Grok4 登場！Baby Grok 也預告問世🌠
快訊：Gemini & ChatGPT得到奧林匹亞數學金牌、青少年把 AI 作為談心對象、Vibe Coding 工具 Kiro、研究助手 Jenni AI、情境工程
本期同樣提供 Podcast，如果你沒時間閱讀，可以邊聽邊吸收重點！
點上方播放鍵，收聽這期電子報，內容使用 NotekbookLM 語音生成。
Grok 4 號稱全球最智慧AI模型，核心亮點為原生工具使用、即時搜尋整合及多模態輸入 (涵蓋文字、圖片、語音)。它透過大規模強化學習，大幅提升推理與編碼能力。更強大的 Grok 4 Heavy 版本(一個月要300美金，是目前的 AI 價格天花板)採用多代理協作模式，在多項國際基準測試中表現卓越。其 API 具備 25.6 萬上下文視窗，語音模式更可即時分析影像。另外，馬斯克也在 X 宣布將推出兒童版 AI Grok，名為「Baby Grok」，重點將放在輔助兒童的學習，跟提供安全友善的聊天互動。
Gemini 2.5 Flash 的 Deep Think 深度思考模式與 OpenAI 最新大型語言模型，在2025年國際數學奧林匹亞（IMO）中，雙雙達到金牌標準，獲得滿分 42 分中的 35 分!這兩套 AI 展現出與全球前 10% 人類精英數學選手相當的複雜數學推理能力。Google 的升級版 Gemini 能直接用自然語言閱讀IMO題目並證明，其成績獲得官方認證，成為史上首個 IMO 金牌 AI。
OpenAI 的模型雖非專為數學設計，但強調通用推理，經獨立評審團評分也是達到金牌水準。儘管評測方式略有差異，兩大 AI 巨頭同時取得此成就，象徵 AI 在解決複雜非可驗證領域問題上的重大突破。未來將有望成為科學家的協作夥伴，協助解決更複雜的問題。
非營利組織 Common Sense Media 公布一項針對全美青少年的調查報告，發現近四分之三（72%）的青少年（13-17歲）曾使用 AI 聊天陪伴機器人，其中超過半數為常客。這邊的 AI 聊天陪伴機器人，可不是指任務導向 AI 如 ChatGPT 或 Claude；而是專門設計來陪伴使用者，可以深度對話的陪伴型聊天機器人，如 CHAI、Replika 或 Nomi 等。
青少年使用這些 AI 主要是出於娛樂、好奇心或尋求情感支持，甚至會跟 AI 討論嚴肅話題。然而，AI 聊天夥伴也帶來多重風險，怕會取代真實的人際連結，或是提供有害的建議、造成情緒依賴、隱私疑慮等潛在危險。因此 Common Sense Media 強烈建議 18 歲以下者不應使用 AI 伴侶。
小編也認同，青春期的少年少女應由專業且友善的輔導人員陪伴，引導他們走過慘綠時期的迷惘與不安，而不是貿然依賴仍具風險的 AI 工具。
Amazon 也參戰了!推出的 Kiro 是一款 AI 協助的開發工具，幫助工程師把靈感變成可實作的程式。主打要讓使用者進行「vibe coding」——靠直覺寫程式，Kiro 會幫你整理成清楚的需求、系統架構和任務，接著由 AI 協助實作。背後是 Claude 4 Sonnet 模型在運作，目前 Kiro 可免費試用喔。
Kiro 支援多種輸入方式，像是上傳 UI 設計圖或白板圖，也能自動生成文件、測試和優化程式碼。它有自動駕駛模式能幫忙處理大型任務，還能搭配 VS Code 使用。
Jenni AI 是一款幫助你讀文獻、寫論文的 AI 研究助理，目前有免費方案，全球已有超過 500 萬學術人士使用。它能自動補全句子、幫你寫作、改寫內容，還支援超過 1,700 種引用格式，幫你輕鬆管理參考文獻。
可以上傳 PDF，讓 AI 幫你摘要重點，甚至直接從資料生成內容。它也支援 30 種語言，能匯入 Zotero 和 Mendeley 資料，適合用在寫論文、文獻回顧或研究報告上。
過去，當我們與大型語言模型 (LLM) 互動時，最常聽到的是「Prompt Engineering (提示工程)」。提示工程的重點在於精心設計給 LLM 的文字指令，也就是您直接輸入給模型的簡短任務描述，希望透過巧妙的措辭來引導模型產生更好的回答。然而，隨著 AI 應用，特別是「AI 代理 (AI Agents)」的興起，單純的提示工程已經不足以應付複雜的任務。這兩週技術圈冒出了一個新名詞 - Context Engineering，直譯的話是情境工程或上下文工程。
科技專家 Andrej Karpathy (也就是創造出 Vibe Coding 這個詞的那位) 提出了一個很棒的比喻：「LLM 就像是一種新的作業系統，而它的『上下文視窗 (context window)』則像是電腦的『記憶體 (RAM)』，用來儲存模型處理過程所需的『工作記憶』」。但它的容量是有限的，Context Engineering 的目標是在正確的時機，以正確的格式提供正確的資訊和工具給 LLM，讓模型能夠順利完成任務。
例如你要建立一個很厲害的 AI 小助理 (AI agent)，在呼叫 LLM 之前，就要主動收集各種相關資訊：例如，你的日曆資訊、過去郵件內容、聯絡人清單。有了這些資訊，LLM 在收到行程邀約時，才能幫你生成像這樣的回覆：「嘿發哥！我明天行程排滿了，要不要改星期四早上？」。但是要注意，提供的資訊也不是越多越好，一方面模型的記憶空間很有限，二來塞入過多不相關的資訊，反而會讓 AI「迷失方向」，最終導致性能下降、成本飆升、回應延遲，這種現象稱為「上下文失敗」（Context Failures）。
具體來說，Context Engineering 要考慮的面向有：
系統指令（System Prompt）：每一支 AI 程式的「基本行為準則」，明定了 AI 應如何回應、遵守哪些規則。
外部知識（Retrieved Information）：針對非一般性的特定問題，要求 AI 從外部文件、資料庫、API或知識圖譜中檢索相關資訊再回答，也就是 RAG 技術的應用。
外部工具：提供工具的操作說明，讓 AI 學會善用各種工具，有能力完成更多任務。
記憶系統（Memory Systems）：有效儲存與使用者過去的互動、偏好或它學到的事實，讓 AI 能做到更「個性化」的服務。
動態狀態（State）：AI會根據當前您、世界或多AI代理系統的即時情境變化來調整行為。
使用者請求（User Prompt）：使用者對AI提出的問題或任務，也就是傳統提示工程的範疇。
以往跟 AI 互動只要善用提示詞就夠了，現在 AI 越來越厲害，要設計出好的應用，要考慮的面向也越來越多，想要讓 AI 無縫融入現在的工作流程和工作團隊，Context Engineering 就是不可或缺的必備技能。
