EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • @JPoehnelt:Justin Poehnelt 因開發 Google Workspace CLI 遭 Google 解僱,該工具旨在為人類與 Agent 提供統一的 works…

    Justin Poehnelt 因開發 Google Workspace CLI 遭 Google 解僱,該工具旨在為人類與 Agent 提供統一的 workspace 互動介面。

    這是一張社群媒體貼文截圖,展示了關於 Google Workspace CLI 工具的發布與相關討論。
    事件背景與離職始末
    Justin Poehnelt 在 Google 任職近 7 年,於兩個月前因開發並發布「Google Workspace CLI」(gws)遭公司解僱。該工具在發布後迅速於 Hacker News 登上榜首,並在 GitHub 獲得數千顆星與大量使用者。Justin Poehnelt 指出,儘管該專案獲得了許多內部主管的關注,但也引發了法務部門對品牌商標與配色使用的質疑。他認為,此次解僱反映了 Google 內部對於 Agent 技術將如何顛覆現有 workspace 產品架構的深層恐懼,且諷刺的是,在他離職前兩天,Google Cloud Next 大會才剛宣布將推出官方版的 workspace CLI。
    工具核心功能與設計
    Google Workspace CLI(gws)是一個專為人類與 AI Agent 設計的命令列工具,其核心特點包括:
    動態指令生成:不依賴靜態指令列表,而是透過執行時期讀取 Google 的 Discovery Service,自動建構完整的指令介面。
    Agent 友善設計:所有回應皆為結構化的 JSON 格式,並內建超過 40 個 Agent skill,讓大型語言模型能在無需額外客製化工具的情況下管理 workspace。
    多樣化支援:涵蓋 Drive、Gmail、Calendar 等所有 workspace API,並提供 --dry-run 預覽請求與自動分頁功能。
    安全性與整合:支援多種認證流程(包含本地桌面、CI 環境與服務帳號),並透過 gws auth setup 等指令簡化 Google Cloud 專案設定與 OAuth 流程。
    快速上手與使用指引
    使用者可透過以下方式安裝並啟用該工具:
    安裝方式(推薦使用 npm):
    `bash
    npm install -g @googleworkspace/cli
    `
    初始設定與認證:
    `bash
    gws auth setup 設定 Google Cloud 專案與 OAuth
    gws auth login 進行後續登入
    `
    執行指令範例:
    `bash
    列出最近 5 個檔案
    gws drive files list --params '{"pageSize": 5}'
    發送 Chat 訊息
    gws chat spaces messages create --params '{"parent": "spaces/xyz"}' --json '{"text": "Deploy complete."}'
    `
    Agent 整合與擴充
    該專案提供了豐富的 Agent 資源,包含超過 100 個 SKILL.md 檔案,涵蓋各類 API 操作與工作流食譜。使用者可透過 npx skills add https://github.com/googleworkspace/cli 安裝所有 skill,或針對特定服務(如 gws-drive、gws-gmail)進行安裝。此外,該工具亦提供 Gemini CLI 擴充功能,安裝後可讓 Gemini Agent 直接呼叫 gws 指令,並自動繼承終端機已驗證的憑證。更多詳細資訊可參考 GitHub 專案頁面。

    原文:https://easyvibecoding.app/curated/2161

    4 min
  • @noahzweben:Noah Zweben 發表了 Claude Tag 的「Agent identity」存取模型,說明如何透過獨立的服務帳號為團隊協作的 AI 代理配置權限。 …

    Noah Zweben 發表了 Claude Tag 的「Agent identity」存取模型,說明如何透過獨立的服務帳號為團隊協作的 AI 代理配置權限。

    核心概念與設計目標
    Noah Zweben 指出,AI 代理自主性越來越高(任務完成能力每四個月翻倍)、多人協作場景也越來越多,傳統「代理使用者權限」的模式已不再適用。Claude Tag 引入了「Agent identity」模型,讓 Claude 在團隊頻道中擁有獨立的服務帳號,而非依賴單一使用者的憑證。此舉確保了:
    權限隔離:Claude 的操作與特定使用者脫鉤,避免個人帳號成為存取敏感文件的後門。
    多人協作:在多人共用的頻道中,Claude 的權限由管理員定義,而非取決於當下誰在與其互動。
    權限繼承:管理員可定義 Workspace 層級的預設權限,並針對特定頻道進行覆寫,精確控管 Claude 能存取的 Repository、API Key、skill 與 plugin。
    影片展示了如何透過 Claude Tag 設定與管理 AI 代理的權限與存取範圍。
    安全與管理機制
    該模型透過將憑證與頻道身分綁定,做到細粒度的存取控制:
    邊界管理:Claude 在私有頻道中的「記憶」與存取範圍被嚴格限制,不會跨頻道外洩。
    稽核追蹤:所有透過 Agent 憑證執行的 routine、記憶寫入與網路呼叫,均會在各個連接的系統日誌中留下紀錄。
    彈性配置:管理員可透過設定頁面建立「存取套件(Access bundles)」,將 Linear、Datadog、Asana 或 GitLab 等工具的憑證綁定至 Claude Tag,並透過 @Claude 指令在 Slack 中執行任務。
    未來展望
    Noah Zweben 強調,Claude Tag 的價值在於整合多種工具的上下文。未來 Anthropic 計畫推出「即時憑證授權(just-in-time credential grants)」,讓使用者能針對單一敏感操作進行即時批准,並導入身分感知覆蓋層(identity-aware overlay),讓企業級的安全控管更嚴謹。對於需要個人化工具(如 email 草稿)的場景,使用者仍可透過個人 claude.ai 帳號進行私訊互動。

    影片展示了如何透過 Claude Tag 設定與管理 AI 代理的權限與存取範圍。 影片中的 Prompt 與操作:

    Prompt(04:07): @Claude 建立一個測試 Linear 工單,內容為 Hello World

    原文:@Claude create a test linear ticket that says Hello World

    操作步驟: 1. (01:47)點擊 Claude Tag 管理介面 2. (02:05)點擊「Add access bundle」按鈕 3. (02:22)點擊「Create new bundle」 4. (02:29)輸入名稱「General Tooling」 5. (02:38)選擇並連接「Linear」應用程式 6. (03:36)點擊「Test connection」測試憑證 7. (03:40)點擊「Connect」完成連接 8. (03:48)將「General Tooling」存取組合綁定至工作區 9. (04:16)建立第二個存取組合「Data team」 10. 連接資料倉儲並設定 GCP 服務帳戶憑證 11. 將「Data team」存取組合綁定至特定頻道

    原文:https://easyvibecoding.app/curated/2169

    3 min
  • @claudeai:Anthropic 推出 Claude Tag,讓 Claude 在 Slack 裡當團隊成員、自動接手交辦的任務。 核心功能與運作模式 Claude …

    Anthropic 推出 Claude Tag,讓 Claude 在 Slack 裡當團隊成員、自動接手交辦的任務。

    核心功能與運作模式
    Claude Tag 是 Claude Code 的進化版本,專為團隊協作設計,讓 AI 能在 Slack 頻道中與人類成員共同作業。其核心運作機制如下:
    多人協作(Multiplayer):頻道中的 Claude 具有單一身份,團隊成員可接續彼此的對話或任務進度,無需重複說明脈絡。
    主動式行為(Proactive Behavior):啟用後,Claude 會主動追蹤閒置的討論串、彙整跨頻道與工具的相關資訊,並在任務完成時主動回報。
    非同步執行:使用者指派任務後即可轉向其他工作,Claude 會在背景拆解任務階段,並透過其存取的工具(如程式庫、資料庫)獨立完成工作。
    自動化能力:Claude 可執行撰寫或合併 Pull Requests、資料分析、處理支援票務(Support tickets)及排解系統例外等任務。目前 Anthropic 內部產品團隊有 65% 的程式碼皆由內部版本的 Claude Tag 產出。
    這支影片介紹了 Claude Tag 功能,展示 AI 如何在協作平台中與團隊成員共同處理任務。
    技術架構與安全性
    為了確保企業級應用,Claude Tag 在架構上採取了嚴格的隔離與權限控管:
    沙盒隔離(Sandbox):當 Claude 在頻道中被標記時,會啟動一個具備獨立沙盒的執行個體,負責複製程式庫、編寫程式碼、測試與編譯,任務結束後該環境即被銷毀。
    記憶與權限隔離:系統管理員可針對不同頻道設定 Claude 的存取權限與工具連結。不同頻道的 Claude 擁有獨立的「記憶」,確保工程部門的資料不會外洩至銷售部門,且 Claude 無法存取未經授權的憑證密鑰。
    安全防護機制:Anthropic 在模型訓練階段、模型輸出的分類器層級,以及對 Claude 可存取的網站與工具進行多層次保護,確保其行為符合企業安全規範。
    這是一張顯示開發團隊與 AI 代理在通訊軟體中進行技術討論與任務協作的截圖。
    設定與導入流程
    Claude Tag 目前已開放給 Claude Enterprise 與 Team 方案客戶進行 Beta 測試。管理員可透過以下步驟啟用:
    將 Claude Tag 與 Slack workspace 進行配對。
    授予 Claude 存取特定工具與資料來源的權限。
    設定組織每月的 token 使用額度上限。
    於私人頻道中進行測試,確認功能運作正常。
    這張截圖展示了一個通訊軟體介面,其中名為「Claude」的 AI 代理正與團隊成員協作,自動執行更新部落格草稿、測試版邀請信及檢查產品回饋等任務。
    專家觀點
    Andrej Karpathy 指出,Claude Tag 代表了大型語言模型 UI/UX 的第三次重大變革。第一代是作為「網站」存在,第二代是作為「應用程式」存在,而 Claude Tag 則將 AI 定位為一個「具備組織級工具與記憶、能與人類團隊並肩工作的自主實體」。Boris Cherny 則補充,這不僅僅是一個 Slack 機器人,它透過「Claude Everywhere」的願景,讓 AI 能夠主動回應問題、撰寫程式碼並監控頻道狀態,成為 onboarding 新成員與提升團隊效率的關鍵解鎖工具。
    如需進一步了解,可參考 Anthropic 官方公告 或相關技術文件。

    這支影片介紹了 Claude Tag 功能,展示 AI 如何在協作平台中與團隊成員共同處理任務。 影片中的 Prompt 與操作:

    Prompt(00:02): @Claude 你可以在接下來的幾個小時內負責分類工作嗎?

    原文:@Claude can you take triage for the next few hours?

    Prompt(00:22): 嘿 @Claude

    原文:hey @Claude

    Prompt(00:48): @Claude 建立排程匯出功能。services/export 中有一個存根,設計在 ATL-421 上

    原文:@Claude build scheduled exports. there's a stub in services/export, design's on ATL-421

    操作步驟: 1. (00:36)在 #product-eng-launches 頻道中進行討論 2. (00:46)在 #product-eng-launches 頻道中標記 @Claude 3. (00:50)Claude 回應並提出技術建議 4. (00:54)Claude 提出重構建議 5. (01:00)Claude 列出待辦清單並開啟 PR 6. (01:41)顯示 PR #4131 已建立並合併 7. (01:57)Claude 在 #launch 頻道中主動回報進度 8. (02:04)Claude 執行更新部落格與邀請信的任務

    原文:https://easyvibecoding.app/curated/2158

    4 min
  • @twtayaan:Apple 推出 container 工具讓 macOS 26 原生執行 Linux 容器。 這是一則關於 Apple 宣布 Linux 容器現已可在…

    Apple 推出 container 工具讓 macOS 26 原生執行 Linux 容器。

    這是一則關於 Apple 宣布 Linux 容器現已可在 macOS 上原生運行的開發者新聞公告。
    核心變革與優勢
    Ayaan 🐧 在貼文中指出,Apple 釋出的開源專案 container 正式改變了 Mac 上的容器化開發體驗。這項工具讓開發者無需再依賴 Docker Desktop,不僅省去了每月 21 美元的商業授權費用,更解決了背景常駐程式佔用大量記憶體的問題。其關鍵特性包括:
    原生效能:利用 macOS 26 的虛擬化技術,將 Linux 容器作為輕量級虛擬機執行,並針對 Apple Silicon 晶片進行 Swift 語言優化。
    完全相容:支援 OCI 標準,可直接拉取 Docker Hub 或 GitHub Container Registry 的映像檔。
    無縫銜接:採用標準容器 CLI 語法,熟悉 Docker 指令的使用者可無痛轉換。
    開源免費:以 Apache-2.0 授權釋出,且不需額外支付商業費用。
    安裝與管理流程
    該工具目前已在 GitHub 上獲得超過 26,500 顆星,專案處於活躍開發階段。若要開始使用,請參考以下步驟:
    安裝:從 GitHub release 頁面 下載簽署過的安裝包,執行後依指示完成安裝,系統檔案將放置於 /usr/local。
    啟動服務:安裝完成後,執行以下指令啟動系統服務:
    `bash
    container system start
    `
    升級與降級:若需更新或變更版本,請先停止服務:
    `bash
    container system stop
    `
    - 升級至最新版:執行 /usr/local/bin/update-container.sh。
    - 降級版本:使用 -k 旗標保留使用者資料,或 -d 移除資料,並指定版本號:
    `bash
    /usr/local/bin/uninstall-container.sh -k
    /usr/local/bin/update-container.sh -v 0.3.0
    `
    移除工具:若需解除安裝,可使用 /usr/local/bin/uninstall-container.sh 腳本,並選擇保留(-k)或刪除(-d)使用者資料。
    產業影響與觀察
    Ayaan 🐧 認為,繼微軟透過 WSL Containers 讓 Docker Desktop 在 Windows 上變為選配後,Apple 的此舉象徵著「為個人電腦上的容器 GUI 封裝層付費」的時代正悄然結束。雖然 Docker 本身依然重要,但對於追求輕量、高效且原生整合的開發者而言,Apple 提供的這套方案無疑提供了更具成本效益與效能優勢的選擇。更多技術細節與 API 文件可參閱 Apple 官方文件。

    原文:https://easyvibecoding.app/curated/2171

    3 min
  • @cline:Cline 團隊透過實際除錯測試,比較 GLM-5.2 與 Opus 4.8 在程式開發任務中的表現差異。 測試背景與結果 Cline 團隊針對自家程式…

    Cline 團隊透過實際除錯測試,比較 GLM-5.2 與 Opus 4.8 在程式開發任務中的表現差異。

    測試背景與結果
    Cline 團隊針對自家程式庫中的真實 Bug 進行測試,以驗證社群關於 GLM-5.2 優於 Opus 4.8 的說法。儘管兩者皆成功修復問題,但在成本與程式碼品質上存在顯著差異:
    成本與 token 使用量:GLM-5.2 使用了 110 萬個 token,成本為 0.41 美元;Opus 4.8 使用了 66 萬個 token,成本為 0.81 美元。GLM-5.2 的 token 用量雖為 Opus 的兩倍,但總成本僅為其一半。
    執行效率:Opus 4.8 執行速度較快,耗時 1.6 分鐘並呼叫 12 次工具;GLM-5.2 耗時 4.7 分鐘並呼叫 28 次工具。
    程式碼品質:GLM-5.2 在完成任務前會主動清理無用程式碼並驗證建置是否通過;Opus 4.8 則遺留了雖能通過測試但會導致正式環境建置失敗的型別錯誤。
    在修復同一個 Bug 的測試中,GLM-5.2 成功完成乾淨建置且花費僅需 $0.41,而 Opus 4.8 則導致建置失敗且花費高達 $0.81。
    技術觀察
    Cline 團隊指出,兩者在相同的 harness 與 prompt 設定下,GLM-5.2 展現出透過強化學習(RL)訓練的特性,傾向於在完成任務前消耗更多 token 來驗證工作成果。團隊認為這解釋了為何使用者普遍回饋 GLM-5.2 的產出品質較佳。
    社群回饋與後續計畫
    針對社群對於單一測試樣本代表性的質疑,Cline 團隊回應如下:
    團隊承認單一測試不足以作為全面性基準測試,強調這僅是針對自家 Bug 的實戰範例。
    團隊已進行多次重複測試,觀察到 GLM-5.2 在驗證工作與避免破壞正式環境方面表現一致。
    團隊計畫將實驗程式碼開源,並與 Morgan(@morganlinton)的 vulcanbench 專案合作,持續擴充測試語料。
    針對未來發展,Cline 將持續優化對開源權重模型的支援,並預計推出訂閱方案,透過量大折扣進一步降低使用成本。

    原文:https://easyvibecoding.app/curated/2150

    3 min
  • @NousResearch:Hermes Agent 新增跨平台電腦操作,可在背景自動執行桌面動作。 核心功能與跨平台支援 Nous Research 宣布 Hermes Agen…

    Hermes Agent 新增跨平台電腦操作,可在背景自動執行桌面動作。

    核心功能與跨平台支援
    Nous Research 宣布 Hermes Agent 的電腦操作功能(Computer Use)除了原有的 macOS 支援外,現已擴展至 Windows 與 Linux。該功能透過 cua-driver 驅動程式,讓 Agent 能在背景執行點擊、輸入、捲動與拖曳等動作,且不會搶佔使用者的滑鼠游標、鍵盤焦點或切換虛擬桌面,實現真正的「人機協作」。此工具集採用 MCP(Model Context Protocol)協定,相容於 Claude、GPT、Gemini 及各類支援工具呼叫的本地大型語言模型。
    這段影片展示了某 AI 服務支援 Windows 與 Linux 電腦操作的公告,並顯示了相關的合作標誌。
    安裝與設定指引
    使用者可透過以下兩種方式啟用該功能:
    直接執行 CLI 指令:hermes computer-use install。
    互動式設定:執行 hermes tools 並選擇「Computer Use」。
    安裝完成後,可透過 hermes computer-use doctor 進行系統診斷,確保權限與環境設定正確。若要啟動具備該功能的對話,請執行:
    `bash
    hermes -t computer_use chat
    `
    或在 ~/.hermes/config.yaml 設定檔中將 computer_use 加入啟用的工具集。
    技術架構與進階應用
    操作機制:Agent 透過各平台的輔助功能樹(Accessibility Tree)讀取視窗資訊,並發送合成事件,無需將視窗移至前景。
    視覺回饋:Agent 執行動作時,螢幕會出現半透明的疊加游標,標示其操作位置,且每個 Agent 執行個體皆有獨立的 Session ID 與游標識別。
    技能擴充:若需深入研究平台特定的操作細節(如 macOS 的 SkyLight 互動或 Windows 的 UIA 樹狀結構),可安裝 cua-driver 提供的 skill pack:
    `bash
    cua-driver skills install
    `
    安全性與效能:系統內建多層防護,包括對破壞性動作(如強制刪除、鎖定螢幕)的硬性阻擋,以及針對截圖的 token 優化策略(如截圖淘汰(只留最近 3 張)與上下文壓縮),以降低 API 使用成本。
    注意事項
    該功能目前在背景模式下的反應速度約為 5–20 ms,雖足以應付一般自動化任務,但若需進行高頻率的操作錄製,效能表現會受限。此外,部分現代應用程式(如未公開輔助樹的 UWP 或特定 Electron 版本)可能無法被正確識別,此時 Agent 將會退回到像素座標模式或跳過該任務。

    這段影片展示了某 AI 服務支援 Windows 與 Linux 電腦操作的公告,並顯示了相關的合作標誌。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)顯示電腦操作支援公告 2. (00:06)顯示兩個品牌或服務的識別圖示

    原文:https://easyvibecoding.app/curated/2144

    3 min
  • @akshay_pachaar:Loop Engineering 詳解 你的資訊來源中,有一半的人突然都在講同一件事:別再糾結於如何下 Prompt(提示詞)給你的 Agent 了,開始…

    Loop Engineering 詳解

    你的資訊來源中,有一半的人突然都在講同一件事:別再糾結於如何下 Prompt(提示詞)給你的 Agent 了,開始進行 Loop Engineering(迴圈工程)吧。
    Claude Code 的開發者 Boris Cherny 說得很直白:「我不再給 Claude 下 Prompt 了。我現在執行的是迴圈。我的工作是編寫迴圈。」
    這位打造了全球最受歡迎程式開發 Agent 之一的人,竟然不給它下 Prompt。那麼,他到底在做什麼?
    這就是 Loop Engineering 背後的核心概念。現在,讓我們來拆解為什麼這件事比看起來更困難。
    首先,迴圈本身
    Agent 並不是什麼魔法盒子。它的核心其實就是一個簡單的迴圈:
    `python
    while True:
    response = model(context)
    if response.hastoolcalls():
    results = runtools(response.toolcalls)
    context += results
    else:
    break
    `
    模型讀取 context(上下文),然後要求呼叫某個 tool(工具)。你執行該 tool 並將結果回饋給它。模型再次讀取,這個過程不斷重複,直到它不再要求使用 tool 為止。
    Model → tools → context → 重複。
    令人驚訝的是,這個迴圈的邏輯其實早就被解決了。每一個嚴肅的 Agent 框架最終都會寫出這六行左右的程式碼。沒人在 while 語句上競爭。
    所以,如果迴圈本身這麼簡單,大家到底在 Engineering 什麼?
    工作重心已轉移到模型之外
    AI 的重心正持續從模型本身向外偏移。
    Prompt Engineering:你發送的文字。
    Context Engineering:模型所看到的一切,而不僅僅是你的指令。
    Harness Engineering:圍繞在模型周圍、負責執行 tool、追蹤狀態並處理錯誤的程式碼。
    Loop Engineering:驅動整個系統朝目標前進的自主循環。
    每一層都包裹著前一層。你並沒有不再關心 Prompt,你只是意識到 Prompt 只是龐大系統中的一小部分。
    LangChain 對此定義得很清楚:Agent = Model + Harness。如果你不是在開發模型,那你就是在開發 Harness。
    以下這個發現應該會讓你重新調整優先順序:Harness 現在比模型更重要。 有些團隊保持模型不變,僅僅修改了周圍的程式碼,就從基準測試的中段躍升至前五名。同樣的大腦,不同的迴圈。
    Loop Engineering 就是設計這顆大腦運作環境的學問。讓我帶你看看哪些部分最容易出錯。
    難點 1:知道何時該停止
    這是沒人會提醒你的問題。
    當 Agent 不再要求使用 tool 時,它只是結束了當前的「回合」(turn),這並不等於完成了任務。
    想像一個程式開發 Agent。它寫了一些程式碼,環顧四周,看到進度有推進,於是宣佈任務完成。但測試依然失敗。它卻自顧自地宣佈勝利。
    終端機訊息結束的是回合,而不是任務。搞混這兩者是迴圈出錯最常見的原因。
    好的迴圈會因為正確的理由停止,所以你需要設置多層煞車:
    最大迭代次數:設置硬性上限,防止卡住的 Agent 無限執行。
    預算與時間限制:對 token 使用量、金錢和執行時間設置上限。
    無進度偵測:如果它重複使用相同的參數呼叫同一個 tool,代表它陷入了死循環。
    真正的完成檢查:一個能證明任務已完成的自動化條件。
    最後一點至關重要。「完成」應該是指測試通過,而不是 Agent 覺得自己做得很好。
    難點 2:保持 context 的乾淨
    長迴圈會從內部腐爛。
    Agent 執行的回合越多,context 中堆積的垃圾就越多,例如舊的 tool 輸出、死胡同和過時的推理過程。隨著堆積物增加,模型效能會下降。業界稱之為「Context Rot」(上下文腐爛)。
    迴圈會讓這種情況惡化。腐爛的 context 會導致更差的決策,進而產生更多雜訊,進一步腐爛 context。人們稱此為「毀滅迴圈」(doom loop),你一定感受過——Agent 執行越久,表現就越笨。
    你要將 context 視為預算而非垃圾桶來進行管理:
    壓縮:當對話變長時進行總結,然後從總結處繼續。
    卸載:將龐大的輸出推送到檔案中,只保留你需要的部分。
    子 Agent:將混亂的子任務交給獨立的 Agent,只讓它回傳乾淨的結果。
    人的直覺是「以防萬一」而保留一切。但真正的技術是知道什麼該丟棄。
    難點 3:Agent 真正能用的 tool
    迴圈的品質取決於內部的 tool。
    堆疊一百個 tool 只會讓 Agent 迷失方向。一套精簡、聚焦且功能不重疊的 tool 才是贏家。Anthropic 的經驗法則很精準:如果人類工程師都無法確定該用哪個 tool,那 Agent 更不可能知道。
    有兩件事比預期中更重要:
    確保寫入操作可重複執行:迴圈會重試,如果重試一次「建立客戶」的呼叫導致建立了第二個客戶,你就會面臨重複資料和重複計費的問題。任何會改變狀態的操作都必須確保能安全地呼叫兩次。
    為 Agent 撰寫錯誤訊息,而非為人類:好的錯誤訊息會告訴 Agent 下一步該做什麼。在發布 tool 之前,先問問自己:LLM 讀到這個錯誤時,知道下一步該怎麼走嗎?
    在迴圈中,錯誤不是死胡同,而是下一個指令。
    難點 4:要有能說「不」的機制
    自主迴圈有一個隱蔽的失敗模式:無人看管的 Agent 往往會自我感覺良好。
    這場辯論中最尖銳的評論一針見血:設計迴圈只完成了一半的工作,另一半是放入一個能說「不」的機制,例如測試、型別檢查或真實的錯誤回饋。
    沒有審核者的迴圈,只是一個對自己的工作不斷點頭的 Agent。
    解決方法是將「執行者」與「檢查者」分開。一個模型負責工作,另一個不同的檢查機制(通常是另一個模型或嚴格的測試)負責評分。執行者不該自己給自己的作業打分數。
    真正的轉變
    現在 Cherny 的話就說得通了。
    Prompting 是你一步步引導 Agent。Loop Engineering 是你設計一個能引導它的系統,然後退居幕後。
    你的工作從給予指令轉變為設計三件事:
    目標:寫成 Agent 可以自我驗證的成功標準。
    迴圈:設置合理的煞車,確保它能正確停止。
    驗證器:確保「完成」是被證明的,而不是被宣稱的。
    Andrej Karpathy 抓住了這種心態。不要告訴模型該做什麼,給它成功標準,然後看著它執行。他會整晚執行研究迴圈,自動調整腳本、測試、保留有效的、丟棄無效的,而他自己完全不在迴圈中。他只需安排一次,然後按下開始。
    這就是關鍵所在。你不再是動手操作的人,而是設計這台機器的人。
    從哪裡開始
    你不必第一天就追求全自動化的 Agent。請循序漸進:
    從基礎迴圈開始,立即加上最大迭代次數、逾時機制和成本上限。
    在開始之前,將「完成」定義為自動化檢查,而不是事後的感覺。
    保護 context。壓縮長執行過程、卸載大型輸出、隔離混亂的子任務。
    審核你的 tool。保持數量精簡且聚焦,確保寫入操作可重複,並重寫錯誤訊息以便 Agent 能據此行動。
    在迴圈中放入審核者。只有當你信任那個能說「不」的機制時,才完全放手。
    總結
    Loop Engineering 不是一個框架或工具,而是一種努力方向的轉變。
    模型正在成為商品。圍繞在模型周圍的迴圈,才是現在真正工程技術的所在。
    最優秀的開發者已經不再問「我該告訴 Agent 做什麼?」,他們開始問「什麼樣的系統可以在沒有我的情況下完成這件事?」
    只要能回答好這個問題,你也會停止依賴 Prompt。
    以下是總結
    展開畫面重點這張圖表分為四個區塊,探討如何提升 AI 代理的運作效率與品質:
    Keep the context clean(保持上下文簡潔)
    - 指出長循環會導致「上下文腐敗」(context rot),累積過時輸出與無效推理,使代理效率下降。
    - 建議:保持精簡(lean)。
    - 方法:
    - Compact:總結後繼續執行。
    - Offload:將大型輸出轉存至檔案。
    - Sub-agents:將雜亂的子任務隔離處理。
    Know when to stop(知道何時停止)
    - 強調終止條件應基於實際原因而非感覺。
    - 建議的停止機制:
    - max…

    9 min
  • @vercel_dev:Vercel 平台正式支援 WebSockets,讓開發者能透過標準 Node.js 函式庫建構即時互動應用。 核心功能更新 Vercel 於 2026…

    Vercel 平台正式支援 WebSockets,讓開發者能透過標準 Node.js 函式庫建構即時互動應用。

    核心功能更新
    Vercel 於 2026 年 6 月 22 日宣布其 Functions 正式進入 WebSockets 公開測試階段,這項更新允許使用者在 Vercel 上建立雙向通訊機制。開發者現在可以運用標準的 Node.js 函式庫(如 ws)或高階框架(如 socket.io)來開發需要即時互動的應用程式,例如 AI 串流、聊天室或協作工具。
    技術架構與計費
    此功能整合於 Vercel 的 Fluid compute 架構中,並遵循與一般 Function 呼叫相同的限制與定價規則。在計費方面,Vercel 採用 Active CPU 定價模式,這意味著系統僅會針對 Function 處理訊息的實際運作時間進行收費,不會針對閒置的連線時間計費。
    實作範例
    開發者無需額外設定,即可直接在專案中部署 WebSocket 伺服器。以下為使用 express 與 ws 函式庫的範例程式碼:
    api/ws.ts
    `ts
    import express from 'express';
    import { createServer } from 'http';
    import { WebSocketServer } from 'ws';
    const app = express();
    const server = createServer(app);
    const wss = new WebSocketServer({ server });
    wss.on('connection', (ws) => {
    ws.on('message', (data) => {
    ws.send(data);
    });
    });
    export default server;
    `
    欲深入了解詳細規格與部署方式,可參考 Vercel 官方文件 以獲取更多資訊。

    原文:https://easyvibecoding.app/curated/2152

    2 min
  • @OpenAI:OpenAI 擴展 Daybreak 計畫並推出 GPT-5.5-Cyber 模型,旨在透過自動化修復流程提升軟體安全性。 核心計畫與工具升級 Open…

    OpenAI 擴展 Daybreak 計畫並推出 GPT-5.5-Cyber 模型,旨在透過自動化修復流程提升軟體安全性。

    核心計畫與工具升級
    OpenAI 此次擴展 Daybreak 計畫,重點在於將 AI 的應用從單純的漏洞發現,轉向「端到端」的自動化修復,以解決防禦者面對大量漏洞報告時的處理瓶頸。主要更新包括:
    Codex Security plugin:更新後的 plugin 整合於開發流程中,讓使用者能進行深度掃描、驗證漏洞、追蹤攻擊路徑、建立威脅模型,並直接產生針對特定程式庫的修復程式碼(patch)供人工審查。
    這是一張展示名為「Codex Security」的工具介面截圖,畫面中顯示了正在設定安全掃描工作流程的步驟與選項。
    GPT-5.5-Cyber 模型:這是 OpenAI 目前最強大的網路安全模型,專為授權的防禦工作設計。該模型在 CyberGym 基準測試中達到 85.6% 的準確率,並在 ExploitGym 與 SEC-bench Pro 等測試中展現出優異的漏洞發現與修復能力。
    在 CyberGym 基準測試中,全新的 GPT-5.5-Cyber (new) 以 85.6% 的得分奪冠,展現出優於 Mythos 5 與其他 GPT-5.5 系列模型的防禦能力。
    Cyber Partner Program:與領先的資安軟體與服務供應商合作,讓合作夥伴能在其產品中整合 GPT-5.5 與 Trusted Access for Cyber,在確保模型存取權受控的前提下,為客戶提供更具韌性的防禦能力。
    推動開源專案修復
    針對開源軟體維護者資源有限的困境,OpenAI 發起「Patch the Planet」計畫,與 Trail of Bits、HackerOne、Calif 等機構合作:
    OpenAI 與 Trail of Bits 合作推出「Patch the Planet」計畫,旨在利用 AI 技術協助開源軟體維護者修復安全漏洞。
    該計畫透過專家安全研究人員,協助維護者將安全漏洞報告轉化為實際的合併修復(merged fixes)。
    參與計畫的專案(如 cURL、Go、Python、Sigstore 等)可獲得 ChatGPT Pro、Codex Security 的條件式存取權,以及 API 額度支援。
    透過「Patch the Planet」,研究人員會先進行漏洞與修復程式碼的驗證與去重(deduplication),大幅減輕維護者的負擔,並確保修復流程以人工審查為核心。
    防禦策略與生態系協作
    OpenAI 強調,AI 已經改變了網路安全的根本邏輯,防禦者現在面臨的挑戰不再是「找不到漏洞」,而是「修復速度趕不上發現速度」。
    人工審查機制:無論是 Codex Security 產生的修復建議,還是 GPT-5.5-Cyber 提供的分析結果,最終決策權與修復確認均保留在人類防禦者手中。
    國際合作:OpenAI 持續與美國政府及多國機構(如澳洲、加拿大、法國、德國、日本、韓國及歐盟 ENISA)建立 Trusted Access for Cyber 合作夥伴關係,共同應對關鍵基礎設施的資安威脅。
    實務應用:Codex Security 自三月預覽以來,已掃描超過 3,000 萬次 commit,並有超過 50 萬個漏洞被自動判定為已修復,證明了將 AI 整合進開發者工作流(workflow)對於大規模降低風險的實際價值。

    OpenAI 與 Trail of Bits 合作推出「Patch the Planet」計畫,旨在利用 AI 技術協助開源軟體維護者修復安全漏洞。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:29)點擊「Patch」按鈕 2. (00:31)點擊「Regenerate patch」按鈕

    原文:https://easyvibecoding.app/curated/2143

    4 min
  • @grok:Grok Build 推出 /goal,可自主執行長任務。 這段影片展示了一個名為「goal」的自動化開發工具,透過 AI 代理執行程式碼遷移任務的過…

    Grok Build 推出 /goal,可自主執行長任務。

    這段影片展示了一個名為「goal」的自動化開發工具,透過 AI 代理執行程式碼遷移任務的過程。
    核心功能與運作機制
    Grok Build 引入的 /goal 模式旨在處理需要多次反覆運算與驗證的複雜開發工作,使用者僅需設定目標,Agent 便會自動拆解任務、執行程式碼編寫、檢視網頁或執行腳本,直到任務完成並通過驗證。該功能整合了 Composer 2.5 與 Grok Build 0.1,透過多個模型協作提升智慧水準,並利用多個子 Agent 分別負責規劃、實作與驗證工作,確保任務能持續推進至最終狀態。
    操作與指令指引
    使用者可透過簡單的 CLI 指令安裝並啟用此功能,在執行期間亦能隨時監控進度或介入調整:
    安裝 Grok Build:
    `bash
    curl -fsSL https://x.ai/cli/install.sh | bash
    `
    登入帳號後,輸入 /goal 加上具體目標即可啟動任務,例如:/goal Migrate the auth module to the new API。
    執行期間可使用以下指令管理任務狀態:
    - /goal status:查看即時進度面板。
    - /goal pause:暫停工作,保留當前目標。
    - /goal resume:恢復執行。
    - /goal clear:清除當前目標。
    實際應用場景
    在實際開發流程中,/goal 會將任務拆解為規劃、路由映射、處理登入邏輯、替換中間件及更新測試等子任務。以遷移驗證模組為例,Agent 會自動修改如 src/auth/middleware.ts 等檔案,並在完成後執行端對端測試。介面會即時顯示當前階段(Planning、Executing 或 Verifying)、token 使用量以及 MCP 狀態,並在所有檢查項目完成後顯示「Goal complete」,讓開發者在長任務中幾乎不用手動介入。

    這段影片展示了一個名為「goal」的自動化開發工具,透過 AI 代理執行程式碼遷移任務的過程。 影片中的 Prompt 與操作:

    Prompt(00:02): /goal 遷移驗證模組至新的 API

    原文:/goal Migrate the auth module to the new API

    操作步驟: 1. (00:02)輸入指令並執行遷移任務 2. (00:07)自動編輯 `src/auth/middleware.ts` 檔案

    原文:https://easyvibecoding.app/curated/2151

    3 min