AI Latest Trend 完整盤點與實習生分工（2026 完整版）

AI Latest Trend 完整盤點表

共 23 個研究模組

編號	研究模組	必須盤點的內容	Go Deep 核心問題
0	Foundation Models	Transformer、Tokenization、Attention、Embedding；Pretraining；SFT；Preference Optimization；RL／RLVR；Fine-tuning、LoRA／PEFT；Distillation；Quantization；MoE；Long Context；Reasoning Model；Multimodal Model；Open-weight vs Closed Model；Autoregressive Model；Diffusion Language Model；Latent Reasoning；Domain Foundation Model；Model Merge；Adapter Composition	模型能力究竟來自 Pretraining、Post-training、Reward 還是 Test-time Compute？何時需要 Fine-tune？小模型何時能取代 Frontier Model？
1	Prompt Engineering	System／Developer／User Instruction；Prompt Template；Few-shot；Structured Output；Role Prompt；Constraint Prompt；Prompt Versioning；Prompt Injection Boundary；Reasoning-model Prompting；Prompt Regression Test	哪些問題能靠 Prompt 修正，哪些其實是 Context、Tool、Model 或資料問題？Prompt 如何版本化、測試與治理？
2	Context Engineering	Instruction Context；Conversation Context；Tool Context；Retrieved Context；Runtime State；User Profile；Context Selection；Compression；Compaction；Summarization；Context Offloading；Prompt Caching；Context Budget；Context Quality；Context Isolation	每一步模型真正需要看到什麼？什麼資訊應保留、摘要、外部化或刪除？Context 污染與 Context Bloat 如何發現？
3	Harness 與 Loop Engineering	Agent Loop；模型呼叫；Tool Execution；結果回填；Hooks／Middleware；State Management；Sandbox；Context Management；Checkpoint；Retry；Termination；Artifacts；Feedback Loop；Runtime Enforcement；Control Plane	相同模型放進不同 Harness，成功率會差多少？哪些功能應寫在 Prompt，哪些應由 Runtime 強制執行？
4	Task Understanding 與 Dialogue Control	Intent Detection；Entity／Slot Extraction；Goal Extraction；Constraint Extraction；Success Criteria；Ambiguity Detection；Clarification；Conversation State；Dialogue Policy；End-of-conversation；Escalation；Abstention	如何把模糊自然語言轉成可驗證任務？何時應詢問、執行、拒絕、轉人工或結束？
5	Knowledge 與 RAG Engineering	Data Ingestion；Parsing；Chunking；Metadata；Embedding；BM25；Dense Vector；Hybrid Search；Reranking；Query Rewrite；Query Decomposition；Multi-hop Retrieval；GraphRAG；Agentic RAG；Text-to-SQL；Temporal RAG；Live Retrieval；Evidence Graph；Ontology／Semantic Layer；Citation 與 Provenance；Freshness	Retrieval 失敗是找不到、排序錯誤，還是模型沒有正確使用證據？Vector RAG、GraphRAG、SQL、全文搜尋與即時資料如何選擇？
6	Agent Memory	Working Memory；Episodic Memory；Semantic Memory；Procedural Memory；User Memory；Task Memory；Experience Memory；Write／Read／Update／Merge／Forget；Memory Consolidation；Memory Distillation；Contradiction Resolution；Decay；Confidence；Scope；Consent；Portability；Isolation；Rollback；Provenance；Memory Security；Memory Evaluation	什麼值得寫入長期記憶？誰決定寫、讀、改、忘？如何避免錯誤資訊永久污染記憶？
7	Reasoning、Planning 與 Search	CoT；Self-consistency；ReAct；Plan-and-Solve；ToT；GoT；Reflection；Critic／Verifier；Debate；Plan-Execute-Replan；Hierarchical Planning；Beam／Tree Search；MCTS；Adaptive Test-time Compute；Latent Reasoning；Budget-aware Reasoning；Overthinking Detection；Process／Outcome Supervision；Formal Verifier；Uncertainty；Calibration；Abstention；Tool-integrated Reasoning；Code-based Reasoning；Chain-of-Evidence	哪些方法真正提升 Task Success，而不是只增加 Token？如何動態分配推理預算、驗證結果並判斷何時停止或放棄？
8	Tools、Skills 與 Action	Function Calling；Tool Schema；Tool Discovery；Tool Routing；Tool Selection；Tool Composition；Agent Skills；Code Execution；CLI；Shell；Browser Use；Computer Use；File Operations；API；Tool Error Recovery；Idempotency；Side-effect Control	Tool 與 Skill 差在哪裡？如何設計模型容易正確呼叫的工具？何時使用 API、CLI、程式碼執行或 GUI 操作？
9	Agent Control-loop Patterns	Reactive Agent；ReAct；Router＋Skills；Plan-and-Execute；Plan-Execute-Replan；Evaluator-Optimizer；Reflective Loop；Corrective／Repair Loop；RAG Loop；Autonomous Loop；Evidence-first Loop；Budget-aware Loop	每個迴圈的狀態、停止條件與失敗恢復是什麼？如何避免無限迴圈、重複工作與錯誤自我強化？
10	Agent Architecture 與 Orchestration	Deterministic Workflow；Single Agent；Graph／State Machine；Supervisor-Worker；Orchestrator-Worker；Hierarchical Multi-Agent；Peer-to-peer／Swarm；Blackboard；Debate／Committee；Parallel Agents；Handoff；Distributed Agents；Human-Agent Team；Shared State	Multi-Agent 何時優於 Single Agent？通訊與協調成本是否高於能力增益？誰擁有最終決策權與共享狀態？
11	Protocols 與 Interoperability	Native Tool Calling；Structured Output；REST／OpenAPI；Webhooks；MCP Stateless Core；MCP Tasks；MCP Apps；MCP Extensions；MCP Elicitation；A2A；Agent Skills Standard；AG-UI；A2UI；Agent Card；Capability Discovery；OAuth／OIDC；Server Discovery；Versioning／Deprecation；Remote Agent Delegation	MCP、A2A、CLI、REST、AG-UI 與 A2UI 分別處理哪個層級？如何處理版本、身份、授權、能力發現與跨廠商協作？
12	Long-running Agent Runtime	Durable Execution；Persistent State；Checkpoint／Resume；Queues；Parallelism；Concurrency；Task Scheduler；Cron；Heartbeat；Event-driven Trigger；Background Agent；Timeout；Retry／Backoff；Idempotency；Compensation；Artifact Handoff；Context-window Rollover；Recovery	Agent 執行數小時或數天時，如何跨 Context Window 延續？服務重啟後如何恢復？副作用如何避免重複執行？
13	Evaluation 與 Observability	Offline／Online Evals；Golden Dataset；Trajectory Eval；Tool-call Eval；Retrieval Eval；Grounding Eval；Environment-based Eval；Stateful／Temporal Eval；Long-running Monitoring Eval；Simulation-based Eval；Interactive／Multi-turn Eval；Synthetic User；LLM-as-Judge；Agent-as-Judge；Human Eval；Trace；Span；Cost／Latency；Regression；A/B Test；Shadow Mode；Failure Taxonomy；Macro Evals；Production Trace Replay；Side-effect Evaluation	要評估最後答案、執行軌跡，還是實際環境變化？如何測量長任務、狀態、副作用、成本與工具錯誤？
14	Security、Safety 與 Governance	Direct／Indirect Prompt Injection；Jailbreak；Tool Poisoning；MCP Supply-chain Risk；Memory Poisoning；Data Exfiltration；Secret Leakage；Excessive Agency；Privilege Escalation；Least Privilege；Capability-based Security；Behavior-based Permission；Progressive Permission；Sandbox／VM；Egress Control；Runtime Monitor；Tripwire；Kill Switch；Dual Control；Approval；Audit；Rollback；Retention；Privacy；Multi-agent Collusion；AI Incident Response；Continuous Red Teaming；C2PA；Content Credentials；Watermarking	模型遭攻擊後最多能做什麼？如何限制 Blast Radius？哪些動作必須人工核准？如何驗證內容來源並處理 AI 事件？
15	Multimodal、Realtime 與 Generative Interface	Image／Audio／Video Understanding；Multimodal Generation；Speech-to-Speech；Full-duplex Voice；Realtime Translation；Streaming Multimodal Input；Turn-taking；Backchannel；Barge-in／Interruption；Voice Activity Detection；Screen Understanding；GUI Agent；Computer Use；Generative UI；Malleable／Ephemeral UI；A2UI；Multimodal RAG；Multimodal Memory；Image／Video／Audio Editing；Character／Scene／Temporal Consistency；Asset Reference；Content Credentials	多模態資訊如何進入 Context、Memory 與 Tool Loop？語音、GUI 與生成式介面如何處理延遲、打斷、驗證與一致性？
16	Model Routing、Inference 與 Production Deployment	Model Selection；Model Cascade；Fast／Reasoning Model Routing；Fallback；Open vs Closed；Cloud vs Local；On-device；Quantization；Distillation；KV Cache；PagedAttention；Prefix／Semantic Cache；Continuous／Dynamic Batching；Chunked Prefill；Prefill／Decode Separation；Disaggregated Serving；KV-aware Routing；Speculative Decoding；Parallel Decoding；Tensor／Pipeline／Expert Parallelism；Multi-LoRA Serving；Autoscaling；Admission Control；Rate Limiting；SLO／SLA；TTFT；ITL；Tail Latency；Throughput；Cost；Energy；Data Residency	應以每 Token、每 Run 還是每次成功任務計算成本？如何在品質、TTFT、尾端延遲、吞吐量與能源間取捨？
17	Learning 與 Self-improvement Loop	Trace-to-Eval；Human Feedback；Model Feedback；Failure Clustering；Prompt Optimization；Tool Optimization；Skill Acquisition；Skill Evolution；Memory Consolidation；Synthetic Data；Harness Update；Continual Learning；Experience Replay；Data Flywheel；Rollback	系統如何從真實失敗持續改善？哪些更新能自動化？如何避免自我改善造成 Regression、安全漂移或錯誤累積？
18	AI Product 與 Human-Agent Interaction	Autonomy Level；Trust Calibration；User Control；Progress Reporting；Explainability；Evidence Display；Approval UX；Undo／Rollback；Delegation；Notification；Proactive Agent；Personalization；Accessibility；User-controlled Memory；Cross-device Context；Human Override	使用者如何知道 Agent 正在做什麼？如何設定適當自主程度？何時通知、詢問、靜默執行或轉人工？
19	Data、Post-training 與 Reward Engineering	Data Curation；Deduplication；Filtering；Data Contamination；Data Provenance；Synthetic Data；Preference Data；Trajectory Data；SFT；DPO／IPO／KTO／ORPO；RLHF；RLAIF；RLVR；RFT；Reward Model；Process Reward Model；Outcome Reward Model；Graders；Verifiers；Curriculum Learning；Self-play；Distillation；Differential Privacy；Reward Hacking	模型能力提升究竟來自更多資料、更好的資料、更好的 Reward，還是更好的驗證器？如何避免 Reward Hacking、資料污染與訓練後退化？
20	World Models、Simulation 與 Embodied AI	Action-conditioned World Model；Interactive Environment Generation；Environment Dynamics；Spatial Intelligence；3D／4D Scene Understanding；VLA；Robot Foundation Model；Task Planning；Motion Planning；Sim-to-Real；Digital Twin；Synthetic Environment；Synthetic Trajectory；Multi-robot Collaboration；Embodied Safety	AI 如何預測環境在動作後的變化？模擬環境能否取代部分真實資料？數位 Agent 與實體 Agent 的驗證和安全機制有何不同？
21	Agent Identity、Delegation 與 Agentic Commerce	Agent Identity；Agent Card；Capability Credential；Delegated Authorization；Typed Mandate；Intent Mandate；Cart Mandate；Scoped Token；Consent；Transaction Limit；Non-repudiation；Wallet；Payment；Checkout；Refund；Chargeback；UCP；AP2；ACP；Transaction Audit	如何證明 Agent 代表誰行動？誰授權交易？權限、金額、商品與期限如何限制？交易出錯時如何撤銷、退款與稽核？

四位實習生分工

依難度、領域完整性與交付量平衡

實習生 A

Model, Data & Reasoning Engineer

負責模組 0、1、7、17、19

研究範圍: 模型、Prompt、Post-training、Reward、推理、規劃、自我改善
核心問題: 模型如何被訓練、引導、推理，並從資料、Reward 與執行結果持續改善？

主要交付

Foundation Model、Post-training、Reward 與 Prompt Engineering 技術地圖
Reasoning／Planning／Verifier 方法比較與可重現實驗
資料品質、Reward Hacking、Regression 與 Self-improvement 分析
至少一個模型、推理或 Post-training Benchmark

實習生 B

Context, Knowledge & Experience Engineer

負責模組 2、4、5、6、18

研究範圍: Context、任務理解、RAG、Knowledge、Memory、Human-Agent Interaction
核心問題: 如何讓模型在每一步取得正確、最新、可信且最小必要的 Context，並維持適當的人機互動？

主要交付

Context Engineering、Task Understanding 與 Dialogue Control 架構
RAG、GraphRAG、Temporal RAG、SQL、全文搜尋選型比較
Memory Lifecycle、更新、遺忘、同意與資料治理設計
Retrieval、Grounding、Memory 與 Human-Agent UX Demo／Eval

實習生 C

Agent Architecture, Protocol & Interaction Engineer

負責模組 8、9、10、11、15、21

研究範圍: Tools、Skills、Control Loop、Agent Architecture、Protocols、多模態、交易與委派
核心問題: Agent 如何使用工具、與其他 Agent 協作、處理身份與授權，並與使用者及真實環境互動？

主要交付

Tool、Skill、MCP、A2A、CLI、REST、AG-UI／A2UI 分層比較
Single／Multi-Agent、Orchestration 與 Control Loop 實驗
Agent Identity、Delegation、Transaction Authorization 與 Audit 設計
至少一個 Tool-using、Multimodal、Agent-to-Agent 或 Commerce Demo

實習生 D

Agent Runtime, Reliability & Physical AI Engineer

負責模組 3、12、13、14、16、20

研究範圍: Harness、Long-running Runtime、Evals、安全、Inference、正式部署、World Models、Physical AI
核心問題: 如何讓 Agent 從 Prototype 變成可長期執行、可監控、可恢復、安全且能連接數位或實體環境的正式系統？

主要交付

Harness、Runtime、Checkpoint、Durable Execution 與 Recovery 架構
Agent Eval、Observability、Failure Taxonomy 與 Production Trace Replay
Prompt Injection、權限、Sandbox、Runtime Monitor、Approval 與 Incident Response
Inference Serving、World Model／Simulation 或 Physical AI Benchmark