EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • @figma:Figma 推出具備網路搜尋功能的設計 Agent,能自動分析 UX 缺陷並生成優化介面。 Figma 於 2026 年 6 月 19 日正式發布其設計 …

    Figma 推出具備網路搜尋功能的設計 Agent,能自動分析 UX 缺陷並生成優化介面。

    Figma 於 2026 年 6 月 19 日正式發布其設計 Agent 的最新功能,該 Agent 現已整合網路搜尋能力,使用者僅需透過提示詞(Prompt)或貼上 URL,即可讓 Agent 進行深度分析,並將產出的設計內容直接插入現有檔案中。
    核心功能與操作流程
    Figma 的設計 Agent 不僅是輔助工具,更能主動介入設計決策。以博物館票務頁面的 UX 優化為例,其運作流程如下:
    透過 Figma AI 代理人進行博物館票務頁面 UX 優化與介面設計的自動化流程。
    需求輸入:使用者可透過提示詞指令或提供外部網站連結,讓 Agent 進行分析。
    診斷與建議:Agent 會針對現有設計提出具體批評,例如票務選擇介面不直觀、即時總價顯示缺失、時間選擇混亂、行事曆可用性低、會員資訊隱藏以及 CTA 與定價區塊分離等問題。
    自動化執行:Agent 會根據既有的設計系統(如 MOSF design system)自動生成優化方案,將複雜流程拆解為「日期與時間」、「票券選擇」、「確認」三個步驟。
    內容整合:Agent 最終會產出符合設計一致性的介面螢幕,並允許使用者直接將這些成果插入 workspace 中。
    實際影響與技術價值
    此次更新強化了 Agent 的「端到端」設計能力,透過結合網路搜尋與設計系統的自動化生成,大幅縮短了從分析到產出的迭代週期。這項功能不僅能即時引用網路資訊作為設計參考,還能確保產出內容嚴格遵循既定的設計規範,對於需要快速優化複雜使用者流程的設計師而言,具備顯著的實務價值。

    透過 Figma AI 代理人進行博物館票務頁面 UX 優化與介面設計的自動化流程。 影片中的 Prompt 與操作:

    Prompt(00:02): 研究世界頂尖博物館票務頁面最重要的功能。並針對此設計提出優化建議。

    原文:Research the most important features for ticketing page from the world's leading museums. Make suggestions to clean up this design

    Prompt(00:24): 讓我們為每個步驟製作獨立的設計,這樣我可以看得更清楚。

    原文:Let's do a separate design for each step so I can see them clearly

    操作步驟: 1. (00:02)輸入優化建議指令 2. (00:24)輸入拆解步驟設計指令

    原文:https://easyvibecoding.app/curated/2104

    3 min
  • @OpenAI:OpenAI 發表 o3 Deep Research 協助臨床診斷罕見疾病。 OpenAI 攜手波士頓兒童醫院(Boston Children’s Hos…

    OpenAI 發表 o3 Deep Research 協助臨床診斷罕見疾病。

    OpenAI 攜手波士頓兒童醫院(Boston Children’s Hospital)與哈佛大學,於《NEJM AI》發表一項研究,展示如何利用「o3 Deep Research」模型,針對過去已進行基因定序與專家審查、卻仍無法確診的 376 例罕見疾病案例進行重新分析。研究結果顯示,該 AI 模型協助專家識別出 18 項診斷結果,涵蓋神經發育障礙、罕見神經肌肉疾病、兒科猝死及早發性精神病等領域。
    AI 在罕見疾病診斷中的角色
    罕見疾病的診斷極具挑戰性,因為基因定序可能產生數百萬個變異數據,且醫學知識更新迅速,導致臨床資訊與科學文獻往往呈現碎片化。OpenAI 強調,AI 並非用於取代醫師進行診斷或決策,而是扮演「推理層」的角色:
    整合臨床特徵、遺傳模式、變異證據與科學文獻,生成可供專家審查的假設。
    協助專家在複雜且碎片化的證據中進行更快速、更全面的推理。
    所有 AI 產出的結果均須經過人類專家審查、臨床確認,並透過認證實驗室進行驗證。
    一位遺傳學家分享如何利用 AI 工具協助處理複雜的基因數據分析。
    研究方法與臨床價值
    該研究針對已累積多年未解的案例進行回顧性分析,旨在探討 AI 如何讓「專家主導的定期重新分析」更具擴充性。隨著醫學知識進步,過去無法解釋的數據可能在今日變得具備意義,這使得 AI 成為處理龐大基因數據庫的有效輔助工具。在實際操作中,研究團隊將患者的臨床表現(使用「Human Phenotype Ontology」術語描述)、變異表與家族史輸入模型,並要求模型展示其推理過程,而非僅給出單一結論。
    這張流程圖展示了在罕見疾病基因組重新分析中,結合人類決策與大型語言模型(LLM)分析的協作工作流程。
    未來展望與限制
    儘管研究成果顯示 AI 能提升診斷效率,但 OpenAI 與研究團隊明確指出:
    此研究為回顧性分析,並非臨床診斷工具的直接應用,亦未測量時間成本或臨床負擔。
    未來需進行前瞻性、多中心研究,以評估 AI 輔助分析在診斷產出、臨床工作流程及醫療決策上的實際影響。
    OpenAI 基金會將資助波士頓兒童醫院的 Manton Center,進一步開發平台無關(platform-agnostic)且低成本的遺傳學 AI 協作工具,協助臨床團隊更一致地分析罕見疾病。
    這項研究證明了透過 AI 輔助,專家能更有效地將結構生物學、免疫學與臨床遺傳學的零散發現,轉化為具體的科學假設,為那些等待多年卻未獲答案的家庭帶來一線希望。

    一位遺傳學家分享如何利用 AI 工具協助處理複雜的基因數據分析。 影片中的 Prompt 與操作:

    Prompt(01:47): 為我總結一下。

    原文:Summarize it for me.

    Prompt(01:49): 為我總結這部分。

    原文:Summarize this part for me.

    操作步驟: 1. (01:47)在筆記型電腦的 AI 對話框輸入指令 2. (01:49)在筆記型電腦的 AI 對話框輸入指令

    原文:https://easyvibecoding.app/curated/2089

    4 min
  • @liquidai:Liquid AI 發布了 LFM2.5-Embedding-350M 與 LFM2.5-ColBERT-350M,提供 11 種語言的超高速與高精確度檢索能力…

    Liquid AI 發布了 LFM2.5-Embedding-350M 與 LFM2.5-ColBERT-350M,提供 11 種語言的超高速與高精確度檢索能力。

    這兩款 350M 參數的模型是 Liquid AI 旗下「LFM」家族首批雙向編碼器,專為短文本情境(如產品目錄、FAQ、知識庫)設計,並針對企業級應用優化,端到端檢索延遲最低可達 1.5ms。
    模型定位與差異
    Liquid AI 指出,檢索模型通常需要在速度與準確度之間做出取捨,這兩款模型分別對應不同的需求:
    LFM2.5-Embedding-350M:採用密集雙編碼器架構,將每個文件轉換為單一向量。適合追求極致搜尋速度與最小索引體積的場景。
    LFM2.5-ColBERT-350M:採用「Late Interaction」架構,將每個 token 轉換為向量,並透過 MaxSim 進行逐詞比對。適合對準確度要求較高、可容忍較大索引體積的場景。
    Liquid AI 推出的 LFM2.5-ColBERT-350M 與 LFM2.5-Embedding-350M 在多語言檢索基準測試(NanoBEIR 與 MKQA)中,表現皆優於其前代版本及其他同類模型(如 Qwen3-Embedding-0.6B、gte-multilingual-base 等),展現出同級最佳的檢索品質。
    技術架構與效能
    兩款模型均基於 LFM2.5-350M-Base 進行雙向補丁(bidirectional patches)調整,將原本的因果解碼器(causal decoder)轉變為雙向編碼器,使每個 token 都能同時關注左右上下文。
    部署靈活性:支援 llama.cpp 的 GGUF 格式,可在 CPU、筆記型電腦及邊緣裝置上運行,端到端查詢嵌入延遲低於 10ms。
    企業級效能:在 GPU 上透過自定義執行環境(custom runtime),端到端查詢嵌入延遲可低於 2ms。
    語言支援:涵蓋阿拉伯語、德語、英語、西班牙語、法語、義大利語、日語、韓語、挪威語、葡萄牙語及瑞典語。
    在單張 H100 GPU 的內部 GPU 堆疊測試中,LFM2.5-ColBERT Query Embedding 在高併發數(Concurrency=32)下展現出最高的每秒查詢率(QPS),突破 5,000 QPS,顯著優於加入 MaxSim 或 Doc Embedding 的檢索配置。
    實作指引(以 LFM2.5-ColBERT-350M 為例)
    若要使用 PyLate 進行文件索引與檢索,請依照下列步驟操作:
    安裝必要套件:
    `bash
    pip install -U pylate
    `
    載入模型並初始化索引:
    `python
    from pylate import indexes, models, retrieve
    載入模型
    model = models.ColBERT(
    modelnameor_path="LiquidAI/LFM2.5-ColBERT-350M",
    trustremotecode=True,
    )
    model.tokenizer.padtoken = model.tokenizer.eostoken
    初始化 PLAID 索引
    index = indexes.PLAID(
    index_folder="pylate-index",
    index_name="index",
    override=True,
    )
    `
    編碼並新增文件:
    `python
    documents = ["document 1 text", "document 2 text", "document 3 text"]
    documents_ids = ["1", "2", "3"]
    documents_embeddings = model.encode(
    documents,
    batch_size=32,
    is_query=False,
    showprogressbar=True,
    )
    index.add_documents(
    documentsids=documentsids,
    documentsembeddings=documentsembeddings,
    )
    `
    執行檢索:
    `python
    retriever = retrieve.ColBERT(index=index)
    queries_embeddings = model.encode(
    ["query for document 3", "query for document 1"],
    batch_size=32,
    is_query=True,
    showprogressbar=True,
    )
    scores = retriever.retrieve(
    queriesembeddings=queriesembeddings,
    k=10,
    )
    `
    更多詳細資訊可參考 官方部落格文章、Hugging Face 頁面 或 官方文件。

    原文:https://easyvibecoding.app/curated/2097

    4 min
  • @Kimi_Moonshot:Kimi Work 推出 Goal Mode,無人值守完成長週期任務。 Kimi.ai 於 2026 年 6 月 18 日發布了 Kimi Work 的「…

    Kimi Work 推出 Goal Mode,無人值守完成長週期任務。

    Kimi.ai 於 2026 年 6 月 18 日發布了 Kimi Work 的「Goal Mode」,這項功能專為處理複雜的多步驟工作流程與長週期任務(Long-horizon Tasks)而設計,允許桌面 Agent 在無人值守的情況下持續運作,直到任務完成為止。
    核心功能與應用場景
    Goal Mode 的核心在於將單一目標拆解為自動化執行序列。根據展示的應用案例,使用者只需設定一個宏觀目標,Agent 即可自主完成以下繁瑣流程:
    閱讀與分析大量文獻(如 80 篇論文)。
    下載並處理大規模檔案(如 2,000 頁的 PDF 文件)。
    執行資料提取與整理(如讀取 Excel 表格)。
    建立結構化知識庫(如自動生成 Markdown 檔案並建立知識關聯連結,直接匯入 Obsidian)。
    Kimi Work 透過自動化 AI 代理執行複雜的長週期研究任務,協助使用者整理大量文獻並建立知識庫。
    技術執行流程
    Kimi Work 透過 Agent 的自主規劃能力,將複雜需求轉化為可執行的步驟。系統介面會即時顯示任務進度,讓使用者能監控 Agent 的當前狀態。其運作邏輯如下:
    使用者輸入最終目標。
    Agent 自動規劃執行路徑並進行任務拆解。
    系統依序執行檔案下載、內容解析、資料轉換等操作。
    Agent 持續運作直至所有子任務完成,並將最終成果歸檔至指定的 workspace 中。
    實際影響
    Goal Mode 的推出標誌著 Kimi Work 從單純的對話輔助工具,轉向具備 Agentic 自動化任務能力的生產力平台。透過 24/7 的自動化排程,該功能顯著降低了知識工作者在處理大規模文獻回顧與資料整理時的負擔,實現了從「指令執行」到「目標導向」的轉變。

    Kimi Work 透過自動化 AI 代理執行複雜的長週期研究任務,協助使用者整理大量文獻並建立知識庫。 影片中的 Prompt 與操作:

    Prompt(00:07): 我是一名正在進行大型語言模型(LLMs)研究的美國學生。請下載表格中列出的所有 80 篇論文的 PDF 檔案,將它們放入您的工作區,並妥善整理。

    在仔細閱讀每篇論文後,請為每篇論文建立一個 Markdown 檔案,並將檔案儲存在我的 Obsidian 知識庫中:

    /Users/moonshot/my_knowledge/test_case

    每個 Markdown 檔案應以相應的論文標題命名。在每個檔案的開頭,請包含標題、作者、網址、期刊或會議名稱以及其他相關元數據。然後總結論文的核心貢獻、研究方法與推理、過程以及主要限制。

    Markdown 檔案還應清楚反映這些論文之間的主要知識關聯,以便我可以透過 Obsidian 的圖譜視圖輕鬆理解它們之間的聯繫。

    原文:I am an American student conducting research on large language models (LLMs). Please download the PDF files of all 80 papers listed in the table, place them in your workspace, and organize them properly.

    After carefully reading each paper, create one Markdown file for each paper and save the files in my Obsidian knowledge base at:

    /Users/moonshot/my_knowledge/test_case

    Each Markdown file should be named after the corresponding paper title. At the beginning of each file, include the title, authors, URL, journal or venue, and other relevant metadata. Then summarize the paper's core contributions, research methods and reasoning, process and primary limitations.

    The Markdown files should also clearly reflect the major knowledge relationships among these papers, so that I can easily understand their connections through the Obsidian graph view.

    操作步驟: 1. (00:07)使用者在對話框輸入任務指令並點擊送出。 2. (00:10)系統介面顯示任務已設定為目標(Set as goal)。 3. (00:11)系統開始執行任務,顯示思考過程與步驟規劃。 4. (00:13)任務執行中,顯示各階段進度條。 5. (00:18)任務完成,介面顯示「Done!」。

    原文:https://easyvibecoding.app/curated/2102

    3 min
  • @NoamShazeer:Transformer 八位作者之一 Noam Shazeer 離開 Google,投奔 OpenAI 出任架構研究負責人。 人事異動核心 Google…

    Transformer 八位作者之一 Noam Shazeer 離開 Google,投奔 OpenAI 出任架構研究負責人。

    人事異動核心
    Google 資深研究員 Noam Shazeer 於 2026 年 6 月 18 日宣布離開 Google,並正式加入 OpenAI。OpenAI 前沿研究負責人 Mark Chen 隨即公開歡迎,並確認 Noam Shazeer 將擔任 OpenAI 的「架構研究負責人」(lead for architecture research)。
    技術貢獻與影響力
    Noam Shazeer 在人工智慧領域的影響力深遠,Mark Chen 特別點出其在以下關鍵技術的貢獻,這些技術已成為現代 AI 的基石:
    Transformer 架構:推動了當前主流大型語言模型的基礎架構。
    MoE(混合專家模型):大幅提升了模型運算效率與規模化能力。
    高效解碼(Efficient decoding):優化了模型推論時的效能表現。
    延伸背景:Transformer 八作者與技術譜系
    〈Attention Is All You Need〉(2017)由八位作者共同發表,論文官方註明所有人貢獻相等、署名順序隨機,Noam Shazeer 為其中之一。上述三項貢獻皆有明確出處:Transformer 出自這篇開山論文;MoE(混合專家)來自他掛第一作者的〈Sparsely-Gated Mixture-of-Experts〉;而「高效解碼」即是他獨力提出的 Multi-Query Attention(論文〈Fast Transformer Decoding〉)。職涯軌跡上,他於 2021 年離開 Google 創辦 Character.AI,2024 年 Google 以約 27 億美元授權交易延攬其回任 Gemini 技術共同負責人,此次再轉投 OpenAI。值得一提的是,這八位作者如今已全數離開 Google 各自創業,分別投入 Cohere、Essential AI、Sakana AI、NEAR Protocol 等公司。
    業界觀點與期待
    此次轉職在 AI 業界引發高度關注,OpenAI 團隊成員紛紛表達歡迎,並對其加入後的技術突破寄予厚望:
    Mark Chen 強調 Noam Shazeer 對於實現 AGI(通用人工智慧)有著極高的熱忱與深刻的思考,認為其加入將有助於確保 AI 發展朝向正確且正面的方向前進。
    包含 Noam Brown、Greg Brockman、Sebastien Bubeck 等 OpenAI 核心成員均公開表示期待與其合作。
    Logan Kilpatrick 則特別感謝 Noam Shazeer 在 Google 期間對 Gemini 專案的重大貢獻,並給予其職涯新階段的祝福。
    團隊動態
    此次人事變動不僅是頂尖人才的流動,更顯示 OpenAI 正積極強化其在模型架構底層研究的布局。Noam Shazeer 本人則表示,離開 Google 是一個艱難的決定,並對過去在 Google 與團隊共同打造的成果感到自豪,同時也對即將加入 OpenAI 的優秀團隊感到興奮。

    原文:https://easyvibecoding.app/curated/2087

    4 min
  • @cursor_ai:Cursor 3 啟用雲端 Agent 實現任務平行處理。 Cursor 團隊近期針對 Cursor 3 平台推出了「Cloud Agents」與雲端環境…

    Cursor 3 啟用雲端 Agent 實現任務平行處理。

    Cursor 團隊近期針對 Cursor 3 平台推出了「Cloud Agents」與雲端環境設定功能,旨在解決本地開發環境在執行複雜任務時的效能瓶頸。透過將開發任務遷移至雲端虛擬機(VM),開發者不僅能釋放本地資源,還能透過平行處理多個 Agent 來加速專案開發,即使關閉筆記型電腦,雲端任務仍會持續執行。
    影片演示了 Cursor 3 平台中「Cloud Agents」功能的運作流程,展示如何將本地開發任務遷移至雲端並進行平行處理。
    雲端環境設定與快照機制
    Cursor 現在能協助開發者在 10 分鐘內完成雲端開發環境的建置。系統會自動處理依賴套件安裝等繁瑣任務,並將環境狀態儲存為可重複使用的快照(Snapshot)。
    透過將環境設定儲存於 .cursor/environment.json,團隊成員可共享一致的開發環境。
    快照機制確保未來的雲端 Agent 能快速啟動,並能持續進行測試與迭代,直到產出內容經過驗證。
    這是一個軟體開發介面的輸入框區域,顯示了專案名稱、模型選擇設定以及快速操作指令。
    雲端子 Agent 與 /in-cloud 指令
    為了保持本地 workspace 的整潔與反應速度,開發者可以使用 /in-cloud 指令啟動雲端子 Agent。
    隔離執行:子 Agent 會在獨立的 VM 與分支中運行,適合處理 CI 修復、問題調查或程式庫探索等長時任務。
    平行作業:開發者可同時啟動多個雲端 Agent,並透過手機或本地端下達指令,讓 Agent 自動完成任務。
    自動化 PR 管理:透過點擊快速操作按鈕或使用 /babysit 指令,雲端 Agent 可負責監控並迭代 PR,直到程式碼準備好合併,無需佔用本地開發視窗。
    任務遷移與互動流程
    根據 Cursor 3 的演示,開發者可以靈活地在本地與雲端之間切換 Agent 工作階段。
    任務監控:在 Agents Window 中,使用者可即時查看 Agent 的「Thought」(思考過程)、「Explored」(探索過的檔案)、「Edited」(編輯過的檔案)以及「Planning next steps」(下一步規劃)。
    靈活調度:若開發者需要親自測試變更,可隨時將雲端運行的 Agent 狀態「拉回」本地端進行操作。
    平行處理範例:平台支援同時執行多項任務(如「Add dark mode」、「Migrate website to next.js」或「Build Android app」),並會顯示各項任務的預估執行時間,大幅提升開發效率。
    該影片展示了開發者使用 Cursor 編輯器中的 AI Composer 功能,透過自然語言指令自動修改程式碼並實現網頁互動效果的過程。
    欲了解更多關於雲端 Agent 的詳細設定與使用指南,請參考官方更新日誌:Cursor Cloud Agents Changelog 。

    影片演示了 Cursor 3 平台中「Cloud Agents」功能的運作流程,展示如何將本地開發任務遷移至雲端並進行平行處理。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)點擊「Move to Cloud」按鈕將任務遷移至雲端。 2. (00:19)在手機介面上查看「Running Cloud Agents」的任務列表與狀態。

    該影片展示了開發者使用 Cursor 編輯器中的 AI Composer 功能,透過自然語言指令自動修改程式碼並實現網頁互動效果的過程。 影片中的 Prompt 與操作:

    Prompt(00:00): 更新 fin-cloud 的評測頁面,讓滑鼠懸停的模型在圖表中高亮顯示。

    原文:Update the evals page fin-cloud so hovered models highlight in the chart

    操作步驟: 1. (00:00)輸入指令並送出 2. (00:06)AI 代理開始執行任務 3. (00:13)AI 完成程式碼編輯並回報結果

    原文:https://easyvibecoding.app/curated/2073

    3 min
  • @claudeai:Claude Design 整合 Claude Code 實現品牌一致性。這項更新旨在讓 AI 能夠使用真實元件進行建構,並在呈現前自動進行自我檢核,大幅提升設…

    Claude Design 整合 Claude Code 實現品牌一致性。這項更新旨在讓 AI 能夠使用真實元件進行建構,並在呈現前自動進行自我檢核,大幅提升設計與開發流程的協作效率。

    核心功能與整合
    Claude Design 引入了多項針對設計與開發工作流程的優化,讓使用者能更流暢地處理專案:
    品牌一致性:系統能從程式庫、設計檔案或現有程式碼匯入設計系統,確保產出符合品牌規範。
    自我檢核機制:Claude 在將成果呈現給使用者前,會先對照設計系統進行自動檢查,確保輸出品質。
    畫布編輯:重新設計的編輯器提供更穩定的操作體驗,使用者可透過新的版面控制功能,直接在畫布上拖曳、調整大小及對齊元素。
    這是一張展示網頁設計編輯介面與終端機指令互動的開發環境截圖。
    開發協作與同步
    Claude Design 與 Claude Code 實現了雙向同步功能,讓設計與程式開發之間的銜接更加緊密:
    雙向工作流:使用者可將設計交付給 Claude Code 進行建構,或是在 Claude Code 中啟動專案,並從終端機同步設計專案。
    擴充工具鏈:支援將工作成果匯出為 PDF 或 PowerPoint 格式,並能與更多現有的生產力工具進行串接。
    使用說明
    Claude Design 目前已進入 Beta 測試階段,開放給所有付費方案的使用者,並支援網頁版與桌面版應用程式。使用者可透過 Claude Design 官方頁面 開始體驗。

    原文:https://easyvibecoding.app/curated/2077

    2 min
  • @ChatGPTapp:ChatGPT 推出全新排程任務功能,並宣布將於 14 天內終止 Pulse 服務。 核心功能更新 ChatGPT 於 2026 年 6 月 18 日正…

    ChatGPT 推出全新排程任務功能,並宣布將於 14 天內終止 Pulse 服務。

    核心功能更新
    ChatGPT 於 2026 年 6 月 18 日正式推出優化後的排程任務功能,旨在提升自動化任務的執行速度與可靠性。此次更新重點如下:
    專屬管理頁面:新增「Scheduled」頁籤,讓使用者能更直觀地管理所有排程任務。
    跨平台支援:此功能已陸續向 Go、Plus、Pro、Business 及 Enterprise 等方案的使用者開放,涵蓋網頁版與行動裝置應用程式。
    實際應用場景:使用者可設定特定觸發條件,例如要求系統在每場葡萄牙足球賽前自動產出對手分析報告。系統會於賽事將近時發送主動通知,點擊後即可查看包含球員強弱勢分析及戰術建議的完整報告。
    這段影片展示了 ChatGPT 的「排程」功能,讓使用者能設定自動化任務並接收主動通知。
    服務調整與替代方案
    隨著排程功能的強化,官方同步宣布將於 14 天內正式關閉 Pulse 服務。官方建議使用者透過以下方式無縫銜接原有的資訊獲取需求:
    每日簡報:利用全新的排程任務功能,設定每日自動生成簡報。
    個人化整合:系統將根據使用者的興趣、過往對話紀錄以及已連結的應用程式,自動彙整並提供每日更新資訊。
    這項變動顯示 ChatGPT 正將自動化與主動通知功能整合至核心排程系統中,藉此取代單一功能的 Pulse,讓使用者能更靈活地管理郵件摘要、新聞簡報等自動化流程。

    這段影片展示了 ChatGPT 的「排程」功能,讓使用者能設定自動化任務並接收主動通知。 影片中的 Prompt 與操作:

    Prompt(00:00): 在每場葡萄牙隊比賽的前一天,發送一份關於對手的球探報告給我,內容包含關鍵球員與戰術。

    原文:04: The day before every Portugal match send me a scouting report on the opponent including key players and tactics

    操作步驟: 1. @0:04 在對話框輸入指令並送出 2. @0:24 點擊左側選單的「Scheduled」頁籤 3. @0:26 檢視已排程的任務列表

    原文:https://easyvibecoding.app/curated/2071

    2 min
  • @ClaudeDevs:Claude Build Day 匯集開發者展示 Claude 模型應用。 活動概況 Anthropic 於舊金山舉辦「Claude Build Day…

    Claude Build Day 匯集開發者展示 Claude 模型應用。

    活動概況
    Anthropic 於舊金山舉辦「Claude Build Day」,吸引 300 位開發者參與。活動中開發者們在單日內完成多項具備高度實用性與技術深度的專案,展現了大型語言模型在歷史研究、社會模擬及 3D 視覺生成領域的應用潛力。
    一群人在明亮的室內空間中圍繞著長桌使用筆記型電腦進行工作或交流。
    獲獎專案亮點
    本次活動選出三項最具代表性的獲獎作品:
    第一名:Tekton
    由 Holly Tang 與 Austin Burgess 開發,是一個以證據為導向的 3D 重建平台。該工具能將唐代建築等歷史文物進行數位還原,每個組件皆可追溯至歷史文獻。使用者可透過介面滑桿控制建築的生成進度(從地基、樑柱至內部細節),並利用「Recover」功能根據歷史考證(如唐代特有的紅綠配色)進行精確還原,點擊組件即可查看背景資訊。
    兩位講者展示名為 Tekton 的歷史建築重建引擎,透過 AI 技術將歷史建築與文物進行 3D 建模與還原。
    第二名:Sim Francisco
    由 Tanmayi Priya Dasari 與 Tejas Prabhune 開發,是一個基於人口普查資料的舊金山數位孿生模擬平台。該系統模擬了 10,000 名具備個人背景標籤(如社會傾向、職業、交通習慣)的虛擬居民。使用者可針對特定議題(如「是否將 Carl the Fog 定為舊金山官方吉祥物」)進行民調,系統能即時分析不同族群的立場與意見分佈,並預測現實世界的社會反應。
    兩位學生展示名為「Sim Francisco」的模擬平台,該平台透過模擬舊金山居民的行為來預測社會反應。
    第三名:Custom Universe
    由 Jake Stevens 與 Mauricio Pereira 開發,是一個即時 3D 渲染引擎。該工具能將單張手機照片轉化為可編輯的寫實 3D 場景。使用者在左側編輯視窗匯入或移動 3D 模型(如椅子)時,右側視窗會即時更新渲染影像。該工具支援參數調整,包括 Steps: 4、Seed: 42 與 Size: 512 x 512 等設定,顯著提升了場景生成的互動效率。
    兩名男子分別站在一個橘色像素風格造型的立式工作台兩側,正專注地使用筆記型電腦工作。
    技術影響
    本次活動由 Cerebral Valley 共同主辦,展示了 AI 開發者生態系正從單純的文字生成,轉向結合歷史考證、社會科學模擬與即時 3D 渲染的複雜應用場景。這些專案證明了透過 Claude 的 API 與開發者工具,開發者能在極短時間內構建出具備高度專業知識與互動性的應用程式。
    兩名講者展示名為「Custom Universe」的 AI 工具,該平台能將 3D 模型即時轉譯為寫實的室內場景影像。
    一群參與者在「Claude Build Day」活動背板前合影留念。

    兩位講者展示名為 Tekton 的歷史建築重建引擎,透過 AI 技術將歷史建築與文物進行 3D 建模與還原。 影片中的 Prompt 與操作:

    操作步驟: 1. @00:07 點擊右側滑桿,從地基開始逐步生成建築結構。 2. @00:24 點擊佛像,彈出包含歷史背景與結構說明的資訊視窗。 3. @00:45 點擊「Recover」按鈕,將建築外觀切換為唐代風格。 4. @00:56 點擊建築構件,彈出關於唐代木結構的詳細說明視窗。 5. @01:10 切換至「Notre-Dame」專案,展示尖塔的結構設計圖。

    兩位學生展示名為「Sim Francisco」的模擬平台,該平台透過模擬舊金山居民的行為來預測社會反應。 影片中的 Prompt 與操作:

    Prompt(00:48): 你認為卡爾霧(Carl the Fog)應該成為舊金山的官方吉祥物嗎?

    原文:Do you think Carl the Fog should become the official SF mascot?

    操作步驟: 1. (00:42)點擊網頁介面上的輸入框 2. (00:48)輸入問題並送出 3. (00:58)點擊地圖上的特定居民圖示以查看詳細資訊

    兩名講者展示名為「Custom Universe」的 AI 工具,該平台能將 3D 模型即時轉譯為寫實的室內場景影像。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:12)點擊「Load demo scene」載入範例場景 2. (00:24)點擊「Import 3D」並從檔案系統選擇「Can.obj」模型 3. (00:42)點擊場景中的植物模型並將其刪除 4. (00:47)點擊場景中的沙發模型並進行移動調整

    原文:https://easyvibecoding.app/curated/2063

    3 min
  • @googledevs:Google 推出 Agentic Resource Discovery 開放規格建立信任機制。 核心目標與願景 Google 聯合 Cisco、Databri…

    Google 推出 Agentic Resource Discovery 開放規格建立信任機制。

    核心目標與願景 Google 聯合 Cisco、Databricks、GitHub、GoDaddy、Hugging Face、Microsoft、NVIDIA、Salesforce、ServiceNow 與 Snowflake 等產業夥伴,共同發布了 ARD 開放規格。該規格旨在解決當前 AI Agent 生態系中,工具、skill 與 Agent 資源分散且缺乏互通性的問題。透過 ARD,Agent 能夠在跨組織的網路環境中,安全地搜尋、識別並驗證各類資源(如 MCP 伺服器、工具或其它 Agent)的安全性與可靠性,進而實現更靈活的自動化協作。

    技術架構與運作機制 ARD 的運作基礎建立在「目錄(Catalogs)」與「註冊中心(Registries)」兩大核心組件上: 目錄(Catalogs):組織將其提供的能力描述發布於自有網域下,利用網域所有權作為加密身分與信任的基礎。 註冊中心(Registries):扮演「Agent 網路搜尋引擎」的角色,負責爬取並索引各組織的目錄,供 Agent 進行搜尋與驗證。

    此圖表說明了 AI 代理程式透過發布目錄(Catalog)或註冊中心(Registry)進行資源探索與連結的運作架構。

    執行流程 根據官方說明,一個完整的 ARD 運作流程包含四個關鍵階段: 發布目錄:提供者需在網域的指定路徑下託管一個 ai-catalog.json 檔案,詳細描述其提供的 MCP 伺服器、A2A Agent 或 OpenAPI 工具等能力。 搜尋與解析:Agent 可透過自然語言意圖查詢註冊中心,或直接從合作夥伴的網域獲取目錄。 加密驗證:透過 ARD 的信任中繼資料,Agent 在連線前可主動確認發布者的加密身分,確保安全性。 執行連線:驗證完成後,Agent 會動態載入該能力,並透過其原生協定進行互動。

    企業應用與整合 Google Cloud 的「Gemini Enterprise Agent Platform」已將 ARD 納入其「Agent Registry」中,協助企業進行資源治理。此平台支援全託管的搜尋與託管功能,並透過「Agent Identity」機制強制執行出口政策與合規性標準(如 HIPAA)。Google 計畫在未來幾個月內於平台中提供 ARD 的原生支援,讓企業能將內部註冊中心安全地連結至全球聯合網路。

    開發者資源 開發者可透過以下管道參與 ARD 生態系: 快速入門:依照指南在自有網域託管 ai-catalog.json,即可讓服務被搜尋。 查閱規格:詳細規格、Schema 定義、聯合模型與參考實作可參閱 ARD 官方規格文件。 參與社群:歡迎前往 ARD GitHub 儲存庫 貢獻程式碼或提出建議。

    原文:https://easyvibecoding.app/curated/2069

    4 min