「不可或缺性」的護身符。但出口管制若擴及全球，**台灣本身採購 AI 晶片同樣需要經過美國審批**。 一個弔詭的局面正在成形：**台灣幫美國製造 AI 晶片，卻可能需要向美國申請才能自己用這些晶片**。 這不只是貿易問題，更是主權算力的問題。台灣政府近年積極推動本土算力建設（NSTC 目標 480 petaflops），正是在為這個風險預埋後路。但進度仍遠落後於商業需求。 --- ## 五、企業 AI Agent 浪潮與台灣的應用落差 Copilot Cowork 的推出，讓台灣企業面臨一個現實選擇。 **雲端優先還是本地優先？** Claude Cowork 是本地執行、資料不離裝置；Copilot Cowork 是雲端整合、企業資料全上微軟 365。台灣金融業、醫療業在資料主權與合規要求上更為嚴格，這個選擇不只是產品偏好，而是法規遵循問題。 奇美醫院導入 AI Agent 個案管理系統、亞東紀念醫院建立基因定序雲端系統，已展現台灣醫療業對 AI Agent 的開放態度。但相較於美國、歐洲，台灣企業整體導入深度仍偏淺，多停在「效率提升」層次，尚未進入「流程重塑」階段。 **AI Agent 普及的下一個障礙不是技術，而是信任架構**：企業必須確定 AI 做了什麼、為什麼這樣做、出錯時誰負責。Copilot Cowork 的「可觀測性」設計（每個動作透明、可暫停、可審查）正是針對這個企業痛點。 --- ## 六、結語：台灣需要一個「算力主權」戰略 兩件事放在一起看，傳遞了同一個訊號：**AI 算力正在成為新的戰略資源，其重要性已等同能源與糧食**。 台灣目前處於一個微妙位置。製造端無可替代，但應用端相對落後；在國際政治中是籌碼，但也可能成為被談判的對象。 短期觀察重點有三： - **美國 AI 晶片出口新規是否正式落地**，以及台灣是否爭取到豁免地位或特殊夥伴待遇 - **Copilot Cowork 在台灣企業的導入速度**，尤其是金融與醫療兩大敏感行業的決策 - **台灣本土 AI 基礎設施投資規模**，能否在地緣政治不確定性升高的背景下加速推進 算力即國力。台灣在半導體的歷史教訓告訴我們：提早布局者定義規則，晚進者只能接受條件。 --- ## References - Microsoft 365 Blog: Copilot Cowork: A new way of getting work done (2026-03-09) https://www.microsoft.com/en-us/microsoft-365/blog/2026/03/09/copilot-cowork-a-new-way-of-getting-work-done/ - Reuters: Microsoft taps Anthropic for Copilot Cowork in push for AI agents (2026-03-09) https://www.reuters.com/business/microsoft-taps-anthropic-copilot-cowork-push-ai-agents-2026-03-09/ - Reuters: US mulls new rules for AI chip exports (2026-03-05) https://www.reuters.com/world/us-mulls-new-rules-ai-chip-exports-including-requiring-investments-by-foreign-2026-03-05/ - 商傳媒: 美國擬推AI晶片出口新規 台灣半導體供應鏈地位升溫 (2026-03-09) https://tw.stock.yahoo.com/news/%E7%BE%8E%E5%9C%8B%E6%93%AC%E6%8E%A8ai%E6%99%B6%E7%89%87%E5%87%BA%E5%8F%A3%E6%96%B0%E8%A6%8F-nvidia-amd%E6%81%90%E5%8F%97%E9%99%90-%E5%8F%B0%E7%81%A3%E5%8D%8A%E5%B0%8E%E9%AB%94%E4%BE%9B%E6%87%89%E9%8F%88%E5%9C%B0%E4%BD%8D%E5%8D%87%E6%BA%AB-124723615.html - 商傳媒: Microsoft AI Summit Taipei登場 (2026-03-11) https://tw.stock.yahoo.com/news/microsoft-ai-summit-taipei%E7%99%BB%E5%A0%B4-ai-044813017.html - VentureBeat: Microsoft announces Copilot Cowork with help from Anthropic (2026-03-09) https://venturebeat.com/orchestration/microsoft-announces-copilot-cowork-with-help-from-anthropic-a-cloud-powered - TechNews: 美擬推全球 AI 晶片管制，輝達、AMD 出口恐受限 (2026-03-06) https://technews.tw/2026/03/06/usa-amd-nvidia/