EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • Herdr 發布 Shepherd Grok Bot template,協調 Codex、Cursor 與 Grok Build 執行 CLI coding-agent 工作

    Herdr 發布 Shepherd Grok Bot template,協調 Codex、Cursor 與 Grok Build 執行 CLI coding-agent 工作。

    核心功能 Herdr 在 2026 年 8 月 30 日宣布,已提供可直接使用的 Shepherd template。它把 Grok Bot 的協調能力接到 Herdr 所管理的 CLI coding agent,使用者可透過 Shepherd Grok Bot 頁面安裝,之後透過 Grok Bot 監看與協調不同的 coding-agent session。template 的定位不是讓 Grok Bot 親自完成所有程式開發,而是讓它把超出一般對話範圍的工作委派出去。

    可管理 Codex、Cursor、Grok Build 等 session;來源貼文另列出 Antigravity 等可能使用的 coding agent。 Herdr 負責維持與管理這些 Agent 所在的終端,Grok Bot 則負責協調、下達 prompt 與分派工作。 @theaaron 的說法認為,這種安排能讓 Grok Bot 的 rate limit 主要消耗在協調與 prompting,而非程式撰寫本身;但 Herdr 的公告只轉述這項經驗,沒有提供實測的 rate-limit 降幅,因此不能視為已驗證的效能保證。

    Shepherd 的運作方式 template 將 Shepherd 定義為「在 Herdr 中協調 Agent」的 Grok Bot。來源所述流程包括:

    若已安裝 Herdr,可執行 herdr -h 查看連結、輔助工具與文件,並以 herdr --skill 取得一般使用指南,再使用 CLI helpers。 若找不到 CLI,template 建議執行下列安裝指令;這是來源提供的高風險來源指令,會從網路下載並直接交給 shell 執行,使用前需由人工核對網址、內容與權限影響,不應視為可安心直接執行:

    `bash curl -fsSL https://herdr.dev/install.sh | sh `

    Agent 執行後,可使用 --wait 等待 session 進入 idle、done 或 blocked 狀態;template 要求不要把等待工作放到背景執行,除非使用者另有要求。 分割畫面前先執行 herdr pane layout。若 pane 太小,會影響 agent 或 pane read 的讀取,也不利於人類連回這台電腦查看,此時應改用 tab 或 workspace。

    Herdr 的基礎設計 官方網站把 Herdr 定位為 coding agent 執行所在的 runtime,而不是取代既有 Agent 的包裝層。它在筆電、桌機或租用的電腦上維持真實終端,讓工作在關閉上蓋或網路中斷時繼續執行,重新啟動後也能恢復 layout 與 session。官方頁面列出 33,630 個 GitHub stars、635,652 次累計安裝、885 個 community plugin,以及可直接偵測 21 個 agent CLI;支援 Claude Code、Codex、Cursor、OpenCode、Grok 等工具。

    安全與使用邊界 Shepherd 頁面明確標示,這個 AI Bot 由第三方使用者建立,不是 SpaceXAI 建立,且可能代表使用者採取行動。因此,安裝 template 後,使用者仍需審查它的 prompt、CLI 呼叫、檔案操作與權限範圍。尤其來源同時展示可長時間執行的多個 Agent 與遠端協調情境,便利性建立在讓 Agent 持續存取終端與工作環境之上,不應把「可自動協調」等同於「可無人監督地安全執行」。

    原文:https://easyvibecoding.app/curated/3197-herdr-shepherd-grok-bot-coordinates-codex-cursor-grok-build

    5 min
  • Project Based Learning 以按程式語言整理的實作專案,協助開發者從閱讀教學轉向親手打造可運作的軟體

    Project Based Learning 以按程式語言整理的實作專案,協助開發者從閱讀教學轉向親手打造可運作的軟體。

    GitHub Projects Community 在 2026 年 8 月 30 日分享這份外部目錄,涵蓋作業系統核心、遊戲模擬器等具挑戰性的主題。

    核心概念 這份 Project Based Learning repository 的重點不是再提供一批語法教學,而是把學習目標放在「從零完成一個真正的專案」。原文認為,開發者從理解語法到實際交付軟體之間存在落差,解法不是繼續累積理論,而是挑選略超出目前能力的題目,在除錯與卡關中建立完整理解。目錄依程式語言整理數百份教學,涵蓋 C#、C/C++、Python、JavaScript、Rust、Go、Ruby、Swift 等語言。

    內容範圍 C/C++ 區域的案例包括:

    撰寫 shell、文字編輯器與 CHIP-8 emulator。 實作 key-value store、FUSE filesystem、JIT compiler 與資料庫。 從零撰寫作業系統核心、interpreter、C compiler、ray tracer,以及 Tiny 3D graphics projects。 Python 區域在 README 中雖然顯示不完整,但原文指出其內容仍相當充實;其他語言也提供對應的實作路徑,例如 JavaScript 開發者可藉此理解 V8 的底層運作,Ruby 使用者則能嘗試打造遊戲模擬器。

    GitHub 專案的 Project Based Learning 儲存庫頁面,標題下方顯示 chat on gitter 與 Link rot sweep 狀態標籤,並說明這是一份按程式語言分類的實作教學清單。

    媒體畫面顯示,該專案列表的 star 數從 0 開始,約 0.23 秒時為 45.5K,之後顯示 201.3K、259.0K、279.7K,最後到 281.1K;畫面文字並標示其涵蓋超過 20 種語言。這些數字屬於畫面觀察,不是貼文另外正式公布的統計。

    學習方式 原文特別強調,這不是把連結堆在一起的書籤清單。每個連結都指向完整教學,許多主題還拆成多篇系列,提供從零開始到完成軟體的完整脈絡;而「from scratch」也刻意避免厚重框架掩蓋記憶體、演算法與架構等核心概念。作者直言,撰寫記憶體配置器並處理除錯問題,往往比重新閱讀指標章節更能深化理解,但 FUSE filesystem 或 JIT compiler 並非週末就能完成的小型專案。

    顯示 star 數從 0 逐步變化至 281.1K 的專案列表標題與貢獻者頭像

    實際使用 讀者可依下列方式開始:

    先開啟專案式學習目錄,按照自己熟悉的主要語言瀏覽目錄。 選擇一個感興趣、但又稍微令人畏懼的專案;C/C++ 初學者可從「Build an Interpreter」或「Write a Shell in C」開始,對圖形有興趣者則可嘗試 Tiny Renderer 系列。 若要追蹤進度或回饋內容,可 fork repository;若發現遺漏的優質教學,則依 CONTRIBUTING.md 提交貢獻。 預留幾個週末的專注時間。這份資源只是連結清單,不是需要安裝依賴的框架,主要前提是願意卡住、除錯並持續完成。

    維護與定位 文章頁面標示專案在 2026 年 8 月 28 日更新,並指出 repository 有 link-rot sweep action 來檢查失效 URL,也設有 Gitter 社群討論,且接受社群貢獻,因此清單可隨新教學出現而更新。不過,X 貼文本身只是將讀者導向外部策展目錄,沒有逐一說明各專案內容或維護狀態;分享帳號也自稱是「UNOFFICIAL」,雖然受到 GitHub 關注。整體而言,原文推薦對象是已累積幾個月經驗、厭倦只在理論中學習,並希望做出能真正展現軟體理解的開發者,而不是尋找 20 分鐘速成教學的人。

    原文:https://easyvibecoding.app/curated/3199-project-based-learning-build-working-software-by-language

    5 min
  • Claude Code 的臨時 +50% 每週額度提升將結束,9 月 14 日起改為永久 +25%,比目前少 17%

    Claude Code 的臨時 +50% 每週額度提升將結束,9 月 14 日起改為永久 +25%,比目前少 17%。

    額度怎麼變 ClaudeDevs 表示,目前的臨時 +50% 額度提升會維持到 9 月 14 日,之後改為比舊基準永久提高 25%。也就是從目前的 1.5 倍降為 1.25 倍;官方稱,相較今天會少 17%。不要把「永久 +25%」誤解成在目前額度上再增加 25%。詳情見 ClaudeDevs 公告。

    適用方案 這次調整涵蓋下列 Claude Code 方案:

    Pro Max Team seat-based Enterprise

    使用量怎麼計算 官方沒有公布所有使用者共用的固定 token 數。根據官方文件,實際用量會受到對話長度與複雜度、使用的功能、模型、推理強度與訂閱方案影響;不同方案的額度也不一樣。應以帳戶畫面顯示的方案額度為準,不要假設存在一套通用的絕對配額。詳細規則可參考 Claude 使用量與長度限制說明。

    重設時間 每週額度會在帳戶指定的固定時間重設。無論何時開始使用 Claude 或訂閱生效,重設日與時間都不會改變;每個週期會恢復完整的每週額度。使用者可前往 Settings > Usage 查看下一次重設時間,但目前公開資訊沒有揭露 9 月 14 日切換的確切時刻、時區,或個別帳戶可能存在的例外。相關規則見 Pro 方案說明。

    後續規劃 ClaudeDevs 預告,之後會讓使用者更容易掌握 Claude 用量並取得更多控制權,但目前沒有說明具體功能、適用範圍、推出方式或時間。在官方公布細節前,不能把這段預告當成已經上線的監控或配額控制功能。

    原文:https://easyvibecoding.app/curated/3194-claude-code-temporary-50-ends-permanent-25

    3 min
  • Uber agent software factory 請求量增 9.4 倍,單次 session 成本降 52%

    Uber agent software factory 請求量增 9.4 倍,單次 session 成本降 52%。

    規模與成效 Uber Engineering 的官方文章指出,超過 70% 的 pull requests 可歸因於本機或雲端 Agent;工程師已建立超過 3,600 個可重複使用的 skills,每日執行超過 30,000 次。2026 年 2 月至 8 月中旬,weekly active users 成長為 7 倍,requests 成長為 9.4 倍,但整體支出維持穩定。

    Uber agent software factory 自 2026 年 2 月至 8 月期間每週活躍使用者成長 7 倍、Agent requests 成長 9.4 倍,而整體 Cost 支出逐漸趨於穩定。

    成本控制機制 Uber 透過多項架構與排程策略控制 agent 成本:

    Uber 在固定模型條件下,每 1,000 次請求成本與每 session 成本均自高點顯著下降

    在不同 model 之間採用 managed routing,並預設 Medium reasoning。 約在 400,000 token 觸及 compaction,壓縮過長的 context。 依需求設定 prompt-cache TTL,降低重複處理成本。 將 MCP 形態的能力移到 CLI、tool-search 或 code-mode 介面後方。

    架構與執行環境分類圖,頂端橫列標示 Code Gen、Validate、Deploy、Observe、Maintain 與 SKILL CLOUD 等生命週期階段,下方分為 SPECIALIZED AGENTS、GENERAL AGENTS、SESSIONS W/ SKILLS 及 RAW SESSIONS 四大類,詳細列出 Minion、uReview、Agentic XP、Conan AI、Fawkes、Cortana 等 agent 與相關計費維度與執行環境圖示。

    因此,固定 model 每 1,000 次 requests 的成本較高峰下降約 34%,每個 session 的成本則較 2026 年 6 月高峰下降 52%。

    Uber 透過增加 Users 與 Sessions / User 以推動 adoption and engagement,同時縮減 agent trajectories 與 unit price(Price / Token),在週活躍使用者成長 7 倍與請求增長 9.4 倍下,實現每 session 成本下降 52% 並穩定整體支出。

    系統與衡量方式 Uber 也建立約 2,400 萬個節點、8,000 萬條邊的 context graph,串聯程式碼、負責人與組織知識。文章主張應以 session 與 workflow 衡量成本和產出,而不是只看 requests 數量;後者本身無法證明實際價值,也不能單獨解釋支出。

    五列三欄的評估指標表格,橫跨 Layer、Metrics 與 What it answers 三個欄位,詳細列出從 Portfolio、Unit economics, per tool、Model economics、Driver decomposition 到 Managed agent outcomes 各層級的成本與效能衡量指標及其解答的業務問題。

    四欄列結構的表格,左側為類別欄位(Price / Token、Tokens / Request、Requests / Turn、Visibility & Education),右側則羅列了相對應的技術規格與功能細節。

    Frontier Model C 在 uReview benchmark 以 F1 分數 0.50(單次 review 成本 $0.47)位於 Pareto frontier 最上端,領先其他 10 種模型與 harness 設定組合。

    在 MAIN THREAD 工作流程中 1-hour TTL 以 2.40x 的總成本較 5-minute TTL 便宜 39%;而在 SUBAGENT 工作流程中 5-minute TTL 以 1.65x 的總成本較 1-hour TTL 便宜 31%。

    Tool search + the CLI 模式在 context window 中僅佔用 near zero 的 token,顯著少於 Install each server 模式所消耗的 ~50-70,000 tokens。

    比較 MCP TOOL USE 與 CODE-MODE 兩種架構的序列圖顯示,前者每個步驟皆為 model turn 並在 3 到 7 個 turn 中消耗 903 至 1,431,594 tokens,後者則由 model 撰寫 script 讓 loop 在 model 外部執行,僅需 1 個 model turn 與約 400 tokens。

    Code-mode 在各項 Query 測試中每筆 Query 消耗的 token 均低於 LLM tool-use,可節省 55% 至 ~100% 的 token 數。

    架構圖說明 MCP GATEWAY 如何透過單一 shell 指令(aifx mcp call )在 context 內外連接多個 SaaS 伺服器與對應的工具數量,包含 Workspace suite 49 tools、Project tracker 46 tools、Messaging 34 tools、Issue tracker 28 tools 與 Design 16 tools。

    WITH THE GRAPH 在回答 Forge 車輛列表查詢問題時耗時 38 秒並獲得 30 / 30 滿分(CORRECT),優於 WITHOUT THE GRAPH 的 20 分 09 秒與 19 / 30 分(WRONG)。

    顯示工程師日常視角的命令列狀態介面圖,頂端標題為 WHAT AN ENGINEER SEES, ALL THE TIME,下方區塊列出主機與分支名稱、包含 46k token 與佔比 11%/400k 的 token 使用量進度條,並顯示 Sonnet 4.6 (1M) 模型、費用、session 狀態與相關網址。

    某軟體操作介面的 Overview 總覽頁面,頂部列出導覽標籤與各項指標計數,下方卡片顯示總花費 $4162.07、433 次 sessions、95% 快取命中率、快取未命中成本 $1097.82 及潛在節省 $1213.87,並提供日期範圍與專案篩選下拉選單。

    原文:https://easyvibecoding.app/curated/3186-uber-agent-software-factory-requests-cost-reduction

    6 min
  • Z.ai 釋出 GLM-5.3 開放權重,官方稱 Z.ai Code Bench 較 GLM-5.2 提升 50%

    Z.ai 釋出 GLM-5.3 開放權重,官方稱 Z.ai Code Bench 較 GLM-5.2 提升 50%。

    核心更新 Cyan 轉述 Z.ai 發布 GLM-5.3,模型沿用 GLM-5.2 的 base model,官方表示所有增益都來自 post-training。使用者可從官方 GLM-5.3 repository 取得模型配置、tokenizer 模板、safetensors 權重、使用說明與授權條款,並下載、修改及在本地使用。

    能力宣稱 repository 指出 GLM-5.3 強化複雜 coding 與長跨度任務,並列出以下 vendor benchmark claims:

    相較 GLM-5.2,Z.ai Code Bench 提升 50%。 在 Terminal Bench 3.0 與 Agents' Last Exam 達到 open-source state-of-the-art 結果。 CyberGym 的 vulnerability-discovery 結果達到 state-of-the-art;官方還稱 cyber 能力在 post-training 期間成長速度超出預期,且越接近 exploitation chain 後段,增益越大。

    限制與風險 上述 benchmark、state-of-the-art 與 50% improvement 都是 Z.ai 的 model-card claims,來源未提供測試流程、基準細節或獨立重現結果,因此不能直接視為已證實的普遍優勢。來源也未交代本地推論的硬體需求、效能或相容性;實際導入前,應核對授權條款、後訓練變更與 exploitation-chain 風險,並在隔離環境測試 Agentic 程式開發與 cyber workflow。

    原文:https://easyvibecoding.app/curated/3187-z-ai-releases-glm-5-3-open-weights-coding-performance

    3 min
  • Tibo 宣布 Codex 與 ChatGPT Work 所有付費使用者重置使用量,預期多用 10% 至 50%

    Tibo 宣布 Codex 與 ChatGPT Work 所有付費使用者重置使用量,預期多用 10% 至 50%。

    重置按鈕已於今天按下,慶祝活動則延至明天,但官方沒有說明此次重置影響哪些使用量週期或額度計數器。

    重置時間與範圍 這是 Tibo 在 2026 年 8 月 29 日發布的第一方公告,對象是 Codex 與 ChatGPT Work 的所有付費使用者。後續貼文表示,原定的慶祝活動改到明天,原因是重置按鈕今天已經按下;這只提供執行時間線,沒有新增 5 小時額度、每週額度或其他重置範圍的資訊。因此,使用者應以帳號畫面顯示的實際可用額度為準,不宜自行推定特定刷新週期。

    消耗異常與修復 Tibo 表示,團隊分析了數千份回報,逐項檢查造成使用量異常增加的細節,並稱下列問題都已修復:

    Compaction 會保留舊圖片,甚至再次觸發 compaction;修復後,重度使用圖片的使用者消耗量約下降 10%。 Background worker 可能繼承 Stop hooks,持續在背景執行;這影響少於 1% 的使用者,其中一個案例曾檢查是否能停止達 15,000 次。 設定 /goal 後,任務完成仍可能繼續執行,或重試已失效的工具;部分案例消耗了每週額度的 15% 至 70%。 部分 custom automations 的執行頻率高於使用者設定。 較小型的 model,例如 Luna,有時會選擇能力更強的 helper,或在使用者未明確要求時請求 /fast。 舊版 Computer History 可能反覆摘要重疊的活動,在部分情況下消耗每週使用量的五分之一。 Rolling task summaries 約增加 1% 的 token 使用量,已被停用。 MCP 工具結果可能被編碼兩次,工具指示也可能被截斷後再次載入。

    監測與可驗證性 除了修復既有回歸問題,團隊也加入 architectural regression alerts,用來及早偵測架構變更再次造成額外消耗;同時正在開發 usage-breakdown surface,讓使用者能更清楚查看額度流向,但目前沒有公布上線日期或介面細節。Tibo 提出的 10% 至 50% 額外使用量,以及各項問題的改善比例,都是第一方估計,公告未提供基準、樣本分組、測量方法或獨立驗證,且個別修復是否涵蓋所有工作流程仍缺乏外部確認。

    額度重置的判讀 OpenAI Help Center 另有說明 automatic reset 與 banked reset:前者會直接套用到公告涵蓋的限制,不能留到之後使用;後者是儲存在帳號中的一次性重置,必須由使用者自行套用,完整使用時可刷新五小時與每週 Codex 使用量視窗。不過,這份 banked reset 文件是獨立背景資料,不能據此推論本次公告包含可留存的重置,實際資格、涵蓋限制與時間仍由本次公告決定。

    使用者後續檢查 使用者可在按鈕已按下後,重新執行具代表性的 image-heavy、/goal、Computer History、custom automation 與 MCP 工作流程,記錄修復前後的消耗量,再與帳號顯示的額度比對。這些觀測較能驗證自身情境是否接近官方所稱的 10% 至 50% 改善,也能持續留意 architectural regression alerts 與未來推出的 usage-breakdown surface。

    原文:https://easyvibecoding.app/curated/3183-tibo-resets-codex-chatgpt-work-paid-user-usage

    5 min
  • OpenAI 擬於 2026 年 11 月 12 日終止 SpaceX 收購 Cursor 後的模型合約

    OpenAI 擬於 2026 年 11 月 12 日終止 SpaceX 收購 Cursor 後的模型合約。

    合約理由 OpenAI 於 2026 年 8 月 28 日通知 SpaceX,將依合約中的控制權變更條款,在可行的最晚時間取消合約。OpenAI 表示,基於其過去與 Elon Musk 旗下公司合作時出現違約的經驗,無法確信 SpaceX 會依照服務條款使用技術;面對即將推出的模型 Astra,OpenAI 也認為自己必須提高對安全與合規的責任。雙方合作接近四年,OpenAI 同時表示重視 Cursor 團隊、產品及開發者社群。

    時間與不確定性 OpenAI 提供最長的合約通知期,規劃約三個月的過渡期;在此期間,Cursor 仍可使用目前提供的 OpenAI models,但 Cursor 可能選擇更早停止存取。11 月 12 日目前只是提議的 transition date,最終 termination date 尚未由兩家公司確認。

    Cursor 回應 Michael Truell 表示,Cursor 對 OpenAI 公開計畫在三個月後阻止使用者存取 OpenAI models 感到遺憾。他指出,OpenAI models 約占 Cursor 使用者流量的 5%,但原文未提供這項比例的統計期間或計算方法;Cursor 正與 OpenAI 團隊協商,希望解決爭議。Cursor 也強調,自己是 OpenAI 最早期的使用者之一,長期將其平台視為中立基礎設施。

    替代使用方式 OpenAI 文件列出幾種在 Cursor 中延續 OpenAI models 的方式,但各方案是否適用於所有方案、地區或 Cursor 版本,來源並未說明:

    在 Cursor 的本機 Chat 與 Agent 功能使用自己的 OpenAI API key,請求按 OpenAI API 價格另行計費,與 Cursor 或 ChatGPT 訂閱分開。 使用 Codex IDE extension(需 ChatGPT 訂閱或 OpenAI API key),在 Cursor 內直接執行 Codex;它是獨立的 extension,不依賴 Cursor 自身的 model picker 是否仍提供 OpenAI models。 透過 Amazon Bedrock、Azure 或其他相容的 AI gateway provider,以外部帳號連接 OpenAI models。

    支援範圍 Bring your own key 不支援 Cursor Tab、Auto、Cloud 或 Background Agents、Automations、Cursor CLI,以及 Cursor 的 API 和 SDK。這些功能使用 Cursor 提供或路由的 models,不能改用使用者的 OpenAI API key 或 gateway credentials;因此,依賴這些功能的工作流程仍需另行查核。

    原文:https://easyvibecoding.app/curated/3182-openai-ends-spacex-cursor-model-contract

    4 min
  • fal 推出 H3 Max:3 秒生成 5 秒 768p 影片

    fal 推出 H3 Max:3 秒生成 5 秒 768p 影片。

    fal 宣稱 5 秒、768p 影片可在 3 秒內完成,但相關速度與偏好結果均來自 fal 自行評估。

    模型定位 H3 Max 保留 MiniMax H3 的核心能力,新增強化 prompt adherence 與視覺品質的 post-training data,並以較快速度與較低價格為產品定位。它並非 base MiniMax H3 的全面替代品;需要 2K 輸出、reference input 或 editing endpoint 的使用者,仍應選擇 base MiniMax H3。

    效能與評估 根據 fal 官方文章〈Introducing H3 Max by fal〉,H3 Max 的吞吐量成長為官方 MiniMax H3 endpoint 的約 35 倍,速度約為品質相近模型的 15 倍。fal 也比較了 12 個具名影片模型,評估整體品質、prompt understanding 與 aesthetics;不過研究由 fal 設計並執行,未提供完整的 12 模型結果表或 Confidence intervals,因此不能視為獨立驗證。

    最佳化方法 fal 表示,團隊會淘汰降低內部品質排名的最佳化方案;只有在偏好排名維持不變時,才採用 lower precision、較少 sampling steps 或 approximation。這反映 H3 Max 的重點不只是換模型,而是把 post-training 與 GB200 NVL72 serving 放在同一個 co-design loop 中,針對 768p 場景壓低延遲。

    部署考量 對實際導入者而言,應分開檢視解析度、reference 與 editing 需求,以及 fal 自行測得的速度和偏好表現;同時將 GB200 NVL72 的訓練與服務架構納入成本研究。上述 benchmark 屬供應商內部測量,尚未建立第三方重現結果,選型時不宜直接視為普遍效能保證。

    原文:https://easyvibecoding.app/curated/3167-fal-launches-h3-max-faster-cheaper-video-generation

    3 min
  • OpenAI 網路防禦公開信提出三項進展指標,呼籲建立集體防禦

    OpenAI 網路防禦公開信提出三項進展指標,呼籲建立集體防禦。

    OpenAI 發布集體網路防禦公開信,Greg Brockman 也在 X 轉載全文。公開信由超過 100 個組織連署,警告醫院、供水、網路基礎設施等關鍵服務仍受舊弱點、過度權限、弱驗證與設定錯誤影響,而 AI 支援的攻擊在未來幾個月可能變得更普遍。

    行動被分成四個角色:一般組織要修復高風險弱點,落實最小權限與縱深防禦;資安公司與技術夥伴要測試前沿攻擊能力、支援關鍵基礎設施並協調事件回應;政府要推動可採取行動的威脅情報與授權測試;前沿 AI 公司則要普及防禦 AI,並讓 Agent 身分可追蹤、能追究責任。

    公開信建議用三項數字追蹤進度:受保護的組織數、事件遏止時間,以及經驗證有效的修正措施。這是一份動員議程,不代表連署者已完成部署,也沒有給出共同量測協定、負責人或實作時程。

    原文:https://easyvibecoding.app/curated/3169-greg-brockman-openai-cyber-defense-action-protected

    2 min
  • ClaudeDevs 與 VercelDev 整合 Claude Managed Agents 與 Vercel Chat SDK,串接逾 15 個聊天通路

    ClaudeDevs 與 VercelDev 整合 Claude Managed Agents 與 Vercel Chat SDK,串接逾 15 個聊天通路。

    整合方式 官方 cookbook 與 quickstart 以瀏覽器研究分析師為範例:Vercel Chat SDK 負責聊天介面,Claude Managed Agents 則為每段對話建立一個持久 session,處理研究、token 串流與工具呼叫。相同 handler 可跨 Slack、Teams、Discord、WhatsApp 等 more than 15 個 adapter;VercelDev 的貼文則稱可連接 more than 30 個其他 app,兩者可能是不同統計範圍,不應直接合併。

    對話與狀態 伺服器不另存一份對話逐字稿,而是把 conversation ID 當作 Managed Agents session ID,從 session event log 重播歷史;狀態管理、內容壓縮與 prompt caching 也留在託管 session 中。示範畫面可看到使用者訊息、agent thinking、web_search 工具執行結果,以及透過 thread.post() 回傳的串流內容,顯示固態電池研究從搜尋到回覆的完整事件流程。

    示範透過 Chat SDK 連線 Claude Managed Agents 的快速入門介面、對話與後端事件串流

    部署與版本 quickstart 要求 Node 22.9 或更新版本,並需設定 Anthropic 驗證資訊;瀏覽器 demo 使用 Hono API 與 Vite 前端,設定採環境變數管理。官方文件提供分開的 setup 與 update-agent 流程,修改 agent 定義時會建立新版本,而不是複製出另一個 agent。

    安全限制 這份範例更適合作為整合藍圖,不代表可直接公開部署。demo 的 getUser 函式會信任所有 caller,正式對外發布前必須替換成真實 authentication;在此之前,部署說明要求預設 host 維持 loopback。另有 held streaming responses 造成的部署持續時間限制,但目前來源未提供特定供應商的數值門檻。

    示範透過 Chat SDK 連線 Claude Managed Agents 的快速入門介面、對話與後端事件串流 影片中的 Prompt 與操作:

    Prompt(00:03): 向我簡要介紹固態電池

    原文:Brief me on solid-state batteries

    操作步驟: 1. (00:03)使用者輸入並送出 prompt

    原文:https://easyvibecoding.app/curated/3164-claudedevs-verceldev-integrate-managed-agents-chat-sdk-15

    3 min