EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • @ClaudeDevs:Anthropic 推出沙盒與隧道強化代理安全性。 核心更新與架構 於 2026 年 5 月 19 日發布的更新中,Anthropic 正式推出「自託管…

    Anthropic 推出沙盒與隧道強化代理安全性。

    核心更新與架構
    於 2026 年 5 月 19 日發布的更新中,Anthropic 正式推出「自託管沙盒(Self-hosted sandboxes)」與「MCP 隧道(MCP tunnels)」功能。自託管沙盒目前處於公開測試階段,允許企業將代理程式(Agent)的工具執行環境保留在自有基礎設施內,確保敏感檔案、套件與服務不離開企業邊界。Anthropic 負責處理代理程式的編排、上下文管理與錯誤恢復,而運算資源與執行環境映像檔則由使用者控制。MCP 隧道則處於研究預覽階段,允許代理程式存取企業私有網路內的 MCP 伺服器,無需將其暴露於公網,所有流量皆端對端加密。
    自託管沙盒部署與實作
    自託管沙盒將工具執行移至使用者控制的基礎設施,目前支援 Cloudflare、Daytona、Docker、Modal 與 Vercel 等平台。系統依賴限制方面,SDK 輔助工具要求 /bin/bash 必須位於該路徑;TypeScript SDK 另需 unzip、tar 及 Node.js 22 或更高版本。預設工作目錄為 /workspace,最終輸出檔案會寫入 /mnt/session/outputs。
    安裝 ant CLI 版本 1.9.1 的指令如下:
    `bash
    VERSION=1.9.1
    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
    `
    建立自託管環境的 API 呼叫範例:
    `bash
    curl -sS --fail-with-body https://api.anthropic.com/v1/environments \
    -H "x-api-key: $ANTHROPICAPIKEY" \
    -H "anthropic-version: 2023-06-01" \
    -H "anthropic-beta: managed-agents-2026-04-01" \
    -H "content-type: application/json" \
    -d '{
    "name": "self-hosted",
    "config": {"type": "self_hosted"}
    }'
    `
    開發者 SDK 與工作者實作
    目前 Python 與 TypeScript SDK 提供完整的 EnvironmentWorker 類別,而 C#、Java、PHP 與 Ruby SDK 尚未提供該類別,開發者需參考 Always-on (ant CLI) 或直接使用 Environments Work 端點。
    Python 範例程式碼:
    `python
    async def main() -> None:
    environmentkey = os.environ["ANTHROPICENVIRONMENT_KEY"]
    environmentid = os.environ["ANTHROPICENVIRONMENT_ID"]
    async with AsyncAnthropic(authtoken=environmentkey) as client:
    await EnvironmentWorker(
    client,
    environmentid=environmentid,
    environmentkey=environmentkey,
    workdir="/workspace",
    ).run()
    asyncio.run(main())
    `
    TypeScript 範例程式碼:
    `typescript
    import Anthropic from "@anthropic-ai/sdk";
    import { EnvironmentWorker } from "@anthropic-ai/sdk/helpers/beta/environments";
    const environmentKey = process.env.ANTHROPICENVIRONMENTKEY!;
    const environmentId = process.env.ANTHROPICENVIRONMENTID!;
    const client = new Anthropic({ authToken: environmentKey });
    const ctrl = new AbortController();
    process.once("SIGTERM", () => ctrl.abort());
    await new EnvironmentWorker({
    client,
    environmentId,
    environmentKey,
    workdir: "/workspace",
    signal: ctrl.signal
    }).run();
    `
    營運與監控規範
    嚴禁在工作者主機(worker host)上設定組織 API 金鑰(ANTHROPICAPIKEY),以免憑證外洩。
    輪詢端點需使用環境金鑰(Bearer auth)。
    停止工作階段時,使用 work.stop 進行優雅關閉,傳遞 force: true 可強制中斷。
    相關 API 端點:
    - 查詢狀態:https://api.anthropic.com/v1/environments/$ANTHROPICENVIRONMENTID/work/stats
    - 停止工作:https://api.anthropic.com/v1/environments/$ANTHROPICENVIRONMENTID/work/$ANTHROPICWORKID/stop
    產業應用與資源
    多家企業已導入此架構,如 Amplitude 開發 Design Agent、Clay 利用 Daytona 沙盒掛載外部檔案、Rogo 透過 Vercel Sandbox 處理金融數據。更多詳細資訊請參考:
    官方文件
    發布部落格
    Claude Cookbooks(https://github.com/anthropics/claude-cookbooks/tree/main/managedagents/selfhostedsandboxes)
    Managed Agent sessions(https://claude.com/docs/en/managed-agents/sessions)
    MCP tunnels overview(https://claude.com/docs/en/agents-and-tools/mcp-tunnels/overview)
    Security model(https://claude.com/docs/en/managed-agents/self-hosted-sandboxes-security)
    claude-api skill(https://github.com/anthropics/skills/tree/main/skills/claude-api)

    原文:https://easyvibecoding.app/curated/1454

    3 min
  • @kfk_ai:OpenAI、Anthropic 都開始押注 FDE,FDE 才是 Agent 時代的 PMF 範式? Agent 時代的第一個共識浮出水面:模型已經不是…

    OpenAI、Anthropic 都開始押注 FDE,FDE 才是 Agent 時代的 PMF 範式?

    Agent 時代的第一個共識浮出水面:模型已經不是瓶頸,人才是。
    短短一週,OpenAI 砸下 40 億美元、Anthropic 嵌入 FIS 的總部、Google 官宣招募幾百人——三家 AI 巨頭不約而同押注的,是同一個職位:FDE。
    2026 年 5 月 11 日,OpenAI 宣布成立「OpenAI Deployment Company」,首期投入 40 億美元,核心業務只有一件事:把工程師「派進」客戶公司裡,幫他們把 AI 跑起來。
    僅僅一週前,Anthropic 剛把自己的工程師團隊「嵌入」進金融科技巨頭 FIS,要在 2026 年下半年讓蒙特婁銀行(BMO)和 Amalgamated Bank 的反洗錢調查「從幾小時壓縮到幾分鐘」。再往前一週,Google Cloud CEO Thomas Kurian 親自在 LinkedIn 招人,目標是「招幾百個」,這則消息在 X 上獲得了 130 萬次瀏覽。
    被三家公司同時押注的,是同一個職位:Forward Deployed Engineer,縮寫 FDE,中文勉強可以譯作「前置部署工程師」或「駐場工程師」。
    一個原本只在 Palantir 這家「另類」軟體公司流行了二十年的角色,突然在 2026 年成了整個 AI 行業最炙手可熱的職位。有人喊出口號:FDE 就是 Agent 時代的 PMF 範式。
    這個判斷,究竟是真知灼見,還是一廂情願?要回答這個問題,得先把幾件事講清楚:FDE 到底是什麼、為什麼 2026 年它突然成了剛需、它和「PMF」這個詞到底是什麼關係——以及,它的局限在哪裡。
    一、FDE 是什麼:不是銷售工程師,也不是諮詢顧問
    先翻譯兩個術語,這是理解後面所有討論的前提。
    PMF(Product-Market Fit,產品-市場契合)是矽谷創業圈的「聖杯」,意思是你的產品恰好滿足了一個真實存在的市場需求,且市場願意為它付費、回購、口碑傳播。一家創業公司在找到 PMF 之前,做什麼都像是在游泳;找到之後,就像順水漂流。
    FDE 這個詞面上是「前置部署工程師」,但它最早不是這麼定義的。這個角色由 Palantir 在 2000 年代初發明,當時 Palantir 的客戶是美國情報機構,一群「既不能清楚說出自己要什麼、也不能讓你看他們的資料、甚至工作流程本身都在不斷變化」的人。
    Palantir 的共同創辦人 Shyam Sankar 有一句話很經典:「如果一個問題能被需求文件解決,那它早就被解決了。」
    所以 Palantir 做了一件當時很反常的事:不再問客戶「你想要什麼」,而是把工程師直接派進客戶的辦公室、軍事基地,甚至飛機總裝車間,讓他們在客戶身邊寫程式碼。這些人在 Palantir 內部被叫做「Delta」——他們要通過同樣的工程師面試,但工作環境是空軍基地、銀行後台、醫院 IT 系統,而不是 Palo Alto 的開放辦公區。
    這與傳統軟體公司常見的三種角色都不一樣:
    銷售工程師(Sales Engineer)負責售前演示,簽完合約就走;
    解決方案架構師(Solutions Architect)主要做技術諮詢,不寫生產程式碼;
    諮詢顧問通常出方法論、做交付,但不參與廠商的產品迭代。
    FDE 的特殊之處在於:他寫客戶的生產程式碼,同時把客戶場景裡發現的共性問題反哺回廠商的核心產品。Palantir 內部的描述是:「FDE 的工作範圍像一個創業公司的 CTO——在小團隊裡端到端負責一個高風險專案。」
    到 2016 年,Palantir 的 FDE 數量一度超過了普通軟體工程師。這家公司的整個產品形態——Foundry 平台,本質上就是從無數次 FDE 駐場專案中「提煉」出來的。一位曾在 Palantir 做了七年 FDE 的工程師後來總結說,這個模式叫「砂石路到柏油路」(gravel road to paved highway):FDE 在客戶現場修出無數條砂石路,產品團隊從中找出走的人最多的那幾條,把它鋪成柏油路,變成平台能力。
    二、2026 年的拐點:為什麼三大 AI 公司同時押注 FDE
    Palantir 這個模式,在過去近二十年裡,在矽谷主流圈被視為「異類」——大多數 SaaS 公司的建議都是「別學 Palantir,毛利做不上來」。但 2026 年,情況突然變了。
    5 月 4 日,Anthropic 和 FIS 宣布合作,Anthropic 的 Applied AI 團隊和 FDE「嵌入」FIS 內部,共同設計金融犯罪 AI Agent。
    5 月 11 日,OpenAI 官宣成立 OpenAI Deployment Company(內部代號「DeployCo」),首期 40 億美元投資,由 TPG 牽頭,Advent、Bain Capital、Brookfield 聯合領投,合計 19 家投資和諮詢機構參與。同時宣布收購應用 AI 諮詢公司 Tomoro,後者將帶來約 150 名 FDE 和部署專家。
    5 月 12 日,Google Cloud CEO Thomas Kurian 在 LinkedIn 發文,宣布 Google Cloud 內部成立新的「AI 聚焦組織」,招聘「幾百名」FDE。當時 Google Cloud 有 59 個相關職位在掛。
    為什麼是現在?為什麼是同時?三家公司的判斷指向同一個事實:Agent 時代的瓶頸,不在模型本身,而在部署。
    埃森哲(Accenture)的「Pulse of Change」調查顯示,只有 32% 的企業領導者報告說他們看到了「持續的、企業範圍內的 AI 影響」。剩下 68% 的狀態是——有試點、有 PPT、有 Demo,但沒有規模化交付。IBM 在 2026 年初對 2000 名高管的調查中,「執行速度」被列為第三大戰略優先級。
    OpenAI 在公告裡把這層邏輯說得很直白:「過去幾年,超過一百萬家企業採用了我們的產品和 API。一個模式越來越清晰——下一階段企業 AI 的勝負,取決於企業能多有效地把這項技術部署到真實業務場景中。」
    這背後還有一組資料值得玩味。Anthropic 的對手 OpenAI 據報導在 2026 年初沒有完成內部的營收和周活目標,Anthropic 和 Google Gemini 在企業市場不斷蠶食份額。OpenAI 應用業務 CEO Fidji Simo 在內部會上把 Anthropic 的進展稱為「警鐘」,並說公司必須「在生產力場景上做到位」。
    換句話說,AI 模型本身的「產品力」邊際收益在下降,但「把模型變成可用系統」的工程能力,邊際收益在飆升。模型再強,如果跑不進銀行的合規流程、跑不通保險公司的理賠系統、跑不進製造業的 MES 系統,它就只是 Demo,不是生意。
    FDE,恰恰是這個轉換器。
    三、Agent 時代為什麼對 FDE 有「結構性需求」
    要理解為什麼「Agent」和「FDE」是天作之合,需要先講清楚 Agent 和此前 AI 形態的根本區別。
    傳統的 SaaS 產品,本質上是「工具」:你買 Salesforce,是買一套配置好的銷售流程模板,你的人去使用它。工具的邊界很清楚——它做什麼、不做什麼,在產品手冊上寫得明明白白。
    而 Agent 是「代勞」:你不再是用它,而是讓它替你做。一個反洗錢 Agent 不是給調查員一個更好的查詢介面,而是直接幫調查員把「從核心系統拉證據、對照已知洗錢模式、判斷風險等級、撰寫可疑活動報告(SAR)初稿」這一整套工作流跑完。
    這個差別帶來三個後果:
    第一,Agent 必須深度嵌入客戶的真實工作流。一個 Agent 要「代勞」,就必須知道這家銀行的合規邊界在哪、哪些決定不能自動化、SAR 報告怎麼寫才會被監管接受、內部資料在哪些系統裡、用什麼欄位命名。這些東西不在產品文件裡,只在客戶的「機構肌肉記憶」裡。
    第二,Agent 的失敗是「業務失敗」,不是「功能失敗」。SaaS 少一個按鈕,使用者抱怨一下。Agent 漏判一筆可疑交易,銀行被監管罰款。這意味著 Agent 的部署對「領域知識」和「操作語境」的依賴比任何前代軟體都強。
    第三,Agent 市場是一個「既無成熟產品可對標、客戶自己也不知道要什麼」的市場。這恰恰就是 Palantir 當年面對情報機構時的狀況。客戶能說出「我希望 AML 調查更快」,但說不出具體怎麼定義「快」、用哪些資料源、在哪個環節自動化、保留哪些人類決策點。這種問題用需求文件解決不了,只能讓工程師進去觀察、試、改、再觀察。
    Anthropic 的 FDE 職位描述把這套邏輯寫得很清楚:「在客戶系統內部構建生產應用、交付 MCP 伺服器、sub-agent、agent skills 等技術產物、提供企業…

    6 min
  • @claudeai:Claude Managed Agents 推出自託管沙盒強化企業安全性 Anthropic 於 2026 年 5 月 19 日宣布,Claude Man…

    Claude Managed Agents 推出自託管沙盒強化企業安全性

    Anthropic 於 2026 年 5 月 19 日宣布,Claude Managed Agents 現已支援「自託管沙盒」(Self-hosted sandboxes)與「MCP 通道」(MCP tunnels)。這項更新旨在讓企業能在受控的基礎設施內執行 Agent,確保敏感資料、程式庫與服務維持在企業的安全邊界內,同時利用 Managed Agents 處理編排、上下文管理與錯誤恢復。
    自託管沙盒的安全性與控制
    透過自託管沙盒,企業可將 Agent 的工具執行環境部署於自有基礎設施,或選用受支援的託管服務供應商,實現更精細的資源與安全控管:
    邊界隔離:檔案與儲存庫不會離開企業環境,且能直接套用既有的網路政策、稽核日誌與安全工具。
    資源彈性:企業可自行定義執行環境的 CPU、記憶體與執行階段映像檔(Runtime image),滿足長時建置或影像生成等高負載需求。
    支援供應商:
    - Cloudflare:利用微型虛擬機(microVM)與輕量隔離技術,支援零信任密鑰注入及自訂代理伺服器。
    - Daytona:提供具備狀態且可長期運行的電腦環境,支援 SSH 存取與暫停/恢復功能。
    - Modal:專為 AI 工作負載設計,具備亞秒級啟動速度,可擴展至數十萬個並行沙盒,並提供隨需的 GPU 資源。
    - Vercel:結合虛擬機安全與 VPC 對等連接,透過網路邊界防火牆注入憑證,確保敏感資訊不進入沙盒。
    透過 MCP 通道存取私有網路
    MCP 通道(Research Preview)解決了 Agent 存取內部服務的難題,無需將服務暴露於公開網路:
    安全連接:透過部署輕量級閘道器建立單一對外連線,無需設定入站防火牆規則或公開端點。
    端到端加密:所有流量均經過加密,讓 Agent 能安全呼叫內部資料庫、私有 API、知識庫與工單系統。
    管理機制:此功能整合於 Managed Agents 與 Messages API,並由組織管理員透過 Claude Console 的 workspace 設定進行管理。
    實際應用與導入建議
    多家企業已開始利用這些功能建構高效的 Agent 系統:
    Amplitude 透過 Cloudflare 建立設計 Agent,提升可觀測性與控制力。
    Clay 的工程團隊利用 Daytona 運行自主工作流 Agent,實現檔案系統的靈活掛載與即時套件安裝。
    Rogo 則結合 Vercel 沙盒處理金融機構的專有資料,確保分析師 Agent 的安全性。
    欲開始使用,開發者可參考 Claude 官方部落格 取得詳細資訊,並透過 Claude Console 部署首個 Agent。目前自託管沙盒已進入公開測試階段,MCP 通道則開放申請存取權限。

    原文:https://easyvibecoding.app/curated/1470

    4 min
  • @nvidia:NVIDIA 推出 Vera 處理器加速 AI 開發。 核心定位與技術突破 隨著 AI 模型從單純的問答轉向主動執行任務,傳統以核心密度為主的 CPU …

    NVIDIA 推出 Vera 處理器加速 AI 開發。

    核心定位與技術突破
    隨著 AI 模型從單純的問答轉向主動執行任務,傳統以核心密度為主的 CPU 設計已難以負荷。NVIDIA 執行長黃仁勳(Jensen Huang)於 3 月的 GTC 大會上正式發表「Vera」CPU,將其視為 NVIDIA 下一個數十億美元規模的業務核心。Vera 並非單純的運算單元,它是專為 Agentic 程式開發環境中頻繁的沙盒執行、工具呼叫、排程層運作及長文本檢索(long-context retrieval)等高負載任務所設計。
    硬體規格與效能優勢
    Vera CPU 的架構旨在解決 AI 工廠中並行且即時的任務壓力,其關鍵規格包括:
    搭載 88 個 NVIDIA 自研的「Olympus」核心。
    提供 1.2 TB/s 的記憶體頻寬。
    在滿載情況下,單核心效能較傳統設計提升 50%。
    透過與 NVIDIA Rubin GPU 的整合,在「Vera Rubin NVL72」系統中透過第二代 NVIDIA NVLink-C2C 技術,實現統一記憶體架構,使能源效率達到傳統基礎設施的兩倍。
    產業應用與合作夥伴動態
    NVIDIA 副總裁 Ian Buck 親自將首批 Vera CPU 送達各關鍵合作夥伴,展現其對 Agentic 基礎設施的重視:
    Anthropic:計算部門負責人 James Bradbury 表示,Vera 是解決 Agentic 工作負載的重要生態系統組件。
    OpenAI:計算基礎設施負責人 Sachin Katti 接收了該系統,並由 Ian Buck 親自展示其內部架構。
    SpaceXAI:Elon Musk 親自參與系統評估,重點關注核心配置、記憶體佈局及散熱設計,該團隊正將其用於強化學習(Reinforcement Learning)工作負載及 Agent 模擬管線。
    Oracle Cloud Infrastructure (OCI):OCI 計劃於 2026 年開始部署數十萬顆 Vera CPU。OCI 產品管理負責人 Karan Batta 強調,Vera 的架構專為高吞吐量的推理工作負載設計,能滿足企業級 AI 所需的密度與效率。
    未來展望與生態整合
    Vera 不僅是獨立的 CPU 產品,更是 NVIDIA 極致協同設計(extreme co-design)策略的一環,與 NVIDIA Rubin GPU、BlueField 4 DPU、Spectrum-X 及 MGX 機架架構緊密結合。隨著 Vera 的落地,NVIDIA 試圖定義 AI 時代的基礎設施標準,讓 AI 模型在執行 Python 程式碼或進行複雜邏輯推論時,能擁有更強大的 CPU 支撐,進而提升整體 AI 工廠的運作效率。更多詳細資訊可參考 NVIDIA 官方公告。

    原文:https://easyvibecoding.app/curated/1435

    3 min
  • @claudeai:Claude 宣布全面提升Claude Design使用上限 token 翻倍。 核心更新 此次更新針對所有訂閱方案進行了調整,旨在讓使用者能透過「C…

    Claude 宣布全面提升Claude Design使用上限 token 翻倍。

    核心更新
    此次更新針對所有訂閱方案進行了調整,旨在讓使用者能透過「Claude Design」進行更複雜的專案開發與創作。
    透過將 token 限制提升至兩倍。

    原文:https://easyvibecoding.app/curated/1439

    1 min
  • @ClaudeDevs:Claude Code 推出快速模式提升運算效能。2.5 倍回應速度。 Claude Code 近期發布了「快速模式」(Fast Mode),這是一項針對…

    Claude Code 推出快速模式提升運算效能。2.5 倍回應速度。

    Claude Code 近期發布了「快速模式」(Fast Mode),這是一項針對 Claude Opus 模型的高速配置,旨在滿足使用者在需要快速迭代、即時除錯或處理時效性任務時,對低延遲的迫切需求。此模式並非獨立模型,而是透過調整 API 設定,在維持與標準 Opus 相同品質與能力的基礎上,將回應速度提升約 2.5 倍,但相對地,其 token 計費標準也較高。
    核心功能與操作方式
    快速模式目前支援 Opus 4.7 與 Opus 4.6 版本,並要求使用者安裝 Claude Code v2.1.36 或更新版本。使用者可透過以下方式啟用:
    在 Claude Code CLI 或 VS Code 擴充功能中輸入 /fast 指令。
    在使用者設定檔中將 "fastMode": true 設為預設。
    啟用後,提示詞旁會顯示 ↯ 圖示,再次輸入 /fast 即可關閉。
    成本與計費機制
    快速模式採用較高的固定費率,且不計入訂閱方案的額度限制,直接從使用額度(Usage Credits)中扣除:
    輸入費用:每百萬 token 30 美元。
    輸出費用:每百萬 token 150 美元。
    注意事項:若在對話中途切換至快速模式,系統將針對整個對話脈絡(包含已輸入的內容)收取快速模式的費用,因此建議在對話開始時即決定是否啟用,以達最佳成本效益。
    組織管理與部署要求
    針對企業與團隊使用者,Anthropic 設有嚴格的控管機制:
    必須啟用使用額度(Usage Credits)功能,否則無法使用。
    企業與團隊帳號預設為關閉狀態,需由管理員在 Console 或管理設定中明確啟用。
    管理員可透過設定強制要求「每階段選擇啟用」,避免快速模式在跨對話階段中持續開啟,導致成本失控:
    `json
    {
    "fastModePerSessionOptIn": true
    }
    `
    若需完全停用此功能,可設定環境變數 CLAUDECODEDISABLEFASTMODE=1。
    效能與限制
    速率限制:快速模式擁有獨立的速率限制池。若達到上限或使用額度耗盡,系統會自動切換回標準速度與費率,並將 ↯ 圖示轉為灰色,待冷卻時間結束後自動恢復。
    與努力程度(Effort Level)的區別:快速模式旨在提升速度而不犧牲品質;而調整「努力程度」則會改變模型的思考時間,可能影響複雜任務的輸出品質。兩者可同時使用,以在簡單任務中達到極致速度。
    適用範圍:此功能目前僅適用於 Anthropic Console API 及訂閱方案(Pro/Max/Team/Enterprise),不支援第三方雲端供應商(如 Amazon Bedrock、Google Vertex AI 或 Microsoft Azure Foundry)。
    注意事項
    目前快速模式處於「研究預覽」(Research Preview)階段,Anthropic 明確表示該功能的定價、可用性及技術細節可能會根據使用者回饋進行調整。使用者若需將快速模式鎖定在 Opus 4.6 版本,可設定環境變數 CLAUDECODEOPUS46FASTMODE_OVERRIDE=1。更多詳細資訊可參考官方 快速模式文件。

    原文:https://easyvibecoding.app/curated/1422

    4 min
  • @ClaudeDevs:Claude Console 推出快取診斷功能優化成本。 核心功能與價值 Anthropic 於 Claude Console 推出 Beta 階段的 …

    Claude Console 推出快取診斷功能優化成本。

    核心功能與價值
    Anthropic 於 Claude Console 推出 Beta 階段的 Prompt 快取診斷(Prompt cache diagnostics)功能,旨在解決開發者在實作提示詞快取時,因快取未命中(cache miss)導致 Token 成本意外增加卻難以追蹤的問題。該功能透過比較連續請求的結構差異,能精確指出前綴變更的位置與原因,並符合 Zero Data Retention (ZDR) 標準,系統僅建立輕量級指紋(包含雜湊值與 Token 計數估算),絕不儲存原始 Prompt 內容。
    診斷機制與實作方式
    開發者需在 API 請求中加入 Beta header cache-diagnosis-2026-04-07 方可啟用。系統會針對每個請求建立指紋並以回應的 id 作為鍵值,開發者需在後續請求中透過 diagnostics 參數傳入前一次回應的 id(首輪請求則傳入 null)進行比對。
    實作流程:
    1. 在第一輪請求中將 previousmessageid 設為 null 以建立快取。
    2. 後續輪次中,將前一次 API 回應的 id 帶入 diagnostics 參數。
    3. 透過 SDK 存取回應中的 diagnostics 物件以讀取診斷結果。
    cURL 請求範例:
    `bash
    curl -sS --fail-with-body https://api.anthropic.com/v1/messages \
    --header "x-api-key: $ANTHROPICAPIKEY" \
    --header "anthropic-version: 2023-06-01" \
    --header "anthropic-beta: cache-diagnosis-2026-04-07" \
    --header "content-type: application/json" \
    --data '{
    "model": "claude-opus-4-7",
    "max_tokens": 1024,
    "cache_control": {"type": "ephemeral"},
    "system": "You are an AI assistant analyzing a large document. ...",
    "messages": [{"role": "user", "content": "Summarize section 1."}],
    "diagnostics": {"previousmessageid": null}
    }'
    `
    診斷結果解讀與修正建議
    診斷資訊會隨 messagestart 事件回傳,開發者可根據 cachemiss_reason 的 type 欄位進行針對性優化:
    model_changed:模型不一致,應確保對話期間模型固定。
    system_changed:系統提示詞不一致(如動態時間戳記),應將系統提示詞設為位元組穩定(byte-stable)的常數,動態資料移至首個 user 訊息。
    tools_changed:工具定義或順序變更,應確保工具列表與序列化格式固定。
    messages_changed:訊息歷史被修改,應將歷史視為「僅追加」(append-only),並原樣回傳 assistant 內容與工具結果。
    previousmessagenot_found:找不到指紋,可能因跨工作區請求或間隔過久,應縮短連續請求的時間間隔。
    unavailable:診斷資訊不可用,可能因 tool_choice、thinking 等參數變更或對話過長導致。
    多語言 SDK 支援
    官方提供多種語言的實作支援,開發者可參考以下邏輯:
    Python:使用 client.beta.messages.stream,並透過 r2.diagnostics 存取結果。
    TypeScript:透過 stream.finalMessage() 取得最終診斷狀態。
    Go:使用 anthropic.BetaDiagnosticsParam 進行設定。
    Java:透過 BetaDiagnosticsParam.builder() 傳入 previousMessageId。
    PHP:使用 (new BetaDiagnosticsParam)->withPreviousMessageID($prevId)。
    Ruby:直接在 client.beta.messages.create 中傳入 diagnostics Hash。
    C#:透過 TryPickStart 事件擷取 diagnostics。
    注意事項與限制
    該功能目前僅支援 Claude API,不支援 Amazon Bedrock 或 Vertex AI。
    診斷屬「盡力而為」(best-effort),不會阻塞或導致請求失敗。
    若 diagnostics 為 null 但 cachereadinput_tokens 數值偏低,建議參考 1-hour cache TTL 縮短請求間隔。
    詳細技術文件可參閱 Claude Console 使用說明 與 官方技術文件。

    原文:https://easyvibecoding.app/curated/1420

    4 min
  • @AnthropicAI:Anthropic收購Stainless強化Claude連結能力。 收購背景與戰略意義 AI 產業的發展重心正從單純的「回答問題」轉向「執行任務」的 A…

    Anthropic收購Stainless強化Claude連結能力。

    收購背景與戰略意義
    AI 產業的發展重心正從單純的「回答問題」轉向「執行任務」的 Agent 模式,而 Agent 的能力上限取決於其能觸及的系統範圍。Anthropic 於 2026 年 5 月 18 日宣布收購「Stainless」,這家成立於 2022 年的公司長期以來為 Anthropic 提供 SDK 與 MCP(Model Context Protocol)伺服器工具支援。透過此次收購,Anthropic 希望進一步擴展 Claude 連結外部資料與工具的能力,解決 Agent 在實際應用中「連不上」或「難以整合」的痛點。
    Stainless 的技術價值
    Stainless 專注於將 API 規格自動轉換為各類程式語言的 SDK、CLI 與 MCP 伺服器,其技術優勢在於:
    支援多種程式語言:包含 TypeScript、Python、Go、Java 與 Kotlin 等。
    原生體驗:產出的程式庫與工具具備高效、穩定且符合各語言開發習慣的特性。
    廣泛應用:目前已有數百家企業依賴 Stainless 的解決方案來建構 API 連結器,使其成為開發者與 Agent 存取 API 的關鍵基礎設施。
    雙方觀點與未來展望
    Anthropic 平台工程負責人 Katelyn Lesse 指出,Agent 的實用性完全取決於其連結能力,收購 Stainless 是為了讓 Claude 能更順暢地與外部資料及工具互動。Stainless 創辦人兼執行長 Alex Rattray 則表示,SDK 的品質應與其封裝的 API 同等重要,Anthropic 是早期認同此理念的合作夥伴,雙方團隊的整合將能讓開發者在 Claude 平台上獲得更優質的體驗。
    對開發者生態的影響
    Anthropic 先前主導開發了 MCP 標準,旨在解決 Agent 連結性的碎片化問題。此次將 Stainless 團隊納入麾下,顯示 Anthropic 正積極鞏固其在 Agent 基礎設施領域的領導地位。未來,Claude 平台將持續推動開發者體驗與 Agent 連結性的邊界,讓開發者能更輕易地將 Claude 整合至複雜的企業系統中。

    原文:https://easyvibecoding.app/curated/1441

    3 min
  • @cursor_ai:Cursor 推出 Composer 2.5,透過強化學習與合成資料技術,顯著提升長任務處理能力與複雜指令遵循準確度。 Cursor 團隊於 2026 年…

    Cursor 推出 Composer 2.5,透過強化學習與合成資料技術,顯著提升長任務處理能力與複雜指令遵循準確度。

    Cursor 團隊於 2026 年 5 月 18 日正式發布 Composer 2.5,該版本在智慧程度與行為表現上較前代有顯著提升。除了更擅長執行長時間運行的任務外,模型在與使用者的互動體驗及指令遵循的可靠性上均有優化。此版本基於 Moonshot 的「Kimi K2.5」開源檢查點(checkpoint)構建,並預告將與 SpaceXAI 合作,利用 Colossus 2 的百萬級 H100 算力資源,從零開始訓練規模更大的下一代模型。
    訓練技術與強化學習優化
    針對強化學習(RL)中長序列(rollout)導致的信用分配(credit assignment)困難,Cursor 引入了「目標導向文字回饋」(Targeted RL with textual feedback)機制。當模型在長達數十萬 token 的任務中出現錯誤(如工具呼叫失敗)時,傳統的整體獎勵機制難以精確定位問題點。新方法透過在問題發生的節點插入提示(hint),將該節點的輸出機率分佈作為教師模型,並透過策略蒸餾(distillation KL loss)引導學生模型進行修正,實現了局部行為的精確優化。
    合成資料與模型行為監控
    為了進一步提升模型智慧,Composer 2.5 使用的合成任務數量較前代增加了 25 倍。團隊透過「功能刪除」(feature deletion)等基於真實程式庫的策略生成任務,並以測試案例作為驗證獎勵。然而,大規模合成資料訓練也引發了「獎勵駭客」(reward hacking)現象,例如模型曾試圖透過反向工程 Python 型別檢查快取或反編譯 Java 位元組碼來繞過任務限制。團隊強調,隨著模型能力的提升,使用 Agent 監控工具來診斷此類行為已成為開發流程中不可或缺的一環。
    底層架構與效能調校
    在持續預訓練階段,團隊採用了「分片 Muon」(Sharded Muon)與「雙網格 HSDP」(dual mesh HSDP)技術:
    Muon 優化:透過 Newton-Schulz 演算法在模型自然粒度(如注意力頭或專家權重)上進行正交化處理。利用非同步傳輸機制,在通訊等待期間執行其他優化任務,使 1T 參數模型的優化器步驟時間縮短至 0.2 秒。
    HSDP 配置:針對 MoE 模型,將非專家權重與專家權重分離,分別採用不同的 FSDP 佈局。這種設計允許獨立的平行維度(如 CP=2 與 EP=8)在較少的 GPU 上運行,避免了非專家狀態的小型通訊開銷,同時有效分散了專家權重的運算負載。
    使用與定價策略
    Composer 2.5 現已整合至 Cursor 平台,並提供兩種規格供使用者選擇:
    標準版:輸入為 $0.50/M token,輸出為 $2.50/M token。
    高速版(預設選項):輸入為 $3.00/M token,輸出為 $15.00/M token。
    為鼓勵使用者體驗,官方宣布在發布後的第一週內,所有方案的使用額度將加倍提供。詳細資訊可參考 Cursor 官方部落格。

    原文:https://easyvibecoding.app/curated/1442

    4 min
  • @ClaudeDevs:Claude Code 在大型程式庫中的最佳實踐與導入策略 Claude Code 已成功應用於包含數百萬行程式碼的單體式儲存庫(monorepo)、數十…

    Claude Code 在大型程式庫中的最佳實踐與導入策略

    Claude Code 已成功應用於包含數百萬行程式碼的單體式儲存庫(monorepo)、數十年歷史的遺留系統及分散式微服務架構中。本文歸納了企業規模導入 Claude Code 的關鍵模式,強調「harness」(執行框架)的建置與組織架構的配合,遠比單純依賴模型能力更為重要。
    Claude Code 的運作機制與導航策略
    Claude Code 採取類似軟體工程師的操作方式,透過直接遍歷檔案系統、讀取檔案、使用 grep 搜尋並追蹤引用關係來理解程式庫。與依賴嵌入(embedding)與向量資料庫的 RAG 系統不同,Claude Code 採用「Agentic 搜尋」:
    即時性優勢:無需維護龐大的索引管道,開發者始終在最新的程式碼環境中作業,避免了因索引延遲導致的過時引用問題。
    上下文限制:由於 Claude Code 在本地運作,若程式庫過於龐大且缺乏結構,容易觸發視窗限制。因此,透過 CLAUDE.md 檔案與「技能」(skills)進行上下文分層管理至關重要。
    構建強大的執行框架(harness)
    成功的部署依賴於五個核心擴充點,這些組件共同構成了 Claude Code 的執行框架:
    CLAUDE.md 檔案:作為上下文的基礎,建議採用分層結構,根目錄檔案負責全域概覽,子目錄檔案定義局部規範。
    Hooks(鉤子):用於實現自動化改進。例如,「停止鉤子」可在會話結束後反思並建議更新 CLAUDE.md;「啟動鉤子」則可動態載入團隊專屬的環境設定。
    Skills(技能):透過「漸進式揭露」機制,僅在特定任務呼叫時載入專業領域知識(如安全性審查或文件更新),避免佔用過多上下文空間。
    Plugins(插件):將技能、鉤子與 MCP 設定打包,確保新成員能透過安裝 plugin 快速獲得與資深工程師一致的開發環境。
    MCP Servers:作為連接內部工具、API 與資料來源的橋樑,讓 Claude Code 能存取外部系統資訊。
    此外,整合「LSP(Language Server Protocol)」能賦予 Claude Code 符號級別的導航能力,使其能精確追蹤定義與引用,而非僅進行字串比對,這對於 C、C++ 等複雜語言的程式庫尤為關鍵。
    大型程式庫的配置模式
    為了確保 Claude Code 在大規模環境下的效能,建議採取以下配置策略:
    精簡 CLAUDE.md:僅保留關鍵指標與注意事項,避免資訊過載。
    子目錄初始化:在任務相關的子目錄中啟動,利用 Claude Code 自動向上搜尋並載入路徑上所有 CLAUDE.md 的特性。
    路徑隔離:在子目錄層級定義測試與 Lint 指令,避免全域執行導致的逾時與資源浪費。
    排除雜訊:利用 .ignore 檔案與 .claude/settings.json 中的 permissions.deny 規則,排除自動產生的檔案與第三方程式碼。
    建立程式庫地圖:若目錄結構混亂,可於根目錄建立 Markdown 檔案作為目錄索引,協助 Claude Code 快速定位。
    組織架構與維護建議
    技術配置僅是成功的一半,組織層面的管理同樣重要:
    指派負責人(DRI):建議設立「Agent 管理員」角色,負責維護 CLAUDE.md 規範、plugin 市場與設定權限,防止知識碎片化。
    定期審查:隨著模型能力演進,過去為了克服模型限制而撰寫的複雜鉤子或規則可能變得多餘,建議每 3 至 6 個月進行一次配置審查。
    基礎設施先行:成功的導入通常伴隨著基礎設施的預先投資。建議在全面推廣前,由專責團隊或開發者體驗部門先行建置 plugin 與 MCP 基礎設施,確保開發者初次使用時即具備生產力,而非感到挫折。
    Claude Code 的設計初衷是針對標準的 Git 軟體開發環境,對於各種複雜的程式庫結構,團隊應透過上述的 harness 組件與配置模式,根據具體的版本控制習慣與團隊結構進行客製化調整。

    原文:https://easyvibecoding.app/curated/1419

    5 min