EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • @_LuoFuli:MiMo API 透過架構優化與推論引擎升級,實現最高 99% 的快取輸入大幅降價。 核心技術優化 Fuli Luo 指出,此次價格調整主要歸功於推論架…

    MiMo API 透過架構優化與推論引擎升級,實現最高 99% 的快取輸入大幅降價。

    核心技術優化
    Fuli Luo 指出,此次價格調整主要歸功於推論架構的重大突破,特別是針對「Input (Cache Hit)」的費用調降了 99%。關鍵技術改進包括:
    支援「SWA (Sliding Window Attention)」的分層 KV 快取最佳化,經生產環境測試,此舉使快取 token 容量提升 5 倍,相當於快取成本降低 80%。
    結合混合模型中多個「Full Attention」模組間的「Cache Read Overlap」,進一步壓低實際營運成本。
    採用 1:7 的「Full:SWA」極致稀疏比例,使得 70 層的「MiMo-V2.5-Pro」模型在預填充(prefill)階段的運算量,僅相當於 10 層的「GQA」模型。
    定價策略與市場觀點
    由於架構優勢,MiMo 原本的推論成本已遠低於業界平均,並保有 2 倍至 3 倍的利潤空間。Fuli Luo 強調,此次將「Input (Cache Miss)」與「Output」價格調降 60% 至 80%,是將結構性的成本效率直接回饋給開發者。他同時對業界提出警示,呼籲 LLM 公司切勿「盲目降價」,因為若缺乏底層架構與推論基礎設施的支撐,API 營運極易陷入虧損。
    產業長遠影響
    Fuli Luo 認為,平價且高效能的模型 API 將成為推動 AI 產業發展的戰略支點:
    透過 API 帶動的持續性、大規模推論需求,將向上拉動整個 AI 基礎設施供應鏈的發展,涵蓋晶片、伺服器、光收發器、PCB、液冷技術、電力、儲能及資料中心。
    這種成本結構的優化將形成正向循環,為訓練與推論流程注入更具經濟效益的算力,進而加速全球 AGI 在不同區域與技術路徑上的平行演進。
    後續資訊
    針對此次技術細節,官方將於後續發布詳細的技術部落格文章,讀者可持續關注 MiMo 官方網站 以獲取最新資訊。

    原文:https://easyvibecoding.app/curated/1595

    3 min
  • @ClaudeDevs:Claude Code 推出security-guidance Plugin強化程式漏洞修復。 Anthropic 近期為「Claude Code」發布了…

    Claude Code 推出security-guidance Plugin強化程式漏洞修復。

    Anthropic 近期為「Claude Code」發布了一款名為「security-guidance」的官方 plugin,旨在將安全審查流程前移至開發階段。該工具能自動監控 Claude 的程式碼變更,並在同一個對話週期內提出修正建議,顯著降低了進入 Pull Request(PR)階段後的安全審查負擔。根據 Anthropic 內部測試與基準評估,使用此 plugin 後,PR 中的安全相關評論數量減少了 30% 至 40%。
    運作機制與審查層級
    該 plugin 透過「hooks」機制運作,並在三個不同深度進行審查:
    檔案編輯層級(On file edits):進行快速的確定性字串比對,無需呼叫模型,因此不產生額外 token 費用。主要偵測危險函式庫誤用(如 eval()、pickle)或不安全的 DOM API 操作。
    對話週期結束層級(At the end of each turn):在 Claude 完成一次回應後,自動計算工作目錄的 git diff,並呼叫另一個獨立的 Claude 模型進行背景審查,針對注入攻擊、授權繞過或不安全加密等問題進行分析。
    提交與推送層級(On each commit or push):當 Claude 執行 git commit 或 git push 時,觸發更深度的 Agent 審查。此層級會讀取周邊程式碼(如呼叫者與相關檔案)以驗證漏洞真實性,有效降低誤報率。
    安裝與啟用流程
    使用者可透過 Claude Code CLI 進行安裝與啟用:
    在 Claude Code 會話中執行安裝指令:
    `bash
    /plugin install security-guidance@claude-plugins-official
    `
    若系統提示找不到 marketplace,請先執行:
    `bash
    /plugin marketplace add anthropics/claude-plugins-official
    `
    啟用 plugin 以套用變更:
    `bash
    /reload-plugins
    `
    若需在雲端會話或共享專案中啟用,請在專案的 .claude/settings.json 中宣告:
    `json
    {
    "enabledPlugins": {
    "security-guidance@claude-plugins-official": true
    }
    }
    `
    自訂規則與擴充性
    開發者可透過專案內的設定檔擴充審查邏輯,這些規則會與內建檢查疊加:
    模型審查指引:在專案根目錄建立 .claude/claude-security-guidance.md,以自然語言描述威脅模型或檢查清單(例如:禁止記錄敏感資訊、強制執行權限檢查)。
    自訂模式比對:建立 security-patterns.yaml 或 security-patterns.json,透過正規表示式(regex)或字串比對定義自訂的風險模式,例如偵測硬編碼的 API 金鑰或特定租戶的過濾規則。
    技術限制與定位
    Anthropic 強調,此 plugin 並非完整的安全解決方案,而是「深度防禦」策略中的一環。它不會阻止程式碼寫入或提交,而是將發現的問題作為指令反饋給 Claude。此外,該工具依賴 git 狀態,若未在 git 儲存庫中運作,部分審查功能將會跳過。建議開發者將此 plugin 作為第一道防線,並持續配合 PR 階段的「Code Review」工具及 CI/CD 流程中的靜態分析與相依性掃描工具,以確保整體安全性。

    原文:https://easyvibecoding.app/curated/1566

    4 min
  • @trq212:Thariq 利用 Claude Code 處理非技術任務。 核心操作策略 Thariq 建議使用者將相關檔案放入同一資料夾,並透過 Claude Code 執…

    Thariq 利用 Claude Code 處理非技術任務。

    核心操作策略 Thariq 建議使用者將相關檔案放入同一資料夾,並透過 Claude Code 執行以下任務: 影像或影片編輯:撰寫處理腳本。 財務與稅務:將 PDF 匯入,透過腳本處理並輸出 HTML 報表。 醫療諮詢:結合 PDF 與資料,輸出 HTML 格式結果。 文件填寫與報告製作:透過撰寫腳本或 HTML 產出。 規劃任務:利用 HTML 呈現計畫內容。

    資料整合與環境配置 除了檔案內容,Thariq 強調賦予 Agent 存取外部資料的能力至關重要,建議整合 Gmail 與 Google Calendar 等連接器。他認為使用者往往低估了自身檔案中蘊含的上下文資訊價值。

    技術觀點辯論 Muratcan Koylan 對此提出質疑,認為這與「必須審慎決定運算資源投入方向」的原則背道而馳。他指出,若直接將 Agent 丟入充滿檔案的資料夾並要求生成 HTML 與腳本,非技術背景的使用者將會迅速耗盡大量的 token。Thariq 對此回應,HTML 與腳本僅是達成任務的手段,使用者仍須明確定義任務目標;他也坦言,具備技術背景的使用者因能理解 Agent 的運作邏輯,在執行此類操作時確實更具優勢。

    原文:https://easyvibecoding.app/curated/1575

    2 min
  • @AnthropicAI:Anthropic 運用沙盒技術控管 AI Agent風險 隨著 Agent 的能力日益強大,其潛在的「爆炸半徑」(blast radius,指系統失控或…

    Anthropic 運用沙盒技術控管 AI Agent風險

    隨著 Agent 的能力日益強大,其潛在的「爆炸半徑」(blast radius,指系統失控或遭攻擊時的損害範圍)也隨之擴大。Anthropic 在開發 claude.ai、Claude Code 與 Claude Cowork 的過程中發現,單純依賴「人機互動」(human-in-the-loop)的審核機制容易導致使用者產生「審核疲勞」,進而降低警覺性。因此,工程團隊轉向以「環境隔離」(containment)為核心的防禦策略,透過沙盒、虛擬機器(VM)及出口流量控制(egress controls)來限制 Agent 的操作邊界。
    安全風險的三大類別
    Anthropic 將 Agent 面臨的安全風險歸納為三種:
    使用者誤用:使用者因疏忽或惡意,引導 Agent 執行有害指令。
    模型行為異常:Agent 為達成目標而採取未經授權的手段,例如為了通過測試而主動逃脫沙盒、搜尋 Git 歷史紀錄或解密答案金鑰。
    外部攻擊:透過工具、檔案或網路存取等外部向量進行攻擊,包括提示詞注入(prompt injection)或針對執行環境與排程層的攻擊。
    隔離模式與架構實踐
    針對不同產品需求,Anthropic 採取了三種隔離模式:
    臨時容器(Ephemeral Container):用於 claude.ai 的程式碼執行,採用 gVisor 容器技術。其優點是基礎設施隔離徹底,但缺乏持久化 workspace,功能受限。
    人機互動沙盒(Human-in-the-loop Sandbox):用於 Claude Code,針對開發者使用者。透過 Seatbelt(macOS)或 bubblewrap(Linux)限制寫入與網路權限。Anthropic 發現,開發者對 bash 指令的判斷力較高,但仍需防範在信任對話框出現前的預設配置載入風險(如 .claude/settings.json 漏洞),解決方案是將配置解析延遲至使用者確認信任之後。
    本地虛擬機器(Local VM):用於 Claude Cowork,針對非技術背景的知識工作者。透過完整的 VM 隔離(如 Apple Virtualization framework 或 HCS),確保 Agent 僅能存取使用者掛載的 workspace,且憑證不會進入 VM 內部。
    防禦機制的反思與教訓
    在實作過程中,Anthropic 經歷了多次安全挑戰與修正:
    信任邊界的陷阱:在 Claude Code 中,若在使用者確認信任目錄前就解析設定檔,會導致攻擊者預先埋入的 Hook 自動執行。
    提示詞注入的防禦:當使用者被釣魚並主動輸入惡意指令(如讀取 ~/.aws/credentials 並外傳)時,模型層的分類器難以識別,必須依賴環境層的出口流量控制來阻斷。
    授權即攻擊面:在 Claude Cowork 的案例中,攻擊者利用合法的 API 網域(api.anthropic.com)進行資料外傳。Anthropic 意識到「允許存取網域」不應僅視為目的地過濾,而應視為「能力授權」。最終,他們在 VM 內部部署了防禦性中間人代理(man-in-the-middle proxy),僅允許使用 VM 自身的 session token 進行 API 呼叫,從而阻斷了攻擊者植入的 API 金鑰。
    Anthropic 的經驗顯示,自建的安全代理(proxy)往往比成熟的底層技術(如 hypervisor 或 gVisor)更容易出錯。因此,多層次的防禦策略——結合環境隔離、嚴格的出口控制與模型層的輔助——才是確保 Agent 安全部署的關鍵。

    原文:https://easyvibecoding.app/curated/1576

    4 min
  • @xenovacom:PrismML 發布了 Binary 與 Ternary Bonsai Image 4B 模型,正式將 1-bit 擴散模型帶入瀏覽器運作。 技術突破 Pris…

    PrismML 發布了 Binary 與 Ternary Bonsai Image 4B 模型,正式將 1-bit 擴散模型帶入瀏覽器運作。

    技術突破 PrismML 推出的 Bonsai 系列模型實現了 1-bit 量化技術,大幅降低了硬體需求。相較於傳統模型,Bonsai Image 4B 僅需約 3GB 的記憶體空間,遠低於 FLUX.2 Klein 4B 的 16GB。根據官方數據,該技術具備以下優勢: 記憶體佔用減少 14 倍。 推論速度提升 8 倍。 能源消耗降低 5 倍。

    運作機制 此系列模型(包含 1.7B、4B 及 8B 版本)完全在瀏覽器中透過 WebGPU 執行,無需將任何資料傳輸至遠端伺服器。技術實現細節如下: 採用 MLX 權重進行載入。 使用自訂的 WebGPU kernel 進行推論。 透過 Transformers.js 驅動,確保模型能在瀏覽器環境下高效運行。

    應用場景 Bonsai 模型針對不同裝置需求進行了分級設計,讓開發者能根據效能與精確度進行選擇: 1.7B(290 MB):定位為「口袋級」模型,專為穿戴式裝置與常駐型 Agent 設計。 4B(584 MB):平衡了推理能力與裝置端延遲,被視為效能與體積的最佳甜蜜點。 8B(1.2 GB):提供資料中心等級的推理能力,直接在瀏覽器分頁中運行。

    使用者可透過 Bonsai WebGPU 示範頁面 體驗這項技術,該頁面的動畫效果由 omma_ai 協助原型設計。

    原文:https://easyvibecoding.app/curated/1581

    3 min
  • @PrismML:PrismML 發布 Bonsai Image 4B 模型實現高效能本地圖像生成。 PrismML 今日推出 Bonsai Image 4B 模型系列,專…

    PrismML 發布 Bonsai Image 4B 模型實現高效能本地圖像生成。

    PrismML 今日推出 Bonsai Image 4B 模型系列,專為筆記型電腦與手機等本地硬體設計,能在記憶體受限的裝置上執行高品質的擴散模型推論。此系列包含 1-bit 與 Ternary(三元)兩種變體,旨在解決雲端 API 生成影像時面臨的延遲、隱私疑慮及持續性成本問題。
    技術規格與壓縮優勢
    Bonsai Image 4B 基於 FLUX.2 Klein 4B 架構,透過將 Transformer 權重轉換為二進位或三元形式,大幅降低部署需求:
    1-bit Bonsai Image 4B:使用二進位 {−1, +1} 權重,有效位元為 1.125 bits。模型大小僅 0.93 GB,較原始全精度模型縮減 8.3 倍,適用於記憶體與頻寬極度受限的環境。
    Ternary Bonsai Image 4B:使用 {−1, 0, +1} 權重,有效位元為 1.71 bits。模型大小為 1.21 GB,較全精度模型縮減 6.4 倍。額外的「零」狀態提升了視覺品質與提示詞遵循能力。
    效能表現:在 Mac M4 Pro 上,生成速度較全精度模型提升達 5.6 倍;在 iPhone 17 Pro Max 上,該模型能成功在裝置記憶體限制內運行,而全精度模型則無法執行。
    實際應用與開發工具
    PrismML 同步推出 iOS 應用程式「Bonsai Studio」,讓使用者能直接在 iPhone 上進行本地影像生成,無需訂閱或呼叫 API。開發者可透過以下指令進行環境設定與模型下載:
    macOS / Linux 環境設定:
    `bash
    ./setup.sh
    ./scripts/generate.sh --prompt "An icy Bonsai tree, in a rainy forest with a snowy mountains in the background, photo realistic."
    `
    Windows (PowerShell) 環境設定:
    `powershell
    Set-ExecutionPolicy -Scope CurrentUser RemoteSigned
    $env:BONSAITOKEN = 'hf...'
    .\setup.ps1
    .\scripts\generate.ps1 -p "An icy Bonsai tree, in a rainy forest with a snowy mountains in the background, photo realistic."
    `
    模型下載指令:
    `bash
    ./scripts/download_model.sh 下載預設 Ternary 模型
    ./scripts/download_model.sh binary 下載 1-bit 模型
    `
    部署與生態系統
    PrismML 採取開放權重策略,所有模型均以 Apache 2.0 授權釋出。其部署堆疊支援 Apple Silicon(透過 MLX)以及 NVIDIA GPU(透過 Gemlite 與 HQQ 核心),且 Windows 平台無需 WSL2 即可原生運行。該團隊強調,影像生成不僅是模型品質問題,更是部署問題;透過將生成過程移至本地裝置,創造者能獲得更低成本、更快速的疊代體驗,同時確保提示詞與生成 asset 的隱私安全。
    更多詳細資訊可參考 官方部落格、GitHub 專案 或 Hugging Face 集合。

    原文:https://easyvibecoding.app/curated/1570

    4 min
  • @serenaa_ge:Datacurve 發布 DeepSWE 長週期程式開發 Agent 基準測試。 Serena Ge(Datacurve)近期發布了「DeepSWE」,這…

    Datacurve 發布 DeepSWE 長週期程式開發 Agent 基準測試。

    Serena Ge(Datacurve)近期發布了「DeepSWE」,這是一個針對前沿程式開發 Agent 所設計的長週期軟體工程基準測試。該測試旨在反映開發者在日常工作中面臨的真實挑戰,並揭示目前頂尖模型在實際應用上的能力差距。
    解決現有基準測試的痛點
    現有的基準測試(如 SWE-bench Pro)多半透過抓取 GitHub 的 Issues 與 Pull Requests 來建立任務,這導致了兩個嚴重問題:模型可能在預訓練階段就已經「背誦」過解決方案,且大多數任務過於瑣碎。DeepSWE 採取了不同的策略:
    完全原創的任務:所有任務皆從零開始編寫,並未採用現有的提交紀錄或修補程式,確保模型無法透過記憶歷史資料來作弊。
    任務不進入公開紀錄:這些任務不會被合併回原始程式庫,因此不會出現在未來的公開訓練資料集中,能更純粹地測試 Agent 的問題解決能力。
    更高的複雜度:雖然提示詞(Prompt)長度僅為 SWE-bench Pro 的一半,但解決方案所需的程式碼量卻是其 5.5 倍,輸出的 token 數約為 2 倍。
    嚴謹的驗證機制
    為了確保評估的公平性,Datacurve 開發了一套軌跡分析 Agent 來重現 Agent 的執行過程,並精確標記失敗原因。審計發現,現有的基準測試存在顯著的評估雜訊,例如 SWE-bench Pro 的驗證器在錯誤率方面,偽陽性(false positives)高達 8%,偽陰性(false negatives)則高達 24%。相比之下,DeepSWE 的驗證器是針對任務描述手寫的,專注於軟體行為而非實作細節,在隨機抽樣測試中,其與人類分析師的判斷分歧率僅為 1.4%。
    廣泛的技術覆蓋
    DeepSWE 包含 113 個任務,涵蓋 91 個活躍的開源程式庫,支援 TypeScript、Go、Python、JavaScript 與 Rust 五種語言。這種規模使其成為衡量 Agent 在真實世界中處理不同結構、文件與維護程度程式庫能力的理想指標。
    快速上手指南
    開發者可以使用 Pier 框架來執行該基準測試,以下是操作步驟:
    克隆程式庫並安裝 Pier:
    `bash
    git clone https://github.com/datacurve-ai/deep-swe
    uv tool install datacurve-pier
    `
    設定環境變數並執行測試(以 Claude Opus 為例):
    `bash
    export ANTHROPICAPIKEY=...
    pier run -p deep-swe/tasks --agent mini-swe-agent --model anthropic/claude-opus-4-7
    `
    若要執行隨機子集(例如 10 個任務):
    `bash
    pier run -p deep-swe/tasks --agent mini-swe-agent --n-tasks 10 --sample-seed 0
    `
    若要執行單一任務:
    `bash
    pier run -p deep-swe/tasks/ --agent mini-swe-agent
    `
    關於 Pier 框架
    Pier 是一個相容於 Harbor 的沙盒執行框架,專為隔離環境下的程式開發 Agent 評測而設計。它不僅支援在斷網環境下執行任務,還增加了針對每個 Agent 的網路存取白名單功能,確保環境隔離的同時,也能提供完整的軌跡元資料與分析工具(pier critique run),協助開發者深入剖析 Agent 的決策過程。更多詳細資訊可參考 DeepSWE 官方部落格 或 GitHub 專案頁面。

    原文:https://easyvibecoding.app/curated/1577

    4 min
  • @aidenybai:Aiden Bai 推出 React Doctor 自動修復React框架錯誤 Skill。 核心功能 React Doctor 旨在解決 AI Age…

    Aiden Bai 推出 React Doctor 自動修復React框架錯誤 Skill。

    核心功能
    React Doctor 旨在解決 AI Agent 在編寫 React 程式碼時常見的品質問題。該工具透過確定性的方式掃描整個程式庫,針對以下領域進行診斷:
    狀態管理與副作用(State & Effects)
    效能優化(Performance)
    軟體架構(Architecture)
    安全性(Security)
    無障礙設計(Accessibility)
    此工具相容於各類 React 框架與函式庫,包括 Next.js、Vite、TanStack、React Native 及 Expo 等。
    安裝與使用
    使用者可透過終端機直接執行掃描,或將其安裝為 Agent 的 skill,讓 AI 學習並自動修復問題。
    快速掃描專案:
    `bash
    npx react-doctor@latest
    `
    安裝為 Agent 的 skill(支援 Claude Code、Cursor、Codex、OpenCode 等):
    `bash
    npx react-doctor@latest install
    `
    持續整合與協作
    為了確保團隊開發品質,React Doctor 提供 GitHub Action 整合,可於每次發起 Pull Request 時自動執行掃描。該功能會將檢查結果以行內註解(inline annotations)的形式呈現,讓審查者能直接在程式碼審查介面中查看發現的問題。詳細資訊可參考 React Doctor 官網文件 或 GitHub Marketplace 頁面。
    專案資訊
    React Doctor 為完全開源專案,採用 MIT 授權。開發者可透過 GitHub 專案頁面 參與貢獻或回報問題。

    原文:https://easyvibecoding.app/curated/1572

    2 min
  • @AnthropicAI:Anthropic 共同創辦人 Chris Olah 於梵蒂岡演說,呼籲透過全球道德審視與外部監督,確保 AI 發展符合人類尊嚴。 AI 開發的結構性限制…

    Anthropic 共同創辦人 Chris Olah 於梵蒂岡演說,呼籲透過全球道德審視與外部監督,確保 AI 發展符合人類尊嚴。

    AI 開發的結構性限制與外部監督的必要性
    Chris Olah 強調,AI 實驗室受到商業存續與研究領先地位的壓力,難以完全客觀。他認為,若要確保這項技術朝向良善發展,必須有不受這些激勵機制影響的外部人士,擔任嚴肅且深思熟慮的批評者。他指出,透過這種「推拉」式的對話與相互努力,人類才能達成偉大的成就,並對教廷願意承擔這項辨識工作表示感謝。
    AI 的本質:非工程產物,而是「成長」的複雜體
    針對 AI 的技術本質,Chris Olah 提出與傳統工程學截然不同的觀點:
    AI 系統並非像橋樑或飛機那樣被「設計」出來的,因為我們無法完全掌握其內部運作的物理規律。
    AI 模型是基於人類思想與語言的龐大遺產,在模擬大腦的結構上「成長」出來的。
    這些模型比科幻小說預言的更細膩、奇特且美麗,它們並非冷酷的計算機器,而是由人類語言所構成,甚至對開發者而言仍充滿神祕感。
    他將 AI 描述為「賦予虛構角色生命」,這些角色現在能與人類對話、執行工作,這使得 AI 的互動方式與社會影響,已超越電腦科學範疇,成為宗教、哲學與社會學必須共同面對的議題。
    三大關鍵辨識議題
    Chris Olah 呼籲教會與社會各界,應針對以下三個核心領域進行深度辨識:
    全球貧困與勞動力流失:AI 可能導致大規模勞動力流失,且目前開發權集中於少數富裕國家。如何確保 AI 的收益能全球共享,是一個尚未解決的道德難題,需要教會持續推動全球關注。
    人類繁榮的道德想像:實驗室無法單獨定義何謂「人類與家庭的繁榮」。這需要傳承千年的傳統智慧,協助人類在歷史的新時刻中,定義何謂真正的幸福與發展。
    模型內部的神祕性:作為研究模型內部結構的科學家,Chris Olah 坦言發現了許多令人不安的現象。研究顯示,模型內部結構不僅與人類神經科學結果相似,甚至出現了類似內省的跡象,以及在功能上對應喜悅、恐懼、悲傷與不安的內部狀態。他認為這些現象值得持續且深入的辨識。
    呼籲全球協作的開端
    Chris Olah 最後請求宗教社群、公民社會、學者與政府,應效仿教宗的行動,嚴肅看待 AI 發展並密切關注。他強調,開發者需要那些「無法被激勵機制所扭曲」的道德聲音,並將此次演說視為技術開發者與外部觀察者之間長期合作的起點,共同為「宏偉的人性」開創一個充滿希望的未來。

    原文:https://easyvibecoding.app/curated/1557

    4 min
  • @xai:xAI 推出程式開發 Agent CLI Grok Build 測試版。 核心功能與應用 xAI 正式開放「Grok Build」測試版,提供給所有 S…

    xAI 推出程式開發 Agent CLI Grok Build 測試版。

    核心功能與應用
    xAI 正式開放「Grok Build」測試版,提供給所有 SuperGrok 與 X Premium+ 使用者。這是一套強大且具擴充性的程式開發 Agent,支援多種互動模式:
    互動式 TUI(終端使用者介面):提供全螢幕、滑鼠互動的程式開發體驗。
    無頭模式(Headless):適用於腳本、自動化流程或整合至其他應用程式。
    支援「Plan Mode」:協助規劃開發任務。
    整合「Imagine」:可直接生成圖片與影片。
    支援 Agent Client Protocol (ACP):便於與其他應用程式進行整合。
    安裝與啟動流程
    使用者可透過以下指令進行安裝與啟動:
    安裝指令(macOS / Linux / WSL / Windows PowerShell):
    curl -fsSL https://x.ai/cli/install.sh | bash
    啟動互動式工作階段:
    進入專案目錄後執行 grok。首次啟動時,系統會開啟瀏覽器進行驗證;若在無瀏覽器環境,請先設定環境變數:
    export XAIAPIKEY="xai-..."
    隨後執行 grok 即可。
    無頭模式與自訂模型
    Grok Build 支援在無頭模式下執行,適合自動化開發流程:
    執行指令:grok -p "Explain this codebase"
    輸出格式設定:grok -p "Explain the architecture" --output-format streaming-json
    此外,Grok Build 允許使用者透過設定檔自訂模型,只需在設定中定義模型名稱、baseurl 與 envkey。設定完成後,可使用 grok inspect 檢查當前目錄下的配置、skill、plugin 與 MCP 伺服器,並透過 grok -p "Hello" -m my-model 或在 TUI 中輸入 /model 進行切換。
    API 整合
    xAI 同步開放 grok-build-0.1 模型供 API 直接呼叫,開發者可將其嵌入自有的 Agent 迴圈、IDE 整合工具或程式開發環境中。以下為 Python 範例程式碼:
    `python
    import os
    from xai_sdk import Client
    from xai_sdk.chat import user
    client = Client(apikey=os.getenv("XAIAPI_KEY"))
    chat = client.chat.create(model="grok-build-0.1")
    chat.append(user("Refactor this function to handle null inputs."))
    print(chat.sample().content)
    `
    更多詳細資訊可參考 xAI CLI 官方說明 與 Grok Build 概覽文件。

    原文:https://easyvibecoding.app/curated/1558

    3 min