EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

EasyVibeCoding Podcast episodes

  • Claude Managed Agents 讓 ABC Legal 將 50 多個 Agent 投入生產,部分法律任務成本最多降低約 50%

    Claude Managed Agents 讓 ABC Legal 將 50 多個 Agent 投入生產,部分法律任務成本最多降低約 50%。

    分享重點 ClaudeDevs 在 2026 年 8 月 18 日推薦 Anthropic 介紹 ABC Legal 的文章,重點不只是導入 AI,而是把分散的自動化實驗整合成可治理、可觀測、持續運作的 Agent fleet。完整案例見官方文章。
    導入成果 ABC Legal 是美國法律文件遞送公司。公司向 1,100 名員工推出 Claude Enterprise 後,員工自行建立自動化流程;截至 2026 年 7 月,已有 50 多個 Agent 在生產環境運作,約 310 名員工每天使用 Claude,部分 Agent 負責的人工任務成本最多降低約 50%,且這是在重度優化前的結果。
    手繪風格的插圖,以淺藍色為背景,中央為兩張白色紙張交疊,上方有一隻以黑色線條勾勒的手部輪廓,正拿著筆在紙面上書寫。
    運作方式 Claude Managed Agents 將 prompt、工具清單、排程、憑證與記憶放進 Git 儲存庫,透過 pull request 管理版本、審查、回復與稽核。ABC Legal 讓非開發人員使用 Claude Code 和範本建立 Agent;15 人 steering committee 在一週內完成可運作的 Agent,一個月內擴展到 50 多個。
    CompanyA 組織的 Slack 頻道介面,顯示名為 Hank 的 APP 自動發送多則程式碼 PR 審查與核准通知紀錄。
    持續改善 多數 Agent 先提出建議,由人員在 Slack 審核;表現穩定後才轉為自主執行。需要回饋的流程則分成三個角色:Initial Agent 執行任務、Harvester 收集 Slack 回覆與 emoji 反應、Tuner 每週提出 prompt 或設定變更的 pull request,最後仍由人員審查合併。這套 loop 不需重新訓練模型,就能把實際回饋轉成可追蹤的改善。
    Claude Managed Agents 利用回饋進行改善的三階段流程圖,由左至右分別為初始 Agent 寫入 Slack 收集人類回饋、Harvester 收集並總結回饋、以及 Tuner 根據回饋反思並向 Agent 寫入更新。
    說明 agent 自我改進機制的架構流程圖,標題為 How an agent improves itself,並依序展示 Initial Agent、Harvester 與 Tuner 三個階段的職責、執行頻率與運作方式,下方搭配黑底文字說明不進行模型訓練、而是透過 prompt 與 config 的調整以及人類反饋來完成更新。

    原文:https://easyvibecoding.app/curated/3002-claude-managed-agents-abc-legal-production-costs

    3 min
  • 確保智慧時代的基礎設施

    確保智慧時代的基礎設施

    土地、電力與建築外殼:AI 工廠的下一項關鍵資源。
    AI 工廠是 AI 時代的核心基礎設施——在這裡,運算會將能源與資料轉化為智慧,為每一家企業、每個產業與每個國家提供動力。
    在 AI 經濟中,運算就是營收。
    AI 工廠需要一整套關鍵資源:先進晶片、封裝、記憶體與網路,以及土地、電力與建築外殼。
    就像 NVIDIA 運用自身規模、長期可見度與供應鏈合作夥伴關係,確保關鍵半導體資源一樣,我們現在正採用相同的紀律,專門為 NVIDIA AI 工廠確保 LPS 產能。
    今天,我們與 SB Energy 合作,在俄亥俄州朴茨茅斯卓越的 PORTS-Pike Technology Campus 確保 LPS 產能,用於建置 NVIDIA 運算。OpenAI 將成為承租者。
    LPS:下一項戰略資源
    對絕大多數 NVIDIA 客戶而言,確保 LPS 長期以來一直是其基礎設施策略的一環。
    全球最大的雲端服務供應商與具投資等級信用評等的企業,擁有資產負債表、基礎設施專業能力與長期合約,能夠自行確保 LPS。他們運用 NVIDIA 加速運算、網路、系統與軟體,建置並營運 AI 工廠。
    這種模式將持續占 NVIDIA 大多數的業務。
    但前沿 AI 實驗室有所不同。
    前沿 AI 實驗室對訓練與推論運算有非比尋常的需求,但許多實驗室的成長速度已超出其資產負債表與長期信用條件所能支撐的範圍。他們可能擁有強勁的客戶需求與快速成長的營收,卻仍缺乏自行確保 AI 工廠基礎設施所需、長達數十年的基礎設施合約與投資等級融資能力。
    這些公司的成長,越來越不是受到演算法或客戶需求限制,而是受到運算供應量限制。
    對這些公司而言,更多運算意味著更多智慧、更多產品、更多使用者與更多營收。NVIDIA 正協助提供驅動這個飛輪效應的基礎設施。
    PORTS-Pike:承載數代 NVIDIA 運算的場址
    OpenAI 將在 PORTS-Pike 建置並營運世界級 AI 工廠。這座 AI 工廠將採用 NVIDIA 的全堆疊 DSX AI 工廠平台,包括 GPU、CPU、網路與基礎設施軟體。
    初期部署預計可提供 4.25 GW 的 AI 工廠產能。部署在 PORTS-Pike 的每一代 NVIDIA AI 工廠系統,可能約相當於 150 萬部 NVIDIA GPU,或約 1,500 億至 2,000 億美元的 NVIDIA 營收。在 20 年期間,該場址可支援多個升級週期。
    這裡的核心經濟意義在於:LPS 承諾確保了一座可長期使用的 AI 工廠場址,而其中的 NVIDIA 運算則能反覆升級。每一個新世代都能帶來更高的產出、更多智慧與更佳的經濟效益。
    NVIDIA 也可能選擇將 PORTS-Pike 的合作安排延伸至最初 4.25 GW 以外,以確保剩餘的 3.75 GW 產能。
    OpenAI 與 NVIDIA 擴大運算機會
    更廣泛來看,OpenAI 已承諾在 2030 年前大規模部署 NVIDIA AI 基礎設施。OpenAI 目前與計畫中的承諾,約代表 12 GW 的 NVIDIA 運算;如果 NVIDIA 將 PORTS-Pike 的合作安排延伸至最初 4.25 GW 以外,則這項機會可擴大至約 16 GW。
    以這些規模計算,這項機會代表截至 2030 年約 6,000 億美元的 NVIDIA 運算。
    重要問題
    NVIDIA 保證的是什麼?期限有多長?
    NVIDIA 將在 20 年期間,為 PORTS-Pike 約 4 GW 的 LPS 基礎設施提供支援,確保一座專門部署 NVIDIA 運算的場址。
    我們的支援範圍僅限於租賃與電力付款中已明確定義的部分,以及特定的殘值承諾——並不涵蓋場址的全部成本,也不涵蓋承租者的所有義務。
    這項保證將隨著資料中心在 2028 年至 2030 年間陸續投入服務而分階段生效。隨著 OpenAI 支付租金、產能陸續上線,NVIDIA 剩餘的曝險也會逐步降低。
    NVIDIA 為什麼要替 PORTS-Pike 提供保證?
    LPS 已成為部署 AI 工廠的關鍵限制。NVIDIA 正選擇性地確保優質場址,讓我們能夠部署多代 NVIDIA 運算,並服務持久的客戶需求。
    該場址的有效生產週期可延續多代 NVIDIA 系統,而每一代系統都能產生比前一代更多的智慧與營收。
    這是循環融資嗎?
    不是。租金將由 OpenAI 支付。
    NVIDIA 運用自身規模與長期可見度,確保 PORTS-Pike 以部署 NVIDIA 運算。這與我們管理供應鏈時所採用的紀律相同:當我們能看見客戶需求,且確保關鍵投入能促成長期生產能力時,就會確保這些關鍵投入。
    如果 OpenAI 未來不使用 PORTS-Pike,該場址會怎麼樣?
    NVIDIA 運算具備多用途、可替代性,且獲得廣泛採用。這些產能可以轉售給 NVIDIA 全球生態系中的其他合格承租者,包括雲端服務供應商、企業、AI 實驗室與新創公司。
    CUDA 讓 NVIDIA 運算不只是硬體。它為開發人員與 NVIDIA 工程師提供共同平台,持續改善已部署的系統。
    CUDA 讓 NVIDIA 運算具備多用途。多用途使其具備可替代性。可替代性帶來高利用率與耐久性——讓 NVIDIA 運算成為具生產力的資產:可出租,也能進行融資。
    PORTS-Pike 這類優質場址的價值,不受限於單一客戶或單一世代的運算。NVIDIA 的標準化平台、廣大的開發人員生態系,以及龐大的潛在使用者市場,都支援隨時間重新部署生產能力。
    NVIDIA 將確保多少 LPS?
    這會是一項具戰略性且有紀律的行動。
    大多數 NVIDIA 客戶仍將繼續自行確保 LPS。絕大多數用於承載 NVIDIA 運算的 LPS,仍將由 CSP、企業、主權 AI 建置者與其他客戶直接確保。
    NVIDIA 將選擇性地聚焦於優質場址,在這些場址中,可見且持久的需求能支援多代 NVIDIA 運算。
    智慧時代的基礎設施
    PORTS-Pike 代表 NVIDIA 發展歷程中的下一步。
    我們最初從打造加速運算晶片開始。接著,我們擴展至系統、網路、CUDA 與全堆疊 AI 工廠。今天,我們正協助確保建置這些工廠所需的關鍵基礎設施。
    NVIDIA 是全堆疊 AI 基礎設施平台。
    我們正投資於 AI 工廠可長期使用的基礎,讓客戶能夠一代接一代地部署全球生產力最高的運算平台。
    透過確保承載 NVIDIA 運算所需的關鍵資源,我們能協助全球最具創新力的公司建置 AI 工廠,為智慧時代提供動力。

    原文:https://easyvibecoding.app/curated/3015-infrastructure-secures-intelligent-era

    8 min
  • Cursor 推出 Origin 程式碼託管平台 beta,整合 GitHub、Pull Request 與部署工具

    Cursor 推出 Origin 程式碼託管平台 beta,整合 GitHub、Pull Request 與部署工具。

    發布重點 Cursor 表示,Origin 主打速度、易用性,以及與 Cursor 的深度整合;beta 自即日起推出,涵蓋所有付費方案,但企業組織若由管理員選擇退出則不適用。使用者可以先將 GitHub repo 同步到 Origin,Vercel、Buildkite 與 Depot 也已加入合作整合,更多服務預計陸續推出。詳情見 Cursor 的Origin Code Hosting 更新 。
    介紹 Cursor Origin 的 Code Hosting 程式碼託管與協作功能
    程式碼與 GitHub 同步 Origin 的 Codebase 分頁集中管理託管與同步的 repo。使用者可以建立新 repo,或連接 GitHub、選擇組織後同步指定 repo;同步範圍可自行決定,也能隨時中斷。同步內容會即時更新,使用者可在 Origin 中瀏覽、搜尋與拉取程式碼;對於原本在 GitHub 建立的專案,Push 仍會回到 GitHub,後者維持來源真相。具備讀取或寫入權限的人,也能在 Cursor 中查看同步 repo。
    在網頁瀏覽器中顯示的 Codebase 設定介面,標題為 Codebase Settings,左側為導覽列與歷史操作紀錄,右側主區域包含搜尋框、新增按鈕以及 Buildkite、Depot、Vercel 三個建議整合的應用程式卡片。
    Pull Request 與 Agent 每個 repo 都提供 Pull Request 頁面,集中呈現時間軸、commit、檢查結果與變更檔案,使用者可以檢視 diff、留言、回覆並 merge。同步至 GitHub 的 Pull Request 支援雙向更新:在 Cursor 留言會發布到 GitHub,GitHub 上的回應也會在數秒內顯示於 Cursor。Cursor Agent 則能直接理解正在瀏覽的程式碼、回答問題、修改內容、更新 Pull Request,或 Push branch。
    整合與開發流程 Vercel 可從 repo 的 Apps 分頁連接;每個 Pull Request 都能取得 preview deployment,用於測試與留言,merge 後即可部署至 production。Depot 與 Buildkite 可執行既有的 GitHub Actions workflow,Buildkite 另支援其原生 pipeline。影片畫面也示範了程式碼選取後呼叫 Cursor、確認「All Checks Passed」並執行「Squash & Merge」,以及透過 Depot 執行 CI。
    趨勢脈絡 本次 Origin 更新涵蓋程式碼託管、審查、CI 與部署;本站先前也策展過〈Cursor 推出 Origin 託管服務〉,本次更新則補上早期 beta 的實際功能與合作夥伴。

    介紹 Cursor Origin 的 Code Hosting 程式碼託管與協作功能 影片中的 Prompt 與操作:

    操作步驟: 1. (00:06)點擊 + New 按鈕 2. (00:08)輸入 repository 名稱後點擊 Create Repo 3. (00:10)點擊 Sync from GitHub 4. (00:18)點擊 Ask Cursor 5. (00:20)點擊 Squash & Merge

    原文:https://easyvibecoding.app/curated/3017-cursor-launches-origin-code-hosting-platform-beta

    3 min
  • Claude Code CLI 將 p99 CPU 使用量降至原本一半

    Claude Code CLI 將 p99 CPU 使用量降至原本一半。

    效能修正
    2026 年 8 月 18 日,ClaudeDevs 表示,Bun 垃圾回收器過去依固定計時器執行,會在 Claude Code 忙於處理一輪工作時突然啟動並搶占 CPU。現在它會等到程序閒置後才回收,降低高負載期間的資源爭用。
    Claude Code 在 p99 情況下的 CPU share 從 24% 降至 10%。
    後續改善
    Boris Cherny 表示,這類小型的使用體驗改善累積後會帶來實際效益,並預告還有更多更新。此修正聚焦於執行效率,而非新增功能。

    原文:https://easyvibecoding.app/curated/3020-claude-code-cli-cuts-p99-cpu-usage-half

    1 min
  • Dario Amodei 重申 Anthropic 支持放慢 frontier AI、保留 open-weights 發展空間

    Dario Amodei 重申 Anthropic 支持放慢 frontier AI、保留 open-weights 發展空間。

    這場對話從一則被 Sholto Douglas 指為「完全錯誤」的說法開始,延伸至開放模型、AI 產業的公共敘事、就業衝擊,以及 AGI 可能重塑企業與經濟的長期問題。
    罕見的公開回應 2026 年 8 月 15 日,Sholto Douglas 表示,他認同 Gavin Baker 的許多觀點,但認為有人為了迎合特定敘事而散播不實說法。這套敘事一方面宣稱 Anthropic 沒有競爭護城河,另一方面又說 Anthropic 可能強大到成為世界上唯一剩下的公司;Sholto Douglas 認為兩者互相矛盾。他特別指出,自己最擔心的事情之一正是經濟權力過度集中,政府不應讓任何公司取得如此大的影響力,社會需要競爭與資本主義。
    他同時反駁「AI 市場已被少數公司壟斷」的看法,稱目前 AI 可能是全球競爭最激烈的市場:幾乎每一家最大的企業都專注於打造更聰明、價格更低的 model。若這條路順利,AI 可能把各種事物的成本壓低到接近能源成本,但這也會威脅既有產業與個人的護城河。Sholto Douglas 認為,AGI 出現後,資本主義乃至「公司」本身的定義都可能變得非常不同,並引用 Dwarkesh Patel 的分析作為延伸閱讀:What fully automated firms will look like。
    Gavin Baker 的反駁 Gavin Baker 回應,矽谷已有多位嚴肅人士聽過類似說法,之所以容易相信,是因為它符合 Dario Amodei 在公開文章中的風險論述。Dario Amodei 曾指出 AI 可能對人類造成多重危險,也可能導致經濟權力高度集中,因此需要審慎監管;Gavin Baker 表示,他相信這些論證是出於善意,也同意風險本身值得重視。
    但 Gavin Baker 認為,面對 AI 可能危險的前提,社會大致有兩條路:透過監管把 AI 集中在少數公司與政治人物手中,或是讓 AI 廣泛分散。他引用 Mark Zuckerberg 的觀點,認為「AI 危險到只有極端集中權力才安全」本身就有問題;歷史並未證明,只要讓絕對權力落在足夠開明的人手中,就能得到安全而正面的結果。Gavin Baker 因此主張盡可能增加 AI 的多樣性,讓人類有更高機率找到價值觀相近的 AI,而不是押注單一權力中心。
    他進一步稱,Dario Amodei 的監管倡議目前已失去說服力。Gavin Baker 將近期一個未發布的 OpenAI 先進 model 入侵 Hugging Face、最後由 open-source model 協助處理的事件,視為嚴格短期監管難以推進的例子;他也表示,除 Anthropic 外,幾乎所有主要公司都簽署了 Jensen Huang 的公開信。不過,Gavin Baker 認為 Dario Amodei 持續強調 AI 危險,反而幫助了美國反資料中心倡議團體,未來這些團體可能剪輯他的談話投放廣告。他擔心,這會降低 AI 最終協助治癒多數疾病、延長人類壽命並帶來富足未來的機率。
    Sholto Douglas 的風險區分 Sholto Douglas 隨後承認,AI 產業確實沒有描繪出足以讓人們願意爭取的正面未來,而且這個失敗正在降低實現該未來的機率;但他認為不同風險不能用同一套政策處理。
    在 cyber 領域,他認為整體上是防禦方占優勢。如果未來兩年由金融機構與關鍵基礎設施供應商積極進行 white-hat 自我攻擊測試,社會就可能有能力衡量開放 coding model 帶來的新增風險。短期內,美國政府或許可以選擇承受較高的 cyber 攻擊風險,以避免限制自由,但前提是政府必須先自行測試並掌握風險。
    生物領域則偏向攻擊方占優勢,這種不對稱可能要到 2030 年代中後期才有機會改善。社會也許會認為「口袋裡有世界級病毒學家」所帶來的風險值得承受,但政府應建立專責機構,測試 AI 是否比觀看 YouTube 更能提升個人製造危害的能力,也應實際評估一個人拿著 20 萬美元與一間車庫,最糟能做到什麼程度,再隨每個新能力等級做決定。
    就業方面,Sholto Douglas 不完全同意 Dario Amodei 對速度的判斷。他認為,即使 model 在 2028 年達到能自動化 95% 電腦工作所需的能力,compute 短缺、系統部署複雜度、政策限制與服務需求,都可能讓人類繼續工作到 2030 年代。但社會仍應預先準備不同失業率情境的應變方案,例如限制獲利公司的裁員速度每年不得超過 5%,並採用 METR 式評測追蹤各職業類別的自動化進度。
    對於「現在是否應立即處理就業問題」的質疑,Sholto Douglas 表示目前就業市場仍強,因此不會立刻採取措施;但政府應先準備好備案,讓民眾知道不同情境都有應對計畫。例如,資料輸入與客服中心工作可能逐步消失,同時電工需求卻需要成長為 25%,這種勞動力轉移就應提前納入規劃。
    Dario Amodei 重新界定監管 Dario Amodei 在 8 月 16 日罕見加入社群討論,先否定「監管等於集中、開放等於分散」這個二分法。他認為,矽谷常把 監管、監管俘虜(regulatory capture)與權力集中直接畫上等號,但公平且客觀的制度流程也可能發揮分散權力的作用。就像正式法院制度有時顯得菁英化,卻通常比群眾私刑更能保護弱勢者;好的制度能把權力放在規則與理念上,而不是特定人物手中。
    他表示,Anthropic 一直嘗試提出會放慢 frontier AI 公司、卻讓較小競爭者受益的政策。Anthropic 支持的 California SB53,以及對 SB1047 持保留態度的立場,都豁免營收或 model 訓練成本低於門檻的公司;SB53 的門檻是 5 億美元。Anthropic 也支持在 CAISI 與白宮倡議更嚴格測試 frontier model,而不是 off-frontier model,並支持「Pacing the Frontier」構想:放慢最強 model 的發展速度,同時不限制追趕中的公司與 open-weights model。
    Dario Amodei 的核心判斷是,AI 本身就具有結構性集中權力的傾向,原因主要來自 scaling laws 的極端效果,而非監管本身。open-weights 能部分改善問題,卻不足以解決集中,因為權力仍會轉移到擁有最多 compute 與晶片的公司,主要是 frontier lab 與部分硬體供應商。他主張設計「道路規則」,同時處理資安、生物與 AI 對齊風險,限制 frontier AI 公司的制度性權力,並保留 open-weights model 的發展空間。
    Dario Amodei 也不同意監管倡議已經失敗。他表示,外界報導中的川普政府方向——在 frontier model 部署前做測試,並在 open-weights model 接近 frontier 時測試——正是他支持的方向,雖然細節仍需確認。他也支持 Demis Hassabis 提出的類似 FINRA 的監管機構,並指出產業在六個月前仍多半要求聯邦優先、排除州級監管,當時幾乎沒有聯邦方案。
    風險與希望的公共敘事 Dario Amodei 否認自己的訊息過度負面。他表示,自己各寫過一篇主要討論風險與機會的文章,之所以社群上常見負面片段,是因為訪談中談風險的短片更容易被剪輯與傳播。他撰寫《Machines of Loving Grace》,正是因為 AI 產業沒有充分描繪技術改善世界的鼓舞性願景;文章大部分篇幅都在說明 AI 如何可能改變健康與生物學,甚至在約 5–10 年內治癒多數人類疾病。
    他提到,自己的父親在直接抗病毒藥物 sofosbuvir 出現前幾年因 C 型肝炎去世;這種藥物能治癒 95% 的患者,也可能挽救父親。Dario Amodei 也在《Policy on the AI Exponential》中提出簡化 FDA 流程的方法,避免 AI 加速開發的大量藥物被監管程序拖慢。
    不過,他認為大眾對 AI 的負面觀感,根本原因不是某一位 AI 領導者談太多風險,而是長期累積的信任危機。一般人不信任公司、政府與科技產業,總懷疑它們又在準備某種傷害自己的新方式。因此,靠華麗行銷宣稱 AI 會治癒癌症,不足以重建信任;真正有效的方法是「實際治癒癌症」。在成果出現以前,他不願作出空洞承諾,但仍會誠實談論真實風險。
    Gavin Baker 認為,Dario Amodei 的文章雖然品質很高,但考慮到人類心理,風險與機會各占一半仍可能過度偏向風險。他同意產業最應做的事,是實際治癒癌症,而不是只改善訊息包裝。
    強大 AI 的風險背景 Dario Amodei 在 2026 年 1 月發布的〈The Adolescenc…

    16 min
  • SpaceXAI 分享用 Grok Bot 組建企業 GTM 團隊的完整做法

    SpaceXAI 分享用 Grok Bot 組建企業 GTM 團隊的完整做法。

    以下是我在 SpaceXAI 用 Grok Bot 做企業 GTM 的方式。
    最初在公司內部試用這項產品時,Grok Bot 很快就在整間公司普及開來。我也建立了一份內部 Notion 文件,分享自己使用 Grok Bot 的方式,供團隊參考。如果其他正在設定 @bot 的 GTM 團隊也能從中受益,我想把這份內容分享給外界。
    對我來說,Grok Bot 的感覺不太一樣,因為它不只是思考夥伴,我還能放心讓它端到端地自行完成實際工作。它每週都更了解我的工作方式,也變得更加敏銳。
    開始使用的提示
    請確認 @bot 已連結到你每天會用到的工具,例如 Salesforce、Gmail、Calendar、Sheets、Drive、Slack、Notion、用 Granola 記錄會議、用 Figma 製作投影片、X、LinkedIn、資料倉儲等等。
    六個第三方服務整合選項的列表介面,採兩欄三列排布,各項目包含圖示、服務名稱、簡短說明與帶有綠色勾勾的「Added」已新增狀態,項目包含 Gmail、Google Calendar、Google Drive、Granola、Notion 以及 Slack。
    展開畫面重點畫面呈現六個整合服務的列表,每個項目皆包含圖示、名稱、描述以及「✓ Added」狀態標籤。各項目的具體內容如下:
    左側第一列:
    - 圖示:紅、黃、綠、藍交織的 M 字樣 Gmail 標誌
    - 名稱:Gmail
    - 描述:Connect to Gmail ...
    - 狀態:✓ Added
    左側第二列:
    - 圖示:綠色三角形組合的 Google Drive 標誌
    - 名稱:Google Drive
    - 描述:Connect to Google...
    - 狀態:✓ Added
    左側第三列:
    - 圖示:黑底白色外框的 N 字樣 Notion 標誌
    - 名稱:Notion
    - 描述:Notion Skills + Not...
    - 狀態:✓ Added
    右側第一列:
    - 圖示:藍底白字的 31 數字 Google Calendar 標誌
    - 名稱:Google Calendar
    - 描述:Connect to Google...
    - 狀態:✓ Added
    右側第二列:
    - 圖示:綠底黑色螺旋圖案的 Granola 標誌
    - 名稱:Granola
    - 描述:Your meetings in y...
    - 狀態:✓ Added
    右側第三列:
    - 圖示:四色拼湊的 Slack 標誌
    - 名稱:Slack
    - 描述:Slack MCP server. ...
    - 狀態:✓ Added
    Bot 有自己的電腦,全天候 24/7 執行,因此即使你的筆電關機,也能完成工作。
    你的 bots 具備記憶,會記住你的偏好,也會學習你的寫作風格。你可以要求 bot 掃描 Gmail 和 Slack,了解你平常的寫法。
    我最喜歡使用 bot 的方式之一,是透過行動應用程式搭配語音輸入。這樣即使不在電腦前,也能交辦任務給 bot。當我無法使用筆電時,要製作投影片或從工具中擷取資訊就方便很多。
    執行你自己的 bot 團隊
    GTM Team 的通訊或任務清單介面,列出 Cursor 10x engineer、Data Analysis、PG、slides、Forecast 與 1:1s 等六個項目及其對應的更新狀態與時間戳記。
    展開畫面重點GTM Team
    Cursor 10x engineer 11:39 AM
    Pulling up a customer facing answer on setting up...
    Data Analysis
    Pulled usage information across your book, do ...
    PG 11:36 AM
    Done, emails are drafted in gmail
    slides
    Slides are updated from your Granola meeting ...
    Forecast 8/5
    All 17 Next Steps are updated in Salesforce with t...
    1:1s 8/5
    Updated the doc with MEDDPICC drafts under ev...
    Chief of Staff
    我的 Chief of Staff 負責會議準備、收件匣,以及通話後的草稿,並協調團隊中的其他成員。你可以告訴 Chief of Staff 啟動其他 agents,並將 bots 依區段整理。我習慣把 Chief of Staff 釘選起來,因為這是我最常使用的 bot。
    來自名為 Olive - Chief of Staff 且大頭貼為黃金獵犬的對話通知,內容顯示「Inbox is quiet. Nothing that needs you this morning.」與時間 8:47 AM。
    展開畫面重點畫面上顯示通訊對話介面:
    左側為圓形頭像,內有一隻伸出舌頭的金色犬隻,下方文字標籤為「Olive - Chief of...」。
    右側為對話訊息泡泡框,頂端顯示圓形頭像縮圖、名稱「Olive - Chief of Staff ...」、釘選圖示與時間「8:47 AM」,內文為「Inbox is quiet. Nothing that needs you this morning.」。
    右下方邊緣可見另一則訊息的一部分:「Night. Nothing c」。
    介面疊加了對話列表與多層級的操作選單,左側顯示多筆不同主題的對話紀錄與時間戳記,中間跳出的選單包含 Pin、Move to、Mark as Unread、Edit Profile、Duplicate、Copy conversation ID 等選項,右側子選單則列出 GTM Team、Customers、Personal、Unassigned 與 New section 的分類資料夾。
    展開畫面重點畫面左側為對話清單:
    Cursor 10x engineer (11:39 AM)
    Pulling up a customer facing answer on setting up...
    Data Analysis
    Pulled usage information across...
    PG
    Done, emails are drafted in gma
    slides
    Slides are updated from your Gr
    Forecast
    中間為對話項目所展開的右鍵選單:
    Pin
    Move to >
    Mark as Unread
    Edit Profile
    Duplicate
    Copy conversation ID
    右側為 Move to 的子選單:
    ✓ GTM Team
    Customers
    Personal
    Unassigned
    New section
    每日會議準備
    告訴 bot 建立一個 routine,每天準備你的會議,並從工具中擷取資訊(Salesforce、Gmail、Slack、Granola、Gong;如果是新的會議,也可以上網研究)。我偏好簡短、方便快速掃讀的輸出,這樣通勤上班時就能用手機閱讀。你也可以讓 bot 在每天的通話前製作客製化簡報(它會呼叫我的 slides bot)。
    Routines
    掃描收件匣並自動建立回覆草稿:
    `text
    Scan my work inbox for messages since the last run that plausibly need a reply: customer and prospect threads, renewal or pricing questions, intros, direct questions to me. Skip newsletters, automated notifications, receipts, calendar RSVPs, and internal noise. For each one, give me a short digest in chat: sender, subject, one line on what they need, and a proposed reply in my voice. Do not auto-send. If nothing needs a reply, send no mess…

    10 min
  • Codex 為 GPT-5.6 Sol 開放 100 萬 token context window,ChatGPT 帳號即可啟用

    Codex 為 GPT-5.6 Sol 開放 100 萬 token context window,ChatGPT 帳號即可啟用。

    這項設定可讓 Codex 在自動摘要較早內容前,保留更多程式碼、工具輸出與對話歷史。
    功能變更 Tibo 於 2026-08-17 表示,GPT-5.6 Sol 具備文件所列的 1,050,000-token context window。這項能力過去僅適用於 API keys,現在已切換開關,支援透過 ChatGPT 帳號使用。較大的 context window 需要模型本身支援,並不代表所有模型都能套用相同設定。
    設定檔方式 若要把設定寫入預設值,請開啟 ~/.codex/config.toml,並在任何 [section] 標頭之前,於頂層新增或更新以下內容:
    `toml
    model = "gpt-5.6-sol"
    modelcontextwindow = 1000000
    modelautocompacttokenlimit = 900000
    `
    設定步驟如下:
    model 選取 GPT-5.6 Sol。
    modelcontextwindow 將 Codex 的 context 預算設為 1,000,000 token。
    modelautocompacttokenlimit 讓系統約在 900,000 token 時開始自動壓縮歷史,保留部分緩衝空間。
    儲存檔案後,重新啟動 Codex client,並開始新的 session。
    單次 CLI 測試 如果不想改動預設值,可只對單次 CLI session 套用設定:
    `bash
    codex -m gpt-5.6-sol \
    -c modelcontextwindow=1000000 \
    -c modelautocompacttokenlimit=900000
    `
    限制與提醒 這不是單純把 context window 調得越大越好。Tibo 說明,Codex 團隊已針對效能與成本將預設 context 長度調到最佳,甚至形容已接近「完美」;因此,1M-token 設定雖能處理更長的工作脈絡,仍應由使用者依專案需求自行取捨,不能視為普遍優於預設值的配置。

    原文:https://easyvibecoding.app/curated/2988-codex-gpt-5-6-sol-opens-million-token-context-window

    3 min
  • Tencent AI 分享 TencentDB Agent Memory,讓多種 Agent 跨 session 累積經驗並共享記憶

    Tencent AI 分享 TencentDB Agent Memory,讓多種 Agent 跨 session 累積經驗並共享記憶。

    核心分享 TencentDB Agent Memory 為 DeepSeek Harness、DSH、CodeBuddy、Claude Code、Codex 與 Hermes 提供長期記憶、Skill 擷取,以及 Wiki/CodeGraph 檢索;它以 OpenAI-compatible proxy 接入,標榜不需修改程式碼,也能在不同 Agent 與 IDE 間共享經驗。專案連結:TencentDB Agent Memory。
    主要能力
    Chat Memory 保存偏好、事實、決策與互動歷史。
    Memory Hub 平台的介面畫面,左側顯示導覽選單與組織權限,右側切換至 Chat_Memory 的原子記憶塊頁面,並正檢視 L3 核心記憶中的 Team Operating Doctrine 與相關核心原則、Reusable SOPs 及 Decision Logic 內容。
    Skill 將對話與 tool call 中驗證過的流程整理成可重用資產。
    Memory Hub 平台的 Skill 技能管理介面,左側為導覽選單,右側主區域顯示 Skill 資產管理頁面中的 git-single-commit-workflow 詳情與相關設定。
    Wiki 結構化整理文件,CodeGraph 索引程式碼符號、呼叫關係與影響範圍。
    Memory Hub 平台的 Wiki 知識庫圖譜介面,左側為功能選單,中央以 54 個 nodes 與 119 個 edges 的互動式節點網路呈現 memory-team-api-docs 專案的知識關聯,右側提供節點內容檢視面板。
    Memory Hub 讓團隊管理資產擁有者、版本、可見性、ACL 與 Agent 綁定,並以 private、team、restricted 和 agent 控制分享範圍。
    Memory Hub 平台的 Code_Graph 介面,顯示 TencentCloud/TencentDB-Agent-Memory.git 專案的 131 個檔案、2,448 個圖節點與 7,445 個圖邊的同步狀態與程式碼搜尋與探索功能。
    安裝方式 來源 README 提供啟動 memory-core、memory-hub 與 proxy 的流程;以下指令涉及啟動本機服務,執行前仍應人工核對來源與設定:
    `bash
    git clone https://github.com/Tencent/TencentDB-Agent-Memory.git
    cd TencentDB-Agent-Memory/deploy/global-images
    cp .env.example .env
    $EDITOR .env
    ./start-all.sh
    `
    實測與限制 README 顯示 PersonaMem 正確率由 48% 提升至 76%,相對改善 +59%;但 Wiki 與 CodeGraph 需非同步處理,CodeGraph 目前優先支援公開 HTTPS 程式庫,資產路由仍須手動綁定。Current release 為 v2.0.0,v2.0.1 預計加入零設定 cold start、更快的 Wiki 生成、Skill 匯出與 Codex IDE Plan mode 支援。

    原文:https://easyvibecoding.app/curated/2972-tencent-tencentdb-agent-memory-shares-cross-session-agent

    3 min
  • Anthropic 發布第二份 Risk Report,評估四類災難性風險與防護準備程度

    Anthropic 發布第二份 Risk Report,評估四類災難性風險與防護準備程度。

    發布背景 Anthropic 表示,定期公開 Risk Report 是 Responsible Scaling Policy 的一部分;本期報告於 2026 年 8 月發布,對應政策版本 3.4。公司計畫每 3~6 個月更新一次,並透過報告全文持續揭露風險評估。
    評估範圍 報告不只檢視單一模型,而是評估 Anthropic 整體活動,包含僅供內部使用的模型;同時把模型能力、資訊安全控制、部署防護與其他風險緩解措施放在一起分析。內容聚焦四類災難性風險:高風險情境中的失準、關鍵領域的自動化研究與開發、非新型化學/生物武器製造,以及新型化學/生物武器製造,後兩者合併討論。
    報告方法 各風險章節會說明威脅模型、相關模型的能力與行為、現有防護措施,以及整體風險判定;其中區分 Anthropic 系統相較其他 AI 開發者所增加的「邊際」風險,以及全產業採用類似模型與做法時的「絕對」風險。報告也交代後續監測與緩解計畫,並整理前一期報告後的安全進展與值得注意的安全流程失敗。

    原文:https://easyvibecoding.app/curated/2974-anthropic-releases-second-risk-report-assesses-catastrophic

    2 min
  • NVIDIA Robotics 推出 Newton 1.5,支援平行模擬與選擇性重設以加速機器人訓練

    NVIDIA Robotics 推出 Newton 1.5,支援平行模擬與選擇性重設以加速機器人訓練。

    此次更新聚焦於平行模擬、接觸物理、GPU 控制與資料格式匯入,協助開發者提升訓練流程的效率與穩定性。

    核心更新

    支援更多平行模擬,並降低記憶體使用量。 新增選擇性重設,避免每次模擬都從頭初始化。 改善接觸物理的一致性,讓機器人與物體互動時的模擬結果更穩定。 提供實驗性的批次 GPU 控制,可一次處理多個控制工作。 簡化 USD 與 MJCF 的匯入流程,讓既有機器人資產更容易接入訓練環境。

    視覺展示

    白色機械手臂夾起裝有多彩球體的透明塑膠袋的動態渲染畫面

    輔助影片以 3D 渲染畫面呈現白色機械手臂夾起透明塑膠袋的過程,袋中裝有紅、黃、藍、綠等多彩球體。這段畫面可視為機器人操作與物體接觸情境的展示,但影片未提供額外的效能數據,也不能據此推定正式規格或評測結果。

    取得方式

    NVIDIA Robotics 邀請開發者從 Newton 的 GitHub 程式庫開始使用:Newton GitHub 程式庫。原文將 Newton 1.5 定位為更適合規模化訓練的版本,但未公布具體的速度提升幅度或記憶體節省數字。

    原文:https://easyvibecoding.app/curated/2986-nvidia-robotics-newton-1-5-parallel-simulation-selective

    2 min

About EasyVibeCoding Podcast

From the publisher's feed

輕鬆Vibe Coding — 每日策展的 X 技術社群精選、AI 趨勢分析與 Claude 實作心得的中文音訊版。