開放問題待辦

由 _system/lint.py --write-backlog 產生。請勿手動編輯。 從每篇概念文章的 ## Open Questions 區段採集。 透過 /query 處理；已解答項目歸檔至 derived。

截至 2026-05-25，共有 62 篇含開放問題。

Agent Harness Engineering#

• 單一通用編碼 agent 是否優於具專門測試、QA 與清理 agent 的多 agent 架構？
• 在完全由 agent 產生的系統中，架構一致性如何隨年份演進？
• 在什麼程式碼庫規模下，AGENTS.md 作為目錄的方法需要被更精密的上下文路由取代？
• 這些以 web 應用為焦點的發現，對其他領域（科學研究、金融建模）的可推廣性如何？

Agent Loop Pattern#

• 當模型自行排程迴圈（4.7 行為）時，誰擁有預算？Boris 的回答是「模型自己決定」——但這把成本紀律推進模型的訓練，而非 harness。
• 迴圈若搭配夠聰明的模型，是否仍需要 Kanban 待辦，還是模型能從原始目標自行選擇下一項任務？
• 迴圈產出的審查如今是 Matt Pocock 坦承的瓶頸——「我們只需要準備好做更多 code review。」

Agent-Native Infrastructure#

• 誰來打造人類面向服務長尾中的 agent-native 重寫——服務擁有者，還是在其上方的轉譯層（MCP 伺服器、Computer Use agent）？
• Agent 對 agent 的協商需要信任、身分與問責原語，而這些尚未存在。協定層是什麼，由誰治理？

Agentic Loops Overtake Bespoke Systems#

• 客製系統的優勢目前標註為「暫時」。下一世代模型會如何裁決——演化式／AlphaProof 裝置在任何問題上仍能存活，還是完全塌縮成一條成本線？
• 「簡單迴圈 + 驗證器勝過客製系統」的結果，是否僅在驗證器完美（Lean）時成立，還是在有雜訊的驗證器領域（測試、LLM-judge council）也成立？

Agentic Technical Debt#

• CLAUDE.md 在程式碼庫演進時能維持多久準確？playbook 暗示逐 session 更新；沒有關於腐化速率的資料。
• 補救假設創辦人能夠用白話說明架構。非技術創辦人（playbook 標榜的主要受益群）可能既沒有詞彙也沒有直覺把這件事做好——playbook 未處理的遞迴失敗。
• Anthropic 的 harness-shrinkage 論點暗示 CLAUDE.md 最終可能由模型自行推斷。在此之前，這項紀律仍是承重的。

AI-Driven Formal Proof Search#

• 成功案例集中在 Lean 的 mathlib 已成熟、且問題可分解為可處理子目標之處（組合、凸優化、數論）。如何把前沿擴展到需要新理論的問題？
• Agent 繼承其 LLM 的偏見並呈現高搜尋變異。如何刻畫並推進可達邊界？
• Graffiti 結果暗示 AI 猜想與 AI 證明之間閉環的可能。端到端的猜想→形式化→證明管線長什麼樣子？

AI Native Product Cadence#

• 這種節奏能否擴展到約 100 人以上？Anthropic 本身更大（僅 PM 就有約 30–40 人），但可見驅動節奏的 Claude Code 團隊很小。
• 對期望穩定性的 B2B 企業上線，研究預覽品牌化的對等物是什麼？Cat 未談及。
• 節奏有多少是結構性（流程選擇）vs 文化性（人才密度）？可能兩者皆有，比例不明。

The AI-Native Safe-Choice Inversion#

• 反轉是「安全」的一次性重定價。一旦出現多家 AI-native ERP，「安全」是否會重新穩定在最大的 AI-native 廠商周圍——而 Campfire「我們已是新世代中最大」的說法，是否反映對該位置的搶佔？
• 既有廠商還要多久才能加上可信的 AI 並中和反定位——而自訂基礎模型的主張，是否真的防得住？

AI-Native Startup Lifecycle#

• Playbook 對人數／資本壓縮主張沒有量化證據（沒有中位數達 PMF 時間、達 PMF 人數、失敗率資料）。「精實 10 人獨角獸」被斷言為刻意目標，但文件本身沒有案例研究證據。
• 資源區的創辦人故事（Carta Healthcare、Anything、Cogent、Airtree、Duvo、Zingage、Kindora、Wordsmith）都是短摘——皆無已發表結果或可比比較基準資料。
• CB Insights 的 42%「做了沒人要的東西」來自 AI 前時代；playbook 預測比率會上升，但未引用 2026 年量測。
• 與 HBR 問責發現（上文）的張力未解。Playbook 的編排框架讀起來正是 HBR 實驗條件所檢驗的對立面。

AlphaProof Nexus#

• 框架的觸及範圍受 Lean mathlib 成熟度限制。通往需要新理論而非子目標分解的領域，路徑是什麼？
• AlphaProof 作為獨奏者貢獻不大，但作為工具有幫助。隨著 prover LLM 變強，AlphaProof 工具是否會完全多餘？

Building Is Cheap, Arguing Is Expensive#

• 「產生三個再比較」在什麼時候變成浪費——決策權重達到什麼程度時，真正的論辯（或設計文件）仍比三份實作便宜？
• 若設計討論活在 PR／原型裡，理由對未來讀者記錄在哪裡——「為何選這個」的知識能否留存，還是與 Code as Source of Truth 同樣會過時？

Campfire#

• Campfire 聲稱 AI 優勢來自「我們自己的基礎模型」。對 ERP 而言，自訂基礎模型相對於微調前沿模型實際買到什麼——且隨前沿模型改進是否持久（參見 Harness Shrinkage as Models Improve）？
• 「從未有人因成長而離開 Campfire」——當客戶達到 NetSuite 歷史上廣度曾重要的真正企業規模時，這還成立嗎？

Claude Character as Product#

• 角色如何隨模型版本迭代？公開評論未見角色層級的變更日誌。
• 競爭對手能否透過微調複製角色，還是路徑依賴於 Anthropic 內部實踐？
• 對 Cowork 這類非編碼產品，同一角色是否適用，還是 Cowork 需要自己的角色調校？

Claude Code Auto Mode#

• 分類器對例行但激進的重構（例如大檔重新命名、rm 建置產物）的誤報率是多少？
• 分類器對自訂工具／MCP 伺服器（缺乏環境上下文）的泛化如何？
• 分類器的決策邊界是否文件化／穩定到足以讓安全敏感組織認證，還是實質上是會隨更新漂移的黑箱？
• 將 auto mode 延伸到 API 使用者是否改變其校準——分類器是否為自動化重度使用重新訓練，還是保持不變？
• 相較於 OS 層沙箱（在 Claude Code Best Practices 中與 auto mode 並列），縱深防禦故事是什麼？何時應兩者疊加？

Claude Code Best Practices#

• 最佳 CLAUDE.md 長度為何，才不至於讓指令開始被遺失？是否有可量測閾值？
• Writer/Reviewer 模式與 agent 對 agent 審查（如 OpenAI 的 Codex 流程）相比如何？
• 何時 subagent 開銷超過上下文隔離帶來的好處？

Claude Opus 4.7#

• Hakim（2026）在 Opus 4.6 上的簡潔約束發現，在 Opus 4.7 上是否可重現，還是字面指令遵循改變了彈性？具體而言：<50 words 在 GSM8K 上是否仍帶來 +13.1pp？
• Opus 4.7 在 HotpotQA 風格的組合掃描中是否仍表現不佳作為 planner，還是改進的指令遵循縮小了 AgentOpt（Hua et al., 2026）指出的差距？
• 典型 Claude Code session 的真實世界 token 膨脹倍數為何（1.0–1.35× 依內容而異——在程式碼密集 vs 散文密集輸入上的分布如何）？
• xhigh 與 max 在編碼 eval 上如何比較？遷移指引說「從 high 或 xhigh 開始」——對編碼 max 是否仍值得？
• 在字面指令遵循下，既有 CLAUDE.md／system prompt 中有多少防禦性措辭會變成反效果？

Client-Side Agent Optimization#

• 組合層級優化如何與持續的模型發布互動？若下個月推出 Claude Opus 4.7，整個 Pareto 前沿是否需要重跑，還是暖啟動 bandit 能便宜適應？
• 管線深度到何處時，即使 Arm Elimination 組合搜尋也變得不可行？論文測到約 81 種組合；生產管線若有 5+ 角色、每角色 10+ 候選模型，會遠超此數。
• 「弱 planner + 強 solver」模式是否可推廣，還是 HotpotQA 委派動態特有？推薦-評論、drafter-editor、檢索-生成等拓撲可能反轉。
• 工具環境變更時應如何重新評估？AgentOpt 假設工具固定——新增或移除工具可能使整個前沿失效。
• 是否存在便宜的 per-call 分類器，能預測哪個組合在給定查詢上獲勝，從而完全避免組合層級評估？

Code as Source of Truth#

• 哪些知識真正無法活在程式碼庫中（組織策略、「為何」、跨團隊上下文），因而仍需要持久文件——且如何讓這一小片保持最新？
• 若 onboarding 是「問 Claude」，先前在深度訪談中社交傳遞的默會知識會發生什麼——是否被捕捉，還是悄悄流失？

Codex App Server Protocol#

• App Server 協定與 MCP 的細節比較如何？兩者都向模型暴露工具，但 App Server 在 Codex runtime 內部，MCP 在外部。何時各者勝出？
• 是否有公開 schema registry，讓外部編排器能鎖定特定 App Server 版本而無需 generate-json-schema？
• 「dynamic tool calls (experimental)」的註記——穩定性路線圖為何？Symphony 的安全模型依賴此項。
• 協定對多模態 turn（圖像輸入、螢幕截圖附件）處理多好？規格以文字為主。
• Claude 側是否有類似協定，還是 Claude 的對等物 exclusively 為 Agent SDK + tool-use API？比較兩者可釐清何時「驅動既有 CLI」勝過「在 SDK 上建構」。

Compounding Data Moat#

• 「兩年複製窗口」主張在經驗上是否站得住，還是願景性質？Playbook 未引用量測。
• 當基礎模型本身持續快速改進時，這道護城河如何撐住？若 2027 年的通用模型內化足夠垂直上下文以原生處理 340B 藥品理賠，垂直邊緣案例護城河是否侵蝕？
• 資料飛輪論點 SaaS 已講了 15 年。AI-native 版本真正不同之處為何？可能是：資料同時改進模型與產品，但 playbook 未精確區分。
• 「客戶在你之上建 API」的鎖定，在結構上類似平台玩法（Salesforce AppExchange、Shopify apps）。護城河類型真的是新的，還是只是精實新創更容易取得？

Compute Allocator#

• 1% 是 Thariq 專屬數字還是一種體制？對更大、程式碼更重的專案，生產殘留 presumably 更高；什麼決定比例？
• 分配品質難以量測——什麼回饋迴路能告訴 allocator 他們把 compute 花得很糟（而不只是花很多）？
• 把人類視為「compute allocator」是否冒 oversight-fatigue／accountability 失敗模式的風險——人類名義上決定、實際上橡皮圖章？

Context Window Smart Zone#

• smart-zone 標記是否隨模型規模縮放，還是受 attention 架構限制？Pocock 觀察「dumb zone 近來沒那麼笨了」，但截至 2026 仍錨在 100K。
• 當 sparse-attention 或記憶增強架構出貨時，smart zone 是否變成軟約束？
• Harness 應如何向使用者呈現剩餘 smart-zone 預算——token 數、百分比，還是更豐富的訊號？

Cowork#

• Cowork 的 harness 與 Claude Code 相比如何？兩者都暴露 skills、MCP、sub-agent——但非程式碼產出的失敗模式不同（沒有測試套件、沒有編譯器、沒有 diff 可審）。
• Cowork 類產出的 eval 紀律是什麼？Cat Wu 說記憶從 eval 受益很多；簡報品質如何量測尚不清楚。

Deep Modules for Agents#

• 「夠深」是多深？Pocock 的範例模組是數百行 LOC；Ousterhout 教科書範例更大。有甜蜜點；來源未闡明。
• 對 ports/adapters 程式碼庫，深模組建議能否乾淨轉移？「小介面」是 port；「大行為」是 adapter。可能可以，但來源未演練。
• 重構成本 vs 效益：何時在可運作的 repo 上執行 improve-code-base-architecture 值得？

Design Concept Grilling#

• 能否 AFK 對另一個持有使用者偏好的 agent 執行 grilling？Pocock 2026 年的回答是「不行，這部分必須 human-in-the-loop」——但隨 agent 更能建模 principal，問題仍開放。
• 多人需對齊的團隊工作中 grilling 如何變化？Pocock 提示：與 agent 結對，把它當第三個對話者。

Disposable Micro-Apps#

• 一次性微應用與工具蔓延的界線在哪？若每次編輯都產生客製 UI，工作流程是否碎片化？
• copy-back-to-markdown 往返能否推廣到設定型資料（規則、表格）之外的更豐富產物？
• 這些微應用能否模板化／重用——到何種程度會打敗「一次性」框架，變成 durable tooling？

Dogfooding as Product Discipline#

• Dogfooding 在團隊就是使用者（Claude Code）或很接近（Cat Wu、Boris）時有效。對與你很不相同的使用者，如何建立產品感——「與客戶交談」是否如 Glasgow／Fung 的小企業工作所暗示的完全夠用？
• Dogfooding 能否擴展，還是隱含地限制了 AI-native 產品組織在多大規模前仍能以品味驅動，之後就退回儀表板？

Engineer PM Convergence#

• 這能否擴展到約 50 人以上的 Claude Code 風格團隊？Boris 保留：「我覺得這會是多年的問題。」
• 在工程師做 PM 工作的公司，正式 PM 職涯階梯會如何？在 Anthropic 仍開放，依 Cat。
• 跨領域通才是招聘門檻——供給從哪來？職涯轉換者，還是偏向 AI-native 教育的新鮮人？

Evals as Product Spec#

• 如何為 character 這類品味驅動的功能寫 eval？Amanda 的角色因抗 eval 而具代表性；Cat 在此稱她擅長 eval，但未描述技法。
• 10 vs 100 的數字沒有理由。是否有剛好區間，還是取決於功能表面積？Client-Side Agent Optimization 的組合框架暗示 eval 也有組合爆炸問題。
• Eval 如何與 Harness Shrinkage as Models Improve 互動？當 harness 資產因模型原生處理而縮小，圍繞舊 harness 建的 eval 可能變成遺跡而非護欄。Anthropic 是退役 eval 還是改用途？
• 是否有單一非 Anthropic 的 PM-as-eval-writer 案例可引用，還是目前仍是 Cat-Wu 獨特框架？Matt Pocock 工作坊用不同詞彙到達同處，但尚無第三來源被 ingest。

Evolutionary Proof Search#

• LLM-critic 適應度本身是在已驗證基底上的未驗證啟發式。Elo 排名誤導搜尋 vs 計算它的成本，頻率如何？
• 超參數（$c=0.2$、top-64、$P=7$）是「經驗選擇」。結果對它們多敏感，能否跨數學領域轉移？

Founder as Agent Orchestrator#

• Playbook 聲稱非技術創辦人現在能建生產級軟體，但未處理架構判斷遞迴問題（Agentic Technical Debt）：非技術創辦人可能沒有詞彙寫出有效的 CLAUDE.md。這如何擴展？
• 「精實 10 人獨角獸」被斷言；playbook 沒有 AI-native 新創 vs 前一世代在達 PMF／Series-A 人數中位數的量化資料。
• 編排角色如何改變創辦人的決策負擔？較少親手任務但更多平行 agent 監督；淨認知負荷不明，可能更高（見 AI Brain Fry）。
• Anthropic 同時發布 playbook 的擬人化框架與 HBR 意識的問責工作（auto mode、alignment），卻未直接面對框架文獻。Orchestration vs Employee Framing: Reconciling the Founder's Playbook with HBR's Accountability Evidence 在操作層面調和張力——編排作為工作流程設計保留問責；編排作為把 agent 當同事的 mental model則不行——但 playbook 行銷語言為何未反映 Anthropic 自己的框架紀律，仍是開放問題。

Founder-Led Sales Discipline#

• 「直到 PMF」究竟在何處結束，創辦人應先交辦的第一件事是什麼（AE？agent？兩者？）？Glasgow 在 Series-B 後仍親自做，顯示邊界模糊。
• Glasgow 的反交辦立場能否推廣，還是專屬於高信任、任務關鍵的企業銷售（ERP），「他們買的是你」——PLG／SMB 動作是否會更早委派給 agent？

Google DeepMind#

• DeepMind 報告其客製系統被簡單迴圈追上。實驗室的比較優勢是否從系統轉向模型 + 驗證器 + benchmark（mathlib、Formal Conjectures）？
• 論文開啟 AI-for-math；DeepMind 下一個存在可靠驗證器的目標領域是什麼？

Harness Shrinkage as Models Improve#

• 所有 prompt 鷹架最終是否都會遷入模型，還是有些會留下——例如組織專屬風格、安全規則、品牌語調？
• Boris「一百行程式」的預測距 2026 年 5 月還有一年——2027 年可驗證。
• 若 harness 工作縮小，什麼新工作會擴大填補？Cat Wu 的賭注：PM／產品味、寫 eval、角色工作。

Hermes Agent#

• 容器後端停用危險指令檢查是可辯護的設計，但是有意義的安全模型轉變。經驗紀錄如何？熱門映像（Daytona、nikolaik/python-nodejs）的 lockdown 失敗是否造成事件？
• 有界記憶檔（MEMORY.md 約 2,200 字元）長期使用撐得住嗎？提到自動合併但未規格化——合併演算法是什麼，多 lossy？
• Hermes 的 DM-pairing 流程是乾淨的安全原語。為何 Claude Code 或 Cursor 在共享／團隊部署未採用此模式？
• AGENTS.md（專案）與 SOUL.md（人格）在 Hermes 中明確分離，在 Claude Code 的 CLAUDE.md 中則隱含。分離是否實質改善結果，還是無實證支撐的文件選擇？
• 在無記憶的新 session 中執行 cron——團隊如何結構「agent 需要的上下文」而不讓每個 cron prompt 膨脹？是否有標準模式？

HTML as the New Markdown#

• 人類面向 harness 會無止境成長，還是也會撞上自己的膨脹天花板（HTML 計畫太複雜無法閱讀，就像它取代的 markdown）？已解答：Does the Human-Facing Harness (HTML Artifacts) Hit Its Own Bloat Ceiling?——會；HTML 提高並重塑人類注意力天花板但無法移除，膨脹從文件長度遷移到 artifact 蔓延／橡皮圖章。
• HTML 比 markdown 更重 diff 與版本——當產物是單檔網站時，計畫歷史與審查會如何？（Disposable Micro-Apps 的 copy-back-to-markdown 是一種補丁。）
• 這能否推廣到單一專家實踐者之外，還是需要 Thariq 級別的 Claude 熟練度才值得開銷？

Interaction Models#

• 互動／背景分割能否推廣，還是過渡性產物，直到單一模型同時夠快又夠深？
• 「互動性隨智力擴展」被斷言；2026 年稍晚的更大模型發布是測試。
• 互動 benchmark 的研究補助已宣布——影片主動性的 FD-bench 對等物會是什麼？

Jagged Intelligence (Ghosts, Not Animals)#

• Karpathy 承認框架可能沒有「真正力量」。「ghost vs. animal」是否承重，還是有用但不改變具體決策的直覺泵？
• 若品味／美學／簡潔進入 RL 混合，那些維度的參差會否平滑——還是它們太不可驗證而無法乾淨獎勵（參見 The Verifiability Thesis）？

Lean#

• mathlib 成熟度限制可達前沿。AI 形式證明搜尋能否成長 mathlib（形式化新理論）作為副產品，從而擴展自己的前沿？
• Lean 對數學是完美驗證器。哪些其他領域有同樣可靠的自動驗證器（相對於僅有雜訊者如測試或 LLM-judge council）？

Living Design System#

• design_system.html 如何隨程式碼庫演進保持同步——按節奏重新萃取，還是接入 CI？
• 可渲染、模型可讀的設計系統，相對於純 CSS／token 檔，是否可量測地改善 on-brand 產出，還是贏點主要在於人類可讀性？
• 在什麼專案規模下，維護 artifact 的成本超過它帶來的一致性？

LLM-as-Compiler Knowledge Base#

• 無向量資料庫方法在什麼規模會崩潰？Karpathy 的約 100 篇文章能放進上下文，但 1,000+ 呢？
• 編譯時如何處理來源間衝突資訊？
• 概念文章的最佳粒度——每文一概念，還是按主題叢集？
• 合成訓練資料 → 微調管線實務上多有效？

LLM-Driven Vulnerability Research#

• 這些能力如何轉移到非記憶體安全 bug 類（邏輯 bug、協定層缺陷、供應鏈攻擊）？
• 自主 exploit 複雜度的天花板在哪？N-day 範例已相當精密——是否有質性限制？
• 當多家實驗室擁有 Mythos 級模型時，安全產業均衡如何位移？
• 防禦鷹架（持續 fuzzing + 模型驅動分類 + 自動修補）能否在過渡期縮小攻擊者－防禦者差距？
• 對 Mythos 級產出，什麼防護有效而不削弱合法安全研究？

Managers as ICs#

• Fung 自己的開放問題：「還需要分開的 iOS 與 Android 組織嗎？」——若工程師透過 Claude 跨平台靈活切換，傳統平台拆分組織可能也會溶解。扁平化能走多遠？
• manager-as-IC 能否擴展到某個組織規模以上，還是僅在 Claude Code 小、程式碼庫 Claude-legible 時有效？

MCP and Computer Use#

• MCP 生態成長率 vs Computer Use 品質曲線：Computer Use 在何時夠好，使得邊際上建 MCP 伺服器的價值下降？Boris 暗示還要數年但未量化。
• Computer Use 是可持續介面還是過渡技術？若多數知識工作軟體在 24 個月內加上 MCP，Computer Use 的角色縮到僅剩 legacy／桌面系統。
• MCP 安全模型：playbook 建議精實創辦人把 MCP 接到 Salesforce、Gmail、Calendar，攻擊面隨採用擴大。任何已 ingest 來源都未討論。
• Cowork 的 Computer Use 護欄與 Claude Code 的 auto mode 分類器相比如何？部署情境不同，風險輪廓可能不同。

Model Introspection Feedback#

• 4.7 級內省報告有多可靠？Anthropic 的可解釋性研究暗示部分保真而非完整。經驗上 Cat 稱其足夠驅動 harness 修復——但在什麼模型規模此技法變成承重尚不清楚。
• 對抗性內省（「為何失敗？」）vs 中性（「走一遍你的推理」）是否產生不同訊號？值得探測。
• 能否有 meta-agent 對記錄的失敗自動執行內省？聽起來可行但無公開實作。

Model Spec Science#

• Model Spec science 能否跨基礎模型或家族轉移？論文僅測 Qwen。
• 能否撐過 RL 後訓練壓力？
• 足夠豐富的 General Spec 能否匹配 Specific Spec？作者認為可以，尚無示範。
• 與 situational awareness 的互動——若模型學到 spec 用於訓練自己，MSM 安裝的價值表達是否改變？
• 這如何與 Claude character 互動——溫暖／好奇的人格是否也受 spec-science 優化？

Mythos Model#

• 公開發布時程：來源中無。
• 網路安全以外的能力輪廓：Mythos Preview 聚焦安全故事；其他能力維度外部文件不足。
• 內部存取控制：Anthropic 誰實際用 Mythos 做日常工作，vs Opus 4.7？Boris 暗示不頻繁（試用）；未細述。

Narrow Wedge into a Legacy Market#

• 楔子進場時有效；出場時是否成為束縛？Campfire 現已服務上市公司——在何時「窄而最好」需要變成它取代的廣泛既有廠商，重新承擔 NetSuite 的複雜度？
• 楔子翻轉顯示第一個楔子可能錯。什麼訊號最快能讀出楔子是轉為核心而非僅能賣——Campfire 約 3 個月；能否更早讀出？

Outsource Your Thinking, Not Your Understanding#

• Karpathy 的開放前沿：「理解」本身最終能否自動化，還是定義上就是人類殘留？他「過幾年再回來」的保留讓問題開放。
• 若理解是瓶頸，最高 ROI 技能是否是學會快速建立理解（知識庫衛生、問對 projection）——且能否教會？

Printing Press Software Democratization#

• 2026 年領域專家即 builder 是否真的在規模上發生？軼事（店主、微控制器愛好者）有；非工程師以軟體建構為主業，較不明。
• 普及 coding 素養的義務教育對等物是什麼？還是不會發生，我們得到長尾自學 builder？
• Boris 的「會計師寫會計軟體」——是否產生 1 萬個窄工具且互不相通？整合故事是什麼？

Problem-Solution Fit Discipline#

• 請 AI 反駁一個想法，是否真的以與支持證據相同的嚴謹度產生反證，還是模型仍偏向創辦人呈現的框架？值得量測。
• Playbook 建議「請 Claude 提出競爭對手為何會成功而你卻不會的最有力論點」。這如何與 Anthropic 已發表的 character training（抗討好、願意魔鬼代言人）互動？
• 是否有人量測 2026 年 AI 建產品的創業失敗率？「42% 會上升」被斷言但未量測。

Product Velocity as Moat#

• 速度作為護城河是跑步機：競爭對手匹配 pace 時優勢即蒸發。Campfire 的速度領先如何在 AI-native 同儕 pace 收斂前，轉成結構性護城河？
• 「從未有人因成長而離開 Campfire」——是倖存者偏誤（尚未達真正企業規模）還是真能主張速度比客戶成長更快補上廣度差距？

Scale-Dependent Prompt Sensitivity#

• RLHF 長度偏見假說若直接對 base（非 instruct）模型變體測試，是否可重現？若冗長生成主要在預訓練，base 模型的冗長差異應與 instruct 模型一致。
• 什麼問題特徵預測 prompt 敏感度？自動分類器會使規模特定 prompting 可部署。
• 過度思考效應如何與使用工具的 agent 互動？若簡潔幫大模型但工具需要結構化推理，最佳 prompt 並非一律簡短。
• 推理模型（o1、DeepSeek-R1 風格）是否與 instruct 模型有不同的過度思考動態？它們被訓練成明確產生長 CoT——簡潔干預是否傷害它們？
• BoolQ 的 functional-elaboration 例外是乾淨的分類邊界，還是每種任務類型都有上下文相依的最佳長度？

Seven Powers Applied to AI#

• 「轉換成本」實務上是否真的在崩塌，還是僅在敘事中？Anthropic 自己的留存、Salesforce 流失等可檢驗。
• Boris 的「cornered resource」對本身也在商品化的基礎模型實驗室長什麼樣？內部矛盾還是過渡階段？
• 反定位——明確是「既有廠商無法跟進」的力量——在 AI 下應放大。是否有人刻意跑這套玩法？

Software 3.0#

• 「應用不該存在」（MenuGen）與應該存在的應用之間的界線在哪——即何時確定性 1.0/2.0 鷹架仍是正確選擇 vs 多餘？
• 神經網路作為 host process 的翻轉被呈現為看似可行但尚待驗證。第一個真正反轉 CPU/NN 關係的生產系統會長什麼樣子？

Symphony#

• 500% landed-PRs 主張被保留——無基準定義，僅「在某些團隊」。跨團隊分布如何？該吞吐下 PR 品質與 revert 率如何？
• 「跨 run 保留工作區」與典型 CI 短暫性相反。在何時來自先前 run 的狀態污染（過期 node_modules、殘留分支、建置產物）傷害大於 warm-cache 幫助？
• Symphony 不寫入 tracker——agent 寫。這意味 tracker 政策是 WORKFLOW.md 中的prompt。實務中當 Linear 改 API 時有多脆？當 agent 在 prompt 層有裁量時，如何強制一致的狀態機行為？
• 規格因在 6 種語言中實作而簡化。此技巧的延伸是什麼？本 vault 的 compiler-prompt.md 能否同樣 cross-fuzz？
• Symphony 明確說 agent 可自建 ticket。什麼治理防止 ticket 圖無限擴張？人類分類 agent 建立的 ticket 是唯一檢查嗎？

Ticket-Driven Agent Orchestration#

• 當單位是「一個 agent 在一個工作區做的一件事」時，ticket 粒度的正確尺度是什麼？文章暗示「大得多的工作單元」變得可行，但這如何與 agent.max_turns 限制（預設 20）互動？
• 當 agent 自由開後續 ticket 時，如何防止 ticket 延伸級聯？唯一治理是否是在 Todo 狀態佇列的人類分類？
• 此模式能否推廣到非軟體工作（研究、營運、內容）？DAG 相依與 prompt-as-policy 檔應可轉移；每 issue 工作區則不那麼明顯。
• 當 agent 把 ticket「完全做錯」（文中提到），教訓如何回饋系統？Symphony 的答案是「加 guardrails 和 skills」——那項制度流程是什麼？
• Ticket 驅動編排如何與以 ticket 聚合運作的 sprint planning／OKR／roadmap 互動？當 ticket 粒度那麼小時，抽象是否崩塌？

The Verifiability Thesis#

• 「LLM judge council」的可靠性邊界在哪——是否僅適用品質／連貫性，還是也適用真正有爭議的價值判斷？
• 「實驗室在意」依賴很脆弱：能力可能因你無法控制的實驗室優先級而出現或停滯。產品如何對 data-distribution rug-pull 對沖？

Verification as the New Bottleneck#

• Fung 自己的開放問題：「全自動審查能推多遠？」——速度／安全平衡在哪，如何讓人類有信心又不重新引入審查瓶頸？
• 若 CI／build 是隱性卡點，驗證基礎設施（測試 runner、CI 容量）是否成為 AI-native 組織真正的 capex？

Vertical Slice Tracer Bullets#

• 一旦被告知，planner agent 能否可信地垂直切片，還是需要 verifier 標記水平切片？Pocock 的經驗：至少需要 verifier，至少到 4.7。
• 切片粒度應如何調校？太薄 = 大量 merge conflict；太厚 = 回到水平。

Vibe Coding vs. Agentic Engineering#

• Karpathy 暗示創辦人有一個「非常有價值」的領域但不願說（不想在台上「模糊發文」）。他指的是什麼可驗證 RL 環境領域？
• 若平庸／AI-native 差距持續擴大，團隊組成會如何——少數極端 outlier 加 agent，vs 廣泛中階編制？

Zero-Friction Scope Creep#

• Playbook 建議書面 scope，但沒有模板或完整範例。「我們刻意不做什麼」需要多具體才能真正擋住請求？
• 是否有可量測閾值，scope creep 跨越成 outright pivot？Playbook 對「失去方向」比劃但未給指標。
• 這如何與 Cat Wu's 1 天上線節奏互動？Anthropic 內部實踐上線快但有強產品判斷；該判斷如何轉化給首次創辦人？