EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • @ClaudeDevs:ClaudeDevs 分享 Prompt Caching 降低 API 首字延遲。 核心技巧與預熱機制 開發者可以透過在發送正式使用者請求前,先發送一個 max…

    ClaudeDevs 分享 Prompt Caching 降低 API 首字延遲。

    核心技巧與預熱機制 開發者可以透過在發送正式使用者請求前,先發送一個 max_tokens: 0 的預熱請求,將系統提示詞(system prompt)載入快取中。此操作會執行預填充(prefill)並寫入快取,隨即返回而不生成任何輸出,因此不會產生輸出 token 費用。此方法能有效優化後續真實請求的處理時間。

    提示詞快取(Prompt Caching)運作原理 提示詞快取旨在透過從提示詞的前綴(prefix)恢復處理,以優化 API 使用效率,顯著降低重複性任務或具備一致性元素提示詞的處理時間與成本。 支援模型:所有活躍的 Claude 模型(如 claude-opus-4-7)皆支援自動與明確快取。 快取層級:系統依 tools → system → messages 的順序建立快取前綴。 TTL 設定:預設存活時間為 5 分鐘,若需延長至 1 小時,可在 cache_control 定義中加入 "ttl": "1h"。 費用結構:設定斷點本身免費,僅針對「快取寫入」(基礎輸入 token 價格的 1.25 倍,TTL 為 5 分鐘)與「快取讀取」(基礎輸入 token 價格的 10%)收費。

    實作與最佳實踐 快取斷點(Cache Breakpoint):應將 cache_control 放置在跨請求保持不變的最後一個區塊,而非變動區塊(如時間戳記)。 多重斷點:每個請求最多可定義 4 個快取斷點,適用於大型文件 RAG 應用、多工具代理系統及長對話維護。 自動快取(Automatic Caching):在請求頂層加入單一 cache_control 欄位,系統會自動將快取斷點應用於最後一個可快取的區塊。 效能監控:透過 API 回應中的 usage 欄位監控成效: - cachecreationinput_tokens:新寫入的 token 數。 - cachereadinput_tokens:從快取讀取的 token 數。 - input_tokens:斷點之後、未被快取的 token 數。

    程式碼範例(以 Python 為例) `python import anthropic

    client = anthropic.Anthropic()

    預熱請求範例 response = client.messages.create( model="claude-opus-4-7", max_tokens=0, cache_control={"type": "ephemeral"}, system="You are an expert software engineer...", messages=[{"role": "user", "content": "warmup"}] ) `

    注意事項與錯誤排除 API 呼叫方式:Prompt Caching 已不再需要 beta 前綴,請直接使用標準的 client.messages.create 呼叫。 快取失效:修改工具定義、變更 tool_choice、提示詞中影像的存在與否,或變更思考參數(thinking parameters)皆會導致快取失效。 隔離機制:Claude API、AWS 上的 Claude Platform 及 Microsoft Foundry (beta) 採用工作區(workspace)層級的隔離;Bedrock 與 Vertex AI 則維持組織(organization)層級的隔離。 詳細文件:更多實作細節可參考官方文件 Prompt Caching 及 Prompt Caching Cookbook。

    原文:https://easyvibecoding.app/curated/1371

    4 min
  • @OpenAI:Codex 行動版預覽上線,讓使用者從手機隨時監督與引導開發工作。 OpenAI 推出 Codex 在 ChatGPT 行動裝置應用程式的預覽版,讓使用者…

    Codex 行動版預覽上線,讓使用者從手機隨時監督與引導開發工作。

    OpenAI 推出 Codex 在 ChatGPT 行動裝置應用程式的預覽版,讓使用者從 iOS 和 Android 手機隨時連線至筆電、Mac mini 或遠端環境中的 Codex,檢視即時狀態、審核輸出、調整方向並批准下一步,維持工作連續性。目前已有超過 400 萬人每週使用 Codex,此功能強調小幅互動能避免重工並加速進度。
    行動端完整體驗
    Codex 在 ChatGPT 手機 app 提供完整功能,連線至運行 Codex 的機器後,即時載入執行緒、批准、plugin 和專案脈絡狀態。使用者可從手機處理所有執行緒、審核輸出、批准指令、變更模型或啟動新任務;檔案、憑證、權限與本地設定均保留在機器端,更新如螢幕截圖、終端輸出、差異檔、測試結果則即時同步至手機。
    底層透過安全中繼層(secure relay layer)確保機器不直接暴露於公共網路,並同步會話狀態與脈絡至任何登入 ChatGPT 的裝置。
    即時介入情境
    隨著 Agent 處理長時間任務,及時引導變得關鍵,手機版 Codex 讓使用者在適當時機介入:
    等咖啡時啟動 bug 調查:Codex 從開發環境檢查檔案、重現問題、執行測試並擬定修復;若需澄清或許可,從手機回應,追蹤截圖、終端輸出、測試結果與最終 diff。
    通勤中決策重構任務:離開辦公室前指派重構,中途 Codex 提出兩種途徑,從手機審核權衡後選擇,抵達時任務已依方向推進。
    客戶會議前準備:會議後發現 Slack、email、文件與工具中的支援問題,從手機指示 Codex 彙整最新更新、標記關鍵問題並準備簡報;新細節進來時可即時刷新。
    捕捉靈感即行動:午餐、散步或聽講時,從手機啟動新執行緒或加入既有工作,讓任務在返回桌前開始成形。
    企業環境整合
    Remote SSH 現已正式上線,Codex 可直接連線企業遠端環境,利用其核准依賴、憑證、安全政策與運算資源;桌面 app 自動偵測 SSH 配置中的主機,讓使用者如本地般建立專案與執行緒。連線後,這些環境透過相同安全中繼基礎設施可在授權 ChatGPT 裝置存取,從桌面啟動、手機導向,無需綁定單一機器。
    同時釋出多項企業更新:
    程式化存取 token,從 ChatGPT workspace 設定發行範圍限定憑證,用於 CI 管道、發行工作流程與內部自動化(Enterprise 與 Business 方案)。
    Hooks 正式上線,可掃描提示中的秘密、執行驗證器、記錄對話、建立記憶,或自訂特定程式庫與資料夾的 Codex 行為。
    HIPAA 相容支援,限 ChatGPT Enterprise workspace 在本地環境(CLI、IDE、App)使用,讓醫療組織加速患者照護與營運流程。
    推出細節與可用性
    Codex 手機版預覽今日起在所有支援地區的 iOS 與 Android 推出,涵蓋 Free、Go 與付費方案;請更新 ChatGPT 手機 app 及 macOS 版 Codex app 體驗。Windows 版 Codex 手機連線支援即將上線。
    Remote SSH 與 Hooks 適用所有方案;程式化存取 token 限 Enterprise 與 Business;HIPAA 相容僅限合格 ChatGPT Enterprise workspace 的本地環境使用。詳見 OpenAI 官方公告。

    原文:https://easyvibecoding.app/curated/1362

    5 min
  • @tavus:Tavus 推出 Image-to-Replica 生成對話 AI 人物。 Image-to-Replica 是 Tavus 全新訓練路徑,擴大 AI 人…

    Tavus 推出 Image-to-Replica 生成對話 AI 人物。

    Image-to-Replica 是 Tavus 全新訓練路徑,擴大 AI 人物範圍至品牌吉祥物、歷史人物及 AI 生成角色,讓單張圖像取代傳統 30 秒影片錄製。
    Image-to-Replica 的創新意義
    臉部是 AI 人物的第一印象,在記憶、人格、感知或對話啟動前,即負責辨識、設定語調、建立信任並吸引使用者互動。過去,每個 Tavus AI 人物皆需約 30 秒說話與 30 秒聆聽的影片錄製,需適當燈光與使用者能坐上鏡頭,此法雖完美複製真人,但限縮於能錄製者,排除公眾人物(日程不允許)、已故親友、數十年居於標誌或繪本的品牌吉祥物、插圖角色,以及專為角色設計卻無實體的 AI 生成人物。Image-to-Replica 以單張圖像產生完整 Phoenix-4 AI 人物,大幅拓寬可行臉部類別。
    解鎖的應用潛力
    Image-to-Replica 建置於 Tavus 平台,該平台已支援逾 10 萬名開發者及 Amazon、Deloitte、EY、Mayo Clinic、CVS、Salesforce、Aetna、Wix 等全球領先企業,驅動即時 AI 員工、醫療接待 Agent、訓練教練體驗及每月數百萬次客戶互動對話。
    此功能讓任何單張圖像臉部皆可觸及該平台:
    圖像產生僅需數秒,便於迭代,且提供燈光、取景及創意方向的直接控制,優於單次錄製。
    加速客戶啟用
    銷售潛在客戶可在安排錄製前,從頭像快速生成 AI 人物,從對 Tavus 感興趣到擁有自家 AI 人物的流程,從數日壓縮至數分鐘。開發者評估 CVI 時,可在開發者入口直接生成首個 AI 人物,無需離開平台。
    適用無法錄製的主體
    公眾人物日程不允許工作室時間。
    已故親友的紀念應用。
    數十年居於標誌的人形品牌吉祥物。
    這些先前無法觸及,如今僅需單張圖像即可實現。
    動畫、風格化及 AI 生成角色
    人形吉祥物可進行真實對話;插圖角色可成為即時回應問題的導師;專為特定角色設計的 AI 生成人物,可無實體即部署為 CVI 人物。此無限性最顯著於原本無法拍攝的臉部。
    想像速度原型開發
    開發醫療流程、教練 App 或角色扮演模擬者,無需自錄或招募人才測試人物。只需數秒生成替代人物,端到端驗證體驗,僅在應用證實價值後才投入完整影片訓練。先建後精煉。
    技術實現細節
    Image-to-Replica 是與影片訓練相同 /replicas 端點的新訓練路徑,使用 trainimageurl 及 voicename 取代 trainvideo_url。為獲最佳效果,圖像須類似人類臉部,讓模型正確辨識並生成連貫 AI 人物,包括真實照片、AI 生成肖像、插圖風格化人類角色及人形吉祥物皆適用。
    流程熟悉:上傳圖像後,系統即時評分關鍵品質(清晰正面取景、均勻燈光、無遮擋、可辨識人類臉部)。若不足,系統提供具體可行動回饋,並有「Fix with AI」按鈕內嵌修復圖像,呈現修正版,讓使用者提交或重試,無需離開上傳流程。接著,系統使用運動控制影片擴散法,從靜態圖像合成自然訓練片段,動畫化為捕捉說話、聆聽及微動作的短片,維持自然度不妥協。此合成片段輸入相同 Phoenix-4 訓練管線,無平行管線、無獨立程式碼路徑,使用者端無需額外實作。
    關鍵在於,圖像訓練的 AI 人物非低階,而是完整 Phoenix-4 複製品,具相同情感控制、主動聆聽、即時效能及 Raven-1 感知層。
    影片 vs. 圖像訓練比較
    Image-to-Replica 非取代影片訓練,而是第二入口,各有情境與權衡。
    影片訓練:條件合適時,為模擬特定真人的最高保真途徑,捕捉個人表情、嘴部動作、思考時頭部角度及鏡頭個人特徵。若能存取該人並良好錄製,即為首選。
    圖像訓練:最低摩擦途徑,適用速度、存取或主體類型使影片不切實際時。允許訓練前迭代燈光、取景及創意方向,優於單次錄製。兩途徑皆產即時 AI 人物,訓練時間相同,選擇在於輸入而非輸出階層。
    存取方式
    Image-to-Replica 已於 Tavus 平台全面上線:
    API:於相同 /replicas 端點上線,使用 trainimageurl 及 voice_name 參數。
    開發者入口:圖像上傳流程上線,含「Fix with AI」按鈕修復失敗輸入。
    CVI:圖像訓練 AI 人物作為人物無需特殊處理。
    預生成檢查器:每張圖像提交自動執行。
    詳見完整發佈文件:https://www.tavus.io/post/introducing-image-to-replica 。
    超越臉部的願景
    AI 人物不僅是臉部,更是觀看聆聽的感知系統、知曉何時說話等待的對話流程模型、即時反映情感的渲染引擎、保留上週對話的記憶,或經數週互動塑造的人格。臉部長期為建置最慢環節,智慧、記憶、人格無法啟動,直至有人坐上鏡頭。以 Image-to-Replica,第一步僅需數秒,讓感知、人格、對話、關係幾乎立即展開。
    Tavus 旨在解決人類運算問題,展望與機器對話如友人或同事般自然,AI 夥伴、助理、同事普及,介面具人類感。Phoenix-4 帶來情感渲染存在感,Raven-1 賦予真正視聽,Sparrow-1 提供人類級時機。最近配對評估中,使用者在七項情感與對話保真度測量中偏好 Tavus AI 人物六項,每項對頭比較皆選 Tavus,僅 Tavus 在「是否偶爾忘記對話對象是 AI」的問題獲正分。Image-to-Replica 移除想像 AI 人物至實現的最後人工步驟,將可能 AI 人物從「誰能錄製」擴至「何種人類臉部可存於圖像」。
    更多細節見文件。
    (作者:Jesse Rowe,發佈日期:2026 年 5 月 14 日)

    原文:https://easyvibecoding.app/curated/1351

    6 min
  • @mingchikuo:Apple 培養 Intel 成先進製程供應商。 Apple 與 Intel 合作開案 18A-P 系列(採 Foveros 封裝),用於低階/舊款 iP…

    Apple 培養 Intel 成先進製程供應商。

    Apple 與 Intel 合作開案 18A-P 系列(採 Foveros 封裝),用於低階/舊款 iPhone、iPad 與 Mac 處理器,iPhone 訂單佔比約 80%,反映終端裝置銷售比重;投片規劃為 2026 年小量測試、2027 年放量、2028 年續增、2029 年衰退,Apple 同時評估 Intel 其他先進製程。
    Apple 的供應策略轉變
    Apple 在台積電先進製程供應緊張前即展開與 Intel 合作,意識到台積電資源將持續向 AI 傾斜,AI/HPC 與手機對台積電營收貢獻差距擴大,因此有系統培養 Intel 成為全產品線供應商。
    同時開案三大產品線,投片比例與銷量相似,模擬驗證 Intel 未來全線供應可能性。
    先用完整 18A-P 系列世代優化量產與協作流程,而非僅試投低風險訂單。
    降低獨供風險、提升議價力,同時維持與台積電交易關係。
    Intel 的戰略機會與挑戰
    Intel 迎來史無前例機會,Apple 訂單涵蓋全產品線、規模龐大、需動態調整設計與生產節奏,為 Intel 晶圓代工業務練兵的近乎唯一完整機會。
    2027 年生產良率目標穩定達 50‒60% 以上,量產時程與出貨規模仍未明朗,組裝端/EMS 未見規劃。
    短期難戲劇扭轉 IFS 單季虧損,供貨比重受產能與良率限制。
    Apple 高標準及 Intel 同時承接其他客戶訂單,放大再造先進製程業務難度;執行力、地緣政治與客戶避險決定能否兌現黃金窗口。
    Intel 內部對 Apple 訂單喜憂參半,即便初期順利出貨,台積電仍佔 90% 以上供應比重。
    台積電的被動處境與結構性限制
    台積電數年內無虞,但領先地位成為各方風險對沖焦點,Apple 尋求 Intel 合作提升議價力,並非孤例:美國政府透過半導體政策、Samsung 用記憶體利潤支持先進製程投入。
    台積電主要靠卓越執行力應對,等同押注「執行力持續領先」假設。
    對沖工具有限:地緣政治上,美國為關鍵市場與技術夥伴卻是最大政策壓力來源,中國、歐盟、日本無法有效對沖。
    市場策略邊際效用遞減:業務多元化、客戶結構分散、技術授權、供應鏈本土化因領先地位而效果降低。
    台積電的務實應對建議
    加速累積內部資本最務實,來自先進製程定價權,不只合理利潤,也需對未來風險定價,採取更彈性定價策略。
    Intel 將自家產品下單台積電以空出產能給 Apple 練兵,此非一般訂單,而是帶來潛在競爭風險。
    台積電應將地緣政治與客戶組合重構衍生的競爭關係,納入風險定價與產能配置考量。

    原文:https://easyvibecoding.app/curated/1357

    5 min
  • @AnthropicAI:Anthropic 發布論文警告美國強化中國 AI 競爭。 Anthropic 於 2026 年 5 月 14 日發布論文《2028: Two scena…

    Anthropic 發布論文警告美國強化中國 AI 競爭。

    Anthropic 於 2026 年 5 月 14 日發布論文《2028: Two scenarios for global AI leadership》,闡述美國與中國在人工智慧領導權的競爭觀點。論文強調,美國及其民主盟友目前領先,但若不立即行動,中共可能透過規避出口管制與蒸餾攻擊追平並超越,導致威權政權主導 AI 規範與應用。
    美國當前優勢與中共威脅
    美國與民主盟友在前沿 AI(frontier AI)領域領先,主要得益於先進電腦晶片(compute)的控制權。美國公司開發最強大晶片,美國政府透過嚴格出口管制限制中國供應,此舉歷史上極為成功。中國 AI 實驗室僅能建構接近美國水準的模型,全賴其世界級人才、規避出口管制的漏洞,以及大規模蒸餾攻擊(distillation attacks),後者非法竊取美國公司模型創新以模仿其能力。
    中共已將 AI 用於審查言論、鎮壓異議者、駭入全球政府與企業,以及強化人民解放軍(PLA)。論文聚焦中共,因其最能利用前沿 AI 鞏固威權主義,並非針對中國人民的興趣或才智。中國實驗室受 compute 限制,若無漏洞與攻擊,其能力將落後更多。
    2028 年兩種情境
    論文預測 2028 年轉型 AI 系統到來,呈現兩個情境:
    第一情境:美國成功守住優勢
    政策制定者進一步收緊出口管制、破壞中國蒸餾攻擊,並加速民主國家 AI 採用。此時民主國家主導 AI 規則與規範,最可能成功與中國就安全議題互動(Anthropic 支持此舉,若可行)。美國將鎖定 12-24 個月前沿能力領先,此領先極為有利,並強化與中國 AI 專家在安全與治理的合作。
    第二情境:美國未採行動
    政策制定者未堵塞中共 compute 漏洞,中國 AI 公司迅速追平並超越前沿。此時威權政權塑造 AI 規範,最佳模型助長大規模自動鎮壓。即使中共勝利建立在美國 compute 基礎上,亦無慰藉。
    維持領先的關鍵行動
    AI 能力正加速擴張,compute 供應激增,且 AI increasingly 用於訓練新模型,「天才數據中心國家」(country of geniuses in a data center)等轉型智慧水準近在咫尺。此加速使政策行動迫在眉睫。目前允許出口規避與蒸餾攻擊,讓中共緊跟前沿曲線;若美國與盟友立即處理,可鎖定 12-24 個月領先,但機會視窗不會永遠敞開。
    美國從強勢出發,其創新生態建構 AI 主宰工具,現任任務是避免浪費優勢,即不讓中共更容易追上。民主國家而非威權政權,必須領導 AI 開發與部署,以塑造治理系統的規則與規範。
    政策建議與政治支持
    論文呼籲建構現有領先:收緊對中國實驗室先進 compute 管制、破壞其美國最佳模型蒸餾努力,並加速民主 AI 採用。國會與川普政府許多成員已倡導出口管制、遏止蒸餾攻擊及輸出美國 AI。Anthropic 樂觀,透過這些政策,民主國家可於 2028 年確保壓倒性領先,避免兩年後與中共的危險並駕齊驅競爭。
    論文詳見 Anthropic 研究頁面 。此觀點忠實反映 Anthropic 的立場:美國優勢來自創新與管制,但需警惕中共利用漏洞,否則將釀成全球安全危機。

    原文:https://easyvibecoding.app/curated/1363

    5 min
  • @Kimi_Moonshot:Kimi WebBridge 讓 AI Agent 操作瀏覽器。 Kimi.ai 推出「Kimi WebBridge」瀏覽器擴充功能,讓 AI Agent…

    Kimi WebBridge 讓 AI Agent 操作瀏覽器。

    Kimi.ai 推出「Kimi WebBridge」瀏覽器擴充功能,讓 AI Agent 能像人類一樣開啟網頁、搜尋、滾動、點擊、輸入並完成任務,支援 Kimi Code CLI、Claude Code、Cursor、Codex、Hermes 等工具,目前可在 kimi.com/features/webbridge 及 Chrome Web Store 下載。
    核心功能
    Agent 可跨多平台大規模搜尋,並自動填入試算表結果。
    透過 K2.6 的多模態能力,Agent 能開啟網站、導航並完整複製其內容。
    Agent 學習使用者日常工作流程,並轉化為可重複使用的技能。
    使用者僅需聊天,即可讓 Agent 自動透過瀏覽器建立完整 Google 表單,包括輸入與建置問卷。
    技術支援與相容性
    支援 Kimi Code CLI、Claude Code、Cursor、Codex、Hermes 等多種程式開發工具,讓 Agent 執行如真人般的網頁互動,包括開啟頁面、點擊、填寫表單、提取資訊及自動化繁瑣任務。
    隱私與資料處理
    Kimi WebBridge 會處理網頁瀏覽記錄(Web history)、使用者活動(User activity)及網站內容(Website content)。開發者聲明不將資料出售給第三方、不用於與核心功能無關的目的、不用於評估信用或貸款用途,詳細隱私政策見開發者文件。上架日期為 2026 年 5 月 11 日,來源自 Chrome Web Store。

    原文:https://easyvibecoding.app/curated/1346

    3 min
  • @pierceboggan:VS Code 推出 Agents 視窗支援 Agentic 開發。 Visual Studio Code(VS Code)傳統編輯器布局優化單任務、單 …

    VS Code 推出 Agents 視窗支援 Agentic 開發。

    Visual Studio Code(VS Code)傳統編輯器布局優化單任務、單 workspace 工作流程,但已被數百萬開發者用於 Agentic 程式開發;今日正式在 VS Code 安定版推出全新「Agents」視窗,讓使用者(包含 VS Code 團隊自身)能跨多專案、多 Agent 協作。
    工作流程演進
    VS Code 團隊一年內的工作流程從追蹤 Agent 具體軌跡(如工具呼叫與程式碼編輯)轉變為高階夥伴關係:團隊花費大量時間微觀監督 Agent 動作,如今轉向透過「Plan mode」等功能建構模型對齊,並優先審核結果而非程式碼。
    擴展 Agent HQ 願景
    「Agents」視窗不僅提供頂尖模型選擇,還整合 harness,讓使用者試用 Claude Agent 整合,全由 GitHub Copilot 訂閱驅動。試用 Claude Agent 。
    遠端開發支援
    視窗支援遠端開發,可連線執行於遠端主機(如雲端沙盒)的程式開發 Agent,讓工作無處不可續。
    瀏覽器與行動端體驗
    全新 http://vscode.dev/agents 體驗,讓使用者在瀏覽器(包含行動裝置)中與程式開發 Agent 工作,實現隨處開發。

    原文:https://easyvibecoding.app/curated/1360

    2 min
  • @nicos_ai:Anthropic 推出「Claude for Small Business」,定位為全球最廉價高效員工,專攻中小企業自動化。 Anthropic 於 2…

    Anthropic 推出「Claude for Small Business」,定位為全球最廉價高效員工,專攻中小企業自動化。

    Anthropic 於 2026 年 5 月 13 日發布「Claude for Small Business」,這套工具整合現有軟體,提供即用型 Agentic 工作流程,幫助中小企業主處理日常瑣務。作者 Nico 強調,這不僅是聊天機器人,而是旨在成為數百萬中小企業的「作業系統」,取代開啟 10 種不同工具的麻煩,讓使用者直接對 Claude 發話即可完成工作。
    企業採用數據領先 OpenAI
    Anthropic 首次超越 OpenAI 在企業採用率:
    Anthropic:34.4%
    OpenAI:32.3%
    Anthropic 的採用率在 12 個月內成長 4 倍,而 OpenAI 幾乎停滯不前。雖然 ChatGPT 仍主宰消費者市場,但 Claude 已迅速成為企業首選,作者質疑這是否預示 AI 領導地位轉移。時機並非偶然,此發布正值 Anthropic 企業採用衝刺之際。
    核心功能與工作流程
    「Claude for Small Business」內建 15 種即用 Agentic 工作流程,涵蓋財務、營運、銷售、行銷、HR 及客戶服務,並附 15 項技能,針對中小企業主常見瓶頸:
    薪資規劃:透過 Intuit QuickBooks 對帳 PayPal 入帳,建立 30 天預測、排序逾期項目,並排隊提醒待使用者核准。
    月結作業:對帳結算、標記不符項目、撰寫簡明 P&L 報表,並匯出封包直接轉交會計師。
    業務脈動監控:定期彙整關鍵洞察單頁顯示,包括 QuickBooks 現金部位、銷售趨勢、銷售漏斗移動、本週承諾等。
    行銷活動執行:找出營收低谷、分析 HubSpot 活動表現、起草促銷策略,並在 Canva 生成資產準備發送。
    其他包括發票追蹤器、利潤分析器、月結準備器、稅季整理器、合約審核器、潛客分類器、內容策略師等。
    中小企業貢獻美國 GDP 44%、僱用近半私部門勞力,但 AI 採用落後大企業,此工具旨在彌補差距。
    工具整合與運作方式
    透過「Claude Cowork」啟用開關,連接既有工具後選擇任務,Claude 執行工作,使用者先核准再發送、張貼或付款。各工具分工明確:
    PayPal:處理結算、發票、爭議、退款。
    Intuit QuickBooks:薪資規劃、月結、現金流、稅季準備、跨系統對帳。
    HubSpot:潛客分類、客戶脈動、活動歸因。
    Canva:多管道內容生成、團隊協作編輯、發布資產、效能追蹤。
    DocuSign:發送合約簽署、追蹤狀態、歸檔執行副本。
    另支援 Google Workspace、Microsoft 365。
    Anthropic 聲稱這不是「另一個聊天機器人」,而是理解整個業務脈絡、自動執行跨應用工作流程的系統,包含預設自動化。
    信任與安全設計
    調查顯示,半數中小企業主視資料安全為 AI 最大疑慮。「Claude for Small Business」因應此點:
    使用者全程掌控:每項任務由使用者啟動,先核准計劃,或選擇端到端執行。
    權限不變:員工若無法在 QuickBooks 或 Drive 存取,即無法透過 Claude 存取。
    Team 及 Enterprise 方案預設不以使用者資料訓練模型。
    Anthropic 總裁 Daniela Amodei 表示:「中小企業佔美國經濟近半,卻無大企業資源,AI 是首項能彌補差距的技術。我們讓 Claude 嵌入 QuickBooks、PayPal、HubSpot 等工具,接手深夜堆積工作,如薪資規劃、追發票或啟動行銷專案,讓人專注經營業務。」
    配套教育與推廣活動
    工具外,Anthropic 與 PayPal 合作推出免費線上課程「AI Fluency for Small Business」,由實際使用者如 Prospect Butcher Co.(Brooklyn)、MAKS TIPM Rebuilders(California)等授課,涵蓋 AI 安全、責任、倫理應用,以及辨識適合任務並入門步驟。
    另有「Claude SMB Tour」,自 2026 年 5 月 14 日芝加哥起跑,免費半日實作工作坊,每站限 100 名當地中小企業領袖,由 Anthropic 及 Tenex.co 主辦,搭配在地夥伴,參與者獲一個月「Claude Max」訂閱。
    使命導向夥伴關係
    作為公共利益公司,Anthropic 投資中小企業導向非營利組織夥伴,將 Claude 直接交給企業主及支援機構,確保 AI 益處觸及歷史上技術落後族群。啟用方式請參考 Anthropic 官方頁面。作者 Nico 看好此舉將顛覆中小企業運作,挑戰 OpenAI 霸權。

    原文:https://easyvibecoding.app/curated/1343

    5 min
  • @code:Visual Studio Code 1.120 版本穩定推出 Agents 視窗,提升 BYOK 模型控制並強化 Agent 安全功能。 Visual …

    Visual Studio Code 1.120 版本穩定推出 Agents 視窗,提升 BYOK 模型控制並強化 Agent 安全功能。

    Visual Studio Code 1.120 於 2026 年 5 月 13 日發布,此版本將 Agents 視窗移至穩定版,改善 BYOK 模型的 token 使用追蹤與思考努力度配置,並新增 Markdown diff 預覽與終端機指令風險評估等功能,針對 Agent 驅動開發優化多專案工作流程。
    Agents 視窗穩定版
    Agents 視窗現為穩定版,專為跨多專案的 Agent 驅動開發設計,作為既有編輯器的伴侶視窗,提供專屬空間用於探索、迭代與審核任務,並無縫切換專案。使用者可選擇 agent harness、在遠端機器執行 Agent,並自訂環境,包括色彩主題、按鍵綁定與擴充功能。此視窗先前於 VS Code Insiders 測試,現移至穩定版預覽。
    開啟方式包括標題列的「Open in Agents」按鈕,詳情見 Agents 視窗文件。
    基於 Insiders 回饋的新功能:
    偏好設定跨工作階段持續:代理 harness 與隔離模式等下拉選單的最後選擇會保留。
    輕鬆捨棄變更:直接從 Changes 面板捨棄編輯。
    新工作階段同步上游變更:Files 面板的同步按鈕可拉取基底分支的上游變更,讓 Agent 開始前更新。
    變更互動更確定性:Changes 面板動作更快且確定性更高。
    完成工作階段預設顯示所有變更:開啟標記為完成的會話時,自動檢視 Agent 完整編輯集。
    導航近期工作階段:標題列左上箭頭按鈕可在不離開視窗下跳轉近期會話。
    視窗專屬設定覆寫:Agents 視窗共享所有 VS Code 設定,可針對此視窗覆寫特定行為。
    團隊呼籲回饋,請在 GitHub 提交 issue 或瀏覽既有問題。
    擴充功能相容性
    僅貢獻靜態內容的擴充(如主題、文法、語言、按鍵綁定)會自動在 Agents 視窗啟用。測試過 Marketplace 前 100 名擴充,部分若安裝於預設 VS Code 設定檔也會啟用。
    其他擴充可透過 extensions.supportAgentsWindow 設定以 ID 選擇性啟用,需安裝於預設設定檔。團隊正開發更廣泛擴充支援,並邀請擴充作者透過 GitHub issue 合作,探討跨專案 Agent 情境與擴充行為。
    Copilot CLI plugin 自動發現
    透過 GitHub Copilot CLI 安裝的 Agent plugin,VS Code 會自動偵測,單一安裝即涵蓋 CLI 與 VS Code 表面,先前需額外安裝或加入 chat.plugins.paths。
    BYOK 模型改進
    BYOK(Bring Your Own Key)允許使用自有 API 金鑰(如 Anthropic、OpenAI),支援自訂計費或模型託管。
    token 使用可見度:Chat 視圖的 context window 控制項現顯示 BYOK 模型的精準 token 使用量與滿載百分比,先前總顯示 0%,僅內建模型有效。
    思考努力度配置:針對 BYOK 推理模型,從 Chat 視圖模型選擇器直接設定「thinking effort」,權衡回應品質與速度/成本,每請求皆傳遞設定。適用 OpenAI 相容端點(OpenAI、xAI (Grok)、OpenRouter、自訂 OpenAI / Azure OpenAI),Anthropic 已支援,今統一介面。詳見 thinking effort 文件。
    模型選擇器依提供者組織:Chat 視圖模型選擇器按提供者分組,便於多來源搜尋;近期使用模型顯示灰色提供者名稱,避免同名混淆。提示:聊天輸入 /models 快速存取。
    聊天與工具安全功能
    終端機工具輸出壓縮(預覽):啟用 chat.tools.compressOutput.enabled 設定,VS Code 後處理如 git diff、ls -l、npm install 等長輸出前送至模型。壓縮包括折疊 diff 不變區塊、捨棄 lockfile/snapshot diff、簡化 ls -l 為項目名、移除 npm install 進度條/棄用警告/審核摘要。壓縮輸出前置橫幅,告知模型套用過濾器與停用方式。
    終端機指令風險評估(實驗):啟用 chat.tools.riskAssessment.enabled,終端機指令確認新增風險徽章與 AI 生成單句說明,分三級:
    - Safe(綠):僅讀取檔案或輸出,不改動。
    - Caution(橘):修改 workspace、安裝套件或網路傳輸。
    - Review carefully(紅):難以或無法復原動作,如強制推送到遠端或刪除 workspace 外檔案。
    Claude 與 Copilot CLI 計劃模式控制:啟用 chat.planWidget.inlineEditor.enabled,內嵌計劃編輯器取代獨立分頁,提升迭代效率;回饋模式顯示更清晰指示與累計回饋;可停用內嵌編輯,回退傳統分頁。
    Markdown 改進
    diff 預覽(預覽):從 Source Control 開啟 Markdown 檔案時,可用渲染預覽取代原始碼,便於辨識標題更新、新區段、圖片變更或清單重組。支援並排與內嵌 diff。操作:從 Source Control 或 diff 編輯器用「Reopen Editor With...」切換,或用 workbench.diffEditorAssociations 預設啟用。
    預設變更:停用舊功能:
    - markdown.preview.doubleClickToSwitchToEditor:預覽雙擊切換編輯器,常被誤用於選取,今由「Reopen With」取代。
    - markdown.preview.markEditorSelection:標記編輯器選取行,對現代工作流程較不實用。
    可手動重新啟用。
    HTML id 支援:Markdown 路徑自動完成與連結驗證現辨識 HTML 元素 id。
    表格智慧選取:支援 Expand Selection(⌃⇧⌘→)從儲存格擴至列再至表格,Shrink Selection(⌃⇧⌘←)反向。
    擬議 API
    自訂編輯器 diff:customEditorDiffs API 讓自訂編輯器渲染專屬 diff UI,如 Markdown diff 預覽。提供:
    - resolveCustomEditorInlineDiff(documents, webviewPanel, token):單 webview 渲染原/修改文件。
    - resolveCustomEditorSideBySideDiff(documents, webviewPanels, token):雙 webview,並排同步。
    結合 diffEditorPriority,擴充全控 diff 呈現。
    diff 與合併優先權分離:customEditors 貢獻新增 diffEditorPriority 與 mergeEditorPriority。
    文件 diff:workspace.getTextDiff(original, modified, options?) 暴露內建 diff 演算法,返回逐行變更串流與摘要(identical、may-be-incomplete、移動偵測),含內部字元範圍,利於自訂 diff 編輯器。
    GitHub Pull Requests 擴充更新
    0.144.0 版新增:
    複製/貼上與上傳按鈕將圖片上傳至 PR 評論。
    切換 worktree 時更描述性資料夾名稱。
    "githubIssues.issueBranchTitle" 支援 ${issueType} 範本變數。
    詳見變更記錄。
    棄用與修復
    無新棄用或即將棄用提及。值得注意修復:#314545 整合瀏覽器 localhost 目標包含 All-Interfaces 連結。
    貢獻者感謝
    問題追蹤貢獻:@gjsjohnmurray (John Murray)、@RedCMD (RedCMD)、@IllusionMH (Andrii Dieiev)、@albertosantini (Alberto Santini)。
    VS Code 貢獻:
    @damonxue (DamonXue):PR #315197 修正右鍵非活躍編輯器分頁「Add File to Chat」無效。
    @davidwengier (David Wengier):PR #313011 更新 Razor repo 儲存庫與路徑。
    @Dmitriusan:PR #300613 修正 gitignore 子檔案否定未覆寫父/全域規則。
    @EhabY (Ehab Youn…

    8 min
  • @vercel:AI Gateway 生產環境指標 詢問哪一個 AI 模型最好,答案往往在墨水乾掉之前就變了。這就是一個每週都有新模型發布的產業中會發生的事。 每一…

    AI Gateway 生產環境指標

    詢問哪一個 AI 模型最好,答案往往在墨水乾掉之前就變了。這就是一個每週都有新模型發布的產業中會發生的事。
    每一個基準測試(benchmark)都在衡量不同的賽道,每一場賽道也都會產生各自的贏家,但 Vercel 透過生產環境的工作負載,對這個產業有著獨特的觀察。AI Gateway 透過真實的應用程式與 Agent,為數百個模型處理了數十兆的 token。
    以下是我們的觀察:
    儘管單位價格較高,Anthropic 在支出方面仍處於領先地位,而 Google 則在流量規模上領先。
    開源模型(OSS models)正逐漸獲得採用,但使用者對特定實驗室並沒有忠誠度。
    在近期模型更新後,OpenAI 的支出份額正在快速成長。
    高流量的工作負載平均會路由(route)到 30 個以上的不同模型。
    Agentic 程式開發的工作負載佔了所有 token 流量的 59%(在 6 個月內成長了 2 倍)。
    本報告基於 AI Gateway 七個月的生產環境流量資料,涵蓋超過 20 萬個獨立團隊的使用情況。
    Anthropic 在支出領先;Google 在流量領先
    成本與流量的排名之所以不同,是因為它們衡量的是兩種不同的工作負載,即便對於同一個客戶也是如此。
    以 2026 年 4 月的支出來看,Anthropic 佔了 61%,Google 佔 21%,OpenAI 佔 12%。
    若以 token 流量來看,情況則完全翻轉。4 月份透過 AI Gateway 的流量中,38% 路由至 Google,26% 至 Anthropic,13% 至 OpenAI,10% 至 xAI。其餘份額則由較小的實驗室瓜分。
    有些模型透過足夠便宜的單一 token 價格來承載巨大流量,而另一些模型的定價則較高,僅在品質至關重要的任務中才具備合理性。這些不同的模型並非在爭奪同一個呼叫(call)。總體而言,同一個客戶群同時出現在兩個排行榜上,高階推理呼叫會使用 Claude Opus,而廉價且快速的呼叫則使用 Gemini Flash。支出跟隨高風險的呼叫,而流量則跟隨低風險的呼叫,各個實驗室在同一個應用程式中佔據了不同的層級。
    流量與支出的比例在實驗室層級也會快速變化。以下是幾個具體訊號:
    Gemini Flash 幫助 Google 以較低的支出份額取得了流量領先。
    Claude Opus 幫助 Anthropic 以比 Google 更少的流量取得了支出領先。
    在 GPT-5.4/5.5 發布後,OpenAI 的支出份額從 3 月到 4 月成長了三倍。
    隨著 Gemini Flash 的使用規模擴大,Google 的支出份額從 3 月的 8% 攀升至 4 月的 21%。
    支出跟隨「出錯的代價」
    同樣的成本與流量分歧,在特定類型的工作負載內部也以更細緻的方式存在:
    個人助理佔成本的 20%,但佔 token 流量的 40%。
    程式撰寫 Agent 在成本與 token 佔比上大致平衡,分別為 22% 與 20%。
    後勤(Back office)Agent 佔成本的 6%,但佔 token 的 15%。
    應用程式生成佔成本的 7%,佔 token 的 11%。
    工作負載在每個 token 上的支出,取決於該使用情境下「錯誤答案」的代價有多高。個人助理可以使用廉價、快速的模型,因為錯誤只會影響個別使用者,且能被快速修正。後勤工作流程則會為更強大的推理能力付費,因為錯誤可能會引發法律、財務或營運風險,這些風險遠大於單次呼叫節省下來的成本。每個 token 的經濟效益是一張風險地圖:當錯誤代價越高時,應用程式在每個 token 上的支出就越多。
    同樣的模式也存在於更廣泛的 B2C 與 B2B 劃分中。B2C 應用程式產生許多低成本的呼叫,而 B2B 應用程式則執行較少、但更昂貴的呼叫。以每個 token 為基準,B2B 的成本大約是 B2C 的兩倍。
    沒有單一供應商能贏下所有使用情境
    將資料依據使用情境進行切割,顯示出一個碎片化的供應商格局:
    Anthropic 在軟體開發領域顯著領先。
    Google 在消費者應用領域表現突出。
    OpenAI 的分佈最為平均。
    xAI 與其他廠商則分散在程式撰寫、消費者應用與長尾使用情境中。
    Anthropic 的模式是集中在高風險層級。隨著工作負載從後勤轉向消費者應用,Anthropic 的 token 份額從 71% 下降到 7%。其成本份額的曲線則平緩許多,並在四個類別中的三個保持領先。無論有多少流量通過,營收總是集中在「答案必須正確」的地方。
    Google 的情況則呈現相反的形狀。其足跡集中在消費者應用領域,Gemini Flash 在該領域以 15% 的成本承載了 28% 的 token,而在該領域之外的成本圖表中幾乎看不到它的蹤影。這種定位是一場單一產品(SKU)的賭注,隨著 Flash 的採用率起伏。
    xAI 則是一個價格楔子。Grok 在程式撰寫中承載了 20% 的 token,在推廣應用中承載了 18% 的 token,但其成本份額在各個領域都顯著較低。xAI 在「價格與品質的契合度」上勝出,而任何能匹配此價格的對手都會縮小這個楔子。
    OpenAI 是這四者中最平衡的,在程式撰寫成本佔 6%、消費者應用成本佔 18%、推廣應用成本佔 28%。沒有任何單一層級是 OpenAI 整體份額的支柱,這使得該公司在面對任何單一層級的破壞時,受到的衝擊最小。
    像 Kimi、MiniMax 與 GLM 這類開放權重(Open-weights)家族,在成本上限最低的消費者與程式撰寫層級中輪替。它們的成本份額保持在低檔,但它們在消費者與程式撰寫內部的 token 份額卻大到足以讓任何僅從成本角度觀察市場的人低估它們的影響力。
    應用程式正變得越來越 Agentic
    在所有這些現象之下,生產環境 AI 請求的形態已經改變。在 2026 年 4 月,22.2% 的 AI Gateway 請求以 tool call 結束,高於 2025 年 10 月的 11.4%。若以 token 來衡量,這種轉變更為巨大。現在有 58.9% 的 token 來自於包含 tool call 的請求,高於六個月前的 31.6%。
    從這兩個指標來看,Agentic 的份額在半年內大約翻了一倍,但更具指標性的數字是這兩個份額之間的差距。22.2% 的請求承載了 58.9% 的 token,這意味著使用 tool 的請求在 token 消耗上大約是其他請求的 2.6 倍。AI 的成本面貌已從「聊天型」轉向「Agent 型」,而總請求數卻幾乎沒有變動。
    每一種往返呼叫(round trip)都會根據同一個計量標準收費,無論是函式執行、API 呼叫、資料庫查詢還是程式執行,因此一個發出十次 tool call 的 Agent,其收費的 token 大約是聊天的十倍。聊天模式在每個 prompt 下只會產生一次往返呼叫,而 Agent 則會產生一個鏈(chain)。
    排行榜只會排名單一模型,但生產環境團隊大規模使用 35 種以上模型
    在大規模應用下,多模型(multi-model)不再是一種選擇,而是標準的 Agent 架構。
    執行 1,000 到 10,000 次請求的團隊平均使用 3 種不同的模型。到了 1,000 萬次以上請求的區間,平均使用量達到 35 種模型。從 100 萬至 1,000 萬區間的 18 種模型,跳升至 1,000 萬以上的 35 種模型,這就是關鍵的轉折點。
    一個擁有 35 種模型的機隊(fleet)會以路由圖(routing graph)的形式運作:使用廉價的分類器進行意圖偵測、使用前沿模型進行推理步驟、使用 embedding 模型進行檢索、使用快速模型進行摘要,以及使用視覺模型進行螢幕截圖分析。這些模型中的每一個都是可替換的。如果供應商漲價、品質下降或發生中斷,流量會在幾小時內重新分配到其他模型上。在產生排行榜大部分支出的規模下,在實驗室之間切換更像是配置變更,而非供應商遷移;隨著請求流量曲線的上升,關於「實驗室綁定」的傳統說法反而被顛覆了。
    新模型被迅速採用
    同樣的機隊設計解釋了新版本發布後被吸收的速度有多快。當一個模型家族發布新版本時,流量會在幾週內轉移過去。
    Claude Sonnet 4.6 在發布後的第一個完整月份,就吸收了 Sonnet 家族大部分的份額。
    Opus 家族現在也正經歷同樣的過程,Claude Opus 4.7 正以幾乎相同的曲線從 Opus 4.6 手中搶佔份額。
    在上述兩個時間窗口中,舊版模型在 AI Gateway 上依然保持在線且可路由,但團隊還是選擇了遷移。這種遷移只…

    10 min