EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • @framer:Framer 3.0 正式推出,透過深度整合 AI Agent、分支管理與社群功能,全面提升網頁設計與開發的生產力。 Framer 3.0 推出全新 …

    Framer 3.0 正式推出,透過深度整合 AI Agent、分支管理與社群功能,全面提升網頁設計與開發的生產力。

    Framer 3.0 推出全新 AI 代理功能,協助使用者進行網頁設計、內容管理與程式碼開發。
    核心 AI Agent 功能
    Framer 3.0 將 AI Agent 嵌入設計流程的各個環節,旨在提升使用者的生產效率而非取代人工。這些 Agent 具備多項關鍵能力,包括:
    設計網頁頁面與更新網站內容。
    管理 CMS(內容管理系統)並優化 SEO。
    自動修正響應式設計,確保在 Desktop、Tablet 與 Phone 裝置上的排版精確。
    解析數據分析結果,並協助使用者快速完成專案發布。
    透過 AI 聊天視窗輸入指令,即可自動生成如 ImageWheel.tsx 等自訂程式碼元件。
    這是一個軟體介面的局部截圖,顯示了包含「Agent」、「Style」、「New Chat」選項以及「Publish」按鈕的工具列。
    分支管理機制
    為了提供更安全的編輯環境,Framer 3.0 引入了「分支(Branching)」功能,讓使用者與 Agent 能在隔離的環境中進行實驗性修改。
    允許 Agent 進行頁面重新設計、內容更新或大型變更,而不會直接影響正式環境。
    使用者可針對每一項編輯進行審核與精煉,確認無誤後再合併至主分支,確保發布過程的穩定性。
    這是一個展示軟體開發版本控制介面的設計圖,左側列出各個分支(Branches),右側則顯示對應的變更內容(Changes)。
    外部 Agent 整合
    Framer 3.0 支援將現有的 AI 工作流程帶入專案中,透過連結 Claude、Codex 與 Cursor 等工具,讓外部 Agent 能夠直接建立、編輯、稽核並管理 Framer 專案。這讓使用者能延續既有的 AI 開發習慣,並在 Framer 畫布上進行最終審核與發布。
    三個具有現代化設計風格的應用程式圖示並排呈現於黑色背景上。
    社群與生態系
    全新改版的 Framer Community 直接內建於應用程式中,旨在協助使用者建立個人聲譽、尋找合作機會並拓展業務。
    整合了 Marketplace、Gallery、Feed、Members 與 Contests 等功能。
    使用者可透過這些管道展示作品、與頂尖人才互動,並探索更多設計資源。
    這是一張展示社交平台介面設計的螢幕截圖,畫面呈現了包含個人資訊、動態牆及社群功能選單的深色模式佈局。
    實作與應用
    在實際操作中,使用者可透過側邊欄管理 Pages、Layers 與 Assets,並利用分支功能進行版本控制。系統展示了多種進階互動效果的應用,如 InteractivePointSphere、GravityCursorImages、ChromaticCylinder 與 MagneticGallery。此外,CMS 管理介面也經過優化,能清晰呈現部落格文章狀態(Live)、圖片與作者資訊(如 Sarah Chen, Marcus Rivera, James Liu 等),實現「與 Agent 共同設計、在畫布上精煉、與團隊共同發布」的完整工作流。詳細資訊請參考 Framer 官網 與 協作功能頁面。

    Framer 3.0 推出全新 AI 代理功能,協助使用者進行網頁設計、內容管理與程式碼開發。 影片中的 Prompt 與操作:

    Prompt(00:20): 使用這些新的文字樣式和佈局設定,並更新頁面的其餘部分以進行匹配。

    原文:Use these new text styles and layout settings and update the rest of the page to match.

    Prompt(00:31): 建立一個 Framer 程式碼元件,將上傳的圖片顯示在一個可拖曳的旋轉環中,並隨捲動速度加快

    原文:Build a Framer code component that displays uploaded images in a draggable rotating ring that speeds up on scroll

    Prompt(00:43): 閱讀這些部落格文章並為每一篇建立類別,新增一個欄位。

    原文:Read these blogposts and create categories for each of them, adding a new field.

    操作步驟: 1. (00:20)使用者在 Agent 對話框輸入指令調整頁面樣式。 2. (00:26)使用者透過「+」號選單生成不同裝置(Tablet, Phone)的版面。 3. (00:30)使用者在 Agent 對話框輸入指令生成程式碼元件。 4. (00:43)使用者在 CMS 介面透過 Agent 自動分類部落格文章。

    原文:https://easyvibecoding.app/curated/2041

    3 min
  • @Zai_org:Z.ai 發布旗艦模型 GLM-5.2,具備 1M token 上下文視窗並強化 Agentic 程式開發能力。 Z.ai 於 2026 年 6 月 17…

    Z.ai 發布旗艦模型 GLM-5.2,具備 1M token 上下文視窗並強化 Agentic 程式開發能力。

    Z.ai 於 2026 年 6 月 17 日正式推出 GLM-5.2,這款旗艦模型專為長跨度(long-horizon)任務設計,提供 1M token 的穩定上下文視窗,並以 MIT 授權釋出開放權重。該模型在程式撰寫、工具呼叫與複雜推理任務上均有顯著提升,並支援靈活的推理努力程度(reasoning effort)控制,讓使用者能在效能與運算成本間取得平衡。
    根據官方推文,新一代模型 GLM-5.2 在程式設計、工具使用、推理和通用知識等多個領域的基準測試中,皆以顯著優勢領先其前代模型 GLM-5.1。
    核心技術與架構創新
    IndexShare 架構:透過在每四層稀疏注意力層(sparse attention layers)中重複使用同一個索引器,將 1M 上下文長度下的每 token FLOPs 降低了 2.9 倍。
    MTP 優化:改進了用於推測解碼(speculative decoding)的 MTP 層,使接受長度提升達 20%。
    Agentic RL 與防駭機制:針對長跨度任務,採用基於 Critic 的 PPO 公式,並引入防駭模組,透過規則過濾與 LLM 判斷來防止程式開發 Agent 出現獎勵劫持(reward hacking)。
    推論引擎優化:針對 1M 上下文進行了細粒度記憶體管理、核心優化及 CPU 端快取管理,以解決長文本推論的瓶頸。
    GLM-5.2 藉由 IndexShare 技術在 1024K Token 位置將 FLOPs 降低達 2.9 倍,並透過端到端 TV 損失等優化將 MTP 接受長度提升 20% 至 5.47。
    長跨度工程能力
    GLM-5.2 在多項長跨度程式開發基準測試中表現優異,成為目前最強的開源模型:
    FrontierSWE:僅落後 Claude Opus 4.8 約 1%,超越 GPT-5.5 與 Claude Opus 4.7。
    PostTrainBench:表現優於 Claude Opus 4.7 與 GPT-5.5,僅次於 Claude Opus 4.8。
    實際應用:該模型在大型專案接管、跨模組除錯及符合生產級工程標準(如嚴格遵守 CLAUDE.md 或 lint 規則)方面展現了極高的穩定性。
    GLM-5.2 在 FrontiersSWE、PostTrainBench 與 SWE-Marathon 等長任務評測中展現強勁實力,表現逼近 Opus 4.8 並在多數項目超越 GPT-5.5 與 Gemini 3.1 Pro。
    開發者資源與使用方式
    模型權重:可於 Hugging Face 下載。
    API 呼叫:API 定價與 GLM-5.1 相同,支援透過 cURL 或官方 SDK 進行整合。
    快速上手(Python SDK 範例):
    `python
    from zai import ZaiClient
    client = ZaiClient(api_key="your-api-key")
    response = client.chat.completions.create(
    model="glm-5.2",
    messages=[
    {"role": "system", "content": "You are a senior full-stack software engineer."},
    {"role": "user", "content": "Build a blog website using React + Node.js."}
    ],
    thinking={"type": "enabled"},
    reasoning_effort="max",
    max_tokens=4096,
    temperature=1.0,
    )
    print(response.choices[0].message)
    `
    根據評測結果,GLM-5.2 在 Agent 編碼任務上的表現相較於前代 GLM-5.1 有顯著提升,並透過提供不同的思考強度(Effort Level)來靈活平衡性能與 Token 輸出效率。
    更多詳細資訊與技術文件可參考 Z.ai 官方文件。

    原文:https://easyvibecoding.app/curated/2044

    4 min
  • @ClaudeDevs:Claude Managed Agents 透過託管架構解決生產環境挑戰。 Anthropic 的 Applied AI 團隊近期發布了「Claude M…

    Claude Managed Agents 透過託管架構解決生產環境挑戰。

    Anthropic 的 Applied AI 團隊近期發布了「Claude Managed Agents」,旨在協助開發團隊將 Agent 從原型階段順利推向生產環境。該服務透過將「大腦」(模型推理)與「雙手」(程式碼執行沙盒)解耦,解決了傳統自建 Agent 迴圈(Loop)時常見的基礎設施瓶頸,讓開發者能專注於 Agent 的上下文管理與領域專業,而非耗費心力維護底層架構。
    核心架構與優勢
    Claude Managed Agents 透過整合式的 API 解決了生產級 Agent 的五大痛點:
    憑證安全:將憑證存放於獨立的 Vault 中,透過加密代理按需解密,確保敏感資訊不會暴露在執行程式碼的沙盒環境內。
    降低延遲:採用非同步架構,Claude 可在環境啟動的同時進行推理,無需等待容器就緒,經測試可降低約 60%(中位數)至 90%(P95)的首次 token 延遲。
    持久化會話與可觀測性:所有模型呼叫、工具執行與結果皆以事件流形式記錄,支援會話中斷後恢復,並提供視覺化時間軸與除錯工具,讓開發者能完整回溯 Agent 的決策過程。
    彈性部署:支援 Anthropic 託管的雲端容器,亦提供自託管沙盒(Self-hosted sandboxes)與 MCP 隧道,讓企業能將程式碼執行與網路流量控制在私有網路(VPC)內。
    自動化記憶與優化:透過「Dreaming」機制,系統會定期審閱會話紀錄並提取模式,讓 Agent 能隨時間累積經驗,優化後續表現。
    開發與入門指引
    本影片介紹了 Messages API 與 Claude Managed Agents 的架構差異及入門方式。
    Anthropic 強調,Managed Agents 讓開發者能透過「Agent」、「Environment」與「Session」三個資源配置,快速定義 Agent 的行為與執行環境。開發者可透過「Claude Code」工具直接進行開發:
    在終端機執行 Claude Code。
    使用內建的 /claude-api skill 獲取最新的開發參考文件。
    執行以下指令啟動互動式導覽,從零開始建置新的 Managed Agent:
    `bash
    /claude-api managed-agents-onboard
    `
    實際應用案例
    目前已有眾多企業將此服務應用於生產環境,例如 Notion 利用其處理任務板上的文件與會議紀錄,將原本需耗時 12 小時的工作縮短至 20 分鐘;Sentry 則結合「Seer」除錯 Agent 與 Claude Agent,實現自動編寫修補程式並開啟 PR 的流程。透過將基礎設施託管化,團隊不僅能縮短開發週期,還能確保在模型升級時,底層架構能自動適應並保持穩健。

    本影片介紹了 Messages API 與 Claude Managed Agents 的架構差異及入門方式。 影片中的 Prompt 與操作:

    Prompt(00:17): /claude-api managed-agents-onboard

    操作步驟: 1. (00:17)在終端機輸入指令並準備執行。

    原文:https://easyvibecoding.app/curated/2054

    4 min
  • @Google:Google 釋出 Gemma 4 開放模型強化視覺辨識能力。 Google 近期發布了迄今最強大的開放模型「Gemma 4」,自推出以來下載量已突破 1…

    Google 釋出 Gemma 4 開放模型強化視覺辨識能力。

    Google 近期發布了迄今最強大的開放模型「Gemma 4」,自推出以來下載量已突破 1.5 億次。該模型不僅支援多 token 預測(Multi-Token Prediction)以加速推論,還提供 12B Unified 模型與量化感知訓練(QAT)檢查點,並採用 Apache 2.0 授權,讓開發者能靈活地在邊緣裝置或本地工作站進行微調與部署。
    視覺問答與角色扮演
    開發者 @measure_plan 利用 Gemma 4 的視覺語言能力,透過特定提示詞(prompt)讓模型扮演「中世紀吟遊詩人」。在實際操作中,模型能精準識別環境中的物件(如「琥珀色液體的玻璃杯」或「裝滿書籍的書架」),並持續以吟遊詩人的語氣進行描述,即便在展示不同物品時也能維持角色設定,展現出色的視覺推理與語境保持能力。
    一名男子在鏡頭前展示物品,同時螢幕顯示即時物件偵測與 AI 生成的文字描述。
    長文本記憶與遊戲化應用
    開發者 @GOROman 則利用 Gemma 4 高達 256K 的視窗(context window),開發了一款將現實世界轉化為冒險遊戲的應用程式。由於大型語言模型具備龐大的記憶容量,該應用程式能有效儲存並回顧遊戲世界中近期發生的長篇歷史紀錄,這對於需要高度情境連貫性的遊戲體驗至關重要。
    一位使用者正在使用手機上的 AR 應用程式,透過相機鏡頭即時掃描並獲取街道場景的文字描述。
    邊緣運算與隱私保護
    HubX 團隊開發的 AI 英語家教平台「BetterSpeak」,採用了針對邊緣運算優化的 Gemma 4 E2B(20 億參數)模型作為推理引擎。該方案具備以下技術特點:
    部署 4-bit 量化版本:透過壓縮模型大小,成功克服行動裝置的硬體限制。
    離線運作:無需網路連線即可處理語法解釋與跨語言進度監控,確保使用者隱私。
    原生音訊輸入:支援直接的語音對語音(speech-to-speech)學習,降低運算成本並提升互動效率。
    目前開發者可透過 iOS 或 Android 平台的「Google AI Edge Gallery」體驗 Gemma 4,或直接前往 Google AI Studio 進行探索。
    這是一張手機應用程式介面的截圖,顯示使用者正在確認下載離線學習資源包的彈出視窗。
    更多技術細節可參考 官方說明文件 。

    一名男子在鏡頭前展示物品,同時螢幕顯示即時物件偵測與 AI 生成的文字描述。 影片中的 Prompt 與操作:

    操作步驟: 1. @00:02 男子拿起一根香蕉。 2. @00:11 男子拿起一個裝有琥珀色液體的玻璃杯。 3. @00:18 男子拿起一個藍色公仔。 4. @00:20 男子拿起手機,螢幕顯示時間 5:05。 5. @00:27 男子對鏡頭比出勝利手勢。

    一位使用者正在使用手機上的 AR 應用程式,透過相機鏡頭即時掃描並獲取街道場景的文字描述。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)點擊螢幕上的「しらべる」按鈕 2. (00:04)系統顯示第一段街道場景描述 3. (00:11)點擊螢幕上的「しらべる」按鈕 4. (00:13)系統顯示第二段街道場景描述

    原文:https://easyvibecoding.app/curated/2058

    3 min
  • @cursor_ai:SpaceX 收購 Cursor 整合 Coding Agent短板。 收購細節與策略目標 SpaceX 已行使選擇權,透過全股票交易收購 Cursor…

    SpaceX 收購 Cursor 整合 Coding Agent短板。

    收購細節與策略目標
    SpaceX 已行使選擇權,透過全股票交易收購 Cursor,這項合作旨在開發「全球最實用的 AI 模型」。SpaceX 指出,過去幾個月內,SpaceXAI 已與 Cursor 團隊共同訓練模型,未來這些技術成果將整合至 Cursor 產品以及 Grok Build 之中。此舉不僅是單純的技術收購,更是 SpaceX 為了強化其 AI 前沿能力所進行的戰略佈局。
    技術資源整合
    此次收購的核心優勢在於硬體算力與軟體開發介面的強強聯手:
    SpaceX 擁有等同於百萬顆 H100 晶片的「Colossus」超級電腦,為訓練大規模模型提供極致算力。
    Cursor 則具備領先市場的產品力,以及深耕專業軟體工程師社群的廣大分佈管道。
    雙方目標明確,即結合 Cursor 的開發者生態與 SpaceX 的硬體基礎設施,打造出業界頂尖的程式撰寫與知識工作 AI。
    財務與合作背景
    回顧雙方合作歷程,早在 2026 年 4 月 22 日,SpaceXAI 與 Cursor 便已展開密切合作。當時雙方協議中即包含了一項關鍵條款:SpaceX 擁有在今年稍晚以 600 億美元收購 Cursor 的權利,或者選擇支付 100 億美元作為雙方合作的費用。最終 SpaceX 選擇了收購,顯示其對整合 Cursor 技術以加速 AI 模型開發的決心。對於 Cursor 的使用者而言,這意味著在不久的將來,該平台將迎來顯著的效能提升與功能進化。

    原文:https://easyvibecoding.app/curated/2024

    2 min
  • @AYi_AInotes:所有深度使用 AI 程式開發的朋友,這篇 Codex 全景指南值得存好,架構生態橫評與最佳實踐一次講透 有個細節我琢磨了好幾天,OpenAI 給 GPT-…

    所有深度使用 AI 程式開發的朋友,這篇 Codex 全景指南值得存好,架構生態橫評與最佳實踐一次講透

    有個細節我琢磨了好幾天,OpenAI 給 GPT-5.3-Codex 下的官方定語很有意思,沒有說是最強程式開發模型,而是一句有點耐人尋味的話——第一個對創造自身起到關鍵作用的模型。
    我翻譯一下:OpenAI 自己的工程師,已經在用 Codex 來造下一代 Codex 了。
    展開畫面重點圖表標題:一年四迭代:Codex 模型底座
    副標題:從補全工具到研發底盤,一年裡迭代太密了
    時間軸與模型迭代內容:
    2025.12 - GPT-5.2-Codex:多 Agent、雲沙箱 + 本地插件生態、異步批量。
    2026.2.5 - GPT-5.3-Codex:并行會話、IDE 擴展增強、MCP 工具鏈、審查流水線。
    2026.2.12 - GPT-5.3-Codex-Spark:純文本、低延遲小號、首個 Cerebras 生產模型、快 15×。
    2026.3.5 - GPT-5.4 for Codex:端到端、深度推理重構、更強監督、更穩集成。
    底部說明:Spark 的意義不是更快,是能一邊聊一邊出代碼。
    右下角署名:AYI · @AYI_Alnotes
    我覺得這句話比任何 benchmark 都狠,它告訴我們,除了這個模型有多強,還有就是這個模型已經成了 OpenAI 自己的研發底盤。
    也就是說 2021 年那個被棄用的補全工具、去年那個幫你改 bug 的助手——跟現在這個比,根本不是同一個物種。
    我決定寫一個系列,這是第一篇。
    這篇不講具體操作,先把全景圖鋪開:它的架構到底長什麼樣、核心能力在哪、跟 Claude Code / Cursor / Devin 比誰更能打、官方給的最佳實踐有什麼能直接抄。後面幾篇再一個一個拆——AGENTS.md、Skills、MCP、多 Agent 編排的實操。
    ▸ 五個入口,一套配置——先搞懂這個,後面才不會暈
    ▸ 插件化 + MCP + Skills:這才是它跟別人拉開身位的地方
    ▸ 為什麼我說它是目前最強執行引擎(附一張對比表,也說說它的軟肋)
    ▸ 七條能直接抄的官方最佳實踐
    ---
    一、先搞懂架構——一套執行層,長了五張臉
    展開畫面重點圖表標題:「一套執行層,五張臉」,副標題:「Codex 不是 App,是統一執行層 + 編排中樞」。
    核心區塊:
    中心點:Codex 統一執行層・編排中樞
    連接的五個介面:
    App 桌面命令中心
    CLI 終端深度集成
    IDE 插件 編輯器內
    Cloud 云沙箱・異步
    Web / ChatGPT 統一登錄
    底部區塊:
    共享配置:Skills・MCP・AGENTS.md(一處改,處處生效)
    說明文字:模型負責干活,App / Cloud 負責調度
    右下角署名:AYi・@AYi_Alnotes
    我第一次把 2026 版 Codex 的所有入口捋了一遍之後,才明白為什麼很多人剛接觸會懵,因為它同時出現在五個地方:App、CLI、IDE 插件、Cloud、Web。
    所以這不只是五個產品那麼簡單,更像是一套統一執行層 + 編排中樞,長了五張臉。
    Codex App:桌面命令中心,macOS 版,今年最大的形態變化。
    定位很明確——AI 程式開發的指揮中心,你可以在裡面並行跑活、管長時任務、加 skills 和 automations、審查 diff,全程沙盒保安全。
    為什麼今年才出桌面端?OpenAI 自己的解釋我挺認同的——2025 年 4 月 Codex 剛出時,問題還是「Agent 能幹什麼」;
    到了今年,模型能端到端處理複雜長時任務了,問題變成了「怎麼同時管好一堆 Agent」。
    那問題變了,介面就得跟著變。
    CLI + IDE 插件:
    終端和編輯器裡的深度整合,這裡有一個細節我踩過一次坑才注意到——它們共用同一份配置,在一個表面改了 config,另一個表面立刻生效,不用各配一遍 MCP,很細節的一件事,但挺省心的。
    Cloud Sandbox:非同步執行的核心。長時任務、並行工作全掛雲端,不佔你本地資源,跑完進審查佇列。
    Web / ChatGPT 整合:統一登入,所有表面共享 Skills、MCP 配置、AGENTS.md 記憶。
    模型底座:這條時間線值得看一眼,因為一年裡迭代太密了:
    2025 年 12 月 GPT-5.2-Codex → 2026 年 2 月 5 日 GPT-5.3-Codex → 2 月 12 日 GPT-5.3-Codex-Spark(純文字、低延遲小號版) → 3 月 5 日 GPT-5.4 for Codex。其中 Spark 那步我特別想提一嘴——它是 OpenAI 第一個跑在 Cerebras 硬體上的生產模型,比早期 Codex 快 15 倍,專門為即時互動編碼做的。這步棋的意義不是「更快了」,是「可以一邊聊一邊出程式碼了」。
    把這五張臉看完,我的理解就一句話:Codex 把「模型」和「編排」分開了。
    模型負責幹活,App/Cloud 負責排程。
    學 Codex,我理解本質上是在學怎麼當一個管著好幾個 Agent 的專案經理。
    ---
    二、插件化 + MCP + Skills——這三層才是真正的分水嶺
    展開畫面重點圖表標題:「拉開身位的,是這三層」,副標題為「讓 Codex 不只是一個聊天框的平台層」。
    內容分為三個層次:
    Plugins:把能力打包成可安裝、可分發的單元。
    Skills:把重複勞動變成可復用工作流(核心是 SKILL.md)。
    MCP:把外部世界接進來:GitHub、Figma、Sentry、Context7。
    底部總結:「Skills 是創作格式,Plugins 是分發單元」。
    右下角署名:AYi · @AYi_Alnotes
    光看模型能力,Codex 跟別家在同一個量級。
    真正讓它跟傳統工具拉開差距的,是它長成了一個可擴充、可複用、可編排的平台層,由三層東西撐起來的。
    MCP:把外部世界接進來
    配置不複雜。每個 MCP 伺服器在設定檔裡一張 [mcp_servers.] 表,支援兩種傳輸——本地 STDIO 程序,或者遠端 Streamable HTTP(走 HTTP 連遠端,可選 OAuth 和 bearer token 認證)。
    CLI 一行加一個。比如接 Context7(免費開發者文件 MCP),跑這個就行:codex mcp add context7 -- npx -y @upstash/context7-mcp。設定檔預設 ~/.codex/config.toml,想限定到某個專案用專案級的 .codex/config.toml——但只限受信任專案。
    熱門的有 GitHub、Figma、Playwright、Context7、Sentry 這些。
    有一點我想強調,官方隱含了一個最佳實踐:高頻痛點優先接,別把線全布上。MCP 接得越多,上下文消耗越大,風險面也越寬。夠用就行,別貪。
    Skills:把重複勞動變成能複用的東西
    一個 skill 就是把指令、資源和可選腳本打包,讓 Codex 可靠地跑一個工作流。Skills 基於開放的 Agent skills 標準。
    本質就是一個目錄,核心文件是 SKILL.md。可以加 agents/openai.yaml 配 UI 元資料、呼叫策略、工具依賴。
    Skill 和 AGENTS.md 的分工,官方說得很清楚,這條特別值得記:每次對話都要發給模型的指令,放 AGENTS.md;只在特定操作時才需要的指令,放 SKILL.md。這個分離能讓上下文更聚焦。
    Plugins:把上面這些打包成一個能分發的包
    今年新出的一層,Codex plugins 是可複用的包,把 skills、app 連接器和 MCP 伺服器捆成一個可安裝單元。
    官方的思路是這樣:Skills 是創作格式,Plugins 是安裝分發單元。你先用 skill 設計工作流,穩定後,再打包成 plugin 給別人裝。
    Codex CLI v0.117.0(2026 年 3 月 26 日)把 plugins 提成了一等工作流原語,首發了 20 多個一方整合:Slack、Figma、Notion、Gmail、Google Drive、Cloudflare 等。注意是 20+,不是網路上傳的 90+——別被誇大的數字帶偏了。
    這三層疊起來,才是 Codex 區別於「一個聊天框」的本質:你能把團隊的最佳實踐固化成標準,一鍵分給所有人。
    ---
    三、為什麼我說它是目前最強執行引擎——但也別神化
    展開數據表…

    6 min
  • @NousResearch:Hermes Agent 整合 Stripe 支援支付與資源配置。 Nous Research 宣布 Hermes Agent 現已整合 Stripe 支…

    Hermes Agent 整合 Stripe 支援支付與資源配置。

    Nous Research 宣布 Hermes Agent 現已整合 Stripe 支付技能,讓 Agent 具備自主購買商品、支付 API 呼叫費用以及配置 SaaS 服務的能力。為了確保安全性,所有操作均設有可配置的限制,且憑證不會進入 Agent 的對話紀錄,並在單次使用後即刻清除。
    這張圖片展示了「NOUS」與「stripe」兩個品牌名稱並列的合作視覺設計。
    核心支付功能
    使用者可透過 hermes skills install official/payments/ 指令安裝相關技能,主要包含以下三項:
    stripe-link-cli:賦予 Agent 在開放網路環境中進行購買的能力。
    mpp-agent:支援透過「機器支付協定」(Machine Payments Protocol, MPP)支付按次計費的 API 費用。
    stripe-projects:允許 Agent 自主配置並管理其所需的 SaaS 服務。
    安全與安裝機制
    該系統強調「安全性內建於每個技能中」,具體防護措施包括:
    原始憑證絕不會進入 Agent 的對話紀錄(transcripts)。
    支援配置人工審核閘道(human approval gate)。
    使用一次性憑證,並在任務完成後自動清理。
    選用技能目錄(Optional Skills Catalog)
    除了支付功能外,Hermes Agent 亦提供豐富的選用技能庫,涵蓋 DevOps、金融建模、MLOps、研究與安全等多個領域。這些技能預設為關閉狀態,需由使用者手動安裝。若需查詢完整技能定義、設定步驟與使用說明,可參閱官方文件:Hermes Agent 技能目錄 。

    原文:https://easyvibecoding.app/curated/2014

    2 min
  • @Google:Google AI Ultra 支援 AI 搜尋 Agent 自動化分析。 核心功能 Google 推出的這項 AI 搜尋 Agent 功能,旨在將被動…

    Google AI Ultra 支援 AI 搜尋 Agent 自動化分析。

    核心功能
    Google 推出的這項 AI 搜尋 Agent 功能,旨在將被動的搜尋體驗轉變為「主動式」的資訊追蹤。使用者不再需要反覆手動搜尋,Agent 能針對使用者關心的主題、任務或專案,持續監控並提供整合性的智慧更新。這些更新不僅包含摘要,還會附上網路連結,讓使用者能直接採取行動。
    實際應用與演示
    在 Google I/O 的演示中,講者展示了該 Agent 在金融領域的強大效能,特別是在篩選符合特定財務條件的生物科技股票時的表現:
    一位講者在台上演示如何透過 AI 搜尋代理人來篩選符合特定財務條件的生物科技股票。
    使用者可輸入複雜的篩選條件,Agent 會自動制定執行計畫並設定監控觸發器(Triggers)。
    系統能連結即時財經資料,當股票符合預設條件時,Agent 會主動發送通知。
    報告內容整合了公司基本資料、成交量變化、財務比率(如 P/E Ratio)以及來自「Seeking Alpha」與「Reuters」等權威來源的新聞。
    演示畫面顯示,系統成功追蹤了如「INCY」($99.95,+2.44%)、「REGN」($721.05,+2.67%)與「ADMA」($92.80,+3.54%)等股票,並能精確識別「REGN」的 P/E ratio 為 16.8,已超過使用者設定的 15 點門檻。
    技術價值
    這項功能標誌著搜尋引擎從單純的資訊檢索工具,進化為具備 Agent 能力的生產力助手。透過將「搜尋」與「排程監控」整合,Google 讓使用者能更有效率地處理需要長期追蹤的資訊流,並透過結構化的分析報告,大幅降低使用者在處理大量即時資料時的認知負擔。

    一位講者在台上演示如何透過 AI 搜尋代理人來篩選符合特定財務條件的生物科技股票。 影片中的 Prompt 與操作:

    Prompt(00:03): 請隨時更新生技大廠股票資訊,條件為本益比(P/E)低於 15、正現金流且低負債,並僅在每日成交量高於 30 日平均值 50% 時通知我。

    原文:keep me updated on big biotech stocks with a P/E under 15, positive cash flow, and low debt, but only when their daily volume spikes at least 50% above their 30-day average

    操作步驟: 1. (00:03)使用者輸入篩選條件並送出。 2. (00:12)系統顯示任務規劃與監控邏輯。 3. (00:37)系統發送即時通知。 4. (00:43)系統顯示篩選後的股票清單與詳細財務數據。

    原文:https://easyvibecoding.app/curated/2009

    2 min
  • @kunchenguid:Anthropic 官方正式撤回禁止以程式化方式使用 Claude Code 訂閱額度的決策。 Anthropic 團隊發送郵件通知用戶,將暫緩執行原定生效的「…

    Anthropic 官方正式撤回禁止以程式化方式使用 Claude Code 訂閱額度的決策。

    Anthropic 團隊發送郵件通知用戶,將暫緩執行原定生效的「限制以程式化方式使用 Claude Code 訂閱額度」措施,以便進一步優化對開發者的支援方案。

    策略轉向 Kun Chen 指出,Anthropic 此舉象徵其生態系策略的重大轉折。過去 Anthropic 試圖打造吞噬一切的「超級應用程式」,但此次開放程式化呼叫 Claude Code,顯示該公司正重新定位為基礎設施提供者,而非僅是單一產品的開發商。

    關鍵影響 擴大補貼範圍:透過允許程式化呼叫,Anthropic 的訂閱制補貼將能支援更廣泛的應用場景,而不僅限於官方自家產品。 開發者信任:儘管 Kun Chen 強調 Anthropic 仍需更多行動來重拾開發者社群的信任,但他認為這是一個非常正向的改變,顯示該公司願意傾聽並修正過往備受批評的封閉策略。

    產業觀點 這項決策被視為 Anthropic 在競爭激烈的 AI 市場中,重新評估其生態系布局的重要訊號。對於依賴 Claude 進行 Agentic 程式開發的開發者而言,這不僅降低了技術門檻,也為未來整合更多第三方應用程式開啟了可能性。

    原文:https://easyvibecoding.app/curated/2019

    2 min
  • @addyosmani:Agentic 程式開發的程式碼審查 (Code Review) 現在的 Coding Agent 能力極強,且進步神速。這帶來了一個有趣的後果:軟體工程…

    Agentic 程式開發的程式碼審查 (Code Review)

    現在的 Coding Agent 能力極強,且進步神速。這帶來了一個有趣的後果:軟體工程中最困難的部分,已從「撰寫程式碼」轉變為「決定是否信任這些程式碼」。這使得「程式碼審查」成為當前軟體開發中槓桿效益最高的 skill。你該如何應對,取決於你的身分:一個沒有使用者的獨立開發者,與一個維護十年歷史應用程式的團隊,他們面臨的問題截然不同。
    我對 Agentic 程式開發的樂觀程度前所未有。這些 Agent 確實好用,每個月都在進步,現在我每週都能交付一些在一年前同樣時間內我根本不敢嘗試的功能。這篇文章是一份地圖,標示出那些有趣的工作轉移到了哪裡,因為它們確實轉移了,而大多數團隊還沒完全跟上這個變化。
    過去,程式碼審查之所以有效,是因為一種「相對速度」的幸運巧合。資深工程師閱讀程式碼的速度比初階工程師撰寫的速度快,因此審查過程自然能跟上進度,團隊成員也在閱讀彼此的 diff 時,順帶理解了系統的架構。這其中很多並非刻意為之,而是源於一個事實:撰寫程式碼是緩慢且昂貴的環節,而閱讀程式碼則是廉價且快速的。
    這個事實已不復存在。Agent 產生一千行結構良好、格式整齊的程式碼所需的時間,比我讀完這一段文字的時間還短,而人類的閱讀速度自從我們開始靠盯著螢幕維生以來,幾乎沒有改變。因此,瓶頸轉移到了下游,轉移到了唯一沒有變快的那一步:人類必須確認變更內容是正確的。我不認為這是一種損失。這反而是目前軟體開發中,投入心力回報最高的地方,也是我今年投入最多關注的領域。
    這裡有一個令人開心的轉折,它塑造了這篇文章的其餘部分。那些產生大量程式碼的工具,同時也是我用來跟上這些程式碼的最佳利器。在我自己的專案(包括熱門的開源專案)中,我現在會讓 Claude Code 或 Codex 處理一批進來的 PR,並讓它們為我進行佇列分流,這確實改變了我分配時間的方式。所以,這不是一篇反對 AI 的文章,我稍後會回到我具體如何使用它的細節。
    這也不是一篇資料堆砌文,也不是關於「讓模型撰寫程式碼是好事還是軟體工藝的終結」的陳腔濫調,因為那種框架毫無意義。唯一能在真實程式庫中存活下來的答案是:這完全取決於你是誰。一個正在「vibe-coding」開發一個只有十幾個人會用的副專案的開發者,與一個為了再撐一季而維護十年歷史企業系統的團隊,他們幾乎沒有任何共同的限制條件,而市面上大多數的建議,其實都只是其中一方在教另一方該怎麼過日子。
    2026 年的數據實際顯示了什麼
    AI 帶來的生產力提升是真實存在的,但原始產出誇大了這些效益:大約是四倍的程式碼量,卻只帶來了多出一成的交付價值。這兩個數字之間的差距就是審查工作,這正是為什麼審查現在成為槓桿效益所在的原因。
    幾年來,這一直停留在軼事和爭論階段。現在,透過一些沒有共同議程、甚至在某些情況下存在商業競爭關係的組織進行大規模測量,結果始終指向同一個方向:AI 大幅推升了產出,卻同時拉低了品質與可審查性。
    Faros AI 對 4,000 個團隊中的 22,000 名開發者進行了監測,追蹤團隊從低 AI 採用率轉向高 AI 採用率後的變化。這是 2026 年 3 月的數據,與本文內容相當同步。其正面效益是真實的,且值得明確指出:開發者合併了更多的 PR,完成了更多工作,每位工程師的吞吐量也隨之攀升。但報告的其餘部分如下:
    程式碼變動率 (code churn) 上升 861%
    事件與 PR 的比例上升 242.7%
    每位開發者的缺陷率從 9% 上升至 54%
    中位數審查時間上升 441.5%,首次審查時間與平均審查時間大約都翻了一倍
    零審查直接合併的 PR 上升 31.3%
    最後一個數據是我覺得最難以忽視的,因為沒人選擇這麼做。沒有人決定要停止審查。審查者只是無法跟上數量,所以程式碼開始在未經閱讀的情況下被合併,這變成了一種常態。我反覆思考的細節是,那些擁有成熟、嚴謹工程實踐的團隊,受到的衝擊與其他團隊一樣大。良好的流程並沒有保護他們,因為產出的數量增加速度,遠超任何流程設計所能負荷的程度。
    這裡有一個需要全程銘記的警示:CodeRabbit 和 Faros 都在銷售相關產品,因此他們的觀點並非完全中立。這並不代表數據是錯的,這些效應在不相關的來源中規模巨大且一致,但閱讀廠商的研究報告時,仍應將此納入考量。
    CodeRabbit 在 2025 年 12 月研究了 470 個開源 PR,其中 320 個由 AI 共同撰寫,150 個僅由人類撰寫,發現 AI 變更帶來的問題大約多出 1.7 倍:邏輯與正確性問題增加了約 75%,安全性問題常見程度增加 1.5 到 2 倍,可讀性問題則增加了兩倍以上。他們的 AI 總監 David Loker 將這些描述為「組織必須主動緩解的、可預測且可衡量的弱點」。關鍵字是「可預測」。這些是已知且可定位的弱點,這是一個好消息:這意味著無論是人類還是自動化的審查流程,都可以直接針對這些弱點進行優化。
    GitClear 在這裡也有有趣的數據。在他們 2025 年的生產力數據中,AI 的日常使用者產出的原始程式碼量約為非使用者的 4 倍,但與他們一年前的產出相比,實際的生產力提升僅約 12%。你產生了約四倍的程式碼,卻只帶來了約一成的交付價值,而人類仍然必須審查這四倍的程式碼。GitClear 的 Bill Harding 明確表示,這 12% 的提升中,部分源於選擇偏差,因為更強的開發者更集中在 AI 使用者群體中。四倍程式碼與一成價值之間的差距,就是程式碼審查問題的精確寫照。
    GitHub 報告稱,Copilot 審查功能目前已執行超過 6,000 萬次審查,在不到一年內成長了 10 倍,平台上超過五分之一的審查涉及 Agent。這已不再是小眾做法,而是程式碼產出的方式。
    四個資料集、四種方法,得出同一個結論。我們將機器速度的產出傾倒進一個為人類速度工作而建構的系統中。瓶頸並沒有消失;它轉移到了驗證階段,而審查就是這筆帳單到期的地方。
    每個人都在解決不同的問題
    一個變更需要多少審查,幾乎完全取決於它的「爆炸半徑」(blast radius),而你讀到的大多數建議,都是由處於完全不同環境的人所寫的。
    上述幾乎所有令人震驚的數據,都來自企業遙測資料以及不堪重負的開源維護者。如果你的情況正是如此,這些數據完全真實。如果你是一個人在開發某個只有少數人會用的東西,其中大部分內容根本不適用於你,你不應該因此感到焦慮。
    三個變數決定了你的處境:
    爆炸半徑:出錯時會發生什麼?沒事,還是會導致使用者憤怒、金錢損失以及個人身分資訊 (PII) 外洩。
    程式碼壽命:是一個下週可能就會重寫的拋棄式原型,還是一個你將維護多年的程式庫。
    需要理解的人數:只有你一個人能掌握全貌,還是一個需要長期共同維護的團隊。
    將同一個 diff 套入這三個變數中,「良好的審查」意味著完全不同的事情。
    如果你是在一個沒有使用者的綠地專案 (greenfield project) 上獨自工作,審查的第二項工作——在團隊間傳遞知識——對你來說就不存在。你就是團隊。
    合理的做法是大力依賴測試與自動化,審查真正重要的部分,並對其餘部分採取較寬鬆的態度。當程式碼可能一個月後就不存在,且出錯時不會有人在凌晨三點被叫醒時,重複與變動的成本要低得多。陷阱在於(人們通常會痛苦地學到這一點),這只有在測試是真實有效的情況下才行得通。在沒有安全網的情況下跳過審查並不會消除工作,它只是以更高的代價延後了工作,且當沒有人把關時,標準就會下滑。沒有使用者是你可以延後審查的許可,但不是你可以跳過驗證的許可。
    接著,專案有了使用者。這是一個危險的中間地帶,且轉折點通常在當時很難被察覺。審查的「抓蟲」角色突然變得重要,因為 Bug 現在會傷害到人;而它的「知識共享」角色也隨之啟用,因為現在不再只有你一個人。團隊往往在 solo 時代的習慣上多停留了幾個月,然後就會發生一次事後檢討 (postmortem),Faros 的數字就不再只是圖表,而成了他們自己的儀表板。
    另一端是擁有舊程式庫和大量使用者的龐大組織。在這裡,每一個令人震驚的數字都會產生全面影響。一個沒人理解的變更,就是一種理解債務,最終會變成某人的值班事件。審查同時在執行多項任務,而 Agent 的產出量悄悄地破壞了所有這些任務。Faros 關於成熟團隊的發現,正是針對此處。
    所以重點不是「企業應該謹慎,獨立開發者可以放鬆」。重點是審查的目的會隨著你的位置而改變,因此規則也必須隨之改變。將企業那種鎖定、多 Agent、要求證據的管線套用在一個兩人的原型上,只會增加摩擦力而毫無益處。在支付系統上執行「測試通過就發布」,等於是製造了一個頭頂綠色勾勾的事件產生器。這個領域中大多數糟糕的建議,都是光譜上某個位置的人在對另一個位置的人指手畫腳。
    審查現在真正的用途是什麼
    審查原本是為了檢查作者的推理並抓出…

    26 min