EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • @GoogleResearch:Gemini-SQL2 透過 Gemini 3.1 Pro 實現了文字轉 SQL 的突破,並在 BIRD 基準測試中取得領先地位。 Google 推出…

    Gemini-SQL2 透過 Gemini 3.1 Pro 實現了文字轉 SQL 的突破,並在 BIRD 基準測試中取得領先地位。

    Google 推出全新 Gemini-SQL2,在 BIRD Text-to-SQL 基準測試中取得突破性的執行準確率(80.04%),顯著超越先前包括 Gemini-SQL、Q-SQL 及其他競爭對手的表現,樹立了新的技術標竿。
    Google Research 近期發表了 Gemini-SQL2,這是一項基於 Gemini 3.1 Pro 模型開發的文字轉 SQL 功能。該技術旨在解決將自然語言轉換為可執行 SQL 查詢的複雜挑戰,並在競爭激烈的 BIRD 基準測試中創下業界領先的成績。
    核心技術優勢
    該模型不僅能生成語法正確的 SQL 語句,更強調「執行驗證後的準確性」。
    針對資料細微差別與複雜的商業邏輯情境進行了深度優化,確保生成的 SQL 程式碼不僅外觀正確,且能實際在資料庫中成功執行。
    透過 BIRD 基準測試的嚴格檢驗,證明其在處理複雜查詢時的穩健性與可靠度。
    實際應用影響
    Google 預期這項技術的提升將顯著增強旗下各項資料服務的自然語言處理能力。
    透過降低資料查詢的技術門檻,讓使用者能更直觀地與複雜的資料庫進行互動,進而推動資料分析領域的技術進展。

    原文:https://easyvibecoding.app/curated/1960

    2 min
  • @leerob:打造遞迴式 Agent 系統 在 Cursor,我們運行數以千計的 Agent 來協助我們訓練下一版本的 Composer。 我們會指派研究任務給它…

    打造遞迴式 Agent 系統

    在 Cursor,我們運行數以千計的 Agent 來協助我們訓練下一版本的 Composer。
    我們會指派研究任務給它們,如果它們執行失敗或遇到問題,它們會透過 Slack 私訊我們,或是透過 PagerDuty 發送通知。
    擴展 Composer 的訓練規模
    我們建立了一個由多個 Agent 組成的組織架構,讓它們協同工作。
    隨著我們擴展 Composer 的訓練規模,我們希望能進行更多、數以千計的實驗。這在過去並非不可能,但速度緩慢且難以追蹤每個實驗的狀態。為了加快速度並實現工作平行化,我們建立了一個持續運行的 Agent 系統(沒錯,它就是一個迴圈)。
    用於研究的 Agent 系統
    這個系統的運作方式如下:
    主 Agent 運行在一台強大的遠端機器上,具備你在本機上會使用的所有工具,並在磁碟中設定一個檔案作為整個機群的「收件匣」。
    它透過 SSH 連線到運行數百個子 Agent 的機器,並將它們的狀態收集到收件匣中。
    在每個迴圈中,它會檢查機群的健康狀況,讓健康的任務在背景持續執行,並將任何故障資訊回報給 Slack 上的團隊。
    就像所有的基礎設施一樣,這些 Agent 有時會遇到暫時性的問題或需要人工介入,因此主 Agent 可以控制整個機群,並根據需要終止或重新啟動處理程序。
    展開畫面重點畫面顯示一支智慧型手機的鎖定畫面通知中心,上方狀態列顯示時間為 9:41,訊號與電量圖示正常。畫面中央有一則推播通知,圖示為綠色背景搭配白色「P」字樣。通知內容如下:
    標題:Alert: P1 Composer Agent System is stuck
    內文:The agent is blocked and needs your input to continue with the next experiment.
    時間標記:now
    此畫面呈現一個自動化代理程式(Agent)在執行實驗過程中遇到阻礙,需要使用者介入處理的系統通知介面。
    這個「機群管理器」是建立在我們先前發表關於長期運行 Agent 的研究基礎之上。我們賦予了這個管理器許多不同的 skill,這些 skill 內化了執行機器學習實驗、審查與監控結果等方面的隱性知識。
    擁有超能力的研究員
    訓練出色的模型意味著要嘗試各種產生實用強化學習(RL)資料的點子。
    單一台筆記型電腦是不夠的,你確實需要雲端上的一支電腦大軍來平行執行實驗。由於我們不受運算資源的限制,我們為機器學習團隊中的每個人都部署了這套基礎設施。
    研究員的時間是我們最稀缺的資源,而我們找到了一種將他們影響力擴大數個數量級的方法。試想如果你有一位管理一萬名直屬下屬的人類經理,這顯然無法運作良好,但這種「人類 → Agent」的組織架構卻能發揮作用!
    如果你面臨的問題是可以驗證的,且投入更多的 token 就能更快速或更有效地解決它,那麼考慮建立這樣的系統是值得的。它讓我們能夠擁有成群的 Agent,在 Composer 的資料中進行爬梳,並為未來的版本進行遞迴式的自我優化。
    如果這聽起來讓你感到興奮,我們正在招募人才!

    原文:https://easyvibecoding.app/curated/1948

    4 min
  • @NousResearch:Hermes Agent 推出正式版 WhatsApp Business Cloud API 整合,支援企業級訊息自動化與互動功能。 Nous Resea…

    Hermes Agent 推出正式版 WhatsApp Business Cloud API 整合,支援企業級訊息自動化與互動功能。

    Nous Research 宣布旗下的 Hermes Agent 已正式支援 Meta 的 WhatsApp Business Cloud API,為使用者提供穩定且符合生產環境需求的整合方案。此功能不僅能作為個人或團隊的私有 WhatsApp 機器人,亦可配置於客戶服務場景,並支援媒體與語音訊息、已讀回條、輸入狀態顯示以及互動式審核按鈕等進階功能。
    核心優勢與部署方式
    相較於非官方的 Baileys 橋接方案,使用官方 Cloud API 的優點在於無需 Node.js 橋接程式、不會產生 QR Code 掃碼需求,且能大幅降低帳號被封鎖的風險。若要啟用此功能,使用者需具備 Meta Business 帳號,並透過 hermes whatsapp-cloud 指令啟動引導式設定,系統將協助驗證憑證並提供後續的 Webhook 配置指引。
    關鍵設定步驟
    準備環境:確保擁有 Meta Business 帳號並建立相關應用程式,同時準備一個可公開存取的 HTTPS URL(建議使用 Cloudflare Tunnel)。
    設定權限:在 Meta Business 設定中建立「系統使用者(System User)」,並授予 whatsappbusinessmessaging 與 whatsappbusinessmanagement 等權限,生成永久存取權杖(Permanent Token)。
    環境變數配置:將取得的權杖與驗證字串填入 ~/.hermes/.env 檔案中:
    `bash
    WHATSAPPCLOUDACCESSTOKEN=yourpermanent_token
    WHATSAPPCLOUDVERIFYTOKEN=yourverify_token
    `
    啟動與訂閱:執行 hermes gateway 後,於 Meta 應用程式儀表板的 Webhook 設定中,填入對應的 Callback URL(格式為 https:///whatsapp/webhook)並訂閱 messages 欄位。
    存取控制:若需限制機器人回應的對象,可在環境變數中設定白名單:
    `bash
    WHATSAPPCLOUDALLOWED_USERS=15551234567,15557654321
    `
    注意事項
    訊息視窗限制:根據 Meta 的規定,若回覆時間超過使用者最後一則訊息後的 24 小時,必須使用預先核准的模板訊息。
    媒體支援:建議在系統 PATH 中安裝 ffmpeg,以便將輸出的語音訊息自動轉譯為 WhatsApp 原生的語音訊息氣泡(綠色波形圖示),而非僅作為 MP3 附件傳送。
    這是一段展示綠色通訊圖示的動態視覺效果。
    開發限制:在應用程式通過審核前,僅能向 Meta 後台設定的受信任號碼發送訊息。

    原文:https://easyvibecoding.app/curated/1949

    3 min
  • @claudeai:Claude Fable 5 正式發布展現 AGI 潛力。 Claude Fable 5 上線僅數日,開發者社群便利用其強大的邏輯推理與生成能力,開發出多…

    Claude Fable 5 正式發布展現 AGI 潛力。

    Claude Fable 5 上線僅數日,開發者社群便利用其強大的邏輯推理與生成能力,開發出多樣化的應用專案,從複雜的物理模擬、電腦視覺分析到高精度的 3D 場景建構,展現了該模型在處理複雜任務時的卓越表現。
    電腦視覺與物理模擬
    開發者 AA(@measure_plan)利用 Claude Fable 5 優化了足球射門分析系統的電腦視覺管線,該系統整合了 Roboflow RF-DETR 進行物件偵測,並透過 MediaPipe 進行人體姿勢追蹤。系統能即時計算射門速度(KM/H)、球體與球門線的距離,並自動判定是否進球。
    這是一段展示足球射門分析系統的影片,透過電腦視覺技術即時追蹤球員動作、球速及球門距離。
    此外,Jason Kneen 展示了透過 Claude Fable 5 處理的 3D 骨架綁定與動作調整,模型能根據滑鼠拖曳點位,即時產生具備物理回饋的「真實」動作反應。
    一個低多邊形(Low Poly)風格的 3D 人物模型在編輯軟體中進行骨架綁定與動作調整的演示。
    複雜場景與創意生成
    Ethan Mollick 透過簡單的提示詞,讓 Claude Fable 5 在 twigl.app 上生成了充滿哥德式尖塔與風暴海洋的程序化著色器(Shader)。
    一段呈現冰雪覆蓋的哥德式建築群在風雪中矗立的 3D 動畫場景。
    開發者 Hayashimon(@hayashimon1)則測試了模型在流體模擬上的極限,成功生成了類似墨水在水中擴散的「墨流し (SUMINAGASHI)」互動效果。
    這是一個名為「墨流し (SUMINAGASHI - INK DISSOLUTION)」的互動式網頁演示,展示了基於 Three.js 的流體模擬效果。
    此外,Shlok Khemani 利用衛星影像與 NASA 高程資料,透過 Claude Fable 5 構建了可導覽的 Yosemite 山谷模擬,該專案包含約 26.6 萬棵程序化樹木、瀑布著色器,甚至能自動偵測並修正視覺錯誤,詳細操作可參考 Yosemite 模擬專案。
    這是一段展示 Yosemite Valley 地形模擬與導覽介面的互動式演示影片。
    AGI 等級的推理與開發效率
    Victor M 指出,Claude Fable 5 在「波音 747」基準測試中展現了近乎 AGI 等級的表現,遠超前代 Opus 4.8 的水準。
    這是一段展示 3D 飛機模型在瀏覽器環境中進行 360 度旋轉檢視的畫面。
    みどり(@midori_tatsuta)則分享了僅使用 Claude Fable 5 結合 Cowork 平台,從零到完成部署一個「金魚餵食互動應用」的過程。
    這段影片展示了數位互動藝術效果,模擬魚群在水面游動並產生漣漪的視覺體驗。
    Angel 🌼 則測試了模型在「最大推理努力(max reasoning effort)」模式下的表現,透過安全系統提示詞(System Prompt)限制創意以換取功能性,成功生成了結構精確的木造房屋模型。
    這是一段展示在遊戲中建造的兩層樓木造房屋的影片。
    UI 設計與工具應用
    Ann Nguyen 展示了利用 Claude Fable 僅透過 CSS 實現的液態玻璃質感 UI,並開發了 GitHub Glass Card 工具,讓使用者能將 GitHub 個人檔案轉換為具備互動簽名功能的液態玻璃卡片。
    這是一個名為「GitHub Glass Card」的線上工具演示,使用者可輸入 GitHub 使用者名稱生成具有液態玻璃質感、可簽名的個人資料卡片。
    這些案例證明了 Claude Fable 5 不僅能處理邏輯程式碼,在前端設計與視覺呈現上也具備極高的生產力。

    這是一段展示足球射門分析系統的影片,透過電腦視覺技術即時追蹤球員動作、球速及球門距離。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)系統啟動,顯示初始狀態。 2. (00:01)球員開始進行射門動作,系統開始追蹤骨架。 3. (00:02)系統偵測到球速為 75 KM/H,並開始計算球與球門的距離。 4. (00:04)球進入球門,系統判定為 GOAL!!。

    這是一個名為「墨流し (SUMINAGASHI - INK DISSOLUTION)」的互動式網頁演示,展示了基於 Three.js 的流體模擬效果。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)透過滑鼠在畫面上拖曳,產生黑色墨水流動效果。 2. (00:02)拖曳產生紅色墨水,與黑色混合。 3. (00:05)拖曳產生藍色墨水。 4. (00:10)拖曳產生綠色墨水。 5. (00:17)拖曳產生紅色墨水,與既有顏色混合。 6. (00:21)點擊「洗い流す」(清除畫面)功能。 7. (00:24)點擊紅色顏色選項,並在畫面上點擊產生紅色墨水。

    這是一段展示 3D 飛機模型在瀏覽器環境中進行 360 度旋轉檢視的畫面。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)網頁載入後,3D 飛機模型開始自動進行 360 度旋轉展示。

    這段影片展示了數位互動藝術效果,模擬魚群在水面游動並產生漣漪的視覺體驗。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)滑鼠游標在水面上移動,觸發漣漪效果。

    一個低多邊形(Low Poly)風格的 3D 人物模型在編輯軟體中進行骨架綁定與動作調整的演示。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)調整頭部節點 2. (00:11)調整手臂節點 3. (00:23)調整軀幹節點 4. (00:32)調整手腕節點 5. (00:51)調整腿部節點 6. (00:57)調整腳部節點 7. (01:45)調整腿部與髖部節點 8. (02:00)調整膝蓋節點 9. (02:18)調整軀幹與整體姿勢

    這是一段展示在遊戲中建造的兩層樓木造房屋的影片。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)玩家站在房屋門口 2. (00:02)玩家進入房屋內部 3. (00:08)玩家走上二樓 4. (00:20)玩家走出房屋並環繞拍攝外觀

    這是一段展示 Yosemite Valley 地形模擬與導覽介面的互動式演示影片。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)點擊「Click to explore」進入模擬場景 2. (00:33)切換時間至「Golden hour」 3. (00:35)切換時間至「Dusk」 4. (00:37)切換時間至「Night」 5. (00:38)切換時間至「Dawn」 6. (00:40)切換時間至「Midday」 7. (01:58)按下 Esc 鍵返回選單

    這是一個名為「GitHub Glass Card」的線上工具演示,使用者可輸入 GitHub 使用者名稱生成具有液態玻璃質感、可簽名的個人資料卡片。 影片中的 Prompt 與操作:

    Prompt(00:00): annguyentt

    操作步驟: 1. (00:00)輸入 GitHub 使用者名稱「annguyentt」 2. (00:01)點擊「Build」按鈕生成卡片 3. (00:09)在卡片簽名區進行手寫簽名 4. (00:16)點擊「Download card」按鈕下載檔案

    原文:https://easyvibecoding.app/curated/1956

    3 min
  • @Kimi_Moonshot:Kimi-K2.7-Code 正式發布並開源,透過提升程式開發與 Agent 效能,顯著降低推理 token 用量。 最新發布的 Kimi K2.7 …

    Kimi-K2.7-Code 正式發布並開源,透過提升程式開發與 Agent 效能,顯著降低推理 token 用量。

    最新發布的 Kimi K2.7 Code 在程式編寫(Coding)與智能體(Agents)的多項基準測試中,相較於前代 Kimi K2.6 均有顯著的性能提升。
    Moonshot AI 於 2026 年 6 月 12 日推出最新的程式開發模型「Kimi-K2.7-Code」,該模型強調在長距離程式開發任務中的指令遵循能力與端到端任務成功率,並已於 Hugging Face 開源。開發者即日起可透過 Kimi Code 或 Kimi API 進行存取,同時官方也啟動了「Kimi Code Beta Program」供使用者申請搶先體驗未來功能。
    效能與技術突破
    根據官方數據,Kimi-K2.7-Code 在多項基準測試中均較前代 K2.6 有顯著成長:
    Kimi Code Bench v2 提升 21.8%。
    Program Bench 提升 11.0%。
    MLS Bench Lite 提升 31.5%。
    推理效率優化:在維持強大推理能力的同時,推理 token 的使用量較 K2.6 減少了 30%,有效降低了過度思考的情況。
    長距離程式開發:在 Rust、Go 與 Python 等多種程式語言及前端開發、DevOps 等場景中,展現出更穩健的泛化能力。
    規格支援:全系列模型(K2.7、K2.6、K2.5)均提供 256K 的視窗。
    Kimi-K2.7 Code 相較於 Kimi-K2.6,在 Kimi Code Bench v2、Program Bench 與 MLS Bench Lite 三項基準測試中,不僅提升了程式碼生成性能,同時也顯著降低了推理 Token 的消耗量(越偏左越佳)。
    開發者快速上手指南
    Kimi API 完全相容於 OpenAI 的 API 格式,開發者可透過以下步驟進行整合:
    安裝或更新 OpenAI SDK:
    `bash
    pip install --upgrade 'openai>=1.0'
    `
    驗證安裝是否成功:
    `bash
    python -c 'import openai; print("version =",openai.version)'
    `
    多模態與工具呼叫範例
    Kimi-K2.7-Code 整合了視覺理解與工具呼叫能力。若要測試其多模態功能,請先將測試影片下載至本地端(例如 ~/Download/test_video.mp4),隨後即可透過 API 呼叫模型進行分析與程式撰寫。
    後續資源
    模型權重與程式碼:Kimi-K2.7-Code(Hugging Face)
    Beta 測試計畫申請:Kimi Code Beta Program
    官方預告:未來將推出 6 倍速的高速模式(High-Speed Mode)。
    這是一張關於 Kimi Code Beta Program 的宣傳圖像,預告即將推出 6 倍高速模式。

    原文:https://easyvibecoding.app/curated/1947

    3 min
  • @freeman1266:Loop Engineering 實戰 我不再 prompt Claude 了。我有一套 loops 在運行,它們會 prompt Claude,並決定接…

    Loop Engineering 實戰

    我不再 prompt Claude 了。我有一套 loops 在運行,它們會 prompt Claude,並決定接下來做什麼。我的工作是寫 loops。
    在上一篇文章中,我們了解到什麼是 Loop Engineering,今天,我們來看下如何將 Loop Engineering 應用到實際工作中。
    從 Harness 到 Loop:差在哪裡
    我之前寫過 Harness Engineering(建構讓 AI 可靠工作的執行環境)。如果你沒看過,一句話補課:
    Harness 是為單個 Agent 搭舞台;Loop 是讓整齣戲自己演下去。
    Harness 解決「一次做對」,Loop 解決「持續做對」。
    Harness 是靜態的——規則、文件、檢查項目在那兒等 Agent 來用。
    Loop 是動態的——它自己發現工作、分發工作、檢查工作、記錄進度,然後決定下一步做什麼。
    展開畫面重點畫面分為左右兩個區塊,背景為深色格線風格。
    左側標題為「Harness」,下方圖示為一個包含播放按鈕圖示的方形,向下延伸箭頭連接至一個圓形節點。
    右側標題為「Loop」,下方圖示為一個圓形循環路徑,由四個圓形節點與連接它們的箭頭組成,呈現閉環結構。
    | | Harness | Loop |
    |---|---|---|
    | 觸發方式 | 你手動啟動 | 按時間 / 事件自動觸發 |
    | 執行週期 | 單次對話 | 持續執行,跨對話 |
    | 狀態管理 | 在 context 裡 | 在磁碟上(檔案/看板) |
    | 你的角色 | 操作者 | 設計者 |
    一個真正能跑起來的 Loop,需要五樣東西 + 一個記憶層:
    | 建構塊 | 一句話 | 核心機制 |
    |--------|--------|----------|
    | Automations | 讓它自己動起來 | /loop、cron、hooks、GitHub Actions——給 Loop 一個節奏 |
    | Worktrees | 讓並行 Agent 不打架 | 每個 Agent 獨立分支 + 目錄,共享 repo 歷史,互不干擾 |
    | Skills | 讓 Agent 不靠猜 | 寫一次專案約定(CLAUDE.md、me.md),每次執行都複利 |
    | Connectors (MCP) | 讓 Loop 連接真實世界 | 讀 issue、查 DB、呼叫 API、發 Slack——Agent 自己開 PR 而不是只給建議 |
    | Sub-agents | 讓「寫的人」和「查的人」分開 | Maker ≠ Checker;獨立 verifier 是你能放心走開的唯一原因 |
    | Memory | Loop 的脊椎 | markdown / Linear board / state file——跨對話記住「做了什麼、還剩什麼」 |
    實戰案例:知識編譯 Loop
    我有一個個人知識庫,它的核心就是一條 Loop:
    展開畫面重點畫面為深藍色背景,上方有一系列以霓虹藍色發光線條繪製的圖示,並由箭頭串聯成一個循環流程。圖示依序為:
    信封(代表郵件/訊息輸入)
    漏斗(代表過濾或篩選機制)
    文件堆疊(代表資料處理)
    齒輪(代表系統設定或自動化執行)
    開啟的書本(代表知識庫或參考資料)
    鈴鐺(代表通知或提醒)
    人物輪廓(代表最終使用者)
    箭頭指示了從左至右的處理路徑,並有一條長箭頭從右側的人物輪廓回連至左側的信封,象徵流程的循環與持續性。畫面中無任何文字內容。
    展開畫面重點該圖表以文字流程圖形式呈現資訊處理的循環路徑,包含以下步驟:
    資訊來源:透過「RSS/Twitter 自動抓取」以及「我的行動產生新素材」匯入至「inbox/」。
    處理流程:
    - 「inbox/」經由「/triage 過濾」進入「raw/」。
    - 「raw/」經由「/compile 編譯」進入「wiki/」。
    - 「wiki/」經由「/briefing 推送洞見」最終傳遞給「我」。
    循環機制:流程末端設有反饋迴路,將產出的內容重新回饋至資訊抓取階段。
    拆開看五個建構塊怎麼落地的:
    | 建構塊 | 我的實現 |
    |--------|----------|
    | Automation | 每天 6:03 自動觸發 briefing;RSS 和 Twitter 定時抓取進 inbox |
    | Worktree | 編譯時用獨立 worktree,避免和我正在編輯的檔案衝突 |
    | Skills | /triage、/compile、/briefing 各是一個 Skill,包含完整執行邏輯 |
    | Connectors | Twitter fetch、RSS fetch 透過 MCP/腳本接入外部資料源 |
    | Sub-agents | compile 時用獨立 agent 做「漣漪更新」檢查,避免主 agent 自己判斷是否需要更新 |
    | Memory | wiki/changelog.md + raw/registry.md 作為跨對話狀態 |
    兩個月跑下來的資料:
    自動過濾了 200+ 篇 inbox 素材,真正進入 raw/ 的不到 30%
    wiki 從 0 編譯到 50+ 概念條目,全部由 AI 寫和維護
    每天早上收到 briefing,平均喚醒 2-3 個我已經忘了的知識連結
    關鍵體感:我沒有「管理」這個系統。我只是每天早上花 3 分鐘看 briefing,偶爾手動扔一篇文章進 inbox。Loop 自己在轉。
    三個設計 Loop 的實操原則
    先跑最小 Loop,再加層
    不要一上來就搭五層全家桶。
    我的第一版 Loop 只有:一個 cron + 一個 skill + 一個 markdown 檔案當 memory。
    跑了一週確認基本邏輯對了,再加 sub-agent 做品質檢查,再加 connector 接資料源。
    Loop 是迭代長出來的,不是一次設計出來的。
    Maker 和 Checker 必須分開
    這是最反直覺但最重要的一條。
    我早期讓 /compile 自己判斷「這次編譯是否需要更新已有條目」——結果它總是說「不用」。
    後來拆成兩步:一個 agent 編譯,另一個 agent 拿著新素材去對比所有已有條目。更新率從 5% 跳到 30%。
    自檢是無效檢測。
    Silent failure 是 Loop 最大的敵人
    Loop 在你不看的時候執行。如果它悄悄失敗了,你可能一週後才發現。
    我的做法:
    每次執行寫 _changelog.md,格式可 grep
    briefing 裡有一個「例外」模組,專門報告 Loop 執行中的問題
    關鍵步驟失敗時發通知,而不是靜默跳過
    誰該用 Loop,誰不該
    先潑盆冷水:Loop 不是所有人都需要的東西。
    適合不適合有重複性工作需要持續執行偶爾用 AI 寫個程式你的判斷力已經足夠好,想放大它你還沒想清楚要 AI 做什麼願意投入時間設計系統只想快速拿到一個結果
    還有一個更深層的警告:
    兩個人可以建構完全一樣的 Loop,卻得到截然相反的結果。一個人用它在自己深刻理解的工作上跑得更快。另一個人用它來避免理解工作本身。
    Loop 不知道這兩者的區別。但你知道。
    如果你對自己領域的判斷力不夠,Loop 只會幫你更快地犯錯。
    從今天開始的最小行動
    如果你想試試 Loop Engineering,不需要搭一個完整系統。從這三步開始:
    第一步:找一個你每天/每週重複做的 AI 任務。
    比如:review PR、整理筆記、掃描新聞、檢查程式碼品質。
    第二步:把它寫成一個 Skill 檔案。
    不是 prompt,是 Skill——包含執行邏輯、輸入輸出規範、專案上下文。寫一次,永久複用。
    第三步:給它加一個觸發器。
    哪怕只是一個 cron job,讓它每天自己跑一次。
    恭喜,你有了第一個 Loop。
    剩下的——sub-agent 驗證、worktree 隔離、memory 持久化——等你覺得 Loop 不夠可靠的時候再加。
    最後
    從 Prompt Engineering 到 Context Engineering 到 Harness Engineering,再到 Loop Engineering——每一次演化,人的角色都在後退一步。
    但「後退」不是「消失」。
    你從「寫 prompt 的操作者」變成「設計系統的架構師」。
    你的判斷力、品味、對品質的要求——這些東西不是被替代了,而是被放大了。
    Loop 是放大器。放大好的判斷,也放大壞的判斷。…

    6 min
  • @OpenAIDevs:OpenAI Developers 推出 Codex 開發者模式實現網頁偵錯。 核心功能與應用 OpenAI 此次更新為「Codex」的瀏覽器使用功能(…

    OpenAI Developers 推出 Codex 開發者模式實現網頁偵錯。

    核心功能與應用
    OpenAI 此次更新為「Codex」的瀏覽器使用功能(Browser use)引入了「開發者模式」,旨在提升 AI 在網頁開發與除錯過程中的技術深度。透過整合 Chrome DevTools Protocol (CDP),Codex 現在能執行更細緻的技術診斷,具體能力包括:
    效能分析:擷取基準追蹤資料並分析 JavaScript 執行效能。
    網路監控:檢查網路流量、請求狀態、持續時間(durationMs)及編碼大小(encodedKB)。
    狀態檢視:檢查主控台紀錄(Console logs)、執行階段錯誤、本機儲存(Local storage)以及 DOM 與套用的樣式。
    啟用與操作流程
    若要啟用此功能,使用者需依照下列步驟進行設定:
    開啟 Codex 應用程式,進入 Settings > Browser(或點擊 設定頁面)。
    在「Developer mode」區塊下,將「Enable full CDP access」選項開啟。
    若要針對 Chrome 瀏覽器進行操作,需先安裝 Codex Chrome extension 並在對話中呼叫 @Chrome。
    講者介紹如何透過啟用「開發者模式」中的「完整 CDP 存取權」,讓該 AI 程式開發工具能更深入地偵錯與測試網頁應用程式。
    安全與使用限制
    由於完整 CDP 存取權涉及敏感的瀏覽器內部資訊,OpenAI 採取了嚴格的安全控管措施:
    權限審核:Codex 在使用完整 CDP 存取特定網站前,會強制要求使用者進行明確授權,使用者需審核網站名稱、任務內容及請求的存取權限。
    組織限制:若所屬組織已停用此設定,使用者將無法在本地端啟用。
    內建瀏覽器限制:Codex 的「應用程式內瀏覽器(In-app browser)」不支援登入流程、Cookie、擴充功能或使用者既有的瀏覽器設定檔,僅適用於無需登入的頁面。官方特別提醒,請勿將機密資訊貼入瀏覽器流程中,並應將網頁內容視為不受信任的環境。
    實際開發場景
    透過此模式,開發者可以利用自然語言指令,例如:「This app is slow. Use @Browser to capture a performance trace and inspect network traffic, then identify the bottleneck.」,讓 AI 自動執行效能追蹤並識別瓶頸。在實際演示中,系統能自動分析重複的 API 請求並以 JSON 格式呈現數據,協助開發者快速定位並優化應用程式的載入速度。

    講者介紹如何透過啟用「開發者模式」中的「完整 CDP 存取權」,讓該 AI 程式開發工具能更深入地偵錯與測試網頁應用程式。 影片中的 Prompt 與操作:

    Prompt(00:45): 你好

    原文:Hello

    Prompt(01:52): 你好,這

    原文:Hello this

    操作步驟: 1. (00:25)點擊「Developer mode」下的開關以啟用「Enable full CDP access」。 2. (00:35)點擊彈出視窗中的「Allow」按鈕授權 CDP 存取。 3. (00:38)點擊瀏覽器左上角的「Reload page」按鈕。 4. (00:45)在對話框輸入「Hello」並送出。 5. (00:57)點擊「Extract baseline trace data」以檢視網路追蹤數據。 6. (01:52)在對話框輸入「Hello this」並送出。

    原文:https://easyvibecoding.app/curated/1935

    3 min
  • @OpenAI:OpenAI 推出 Codex 使用限制重置優化額度管理。 使用限制重置功能 OpenAI 正式開放使用者將「使用限制重置」(rate limit re…

    OpenAI 推出 Codex 使用限制重置優化額度管理。

    使用限制重置功能
    OpenAI 正式開放使用者將「使用限制重置」(rate limit resets)儲存起來,以便在需要時靈活運用,不再受限於系統強制規定的重置時間。此功能目前已針對 Go、Plus、Pro 及 Business 等付費方案的使用者開放,並預設提供每位使用者一次免費的重置機會。
    推薦與獎勵機制
    為了擴大使用者基礎,OpenAI 同步推出了為期兩週的推薦活動:
    適用對象:Plus 與 Pro 方案的使用者。
    推薦名額:每位使用者最多可邀請三位朋友試用 Codex。
    獎勵規則:當受邀朋友發送第一則訊息後,推薦人與被推薦人雙方皆可獲得一次額外的「儲存式重置機會」(banked reset)。
    OpenAI 宣布推出 Codex 的使用限制重置與推薦機制。
    系統介面與操作
    根據官方釋出的操作演示,使用者現在可以透過介面即時監控使用狀態:
    系統會明確顯示當前的「5 小時使用限制」與「每週使用限制」的消耗百分比。
    介面中新增了「重置使用限制」(Reset usage limits)按鈕,讓使用者能主動觸發重置。
    透過此機制,使用者能將獲得的重置次數累積至帳號中,供未來高需求時段使用,解決了過去因頻率限制導致工作中斷的痛點。

    OpenAI 宣布推出 Codex 的使用限制重置與推薦機制。 影片中的 Prompt 與操作:

    Prompt(00:15): [email protected]

    操作步驟: 1. (00:05)點擊「Reset usage limits」按鈕 2. (00:15)在輸入框輸入電子郵件地址 3. (00:16)點擊「Send invite」按鈕

    原文:https://easyvibecoding.app/curated/1933

    2 min
  • @NousResearch:Nous Research 推出 Hermes Agent 實現自動化工作流程。 核心功能與價值 Hermes Agent 透過 Automation …

    Nous Research 推出 Hermes Agent 實現自動化工作流程。

    核心功能與價值
    Hermes Agent 透過 Automation Blueprints 簡化了開發者與營運人員的重複性工作,讓原本複雜的排程任務變成可點選、可填寫的對話式流程。此功能的核心在於「One function for every path」的設計理念,無論使用者透過聊天視窗、表單、斜線指令(Slash Command)或深層連結(Deep-link)操作,系統最終都會呼叫 create_job() 函式來執行任務。
    Hermes Agent 推出的 Automation Blueprints 功能,旨在透過預設模板簡化重複性排程任務。
    自動化模板與觸發機制
    根據官方文件 Automation Templates,這些模板支援任何大型語言模型,並提供三種主要的觸發方式:
    排程(Schedule):透過 cronjob 工具或 /cron 斜線指令,執行週期性任務(如每小時、每晚或每週)。
    GitHub 事件(GitHub Event):透過 hermes webhook subscribe 監聽 PR 開啟、推送或 CI 結果等事件。
    API 呼叫(API Call):透過外部服務 POST JSON 資料至端點,適用於監控系統或部署驗證。
    實際應用場景
    這些藍圖涵蓋了多種開發與營運需求,包括:
    開發工作流:如每晚的待辦事項分類、自動化 PR 程式碼審查、文件漂移偵測及依賴套件安全性稽核。
    DevOps 與監控:包含部署驗證、警報分類(Alert Triage)以及端點正常運作監控。
    研究與情報:如競爭對手儲存庫監控、AI 新聞摘要及 arXiv 論文摘要整理。
    業務營運:如 Stripe 付款監控與每日營收摘要。
    進階操作與除噪
    為了避免通知過載,系統引入了 [SILENT] 模式。當 cron 任務執行後若無重要資訊需要回報,Agent 僅需回應 [SILENT],即可抑制通知發送,確保使用者僅在有實際產出時才收到訊息。此外,使用者可將任務結果發送至 Telegram、Discord、Slack、SMS、email 或 GitHub 評論,實現靈活的整合應用。

    Hermes Agent 推出的 Automation Blueprints 功能,旨在透過預設模板簡化重複性排程任務。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:03)選擇一個藍圖 (Pick a blueprint) 2. (00:06)Hermes 詢問所需資訊 (Hermes asks what it needs) 3. (00:08)執行任務 (Job running)

    原文:https://easyvibecoding.app/curated/1926

    3 min
  • @higgsfield:Higgsfield Games 透過文字指令生成遊戲。 核心功能與技術架構 Higgsfield AI 於 2026 年 6 月 12 日正式推出「H…

    Higgsfield Games 透過文字指令生成遊戲。

    核心功能與技術架構
    Higgsfield AI 於 2026 年 6 月 12 日正式推出「Higgsfield Games」,這是首個能讓使用者僅憑文字指令(Prompt)便能建構並部署多人遊戲的平台。該平台支援多種遊戲類型,包含第一人稱射擊(FPS)、賽車、生存、卡牌、格鬥、運動、擴增實境(AR)、視覺小說、恐怖及模擬駕駛等。其核心技術由「Claude Fable 5」驅動,並透過「Higgsfield MCP」生成高品質的角色、asset 與場景設定。
    這是一段展示 Higgsfield 平台如何透過文字指令生成與編輯遊戲內容的演示影片。
    操作靈活性與編輯能力
    該平台不僅限於生成,更具備高度的動態編輯能力,讓使用者能透過指令即時調整遊戲要素:
    遊戲模式轉換:可將單人遊戲快速轉換為多人連線模式。
    風格化編輯:支援將遊戲畫面風格轉換為「Low Poly」(低多邊形)或其他視覺風格。
    內容客製化:使用者能針對遊戲內的場景、角色與道具進行精確的風格與參數調整。
    使用管道與存取方式
    Higgsfield Games 目前已正式上線,使用者可透過以下管道進行體驗:
    透過 Higgsfield 官方網站 了解詳細介紹。
    於 Claude 平台透過 MCP(Model Context Protocol)進行呼叫。
    直接使用 Higgsfield 專屬的「Supercomputer」運算資源進行部署。
    Higgsfield AI 此次發布展示了大型語言模型在遊戲開發流程中的深度整合,透過將生成式 AI 應用於複雜的遊戲邏輯與 asset 製作,大幅降低了多人遊戲的開發門檻。

    這是一段展示 Higgsfield 平台如何透過文字指令生成與編輯遊戲內容的演示影片。 影片中的 Prompt 與操作:

    Prompt(00:08): 將其改為多人遊戲

    原文:Make it multiplayer

    Prompt(00:28): 從單一提示詞生成資產

    原文:Generate assets from a single prompt

    Prompt(00:38): 將其改為低多邊形風格

    原文:Make it low poly

    操作步驟: 1. (00:00)點擊「GENERATE GAME」按鈕 2. (00:08)在對話框輸入「Make it multiplayer」並送出 3. (00:28)在對話框輸入「Generate assets from a single prompt」並送出 4. (00:38)在對話框輸入「Make it low poly」並送出

    原文:https://easyvibecoding.app/curated/1940

    3 min