EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • @chamath:Agentic AI 經濟入門指南 2025 年 11 月的一個週五晚上,Peter Steinberger 打造了 OpenClaw 的第一個版本。 …

    Agentic AI 經濟入門指南

    2025 年 11 月的一個週五晚上,Peter Steinberger 打造了 OpenClaw 的第一個版本。
    這個原型只花了大約一小時,然而在幾週內,OpenClaw 就突破了 145,000 個 GitHub 星數,成為 GitHub 歷史上成長最快的開源軟體專案。
    這個平台很大程度上是由 AI Agent 所建構的,它標誌著從聊天機器人轉向自主、以任務為導向的 AI 之轉變。
    而且這種轉變正在加速。目前 Google 有 75% 的新程式碼是由 AI 生成的,微軟則高達 30%。2026 年初,GitHub 上每日的 Claude Code 提交量超過了 134,000 次,而 2025 年 3 月剛推出時幾乎為零。
    這是在軟體開發,以及日益增加的知識工作執行方式上的一種結構性變革。
    AI Agent 正處於這場變革的最前線。
    那麼,AI Agent 究竟是什麼?它與聊天機器人或 LLM 有何不同?是什麼讓這種轉變成為結構性的,而非曇花一現?隨著技術堆疊(stack)逐漸成熟,價值會積累在哪裡,又在哪裡會變得平庸化(commoditize)?
    這些就是我們試圖回答的問題。
    最終,我們提出了一個五層框架,用以說明 Agent 的本質、技術的發展方向,以及誰在每一層中佔據優勢。
    部分答案已經顯現在數據中。Anthropic 在十七個月內,年化營收從 10 億美元成長到 440 億美元,幾乎完全歸功於程式撰寫 Agent。與此同時,開源的 Agent harness 每月處理的 token 數量已達數十兆。這兩個數字似乎都指向同一個地方:harness 層。
    但 Agent 仍然經常犯下明顯的錯誤。2025 年 12 月,一個 Amazon 的程式撰寫 Agent 自主刪除並重建了一個線上生產環境,導致 AWS 在中國的服務離線了 13 個小時。2026 年 4 月,一個由 Claude 驅動的 Cursor Agent 在 9 秒內刪除了整間公司的資料庫。
    生產環境中反覆出現四種故障模式,而大多數廠商的定價表上從未提及這些風險。
    麥肯錫(McKinsey)2025 年的 AI 現狀調查發現,不到 10% 的組織在有意義的規模上部署了 Agent。大多數組織根本還沒開始使用它們。
    技術上的可能性與實際營運部署之間的差距,就是機會所在。
    我們在 Substack 上發布的這份 84 頁入門指南,旨在為大家提供一張地圖。以下是你會在其中發現的內容:
    Agent 的五個層級,以及它們如何相互配合
    六個關於早期採用者如何部署 Agent 的案例研究,包括我的公司 8090
    Agent 在生產環境中可靠地崩潰的四種方式
    當模型變得平庸化時,我們預期最能積累持久價值的層級
    誰有能力掌控這五個層級中的每一層
    訂閱以閱讀全文,並在群組中告訴我你的想法:https://chamath.substack.com/p/ai-agents-primer

    原文:https://easyvibecoding.app/curated/1333

    4 min
  • @ClaudeDevs:Anthropic 宣布 Claude Code 每週使用限制提升 50%,持續至 7 月 14 日。 Claude Code 每週限制提升 50%,持續…

    Anthropic 宣布 Claude Code 每週使用限制提升 50%,持續至 7 月 14 日。

    Claude Code 每週限制提升 50%,持續至 7 月 14 日。
    適用範圍
    涵蓋所有 Claude Code 使用情境,包括 CLI、IDE 擴充套件、桌面應用及網頁版。無需使用者手動啟用,已自動套用至帳號,適用於所有 Pro、Max、Team 及 seat-based Enterprise 使用者,已即時生效至 7 月 14 日上午 9 時(台灣時間)。
    額外優惠
    與上週公布的 5 小時限制提升 2 倍疊加,提供更長持續使用時間。
    開發者期待
    Anthropic 熱切期待使用者在此期間打造的各種專案。

    原文:https://easyvibecoding.app/curated/1345

    1 min
  • @ClaudeDevs:Claude付費方案提供專屬Agent SDK信用額度。程式化使用將獨立於互動限制,避免影響 Claude Code 和聊天體驗。 Claude 訂閱方案…

    Claude付費方案提供專屬Agent SDK信用額度。程式化使用將獨立於互動限制,避免影響 Claude Code 和聊天體驗。

    Claude 訂閱方案(Pro、Max、Team、Enterprise)使用者可領取每月 Agent SDK 信用額度,專供 Claude Agent SDK、claude -p 指令及第三方應用使用。此變更確保訂閱限制僅保留給互動功能,如 Claude Code、Claude Cowork 和 Claude 聊天,從 2026 年 6 月 15 日生效,使用 Claude Developer Platform 的 API 金鑰帳戶則維持按使用量計費,不享有信用額度。
    信用額度適用範圍
    信用額度涵蓋以下程式化使用:
    Claude Agent SDK 在使用者專案中的應用(Python 或 TypeScript)
    Claude Code 中的 claude -p 指令(非互動模式)
    Claude Code GitHub Actions 整合
    透過 Agent SDK 驗證 Claude 訂閱的第三方應用(如 Conductor 和 OpenClaw)
    不適用項目包括:
    終端機或 IDE 中的互動 Claude Code
    網頁、桌面或行動裝置端的 Claude 對話
    Claude Cowork
    其他額外使用功能的消耗
    每月信用額度明細
    不同方案的信用額度如下(每座位計算,Enterprise 依座位類型而異):
    | 方案 | 每月信用額度 |
    |-----------------------|------------------|
    | Pro | $20 |
    | Max 5x | $100 |
    | Max 20x | $200 |
    | Team Standard 座位 | $20 |
    | Team Premium 座位 | $100 |
    | Enterprise(使用量基礎)| $20 |
    | Enterprise(座位基礎 Premium 座位)| $200 |
    注意:Enterprise 座位基礎 Standard 座位使用者不符合資格。信用額度不滾存,每個計費週期重置。
    運作機制
    使用者透過 Claude 帳戶一次性領取信用額度,之後每計費週期自動重置。
    Agent SDK 使用優先從信用額度扣除。
    信用額度耗盡後,若啟用額外使用,將按標準 API 費率計費;若未啟用,則請求暫停直至下個週期重置。
    信用額度為個人帳戶專屬,不可跨使用者分享或彙整。
    不變項目
    此變更不影響既有機制:
    訂閱方案的使用限制維持不變,專供互動使用。
    終端機或 IDE 中的互動 Claude Code 繼續使用訂閱限制。
    網頁、桌面和行動裝置聊天維持原限制。
    使用 Claude Developer Platform API 金鑰的 Agent SDK 維持按使用量計費,不領取信用額度。
    團隊與企業管理員注意事項
    信用額度為每使用者獨立領取,不可彙整、轉移或跨組織分享。
    信用額度設計用於個人實驗與自動化,大規模生產自動化建議改用 Claude Developer Platform 的 API 金鑰,以確保可預測的按使用量計費。
    目前無需任何動作,使用者將於 2026 年 6 月 8 日收到 email 通知,包含領取指示,變更於 6 月 15 日生效。
    領取與更多資訊
    使用者無需立即操作,僅需等待 email 指引領取。詳細說明請參閱 Claude Agent SDK 與 Claude 方案整合文件 。此政策回應開發者對 SDK 和 claude -p 使用分享訂閱限制的疑慮,提供專屬預算以分離程式化與互動負載,促進 Agent SDK 生態發展。

    原文:https://easyvibecoding.app/curated/1344

    5 min
  • @NousResearch:Nous Research 發布 TST 加速 LLM 預訓練。 Nous Research 團隊推出 Token Superposition Train…

    Nous Research 發布 TST 加速 LLM 預訓練。

    Nous Research 團隊推出 Token Superposition Training (TST),這是一種對標準 LLM 預訓練流程的簡單修改,在不改變模型架構、優化器、分詞器或訓練資料的情況下,提供 2-3 倍實時計時加速,同時在相同 FLOPs 下達到更低損失並優化下游任務表現。該方法由 @bloc97、@giganttheo 和 @theemozilla 主導開發,已在 270M、600M、3B 密集模型及 10B-A1B MoE 模型上驗證,論文發表於 arXiv 2605.06546,Hugging Face 頁面為 HF 論文頁,部落格詳見 Nous Research 部落格。
    TST 兩階段運作機制
    TST 分為兩個階段:第一階段(佔訓練 20-40%)為「疊加階段」,模型讀取連續 k 個 token 的「bags」,輸入端平均這些 token 的 embeddings,輸出端使用多熱交叉熵(multi-hot cross-entropy, MCE)預測下一個 bag;第二階段則回歸標準 next-token 預測。
    輸入端變更僅為 reshape 和 embedding lookup 後的平均運算,讓 transformer 處理縮短序列(長度 l = L / s,其中 L 為原序列長,s 為 bag 大小),每單位工作處理 s 倍文字。
    輸出端損失為 s 個標準交叉熵項的總和,等同於每個目標 token 權重 1/s 的 MCE,可重用既有 fused cross-entropy kernel,無需新 kernel、輔助頭或輸出投影變更。
    轉換時損失曲線有 1-2 nats 尖峰,數千步後化解,並低於基線剩餘全程。
    推論時模型與傳統預訓練完全相同,僅訓練迴圈改變。
    驗證規模與效能數據
    TST 在多個模型規模驗證,使用 TorchTitan 於 FSDP 架構,最多 64 張 B200 GPU;小模型用 DCLM 資料,大模型用 DCLM / FineWeb-Edu 50/50 混合,所有模型採用 AdamW 與 Warmup-Stable-Decay 排程,非 cherry-picked 標準超參數。
    270M、600M、3B 密集模型:一致模式,3B 模型下 TST 20k 步匹配基線 36k 步最終損失,實時計時相近,下游分數幾乎相同;基線推至 50k 步才超越,顯示 TST 前置固定加速,非無限複合。
    10B-A1B MoE (Qwen3 家族):訓練至 2T tokens,TST 在 40% 實時計時內達基線最終損失更低;在 HellaSwag (+1.1 pts)、ARC-Easy (+0.4 pts)、ARC-Challenge (+1.0 pts)、MMLU (+1.6 pts) 皆優於基線,等損失設定下總預訓練時間減至 2.5 倍。
    損失改善轉移至下游任務,優於單純損失降低(後者常無法轉移)。
    超參數敏感度與調整
    TST 有兩個旋鈕:bag 大小 k(或 s)和步驟比例 r(疊加階段佔比),論文圖 4-7 詳述敏感度曲線。
    bag 大小 s:固定 r 時呈 U 形曲線,小 s 過似標準訓練無加速益處,大 s 目標過損失導致階段 2 無法完全恢復;中間寬平盆地有效,且隨模型大小向上漂移(大模型適合更大 s)。
    步驟比例 r:0.2-0.4 皆近最佳,r=0 退化為基線,r≥0.5 階段 2 步數不足以修復輸出頭損傷,導致最終損失惡化。
    bag 內權重優化:簡單版等權重在大 s (≥8) 次優;改用 power-law 權重(第 i 位置貢獻 1/i)降低最終損失,小 s 無差異。
    下游評估追蹤損失曲線,未出現轉移損傷。
    兩個獨立機制剖析
    TST 分輸入端平均與輸出端多熱目標兩部件,可獨立消融;單獨使用皆優於基線,合用時效果近似加成,證明非單一技巧而是兩個相容機制。
    輸出端機制:類多 token 預測(Gloeckle et al.),但位置共享權重;bag 目標捨棄內部順序,只問「哪些 token 出現」,而非精確位置,暗示 next-token 預測多數學習近未來 token 分佈而非嚴格順序,二者可部分分離。近未來輔助訊號提供比 one-hot 更豐富梯度。
    輸入端機制:平均連續 embeddings 產生 bag 中心點,讓模型在離散 token 外學習粗粒序列;可能解釋包括噪聲減低、embedding 矩陣幾何正規化,或廉價「pre-pretraining」——階段 1 如粗化同一語料庫的預備訓練,提升階段 2 自然語言學習準備(類似簡化分佈先訓後精煉趨勢)。
    與既有效率方法的解耦優勢
    TST 最有用處在訓練時效率與推論時架構完全解耦,不碰稀疏注意力、MoE 路由、替代分詞器或優化器變更,可疊加其他預訓練改進;多數效率干預(如稀疏注意力、MoE、替代分詞)同時改訓練產物,造成比較混淆、推論減速或能力抵銷。
    動機源自兩觀察:(1) BPE 優勢多來自子詞序列較短(Gigant et al.、Minixhofer et al. 子詞蒸餾、Zheng et al. proxy 壓縮),讓相同 FLOPs 見更多自然語言,故效率部分為 throughput 問題,可獨立拉桿不依賴分詞器;(2) 訓練-推論效率可單獨擴展(如 chain-of-thought、ParScale、looped LM、speculative decoding),反向亦然,TST 堅持「僅改訓練迴圈、不碰推論模型」嚴格標準。
    相對複雜高吞吐修改,TST 僅 reshape、mean 與 summed CE,極簡 drop-in。
    未來展望與參與邀請
    TST 是 Nous 預訓練小組未來兩週數個研究發布的首發,若想參與此類問題,加入 Discord(原文提及)。該方法證明簡單訓練迴圈調整即可大幅提升預訓練效率,預期影響後續 LLM 開發,尤其在大規模 MoE 模型。
    論文與資源連結
    完整論文:Efficient Pre-Training with Token Superposition,作者 Bowen Peng、Théo Gigant、Jeffrey Quesnelle,2026 年 5 月 7 日發表。
    Hugging Face 頁面:HF 論文 2605.06546。
    Nous Research 部落格:token-superposition,含 TL;DR 與詳細實驗圖表。
    此摘要忠實保留 Nous Research 的興奮語調與實證立場,強調 TST 的簡潔、解耦與跨規模穩健性,批判既有方法常見的訓練-推論耦合問題,並突出具體數據如 10B-A1B 的 2.5 倍時間減縮與下游 +1.6 MMLU 提升。TST 不僅加速 throughput,還透過獨立機制提供更豐富訓練訊號,潛在重塑預訓練範式。

    原文:https://easyvibecoding.app/curated/1339

    5 min
  • @ClaudeDevs:Claude Code 推出 /goal 指令持續工作至完成條件。 Claude Code 透過 /goal 指令設定完成條件,讓 Claude 在多輪互…

    Claude Code 推出 /goal 指令持續工作至完成條件。

    Claude Code 透過 /goal 指令設定完成條件,讓 Claude 在多輪互動中自動持續執行任務,直至條件達成為止,避免中途停頓。這是 Ralph loop 的內建實現,每輪結束後由小型快速模型檢查條件,未達標即啟動下一輪;條件滿足後,提供「Goal achieved」摘要。文件強調,此功能適用於有可驗證終點的重大工作,如遷移模組或清空問題佇列。
    與其他自動化工作流程比較
    Claude Code 提供三種維持工作階段持續執行的方法,依觸發下一輪的條件選擇:
    | 方法 | 下一輪啟動時機 | 停止條件 |
    |-----------------------|----------------------|-----------------------------------|
    | /goal | 前一輪結束 | 模型確認條件滿足 |
    | /loop | 時間間隔經過 | 使用者停止,或 Claude 判斷完成 |
    | Stop hook | 前一輪結束 | 自訂腳本或提示詞決定 |
    /goal 和 Stop hook 皆在每輪後觸發,但 /goal 是僅限當前工作階段的快捷指令,使用者只需輸入條件;Stop hook 則存於設定檔,適用多階段,並可執行腳本進行確定性檢查或提示詞評估。Auto mode 僅自動批准單輪內工具呼叫,不啟動新輪;/goal 則補充獨立評估器,由新模型檢查條件,避免工作模型自我判斷。兩者互補:auto mode 移除工具提示,/goal 移除輪次提示。另有排程選項(如夜間測試),獨立於開放工作階段運行,詳見 排程比較。
    設定與使用 /goal
    每個工作階段僅限一個目標,/goal 指令依參數設定、檢查或清除。
    設定目標:輸入 /goal 後接條件,若已有目標則替換,並立即啟動一輪(以條件為指令)。活躍時顯示 ◎ /goal active 指標及運行時間。每輪後,評估器回報簡短原因,顯示於狀態視圖與對話記錄。
    `
    /goal all tests in test/auth pass and the lint step is clean
    `
    撰寫有效條件
    評估器僅依對話記錄判斷,不獨立執行指令或讀檔,故條件須由 Claude 輸出可證明。有效條件具備:
    單一可衡量終點:測試結果、建置結束碼、檔案數、空佇列。
    明確檢查方式:如 "npm test exits 0" 或 "git status is clean"。
    關鍵限制:途中不可變更項目,如「無其他測試檔修改」。
    條件上限 4,000 字元。可加輪次或時間限制,如 or stop after 20 turns,Claude 每輪回報進度,評估器據此判斷。
    檢查狀態與清除
    無參數 /goal 顯示狀態:
    `
    /goal
    `
    活躍目標顯示條件、運行時間、評估輪次、token 消耗及最新原因;已達成目標顯示其持續時間、輪次與 token。
    清除:/goal clear(別名:stop、off、reset、none、cancel)。/clear 啟新對話亦清除目標。
    恢復與非互動執行
    階段結束時活躍目標,可用 --resume 或 --continue 恢復,條件保留,但輪次、計時器、token 基線重置。已達成或清除目標不恢復。
    非互動模式下,-p 設定目標後單次執行至完成:
    `bash
    claude -p "/goal CHANGELOG.md has an entry for every PR merged this week"
    `
    Ctrl+C 中斷未完成目標。適用 headless 模式 與 Remote Control。
    評估機制細節
    /goal 封裝工作階段範圍的 提示詞式 Stop hook。每輪結束,將條件與對話送至配置的 小型快速模型(預設 Haiku),回 yes/no 決定及簡短原因。「no」引導下一輪;「yes」清除目標並記錄達成條目。評估器不呼叫工具,僅判斷已呈現內容,按提供者計費,token 消耗通常微不足道。
    需求與限制
    需在接受信任對話的工作空間運行,因評估器屬 hooks 系統。若設定 disableAllHooks 或 allowManagedHooksOnly,指令會說明原因而不靜默失效。
    相關功能擴展
    /loop 重複執行提示詞:依時間間隔重跑,非條件驅動。
    提示詞式 hooks:自訂停止邏輯。
    Auto mode:自動批准工具呼叫,搭配 /goal 無人值守。
    排程比較:獨立排程工作。
    完整文件索引
    抓取完整文件索引:https://code.claude.com/docs/llms.txt,用以探索所有頁面。
    其他持久化工具
    除了 /goal,Claude Code 還內建 /loop 用於重複任務(如迭代重構、清潔或燒燬待辦)、/schedule 定時執行(如夜間測試、晨間分類、週清潔),以及 stop hook 提供程式化控制(如執行測試套件、CI 端點、自訂閘道)。長時間運行依賴無需使用者等待,故支援 auto mode(CLI 按 shift + tab 啟用,或桌面模式選擇器),詳見 文件。
    此功能解決 Claude 易中斷的痛點,透過 Ralph loop 與評估器確保任務完成,特別適合程式開發中需驗證終點的場景,如模組遷移(直至所有呼叫點編譯通過且測試過關)、設計文件實作(滿足所有驗收標準)、大型檔案拆分(每個模組低於大小預算),或清空標記問題佇列。作者 @ClaudeDevs 強調,這讓 Claude 「持續工作直到任務完成」,無需逐輪提示,展現 Agentic 程式開發的實用進展。

    原文:https://easyvibecoding.app/curated/1299

    5 min
  • @Google:Google 推出 Googlebook 專為 Gemini 設計。 Google 於 TheAndroidShow 活動中揭曉 Googlebook,這…

    Google 推出 Googlebook 專為 Gemini 設計。

    Google 於 TheAndroidShow 活動中揭曉 Googlebook,這款新類別筆電以 Gemini 智慧為核心,融合 Android 與 ChromeOS 的優勢,重新定義從作業系統轉向智慧系統的筆電體驗。作者 Alex Kuscher(Laptops & Tablets 資深總監)強調,這延續 15 年前 Chromebook 的雲端優先精神,透過頂級硬體與無縫裝置整合,提供個人化、主動式協助。
    Gemini 智慧核心設計
    Googlebook 從頭設計為 Gemini 智慧筆電,游標成為互動樞紐,透過與 Google DeepMind 團隊合作的 Magic Pointer 功能革新之。
    搖動游標即可喚醒 Gemini,提供即時脈絡建議:指向 email 中的日期即可設定會議,或選取客廳照片與新沙發圖像,即時視覺化組合,從構想到完成僅需幾次點擊。
    「Create your Widget」功能讓使用者透過提示自訂 widget:Gemini 搜尋網路或連結 Gmail、Calendar 等 Google 應用,生成個人化儀表板。例如規劃柏林家庭聚會,widget 整合航班、飯店、餐廳預訂及倒數計時,變桌面為專屬首頁。
    Android 生態優化與跨裝置流暢
    Googlebook 建基於 Android 技術堆疊,加速創新推送,並強化多裝置體驗,讓使用者維持生產力而不中斷。
    手機與筆電無縫切換:如在筆電專注工作時感饑餓,可直接點擊手機 app 下單食物,或回應 Duolingo 每日語言課提醒,在筆電螢幕上完成學習而不離開。
    Quick Access 功能於 Googlebook 檔案瀏覽器中,直接檢視、搜尋或插入手機檔案,無需傳輸。
    影片示範:在通訊軟體中,透過 Gemini 快速搜尋「日本之旅」照片,並分享相簿連結;或輸入「整理我的東京復古購物行程」,Gemini 生成包含航班、飯店、餐廳及倒數計時的 widget。
    頂級硬體與合作夥伴
    Googlebook 由 Acer、ASUS、Dell、HP、Lenovo 等業界領先夥伴打造,強調頂級工藝與材質,多樣形狀尺寸,並以獨特 glowbar 標誌辨識其功能與美學設計。
    Alex Kuscher 表示,Googlebook 不僅是硬體,更是與使用者共同塑造筆電未來的平台,預計秋季上市,更多細節將陸續公布,可至 googlebook.com 了解。(註:連結基於原文提及,實際存取依官方更新)
    影片示範亮點
    YouTube 影片(https://youtu.be/VUthq-JuxxE)以「智慧是新的規格」開場,展示 Googlebook 的實用情境:
    搖動游標選取網頁復古服飾,Gemini 依提示生成穿搭建議並顯示。
    筆電上直接開啟 Duolingo 等行動 app 操作。
    透過 Gemini 建立東京購物 widget,整合行程細節。
    在通訊軟體中 Gemini 搜尋並分享照片連結。
    結尾強調 Googlebook 外觀,為 Gemini 智慧量身打造。
    此舉反映 Google 從雲端筆電 Chromebook 演進至智慧主導時代的策略,強調 Gemini 的主動幫助與 Android 生態的即時性,預期重塑使用者對筆電的期待。

    原文:https://easyvibecoding.app/curated/1295

    4 min
  • @ClaudeDevs:Claude Opus 4.7 快速模式現於研究預覽上線,提升互動回應速度 2.5 倍。 Claude Code 推出 Opus 4.7 的快速模式(fa…

    Claude Opus 4.7 快速模式現於研究預覽上線,提升互動回應速度 2.5 倍。

    Claude Code 推出 Opus 4.7 的快速模式(fast mode),以更高 token 成本換取 2.5 倍速度加速,適用於 Claude Code 使用者和 API 使用者,目前處於研究預覽階段,功能、定價與可用性可能依回饋調整。Opus 4.7 快速模式於 Claude Code 中為選擇性啟用,將於 2026 年 5 月 14 日成為快速模式預設模型;API 使用者需加入等候名單 http://claude.com/fast-mode,Claude Code 使用者可參考文件 https://code.claude.com/docs/en/fast-mode 立即選擇啟用。
    快速模式啟用方式
    Claude Code 使用者可透過以下兩種方式切換快速模式:
    在 CLI 或 VS Code Extension 中輸入 /fast 並按 Tab 鍵切換開關。
    在使用者設定檔案(user settings file)中設定 "fastMode": true。
    預設情況下,快速模式會跨工作階段持續啟用;管理員可設定每工作階段需重新選擇(見後述)。啟用時,若當前非 Opus 模型,將自動切換至 Opus 4.6(預設)或 Opus 4.7(需環境變數),顯示「Fast mode ON」確認訊息,並在提示旁出現小 ↯ 圖示;再次輸入 /fast 可檢查狀態或關閉。關閉後維持相同 Opus 版本,不自動回退先前模型,需用 /model 切換。
    Opus 4.7 快速模式選擇啟用
    Opus 4.7 快速模式需 Claude Code v2.1.139 或更新版本,目前為研究預覽,速度與 Opus 4.6 快速模式相同(2.5 倍),定價亦同(輸入 $30/MTok、輸出 $150/MTok),無其他行為差異。Claude Code 使用者今日起可選擇啟用,將於 2026 年 5 月 14 日(原文註明 May 14, 2026)成為預設。
    啟動 Claude Code 前設定環境變數:
    `bash
    export CLAUDECODEENABLEOPUS47FAST_MODE=1
    `
    此時 /fast 將執行 Opus 4.7;未設定則維持 Opus 4.6。
    或在任何 Claude Code 設定檔案(使用者、專案或管理設定)中加入:
    `json
    {
    "env": {
    "CLAUDECODEENABLEOPUS47FAST_MODE": "1"
    }
    }
    `
    Opus 4.6 快速模式持續可用,兩者共用相同速率限制池。若要強制固定 Opus 4.6,設定 CLAUDECODEOPUS46FASTMODE_OVERRIDE=1,此變數優先級最高。
    成本權衡考量
    快速模式每 token 成本高於標準 Opus,定價平攤至完整 1M token 上下文視窗:
    | 模式 | 輸入 (MTok) | 輸出 (MTok) |
    |-----------------------|-------------|-------------|
    | Opus 4.6 快速模式 | $30 | $150 |
    | Opus 4.7 快速模式 | $30 | $150 |
    對話中途切換快速模式,將對整個對話上下文收取完整未快取輸入 token 的快速模式價格,高於工作階段起始即啟用時的成本。文件強調,為最佳成本效率,應於工作階段開始時啟用,而非中途切換。
    適用情境與努力等級比較
    快速模式適合延遲比成本更重要的互動工作:
    程式碼變更的快速迭代。
    即時除錯工作階段。
    時效緊迫的任務。
    標準模式則適合:
    速度非關鍵的長時間自主任務。
    批次處理或 CI/CD 管道。
    成本敏感工作負載。
    快速模式與努力等級(effort level)皆影響回應速度,但效果不同:
    | 設定 | 效果 |
    |-----------------------|----------------------------------------------------------------------|
    | 快速模式 | 相同模型品質、更低延遲、更高的成本 |
    | 較低努力等級 | 減少思考時間、更快回應、複雜任務可能品質降低 |
    兩者可結合:於簡單任務使用快速模式搭配較低 努力等級 以達最大速度。
    使用要求與限制
    快速模式需滿足以下條件:
    不支援第三方雲端提供者:Amazon Bedrock、Google Vertex AI 或 Microsoft Azure Foundry 不可用,僅限 Anthropic Console API 及訂閱方案的額外使用量。
    啟用額外使用量:帳戶需開啟 extra usage,允許超出方案包含用量的計費。個人帳戶於 Console 計費設定 啟用;Team/Enterprise 需管理員為組織啟用。快速模式用量直接計入 extra usage,從第一 token 起按快速模式費率收取,不扣除方案包含用量。
    Team/Enterprise 管理員啟用:預設停用,管理員須明確啟用,否則 /fast 顯示「Fast mode has been disabled by your organization.」。
    - Console(API 客戶):Claude Code 偏好設定。
    - Claude AI(Team/Enterprise):管理設定 > Claude Code。
    Claude Code 最低需求 v2.1.36(Opus 4.7 需 v2.1.139),可用 claude --version 檢查。僅限 Pro/Max/Team/Enterprise 訂閱方案及 Claude Console,使用量為額外計費,不計入方案速率限制。
    組織管理設定
    管理員可完全停用快速模式,設定 CLAUDECODEDISABLEFASTMODE=1(見 環境變數文件)。
    預設快速模式跨工作階段持續,若要要求每工作階段重新選擇(per-session opt-in),Team/Enterprise 管理員於管理設定或伺服器管理設定中加入:
    `json
    {
    "fastModePerSessionOptIn": true
    }
    `
    此設定使每個工作階段起始時關閉快速模式,使用者需用 /fast 明確啟用,有助組織控制多重並行工作階段成本。移除設定後恢復預設持續行為,使用者偏好仍會儲存。
    速率限制處理
    Opus 4.6 與 4.7 快速模式共用速率限制池。觸發快速模式速率限制或 extra usage 耗盡時:
    自動回退至相同 Opus 版本的標準速度。
    ↯ 圖示變灰表示冷卻中。
    以標準速度與定價繼續工作。
    冷卻結束後自動重新啟用快速模式。
    欲手動關閉而非等待,執行 /fast。
    研究預覽特性與生態整合
    快速模式為研究預覽,功能、可用性、定價及底層 API 配置可能依回饋演進,問題回報透過 Anthropic 既有支援管道。
    Opus 4.7 快速模式已於 API 及 Claude Code 研究預覽上線,對 Claude Code 使用者今日起選擇啟用,將於週四成為快速模式預設。同時於 Cursor AI、Emergent Labs、Factory AI、v0、Warpdotdev 及 Windsurf 研究預覽可用。完整文件索引可從 https://code.claude.com/docs/llms.txt 取得。
    相關參考:
    模型配置:切換模型與調整努力等級。
    有效管理成本:追蹤 token 使用與降低成本。
    狀態列配置:顯示模型與上下文資訊。

    原文:https://easyvibecoding.app/curated/1307

    6 min
  • @posthog:到底什麼是 Forward Deployed Engineer?(以及為什麼每家公司都在徵才) 根據 a16z 的說法,這個職位被稱為「新創圈最熱門的工作…

    到底什麼是 Forward Deployed Engineer?(以及為什麼每家公司都在徵才)

    根據 a16z 的說法,這個職位被稱為「新創圈最熱門的工作」,在 2025 年成長了 800%,而且直到今天依然是熱門話題,發展勢頭強勁。目前正在(或已經)招募此職位的公司包括 OpenAI、Anthropic、Databricks、Ramp,甚至我們自己。但為什麼呢?
    到底什麼是 Forward Deployed Engineer?
    Forward Deployed Engineer (FDE) 是一位會被派駐到客戶團隊中的工程師,旨在填補你的產品功能與客戶實際需求之間的落差。這可能意味著需要連續幾週在客戶辦公室現場工作、直接加入客戶的 Slack workspace,或是為了進行 onboarding 和實作而存取客戶的實際基礎設施。
    這個職位起源於 Palantir。他們發現,即便是針對情報軟體客戶進行簡單的產品展示,也可能需要耗費數週的時間來處理保密協議 (NDA) 和安全審查。他們後來成功建立了一種模式:工程師被「前線部署 (forward deployed)」到客戶現場,在取得適當授權與流程的前提下,與客戶並肩工作,進行產品探索與開發。
    透過深入客戶團隊,FDE 能熟悉客戶現有的技術堆疊、痛點以及實作上的挑戰。這些學習成果隨後會被核心產品團隊採用,並將其通用化,以服務其他客戶。這是一個雙贏的局面:客戶獲得了高度客製化的解決方案,而 FDE 則獲得了寶貴的實戰經驗。
    舉例來說,當 OpenAI 正在開發語音模型時,他們派遣了 FDE 到一家從事客服中心自動化的客戶公司。他們建立了評估機制 (evals) 來驗證模型效能,並將這些資料帶回核心研究團隊以進一步優化。最終,該客戶成為首個將其部署到生產環境的企業,而這些改進也成為 OpenAI Realtime API 中廣泛提供的功能。
    Forward Deployed Engineer 實際上在做什麼?
    FDE 的生活與其他軟體工程師相當類似,差別在於他們是「駐點」在客戶端,為客戶的需求進行開發。這意味著他們需要參與大量的會議與客戶端工作,且通常需要 20-50% 的時間出差(除非他們只進行虛擬訪問)。
    在 Palantir,FDE 的日常工作大致如下:
    與客戶開會,了解問題所在。
    根據這些需求設計、撰寫並測試軟體。
    設定現有產品(例如 AI 模型或穩定性改進),為客戶解鎖功能。
    與「後方」的產品團隊溝通客戶回饋。
    話雖如此,每家公司的情況都不盡相同。隨著職位演變,FDE 的工作內容現在涵蓋了從產品開發到銷售,甚至是 RevOps。FDE 的原始概念依然核心在於實際的實作與工程,但在某些公司,FDE 的角色更接近技術顧問或銷售工程師。
    為什麼現在感覺每家公司都在徵求 Forward Deployed Engineer?
    最顯而易見的答案是 AI。在 Palantir 工作超過七年的 FDE Anjor Kanekar 是這樣說的:
    AI 公司面臨一個 FDE 非常適合解決的問題。基礎模型的能力與企業應用場景之間存在落差,而這正是 AI 能創造價值的地方。FDE 模式是一種非常有效的方法,用來進行研發工作,找出「應用層 (app layer)」該如何建構。AI 公司擁有模型,但他們需要弄清楚到底該利用這些模型建構什麼,才能打入大型企業或公共部門。
    不過,除了需要大量客製化之外,還有其他因素:
    AI 隱私風險是真實存在的。
    企業不希望在未建立信任的情況下(特別是針對 AI 用途),將客戶資訊、財務紀錄或專有資料交給供應商。FDE 因為合約是針對產品而非僅僅是服務,因此能取得與這些資料直接工作所需的權限與長期存取權。
    AI 合約金額非常龐大。
    AI 交易金額巨大。動輒六位數、七位數甚至八位數。當 AI 公司收取如此高額的費用時,他們有能力派遣工程師駐點數月,以確保產品能如預期般運作。過去,這類工作通常由顧問完成,但 AI 公司為了確保更好的合約並獲得第一手知識,願意承擔這些財務成本。
    決策者對 AI 持懷疑態度。
    大多數人——特別是傳統企業的高層——尚未完全相信 AI 的實用性,需要眼見為憑。當涉及重大利益時,單靠銷售電話和展示是不夠的。FDE 透過與客戶共同作業,直到他們看到實際資料產出的真實成果,從而填補了這段信任落差。
    他們與軟體工程師有什麼不同?
    FDE 依然在進行軟體工程,但他們花費比其他軟體工程師更多的時間與客戶溝通並定義專案範圍,以決定要建構什麼以及如何建構。他們的首要任務是深入理解客戶的問題,以便開發出能解決這些問題的方案。
    另一方面,軟體工程師專注於建構可通用且易於維護的功能。他們較少參與直接的客戶對話,更專注於能大規模運作的解決方案。
    Palantir 的早期高管 Bob McGrew 將 FDE 描述為那些為產品目標鋪設「碎石路」的人。接著,核心產品團隊的軟體工程師會負責將這條碎石路轉變為鋪設好的高速公路,讓接下來的十位客戶也能使用。
    關鍵差異在於,FDE 一次針對一位客戶進行產品探索與開發,通用性是次要考量。而軟體工程師通常從一開始就以服務眾多使用者為目標進行建構,思考規模化是他們流程中不可或缺的一部分。
    等一下,那產品工程師呢?產品工程師與 FDE 的相似之處在於,他們都能在與使用者溝通的同時快速建構,並交付能解決問題的精簡方案。差異在於環境與目標——產品工程師旨在解決許多人共同面臨的問題,以便在過程中創造出可重複使用的解決方案;而 FDE 則是一次專注於一位客戶。
    什麼樣的人適合成為 Forward Deployed Engineer?
    公司在招募 FDE 時,通常會尋找具備以下特質的人才:
    紮實的工程經驗。具備 5 年以上工程或技術部署經驗,且包含客戶端工作經驗 (OpenAI)。
    客戶同理心。謙遜、樂於合作,並能以同理心協助他人 (OpenAI)。
    出色的溝通技巧。具備高層對話能力,並能在客戶端場合代表公司 (Lambda)。
    協作態度。具備強大的溝通技巧,能與客戶進行需求探索,並能向不同背景的利害關係人傳達技術概念,同時保持低姿態與協作精神 (Anthropic)。
    產品敏銳度。能貢獻加速器、框架與最佳實踐,擴大在各個帳戶中的影響力,並影響產品路線圖 (Databricks)。
    領域專業知識。在生物科技、製藥、臨床研究或科學軟體領域具備客戶端負責經驗;鼓勵具備生命科學相關領域的博士、碩士或同等應用經驗 (OpenAI)。
    對流程的熱情。熱愛結合工程、顧問與交付工作,並對旅程中的每一步負責 (HackerRank)。
    Palantir 總裁兼 CTO Shyam Sankar 曾表示,那些在各自領域中被視為「異端」或「叛逆者」的人,是完美的 FDE 人選,因為他們擁有獨特的深度、背景知識與能量,能為企業解鎖 3 到 10 倍的成長。
    (如果你還沒發現,這些特質同時也是優秀產品工程師與創辦人所具備的。難怪這麼多前 Palantir 員工後來都創立了自己的公司。)
    我們什麼時候應該招募 Forward Deployed Engineer?
    如果常見的產品市場契合度 (product-market fit) 策略已經對你奏效,答案是你不需要。FDE 策略始於解決一個問題,並爭取解決更大問題的機會,這對於單一客戶來說可能需要耗費數年。目標是簽下隨時間推移價值越來越高的合約,但這在初期有巨大的成本。
    在以下情況,FDE 對公司來說是有意義的:
    產品需要大量的實作投入,且你負擔得起成本。
    如果你的產品需要與現有基礎設施進行深度整合,且利潤空間巨大,那麼 FDE 的成本就是合理的。這就是為什麼現在這麼多 AI 新創公司都在招募他們。
    產業有嚴格的法規限制。
    醫療保健、金融、政府與國防等產業有許多合規要求,使得大規模交付與迭代變得困難。FDE 在這裡很有價值,因為他們可以專精於這些標準、審核與流程(就像他們在 Palantir 所做的那樣)。
    你正在鎖定新的垂直領域或市場區隔。
    當你的公司正在探索全新的客戶輪廓與 ICP (理想客戶畫像) 時,你無法預知自己不知道什麼。FDE 可以深入早期客戶團隊,了解該領域並進行所有進入市場所需的產品探索。
    這就是 Ramp 的情況,他們最初是為小型企業進行建構,但在嘗試滿足企業級需求並遇到技術挑戰時,加入了 FDE。
    為什麼我們 PostHog 剛招募了一位 Forward Deployed Engineer?
    我們以擁有「開箱即用」的工具為榮,但「任何開發者都能在 10 分鐘內使用 PostHog」與「這家財富 500 強公司可以在不花費數月的情況下遷移其整個分析堆疊」之間是有區別的。
    我們招募了第一位 FDE 來協助這…

    9 min
  • @Google:Google 推出 Gemini Intelligence,將 Gemini 人工智慧整合至 Android 先進裝置,提升主動式任務自動化。 Googl…

    Google 推出 Gemini Intelligence,將 Gemini 人工智慧整合至 Android 先進裝置,提升主動式任務自動化。

    Google 在 TheAndroidShow 活動宣布 Gemini Intelligence,這項功能將 Gemini 人工智慧帶入最先進的 Android 裝置,結合頂級硬體與創新軟體,讓裝置主動協助使用者完成日常任務,同時強調資料隱私與使用者控制。功能將分波次推出,從今年夏季的最新 Samsung Galaxy S26 與 Google Pixel 10 手機開始,後續擴及手錶、汽車、眼鏡與筆電等 Android 裝置。
    多步驟任務自動化
    Gemini Intelligence 能自動化跨應用程式的繁瑣任務,讓使用者專注重要事項。Google 已花費數月微調 Galaxy S26 與 Pixel 10 在熱門美食與共乘應用上的多步驟自動化,確保互動無縫。
    例如,從 Gmail 找出課程大綱,自動將所需書籍加入購物車;或搶購健身房的頭排腳踏車位。
    加入螢幕或影像脈絡更強大:長按電源鍵,對記事本上的長購物清單說「用這些項目建購物車並送貨」,Gemini 即轉化視覺為即時行動。
    拍攝飯店大廳的旅遊傳單,說「在 Expedia 為六人團找類似行程」,Gemini 後台處理並透過通知追蹤進度,使用者全程掌控,只需最終確認。
    Chrome 智慧瀏覽
    從六月底起,Android 裝置將獲得 Gemini in Chrome 這項更智慧的網頁瀏覽助理,能研究、摘要並比較網頁內容。Chrome auto browse 自動處理瑣事,如預約行程或停車位。
    單點填表
    Autofill with Google 進化為更智慧直覺,利用 Gemini Personal Intelligence 自動填入應用程式與 Chrome 中的小型文字欄位,解決行動螢幕填寫複雜表單的普遍痛點,從連結應用程式的相關資訊自動完成。連接 Gemini 至 Autofill 為嚴格選擇加入,使用者在設定中可隨時開關。
    Rambler 語音轉文字
    Gboard 已能快速精準轉換語音為文字,但人們說話常帶「嗯」「啊」「像」等填充詞。Rambler 是全新 Gemini Intelligence 功能,設計貼合自然說話習慣:使用者自然說話,它提取重點並組合成精煉訊息,清楚標示啟用狀態,僅即時轉錄語音,不儲存。
    支援全球多語言溝通,利用 Gemini 進階多語模型,在單一訊息中無縫切換語言,如英文混印地語,保留脈絡與細微差異,讓訊息聽起來就是「你」,僅更精煉。
    自訂 Widget
    Gemini Intelligence 開創生成式 UI 第一步,從 Android 經典 Widget 開始。透過「Create My Widget」,使用者以自然語言描述即可建置全自訂 Widget。
    例如,高蛋白餐食準備者說「每週建議三道高蛋白餐食準備食譜」,它即生成可加至首頁並調整大小的自訂儀表板。
    單關心風速與降雨的腳踏車手,可建專屬天氣 Widget 只顯示這些數據。
    這些工具由 Gemini 驅動,在手機或 Wear OS 手錶上皆適用,將關鍵資訊置於最顯眼位置。
    智慧 UI 設計
    Gemini Intelligence 採用更新設計語言,建基於 Material 3 Expressive,不僅美觀且功能導向,動畫有目的性設計,減少干擾,讓使用者專注任務。
    推出時程與隱私
    功能從夏季起分波推出,先從 Samsung Galaxy S26 與 Google Pixel 10 開始,年底擴及更多 Android 裝置。Mindy Brooks(產品管理副總裁)於 2026 年 5 月 12 日文章強調,Android 正從作業系統轉型為智慧系統,Gemini Intelligence 透過主動運作節省時間,嚴守資料隱私並讓使用者掌控。更多詳情見 官方頁面。

    原文:https://easyvibecoding.app/curated/1298

    5 min
  • @Android:Google 推出 Gemini Intelligence,將 Android 轉型為智慧系統,率先在 Galaxy S26 和 Pixel 10 等先進裝置上…

    Google 推出 Gemini Intelligence,將 Android 轉型為智慧系統,率先在 Galaxy S26 和 Pixel 10 等先進裝置上自動化繁瑣任務。

    Gemini Intelligence 整合 Gemini 頂尖功能與高階硬體,讓裝置主動處理日常瑣事,幫助使用者節省時間並專注於重要事務。該功能強調資料隱私與使用者控制,從今年夏季起分階段推出,首先登陸最新 Samsung Galaxy 和 Google Pixel 手機,年底擴及手錶、汽車、眼鏡與筆電。
    自動化多步驟任務
    Gemini Intelligence 能自動化跨應用程式的繁瑣任務,例如重新訂購每週雜貨或搶購票券,讓使用者保持當下專注。Google 已花費數月微調 Galaxy S26 和 Pixel 10 在熱門美食與共乘應用上的多步驟自動化,確保互動無縫。
    未來,Gemini 可獨立處理任務,如搶旋轉單車前排位置,或在 Gmail 找到課程大綱後將所需書籍加入購物車。
    加入螢幕或影像脈絡後,自動化更強大:
    使用者長按電源鍵對著記事本中的長購物清單,指示 Gemini 建立包含所有物品的配送購物車。
    拍攝飯店大廳的旅遊傳單,說「在 Expedia 為六人團體找到類似行程」,Gemini 會在背景執行,使用者透過通知即時追蹤進度。
    Gemini 只在使用者指令下行動,任務完成即停止,最終需使用者確認。
    Chrome 中的智慧瀏覽
    從 6 月底起,Android 裝置將獲得 Gemini in Chrome 作為更智慧的網頁瀏覽助理,能研究、摘要並比較網頁內容。Chrome auto browse 會代處理瑣碎任務,如預約行程或預訂停車位。
    單點填表升級
    Autofill with Google 進化為更智慧直覺,利用 Gemini 的 Personal Intelligence 自動填入應用程式(包含 Chrome)中的細小文字欄位。裝置會從連結應用程式提取相關資訊,解決行動螢幕填寫複雜表單的普遍困擾。此 Gemini 與 Autofill 連結為選擇性啟用,使用者可在設定中隨時開關。
    語音轉優質文字:Rambler
    Gboard 已能快速精準將語音轉文字,但口語常有重複、「嗯」「啊」「像」等填充詞。Rambler 是全新 Gemini Intelligence 功能,設計貼合人們真實說話方式:使用者自然說話,Rambler 提取重點並組合成簡潔訊息。
    啟用時會清楚顯示,語音僅即時轉錄,不儲存或保存。
    支援多語言混合,如英文夾雜印地文,Gemini 進階多語模型理解脈絡與細微差異,讓訊息聽起來像本人但更精煉。
    自訂 Widget 生成
    Gemini Intelligence 開創生成式 UI 第一步,從 Android 招牌 Widget 入手。透過「Create My Widget」,使用者僅用自然語言描述,即可建立完全自訂 Widget,例如:
    餐食準備者說「每週建議三道高蛋白餐食準備食譜」,系統生成可新增至首頁並調整大小的自訂儀表板。
    單車騎士要求僅顯示風速與降雨的天氣 Widget。
    這些功能性智慧工具由 Gemini 支援,在 Gemini Intelligence Android 手機或 Wear OS 手錶上皆適用,讓使用者最關心的資訊置於顯眼位置。
    智慧設計語言
    Gemini Intelligence 採用基於 Material 3 Expressive 的更新設計語言,不僅美觀,還具功能性:動畫有目的性設計,減少干擾,讓使用者專注任務。
    Gemini Intelligence 從處理數位瑣事到打造個人化介面,正轉變使用者與裝置互動方式。官方部落格詳述所有功能:探索完整細節。作者 Mindy Brooks(2026 年 5 月 12 日發表)強調,此升級讓 Android 從作業系統蛻變為智慧系統,率先在先進裝置上實現主動協助。

    原文:https://easyvibecoding.app/curated/1309

    5 min