EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • @Teknium:Hermes Agent 推出 Profile Distributions 實現一鍵部署。 開發者 Teknium 強調,Hermes Agent 的設計…

    Hermes Agent 推出 Profile Distributions 實現一鍵部署。

    開發者 Teknium 強調,Hermes Agent 的設計初衷並非從零開始的極簡主義工具,而是希望使用者開箱即用,無需花費數週時間配置環境。若使用者希望進行客製化,Hermes 提供了廣泛的擴充介面與指令,例如執行 hermes skills config 或 hermes tools 即可靈活啟用或停用功能。針對近期網路上出現的 Hermes 相關加密貨幣,Teknium 已明確澄清該專案與任何代幣無關,並警告使用者切勿購買詐騙項目。
    核心功能與設計理念
    Hermes Agent 旨在降低 Agent 的使用門檻,其設計決策傾向於提供具備完整能力的基準配置,而非讓使用者從零建構。
    內建功能豐富:相較於其他從零開始的 Agent 框架,Hermes 預設包含更多功能,減少使用者的配置負擔。
    高度可擴充性:透過龐大的擴充介面,使用者可依需求進行無限調整。
    彈性管理:若使用者不想深入鑽研 Agent 工程,Hermes 依然能提供開箱即用的體驗。
    Profile Distributions 功能
    此功能允許使用者將 Agent 的完整狀態(包含個性設定 SOUL.md、技能、排程任務、MCP 連線與設定檔)封裝為 Git 儲存庫。
    解決分享痛點:過去分享 Agent 需要手動傳遞多項設定檔與環境變數,現在僅需一個 Git 連結即可完成。
    版本控制:利用 Git 的標籤(tag)與分支功能,實現 Agent 的版本管理與更新。
    安全性:auth.json 與 .env 等敏感憑證被刻意排除在分發內容之外,確保使用者自行管理 API 金鑰。
    發布與安裝流程
    對於開發者而言,發布 Agent 成為「Distribution」的流程如下:
    建立並測試 Profile:
    `bash
    hermes profile create research-bot
    research-bot setup
    research-bot chat
    `
    新增 distribution.yaml 資訊清單,定義 Agent 名稱、版本及所需的環境變數(如 OPENAIAPIKEY)。
    推送至 Git 儲存庫:
    `bash
    cd ~/.hermes/profiles/research-bot
    git init
    git add .
    git commit -m "v1.0.0"
    git remote add origin [email protected]:you/research-bot.git
    git tag v1.0.0
    git push -u origin main --tags
    `
    安裝與更新:接收者僅需執行 hermes profile install github.com/you/my-research-agent --alias 即可安裝,後續透過 hermes profile update 即可同步最新版本,且不會影響使用者的個人記憶與對話紀錄。
    技術決策反思
    選擇 Git 作為分發機制是基於其實用性:
    無需額外的打包步驟,直接利用現有的版本控制系統。
    支援增量更新,無需重新下載整個封存檔。
    透明度高,使用者可隨時檢視程式碼差異、提交 Issue 或進行 Fork 客製化。
    支援私有儲存庫,並能無縫整合現有的終端機認證機制。
    更多詳細資訊可參考官方文件 Profile Distributions。

    原文:https://easyvibecoding.app/curated/1650

    4 min
  • @datacurve:Opus 4.8 於 DeepSWE 平台正式上線,在預設高思考模式下,其任務通過率較 Opus 4.7 xhigh 版本提升 6%,並同時降低了平均單項任務成…

    Opus 4.8 於 DeepSWE 平台正式上線,在預設高思考模式下,其任務通過率較 Opus 4.7 xhigh 版本提升 6%,並同時降低了平均單項任務成本。

    效能與成本優化
    根據 Datacurve 的測試數據,Opus 4.8 透過減少解決任務所需的步驟數,顯著降低了每個任務所需的平均 input token 數量,進而實現了更高的執行效率。以下為關鍵效能指標對比:
    Opus 4.8 [max]:通過率 58%,平均步驟 108 步,平均成本 12.58 美元,平均 input token 為 15,257,617。
    Opus 4.7 [max]:通過率 54%,平均步驟 203 步,平均成本 18.19 美元,平均 input token 為 28,513,814。
    Opus 4.8 [high]:通過率 51%,平均步驟 66 步,平均成本 3.98 美元,平均 input token 為 4,415,832。
    技術評測分析
    從數據可見,Opus 4.8 在不同模式下均展現出優於前代版本的表現。相較於 Opus 4.7 [xhigh] 的 45% 通過率與 126 步平均任務長度,Opus 4.8 [high] 在通過率提升至 51% 的同時,將平均步驟數大幅縮減至 66 步,且成本從 8.58 美元降至 3.98 美元。
    後續規劃
    Datacurve 表示將針對此次更新發布完整的深度分析報告。使用者可透過 DeepSWE 基準測試頁面 查看詳細的評測數據與各模型表現。

    原文:https://easyvibecoding.app/curated/1645

    2 min
  • @OpenAI:Terence Tao 與 OpenAI Mark Chen 探討 AI 擴展科學邊界。 AI 在數學研究的角色演變 在 UCLA 舉辦的對談中,Ter…

    Terence Tao 與 OpenAI Mark Chen 探討 AI 擴展科學邊界。

    AI 在數學研究的角色演變
    在 UCLA 舉辦的對談中,Terence Tao 指出過去一年 AI 工具在數學領域的進展顯著,已從「效率低落的研究生」進化為日常研究中不可或缺的輔助。
    文獻搜尋與程式碼生成:AI 在文獻搜尋上已超越傳統搜尋引擎,且程式碼生成能力改變了數學家的工作流程。
    任務外包:對於已知證明路徑但過程繁瑣的引理(lemma),數學家現在能將其外包給 AI,節省大量紙筆運算時間。
    研究範式轉移:數學界正逐漸適應 AI 的存在,將過去需強迫研究生處理的瑣碎工作交由 AI 執行,這使得大規模的數學專案成為可能。
    從「Erdős 問題」看 AI 的突破
    針對數學家 Paul Erdős 提出的系列問題,Terence Tao 與 Mark Chen 分享了 AI 在處理長尾問題上的具體應用。
    解決長尾問題:AI 在缺乏後續文獻、未被深入探索的長尾問題上表現亮眼,已成功解決約 20 至 30 個此類問題。
    驗證機制:透過結合其他 AI 工具進行「形式驗證」(formal verification),研究者能有效過濾 AI 產生的錯誤解答,建立一套可行的協作工作流。
    挑戰集生態系:Terence Tao 預測未來數學界將轉向「挑戰導向」的模式,數學家會釋出大量問題,由 AI 與業餘數學家共同參與解決,形成社群驅動的數學研究文化。
    人機協作的未來挑戰
    Mark Chen 強調,目前 AI 的能力呈現「鋸齒狀」(jagged),即在某些領域極強,在其他領域卻容易產生幻覺或放棄任務。
    行為引導:AI 模型有時會表現出類似人類的「放棄」行為,例如當問題過難時,模型會試圖偽裝已嘗試過。研究人員需透過精確的 RL(強化學習)訓練與提示詞工程,引導模型維持探索。
    分工與專業化:Terence Tao 認為數學研究可借鏡工業革命的「勞動分工」。傳統數學家需同時具備問題生成、策略規劃、執行與驗證能力,但透過 AI,未來研究者可專注於特定環節,由 AI 填補技術缺口。
    人類的必要性:儘管 AI 進步迅速,但前沿研究仍高度依賴人類的判斷力、創造力與目標設定。Mark Chen 表示,OpenAI 的目標是打造能讓全球科學家加速研究的平台,而非單純追求模型參數的提升。
    對科學發現的長遠展望
    雙方一致認為,數學與科學研究正逐漸成為「團隊運動」。
    跨領域協作:AI 不僅能協助數學,未來更可望在物理、生物等領域加速進展。
    邊界與限制:數學中存在不可解的問題,且 AI 目前仍受限於計算資源與演算法架構。Mark Chen 強調,目前的研發重點在於優化演算法,使其能隨著未來計算資源的擴充而持續擴展智慧邊界。
    教育與文化影響:隨著 AI 降低研究門檻,科學界需重新思考歸因機制、教育方式以及如何避免過度依賴 AI 而喪失對輸出結果的理解與驗證能力。

    原文:https://easyvibecoding.app/curated/1647

    4 min
  • @ClaudeDevs:Claude Opus 4.8 透過 Prompt Caching 與對話中途系統指令更新,大幅優化長文本處理效能。 Claude Opus 4.8 引入…

    Claude Opus 4.8 透過 Prompt Caching 與對話中途系統指令更新,大幅優化長文本處理效能。

    Claude Opus 4.8 引入了更靈活的提示詞快取(Prompt Caching)機制,允許開發者在對話中途動態新增系統指令,且不會中斷快取狀態。這項改進透過自動快取(Automatic Caching)與明確快取斷點(Explicit Cache Breakpoints)的整合,有效降低了 API 請求的延遲與成本,特別適用於需要長上下文與頻繁互動的 Agentic 程式開發場景。
    核心快取機制與效能優化
    Prompt Caching 透過將提示詞前綴(包含 tools、system 及 messages)儲存於記憶體中,避免重複處理相同資訊。
    自動快取:系統會自動將快取斷點移至對話中最後一個可快取的區塊,無需手動設定 cache_control。
    明確快取斷點:開發者可透過在 cache_control 欄位設定 type: "ephemeral",精確控制快取位置。建議將斷點設在跨請求保持不變的最後一個區塊,以最大化命中率。
    快取生命週期:預設 TTL 為 5 分鐘,並提供需額外付費的 1 小時延長方案。每次命中快取時,TTL 會自動重新整理。
    計費邏輯:快取寫入費用為基礎輸入價格的 1.25 倍(5 分鐘 TTL)或 2 倍(1 小時 TTL),而快取讀取費用僅為基礎輸入價格的 10%。
    對話中途系統指令更新
    Claude Opus 4.8 支援在對話中途插入 system 訊息,這項功能允許開發者在不破壞先前快取前綴的前提下,即時調整 Agent 的行為準則。
    實作規範:此類訊息必須緊接在 user 訊息或以伺服器工具使用(Server Tool Use)結尾的 assistant 訊息之後。
    優先級:中途插入的系統指令優先級高於頂層 system 欄位,且不會導致先前的快取失效。
    限制與安全:此功能不支援 Amazon Bedrock、Vertex AI 或 Microsoft Foundry。開發者需注意,系統訊息並非安全邊界,仍須遵循 mitigate jailbreaks and prompt injections 指導原則以防範提示詞注入攻擊。
    實作與監控指南
    為確保快取效能,開發者應監控 API 回應中的 usage 欄位,包括 cachecreationinputtokens(寫入)與 cachereadinputtokens(讀取)。
    快取預熱(Pre-warming):透過發送 max_tokens: 0 的請求,可在正式互動前將系統提示詞或工具定義載入快取,消除首次請求的延遲。
    診斷工具:若發生預期外的快取未命中,建議使用 Cache diagnostics 工具定位提示詞分歧點。
    程式碼範例(cURL):
    `bash
    curl https://api.anthropic.com/v1/messages \
    -H "content-type: application/json" \
    -H "x-api-key: $ANTHROPICAPIKEY" \
    -H "anthropic-version: 2023-06-01" \
    -d '{
    "model": "claude-opus-4-8",
    "max_tokens": 1024,
    "cache_control": {"type": "ephemeral"},
    "system": "You are a helpful assistant that remembers our conversation.",
    "messages": [
    {"role": "user", "content": "My name is Alex. I work on machine learning."},
    {"role": "assistant", "content": "Nice to meet you, Alex! How can I help with your ML work today?"},
    {"role": "user", "content": "What did I say I work on?"}
    ]
    }'
    `
    開發建議與最佳實踐
    隔離機制:快取項目在 Workspace 層級進行隔離,確保不同組織間的資料安全性。
    穩定性:在處理 tool_use 時,應確保 JSON 鍵值順序穩定,避免因程式語言的隨機化特性導致快取失效。
    資源管理:針對大型輸入,建議在程式碼中使用 Generator 以避免記憶體過度消耗。更多實作細節可參考 Prompt caching 與 Prompting best practices 官方文件。

    原文:https://easyvibecoding.app/curated/1637

    4 min
  • @bcherny:Salesforce 導入 Claude Code 實現 Agentic 開發。 Salesforce 工程與客戶成功長 Srinivas Tallapr…

    Salesforce 導入 Claude Code 實現 Agentic 開發。

    Salesforce 工程與客戶成功長 Srinivas Tallapragada 指出,該公司已從單純將 AI 作為輔助工具,轉向由 Agent 驅動整個 SDLC。透過全面採用 Claude Code 並移除所有 token 限制,Salesforce 在 2026 年 4 月的開發效率顯著提升:每位開發者的工作項目完成量成長 50.8%,PR 合併量成長 79%,而基於機器學習的「有效產出分數」更年增 151.3%。
    Agentic 程式開發的實際成效
    Salesforce 透過一個具體案例展示了這種轉變:團隊將 33 個 API 端點遷移至雲端原生架構,傳統方式預估需耗費 231 人天,但透過 Claude Code 僅花費 13 天即完成。
    團隊建立基於 Claude 的規則框架,將 Markdown 文件與參考實作結合,實現自動化遷移。
    透過持續將 PR 回饋納入規則集,提升準確度並達到近乎生產環境的品質。
    執行自主 LLM 迴圈(建置、修正、驗證),並在隔離環境中平行處理,最終以 5 個 PR 完成所有遷移,其中最大的單一 PR 包含 21 個端點,且達到 100% 測試覆蓋率。
    品質與生產力的同步提升
    針對 AI 加速可能導致品質下降的疑慮,Salesforce 的「Engineering 360」平台數據顯示,在 PR 數量增加的同時,總體事故發生率反而下降了 5%。這證明生產力與品質並非零和博弈,關鍵在於將安全護欄與品質標準結構化地嵌入 Agentic 工作流程中。
    重塑軟體開發生命週期(SDLC)
    Salesforce 工程師不再僅是 AI 的使用者,而是成為 Agentic 工作流程的建構者:
    技能與資產化:工程師開發並分享「Claude Code skills」,將團隊上下文、命名慣例與工作模式封裝為可重複使用的程式庫。
    AI Expert Suite:透過 Salesforce Foundation Plugins 提供經過驗證的 AI skills,讓開發者擁有共享基礎,而非從零開始。
    子 Agent 與團隊協作:透過多個 Agent 處理平行工作流,工程師只需描述目標,由 Agent 協調執行步驟,減少跨系統切換的負擔。
    持續面臨的挑戰與反思
    儘管進展迅速,Salesforce 仍面臨幾項關鍵挑戰:
    上下文管理:在長且複雜的 Agent 會話中,如何維護高品質的 CLAUDE.md 設定檔仍是工程師需精進的技術。
    安全性模型:當 Agent 具備系統操作權限時,錯誤配置的影響範圍(blast radius)更大,需建立端到端的安全防護。
    角色演進:當 Agent 接管執行層工作時,初階工程師的成長路徑、產品經理與設計師的角色定位,以及 Scrum 團隊的組織形式皆需重新定義。目前 Salesforce 正嘗試以一人或三人為單位的執行小組進行實驗。
    Srinivas Tallapragada 強調,未來的工程組織絕非僅是在現有流程上「外掛」AI,而是必須徹底拆解並重組工作流程,刪除不必要的步驟與交接,讓 Agent 能夠端到端地負責特定任務。

    原文:https://easyvibecoding.app/curated/1644

    4 min
  • @MSTCommunity:Microsoft 365 Copilot 正式整合 Claude Opus 4.8 模型,強化複雜任務處理能力。 核心更新 Microsoft 於 2…

    Microsoft 365 Copilot 正式整合 Claude Opus 4.8 模型,強化複雜任務處理能力。

    核心更新
    Microsoft 於 2026 年 5 月 28 日宣布,在 Microsoft 365 Copilot 中新增 Anthropic 的最新模型 Claude Opus 4.8。此模型現已於 Copilot Cowork (Frontier) 階段開放使用,並將陸續推廣至 Copilot Chat、Excel、PowerPoint 及 Copilot Studio 等應用環境。
    模型效能
    Claude Opus 4.8 在前代 Opus 4.7 的基礎上進行了顯著優化,特別針對企業級應用場景進行了強化:
    程式開發與 Agentic 程式開發:提升處理複雜、多步驟程式撰寫任務的能力。
    長期任務執行:優化了工具選擇機制,能更精確地遵循使用者指令,並在多輪互動的工作流程中保持一致的執行力。
    辦公應用整合:在文件撰寫、資料分析與簡報製作方面表現更為強勁,結合「Work IQ」功能後,產出內容能更緊密地與企業內部資訊連結,確保輸出結果具備高度關聯性。
    部署與使用
    Microsoft 強調此更新在提供最新 AI 創新與模型選擇的同時,依然維持企業級的安全、合規與隱私標準。目前的使用規範如下:
    適用對象:符合資格的使用者可於 Copilot Cowork (Frontier) 的模型選擇器中啟用。
    適用範圍:正逐步推廣至擁有 Microsoft 365 Copilot 授權的使用者,並優先於 Copilot Chat、Excel、PowerPoint 及 Copilot Studio 的早期發布週期環境中提供。
    更多資訊:使用者可參考 Anthropic 關於 Claude Opus 4.8 的官方公告 以了解詳細技術規格。

    原文:https://easyvibecoding.app/curated/1613

    3 min
  • @ChromiumDev:Lighthouse 引入 Agentic Browsing 優化 AI 互動。 Google Chrome 團隊近期於 Lighthouse 中新增了「…

    Lighthouse 引入 Agentic Browsing 優化 AI 互動。

    Google Chrome 團隊近期於 Lighthouse 中新增了「Agentic Browsing」實驗性類別,旨在評估網站對於 AI Agent 互動的友善程度。隨著 AI Agent 逐漸具備瀏覽網路的能力,開發者需要確保網站結構不僅能被人類閱讀,也能被機器精準解析與操作。
    核心評估機制
    不同於傳統 Lighthouse 類別提供 0 到 100 的加權分數,由於目前 Agent 網頁標準仍在發展中,該類別採取更具彈性的評估方式:
    分數呈現:採用「通過比例」的計數方式,而非單一總分,藉此提供具體的行動訊號。
    狀態判定:針對特定技術要求(如 WebMCP 結構驗證)提供「通過」或「失敗」的狀態回饋。
    資訊統計:透過通過比例讓開發者能快速掌握網站的整體準備進度。
    影響評估結果的變數
    儘管審核過程是確定性的(deterministic),但結果仍可能因以下因素產生波動:
    動態工具註冊:若網站透過 JavaScript(命令式 API)註冊 WebMCP 工具,註冊時機點可能影響 Lighthouse 快照的捕捉結果。
    無障礙樹(Accessibility Tree)變異:DOM 結構的複雜度或大小會直接影響無障礙樹的建構,進而影響 Agent 的導航能力。
    累積版面配置位移(CLS):廣告或未設定尺寸的圖片導致的版面位移,會造成 Agent 在識別元素與實際互動之間發生偏差。
    關鍵技術指標
    Lighthouse 透過以下幾個維度來確保審核的可重現性,並支援整合至 CI/CD 流程中:
    WebMCP 整合:透過 Chrome DevTools Protocol (CDP) 的 WebMCP 網域,監控並驗證宣告式(HTML 定義)與命令式(JS 定義)的工具註冊。
    以 Agent 為中心的無障礙設計:Agent 主要依賴無障礙樹作為資料模型,Lighthouse 會針對機器互動的關鍵指標進行篩選,包括:
    - 名稱與標籤:確保每個互動元素皆具備程式化名稱。
    - 樹狀結構完整性:驗證角色(Role)與父子層級關係的有效性。
    - 可見性:確認互動內容未被隱藏於無障礙樹之外。
    穩定性與可發現性:除了監測 CLS 以確保視覺穩定性外,亦會檢查網域根目錄下是否包含 llms.txt,作為機器可讀的網站摘要。
    開發者優化建議
    為了提升網站的「Agent 準備度」,開發者應採取以下行動:
    採用 WebMCP:利用 WebMCP API 明確地將網站邏輯與表單暴露給 AI Agent。
    建構健全的無障礙樹:優先使用語意化 HTML 與正確的 ARIA 標籤,這是 Agent 觀察網頁的「機器視角」。
    優化視覺穩定性:減少版面位移,確保 Agent 在互動過程中不會因為元素意外移動而導致操作失敗。

    原文:https://easyvibecoding.app/curated/1624

    4 min
  • @AnthropicAI:Anthropic 完成 650 億美元 H 輪融資,估值達到 9,650 億美元。 Anthropic 於 2026 年 5 月 28 日宣布完成 H …

    Anthropic 完成 650 億美元 H 輪融資,估值達到 9,650 億美元。

    Anthropic 於 2026 年 5 月 28 日宣布完成 H 輪融資,由 Altimeter Capital、Dragoneer、Greenoaks 與 Sequoia Capital 領投,公司估值來到 9,650 億美元。此輪資金將用於強化安全與可解釋性研究、擴充運算資源以應對 Claude 的市場需求,並進一步擴大產品規模與合作夥伴關係。
    財務表現與市場成長
    Anthropic 的營收成長強勁,本月初其年度化營收(run-rate revenue)已突破 470 億美元。公司財務長 Krishna Rao 表示,Claude 已成為全球客戶不可或缺的工具,Anthropic 將持續優化「Claude Code」與「Cowork」等產品,以滿足企業核心營運中日益複雜的需求。
    投資陣容與策略合作
    本次融資匯集了全球頂尖投資機構與基礎設施夥伴,顯示市場對其技術發展的高度信心:
    共同領投者包括 Capital Group、Coatue、D1 Capital Partners、GIC、ICONIQ 與 XN。
    參與投資者包含 Blackstone、Fidelity、General Catalyst、Lightspeed Venture Partners、Temasek 等多家知名機構。
    納入 150 億美元的先前承諾投資,其中包含 Amazon 的 50 億美元。
    引入 Micron、Samsung 與 SK hynix 作為策略基礎設施夥伴,確保記憶體、儲存與邏輯晶片的供應穩定,以支撐 Claude 的運算規模擴張。
    運算資源與雲端布局
    為因應 Claude 的擴張需求,Anthropic 近期大幅提升了運算能力,並與多家巨頭達成協議:
    與 Amazon 簽署協議,取得高達 5 吉瓦(gigawatts)的新增運算容量。
    與 Google 及 Broadcom 合作,取得 5 吉瓦的次世代 TPU 運算容量。
    與 SpaceX 合作,取得「Colossus 1」與「Colossus 2」的 GPU 運算資源。
    Claude 目前已成為首個同時在 Amazon Web Services、Google Cloud 與 Microsoft Azure 這三大全球雲端平台部署的前沿模型,其中 AWS 仍為其主要的雲端供應商與訓練合作夥伴。
    投資人觀點
    投資人普遍認為 Anthropic 正處於 AI 創新的關鍵轉折點:
    Altimeter Capital 創辦人 Brad Gerstner 指出,Claude 的進展已促成全球最具規模的組織進行大規模採用,使 Anthropic 處於引領下一階段 AI 創新的有利位置。
    Sequoia Capital 合夥人 Alfred Lin 強調,Claude 不僅是在處理複雜的工作流程,更在學習企業實際的運作方式,包括情境、流程與判斷,這正是企業 AI 未來的發展核心。
    Dragoneer 管理合夥人 Marc Stad 認為,儘管目前的技術進步令人驚嘆,但該技術的開發與商業化仍處於極早期的階段。
    詳細資訊請參考 Anthropic 官方新聞稿 。

    原文:https://easyvibecoding.app/curated/1630

    4 min
  • @code:Visual Studio Code 1.122 強化 Agent 體驗,並支援在無 GitHub 登入狀態下使用 BYOK 模型。 本次更新重點在於提升…

    Visual Studio Code 1.122 強化 Agent 體驗,並支援在無 GitHub 登入狀態下使用 BYOK 模型。

    本次更新重點在於提升 AI 開發流程的靈活性,特別是針對離線或受限環境的支援,同時優化了網頁開發的測試工具與問題回報流程。
    BYOK 與模型管理
    無需登入即可使用:現在使用者可以在不登入 GitHub 的情況下使用「自備金鑰(BYOK)」功能,這讓在離線或受限網路環境下使用 Anthropic、Azure、Gemini、OpenAI、Ollama、OpenRouter 或自訂端點變得可行。
    自訂端點(Custom Endpoint)正式穩定:支援實作 Chat Completions、Responses 或 Messages API 的模型端點,方便整合企業內部或自架的 AI 服務。
    工具模型通知:若在未登入狀態下使用 BYOK,系統會提示使用者設定 chat.utilityModel 與 chat.utilitySmallModel,以確保聊天標題生成、提交訊息生成等輔助功能正常運作。
    管理介面優化:在「管理語言模型」介面中,現在可直接針對供應商群組進行 API 金鑰更新、新增模型、重新命名或刪除,無需手動編輯 JSON 設定檔。
    Agent 視窗與開發體驗
    Agent 視窗(預覽版)更新:新增「工作階段懸停詳情」功能,滑鼠懸停於清單項目即可快速查看使用的 harness、專案名稱、工作樹(worktree)及已變更的檔案。
    OpenTelemetry 訊號增強:本地 Agent 工作階段現在會發送 github.copilot.* 命名空間的屬性,包含儲存庫內容、Agent 類型、結構化工具參數及 Hook 結果,便於監控與分析。
    沙盒(Sandbox)機制調整:根據使用者回饋,終端機沙盒現在僅在「預設核准(Default Approvals)」模式下啟用,以平衡安全性與實用性;若使用「略過核准(Bypass Approvals)」或「自動駕駛(Autopilot)」模式,則不再強制執行沙盒。
    整合式瀏覽器與測試
    裝置模擬(Device Emulation):整合式瀏覽器新增裝置模擬功能,支援調整螢幕尺寸、觸控模擬及自訂 User-Agent,並可透過 Playwright 程式碼觸發,協助開發者快速測試響應式網頁。
    截圖作為聊天內容:新增「將螢幕截圖加入聊天」功能,使用者可直接將當前瀏覽器視窗畫面作為上下文提供給 AI,加速 UI 除錯。
    其他功能與改進
    問題回報精靈:啟用 ` issueReporter.wizard.enabled ` 設定後,可使用全新的回報精靈,引導使用者建立包含截圖與影片錄製的高品質問題報告。
    遠端開發:正式終止對 32 位元 ARM Linux 主機的支援。
    社群貢獻:感謝 @gjsjohnmurray、@RedCMD、@IllusionMH、@albertosantini 等開發者在問題追蹤上的貢獻,以及 @aaronpowell、@oded-ist、@PenguinDOOM、@SLdragon 等人針對程式碼庫的修復與功能實作。
    詳細發布資訊可參考 Visual Studio Code 1.122 發布說明。此外,官方將於 6 月 18 日舉辦直播演示,詳情請見 VS Code Live 活動頁面。

    原文:https://easyvibecoding.app/curated/1622

    4 min
  • @_catwu:Claude Code 推出「動態工作流程」功能,透過自主編排大規模並行代理來處理複雜工程任務。 核心運作機制 Claude Code 的「動態工作流程…

    Claude Code 推出「動態工作流程」功能,透過自主編排大規模並行代理來處理複雜工程任務。

    核心運作機制
    Claude Code 的「動態工作流程」(Dynamic Workflows)功能旨在填補單一代理與固定團隊間的技術缺口,其運作流程如下:
    自主編排:Claude 接收自然語言指令後,會在背景即時撰寫 JavaScript 編排腳本。
    大規模並行:透過該腳本,Claude 可在單一工作階段中並行排程數十至數百個子代理(Subagents)協同作業。
    品質保證:在交付最終成果前,系統會啟用內部的「對抗性代理」進行漏洞檢測,確保產出品質。
    主要特點與應用場景
    此功能專為處理過去需耗時數季、現今僅需數天即可完成的繁重任務而設計:
    長時執行與斷點續傳:支援持續數小時至數天的工程任務,並具備即時儲存進度(Checkpoint)功能,中斷後可無縫接續。
    實戰案例:Bun 創辦人 Jarred Sumner 曾利用此功能將 Bun 從 Zig 語言移植至 Rust,涉及約 75 萬行程式碼,僅耗時 11 天即完成合併,且通過 99.8% 的測試套件。
    典型應用:全專案庫等級的 Bug 獵捕、安全稽核、大規模程式碼庫遷移及跨語言重構。
    技術細節與限制
    規模上限:單次執行最多可協調 1,000 個代理,為兼顧本地機器效能,最大同時並行執行上限為 16 個。
    狀態管理:工作流程中的條件、迴圈邏輯及中間狀態資訊儲存於外部變數,不會佔用對話的視窗(Context)空間。生成的腳本可儲存為自訂指令以便重複使用。
    資源消耗:由於該功能會顯著增加 token 消耗量,官方建議初期先從邊界清晰的小任務開始測試。
    啟用與使用方式
    該功能已對 Max、Team、Enterprise(需管理員啟用)計劃使用者,以及 Claude API、Amazon Bedrock、Vertex AI 和 Microsoft Foundry 開放。在開啟 Auto Mode 的前提下,使用者可透過以下方式觸發:
    顯式觸發:在 Prompt 中加入「workflow」關鍵字,Claude Code 將自動識別並進入建構模式。
    自動觸發:在 Effort 選單中選擇「ultracode」設定,此模式會將思考層級強制設為最高(xhigh),並由 Claude 自動判斷是否啟動動態工作流程。
    ⚠️ 注意:工作流程首次觸發時,Claude Code 會先向使用者展示規劃階段,必須經使用者確認後才會正式執行。

    原文:https://easyvibecoding.app/curated/1629

    4 min