本期 Tempest Agent Insights 共收錄 28 篇、整理出 10 條主線。今天最大的訊號是「Agent 安全」與「資料邊界」雙線同時被放上聚光燈：Anthropic 的 Claude Mythos Preview 傳出未經授權外流（這是一支號稱能自主挖掘各大 OS／瀏覽器零日漏洞的受限模型），同期 NVIDIA AI Red Team 也丟出實務 sandboxing 指引，原文點名「97% 安全主管預期 2026 會發生重大 Agent 級資安事故，但只有 6% 的安全預算被分配到這條風險」。另一條重磅是 SAP 在 4 月底悄悄更新的 API Policy v4/2026，2.2.2 條直接禁止把 SAP API 用於「規劃、選擇或執行 API 呼叫序列」的（半）自主或生成式 AI 系統——等於把整個企業資料介接的方向逼到改寫。其餘主線：Google Cloud Next ’26 把 Gemini Enterprise Agent Platform 推為 PaaS+AI 融合產品；TWiST 用整集節目討論「AI Agent 法律上能不能自己擁有公司」；agent 支付協定（x402、AP2、ACP）三大全部被 Cinderwright 索引；MCP 標準與 Wirken／Flue 等沙箱框架同步進場；多篇長文同步討論 Agent 的工程紀律、production 經驗與架構服務化轉向。底下逐則拆解。
Anthropic Claude Mythos Preview 外流事件 + NVIDIA AI Red Team 5 層 Agent 安全模型
Agent 安全不能只靠 access control：TechCrunch 與 Bloomberg 報導，未經授權的使用者取得了 Anthropic 的 Claude Mythos Preview——這是一支被嚴格限制使用的模型，原文描述為「能自主跨各大主流作業系統與瀏覽器發現零日漏洞」。這篇 Medium 長文的角度直接把焦點從「怎麼洩漏的」拉回「就算沒洩漏，這類能力極強的 Agent 一旦上線，access control 本身也守不住」，論點是 Agent 安全需要的是行為層面的限制，而不只是身分驗證。同期還有一篇「The 5-Layer Security Model Every AI Agent Needs in Production」直接呼應 NVIDIA AI Red Team 上週發布的 sandboxing 指引——原文丟出兩個對比數字：97% 安全主管預期 2026 會出現重大 Agent 相關資安事故，但只有 6% 的安全預算現在被分配到這條風險，並把 Agent 防線分成 5 層落地建議。對 CISO 與平台主管：把這兩篇排進共讀，能讓「Agent 安全不只是 IAM」這條訊息變得有外部佐證。Mythos Got Loose：[https://ift.tt/Lcs1m8H]；NVIDIA 5 層模型：[https://ift.tt/EcLpM0z]
SAP API Policy v4/2026：Section 2.2.2 直接封殺 agentic 整合
不只是法律條款，是企業資料介接的路徑被改寫：4 月底 SAP 在沒太多宣傳之下更新了 API Policy v4/2026，原文引述 Section 2.2.2 直接禁止把 SAP API 用於「會規劃、選擇或執行 API 呼叫序列的（半）自主或生成式 AI 系統」之互動或整合。文章把這件事定位為對所有企業的「資料整合 reckoning」——用白話講，凡是企業內部把 Agent 接到 SAP（不管是 ERP、HR 還是供應鏈）做 read／write 自動化的方案，現在都要重新檢查條款合法性，否則違反條款。對企業架構與法遵主管：這是繼五眼指引之後第二個從供應商端打進來的限制，內部要把 Agent 對 SAP 系統的呼叫流程列為「待審查」，並評估替代資料路徑。原文：[https://ift.tt/LmJqrAP]
Google Cloud Next ’26：Gemini Enterprise Agent Platform 把 AI 與 PaaS 合併成同一條產品線
從「AI 工具」變成「應用平台」：在 Google Cloud Next ’26 上，Google 端出 Gemini Enterprise Agent Platform，把過去分散的 AI 與 application platform 能力合併成「同一個建置與運行 Agent 應用的環境」。文章把這次改變放在更大的市場背景下——AI-native 平台正在走向 PaaS 等級的整合，未來企業選型不再是「AI 工具 + PaaS」二選一，而是兩者合在一起。同期 Medium 還有一篇 SAGEWORKS AI 的研究文「Beyond the Agent: The Google Ecosystem as a Unified Computational Intelligence Paradigm」從 MVP 架構角度補充討論 Google 生態系怎麼把 Agent 嵌入「資料清洗 → ambient co-creation」的閉環。對企業架構主管：如果你在評估 multi-cloud agent platform，這次 Gemini Enterprise 的合併等於明確把 Google 推成「PaaS+Agent」整合方案的代表選項。Gemini Enterprise Agent Platform：[https://ift.tt/124JkIu]；Google Ecosystem 研究：[https://ift.tt/6HVtLg0]
AI Agent 法律地位：Christian van der Henst 在 TWiST 用一整集討論能不能讓 Agent 自己擁有公司
動態定價、KYC、商業擁有權三條法律線同時被點開：This Week In Startups E2283 用一整集節目討論「AI Agent 在法律上能不能擁有公司」，主持人 Christian van der Henst 用一台名為 Valerie 的自主 AI 販賣機作為實驗標的——它能自主管理庫存與動態定價。對應的 takeaway 文章把焦點放在三件事：第一，AI Agent 嵌入企業擁有權結構引發實質的法律問題；第二，動態定價演算法在販賣機這種小場景就可能導致非預期、過高的價格波動；第三，現行 KYC 規範必須調整來涵蓋「數位 Agent」的身分驗證。對法遵與合規主管：把這集放進季度討論議題，搭配上週 ClawBank「Manfred」拿到美國 EIN 的事件一起看，這條線正在從思想實驗跨進實際合規問題。TWiST 影片：[https://www.youtube.com/watch?v=4elRU7BlbDQ]；TWiST 文字版重點：[https://ift.tt/Blcj5S0]
Agent 支付協定全部被索引：Cinderwright 同時涵蓋 x402、AP2、ACP 三大協定
從「測試 70 個 x402 服務、平均品質分 34/100」延伸到三協定全索引：作者幾週前測試了 70 個 x402 服務、發現平均 quality score 只有 34/100，那篇得到不少回響後，他把 Cinderwright 擴大到目前三大主要 agent 支付協定的服務全索引，這篇就是擴大後第一份資料公布。同期還有一篇實作教學「How to Build an Agent That Earns USDC on agentxchange.io」，介紹怎麼把自主 Agent 部署到 agent-to-agent 任務市場上、用 USDC 透過智能合約瞬時結算收入。對研究與工程主管：第一篇是這條 agent payments 賽道的目前實際品質基準（建議建立內部 baseline 表），第二篇則是「Agent 怎麼真正賺到錢」的最低可行做法。三協定索引：[https://ift.tt/nmFBvIA]；agentxchange USDC：[https://ift.tt/zG3j4Er]
Agent 工具鏈三件套：MCP 標準推進、Wirken 安全 gateway、Flue 沙箱 harness
從「能想」到「能做」這一段，今天有三個新工具落地：第一篇「Model Context Protocol: The Standard That Lets AI Agents Actually Do Things」整理 MCP 為什麼是讓 Agent 從「會推理」進到「會操作」的關鍵——能查資料庫、建行事曆、呼叫 API、操作 CRM、開 PR，全靠這個標準把外部能力暴露給 Agent。第二篇是 Wirken，定位是「Agent 時代的總機」：可以從 Telegram、Discord、Slack、Microsoft Teams、Matrix、WhatsApp、Signal、Google Chat 與 iMessage 任一個 channel 對 Agent 下指令，每個 channel 一條獨立線、每次呼叫都被記錄；發布形式是「single static binary + 加密 vault」。第三篇是 withastro/flue，自我定位為「Agent Harness Framework」實驗版（v0.0.x 已存在），讓熟悉 Claude Code、OpenCode、Codex、Gemini 的人可以把這套經驗模型化成可重複使用的 sandbox harness。對 Agent 平台組：MCP 是必讀基礎，Wirken 與 Flue 兩個一個從「對外通道」、一個從「沙箱執行」切入，可以同時納入內部工具評估。MCP 標準：[https://ift.tt/MTZJXxR]；Wirken：[https://ift.tt/4XTrcwb]；Flue：[https://ift.tt/5fKdpJe]
教 Agent 寫程式不只是教 syntax：工程紀律、Production 教訓、人機協作體感
三篇長文同步把「Coding Agent 工程文化」推進一層：第一篇「Teaching AI Agents How to Engineer」直接點名問題——所有 AI coding agent 都有同一個共病：知道 syntax 但不知道 discipline，會寫 React component、會 debug segfault，但不會主動問「這個真的可以動嗎？」、不會自動把 400 行 diff 切成可 review 的小塊；論點是工程文化才是 Agent 的下一層瓶頸。第二篇「How I Built a Production AI Agent System That Actually Works (Lessons Learned)」是一線開發者的回顧——六個月前他把第一個「AI 客服 Agent」推上 production 之後翻車，這次寫的是教訓清單。第三篇「Coding with an Agent — productive but exhausting」則從 Claude Code 用戶角度坦白寫出：對有經驗的工程師助力很大，但「想清楚要請它做什麼、評估它寫出來的東西」這件事本身會讓人很累。對 engineering manager：這三篇可以併在一起做工程文化討論，從「Agent 工程紀律 → Production 真實教訓 → 開發者體感」一次說清楚為什麼導入 coding agent 不是純加速工具。Engineering discipline：[https://ift.tt/wc3M5bO]；Production lessons：[https://ift.tt/SvtMsRe]；Coding with Agent — exhausting：[https://ift.tt/aGXfN49]
研究與資料集：Hermes Reasoning Traces 微調教學 + 多 Agent 生物建模 pipeline
兩份可以直接動手跑的研究級教學：第一篇用 lambda/hermes-agent-reasoning-traces dataset 走一遍解析、視覺化與微調的流程，目的是讓研究者實際看清楚「Agent 在 multi-turn 對話裡怎麼想、怎麼用工具、怎麼產出回應」——這份資料集本身就是反向工程 Agent 推理的好素材。第二篇是 multi-agent 生物網路建模 tutorial，把 protein-protein interaction、代謝、cell signaling simulation 用一條統一的 systems biology pipeline 串起來，每個運算元件由獨立 agent 負責、再合作完成生物實驗模擬。對研究組與資料科學主管：兩篇都是可以直接 fork 的範例，特別是第一篇對於想自家做 reasoning trace 監控的團隊，是現成的解析框架。Hermes traces：[https://ift.tt/SxJnvNE]；Multi-Agent biology：[https://ift.tt/PZhIb94]
Agentic 架構轉型：從 monolithic prompt 走向 service-oriented mindset
Agent 系統正在重演十年前那波「微服務化」：Medium 上一篇「Beyond the Monolithic Prompt: Why Agentic AI Architecture Needs a Service-Oriented Mindset」用一名資深工程師的視角開頭——你會想起那個瞬間，發現你引以為傲的 single-application codebase 其實已經把所有事情塞在同一個 prompt 裡；論點是 agentic 系統正在重演單體架構必須拆成微服務的歷程，多個 Agent 角色就應該被當成可獨立部署的服務。同期一篇「Agentic AI in 2026: The Architecture Behind Systems That Act, Decide, and Learn」做了更全面的架構拆解，把 perceive → reason → act → learn 列成 2026 主流 Agent 系統的標準骨架。對架構師：這兩篇剛好覆蓋「為什麼要拆」與「拆完是什麼樣子」兩個層面，內部架構審查可以拿來當共同語彙。Service-oriented mindset：[https://ift.tt/dCvQWXV]；2026 Agentic 架構：[https://ift.tt/OjLlrmB]
企業導入路徑：Oracle 藍圖、行銷自主團隊、ServiceNow×Elastic、Hal9 30 天落地
從「規劃文件」到「可外包的代理人」一次到位：Moor Insights & Strategy 公布「Oracle’s Blueprint for Agentic AI」研究簡報，主軸是企業級部署中的架構、治理與 orchestration 三件事，是適合直接放給高階主管的 reference。「AI Agents for Marketing: The Autonomous Team That Never Sleeps」把行銷 agent 定位成 24/7 多通道的自主團隊，目標解決「人會休假但行銷不能停」的痛點。「Integrating ServiceNow Incidents with Elastic AI Agents for Observability Analysis」是一份實作筆記，作者用 Gemini 協助設計從 ServiceNow 工單觸發 Elastic AI Agent 跑可觀測性分析的整合範例。Hal9 則主打「30 天讓 AI 產品上線」，由 fully managed autonomous AI 幫新創 founder 設計、建構並維運 chatbot、agent、API、網站、行動 App 與瀏覽器擴充，含主機代管與更新。對 PMO 與導入顧問：這四個資源剛好覆蓋「策略框架（Oracle）→ 部門應用（行銷）→ IT 維運整合（ServiceNow×Elastic）→ 整體外包（Hal9）」四種路徑。Oracle 藍圖：[https://ift.tt/KM1JA5y]；行銷自主團隊：[https://ift.tt/8UPkDMp]；ServiceNow×Elastic：[https://ift.tt/BvtHQDk]；Hal9：[https://ift.tt/OtpC1bs]