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。

- 閱讀剩餘部分 -

本章節要實作滑動視窗與摘要壓縮兩種記憶，並用事實問答量化「省 token vs 記得住」的取捨

一、滑動視窗記憶

實作只保留最近 N 輪的 SlidingWindowMemory，並驗證在 Context Window 中「忘掉久遠的事」

- 閱讀剩餘部分 -

一、大模型沒有記憶

由於 LLM 本質上是無狀態的（Stateless）。每一次 API 呼叫都是獨立的、全新的計算過程，模型內部不會保留任何「記住上一句話」的狀態。因此，兩次呼叫彼此獨立，第二次完全不知道第一次發生過的事情。於是乎就有了以下的做法。

Prompt 層模擬記憶

把「歷史聊天記錄」+「當前新問題」打包拼接，作為一個完整的 Prompt 一次性傳給模型，讓它在 單次推理中 看到全部上下文。

我們會把對話歷史塞進 context 中，如下：

- 閱讀剩餘部分 -

「將原始模型輸出轉化為結構化、可靠、可預測的行為」。 這是 prompt engineering 的工程定義。其中三個層次：

1. 策略：zero-shot / few-shot / Chain-of-Thought — 用什麼方式引導模型推理
2. 約束：JSON mode、schema、格式規範 — 讓輸出可被程式接住
3. 曡代：用標註資料集量化準確率，像調程式一樣調 prompt

Context Engineering（上下文工程）：重點不是單句 prompt，而是 「在有限 context window 裡，放對的範例、對的格式說明、對的歷史」。

- 閱讀剩餘部分 -

這篇延續上一個 CodeGraph 的深度解析數據庫

在上一篇文章CodeGraph 安裝與使用教學：整合 Claude Code、Cursor、Codex 的程式碼圖譜工具中資料如下：

(py3.10) D:\Git\mitagent>codegraph status                                                                                                                                                                                                                                   
CodeGraph Status                                                                                                                                                                                                                                                            
Project: D:\Git\mitagent                                                                                                                                                                                                                                                    
Index Statistics:                                                                                                                                                                                                                                                           
  Files:     25                                                                                                                                                                                                                                                             
  Nodes:     423                                                                                                                                                                                                                                                            
  Edges:     982                                                                                                                                                                                                                                                            
  DB Size:   1.26 MB                                                                                                                                                                                                                                                        
  Backend:   node:sqlite - built-in (full WAL)                                                                                                                                                                                                                              
  Journal:   wal                  

- 閱讀剩餘部分 -