EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • OpenAI 重置 Codex 與 ChatGPT Work 使用額度,補償幾乎全球性的中斷

    OpenAI 重置 Codex 與 ChatGPT Work 使用額度,補償幾乎全球性的中斷。

    事件背景
    官方團隊表示,在 26 日凌晨 2 點至 4 點之間,系統遭遇了幾乎全球範圍的服務中斷。
    目前所有系統皆已修復並恢復正常運作。
    截圖當時 OpenAI 狀態頁顯示服務異常調查中(Investigating),受影響的服務包含 APIs、ChatGPT 與 Codex
    補償措施
    官方已為所有 Codex 與 ChatGPT Work 使用者重置了使用限制(usage limits)。

    原文:https://easyvibecoding.app/curated/2723-openai-resets-codex-chatgpt-work-usage-quotas

    1 min
  • Uncle Bob Martin 提出 Agent 撰寫測試觀點

    Uncle Bob Martin 提出 Agent 撰寫測試觀點。

    核心觀點與測試策略
    《Clean Code》(無瑕的程式碼)作者 Robert C. Martin(Uncle Bob)在社群上發文表示,AI Agent 撰寫程式碼的速度遠快於人類,這讓程式開發者擁有大量時間,可以用來指示 Agent 編寫單元測試、驗收測試、屬性測試、極限凌虐測試、突變測試、QA 測試,以及其他確保程式碼符合功能與品質要求的測試。他認為,即便花費這些時間進行嚴格測試,開發者的生產力仍會大幅超越人類程式開發者,且成果會更好。
    架構驗證與工具輔助
    針對 Marco Rotili 質疑此方法很難測試與驗證整體架構、容易讓整體大局變得一團糟的問題,Robert C. Martin 回應分享了自身的實作經驗:
    讓 Agent 做了一個小型相依性檢查工具;他用這個工具指定相依架構,再由 Agent 代為強制執行。
    讓 Agent 編寫一個小型架構檢視器,以 UML 視覺化呈現架構,允許使用者在模組之間逐層深入探討,並識別相依性循環。
    透過這些視覺化與確定性工具,觀察架構並直接指揮 Agent 進行適當修改。
    社群的反思與極端風險
    這番言論引來社群的補充與嘲諷:
    Gare Games Inc. 諷刺這就像是「用天氣模型去測試天氣模型」。
    NotAFinanceGuru(@TypicalBryan735)先說「理論上沒錯」,但指出現實中多數團隊只是利用這股額外的速度,將多出 10 倍且未經測試的垃圾程式碼(slop)推送到 main 分支,把單元測試全部留到「以後」再做。Robert C. Martin 回了一句「這是自殺」;NotAFinanceGuru 接著回「100%」,並補上:團隊的速度圖表看起來會非常完美,直到整個系統徹底崩潰。
    Rational_tilt 指出,即使有廣泛的確定性工具包圍,模型依然可能自行判定某些關鍵分支不需要處理(他遇到的是其中兩個分支),人類無法完全依賴 AI 來免除人工審查。
    嚴格監督與幻覺防範
    面對幻覺與審查難題,Robert C. Martin 強調人類必須像鷹一樣緊盯 Agent、隨時將其拉回原本的規則、定期清除 context、並用確定性工具包圍以阻斷幻覺。他直言,使用者絕對無法坐在飲水機旁等待 Agent 自動完成工作,這需要高度的警覺與持續參與——但他也說,只要保持警覺,就會有效。然而,Rational_tilt 隨即反駁,這種高壓監督模式是讓人精疲力竭的完美途徑,在多個 subagent 平行運作的真實情境下根本難以實行,Celso Pinto 則對此回應,這或許是該重新動腦思考,而不是期待別人幫忙給出所有答案的時候了。

    原文:https://easyvibecoding.app/curated/2728-uncle-bob-martin-on-agents-writing-tests

    4 min
  • Claude 5 模型的 context engineering 新規則

    Claude 5 模型的 context engineering 新規則

    我先前寫過關於如何以最佳方式為新一代的 Claude 5 模型寫 Prompt,並透過與它們反覆互動來摸索出你想建構的東西。
    但當你發送訊息給 Claude 時,Prompt 只是它取得的 context 的一小部分。你的大部分 context 是由系統 Prompt、skill、CLAUDE.md 檔案、記憶和其他來源組合而成。我們稱這為 context engineering,它會對你使用 Claude Code 或建構自己的 Agent 時所產生的結果產生巨大影響。
    與 Prompt 不同的是,context 通常會在許多請求中通用,因此無法那麼具體。特別是當你不知道使用者的 Prompt 會是什麼時,你要如何為 Claude 建構這些通用的 Prompt 與指引呢?
    隨著 Claude 自身的能力不斷演進,這可能會變得出奇地困難。最近我們注意到,我們為新一代 Claude 模型寫 Prompt 的方式有了巨大的跳躍。我們移除了 Claude Code 中針對像是 Claude Opus 5 和 Claude Fable 5 等模型超過 80% 的系統 Prompt,且在我們的程式碼評估中沒有發現任何可測量的效能損失。
    以下是我們針對這類新模型在寫 Prompt 上所學到的經驗,以及你該如何利用它來更新你的 context engineering。我們已經將這些最佳實踐放入 claude doctor 中,請在 Claude Code 中使用 /doctor 指令來調整你的 skill 和 CLAUDE.md 檔案的大小。
    解除 Claude 的束縛
    總體而言,我們發現自己過去對 Claude Code 的限制太多了,無論是透過我們的系統 Prompt,還是在我們的 CLAUDE.md 檔案和 skill 中。
    舉例來說,當我們閱讀內部使用 Claude Code 的對話紀錄時,我們會在單一請求中看到幾個互相衝突的訊息,像是系統 Prompt、skill 和使用者請求互相打架,例如「適當留下文件」或是「不要新增註解」。
    展開畫面重點圖片展示了一個標題為「the assembled context」的區塊,內含三個主要部分:
    「system prompt」:包含灰色橫條文字,並在橘色突顯框中標示「"leave documentation as appropriate" *」。
    「skills」:包含灰色橫條文字,並在橘色突顯框中標示「"do not add comments" *」。
    「your request」:包含灰色橫條文字,並在橘色突顯框中標示「"just make it work like the old one" *」。
    下方文字說明:「one context; Claude reads all of it, and has to reconcile it」
    最下方附註:「* Illustrative examples, not verbatim quotes from any real prompt, skill, or user request.」
    通常,Claude 可以解讀使用者的意圖來得到正確答案,但在決定要做什麼之前,Claude 必須更仔細地思考這些重疊且衝突的訊息。
    雖然這些限制曾經是為了避免最糟情況發生而需要的,但我們後來發現,我們可以刪除其中許多限制,讓模型改用周遭的 context 和判斷力來處理。
    此外,現在的 Claude Code 擁有了更多工具。過去 Claude 依賴 CLAUDE.md 作為記憶、資訊和指引的來源。現在我們有了記憶、artifact 和 skill,Claude 可以利用這些來建立在不同工作階段之間載入和分享 context 的新方式。
    過去與現在
    有許多先前的 context engineering 最佳實踐已經變成了迷思。其中包括:
    展開畫面重點這是一張列表對照圖,左側為刪除線樣式的舊概念,右側為對應的新概念,各項目由箭頭(→)連接:
    Give Claude Rules → Give Claude Judgement
    Give Claude Examples → Design Interfaces
    Put it all upfront → Use Progressive Disclosure
    Repeat Yourself → Simple Tool Descriptions
    Memory in Claude.MDs → Auto-memory
    Simple Specs → Rich References
    過去:給 Claude 規則
    現在:讓 Claude 發揮判斷力
    當我們剛推出 Claude Code 時,我們需要確保 Claude 能夠避開最糟的情況,例如刪除檔案。這意味著我們會給予特別強烈的指引,而這些指引可能不見得永遠正確。例如,我們過去在系統 Prompt 中會這樣說:
    在程式碼中:預設不寫任何註解。絕不要寫多段式 docstring 或多行註解區塊 — 最多一行短註解。除非使用者要求,否則不要建立規劃、決策或分析文件 — 請從對話 context 著手,而不是中介檔案。
    但對於特定的 Prompt 子集而言,這種指引可能是錯的。以文件為例,使用者可能會有自己的偏好,或者極度複雜程式碼的特定部分可能會需要多行註解區塊。
    儘管如此,如果對舊模型不加上這些安全防護網,Claude 寫出的註解在許多情況下會是錯的,而我們必須接受這個權衡。但較新的模型具備更好的判斷力,能夠在沒有明確規則的情況下妥善處理這些決定。
    在新的系統 Prompt 中我們說:編寫讀起來像周遭程式碼的程式碼:符合其註解密度、命名慣例和慣用語法。
    過去:給 Claude 範例
    現在:設計介面
    工具使用的第一條法則,就是給 Claude 如何使用它們的範例。但在我們最新的模型中,我們發現給予範例實際上反而會將它們侷限在特定的探索空間中。
    展開畫面重點圖片包含左右兩個區塊,用於對比「Before」與「TodoWrite」兩種做法的差異。
    左側區塊(Before):
    標題:「Before」
    字數標示:「≈9,100 characters」
    描述文字:「when-to-use lists, worked examples」
    內容:包含大量連續的長段落文字線條(呈現冗長、未結構化的 prompt 內容)。
    右側區塊(TodoWrite):
    標題:「TodoWrite」
    描述文字:"Create and update a task list for the current session..."
    內容:
    - 含有項目符號的簡短任務列表線條。
    - 狀態標籤:status:,包含三個選項按鈕 pending、in_progress、completed。
    - 底部提示說明:only one task in_progress at a time。
    與其使用範例,不如多思考你的工具、腳本和檔案的設計——Claude 擁有什麼參數?它們要如何才能更具表達力?
    舉例來說,在 Todo 工具的範例中,只要將狀態列為 pending、inprogress 和 completed 之間的列舉值,就是在暗示 Claude 該如何使用它。關於保持一個項目處於 inprogress 的指令,則有助於定義我們要求的行為。
    過去:把所有東西都放在最前面
    現在:使用漸進式揭露 (progressive disclosure)
    因為 Claude Code 專注於程式撰寫,我們的系統 Prompt 包含了如何進行程式碼審查與驗證的詳細資訊。這些並不總是必要的,但當需要它們時,這就是至關重要的資訊。
    自那之後,Claude Code 在使用漸進式揭露方面變得非常熟練——在正確的時間點載入正確的 context。舉例來說,我們將驗證和程式碼審查移到了它們自己的 skill 中,讓 Claude Code 可以選擇性地呼叫。
    但漸進式揭露不只適用於 skill,我們也將其用於工具。我們有些工具屬於「延遲載入 (deferred loading)」,這意味著 Agent 在使用它們之前,必須先透過 ToolSearch 搜尋它們的完整定義。這讓我們能夠擁有更多工具(例如我們的 Task 工具),在需要之前不會佔用 context。
    這同樣可以應用在你自己的 CLAUDE.md 和 Skill.md 檔案中。一個常見的迷思是,你會想把這些檔案變成你可能遇到的每一個已知實踐的中央儲存庫,因為 Claude 否則就找不到它們。相反地,請考慮建立一個可以在正確時間點被載入的檔案樹。
    過去:重複你自己
    現在:簡單的…

    11 min
  • Codex 推出的 Multi-Agent V2 工具讓 GPT-5.6 Sol 與 Terra 能透過自然方式分派任務、分享更新並在複雜任務中互相協作

    Codex 推出的 Multi-Agent V2 工具讓 GPT-5.6 Sol 與 Terra 能透過自然方式分派任務、分享更新並在複雜任務中互相協作。

    多代理人協作機制
    Ultra(GPT-5.6 Sol Ultra)將代理人協作設為預設,應保留給高風險的工作——也就是模糊性或脈絡分散足以正當化額外推理深度的場合。其他任務則可以透過短 prompt 或 skill,讓 Sol Medium 在幕後組織工作的同時,與使用者保持對話。只要給予適當的提示,Sol 就能將廣泛的需求轉化為具體的指派項目、帶入其他代理人,並判斷何時需要更深層的推理。
    根據工作匹配推理層級
    雖然可以讓 Sol 將任務分派給 Terra 等其他模型,但最簡單的設定是保持在同一個模型家族,僅調整推理努力程度(reasoning effort),並指派以下專屬角色:
    Scout — GPT-5.6 Sol Light。負責回答範圍狹窄的唯讀問題:定位檔案、追蹤程式碼路徑或尋找相關測試。
    Worker — GPT-5.6 Sol Medium。負責實作範圍明確的變更、執行檢查或處理支援性質的工作。
    Smart worker — GPT-5.6 Sol High。負責困難的實作、解決模糊性,或在有幫助時協調支援。
    這些角色可作為實用的預設值。Sol Light 即使不在探索上花費太多推理量,仍保有找出有用脈絡的判斷力。
    讓團隊自行協作
    協調者(coordinator)是主要的任務分派者:負責指派實質工作、避免重複調查,並追蹤每個代理人的進度。
    Scout 可以平行調查,而當責任明確時,Worker 也可以分擔實作。
    代理人還能透過帶有獨立收件匣的共用訊息系統直接互相傳遞訊息。
    當 Scout 發現 Worker 需要的資訊時,它可以識別出相依性並直接傳遞發現結果,不需等待協調者轉發。
    每個執行緒的並行處理數量可以設定,預設為 4 個代理人(包含協調者)。在該額度內,Smart worker 可以協調一個 Scout 和另一個 Worker,或者協調者可以派出三個 Scout 調查不同的問題。
    選擇代理人繼承的脈絡
    分岔對話歷史記錄(forking conversation history)有助於代理人理解更廣泛的目標與先前的決策。
    若設定 fork_turns: "none",則會賦予代理人一個全新且聚焦的指派任務。具備全新脈絡的代理人仍然能夠識別隊友何時需要資訊,並獨立與其聯繫。
    繼承父層脈絡的代理人也可能會看到其協調指令。當代理人應該保持為葉節點(leaf)時,可以給它一個簡短的邊界限制:「直接完成此指派任務。請勿產生其他代理人;你父層的分派指令僅適用於你的父層。」
    具備全新脈絡的代理人不會繼承特定任務的工具或安全邊界,因此必須將任何必要的限制直接納入其指派任務中。
    將模式捕捉至 skill 中
    實用的 skill 可以為協調者提供幾個常設指令:「在分派實質工作的同時,保持對使用者隨時可用。派出聚焦且唯讀的 Scout 平行處理,並設定 reasoningeffort: "low" 與 forkturns: "none"。例行實作使用 reasoningeffort: "medium",較難的問題則使用 reasoningeffort: "high"。賦予每個代理人明確的所有權,避免重疊指派,並告訴葉節點 Worker 不要再往下分派。將結果整合起來,並將核准權留在使用者手上。」
    實驗各種參數控制
    使用者可以從這些預設值開始,接著試驗推理努力程度、脈絡繼承、分派權限以及代理人的協作方式。目標是了解哪些設定能幫助團隊推動工作進展,同時又不會花費超出任務所需的推理成本。

    原文:https://easyvibecoding.app/curated/2720-codex-multi-agent-v2-lets-sol-terra-collaborate

    5 min
  • 黃仁勳在 X 發布首篇貼文力挺開放權重 AI

    黃仁勳在 X 發布首篇貼文力挺開放權重 AI。

    黃仁勳發文力挺開放權重模型
    NVIDIA 執行長黃仁勳(Jensen Huang)於 2026 年 7 月 24 日在 X 平台發出帳號上的第一篇貼文,表態支持 NVIDIA 簽署的開放權重 AI 聯合信件 Open Weights and American AI Leadership。他在貼文中強調,人工智慧將會重塑所有產業、驅動每間公司,並由每個國家自行建構。開放權重模型不僅能強化安全與網路安全、加速創新與擴散,更能讓國家的科技自主權成為可能,因此世界同時需要前沿的封閉模型與前沿的開放模型。
    〈Open Weights and American AI Leadership〉信件首頁的標題與開頭段落
    產業領袖與各界反應
    隨後多位科技界與輿論人物陸續回應:
    OpenAI 執行長 Sam Altman 回應,希望美國能在開源與專有模型兩方面皆取得勝利,並樂見這項發展。
    xAI 執行長 Elon Musk 發文表達全面支持,直言黃仁勳的看法完全正確。
    時事評論員胡錫進(@HuXijin_GT)則指出,OpenAI 與 Anthropic 拒絕將模型開源是集體錯誤,若美國政府封殺中國的開源模型 Kimi K3,將是錯上加錯,並希望美國能有更多人理解黃仁勳的觀點。
    探討開放權重(open weights)優勢、安全性與政策建議的信件段落
    NVIDIA 聯署信件核心論點
    該份由 NVIDIA 等 25 家機構聯署、並被黃仁勳引用的官方文件指出,美國正面臨與 1980 年代早期開源軟體運動相似的選擇,AI 領導地位將取決於是否能建立強大的開源生態系並擴散至各個產業。文件強調:
    開放權重擴大了 AI 經濟的近用性,讓新創、企業與公共機構能以合適的成本匹配對應模型,而不必每次都從頭訓練或支付前沿模型的昂貴費用。
    信件也承認開放權重帶有真實且獨特的風險:權重一旦釋出便脫離原開發者的控制,被改動過的版本也難以追蹤或還原;但主張正確的回應不是禁止開放權重。
    透明度能加強資安防禦,防禦者需要能接觸到具備同等能力的模型來偵測與回應新興威脅,避免過度依賴少數封閉模型所帶來的單點故障風險。
    政策制定者在形塑生態系時,應為新創與研究者擴大運算資源的取得,並避免過早限制開放模型而扼殺競爭或將創新推向海外;同時應區分合法的模型改進技術(如蒸餾)與非法的價值擷取行為。
    信件結語段落,以及 NVIDIA、Meta、Microsoft、a16z、Hugging Face 等聯署機構的標誌清單

    原文:https://easyvibecoding.app/curated/2718-jensen-huang-first-x-post-open-weight-ai

    3 min
  • ChatGPT Work agent 現在能用需要登入的網站:使用者先在雲端瀏覽器登入,再讓 Agent 接手後續任務

    ChatGPT Work agent 現在能用需要登入的網站:使用者先在雲端瀏覽器登入,再讓 Agent 接手後續任務。

    核心功能
    OpenAI 宣布 ChatGPT Work agent 現在支援瀏覽需要登入憑證的網站。
    根據影片展示與操作情境,使用者可透過內嵌的雲端瀏覽器手動完成初次登入與驗證。
    登入狀態會在不同的工作階段中持續保留,讓使用者無須重複登入。
    實際應用與運作
    在自動化查詢任務中,若遇到需要登入的目標網站(如訂位平台 Resy),Agent 會開啟雲端瀏覽器讓使用者介入驗證。
    使用者在 ChatGPT 內嵌的雲端瀏覽器手動登入訂位平台後,交由 Agent 接手查詢餐廳空位
    驗證完成後,Agent 可接管後續動作,例如瀏覽使用者在 Resy 的收藏清單(Hit List),並在對話面板中條列整理出目標時段的可用空位與訂位方案。

    使用者在 ChatGPT 內嵌的雲端瀏覽器手動登入訂位平台後,交由 Agent 接手查詢餐廳空位 影片中的 Prompt 與操作:

    Prompt(00:20): 太好了,你能幫忙處理嗎?我已經登入了

    原文:great, canyu [sic] you do it? I've logged in

    操作步驟: 1. (00:02)開啟 Cloud browser 互動 2. (00:08)在登入畫面輸入手機號碼並按下 Continue 3. (00:12)輸入手機簡訊驗證碼 4. (00:27)瀏覽器切換至收藏清單 (Lists) 5. (00:32)依序查詢清單中餐廳的訂位可用時段

    原文:https://easyvibecoding.app/curated/2722-chatgpt-work-agent-supports-login-required-sites

    2 min
  • Uncle Bob Martin 採取拒讀 AI 程式碼策略

    Uncle Bob Martin 採取拒讀 AI 程式碼策略。資深軟體工程師 Robert C. Martin(Uncle Bob)近日分享了他用 Agent 開發程式的獨特哲學,引發社群熱議。

    不讀程式碼的開發策略
    Robert C. Martin 表示,他現在採用「完全不閱讀 Agent 所寫程式碼」的策略,因為這是唯一能充分享受 Agent 生產力紅利的方式。
    為了對 Agent 產出的成果保有高度信心,他會用嚴格的約束條件將 Agent 層層包圍。
    這些約束條件包含單元測試、Gherkin 測試、QA 流程、品質指標、突變測試(mutation testing)以及測試覆蓋率等。
    正因為程式碼得跑完他所有約束與測試的重重考驗,他最後對產出的成果有極高的信心。
    至於「這些約束又是誰來寫的?」,他的答案是讓 Agent 自己寫出檢查約束的工具,而那些工具是確定性的。
    程式碼品質與架構約束
    針對社群質疑「既然透過測試確保產品品質,程式碼本身的品質是否還重要?」,Robert C. Martin 明確反對這種說法。
    他認為程式碼品質還是很重要,因為混亂的程式碼會拖慢 Agent 的執行速度,甚至讓 Agent 陷入自身的混亂中無法解決,最終仍需人工介入收拾殘局。
    為了讓 Agent 保持順暢運作,他對函式大小、循環複雜度(cyclomatic complexity)和測試覆蓋率設定了很嚴格的限制。
    他同時開源了用來協調多個 AI Agent 的工具 swarm-forge,這是一套基於 tmux 的輕量化平台,能透過專案本地的 swarmforge/swarmforge.conf 設定、角色 prompt 與分層憲章來組織工作樹(worktree),讓多個 Agent 協作開發而不會互相干擾。
    社群的反思與討論
    這項「不讀程式碼」的激進作法在社群中掀起正反兩極的討論。
    最初提出疑慮的 Ori Pomerantz 指出,如果必須為程式碼負起責任,從心理層面上會「需要」去理解它,否則會感到不安;不過他隔日補充,自己現在已有足夠信心不去讀 Claude 寫的程式碼,但仍會手動測試,並要求 Claude 補上自動化測試。
    另一位開發者 Prahlad Yeri 則認為這落入了「中文房間」的思維陷阱,若所有程式碼都由大型語言模型生成,人類只靠約束條件測試,是否還能算是真正的工程師。
    Ben Dickson 則提醒,Uncle Bob 是靠數十年經驗換來的直覺在設計這些約束;對新手來說,只要專案超出原型或玩票性質,先學會讀寫程式碼仍應該是使用 AI 工具的前提。
    對此,Robert C. Martin 強調:「我是工程師,因為我是負責任的那個人(I am the engineer because I am accountable)。」被問到敢不敢把這套作法用在航空、醫療設備這類攸關生死的程式碼上時,他的回答是「會」——只是應用越關鍵,就越需要投入心力驗證;某些情況下可能得做獨立的逐行逐字檢查,而這與程式碼是人類還是 AI 寫的無關。

    原文:https://easyvibecoding.app/curated/2721-uncle-bob-martin-refuses-to-read-ai-code

    4 min
  • Anthropic 發布 Claude Opus 5,價格與 Opus 4.8 相同,智慧接近價格兩倍的 Fable 5

    Anthropic 發布 Claude Opus 5,價格與 Opus 4.8 相同,智慧接近價格兩倍的 Fable 5。

    Anthropic 正式推出 Claude Opus 5:定價維持與前一代 Opus 4.8 相同(每百萬輸入 token 5 美元、每百萬輸出 token 25 美元),卻以 Fable 5 一半的價格提供接近其前沿水準的智慧。它預設啟用思考、強化了推理與 Agentic 程式開發,上下文視窗 1M token 既是預設也是上限(沒有更小的變體),單次最多輸出 128k token。
    Claude Opus 5 的標題畫面
    模型效能與基準表現
    在 Frontier-Bench、GDPval-AA 等程式開發與知識工作評測中創下全新的 state-of-the-art,且以較低成本達到前一代 Opus 4.8 超過兩倍的表現;官方同時註明,它在網路安全任務上仍落後 Mythos 5。
    Opus 5 在多項 AI 評測中表現優異,其中在 ARC-AGI-3 得分為 30.2%,遠高於第二名 GPT-5.6 Sol 的 7.8%;但在 DeepSWE v1.1 則由 GPT-5.6 Sol 以 72.7% 領先。
    在 Frontier-Bench v0.1 上,各個 effort 等級的成本與得分都壓過同級對手。
    Opus 5、Fable 5、Opus 4.8 與 GPT-5.6 Sol 在 Frontier-Bench v0.1 上依不同 effort level 的 agentic coding 成本與得分比較
    在 ARC-AGI-3 評測中,其分數達到次佳模型的三倍以上。
    Opus 5 (high) 在 ARC-AGI-3 評測的 Score (%) 顯著領先 GPT-5.6 Sol 與 Opus 4.8 (high)。
    在 CursorBench 3.2 的 max effort 下,表現與 Fable 5 的 peak score 相差不到 0.5%,但單一任務成本僅有一半。
    Opus 5、Fable 5、Opus 4.8 與 GPT-5.6 Sol 在 CursorBench 上依不同 effort level 的成本與分數表現比較
    在電腦操作評測 OSWorld 2.0 上,以約三分之一的成本超越 Fable 5 的最佳成績。
    Opus 5、Fable 5、Opus 4.8 與 GPT-5.6 Sol 在 OSWorld 2.0 評測中不同 effort level 下的任務成本與分數比較。
    在 Zapier 的 AutomationBench 上,相同單任務成本下的通過率約為次佳模型的 1.5 倍;即使在最低 effort 設定,通過的任務數也多於其他所有模型。
    Opus 5、Fable 5、Opus 4.8 與 GPT-5.6 Sol 在 AutomationBench 評測中各工作量設定下的任務成本與通過率比較
    在真實知識工作評測 GDPval-AA v2 與 Humanity's Last Exam 上,以相近或更低的單次成本換到更高的正確率。
    Opus 5、Fable 5、Opus 4.8 與 GPT-5.6 Sol 在 GDPval-AA v2 評測中於不同 effort level 下的 Elo score 與基準測試成本比較。
    Opus 5 在 Humanity's Last Exam (with tools) 評測中,Pass rate 整體高於 Opus 4.8;與 Fable 5 相比,前段點位不一定領先,後段多數點位較高。
    Opus 5、Fable 5、Opus 4.8 與 GPT-5.6 Sol 在 Artificial Analysis Coding Agent Index 的任務成本與指數得分比較。
    在生命科學評測中全面超越 Opus 4.8,例如有機化學內部評測高出 10.2 個百分點,蛋白質序列變異功能預測高出 7.7 個百分點,並能視覺化氣流流過空氣動力學物件的情況。
    官方公布的三個實例
    FreeCAD 任務中模型看不到圖面,於是自己寫了一條電腦視覺 pipeline 從原始像素抽出幾何,重建整個機械零件;相同設定下沒有其他競品模型能在五次嘗試內解出。
    面對一個開源套件管理器的真實 bug,Opus 5 找出根本原因,補掉社群 patch 漏掉的邊界情況;競品模型只修掉表面症狀就回報問題已解決。
    一家交易公司的工程師在單一 session 內建出新的交易所行情 feed;找不到 live feed 可對照時,Opus 5 自己建了一套測試 harness 驗證解析是否正確。
    核心架構與行為變更
    預設啟用思考功能(thinking),模型會自行決定每個回合的思考時機與深度,開發者可透過 effort 參數(支援 low、medium、high、xhigh、max)控制思考深度;在 Claude Code 與 Claude Platform 上預設為 high。
    在 xhigh 或 max 的 effort 等級下,設定 thinking: {"type": "disabled"} 會回傳 400 錯誤,這是一項重要的行為變更。官方也提醒關閉思考有已知瑕疵:模型偶爾會把工具呼叫寫進純文字回覆裡,而不產生結構化的 tool_use 區塊。
    支援 Fast mode,執行速度約為預設速度的 2.5 倍,定價為基礎價格的兩倍;此功能仍在研究預覽階段,目前只在 Claude Platform 與 Claude Code 提供,Amazon Bedrock、Google Cloud 與 Microsoft Foundry 尚未支援。
    最低可快取 prompt 長度降至 512 tokens,過往因過短而無法快取的 prompt 現在無需修改程式碼即可建立快取條目。
    行為方面,其預設回應與書面交付內容更長,在代理式對話中更常向使用者敘述進度,並會主動驗證自身工作——也因此官方建議刪掉沿用自舊模型的驗證指令,那些指令會造成過度驗證、白白消耗 token。
    API 與整合設定
    支援完整的 effort 階梯,執行高階運算時需設定較大的 maxtokens(例如 64000)以提供模型思考空間;要注意 maxtokens 是「思考+回覆文字」的總量硬上限:
    `bash cURL
    curl https://api.anthropic.com/v1/messages \
    -H "x-api-key: $ANTHROPICAPIKEY" \
    -H "anthropic-version: 2023-06-01" \
    -H "content-type: application/json" \
    -d '{
    "model": "claude-opus-5",
    "max_tokens": 64000,
    "stream": true,
    "output_config": {
    "effort": "max"
    },
    "messages": [
    {
    "role": "user",
    "content": "Explain why the sum of two even numbers is always even."
    }
    ]
    }'
    `
    新增對話中途工具變更(Mid-conversation tool changes)beta 功能,允許在對話回合之間新增或移除工具同時保留 prompt 快取,請求時須帶入 mid-conversation-tool-changes-2026-07-01 beta header。
    支援伺服器端預設 fallbacks 模式,依拒絕類別套用 Anthropic 建議的備用模型,須帶入 server-side-fallback-2026-07-01 beta header。
    遷移至新版本時,開發者需將程式碼中的模型 ID 更新為 claude-opus-5(詳見遷移指南)。
    誰能用、在哪裡能用
    所有付費方案與 Claude API 當日開放:在 Claude Max 上是新的預設模型,在 Claude Pro 上是最強的可選模型。
    三大雲平台同步供應,Amazon Bedrock 的模型 ID 為 anthropic.claude-opus-5,Google Cloud 與 Microsoft Foundry 亦可使用;Opus 4.8 在這些平台上仍然保留。
    Claude Code 需升級到 v2.1.219 以上才選得到 Opus 5(…

    10 min
  • Shouqiao Wang 使用 OpenAI GPT-5.6 Sol 解開數學懸賞難題

    Shouqiao Wang 使用 OpenAI GPT-5.6 Sol 解開數學懸賞難題。

    這項研究成果由數學背景出身的 Shouqiao Wang 發表,他在 5 天內嘗試了解決大約 13 道 Erdős 難題,最終成功突破 6 道,勝率約為 46%。他公開了包含 proof PDF、LaTeX 原始程式碼與 prompts 的 GitHub 專案庫(https://github.com/ShouqiaoW/erdos)。此次解開的 6 道具體難題編號分別為:
    Erdős problem 390
    Erdős problem 486
    Erdős problem 536
    Erdős problem 788
    Erdős problem 1002
    Erdős problem 1038
    問題選擇策略
    Shouqiao Wang 指出,成功的首要關鍵在於精準的「問題選擇」:
    專注於數學家們本來就高度關注、且像 Terence Tao 等學者積極討論的題目。
    利用 AI 預先過濾掉極度困難或緊密綁定重大未解猜想的題目,避免盲目耗費運算資源。
    提示詞與多 Agent 架構
    第二個核心在於結構化的 prompt 設計與多 Agent 協同:
    參考了 OpenAI 用來解決 Cycle Double Cover 猜想的 CDC 提示詞(cdcprompt.pdf)。
    提示詞精準定義了何謂「完整解法」、明確列出不符合條件的較弱結果、點出專屬陷阱與邊界情況。
    導入具有對抗性機制的獨立 Agent 架構,讓多個 Agent 相互挑戰每一個候選論證,並以多路徑搜尋同時維持多條互不相容的推導路線。
    模型選型與長期執行工作流
    在硬體與模型配置上,本次突破依賴了特定的技術組合:
    採用 GPT-5.6 Sol 搭配 Ultra 推理強度(reasoning effort),以維持長距離且嚴謹的數學搜尋。
    將設定好的 prompt 貼入 Codex 中作為目標並讓其自主運行,藉此保留完整的研究脈絡,並直接調用本機檔案而無需額外互動。
    執行過程需要耐心等待,單一問題的求解時間從大約 6 小時到長達 32 小時不等。
    研究迴圈與社群背景
    整個自動化推導過程形成了一個緊密的演化迴圈:
    實際運作迴圈包含:attempt → failure → diagnosis → new approach → proof draft → adversarial audit → repair。
    模型會主動放棄損壞的思路、攻擊自身的論證,並在找不到實質漏洞前持續強化證明。
    該專案獲得了 Paradigm 與 danrobinson 的贊助,同時 Shouqiao Wang 也特別感謝 DavideCrapis、Samuele Marro、Marcello、Shurui Liu、HantaoYu 與 Ciamac Moallemi 等人在早期構想與討論上的協助。

    原文:https://easyvibecoding.app/curated/2701-shouqiao-wang-solves-math-bounty-gpt-5-6-sol

    3 min
  • Anthropic 如何使用 Claude Code 進行大規模程式碼遷移

    Anthropic 如何使用 Claude Code 進行大規模程式碼遷移

    程式碼遷移(即將生產環境的程式碼庫移植到新語言的專案)在最近之前,都還是需要耗時數年的工程。
    但在過去一個月裡,Anthropic 的獨立開發者們僅使用 Claude Fable 5、Claude Opus 4.8 與動態工作流程,就遷移了 10 個包含數萬到數十萬行程式碼的程式庫。
    Bun 的共同創辦人兼 Anthropic 技術團隊成員 Jarred Sumner(@jarredsumner)使用 Claude Code 將 Bun 從 Zig 遷移到 Rust。在不到兩週的時間內,就產出了 100 萬行的程式碼,並且在合併前,CI 中 Bun 現有的測試套件通過率達到 100%。合併後浮現了 19 個回歸問題,且全都獲得修復。這個 Rust 版本已於 6 月份在 Claude Code 內部上線。
    Anthropic Labs 共同負責人 Mike Krieger(@mikeyk)在一個週末內,將一個 Python 程式碼庫遷移成了 165,000 行的 TypeScript。這其中包含了數百個 Agent、八個階段檢查點(phase gates)、三輪對抗式審查,以及最後的差異比對(diff)檢查,用來比對每個指令的輸出與原版 Python 是否一致。
    Claude Code 的新功能徹底改變了這些長期擱置專案的成本效益計算。以下是我們現在採用的六步驟流程,這些經驗都是從上述遷移實踐中學到的。
    核心見解在於:你不用去修復程式碼,而是去修復產生程式碼的流程(迴圈)。
    ---
    為什麼以及何時該遷移語言
    團隊之所以發起遷移,是因為最初建構時的環境與當前專案的現狀有所落差。要么是過去已知的取捨變成了瓶頸、出現了更好的方法,要么是原本的生態系正在萎縮。
    舉例來說,Jarred 當初選擇 Zig 是因為它兼具 C 語言等級的效能與極致的簡潔性,非常適合身為獨行創辦人的他在「LLM 出現前,在奧克蘭一間狹窄的公寓裡花一年時間寫出 Bun」。這種簡潔性伴隨著已知的取捨,他曾在這裡寫下相關心得。
    Bun 的 CLI 每月下載量已超過 1,000 萬次,並在 Claude Code 內部被廣泛使用。
    就在上個季度,這些取捨還不足以構成凍結產品藍圖並投入資源進行數季專案的正當理由。你可能會維護兩套平行的程式碼庫數季甚至數年,而如果最終成果只有 90% 的相容度,帶給你的麻煩反而比剛開始時更大。
    現在,最壞的情況就是把這個分支刪掉重來。
    當然,仍然需要具備合理的商業價值。雖然百萬行等級的遷移不再需要耗費四年專案、價值 300 萬到 400 萬美元的工程資源,但執行起來仍然需要花費數萬到數十萬美元不等的成本。以 Bun 的遷移為例,它消耗了 59 億個未快取的輸入 token 和 6.9 億個輸出 token — 按照 API 定價大約是 165,000 美元。Mike 移植專案的主要部分則消耗了 2,700 萬個 token。
    展開畫面重點畫面為 GitHub 上的 Pull Request 頁面,標題為「Rewrite Bun in Rust #30412」。
    頂部顯示該 PR 已由 Jarred-Sumner 於 5 月 14 日合併 6755 個 commit,從 claude/phase-a-port 合併至 main。
    右上方顯示檔案變更統計:+1,009,257 -4,024。
    下方顯示 Commit 68a34bf 的詳細資訊,由 dylan-conway 於 5 月 13 日提交(已驗證),標題為:test: revert proc.exited change in spawn.test.ts, keep isDebug iteration count。
    程式碼差異對照(diff)檔案為 test/js/bun/spawn/spawn.test.ts,變更內容如下:
    刪除(紅色):
    // Wait for the child to exit before reading stdout. Using a real
    // signal (process exit) instead of a fixed timer keeps this
    // deterministic: it exercises "stdout is fully readable after the
    // child has exited" without depending on timing.
    await proc.exited;
    新增(綠色):
    await Bun.sleep(1);
    後續程式碼:
    const out = await proc.stdout.text();
    expect(out).not.toBe("");
    }
    然而,遷移的理由已不再需要生死攸關。只要有changelog 中累積了一年的記憶體錯誤修復,或是遇到某個長期的瓶頸,現在就足以成為發起遷移的理由。
    編譯步驟就是促成 Mike 專案的契機。他的團隊所維護的內部工具是以單一二進位檔(binary)的形式發佈給使用者。使用 Python 工具鏈來產生這個二進位檔,每個平台大約需要 8 分鐘,在每次發佈的建構矩陣(build matrix)中總共需要等待 30 分鐘。遷移之後,同樣的編譯現在大約只需要兩秒鐘,二進位檔的啟動速度快了 6 倍,團隊也因此能夠除役一套獨立的部署管道。
    ---
    為什麼 AI 改變了程式碼遷移的數學公式
    Fable 和 Opus 4.8 特別擅長透過子 Agent 來委派、指揮與驗證平行的工作串流,同時能找出通往既定目標的多條路徑。
    大型程式碼遷移之所以是這些先進模型的絕佳應用場景,原因在於:
    工作具備平行性。工作可以分散在數千個獨立單位(例如檔案和 crate)中同時執行,因此 Agent 可以同步工作,而不必互相等待。
    context 清晰且全面。舊程式碼是模型的絕佳規格說明書。
    具備內建的裁判。許多大型程式碼庫都包含測試套件,Agent 可以用來驗證它們的工作成果。
    佇列會自動產生。當編譯或測試執行失敗時,該失敗項目就會變成 Agent 下一個要修復的任務。
    它們需要一致性與邊界案例處理:審查者會引述每個發現背後的規則,因此違規事項會變成佇列項目,而不是默默存在的程式碼分歧。
    ---
    大規模程式碼遷移的六個步驟
    如需更多細節,你可以閱讀 Jarred 的部落格。
    先決條件
    在開始遷移專案之前,首要條件是建立一個強而有力的裁判機制,否則你將無法界定結束條件或衡量成功與否。
    要建立這個裁判機制:
    將現有的測試分類。使用 Claude 來識別哪些測試可以表達為外部呼叫,哪些則依賴無法移植的內部實作。
    為了可移植性而重寫。將面向外部的測試轉換為可以針對原始版本和移植版本同時執行的斷言(assertions)。使用對抗式 Agent 來驗證重寫後的測試沒有削弱斷言的嚴格性。
    驗證裁判機制。針對原始程式碼執行它,以確認能夠通過。然後針對故意破壞的程式碼執行它,以確認會失敗 — 一個抓不出破壞的裁判根本不能算是裁判。
    這基本上遵循了 Jarred 的方法論,並在每個階段進行審查與把關。Mike 採用了類似的整體結構與迴圈工作流程,但他以端到端的方式執行了整個遷移,根據結果修正規則與工作流程,然後再次執行 — 每次都丟棄輸出結果,直到第三次執行才採用。
    展開畫面重點- 標題列:One engineer, outside the loop (reads outputs, edits the loop, gates phases — "prompting Claude to edit the loop to fix things")
    顏色圖例:teal = does the work, coral = checks it, amber = shared documents
    Step 1 · create the map and the rules (output: trusted map + rules)
    - Rulebook authors: each decision once (teal)
    - Dependency mappers: order the work (teal)
    - Gap inventory: trace the control flow (teal)
    - Rule auditors: one mistake class each (coral)
    - Skeptic reviewers ×2: attack each entry (coral)
    - Joint audit: inventory +…

    17 min