AI Agent 設計：降級處理——多供應商 Fallback、限流重試與 Token 成本估算實作
在設計Agent系統時必須考慮降級處理，遇到服務終端、額度耗盡時必須能夠自動轉換服務商，這其中就包含了以下幾項要點
- 多供應商抽象
- Token / 成本估算
- Streaming
- 限流重試
- 多模型 fallback
分類 AI 下的文章
Ontology：「建立跨領域的共識語言（Shared Language）與邊界防禦（Boundaries）」
跨領域（Cross-Domain）的推動往往最先撞上傳統公司的組織阻力（Silo Mentality、利益衝突、指標（KPI）對立、話語權爭奪）。
利用 Ontology（本體論 / 數位雙生） 拿來解決「組織阻力」，本身就是極具戰略眼光的切入點。在資訊科學中，Ontology 用於數據建模；但在管理學與組織學上，Ontology 的核心本質是「建立跨領域的共識語言（Shared Language）與邊界防禦（Boundaries）」。
AI Agent 設計：Workflow 工作流編排——Cyclic Graph 循環圖與 Checkpoint 斷點續跑實作
這個章節我們要來討論如何用「有狀態的工作流圖」把多步 AI 任務組成穩定、可控、可恢復的流程，原因在於自由 Agent 靈活但難預測；所以固定流程用 Workflow，分支/循環/終止都顯式可控
Cyclic Graph（循環圖）
代表的是圖中至少存在一條路徑，沿著邊前進後，可以回到曾經經過的節點。
Stealing Reasoning Traces from Proprietary LLM APIs - LLM 加密推理狀態竊取分析：Security Context Binding 漏洞解析
論文：Stealing Reasoning Traces from Proprietary LLM APIs
整體評價：這是一篇技術邏輯合理、實驗證據也相當有說服力的 LLM 安全研究。
不過，這篇論文真正揭露的並不是「LLM Provider 使用的加密演算法被破解」，而是 Reasoning State 的可攜性（Portability）與 Security Context Binding 不足所造成的安全問題。
攻擊者並沒有破解 AES、偽造 MAC 或取得 Encryption Key，而是利用 Provider 自己的 Backend Infrastructure 解密 Reasoning，再誘導另一個較容易被操控的模型將其轉錄成明文。
從這個角度來看，它更接近一種 Replay + Capability Boundary Failure + Model-assisted Exfiltration。
AI Agent 架構設計：ReAct 迴圈、Memory 與任務規劃實作
在這個章節我們要繼續延續前一個已經完成的工具調用擴展，升級為「會自己決定跑幾輪」的 Agent，理解 Memory、規劃
其核心原則：Agent = 一個「Thought → Action → Observation」不斷循環、直到任務完成的迴圈
首先，Agent 的本質就是 ReAct 迴圈（Reasoning + Acting）：
