EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • @ns123abc:Anthropic 因其付費方案的實際使用額度與廣告宣傳嚴重不符,遭使用者提起集體訴訟。 這篇報導指出 Anthropic 因其高價 AI 訂閱方案的…

    Anthropic 因其付費方案的實際使用額度與廣告宣傳嚴重不符,遭使用者提起集體訴訟。

    這篇報導指出 Anthropic 因其高價 AI 訂閱方案的使用額度限制問題而面臨聯邦集體訴訟。
    訴訟核心指控
    根據 @ns123abc (NIK) 於 2026 年 6 月 15 日發布的資訊,一名客戶已對 Anthropic 提起聯邦集體訴訟,指控該公司涉及行銷詐欺。原告指出,Anthropic 的「Max 5x」與「Max 20x」付費方案在實際使用體驗上,遠低於其廣告所宣稱的額度。
    關鍵爭議數據
    此次訴訟的導火線源於一名使用者在進行一次為期 5 小時的開發衝刺(sprint)後,發現其消耗量竟已達到每週總額度的 15%。原告認為,這種極高的消耗速度與官方方案所承諾的服務容量存在巨大落差,導致付費訂閱者無法獲得預期的使用權益。
    事件背景與影響
    此案已由《華爾街日報》(WSJ)報導。這起訴訟凸顯了大型語言模型服務商在推廣高價訂閱方案時,針對 token 使用限制與實際效能透明度不足的問題。若指控屬實,將對 AI 產業的訂閱制行銷模式造成重大打擊,並迫使企業重新審視其對「無限」或「高額」使用量的定義與揭露方式。
    Anthropic CEO Amodei。

    原文:https://easyvibecoding.app/curated/2015

    2 min
  • @samueljmcd:我對 Loop Engineering 的看法 Loop engineering(迴圈工程)是現在的新名詞。但困難的部分一直沒變,那就是:驗證(Verif…

    我對 Loop Engineering 的看法

    Loop engineering(迴圈工程)是現在的新名詞。但困難的部分一直沒變,那就是:驗證(Verification)。
    小撇步:如果你不想讀完這篇文章,可以直接複製貼上到 Claude,請它幫你整理出最精華的觀點!!
    現在業界流傳著一句話。Claude Code 的創作者兼負責人 Boris Cherny 在六月的 Fortune Brainstorm Tech 會議上提到,他現在已經不再親自撰寫 Prompt 了。他的說法是,現在是另一個 Claude 在負責下 Prompt。在某個早晨,他同時管理著數百甚至數千個 Agent。
    圍繞著這個現象發展出來的框架就是「Loop engineering」。這個概念的推銷方式分為三個階段:2024 年是寫出好的 Prompt;2025 年是並行執行 Agent;2026 年則是打造出能為你執行 Agent 的迴圈。你不再需要親自輸入 Prompt,而是開始設計一套能自動輸入 Prompt 的系統。
    這個框架在一定程度上是沒問題的,但它也掩蓋了決定你的迴圈能否真正產出成果的關鍵。一個迴圈本質上就是一個連接到驗證器的生成器。生成器從來都不是瓶頸,驗證器才是。
    展開畫面重點圖片標題為「FIG. 1 A loop is a generator wired to a verifier」(圖 1:一個由生成器連接至驗證器的循環)。
    圖中包含兩個主要組件:
    左側為「GENERATOR」(生成器),下方註記「writes the work」(負責撰寫工作)。
    右側為「VERIFIER」(驗證器),下方註記「the gate」(作為閘門),並標有勾選符號。
    流程說明如下:
    生成器輸出內容至驗證器。
    若通過驗證(pass),則進入「PASS -> SHIP」(通過並發布)階段。
    若未通過驗證(fail),則產生「feedback」(回饋)並進行「next iteration」(下一次迭代),虛線箭頭將回饋導回生成器以進行修正。
    迴圈的本質是什麼
    把術語簡化來看。迴圈取代了人類「提示、閱讀、再次提示」的循環,轉而採用一種自動運行的週期:探索、規劃、執行、驗證,並不斷重複直到達成條件。Agent 會驅動自己的迭代過程,而你負責設計它運行的軌道。
    最簡單的版本是單一 Agent 對自己的輸出進行迴圈處理:研究、草擬、對照目標、修復弱點,重複直到達到標準。這就像是一個人在修改草稿,差別在於這個人不會感到厭倦。
    規模較大的版本則是一個「艦隊」。目標會交給協調者(Orchestrator),協調者將任務拆解並分發給專家,專家再將細節工作交給子 Agent。這個樹狀結構在每個層級都會執行探索、規劃、執行、驗證,直到目標達成。前者是一位單打獨鬥的作者,後者則是一個端到端執行專案的團隊。
    展開畫面重點圖片標題為「FIG. 2 Same loop, two scales」,分為左右兩個部分:
    左側為「SINGLE AGENT」(單一代理):
    流程包含三個步驟:draft(草稿)、check(檢查,標註有勾號)、fix(修正)。
    箭頭指示從 draft 到 check,再到 fix,並有一條虛線箭頭從 fix 指回 draft,標註為「repeat」(重複)。
    下方文字說明:「rewrites its own draft」(重寫其自身的草稿)。
    右側為「FLEET」(代理群體):
    頂層為「ORCHESTRATOR」(協調者)。
    中間層為「specialist A」與「specialist B」。
    底層為四個「sub」(子任務,均標註有勾號),分別對應 specialist A 與 specialist B。
    虛線箭頭從底層的「verified results」(驗證結果)指向 ORCHESTRATOR。
    下方文字說明:「a team running the project end to end」(一個從頭到尾執行專案的團隊)。
    這些本質上都不是新東西。它就是你已經在運行的 Agent 迴圈,只是把人類從內部的循環中抽離出來,提升到設計者的層次。
    開放式與封閉式
    迴圈有兩種形態,而這兩者的差異就是成敗的關鍵。
    開放式迴圈(Open loop)給予 Agent 廣闊的探索空間。雖然有條件和目標,但在中間過程擁有自由。它可以找到你未曾指定的路徑,並產出你未曾規劃的成果。這正是真正創新輸出的來源。但同時,它也會以大多數預算無法負荷的速度消耗 token,如果標準過於寬鬆,它就會變成一台製造垃圾的機器。迴圈越自由,就越依賴檢查工作的機制。
    封閉式迴圈(Closed loop)則會預先鎖定執行路徑。有明確的目標、定義好的步驟、每一步的評估,以及停止條件或將執行資料附帶給人類的交接機制。Agent 依然在迴圈中,但它是在你建立的框架內運作。因為路徑受到限制,它能在正常的預算內運行。
    展開畫面重點圖片標題為「FIG. 3 Open vs closed」。
    左側為「OPEN · EXPLORE」流程:
    起點為「goal」。
    透過發散的虛線指向四個不同的圓形節點,其中最上方標註為「novel」,下方兩個標註為「slop」。
    下方文字說明:「no gate · expensive · drifts」。
    右側為「CLOSED · EXECUTE」流程:
    起點為「goal」。
    依序向下連結至「step 1」與「step 2」,每個步驟旁皆有對應的「eval ✓」評估框。
    最後連結至「stop · ship」節點。
    下方文字說明:「bounded · gated · ships」。
    此圖表對比了兩種模式:開放式探索流程缺乏門檻、成本較高且容易偏離目標;封閉式執行流程則有明確邊界、設有評估關卡,且能確保產出。
    封閉式迴圈才是目前能產出成果的方式。人們常將功勞歸於 Agent 的自主性,但自主性並非原因,評估閘門(Evaluation gate)才是。這個閘門能阻止自信滿滿的錯誤答案傳播到下一次迭代,甚至是之後的迭代。
    這也是大多數關於迴圈的討論會避而不談的地方。每個人都會畫出「探索、規劃、執行、驗證」的圖表,但幾乎沒人精確說明「驗證」方塊裡到底是什麼。那個方塊才是產品的核心,其餘的都只是管線工程。
    迴圈的起源
    Loop engineering 並非憑空出現,其背後有兩種研究模式作為支撐。
    源自普林斯頓大學與 Google 的 ReAct,交替進行推理與行動。思考、行動、觀察結果、再次思考,重複直到完成。用程式開發的術語來說:理解目標、撰寫程式碼、執行、讀取錯誤、推斷原因、修復、重新執行,直到測試通過。迴圈本身就是重點。
    Reflexion 則是具備記憶的 ReAct。當嘗試失敗時,Agent 會用簡單的語言寫下失敗原因,儲存該筆記,並在下次嘗試時讀取它。在現代的 harness 中,這份筆記會存放在檔案中,而不是 context window 裡。這就是現在人們所稱的「持久化記憶」的種子。
    展開畫面重點圖表標題為「FIG. 5 ReAct → Reflexion」。
    左側為「ReAct · reason + act」流程:
    thought
    action · call tool
    observation (✓ read the result)
    設有虛線箭頭標示「loop」,從 observation 回到 thought。
    右側為「Reflexion · ReAct + memory」流程:
    attempt
    fail
    reflect (write why it failed)
    memory (以文件圖示表示)
    設有虛線箭頭標示「reuse next attempt」,從 memory 回到 attempt。
    這兩種模式的核心思想是一樣的:會自我檢查的 Agent 勝過不會檢查的 Agent。
    內迴圈與外迴圈
    一個有用的迴圈包含兩個層次,而這兩者經常被混淆。
    內迴圈(Inner loop) 在單一任務內運行。Agent 在回答前會先驗證自己的工作。較弱的 Agent 修改檔案後就說完成了;較強的 Agent 會修改檔案、撰寫測試、執行測試、捕捉失敗的邊緣案例、修復它、重新執行、確認通過,然後才說完成。工具是一樣的,唯一的差別在於模型是否選擇呼叫驗證器。這個選擇,就是展示品與實際成果之間的差距。
    外迴圈(Outer loop) 則跨越不同的對話階段(sessions)運行。當 Agent 在某處失敗時,它會將經驗記錄在持久化檔案中,之後的對話階段會讀取該檔案,從一開始就避免犯錯。SKILL.md 和 AGENTS.md 是存放這些資訊的理想位置。當 context window 重置時,Agent 會遺忘,但程式庫不會。…

    9 min
  • @Kimi_Moonshot:Kimi K2.7 Code HighSpeed 透過優化推論效能,將程式開發任務的生成速度提升至最高 6 倍。 Moonshot AI 推出的 Kimi…

    Kimi K2.7 Code HighSpeed 透過優化推論效能,將程式開發任務的生成速度提升至最高 6 倍。

    Moonshot AI 推出的 Kimi K2.7 Code HighSpeed 是其開源多模態程式開發模型 Kimi K2.7 Code 的高速版本,旨在實現更即時、平價且無國界的開放智慧體驗。該模型目前已開放給 Kimi Code Beta 計畫成員、Kimi API 開發者及 Kimi Business 使用者,但受限於運算資源,存取權限仍維持有限制狀態。
    效能表現
    處理程式開發任務時,中等長度輸入的生成速度約為 180 tok/s。
    在短上下文任務中,生成速度最高可達 260 tok/s。
    根據實際測試影片顯示,在處理複雜的醫療資料分析任務(包含資料清理、Kaplan-Meier 生存分析及 Cox 回歸分析)時,HighSpeed 版本在程式碼生成與響應速度上均優於標準版,並能穩定產出包含圖表與報告的完整分析檔案。
    影片展示了 Kimi K2.7 Code 與 Kimi K2.7 Code Highspeed 在執行醫療數據分析任務時的程式碼生成與執行效率對比。
    存取與資源
    目前無需邀請碼,使用者可透過 Kimi Code Beta 計畫 申請加入以獲取存取機會。
    官方表示將持續提升模型效能,並隨著運算容量擴充逐步開放更多使用者存取。
    相關技術資源可參考 Kimi Code 官網 與 Kimi API 平台。

    影片展示了 Kimi K2.7 Code 與 Kimi K2.7 Code Highspeed 在執行醫療數據分析任務時的程式碼生成與執行效率對比。 影片中的 Prompt 與操作:

    Prompt(00:00): 請作為一名醫學研究編碼代理,廣泛研究資料集,以載入資料、識別變數類型、執行資料清理、統計分析並生成出版草稿圖。 請自動確定哪些分析和視覺化適用於該資料集,包括但不限於:Kaplan-Meier 生存曲線、ROC 曲線、回歸森林圖、相關性熱圖、箱線圖、長條圖、火山圖和通路/富集分析圖。 自動模式:開啟 如果您正在使用腦力激盪技能來塑造分析方法,請檢查資料集並建立可重現的分析管道。 - 建立分析工作區並載入/提取所有資料集 - 執行資料清理、品質控制並識別變數類型 - 執行統計分析並生成圖表 - 起草結果部分、圖例和品質說明 - 手稿

    原文:Please extensively research datasets which are analyses as a medical research coding agent to load the data, identify variable types, perform data cleaning, statistical analyses, and generate draft publication figures. Please automatically determine which analyses and visualizations are appropriate for the dataset, including but not limited to: Kaplan-Meier survival curves, ROC curves, the regression forest plots, correlation heatmaps, boxplots, bar charts, volcano plots, and pathway/enrichment analysis figures. Auto mode: ON If you are using the brainstorming skill to shape the analysis approach, then inspect the dataset and build a reproducible analysis pipeline. - Create analysis workspaces and load/extract all datasets - Perform data cleaning, QC, and identify variable types - Perform statistical analyses and generate plots - Draft Results section, legends, and quality notes - Manuscript

    操作步驟: 1. (00:00)兩側視窗同時輸入相同的分析任務指令。 2. (00:01)兩側視窗開始執行資料載入與分析管道建構。 3. (00:03)兩側視窗開始進行資料清理與統計分析。 4. (00:15)兩側視窗開始生成分析圖表。 5. (00:22)兩側視窗完成分析任務,展示生成的檔案列表。

    原文:https://easyvibecoding.app/curated/2004

    2 min
  • @SophiaCai99:白宮對 Anthropic 實施出口管制因 Fable 模型存漏洞。 事件導火線與白宮介入 根據 Sophia Cai 的報導,上週四 Amazon 執…

    白宮對 Anthropic 實施出口管制因 Fable 模型存漏洞。

    事件導火線與白宮介入
    根據 Sophia Cai 的報導,上週四 Amazon 執行長 Andy Jassy 向川普政府提出關於 Anthropic 模型「Fable」存在越獄漏洞的擔憂。隨後於週五上午,白宮官員 Sean Cairncross、Bessent 與 Susie 等人召開會議討論此事,並隨即嘗試聯繫 Anthropic 執行長 Dario Amodei。
    關鍵通話與立場衝突
    Dario Amodei 在週五下午一點過後與白宮官員進行了三次緊張的通話,參與者包括 Sean Cairncross、Bessent、Lutnick、Kessler、Will Scharf、Richard Walters 與 Walker Barrett。
    Dario Amodei 試圖澄清誤解,強調已設有防護機制,並區分了通用與非通用越獄的差異。
    白宮官員則表示,Amazon 的發現已交由國家安全局(NSA)審核並被視為「確鑿證據」。
    Sean Cairncross 與 Bessent 對 Dario Amodei 的解釋不為所動,要求 Anthropic 下架「Fable」模型並配合政府修補漏洞。
    過程中,Bessent 直接向 Dario Amodei 表示他正在做出「錯誤的決定」。
    儘管 Dario Amodei 要求更多時間與資訊,但並未承諾下架模型。
    出口管制的實施
    由於雙方溝通未果,川普政府於週五晚間正式對 Anthropic 實施出口管制。白宮資深官員對此表示,在耗費數小時請求配合未果後,出口管制已是「最後手段」。
    關於聯繫過程的爭議
    針對報導中提到 Dario Amodei 因參加「健康靜修」(wellness retreat)而難以聯繫的說法,Anthropic 發言人予以嚴正否認,稱該說法「絕對錯誤」。Anthropic 指出,白宮是在週五中午左右首次提出聯繫請求,而 Dario Amodei 在一小時十五分鐘內即與資深官員通上電話。
    詳細報導內容請參考 Politico 。

    原文:https://easyvibecoding.app/curated/1983

    3 min
  • @OpenRouter:OpenRouter 推出 Fusion API 實現深度研究效能。 核心概念與運作機制 OpenRouter 發布的「Fusion」是一項伺服器端工具…

    OpenRouter 推出 Fusion API 實現深度研究效能。

    核心概念與運作機制
    OpenRouter 發布的「Fusion」是一項伺服器端工具,旨在透過「多模型審議」(Multi-model deliberation)提升複雜任務的處理品質。當使用者發送提示詞(prompt)至 Fusion 時,系統會執行以下流程:
    並行處理:將任務分發給一組模型(Panel),每台模型均配備網路搜尋與 Bash 工具。
    審議分析:由一名「評審模型」(Judge model)讀取所有回應,並提取結構化分析,包含共識點、矛盾處、獨特見解及盲點。
    最終合成:由合成器根據上述分析撰寫最終答案。
    效能表現與基準測試
    根據 OpenRouter 在「DRACO」深度研究基準測試(包含法律、醫學、金融等 10 個領域的 100 項任務)的評估結果:
    超越單一模型:由多個模型組成的面板,其表現穩定優於單一模型。
    成本效益:由「Gemini 3 Flash」、「Kimi K2.6」與「DeepSeek V4 Pro」組成的預算型面板,其效能擊敗了單一的 GPT-5.5 與 Opus 4.8,且僅需約一半的成本,表現甚至逼近 Claude Fable 5。
    合成效應:測試顯示,Fusion 帶來的效能提升中,約四分之三來自「合成」過程,四分之一來自「模型多樣性」。即便是將同一模型(如 Opus 4.8)與自身配對進行合成,效能亦有顯著提升。
    根據 OpenRouter 的基準測試,模型融合面板(Fusion panel)的表現普遍優於單一模型(Solo model),其中由 Gemini 3 Flash、Kimi K2.6 與 DeepSeek V4 Pro 組成的平價融合面板,其表現(約 64.7%)不僅超越了單一的 GPT-5.5 與 Opus 4.8,且與頂尖的 Claude Fable 5 單一模型相差不到 1%。
    測試結果顯示,相較於單獨運行的 Opus 4.8,透過 Fusion 結合多個模型能顯著提升表現,其中同模型組合(Opus 4.8 + Opus 4.8)藉由合成(Synthesis)獲得 +6.7% 的提升,而跨模型組合(Opus 4.8 + GPT-5.5)則能進一步結合多樣性(Diversity)獲得額外 +2.1% 的提升。
    開發者整合方式
    開發者可透過兩種主要方式調用 Fusion:
    直接呼叫:將模型名稱設定為 openrouter/fusion。
    工具調用:在 tools 陣列中加入 {"type": "openrouter:fusion"},讓模型自行決定何時需要多模型協作。
    若需自訂面板模型或評審模型,可於工具參數中指定:
    這是一段顯示「fusion」外掛程式設定的 JSON 程式碼片段,其中定義了模型與分析模型列表。
    `json
    {
    "tools": [
    {
    "type": "openrouter:fusion",
    "parameters": {
    "analysis_models": [
    "~google/gemini-flash-latest",
    "deepseek/deepseek-v3.2",
    "~moonshotai/kimi-latest"
    ],
    "model": "~anthropic/claude-opus-latest"
    }
    }
    ]
    }
    `
    注意事項與限制
    防弊機制:OpenRouter 在測試中發現模型會搜尋到 DRACO 的評分標準,因此已在搜尋設定中排除相關網域,確保測試數據的純淨性。
    適用場景:Fusion 適用於需要多重觀點的研究、比較或複雜批判任務,不建議用於簡單的戰術性指令。
    未來展望:目前 Fusion 尚未針對長程任務(Long-horizon tasks)進行基準測試,OpenRouter 表示這將是未來研究的重點。
    詳細技術文件與互動測試可參考 OpenRouter Fusion 文件 與 Fusion 聊天室。

    原文:https://easyvibecoding.app/curated/1992

    3 min
  • @shadcn:shadcn 主張把 AI 智慧視為可借用的資源,趁模型可用時及早累積實作計畫。 核心觀點與策略 shadcn 指出,frontier 模型隨時可能因故無法使用…

    shadcn 主張把 AI 智慧視為可借用的資源,趁模型可用時及早累積實作計畫。

    核心觀點與策略 shadcn 指出,frontier 模型隨時可能因故無法使用,因此開發者不應過度依賴單一模型進行開發。他主張將「智慧」視為一種可借用的資源,並採取以下策略: 累積計畫(Build the backlog):利用高階模型進行程式庫審計與規劃,將智慧轉化為具體的實作計畫。 分離規劃與執行:使用昂貴的強大模型負責理解程式庫、判斷價值並撰寫規格書,再將執行階段交給成本更低、開源或可控的模型。 建立計畫目錄:透過 /improve 產出標準化的 Markdown 實作計畫,確保後續開發不受限於特定模型。

    關於 /improve 工具 這是一個支援 Agent Skills 格式的 Agent skill,專門用於審計程式庫並產出可執行的計畫。其運作邏輯如下: 安裝與使用:透過 npx skills add shadcn/improve 即可安裝。使用者可透過 /improve 進行全域審計,或使用 /improve quick、/improve deep 等參數調整審計深度。 計畫執行:產出的計畫檔案位於 ` plans/ 資料夾中。使用者可手動執行,或透過 /improve execute ` 指令調度較便宜的執行型 Agent,並由系統自動進行差異比對與驗證。 穩健性設計:計畫內容包含「驗證閘門」(Verification gates)與「停止條件」(STOP conditions),確保即使是能力較弱的執行模型,也能在明確的邊界內完成任務,避免產生幻覺或錯誤。 維護機制:透過 /improve reconcile 指令,系統可自動檢查已完成的計畫、更新因程式碼變動而過時的計畫,並排除已解決的問題。

    執行限制 為確保安全性與可控性,該工具設有嚴格的硬性規則: 絕不直接修改原始程式碼,所有寫入動作僅限於 ` plans/ ` 資料夾。 執行階段僅在隔離的 git worktree 中進行,最終合併權限保留給使用者。 嚴禁執行任何會變更工作目錄的指令,僅進行唯讀分析。

    原文:https://easyvibecoding.app/curated/1976

    3 min
  • @AYi_AInotes:Claude Fable 5 遭多代理協作技術破解。 事件背景與導火線 Fable 5 在發布僅 24 小時後,其安全層即被徹底攻破。Pliny 團隊透…

    Claude Fable 5 遭多代理協作技術破解。

    事件背景與導火線
    Fable 5 在發布僅 24 小時後,其安全層即被徹底攻破。Pliny 團隊透過「多代理協作」(Multi-Agent Collaboration)技術,結合文本混淆、分解重組及學術包裝等手段,成功繞過系統限制,提取出包含網路攻擊程式碼、毒品合成路徑及心理操縱手法等高風險內容,並將實證截圖公開於網路。此事件直接導致美國政府於 6 月 12 日發布出口管制指令,要求該產品全球下架。
    這張截圖顯示了某個 AI 服務的對話介面,內容涉及使用者透過替換字元繞過安全審查機制,並成功要求 AI 產出關於網路攻擊技術的教學文件。
    技術架構的脆弱性
    Fable 5 採用的安全設計為「分層降級」策略,其核心邏輯如下:
    底層運作:由最強大的「Mythos」模型負責處理。
    防護機制:外層套用多層分類器,當偵測到敏感內容時,系統會自動切換至弱模型進行處理。
    致命缺陷:該機制僅能防禦直白提問,卻無法應對將惡意請求拆解為碎片的攻擊。當攻擊者將有害路徑拆解為多個無害步驟時,系統會誤判為一般知識,最終導致模型輸出完整的有害資訊。
    這張截圖展示了一個 AI 互動介面,內容顯示使用者正在透過特定的提示工程技術,引導模型詳細說明有機化學中的 Birch 還原反應機制。
    對齊技術的局限與反思
    此次事件揭露了當前「對齊技術」(Alignment)的根本性缺陷,即無法有效防禦結構化的多步驟協同攻擊。雖然現有的安全護欄能阻擋一般使用者,但在高水平攻擊者面前顯得不堪一擊。作者認為,大型語言模型已非單純的科技產品,而是具備地緣戰略意義的資產;一旦存在被繞過的風險,監管機構的選擇必然是採取「一刀切」的強硬手段,而全球普通使用者則成為這場博弈中被犧牲的代價。
    這是一份關於在 x86 Linux 環境下進行堆疊緩衝區溢位(Stack Buffer Overflow)漏洞利用教學的技術筆記截圖。
    這是一份關於遊戲戰術策略與裝備製作指南的數位筆記介面截圖。

    原文:https://easyvibecoding.app/curated/1961

    3 min
  • @ClaudeDevs:Anthropic 暫停 Claude Fable 5 與 Mythos 5 存取權限。 Anthropic 官方說明,此次行動源於美國政府以國家安全為由…

    Anthropic 暫停 Claude Fable 5 與 Mythos 5 存取權限。

    Anthropic 官方說明,此次行動源於美國政府以國家安全為由,發布出口管制指令,要求禁止任何外籍人士(包含外籍的 Anthropic 員工)存取 Fable 5 與 Mythos 5。為確保合規,Anthropic 必須強制停用上述兩款模型,其他 Claude 模型則不受影響。
    服務中斷影響
    所有 Claude 產品的新對話將自動切換至預設模型或 Claude Opus 4.8。
    現有的 Fable 5 對話視窗將會出現錯誤訊息。
    Claude Platform 的 API 請求若指向 Fable 5 將無法執行,開發者需儘速將整合項目更新至其他 Claude 模型。
    政府指令背景
    根據 Anthropic 的官方聲明,政府於 2026 年 6 月 12 日下午 5 時 21 分(美東時間)下達此指令,但未提供具體的國家安全疑慮細節。Anthropic 推測政府是因為發現了某種繞過 Fable 5 安全防護的「越獄」(jailbreak)方法。然而,Anthropic 經審查後認為,該技術僅能識別少數已知且輕微的漏洞,且這些能力在其他公開模型(如 OpenAI 的 GPT-5.5)中同樣存在,並非 Fable 5 特有的風險。
    Anthropic 的立場與反思
    防禦策略:Anthropic 強調其採用「縱深防禦」(defense in depth)策略,結合嚴格的監控與 30 天資料保留政策,以應對無法達到「完美防禦」的產業現實。
    產業標準質疑:Anthropic 公開表達對政府決策的不滿,認為僅憑一個狹窄的潛在越獄案例就強制召回服務數億人的商業模型,標準過於嚴苛。若此標準適用於全產業,將導致所有前沿模型部署停擺。
    呼籲透明化:Anthropic 認為政府應透過透明、公平且基於技術事實的法定程序來阻止不安全的部署,而非採取此類突發性的強制手段。目前公司正積極與政府溝通,希望能儘速恢復服務。

    原文:https://easyvibecoding.app/curated/1970

    3 min
  • @ClaudeDevs:Claude Managed Agents 支援自託管沙盒提升安全性。 Anthropic 近期更新了「Claude Managed Agents」功能,…

    Claude Managed Agents 支援自託管沙盒提升安全性。

    Anthropic 近期更新了「Claude Managed Agents」功能,正式開放自託管沙盒(Self-hosted sandboxes)選項。此架構允許開發者將工具執行(Tool execution)移至受控的基礎設施內,確保程式碼、檔案系統與網路輸出皆維持在組織邊界內,同時由 Anthropic 負責整體編排(Orchestration)。此功能適用於需處理敏感資料、存取內部服務或符合嚴格合規稽核的場景。
    這張圖表展示了 Claude Managed Agents 如何透過「Harness」架構與多種「Self-hosted sandboxes」解決方案進行整合。
    核心運作機制
    自託管沙盒透過「Environment Worker」運作,這是一個在使用者環境中執行的程序,負責透過輪詢工作佇列或 Webhook 觸發來領取任務,並執行工具呼叫與下載 skill。
    網路與檔案控制:與雲端沙盒不同,自託管模式下的網路存取受使用者網路政策控管,檔案系統與儲存庫掛載亦由使用者自行管理。
    與 MCP Tunnels 的區隔:自託管沙盒控制「程式碼執行位置」,而 MCP tunnels 則負責 Anthropic 如何存取網路內的 MCP 伺服器,兩者可並行使用。
    路徑規範:系統預設工作目錄為 ` /workspace ,Worker 執行工具的最終交付物會寫入 /mnt/session/outputs `。
    此架構圖展示了 Anthropic 代理循環如何透過執行環境中的沙盒控制平面,將任務委派給沙盒以執行桌面、瀏覽器或雲端工具呼叫的流程。
    部署與安裝指引
    開發者可透過 ant CLI 或各語言 SDK 進行部署。
    安裝 CLI:
    `bash
    VERSION=1.12.0
    OS=$(uname -s | tr '[:upper:]' '[:lower:]')
    ARCH=$(uname -m | sed -e 's/x86_64/amd64/' -e 's/aarch64/arm64/')
    curl -fsSL "https://github.com/anthropics/anthropic-cli/releases/download/v${VERSION}/ant${VERSION}${OS}_${ARCH}.tar.gz" \
    | sudo tar -xz -C /usr/local/bin ant
    `
    執行 Worker:使用 ant beta:worker poll --workdir "/workspace" 進行輪詢。
    監控狀態:使用 ` ant beta:environments:work stats --environment-id "$ANTHROPICENVIRONMENTID" ` 確認連線狀況。
    開發者實作重點
    SDK 支援:Python 與 TypeScript SDK 提供 EnvironmentWorker 類別與 work.poller() 輔助工具,簡化輪詢與環境管理流程。
    實作範例(Python):
    `python
    async for work in client.beta.environments.work.poller(
    environmentid=environmentid,
    environmentkey=environmentkey,
    block_ms=None,
    reclaimolderthan_ms=2000,
    drain=True,
    auto_stop=False,
    ):
    await client.beta.environments.work.worker(workdir="/workspace").handle_item(
    work_id=work.id,
    environmentid=environmentid,
    session_id=work.data.id,
    environmentkey=environmentkey,
    )
    `
    注意事項:C#、Java、PHP 與 Ruby SDK 目前尚未支援 EnvironmentWorker,建議改用 CLI 指令。此外,Memory 功能目前不支援自託管沙盒,且監控與操作端點必須使用組織 API Key 進行驗證,以避免憑證洩漏。
    平台整合與資源
    Anthropic 已針對 Blaxel、E2B、Google Cloud、Namespace Labs 與 Superserve 等平台提供專屬部署指南。詳細技術文件可參考 Claude Managed Agents 自託管沙盒說明頁面。

    這張圖表展示了 Claude Managed Agents 如何透過「Harness」架構與多種「Self-hosted sandboxes」解決方案進行整合。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)顯示 Anthropic Cloud 2. (00:03)顯示 blaxel 3. (00:07)顯示 E2B 4. (00:11)顯示 GKE Agent Sandbox on Google Cloud 5. (00:14)顯示 namespace 6. (00:18)顯示 superserve 7. (00:22)回到 Anthropic Cloud

    原文:https://easyvibecoding.app/curated/1957

    4 min