# 用語小辭典（Glossary）

> **繁體中文** | [简体中文](./glossary.zh-Hans.md) | [English](./glossary.en.md)

> 本路線圖會大量出現「LLM」、「RAG」、「MCP」、「agent」這類詞。讀到不懂的詞先在這裡查 30 秒，再回去讀 stage 內容。
>
> 每個詞**只給最小可用的解釋**（30-80 字 + 在哪一個 stage 講細的）——不是維基百科。

## 🌐 統一詞彙對照表（中英對照、跨 stage 一致）

本表是專案內**強制統一的命名約定**——所有 stage 用同一個中文理解名。如果你在 stage 內看到不一致，請報 issue。

| 英文術語 | 中文理解名 | 主要 stage |
|---|---|---|
| Prompt Engineering | Prompt 設計 | Stage 2 |
| Context Engineering | 上下文管理 | Stage 6 |
| Harness Engineering | Agent 執行系統設計 | Stage 7 |
| Tool Use | 工具使用 | Stage 3 |
| Function Calling | 函式 / 工具呼叫 | Stage 3 |
| Structured Output | 結構化輸出 | Stage 3 |
| Agent Loop | Agent 執行迴圈 | Stage 3 |
| Framework | 框架 | Stage 4 |
| Orchestration | 協調與編排 | Stage 4 / 7 |
| Handoff | 任務交接 | Stage 7 |
| Supervisor / Worker | 協調者 / 執行者 | Stage 7 |
| Runtime | 執行層 | Stage 7 |
| Scaffolding | 支撐架構 | Stage 7 |
| Observability | 觀測與紀錄 | Stage 7 |
| Telemetry | 運行紀錄 | Stage 7 |
| Eval | 效果評估 | Stage 7 |
| Evaluation Harness | 評估框架 | Stage 7 |
| Production | 可穩定使用 / 上線化 | Stage 7 |
| Production-grade | 可長期穩定使用的 | Stage 7 |
| Deployment | 部署 | Stage 7 |
| Cost Tracking | 成本追蹤 | Stage 7 |
| Latency | 延遲 / 等待時間 | Stage 7 |
| Vector DB | 向量資料庫 | Stage 6 |
| Retrieval | 檢索 | Stage 6 |
| Reranking | 重排序 | Stage 6 |
| Long Context | 長上下文 | Stage 6 |
| Fine-tuning | 模型微調 | Stage 6 |
| Agent Interfaces | Agent 操作介面 | Stage 8 |
| Code Sandbox | 隔離程式執行環境 | Stage 8 |
| Cold Start | 啟動延遲 | Stage 8 |
| Reward Hacking | 鑽評分漏洞 | Stage 7 / 8 |

→ 詳細定義請看下面各區塊。

---

## 1. 基本概念

### LLM（Large Language Model，大語言模型）

GPT、Claude、Gemini 這類「給文字、回文字」的模型。本身是純函式：input prompt → output text。它**不會自己上網、不會記住上次對話**——這些都要外接系統來做。

📍 詳細：[Stage 1](../stages/01-llm-basics.md)

### Token

LLM 看到的不是「字」，是 **token**（次字單位）。中文 1 個字 ≈ 1.5-2 token，英文 1 個 word ≈ 1.3 token。LLM 計費跟 context window 都以 token 計。「100 萬 token context」≈ 75 萬中文字。

📍 詳細：[Stage 1](../stages/01-llm-basics.md)

### Context Window（上下文視窗）

LLM 一次能「看」多少 token。**2026 frontier**：Claude Sonnet 4.6 / Opus 4.8 1M、GPT-5.5 ~400k、Gemini 3.1 Pro 2M。**不是越大越好**——超過某個長度後 LLM 會「在中間遺漏」（Lost in the Middle）。

### Prompt（提示詞）

你給 LLM 的輸入文字。**Prompt engineering** 就是設計這段輸入讓 LLM 給好答案。System prompt（角色設定）+ user prompt（這次的問題）是基本結構。

📍 詳細：[Stage 2](../stages/02-prompt-engineering.md)

### Few-shot / Zero-shot

- **Zero-shot**：直接問問題不給範例。
- **Few-shot**：給 2-5 個 input → output 的範例後再問。**Few-shot 通常顯著提升準確度**，特別是格式要求嚴的任務。

### Chain-of-Thought（CoT，思維鏈）

要 LLM「先想再答」——讓它輸出推理過程再給結論。**兩種形式**：

- **Few-shot CoT**（原始 paper、[Wei et al. 2022](https://arxiv.org/abs/2201.11903)）：在 prompt 裡放幾個含推理步驟的範例、LLM 模仿著想
- **Zero-shot CoT**（[Kojima et al. 2022](https://arxiv.org/abs/2205.11916)）：prompt 結尾加「Let's think step by step」就觸發 reasoning trace

**準確度通常會提升**、代價是 token 數變多。Few-shot 通常比 zero-shot 準。

---

## 2. Agent / 工具使用

### Agent（代理人）

以 LLM 為核心、能在**迴圈**中**感知狀態 → 做決策 → 採取行動 → 觀察結果**、重複到完成目標的系統。**核心三要素**：

- **LLM**（推理 / 規劃 / decide）
- **Actions**（做事的手段——不限於 function call。可以是寫程式碼執行（CodeAct）、操作瀏覽器（computer use）、查 KB（RAG retrieval）、call MCP server、純規劃分解任務等）
- **Loop**（心跳——agent 跟純 LLM Q&A 的根本差別）

差別在於：純 LLM = Q&A、agent = 三要素 + 持續迴圈直到目標達成或耗盡 budget。**ReAct 是其中一種 agent pattern、不是 agent 的定義**——CodeAct、computer-use、planning agent 都是 agent。

📍 詳細：[Stage 3](../stages/03-tool-use-and-hello-agent.md)

### Tool Use / Function Calling

讓 LLM 呼叫你定義好的 function（查 DB、算數學、開瀏覽器…）。LLM 回的不是文字而是 `{"function": "search", "args": {...}}`、你的程式去執行、把結果再丟回 LLM。

**兩個詞概念相同、API schema 不一樣**：
- **Anthropic「Tool Use」**：schema 用 `input_schema`（JSON Schema 直接放）
- **OpenAI / Ollama「Function Calling」**：包一層 `{"type": "function", "function": {...}}` 外層
- LLM 內部接收的 token 表達不同、寫 SDK 跨家時要記得對應好

📍 詳細：[Stage 3](../stages/03-tool-use-and-hello-agent.md)
📍 schema 怎麼寫好：[Function Schema 設計 cheatsheet](schema-design-cheatsheet.md)

### ReAct（Reasoning + Acting）

最經典的 agent pattern：**Thought（想）→ Action（叫工具）→ Observation（看結果）→ Thought ...** 一直 loop 到答得出來。多數 agent framework 內部都實作這個。

📍 詳細：[Stage 3](../stages/03-tool-use-and-hello-agent.md)

### Structured Output（結構化輸出）

要 LLM 輸出 **JSON / 其他固定 schema**，而不是自由文字。各家 LLM API 都有 `response_format` 或類似旗標支援。Agent 框架幾乎都靠這個跟 LLM 溝通。

### Agent Loop

「LLM → tool → 結果 → LLM」這個重複的循環。Loop 結束條件可能是：LLM 說「I'm done」、跑超過 N 步、超出 budget。

### Self-Refine（基本版反思 / 無記憶）

agent 自我評估上一回合輸出、改下一回合的 pattern——「Actor 出答案 → Critic 找問題 → Actor 看 feedback 再答」的 single-session loop。**不需要持久記憶層**，純粹是 reasoning loop 機制、是 ReAct 的 sibling pattern。production agent（Cursor / Cline / Claude Code）每天在跑這個變種。

代表 paper：[Self-Refine (Madaan 2023)](https://arxiv.org/abs/2303.17651)。**完整版 Reflexion**（含 episodic memory）見 3 Memory / Retrieval / RAG（不同層的東西）。

📍 詳細 + 路由：[Stage 3 反思](../stages/03-tool-use-and-hello-agent.md#-反思reflexion--self-refine-概念--路由)

---

## 3. Memory / Retrieval / RAG

### Memory（記憶）— 兩種正交分類軸

「memory」常被混為一談、其實有 **2 種正交分類軸**：

- **時效軸**：short-term（當前對話） vs long-term（跨 session 持久）
- **內容軸**（CoALA framework）：**Working**（暫存）/ **Episodic**（過去經歷）/ **Semantic**（事實知識）/ **Procedural**（怎麼做）

→ 兩軸不互斥：long-term memory 裡可以**同時**有 episodic（user 上次說了什麼）+ semantic（公司知識庫事實）+ procedural（用過的 tool sequence）。

📍 詳細：[Stage 6 Memory 是什麼 + 怎麼設計](../stages/06-memory-rag.md#-memory-是什麼--怎麼設計) + [Stage 6 CoALA framework](../stages/06-memory-rag.md#進階coala-framework--agent-memory-的-4-層-taxonomy)

### RAG（Retrieval-Augmented Generation）

兩階段架構模式：

1. **Ingest**（一次性 / 定期）：document → chunk → embed → 存進 vector store（建可檢索的 KB）
2. **Query**（每次 user 問問題）：question embed → semantic search（或 hybrid + BM25）→ top-K chunks → 塞進 prompt → LLM 答

**解決 LLM 不知道你私有 / 變動 / 過期資料**。Retrieval **不限於 dense embedding**——production 標配是 hybrid（dense + BM25）+ reranker。

📍 詳細：[Stage 6](../stages/06-memory-rag.md)
📍 paper：[Lewis et al. 2020](https://arxiv.org/abs/2005.11401)

### Reflexion（完整版反思 / 帶 episodic memory）

跟 Self-Refine（2 Agent）不同：Reflexion **需要持久 episodic memory store**——agent 跑完 trial 後**寫一段 reflection summary 進 memory**、下一次 trial 開始時 retrieve 進 prompt。**跨 trial 累積教訓**是 Reflexion 的本質（不是 single-session loop）。

放在 3 而非 2 Agent 因為它**本質是 memory pattern**——episodic memory store 是核心、不是 optional。

代表 paper：[Reflexion (Shinn 2023)](https://arxiv.org/abs/2303.11366)。

📍 詳細：[Stage 6 進階：帶持久記憶的 Reflexion 完整版](../stages/06-memory-rag.md#-進階帶持久記憶的-reflexion-完整版--track-b-選讀)

### Embedding（嵌入）

把文字 / 圖片轉成 N 維**向量**、讓「意思接近的東西距離近」。本路線圖預設指 **dense embedding**（稠密向量、sentence-transformers / OpenAI ada-002 等產生）；另有 **sparse embedding**（BM25 / SPLADE 等、用字面 token 比對）——production RAG 兩者並用做 hybrid search。

📍 詳細：[Stage 6](../stages/06-memory-rag.md)

### Vector DB（向量資料庫）

存 + 高效查 embedding 的儲存層。**主要查詢類型 = approximate nearest-neighbor (ANN)**——所以 Vector DB 存在的意義就是「ANN 比直接 cosine 全掃快幾百倍」。代表：Pinecone / Chroma / Qdrant / Weaviate / pgvector。

📍 詳細：[Stage 6](../stages/06-memory-rag.md)

### Semantic Search（語意搜尋）

用 embedding 比較「意思相似」而不是「字串完全相同」。「電動車怎麼充電」可以撈到「EV charging tutorial」。傳統關鍵字搜尋（BM25 等）做不到這個。

### Chunking（切塊）

把長文件切成適合 embedding 的小段（通常 200-1000 token）。**切法直接影響 RAG 品質**——切太碎丟脈絡、切太長相關度模糊。常見策略：固定大小、按段落、按結構（heading）。

### Hybrid Search（混合搜尋）

語意搜尋 + 關鍵字搜尋一起用，再 merge 排序。多半比單一方法準。上線部署 RAG 的標配。

### Reranking（重新排序）

第一輪 retrieval 撈 top-50，再用更貴但更準的模型（cross-encoder）重排成 top-5 給 LLM。Cohere Rerank、bge-reranker 等。

### Contextual Retrieval

Anthropic 2024 提的方法——chunk 加上「整份文件的脈絡摘要」一起 embed，避免「這 chunk 拿出來看不知道是哪份文件講的」問題。

📍 詳細：[Stage 6](../stages/06-memory-rag.md)

### Fine-tuning（模型微調）

拿你自己的資料**再訓練**模型、把知識或行為「燒進」權重裡（跟 RAG 不同——RAG 是 inference 時才把資料塞進 context、不改權重）。適合讓模型穩定學會某種**格式 / 風格 / 領域用語**；**不適合**拿來塞「最新事實」（那是 RAG 的活，fine-tune 進去的事實會過期又難更新）。多數 agent 場景**先試 prompt + RAG**，真的不夠才考慮 fine-tune。

📍 詳細：[Stage 6](../stages/06-memory-rag.md)

---

## 4. Multi-Agent

### Multi-Agent（多 agent）

多個 agent 互相協作完成一個任務。常見 pattern：

- **Supervisor + Worker**：一個 agent 規劃 / 分派、其他執行
- **Swarm（群集）**：平等的 agent 群，沒有固定 supervisor
- **Debate（辯論）**：多個 agent 各持立場、最後 consensus

📍 詳細：[Stage 7](../stages/07-multi-agent-production.md)

### Handoff

一個 agent 把任務交給另一個 agent。比直接 function call 多了「context 怎麼傳」、「失敗誰處理」的問題。

### A2A（Agent-to-Agent）Protocol

Google 推的 agent 之間溝通協定，類似 MCP 但用於 agent ↔ agent，不是 agent ↔ tool。

---

## 5. Claude Code 生態

### MCP（Model Context Protocol）

Anthropic 2024 推的開放協定、讓任何 LLM host（Claude Code、Cursor、自寫 agent）用同一套介面接外部 tool server。把它想成「**LLM 的 USB 接口**」。

**技術上標準化 3 種 primitives**：
- **Tools**：LLM 可呼叫的 function（read DB / search web / send email…）
- **Resources**：LLM 可讀取的資料（檔案內容、API response、DB rows…）
- **Prompts**：可複用的 prompt 模板（給 user 在 host 內 `/` 觸發）

**架構**：server / client 模式——tool server 跑在本機或遠端、LLM host 當 client 連接。Server 用 stdio / SSE / HTTP 三種 transport 之一暴露 primitives。

📍 詳細：[Stage 5.2](../stages/05-claude-code-ecosystem.md#52--mcpmodel-context-protocol-基礎)

### Skills / SKILL.md

Claude Code 的「行為包」。一個 Skill = 一個資料夾含 `SKILL.md`（描述「在什麼情境要做什麼、可呼叫哪些 tool」）+ 可選的 reference files / scripts。

**觸發機制**（很多人不知道、很關鍵）：Claude Code 每次處理你訊息**前**、會掃所有可用 skill 的 **frontmatter `description` 欄位**——匹配當下情境就把對應 SKILL.md 自動載入。**所以 description 寫得好不好直接決定 skill 會不會被觸發**。寫法：以「Use when ...」開頭最有效。

📍 詳細：[Stage 5.3](../stages/05-claude-code-ecosystem.md#53--skillsclaude-code-的行為層-claude-code-生態最關鍵的一層)

### Plugin / Marketplace

把多個 Skills + slash commands + hooks + MCP 設定打包成一個發布單位。**Marketplace** 就是 plugin 的目錄，社群可以 `claude plugin install` 安裝別人寫好的。

📍 詳細：[Stage 5.4](../stages/05-claude-code-ecosystem.md#54--plugins-與-marketplaces)

### Slash Command

Claude Code 內以 `/` 開頭的指令（`/help`、`/compact`、`/plan` 等）。可以自訂——把一段 prompt 存到 `.claude/commands/<name>.md` 就變成 `/name`。

### CLAUDE.md

放在 project root 的 markdown 檔，Claude Code 每次啟動都會讀。寫 project 級的規則 / 規範 / context（用什麼語言、coding style、別動哪些檔等）。

### Hooks

在 Claude Code 特定事件前後執行的 script。**官方支援 7 種事件類型**：

| Hook | 觸發時機 | 典型用途 |
|---|---|---|
| `PreToolUse` | 工具呼叫**前** | 攔截危險操作（rm -rf、destructive op）、改參數 |
| `PostToolUse` | 工具呼叫**後** | log 記錄、auto-format 寫完的檔 |
| `UserPromptSubmit` | user 訊息送出時 | 加 context（git status / 當前時間）|
| `Notification` | Claude Code 通知時 | 桌面 toast / Slack ping |
| `Stop` | session 結束時 | 自動 commit / 清理 |
| `PreCompact` | 自動 compact 前 | 把重要決定 promote 到 memory |
| `PostCompact` | compact 後 | 確認哪些 context 被壓縮 |

寫法：`.claude/settings.json` 加 `"hooks"` 區塊、指 script 路徑。

### Subagent（子 agent）

主 Claude Code session 之外，spawn 出來跑特定任務的 agent。有自己的 context window。例如「給我一個 code-reviewer subagent 看看 diff」。

寫法：在 `.claude/agents/<name>.md` 放 frontmatter + system prompt + tool whitelist。主 session 用 Task tool invoke（自動 parallel / sequential）。**跟 framework-based multi-agent 對照**：subagent 不需要裝 LangGraph / CrewAI 等 framework、直接寫 markdown 即可；但綁 Claude Code runtime。完整教學見 [Stage 5.5](../stages/05-claude-code-ecosystem.md#55--subagentsclaude-code-原生-multi-agent-機制-2025-新功能)；**15 個複製貼上即用的 dispatch recipe** → [`subagent-cookbook.md`](./subagent-cookbook.md)；**自己寫 / 組合 / debug 進階主題** → [`subagent-advanced.md`](./subagent-advanced.md)。

---

## 6. Production / Eval / Cost

### Eval（評估框架）

針對 agent 跑一組 test case，量化它的準確度 / latency / cost。**production agent 沒有 eval 等於沒有測試**。常見工具：promptfoo、LangSmith、langfuse evals。

📍 詳細：[Stage 7](../stages/07-multi-agent-production.md)

### Observability

把 agent 內部跑的每一步（哪個 LLM call、哪個 tool、什麼結果）都記下來。出 bug 時能 replay。常見：langfuse、Helicone、weave。

📍 詳細：[Stage 7](../stages/07-multi-agent-production.md)

### Prompt Caching

LLM 把 prompt 前綴 cache 起來，下次同前綴只算 cache hit 的便宜價（Anthropic 90% off、OpenAI 50% off）。Long context + 重複 query 的場景可以省很多錢。

### Streaming（串流輸出）

LLM 邊生邊回（一個 token 一個 token），不是等全部生完才丟整段回來。讀者體驗較好（像在打字）；技術上用 SSE 或 chunked transfer。**production 互動式應用幾乎都開**。代價：客戶端要能 handle partial response、ReAct 內 tool call 解析要等到 stream 結束。

### Batch API（批次 API）

把大量 LLM 請求打包送（不要求即時），24 小時內回。**Anthropic / OpenAI 通常打 5 折**。適合非互動場景：批次摘要、批次分類、eval 跑大量 test case、ETL pipeline。**互動式 chat 不能用**——延遲對使用者體驗來說太久。

### Token Cost / Inference Cost

每次 LLM 呼叫的成本 = input tokens × input price + output tokens × output price。Agent 跑 ReAct loop 的成本可以累積很快——大 codebase grep 一次可能花 10 萬 token。

### Guardrails

防 LLM 做壞事的規則層——擋掉 prompt injection、PII 外流、有害輸出等。NeMo Guardrails、Guardrails AI 等。

---

## 7. 用詞 / Buzzword

### CLI Agent

跑在終端機的 agent（Claude Code、Codex、Aider、Gemini CLI 等）。對比於跑在 IDE 內（Cursor、Continue）或 web 上（ChatGPT、Claude.ai）。

📍 詳細：[Track A A1](../tracks/cli/A1-cli-intro.md)、[`resources/cli-agents-guide.md`](cli-agents-guide.md)

### BYO API Key（Bring Your Own）

工具支援你自己提供 API key 而不是綁訂閱。Aider / OpenCode / goose 等 CLI 都是 BYO；Claude Code / Codex 預設是訂閱制。

### Local LLM / On-Device

模型跑在你自己機器上（Ollama、llama.cpp、MLX、LocalAI 等），資料不外傳。隱私 OK 但能力比 frontier 模型有差。

📍 詳細：[Stage 1](../stages/01-llm-basics.md)

### Quantization（量化）

把模型權重從 fp16 壓到 int8 / int4，省記憶體跟速度，代價是準確度小幅降低。Local LLM 用戶常碰到（Q4_K_M、Q8_0 等）。

### Hallucination（幻覺）

LLM 「自信地說錯」——把不存在的 API 編出來、把錯的數字當成事實寫。所有 production agent 都要防這個（用 RAG / structured output / eval / guardrails）。

### Frontier Model

當下最頂的模型（**2026-06**：Claude Fable 5（Mythos-class，定位在 Opus 之上、目前最高能力的廣泛可用 Claude 層級）；**2026-05**：GPT-5.5、Claude Opus 4.8（Opus-class 旗艦、亦為 Fable 5 的 safeguard fallback）、Gemini 3.1 Pro、DeepSeek-V4-Pro 等）。一般智慧任務用 frontier；簡單分類 / 翻譯用便宜的小模型省錢。

### Context Engineering

工程「**每次 LLM call 時、context window 裡裝什麼資訊**」的學科——動態把 RAG retrieve 結果、memory、tool definitions、對話 history 組裝成 LLM 看得到的 context。Karpathy 2025：「填進 window 的資訊**剛好對下一步有用**的精細藝術」。重點是 *what goes in the window*、不是「跨幾次 call」。**Prompt engineering 的下一層**——前者工程**字串**、後者工程**資訊**。

📍 詳細：[Stage 2 結尾](../stages/02-prompt-engineering.md) / [Stage 6](../stages/06-memory-rag.md) / [Stage 7](../stages/07-multi-agent-production.md)
📍 延伸：[`Meirtz/Awesome-Context-Engineering`](https://github.com/Meirtz/Awesome-Context-Engineering)

### Harness Engineering

工程「**模型外圍的執行與控制層**」——所有不是 model weights、也不是 prompt string 本身的工程元件：agent loop / tool registry / context manager / permissions / safety layer / memory layer / eval / observability / retry / circuit breaker 等。Simon Willison 2025：「**coding agent = LLM + harness**」、Addy Osmani：「harness = 所有不是 model 本身的程式碼」。[OpenAI 2026-02 也使用 "Harness Engineering" 這個說法](https://openai.com/index/harness-engineering)。Claude Code、Cursor、OpenCode 等 CLI agent 都是 harness。**framework 把 LLM 包成 agent、harness 把 agent 包成可上線使用的產品**。

對比：
- **Framework**（Stage 4）規範 **API**：你呼叫的介面長什麼樣
- **Harness**（本詞）規範 **runtime**：怎麼跑、怎麼 recovery、怎麼觀測

📍 **學科級概念**（**8 個核心元件** / prompt→context→harness 三層工程分工 / framework vs harness）：[Stage 7 Harness Engineering](../stages/07-multi-agent-production.md#-harness-engineering--production-agent-runtime-的工程設計--本-stage-核心概念)
📍 **Reference implementation case study**（讀 Claude Code source）：[Stage 5 5.6](../stages/05-claude-code-ecosystem.md#56--claude-code-source-解剖reference-harness-implementation-track-b-必看)
📍 延伸：[`anthropics/claude-agent-sdk-python`](https://github.com/anthropics/claude-agent-sdk-python)、[`ai-boost/awesome-harness-engineering`](https://github.com/ai-boost/awesome-harness-engineering)、[`ZhangHanDong/harness-engineering-from-cc-to-ai-coding`](https://github.com/ZhangHanDong/harness-engineering-from-cc-to-ai-coding)

---

## 8. Agent Interfaces

### Computer Use（螢幕級 agent）

Agent 透過 **screenshot → vision → 算座標 → 模擬鍵鼠** 操作真實桌面 app——不靠 API、直接像人類用螢幕。代表：Anthropic Claude Computer Use（Opus 4.8 / Sonnet 4.6）/ OpenAI Codex desktop / Google Gemini in Chrome。**2024-10 Anthropic 公開 beta 開啟、2026 OSWorld 達 76.26% superhuman**。

📍 完整解說 + 4 強對比：[Stage 8 Computer Use](../stages/08-agent-interfaces.md#-computer-use--螢幕級-agent)

### Browser Use（web 級 agent）

Agent 操作網頁、主要用 **DOM-aware navigation**（直接 query CSS selector）+ 必要時 vision fallback。代表閉源：Atlas / Comet / Dia / Gemini in Chrome。代表 OSS：[browser-use](https://github.com/browser-use/browser-use)（★ 95k+）。

📍 完整解說 + 5 強對比 + OSS 框架：[Stage 8 Browser Use](../stages/08-agent-interfaces.md#-browser-use--web-級-agent)

### Sandbox（程式碼隔離環境）

讓 agent 寫的 code 在隔離環境跑、不在 host 機器——避免 agent `rm -rf /` / 連 internet 泄資料 / 偷 credentials 等災難。代表：E2B（Firecracker microVM）/ Daytona（Container）/ Modal（GPU sandbox）/ Vercel / Cloudflare。**OpenAI Agents SDK 2026-04 內建支援這些 provider**。

📍 完整 9-row 術語小辭典（含 microVM / Container 差異）+ 7 強對比：[Stage 8 Code Sandbox](../stages/08-agent-interfaces.md#-code-execution-sandbox--隔離環境含術語小辭典)

### microVM（micro Virtual Machine）

VM 的精簡版、極小 footprint、啟動 < 100ms 但仍**獨立 kernel**——介於 Docker container（快 + 弱隔離）跟 full VM（慢 + 強隔離）之間。**Agent sandbox 多半選 microVM**。代表實作：[Firecracker](#firecracker)（AWS、E2B 用）。

📍 完整對比：[Stage 8 術語小辭典](../stages/08-agent-interfaces.md#-隔離技術術語小辭典)

### Firecracker

AWS 開源的 microVM、Rust 寫、**AWS Lambda 底層** + E2B sandbox 用它做 isolation。強隔離 + 快啟動兼顧。

📍 [Stage 8 術語小辭典](../stages/08-agent-interfaces.md#-隔離技術術語小辭典)

### gVisor

Google 寫的「用戶空間 kernel」、攔截 syscall 自己模擬、**不用 hypervisor**——介於 container 跟 VM。

📍 [Stage 8 術語小辭典](../stages/08-agent-interfaces.md#-隔離技術術語小辭典)

---

## 找不到的詞？

- 看 [Stage 5.2 — MCP](../stages/05-claude-code-ecosystem.md#52--mcpmodel-context-protocol-基礎) / [5.3 — Skills](../stages/05-claude-code-ecosystem.md#53--skillsclaude-code-的行為層-claude-code-生態最關鍵的一層) / [5.4 — Plugins](../stages/05-claude-code-ecosystem.md#54--plugins-與-marketplaces) 的內文
- 看 [Stage 1](../stages/01-llm-basics.md) / [Stage 6](../stages/06-memory-rag.md) / [Stage 7](../stages/07-multi-agent-production.md) / [Stage 8](../stages/08-agent-interfaces.md) 的延伸閱讀清單
- 找不到的詞 → 開 issue 或直接 PR 加進這份小辭典