EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • @hqmank:Codex 透過 SQLite 頻繁寫入大量無用日誌,導致使用者 SSD 壽命加速耗損。 一張展示 Codex 軟體圖示與帶有 MP600 ELITE…

    Codex 透過 SQLite 頻繁寫入大量無用日誌,導致使用者 SSD 壽命加速耗損。

    一張展示 Codex 軟體圖示與帶有 MP600 ELITE 字樣的固態硬碟硬體,並輔以程式日誌背景的技術示意圖。
    問題核心
    開發者 hqmank 指出,Codex 軟體(包含 CLI、桌面版及 VSCode plugin)存在嚴重的過度寫入問題。即使在閒置狀態下,Codex 也會持續將大量 TRACE 等級的診斷日誌寫入 ~/.codex/logs_2.sqlite 資料庫。這些日誌包含大量無用的內部垃圾資訊,雖然檔案本身體積看似不大,但由於 SQLite 的寫入機制,底層會不斷進行磁碟刷新,導致 SSD 在短時間內承受巨大的寫入負載。
    實際影響
    根據 hqmank 的觀察,僅僅幾天的輕度使用,就產生了超過 78,000 筆 TRACE 紀錄,累積約 628 MB 的無用日誌。引用來源中的 GitHub 專案問題回報(Issue #28224)更進一步量化了此問題的嚴重性:
    該日誌寫入量推算每年可達 640 TB,對於一般 1 TB 的消費級 SSD 而言,這意味著不到一年就會耗盡其保固內的寫入壽命(TBW)。
    透過監測發現,該日誌系統存在嚴重的「寫入放大」現象,在 15 秒內即可插入超過 36,000 筆資料,隨後又立即刪除,導致磁碟不斷進行無效的寫入與索引更新。
    解決方案
    由於官方針對此問題的修復進度緩慢(儘管 GitHub 討論區顯示官方已於 2026 年 6 月 22 日合併了兩項 PR 以過濾部分日誌),hqmank 提供了一個立即可用的指令,透過在 SQLite 資料庫中建立觸發器(Trigger)來強制攔截並丟棄所有新的日誌寫入,且不會影響正常的對話功能:
    開啟終端機並執行以下指令,將規則寫入日誌資料庫:
    `bash
    sqlite3 ~/.codex/logs2.sqlite "CREATE TRIGGER IF NOT EXISTS blocklog_inserts BEFORE INSERT ON logs BEGIN SELECT RAISE(IGNORE); END;"
    `
    執行後,該資料庫將不再接收任何新的寫入請求,從而保護 SSD 免受持續的損耗。
    官方後續
    根據 GitHub 上的更新,官方開發者 jif-oai 已合併了 Stop logging every Responses WebSocket event(PR #29432)與 Filter noisy targets from persistent logs(PR #29457),據稱可減少約 85% 的日誌寫入量,該 Issue 目前已關閉。建議使用者確認軟體版本更新,或視需求採取上述的觸發器手段進行防護。

    原文:https://easyvibecoding.app/curated/2147

    3 min
  • 品味:學得會,但教不來

    2026 年,整個科技圈突然在吵「品味」。當 AI 什麼都能生成,品味成了最後的差異——但品味到底是什麼、又該怎麼練?從賈伯斯、Dieter Rams 到 Karpathy,這篇談的是一件說不清卻練得出來的事:默會知識,如何跨過那道從「照規則做」到「一看就知道對不對」的門檻。

    原文:https://easyvibecoding.app/blog/taste

    17 min
  • @SakanaAILabs:Sakana AI 推出 Sakana Fugu 實現任務自動化。 這是一段展示 sakana.ai 品牌標誌與「sakana fugu」名稱演變的動…

    Sakana AI 推出 Sakana Fugu 實現任務自動化。

    這是一段展示 sakana.ai 品牌標誌與「sakana fugu」名稱演變的動態視覺演示。
    核心產品與定位
    Sakana AI 發布的「Sakana Fugu」是一套將多 Agent 編排系統封裝為單一基礎模型的解決方案。該系統旨在解決企業對於單一模型供應商的依賴風險,特別是在面對如「Fable」或「Mythos」等模型遭遇出口管制時,Sakana Fugu 透過動態調度底層可替換的 Agent 池,確保關鍵基礎設施與業務運作的韌性。使用者僅需呼叫單一 OpenAI 相容的 API,即可存取這套具備集體智慧的編排系統,無需處理複雜的多 Agent 協作邏輯。
    技術架構與運作機制
    Sakana Fugu 本身即為一個大型語言模型,經過專門訓練以執行 Agent 池中的各類模型呼叫,甚至能遞迴呼叫自身。其技術基礎源自 ICLR 2026 發表的兩篇研究論文:TRINITY 與 The Conductor,這些研究展示了系統如何學習組裝、路由並協調專家 Agent,而非依賴人工設計的固定工作流。
    系統會自動管理模型選擇、任務委派、結果驗證與最終合成。
    當任務簡單時,Fugu 會直接處理;若任務複雜,則會自動組建專家團隊進行協作。
    該系統支援彈性調整,使用者可選擇將特定 Agent 從池中剔除,以符合資料隱私或合規性要求。
    此圖表展示了 Sakana Fugu 如何從 LLM Pool 中整合多種封閉與開放模型,並進一步衍生出 Sakana Fugu 模型的架構概念。
    模型版本與應用場景
    Sakana Fugu 於發布時提供兩種版本,均透過單一 API 存取:
    Fugu:定位為日常工作預設模型,平衡了高效能與低延遲,適用於程式撰寫(如整合至 Codex)、聊天機器人及互動式服務。
    Fugu Ultra:旗艦版本,專為高難度、多步驟任務調校,協調更深層的專家 Agent 池,適用於 AI 研究、網路安全分析、專利調查及論文重現等高門檻領域。
    實際效能與產業影響
    根據 Sakana AI 的測試,Fugu Ultra 在工程、科學與推理基準測試中,表現與「Fable 5」及「Mythos Preview」等頂尖模型相當。
    Sakana AI 推出的 Fugu Ultra 模型在多項基準測試中展現出與 Fable 5 和 Mythos Preview 相當的前沿性能表現。
    在 Beta 測試階段,近 500 名使用者將其應用於自動化資料科學研究與程式碼審查,回饋顯示該系統在處理長週期、複雜且混亂的真實世界工作流時,能展現出優於單一模型的持續進展能力。Sakana AI 強調,隨著生態系中新模型的出現,他們將持續擴充 Fugu 的 Agent 池,確保使用者能隨時獲得最新的技術紅利,實現真正的 AI 主權。

    這是一段展示 sakana.ai 品牌標誌與「sakana fugu」名稱演變的動態視覺演示。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)顯示 sakana.ai 品牌標誌 2. (00:05)動畫開始,魚形圖案匯聚 3. (00:11)顯示 sakana.ai 文字 4. (00:12)顯示 sakana 文字 5. (00:13)顯示 sakana fugu 文字

    原文:https://easyvibecoding.app/curated/2138

    3 min
  • @elliotchen100:Agent Loops 用會自我驗證的自動化循環完成任務交付。 Nate 在其影片(https://www.youtube.com/watch?v=Euz…

    Agent Loops 用會自我驗證的自動化循環完成任務交付。

    Nate 在其影片(https://www.youtube.com/watch?v=EuzYhzB0vbI)中指出,Agent Loops 的核心在於將「人類不斷對 Agent 下達 prompt」的過程,轉變為由系統自動執行「reason(推理)、act(行動)、observe(觀察)」的循環,直到達成預設的停止條件。其中「observe」至關重要,若缺乏驗證機制,循環僅是無意義的資源消耗。
    高可用性的 Agent Loops 應用場景
    根據 Nate 的展示與實際體驗,目前以下幾類任務最適合導入 Agent Loops:
    調研與產出循環:適用於產品分析、趨勢拆解或課程大綱製作。系統透過「收集資料 → 結構化 → 生成產物 → 檢查遺漏 → 補強資料」的循環,解決知識工作者在反覆補強內容時的繁瑣過程。
    創意與視覺設計優化:如 YouTube 縮圖製作。透過「多方案生成 → 依據細節維度打分 → 篩選優化 → 再打分」的流程,將主觀的創意評選轉化為可量化的自動化循環。
    前端與視覺化程式開發:利用 Three.js 等工具進行開發時,Agent 可透過瀏覽器、螢幕截圖、Console 錯誤檢查與像素對比,實現「生成 → 執行 → 驗證 → 修復」的自動化工作流。
    視覺復刻與設計實現:適合處理結構、佈局與顏色等近似實現,但需注意若缺乏強大的驗證工具,僅靠 HTML/CSS 難以達到照片級還原,應結合視覺模型與設計工具共同運作。
    影片剪輯與後期製作:利用 Claude Code 與 Hyperframes 處理字幕對齊、節奏同步與停頓修剪等機械性細節,將剪輯流程中人類最厭煩的檢查工作交由系統執行。
    內容寫作與審稿:針對腳本或文章,透過明確的「審稿表」作為檢查標準,讓 Agent 每一輪依據邏輯、語氣、論點支撐度進行自我審核,而非僅憑感覺迭代。
    持續開發循環:在真實程式庫中,Agent 可長時間執行測試、修復 bug、提交 PR 並檢查回歸測試,這對於工程團隊的效率提升顯著。
    執行 Agent Loops 的關鍵判斷標準
    在建構 Agent Loops 時,不應盲目追求多 Agent 架構,而應優先評估任務是否具備以下特質:
    目標明確:能清楚定義何謂「完成(done)」。
    過程可拆解:任務能被拆分為多個迭代步驟。
    結果可觀察:結果能透過工具(如瀏覽器、測試框架、視覺檢查器)進行驗證。
    失敗可定位:能明確指出錯誤並作為下一輪迭代的修正依據。
    停止條件明確:能設定具體的終止邏輯,避免無止盡的循環。
    若無法定義完成標準或缺乏驗證工具,強行導入 Loop 只會放大不確定性。AI 產品的未來分水嶺,將取決於誰能將這些循環轉化為穩定、可交付的工作流,實現從「模型回答」到「系統交付」的本質轉變。

    原文:https://easyvibecoding.app/curated/2129

    4 min
  • @akshay_pachaar:PixelRAG 透過網頁截圖取代 HTML 解析解決資訊流失。 核心觀點與技術突破 Akshay Pachaar 指出,傳統網頁 RAG 系統在將 H…

    PixelRAG 透過網頁截圖取代 HTML 解析解決資訊流失。

    核心觀點與技術突破
    Akshay Pachaar 指出,傳統網頁 RAG 系統在將 HTML 解析為文字的過程中,往往會遺失高達 40% 以上的頁面資訊,特別是表格、圖表與頁面佈局等結構化內容。PixelRAG 採取了截然不同的路徑,直接將網頁渲染為截圖並進行視覺化檢索,讓大型語言模型能直接從像素中讀取答案。根據實測,PixelRAG 在純文字問答基準測試中,表現比最強的文字 RAG 基線高出 18.1%,在處理表格與視覺結構相關的問題(如 NQ-Tables)時優勢更明顯。
    Claude Code 整合應用
    PixelRAG 專案提供了一個名為 pixelbrowse 的 skill,讓 Claude 具備「視覺能力」。透過此 plugin,Claude 不再依賴 DOM 解析,而是直接對網頁進行截圖並閱讀渲染後的頁面,這使得 AI 能準確理解 arXiv 論文、複雜的網頁佈局或本地網站的真實樣貌。使用者無需架設 MCP 伺服器或後端,僅需透過簡單指令即可啟用:
    安裝套件:pip install pixelrag
    新增 plugin:claude plugin marketplace add StarTrail-org/PixelRAG
    啟用 plugin:claude plugin install pixelbrowse@pixelrag-plugins
    執行截圖與分析:claude -p "screenshot https://arxiv.org/abs/2404.12387 and explain the key findings"
    運作架構與開發流程
    PixelRAG 的管線設計模組化,支援從文件渲染到索引建立的完整流程:
    渲染與索引:使用 pixelshot 指令將網頁或 PDF 轉為圖像磚(tiles),並透過經 LoRA 微調的 Qwen3-VL-Embedding 模型進行向量化,最後存入 FAISS 索引。
    獨立執行:各階段(chunk、embed、build-index、serve)皆可獨立運作。例如,若要建立自己的索引,只需建立 pixelrag.yaml 設定檔並執行 pixelrag index build。
    開源與資源:該專案以 Apache-2.0 授權開源,並在 Hugging Face 上發布了預先訓練好的 LoRA adapters 與 Wikipedia 索引資料集,開發者可直接下載使用或自行微調。
    實際效能表現
    影片中的「QA accuracy」橫評圖顯示,PixelRAG(trained)在 SimpleQA、NQ、NQ-Table、MMSearch、EVQA、LiveVQA 等多項基準上都優於傳統文字檢索;其中純文字問答約提升 18–19%(圖表僅以長條呈現高低、未標註各項精確數值)。
    PixelRAG 透過視覺化網頁截圖進行檢索,在多項基準測試中表現優於傳統文字檢索。
    Akshay Pachaar 同時預告,他近期撰寫了一篇關於提升檢索效率的新文章,透過縮減 40 倍語料庫規模、減少 3 倍查詢 token 消耗,並將向量搜尋相關性提升 2.3 倍,進一步優化了 RAG 的整體效能。

    PixelRAG 透過視覺化網頁截圖進行檢索,在多項基準測試中表現優於傳統文字檢索。 影片中的 Prompt 與操作:

    Prompt(00:00): 星夜

    原文:05: The Starry Night

    Prompt(00:00): 兵馬俑.jpg

    原文:08: terracotta_army.jpg

    Prompt(00:00): 國際米蘭在 2010 年歐冠決賽中有多少次射正?

    原文:11: How many shots on target did Inter have in the 2010 Champions League final?

    Prompt(00:00): 國際米蘭在 2010 年歐冠決賽對陣拜仁時有多少次射正?

    原文:20: How many shots on target did Inter have in the 2010 UCL final vs Bayern?

    操作步驟: 1. @0:05 在搜尋框輸入關鍵字並搜尋。 2. @0:08 在搜尋框輸入檔案名稱並搜尋。 3. @0:11 在 Ask Mode 對話框輸入問題。 4. @0:20 在測試介面輸入問題進行比對。

    原文:https://easyvibecoding.app/curated/2126

    3 min
  • @nanyuan0412:跑了上千張寫真圖片後,我總結了一套方法論。 我的第一篇長文,文章有點長,建議點讚收藏,後續慢慢看。 關注我的朋友應該知道,這段時間我一直在折騰 AI…

    跑了上千張寫真圖片後,我總結了一套方法論。

    我的第一篇長文,文章有點長,建議點讚收藏,後續慢慢看。
    關注我的朋友應該知道,這段時間我一直在折騰 AI 寫真。
    這批主要是圍繞 ChatGPT 的 image-2 / gpt-image-2 跑的。
    不是那種隨便寫一句「好看的美女寫真」然後抽卡的玩法。
    是真正一組一組地跑。
    花田、果園、舊閣、黑板、棚拍、直閃、柔霧、CCD。
    同一個主題,我會反覆換動作、換鏡頭、換光線,有時候一組圖跑完,好的真是好,翻車的也是真離譜。
    我前幾天翻 Eagle 的寫真資料夾,看到那一堆圖的時候,突然有點無語。
    怎麼說呢。
    感覺自己這陣子像在給 AI 當攝影助理。
    我負責寫場景、寫光、寫道具、寫妝造、寫動作,它負責把我腦子裡那個畫面盡量拍出來。
    然後我翻著翻著發現,真正穩定出片的 prompt,其實不是最長的那種。
    也不是詞最華麗的那種。
    最容易出效果的,是像一份「拍攝小抄」。
    你不需要把 AI 當成一個玄學許願池。
    你可以把它當成一個攝影團隊。
    攝影師要知道機位,化妝師要知道妝面,造型師要知道衣服,場務要知道現場有什麼,道具組要知道桌上擺什麼,後期要知道畫面最終是膠片、直閃、柔霧,還是手機抓拍。
    prompt 寫到這個份上,它就不會只生成一個「人很漂亮」的空殼。
    它會開始有現場感。
    先看幾張。
    展開畫面重點這是一張具有古風美學的藝術渲染圖。畫面中,一名女子身著淺綠色調的傳統古裝,髮髻上有精緻的髮飾,正坐在木桌前執筆書寫。桌上擺放著一盤水果、硯台、書籍以及一個鳥籠。整體氛圍呈現出柔和、朦朧的質感,光線透過窗簾灑落,營造出靜謐的古典意境。畫面右下角有「nuyoah」的浮水印。
    這張的關鍵詞不是古風美女。
    而是舊木案、鳥籠、小鳥、手抄紙、卷軸、竹簾、窗櫺、風吹紗簾、窗外白霧逆光。
    你看,人物只是畫面裡的一個部分。
    真正把圖撐起來的,是這個房間。
    再看這一張。
    展開畫面重點這是一張具有清新風格的攝影作品,畫面中一位年輕女性身穿白色蕾絲上衣與淺粉色短褲,頭戴裝飾有花朵的草帽,正閉眼享受陽光。背景為充滿雛菊與綠草的戶外環境,整體色調溫暖明亮,右下角有「nuyoah.」的浮水印。
    這張也不是簡單寫「夏日少女」。
    它有雛菊、草帽、白色大花前景、樹蔭斑駁光、藍天、積雲、草地、野餐布,還有低機位和近處花朵虛化。
    這就是我這次最想聊的東西。
    寫真 prompt 不要從「人」開始寫。
    要從「這張照片為什麼成立」開始寫。
    我以前也會寫廢話
    剛開始玩 AI 寫真的時候,我也很容易犯一個錯誤。
    我會拼命寫漂亮。
    清透、氛圍感、高級、電影感、精緻、真實、細膩。
    這些詞有沒有用。
    有一點。
    但它們太空了。
    就像你跟攝影師說,幫我拍得高級一點。
    攝影師大概率會看你一眼,然後問你,在哪裡拍,什麼光,什麼服裝,什麼情緒,拍半身還是全身,鏡頭離人多遠。
    AI 也是一樣。
    它不是不懂美。
    它是不知道你要哪一種美。
    所以後來我寫寫真 prompt,會先問自己一個問題。
    這張圖的成立點是什麼。
    有些圖成立在場景。
    有些圖成立在光。
    有些圖成立在妝面。
    有些圖成立在鏡頭角度。
    有些圖成立在一個動作。
    你先抓住這個東西,後面的詞才有地方落。
    第一層,先給它一個能站住的場景
    我現在寫寫真,基本不會只寫「室內」、「戶外」、「棚拍」這種大詞。
    太虛。
    我會寫成一個具體空間。
    比如舊閣書案,不是古風房間。
    它是舊木案、鳥籠、黃綠色小鳥、散落穀粒、古書、手抄紙、卷軸、硯台、舊瓷果盤、桃子、竹簾、窗櫺、舊床榻。
    這一串東西看著有點多,但它不是為了讓每個道具都出現。
    它是在給 AI 一個空間密度。
    你可以理解成,我不是在告訴它「你一定要畫 12 個道具」。
    我是在告訴它,這個房間不是空的。
    這裡有人生活過。
    這裡有舊木頭的潮氣,有紙張,有紗簾,有鳥籠,有一點灰塵。
    畫面立住了,人再進去,就自然了。
    再比如夏日果園這一組。
    展開畫面重點這是一張具有清新風格的攝影作品。畫面中一名留著雙馬尾的年輕女子躺在竹蓆上,身穿綠色格紋背心搭配白色上衣,正透過吸管飲用瓶裝飲料。女子身旁放置著一個裝滿小番茄的竹籃,背景為陽光穿透樹葉的自然景致。畫面右下角有「nuyoah」字樣的浮水印。
    我沒有只寫「果園寫真」。
    我會寫樹葉、枝條、青色果實、藤蔓植物、竹籃、果籃、草帽、果汁、吸管、自然小路、濃密植被背景。
    更關鍵的是,我會寫一句。
    鏡頭像藏在果樹枝葉之間。
    這句話很有用。
    它會逼著畫面出現前景遮擋。
    有前景,畫面就不平。
    有遮擋,圖就像真的被人抓拍到,而不是 AI 把人端端正正擺在背景板前。
    我自己現在判斷一個場景寫得夠不夠,經常看它有沒有三層。
    前景有什麼。
    人物在哪裡。
    背景有什麼。
    如果三層都空,那大概率會生成一張很平的圖。
    第二層,別只寫風格,要寫成像方式
    很多人寫 prompt 喜歡寫風格。
    膠片感、CCD、電影感、雜誌感、氛圍感。
    這些詞可以寫,但只寫這些不夠。
    我現在更喜歡寫「它像什麼設備拍出來的」。
    比如富士相機攝影。
    比如尼康相機攝影。
    比如手機抓拍。
    比如直閃 CCD。
    比如高調奶油柔霧棚拍光。
    不同設備背後,其實是不同的成像邏輯。
    富士戶外容易帶出高飽和、藍天、膠片顆粒。
    直閃 CCD 會有硬陰影、皮膚反光、現場感。
    柔霧棚拍會有低對比、邊緣化開、奶油一樣的高光。
    你寫「高級感」的時候,AI 不知道怎麼高級。
    你寫「高調奶油柔霧棚拍光,大面積柔光從正前方和側前方包裹人物,整體曝光偏高,低對比,像隔著 Pro-Mist 柔霧濾鏡拍攝」,它就知道往哪邊使勁。
    這張白蘭柔霧就是這個思路。
    展開畫面重點畫面為一張人像攝影作品,整體色調柔和明亮。畫面左上角文字為「NUYOAH VISION」,底部中央文字為「SOFT HAZE STUDY」。畫面中的女性正低頭注視桌面上的粉色花朵,其穿著白色掛頸式上衣,手腕配戴細緻的手鍊,髮間裝飾著與桌上同款的粉色花朵。
    這張圖我最滿意的不只是臉。
    是光線很軟。
    手、花、白色桌面、背景,全都被光揉開了。
    prompt 裡真正起作用的,是「高調」、「柔霧」、「低對比」、「前景虛化」、「亮部輕微溢出但不要死白」。
    這裡有個小經驗。
    光線不要只寫美。
    要寫它從哪裡來,落在哪裡,最終會造成什麼效果。
    比如夏日花田這一組,我會寫強烈夏日自然光、草帽篩孔光斑、樹蔭斑駁光、花瓣柔焦、輕微眩光、邊緣虛化。
    你看,這不是一個形容詞。
    這是一個拍攝現場。
    第三層,妝容要寫成錨點,不要寫成化妝教程
    寫寫真很容易掉進另一個坑。
    妝容越寫越長。
    什麼眼影、睫毛、臥蠶、唇釉、鼻樑高光、面中腮紅、皮膚紋理,全都往裡塞。
    這塊我也踩過。
    結果就是,有些圖會變得,很像美妝廣告,甚至臉開始假。
    後來我發現,妝容最好只抓「最小可識別錨點」。
    也就是這張臉最重要的幾個識別點。
    比如水蜜桃氧氣寫真,妝面錨點是桃粉甜美妝、奶油肌、粉桃腮紅、眼下腮紅、水潤桃粉唇、果實發串、飄帶發飾。
    展開畫面重點這是一張具有夢幻風格的攝影作品。畫面中的女性梳著雙丸子頭,髮飾裝飾著擬真的水蜜桃與花朵,並垂墜著粉藍色的絲帶。她身穿淺色系、帶有透明感的古風服飾,妝容呈現粉嫩的腮紅感,並對著鏡頭做出眨眼與手掌向前的姿勢。前景有一顆模糊的水蜜桃,背景為明亮的戶外綠意與陽光,整體色調柔和且充滿春日氣息。畫面右下角有極小的「nuyoah」字樣。
    你會發現,它的重點不是「五官完美」。
    它的重點是整張臉像一顆桃子。
    腮紅、唇色、發飾、道具、光線,全都在幫這個感覺服務。
    這時候 prompt 就不要再寫一堆互相打架的妝容。
    不要一邊寫冷感厭世,一邊寫甜妹元氣。
    不要一邊寫歐美濃顏,一邊寫日雜透明感。
    我自己會用一個很土但挺好用的判斷法。
    如果我用一句話說不出這個妝的感覺,那這段妝容大概率還沒收住。
    比如白蘭柔霧是清透奶油裸妝。
    黑板職感是冷白皮直閃職感妝。
    夏溪花冠是花園精靈感桃粉妝。
    先有這一句,再往下補兩三個細節。
    別反過來。
    第四層,動作不要寫死,要寫動作骨架
    這塊可能很多人會卡。
    因為 AI 寫真最容易翻車的地方,就是姿勢。
    手指多一根,脖子擰得像壞掉,腿腳接不上,身體朝左,頭偏偏要回頭看鏡頭。
    我現在…

    12 min
  • @guinnesschen:Codex 導入執行緒轉移功能,讓使用者能把工作從本機交接到遠端環境並持續執行。 核心功能與應用場景 Codex 專案近期更新,正式支援在本地端與遠端主…

    Codex 導入執行緒轉移功能,讓使用者能把工作從本機交接到遠端環境並持續執行。

    核心功能與應用場景
    Codex 專案近期更新,正式支援在本地端與遠端主機(remote box)之間進行工作執行緒的轉移。這項功能解決了開發者在切換工作環境時,必須手動中斷並重新啟動任務的麻煩。使用者現在可以在筆記型電腦上開始工作,在合上螢幕前將執行中的任務「交接」給遠端主機,待稍後再將執行緒接回,做到跨裝置的接續。
    自動化轉移流程
    根據演示,Codex 透過 AI 自動化編排整個轉移過程,具體操作步驟如下:
    該影片展示了名為「codex」的 AI 助手工具,透過自動化指令將工作執行緒轉移至遠端環境(remote box)的過程。
    使用者輸入指令:「I'm about to leave the office. Please handoff my running threads to my remote box so they can keep running as I commute home. Make sure they are running in the remote box after handoff.」
    系統自動識別當前 6 個活躍的工作執行緒(包含如 Audit context handling 與 Investigate TUI snapshots 等任務)。
    Codex 依序執行轉移操作,包括建立新的 workspace、複製相關檔案、應用程式碼變更,並同步移動對話脈絡。
    系統會即時顯示每一項轉移任務的 Checked handoff status,確保所有執行緒在遠端環境中成功啟用。
    轉移完成後,系統會提示使用者透過 continue your original investigation 指令,即可在遠端環境接續先前的研究進度。
    技術影響
    這項更新不僅是單純的遠端連線,更強調了 AI 在 workspace 管理與執行緒排程上的主動性。透過 Codex 的自動化編排,開發者能將繁瑣的環境同步與狀態遷移交由 AI 處理,降低跨裝置開發的維護成本,讓 AI 能接手長期任務。

    該影片展示了名為「codex」的 AI 助手工具,透過自動化指令將工作執行緒轉移至遠端環境(remote box)的過程。 影片中的 Prompt 與操作:

    Prompt(00:00): 我準備離開辦公室了。請將我正在運行的執行緒轉移到我的遠端盒(remote box),這樣在我通勤回家時它們能持續運行。請確保轉移後它們在遠端盒中運行。

    原文:I'm about to leave the office. Please handoff my running threads to my remote box so they can keep running as I commute home. Make sure they are running in the remote box after handoff.

    操作步驟: 1. (00:00)使用者在輸入框輸入轉移指令並送出。 2. (00:07)系統開始自動執行轉移任務,介面顯示各項處理進度。 3. (00:26)系統顯示所有轉移操作成功(All handoff operations report: success)。 4. (00:35)系統總結轉移結果,並列出已轉移至遠端盒的執行緒清單。

    原文:https://easyvibecoding.app/curated/2134

    2 min
  • @omarsar0:從 Prompting Agents 到 Loop Engineering AI 程式開發圈流傳著一個說法:別再對你的程式開發 Agent 下 Promp…

    從 Prompting Agents 到 Loop Engineering

    AI 程式開發圈流傳著一個說法:別再對你的程式開發 Agent 下 Prompt 了,開始設計能替你下 Prompt 的「迴圈(Loop)」吧。就像所有新事物一樣,這類觀點總是被反覆提及,卻鮮少有人解釋清楚。這是一篇實務指南,說明什麼是 Agent 迴圈、為什麼它很重要,以及在生產環境中它長什麼樣子。
    以下是我從與學生、技術創辦人、AI 工程師及新創公司進行的實驗、研究與對談中整理出的心得(由 Claude 協助撰寫)。
    你也可以將我們最近的直播課程「自主長效型程式開發 Agent(Autonomous Long-Running Coding Agents)」作為切入點,深入了解這些概念。
    這個說法的由來
    「你不需要再對程式開發 Agent 下 Prompt 了。你應該設計能對 Agent 下 Prompt 的迴圈。」—— Peter Steinberger (@steipete),2026 年 6 月 7 日。220 萬次觀看。原始推文
    Claude Code 的開發者 Boris Cherny 也從另一個角度提出了相同的觀點。
    「我不再對 Claude 下 Prompt 了。我執行的是迴圈。是這些迴圈在對 Claude 下 Prompt 並決定該做什麼。我的工作是撰寫迴圈。」—— Boris Cherny (@bcherny)。原始推文
    重點並非 Prompt Engineering 已死。透過 Loop Engineering,工作層級向上提升了:從撰寫程式碼轉變為撰寫「負責撰寫程式碼的系統」。在這個領域進展最快的開發者表示,他們曾有數個月的時間,在完全沒開啟 IDE 的情況下發送了數百個 PR,每一行程式碼皆由 Agent 完成。
    什麼是迴圈(Loop)?
    迴圈是一個你撰寫的小型程式,它執行四件事:
    替你向程式開發 Agent 下 Prompt;
    讀取 Agent 的產出;
    判斷任務是否完成;
    若未完成,則帶著錯誤訊息或下一步指令再次向它下 Prompt。
    你不再需要坐在迴圈裡手動輸入 Prompt;你撰寫迴圈,而模型則成為該迴圈呼叫的一個子常式(subroutine)。
    展開畫面重點該流程圖由四個主要節點組成,箭頭指示了處理順序:
    「goal + state」(目標與狀態):流程的起點。
    「act」(執行):包含「edit / run / tool」(編輯/執行/工具)功能。
    「check」(檢查):包含「tests / verifier」(測試/驗證器)功能。
    「stop + report」(停止與報告):流程的終點。
    流程邏輯說明:
    當「check」階段結果為「pass」(通過)時,流程會導向「stop + report」。
    當「check」階段失敗時,會透過一條虛線箭頭回饋至「act」階段,標註文字為「fail: feed the error back」(失敗:將錯誤回饋)。
    其運作模式始終如一:設定目標、執行、檢查、回饋錯誤,並重複此過程,直到檢查通過或迴圈自行停止。
    「迴圈」至少代表五種含義
    許多爭論源於人們用同一個詞指代五種不同的概念。以下是從最舊到最新的演進:
    展開畫面重點該圖表以階梯狀呈現 AI 代理技術的發展歷程,從左下角的「較舊」技術演進至右上角的「較新」技術,並註明「每一階層都更具自主性」。圖中包含五個階段的節點:
    ReAct (2022, reason / act / observe)
    AutoGPT (2023, self-prompting goal)
    ralph loop (context reset each turn)
    /loop and /goal (cadence + completion built in)
    orchestration (one author, many agents)
    ReAct (2022):最初的研究模式:推理(Reason)、行動(Act)、觀察(Observe),然後重複。
    AutoGPT (2023):一個自我 Prompt 的目標迴圈,以「不知道何時該停止」而聞名。
    ralph 迴圈:在每次迭代之間刻意重置 context,避免 Agent 淹沒在自己的歷史紀錄中。
    /loop 與 /goal:將節奏與完成條件內建於 Agent 中,並在不同回合間維持狀態。
    Orchestration(編排):由一個主控端分派多個 Agent,讀取你的 GitHub、Slack 與聊天紀錄,並決定下一步該建構什麼。
    你實際組裝的零件
    上述演進解釋了人們口中的「迴圈」意指為何;以下是建構迴圈所需的基礎。這六個零件在每次組裝時都會出現,且現在大多數已內建於程式開發工具中,不再需要你自行維護自訂腳本。
    展開畫面重點圖片標題為「The six parts you assemble into a loop」(你組裝成迴圈的六個部分),內容包含六個編號項目:
    Trigger(觸發器):包含 schedule(排程)、webhook、PR label(PR 標籤)。
    Isolation(隔離):包含 a git worktree per agent(每個代理一個 git 工作樹)。
    Written-down context(書面上下文):包含 conventions it reads each run(每次執行時讀取的慣例)。
    Tool access(工具存取):包含 issue tracker(問題追蹤)、CI、DB(資料庫)、chat(聊天)。
    A second agent(第二個代理):包含 grades the work, held apart(評分工作,並保持分開)。
    State on disk(磁碟上的狀態):包含 markdown、board(看板)、queue(佇列)。
    觸發器(Trigger):無需你手動啟動,就能自動開始迴圈的機制:排程、webhook、檔案變更,或 PR 被貼上標籤。這是區分「真實迴圈」與「手動重複執行」的關鍵。
    隔離(Isolation):每個 Agent 擁有獨立的 checkout(通常是 git worktree),確保同時執行的兩個 Agent 不會覆寫彼此的檔案。一旦你同時執行超過一個 Agent,這就不再是選項,而是必要條件。
    書面化的 context:將慣例、建置步驟與專案特定規則存放在 Agent 每次執行時都能讀取的地方。若忽略此點,迴圈會在每次執行時重新推導你的專案,並對缺失的部分進行猜測。
    工具存取權(Reach into your tools):連接到 Issue Tracker、CI、資料庫與聊天軟體,讓迴圈能直接開啟 PR、連結 Ticket 並發布結果,而不是只列印出修正方案,還要等你手動執行後續步驟。
    第二個 Agent 檢查:由一個獨立的執行者評估輸出結果,且該執行者必須與產出結果的 Agent 分開,因為模型若審核自己的工作,幾乎所有內容都會通過。
    磁碟上的狀態(State on disk):Markdown 檔案、看板或佇列:任何存在於對話之外、能記錄「已完成」與「下一步」的媒介。模型在執行間會遺忘,但檔案不會。
    組裝好這六個零件,你就為 Loop Engineering 打下了良好的基礎。過去你必須手動打造一切;現在大多數功能已作為內建特性提供,這也是為什麼這種模式已從邊緣技術轉變為常見用法。
    具體迴圈範例:PR 保姆
    一個你今天就能建構的具體範例:
    展開畫面重點該圖表描述了一個名為「The PR babysitter, one scheduled run」的自動化工作流程,包含以下步驟與邏輯:
    觸發機制:每 15 分鐘(every 15 min)進行一次排程觸發(scheduled trigger)。
    篩選對象:針對標記為「agent-watch」的開啟中 PR(open PRs)。
    診斷階段:進行診斷(diagnose),檢查 CI 是否失敗(CI red?)或主分支是否有變動(main moved?)。
    執行動作:執行單次動作(act once),進行修復或重定基底(fix or rebase)。
    停止條件:若 CI 顯示綠燈(CI green)則合併 PR;若預算耗盡(1 次修復、5 分鐘、10 個檔案)則停止並通知人類(stop and ping a human)。
    觸發器:每 15 分鐘執行一次。
    範圍:標記為 agent-watch 的開放 PR。
    行動:若 CI 因為確定性原因失敗,嘗試一次修正。若主分支有更新,執行一次 rebase。
    預算:每個 PR 僅限一次修正嘗試、五分鐘時間、變更十個檔案。
    停止條件:CI 變為綠燈,或預算耗盡,隨後停止並通知人類。…

    8 min
  • @JohnJumperSci:John Jumper 離開 Google DeepMind 加入 Anthropic。 關於 John Jumper John Jumper 是 202…

    John Jumper 離開 Google DeepMind 加入 Anthropic。

    關於 John Jumper John Jumper 是 2024 年諾貝爾化學獎得主,與 Google DeepMind 執行長 Demis Hassabis 共同因開發 AlphaFold 獲獎(該屆獎項另一半頒予蛋白質設計研究的 David Baker)。AlphaFold 解開了困擾結構生物學逾 50 年的蛋白質摺疊難題,能直接從胺基酸序列高準確度預測蛋白質的 3D 結構,目前全球已有 190 多個國家、超過 200 萬名研究者使用。他在 DeepMind 近九年間領導 AlphaFold 團隊。

    人事異動詳情

    John Jumper 於 2026 年 6 月 20 日正式對外宣布,在 Google DeepMind 服務近 9 年後,決定離開該公司。在經歷一段休息充電期後,他將轉投 Anthropic 繼續其職業生涯。John Jumper 在聲明中特別感謝 Google DeepMind 執行長 Demis Hassabis,提到自己在博士畢業僅六個月後,便獲得領導 AlphaFold 團隊的機會,並對團隊在科學研究上的教導表達高度肯定。
    業界反應與評價
    此消息在社群媒體上引發廣泛關注,多位科技界重量級人物與同事紛紛表達祝福與期待:
    Google DeepMind 的 Jeff Dean 表示,過去與 John Jumper 的互動過程令他印象深刻,並給予誠摯祝福。
    Logan Kilpatrick 則幽默地表示,John Jumper 下一個職位的門檻極高,甚至開玩笑稱期待他能再拿一座諾貝爾獎。
    Anthropic 團隊成員如 Thariq 與 Nicholas Joseph 也公開表示歡迎,並對未來能與其共事感到興奮。
    此外,Paige Bailey、Danilo J. Rezende、Michal Valko 與 Max Jaderberg 等業界人士也對其過去在 Google DeepMind 的貢獻表達感謝,並期待他未來在 Anthropic 的發展。
    後續影響
    作為 AlphaFold 團隊的領導者,John Jumper 的離職被視為 AI 科學研究領域的重要人事變動。儘管離開了 Google DeepMind,John Jumper 表示仍會持續關注該團隊未來的科學突破。對 Anthropic 而言,延攬到一位諾貝爾獎得主是相當有份量的人才補強;外界也關注他加入後,會如何把 AI 推進到科學研究領域。

    原文:https://easyvibecoding.app/curated/2136

    3 min