脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • ChatGPT 記憶以前很健忘,新版靠 Dreaming 突然變聰明


    ChatGPT 記憶以前只記幾筆筆記還會過時,新版靠背景機制 Dreaming 大幅翻新。OpenAI 官方評估裡,跟上時間變化從 9.4% 拉到 75.1%,算力降約 5 倍,免費版 6 月起跟上。



    ⭐ 文章深度讀:你最想先讓 ChatGPT 記住你哪一件事

    → https://heymaibao.com/chatgpt-memory-dreaming-upgrade/


    ⚡ 章節重點

    開場 00:00

    記憶系統是什麼 00:20

    以前記憶爛在哪 00:38

    轉捩點是 Dreaming 01:42

    三個數字攤開看 02:47

    為什麼現在才輪到免費版 04:22

    思思的判斷 05:06


    📝 懶人包

    ∙ 舊版「已儲存的記憶」只在對話中寫入,還得靠你講出很強的指令 (像「記住我七月要去新加坡」) 才會觸發,而且會慢慢過時,用起來像跟一個只記了幾筆筆記、其他全忘光的人講話。


    ∙ 2025 年 OpenAI 加進 Dreaming,讓 ChatGPT 在背景自動整理記憶,不用你開口要求它記住,這才是記憶開始變好的真正轉捩點。


    ∙ 新版 (OpenAI 把版號直接標到 Dreaming V3) 在官方三軸評估上大幅躍進,最誇張的是「跟上時間變化」的能力,從 9.4% 一路拉到 75.1%。


    ∙ 我的觀察是,這次更新對最多人真正有感的點,其實是 OpenAI 把提供給免費版的 Dreaming 算力砍掉約 5 倍,免費版終於排得進來,6 月起陸續開放,還沒輪到的可以留意。


    📚 參考資料

    ChatGPT 記憶系統全面升級 - OpenAI

    → https://openai.com/zh-Hant/index/chatgpt-memory-dreaming/


    Memory FAQ - OpenAI Help Center

    → https://help.openai.com/en/articles/8590148-memory-faq

    6 min
  • 只問 Claude 一間咖啡店,它就交出你的姓名、雇主和老家


    安全研究者示範:只要請 Claude 看一個被動過手腳的網站,它就把你的姓名、雇主、老家悄悄交給攻擊者,畫面毫無異狀。本文拆解攻擊面與 AI 助理記憶功能真正的安全教訓。



    ⭐ 文章深度讀:這個攻擊為什麼連零失誤的使用者都擋不掉,記憶以外還有哪些工具同樣危險

    → https://heymaibao.com/claude-memory-heist-pii-leak/


    ⚡ 章節重點

    開場:一句話就交出個資 00:00

    攻擊者要偷的是 Claude 的記憶 00:48

    兩個安全能力,相乘才是破口 01:38

    假咖啡店騙過了 Claude 02:31

    它說出你沒講過的事 03:42

    使用者根本無從察覺 04:22

    洞補了,但真正的教訓 05:08


    📝 懶人包

    ∙ 整條攻擊只用了 Claude 內建的網頁瀏覽工具 web_fetch 當外洩通道,不需要任何實驗性設定、外掛或程式碼執行


    ∙ Claude 的記憶系統本身是安全的,真正的破口來自「有記憶的助理」加上「能上網」這兩種能力相乘


    ∙ 更毛的是,Claude 還會推理出你根本沒說過的事,實驗中它從一個 hackathon 的名字,推斷出研究者從小長大的城市


    ∙ 我的觀察是,這個具體漏洞據 Ayush 說 Anthropic 已經緩解,但真正該記住的教訓是這個:給 AI agent 的權限,要按「組合起來之後」的攻擊面來評估,逐項看起來都安全,湊在一起未必安全


    📚 參考資料

    How I tricked Claude into leaking your deepest, darkest secrets

    → https://www.ayush.digital/blog/the-memory-heist

    7 min
  • Fable 5 vs GPT-5.6:上線一週,該選誰不如問怎麼分工


    Fable 5 和 GPT-5.6 上線一週,社群共識和一位重度使用者的答案一致:別再問誰比較強,把對的任務路由給對的模型。便宜的贏用量,聰明的贏落地,這篇幫你理清怎麼分工。



    ⭐ 文章深度讀:影片濃縮過的完整分工清單,還有那些數字哪些是第一手、哪些只是社群廣傳的 96%/46%,都攤在文章裡

    → https://heymaibao.com/fable-5-vs-gpt-5-6-first-week/


    ⚡ 章節重點

    開場 00:00

    為什麼重疊只有一週 00:45

    社群十條其實是同一句 01:31

    一個人的真實帳單 02:46

    便宜的代價 04:17

    聰明的代價 04:45

    到底怎麼分工 05:42

    你才是變數 06:01


    📝 懶人包

    ∙ 社群共識:Matt Van Horn 讀遍重疊第一週的 Reddit、YouTube、TikTok 討論後發現,兩家官方 prompting guide 同一週落在同一句話,你 over-prompting (過度指令) 了,該停。他整理的十條實踐收束成一句,你的槓桿從 prompt 移到了 process (流程)。


    ∙ 重度使用者:Theo 被逼到牆角只能選一個時選了 Fable 5,因為它更聰明。但他坦承日常大多數工作其實送給 GPT-5.6,因為便宜太多、token 效率高太多。


    ∙ 兩者交集:真正的技能是路由。難的、要落地的、要好設計的交給 Fable 5,便宜的、要跑很久的、在你系統上做雜事的交給 GPT-5.6。


    ∙ 我的觀察是,這場比較最誠實的一句話,是「連認為 Fable 更聰明的人,日常都主用 GPT-5.6」。剩下的都是這句話的註腳。先劇透兩個要點。GPT-5.6 便宜好用,但聽話到底的性格會在錯的設定下刪掉你的檔案。Fable 聰明,卻貴又慢,還不能當自己作品的裁判。下面拆開講。


    📚 參考資料

    /last7days of Fable 5 and GPT-5.6: What Thousands of Upvotes Say Actually Works

    → https://x.com/mvanhorn/status/2077510447016890433


    Fable 5 vs GPT-5.6

    → https://www.youtube.com/watch?v=IfkBQyWuTOE


    Claude Fable 5 and Claude Mythos 5

    → https://www.anthropic.com/news/claude-fable-5-mythos-5


    Redeploying Claude Fable 5

    → https://www.anthropic.com/news/redeploying-fable-5


    Prompting Claude Fable 5

    → https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5


    GPT-5.6: Frontier intelligence that scales with your ambition

    → https://openai.com/index/gpt-5-6/


    GPT-5.6 model guidance

    → https://developers.openai.com/api/docs/guides/prompt-guidance-gpt-5p6


    OpenAI's newest AI model is 54% more token efficient

    → https://www.cnbc.com/2026/07/09/open-ai-sam-altman-chatgpt-5-6-sol.html

    7 min
  • Claude Advisor tool:快模型做事,強模型只管關鍵判斷


    Claude Advisor tool 讓快模型做大量執行,強模型集中處理會影響後續工作的關鍵判斷。本文拆解呼叫時機、token 成本、多輪狀態與適用場景,幫你判斷是否值得導入。



    ⭐ 文章深度讀:如果你正在設計長流程 Agent,先找出少數會支配後續工作的決策點,再判斷哪些值得讓強模型介入

    → https://heymaibao.com/claude-advisor-tool-agent-cost/


    ⚡ 章節重點

    開場:每一步都要最強模型嗎 00:00

    Advisor tool 是什麼 00:26

    執行模型與顧問模型如何合作 00:45

    適合與不適合的任務 01:32

    多輪狀態與續跑陷阱 02:19

    明文與加密的顧問結果 03:01

    兩層 token 與呼叫成本 03:22

    何時值得啟用快取 04:11

    我會怎麼開始測 04:34

    Beta 上線前的邊界 05:00


    📝 懶人包

    ∙ Advisor tool 讓較快的 executor model (執行模型) 在生成途中,向能力更高的 advisor model (顧問模型) 諮詢策略,再回來繼續完成任務


    ∙ 整段協作由 Anthropic 在 server side 處理,通常留在同一個 Messages API request 裡,開發者不用自己串起兩套模型對話


    ∙ 成本與狀態仍要自己管。advisor 有獨立 token、費率與上限,多輪對話也要原樣保存結果 block


    ∙ 我的觀察是,這個工具最適合「少數決策會影響後面大量工作」的任務。若每一步都需要最高階模型,分工的成本優勢很可能消失


    📚 參考資料

    Advisor tool

    → https://platform.claude.com/docs/en/agents-and-tools/tool-use/advisor-tool

    6 min
  • Matt Pocock Skills v1.1 用 5 個交棒點收住 AI 專案


    Matt Pocock 的 Skills v1.1 把 AI 開發拆成 grill、spec、tickets、implement、code review 5 個交棒點,並用 Wayfinder 處理跨多個 agent session 的大型模糊任務。



    ⭐ 文章深度讀:你最常在哪個交棒點遇到 Agent 搶跑?

    → https://heymaibao.com/matt-pocock-skills-v1-1-ai-workflow-handoffs/


    ⚡ 章節重點

    開場:為什麼流程會偷偷偏掉 00:00

    v1.1 新增與改動總覽 00:20

    Grilling:先把人類決策問清楚 00:40

    to-spec:把共識固定成規格 01:20

    to-tickets:切成可驗證的工作票券 01:56

    implement:用薄層接起實作 02:34

    code-review:分開檢查品質與方向 03:12

    Wayfinder:跨多次對話的導航圖 03:49

    舊版使用者如何升級 04:26

    結論:把控制權畫進流程 04:44


    📝 懶人包

    ∙ to-prd 改名 to-spec (規格),to-issues 與 to-plan 收斂成 to-tickets (工作票券),名稱更貼近實際產物,也降低對特定問題追蹤工具的綁定


    ∙ 一般流程現在能走完:訪談釐清 → 固定規格 → 拆工作票券 → 實作 → code review (程式碼審查)


    ∙ Wayfinder 專門處理大到跨多個 agent session、路徑仍充滿 fog 的工作,透過 issue tracker (問題追蹤系統) 保存地圖、決策票券與阻塞關係


    ∙ 我的觀察是,前 3 項都在重畫控制權:AI agent 很容易把需要人決定的問題,誤當成自己可以查完、想完、直接開工的任務


    📚 參考資料

    Matt Pocock:New Skills! v1.1

    → https://www.youtube.com/watch?v=A8mokin_YOs


    mattpocock/skills v1.1.0 Release

    → https://github.com/mattpocock/skills/releases/tag/v1.1.0


    AI Hero:v1.1 變更說明

    → https://www.aihero.dev/skills/skills-changelog-v1-1-wayfinder-to-spec-to-tickets-grilling-improvements


    GitHub Docs:Creating issue dependencies

    → https://docs.github.com/en/issues/tracking-your-work-with-issues/using-issues/creating-issue-dependencies


    Martin Fowler:Code Smell

    → https://martinfowler.com/bliki/CodeSmell.html

    6 min
  • Theo 燒了 20 萬美元 token,換來這份 Codex 省額度心法


    Theo 燒掉 20 萬美元 token,整理出 Codex 省額度心法:先關掉吃 2.5 倍額度的 fast mode、降低推理強度避開 Ultra、管好 subagent,讓 gpt-5.6 的 5 小時額度窗撐更久。



    ⭐ 文章深度讀:完整版有 Terra、Luna 代號怎麼挑,還有讓 Fable 代你開 Codex 的設定細節

    → https://heymaibao.com/codex-gpt56-usage-saving/


    ⚡ 章節重點

    開場 00:00

    先搞懂:額度為什麼燒這麼快 00:53

    第一件事,先把 fast mode 關掉 02:08

    推理強度降一級,別碰 Ultra 03:06

    管好會自我繁殖的子代理 03:56

    選對模型,用停點寫 prompt 04:31

    我的判斷 05:59


    📝 懶人包

    ∙ Theo 在 $200 Codex Pro 訂閱下燒掉超過 20 萬美元 token,最常見的踩雷是不知不覺就把 5 小時的額度窗提早燒光


    ∙ 最大的黑洞是 fast mode:它吃 2.5 倍額度,配上 gpt-5.6 會一路跑到底的特性,Theo 看過單一則訊息就吃掉 40% 的 5 小時額度


    ∙ 關鍵機制是子代理 (subagent) 會直接繼承主代理的模型和推理強度,所以降低推理強度、避開 Ultra、管好 subagent,就能大幅延長可用時間


    ∙ 我的觀察是,這份清單最值得帶走的是一個心態轉變:把「模型會自己往下跑多遠」當成一個要主動盯、主動控制的變數。單一設定會過期,這個習慣不會,成立前提是你願意花時間盯著用量儀表板做實驗


    📚 參考資料

    gpt-5.6-sol without hitting limits

    → https://x.com/theo/status/2076078865060151465

    7 min
  • 一個工程師用 Claude 11 天重寫 Bun:100 萬行,社群兩極


    一個工程師用 Claude 花 11 天、約 16.5 萬美元把 Bun 從 Zig 重寫成 Rust。拆解這套大規模 AI 重寫怎麼做才負責任,以及 Zig 創造者為何公開反對、社群為何吵成兩派。



    ⭐ 文章深度讀:這套讓 AI 大量產出又能大量把關的重寫方法,怎麼搬到你自己的工作上

    → https://heymaibao.com/bun-rust-rewrite-claude/


    ⚡ 章節重點

    開場:一個工程師 11 天重寫 Bun 00:00

    為什麼離開 Zig 換 Rust 00:43

    Claude 怎麼 11 天寫完 100 萬行 02:17

    16.5 萬美元是貴還是便宜 04:23

    成果與要看清楚的代價 05:45

    另一邊的聲音 06:46

    真正值得帶走的 07:18


    📝 懶人包

    ∙ Bun 團隊用約 50 個 Claude Code 工作流程、峰值同時 64 個 Claude、連續 11 天,把 535,496 行 Zig 程式碼重寫成 Rust (最後落地的 Rust 新增了 100 萬行以上),以 API 定價換算約 16.5 萬美元


    ∙ 動機是記憶體安全:安全的 Rust 會把「記憶體用完沒清乾淨」「清兩次」這類錯誤直接變成編譯錯誤,作者認為「編譯器報錯是比寫一份規範文件更好的回饋迴圈」


    ∙ Zig 創造者 Andrew Kelley 公開反對,把這件事定位成「兩個團隊的價值觀分歧與關係破裂,跟語言好壞無關」,而且事後自己承認文章帶著沒處理好的怨氣


    ∙ 我的觀察是,這篇真正值得帶走的,是那套「拆成迴圈、對抗式審查、出錯就修流程」的做法,它讓大規模 AI 重寫第一次看起來是負責任的,而不是碰運氣


    📚 參考資料

    Rewriting Bun in Rust

    → https://bun.com/blog/bun-in-rust


    My Thoughts on the Bun Rust Rewrite - Andrew Kelley

    → https://andrewkelley.me/post/my-thoughts-bun-rust-rewrite.html


    Zig's creator can't stop himself (Theo)

    → https://www.youtube.com/watch?v=kAjNWanR3n8


    Bun is joining Anthropic

    → https://bun.com/blog/bun-joins-anthropic


    Anthropic acquires Bun as Claude Code reaches $1B milestone

    → https://www.anthropic.com/news/anthropic-acquires-bun-as-claude-code-reaches-usd1b-milestone


    Claude Fable 5 and Claude Mythos 5

    → https://www.anthropic.com/news/claude-fable-5-mythos-5


    We put Bun's Rust rewrite in production on Prisma Compute

    → https://www.prisma.io/blog/bun-rust-rewrite-prisma-compute


    The Register: Zig creator calls Bun's Claude Rust rewrite 'unreviewed slop'

    → https://www.theregister.com/devops/2026/07/14/zig-creator-calls-buns-claude-rust-rewrite-unreviewed-slop/5270743


    The Pragmatic Engineer: What can we learn from Bun's rapid Rust rewrite with AI?

    → https://blog.pragmaticengineer.com/the-pulse-what-can-we-learn-from-buns-rapid-rust-rewrite-with-ai/


    Simon Willison: Rewriting Bun in Rust

    → https://simonwillison.net/2026/Jul/8/rewriting-bun-in-rust/

    8 min
  • OpenClaw 創作者拆解 3 招:讓 Coding Agent 少叫你回來


    Coding Agent 寫得更快,人卻更忙?OpenClaw 創作者 Peter Steinberger 分享 transcript、上下文 review 與隔離驗證 3 招,讓 Agent 自己跑到需要人判斷的節點。



    ⭐ 文章深度讀:如果你的 Agent 也常在半路把你叫回來,先找出最常卡住的一個節點,再補上 transcript、脈絡裁決或乾淨驗證。

    → https://heymaibao.com/openclaw-coding-agent-attention-loop/


    ⚡ 章節重點

    注意力成為新瓶頸 00:00

    3 招拉長 Agent loop 00:46

    第一招:留下 transcript 01:08

    第二招:把 review 送回原 session 02:08

    第三招:到乾淨環境驗證 03:09

    帶回自己的工作流 04:19

    重新設計人的出場時機 04:41


    📝 懶人包

    ∙ 在 PR (程式碼變更提案) 附上清理過的 Agent transcript,可以讓維護者看見解題過程與上下文


    ∙ Auto review 的結果回到原本的 coding session,原 session 才能用完整脈絡判斷哪些建議該採用


    ∙ 把測試與視覺驗證搬到乾淨的隔離環境,Agent 可以自己完成更多跨系統檢查


    ∙ 我的觀察是,Agent 工作流的關鍵指標應該包含「多久需要人回來一次」,人只在方向、架構與整體感需要判斷時進場


    📚 參考資料

    Peter Steinberger|OpenClaw Creator

    → https://www.youtube.com/watch?v=82YaJw-_t10


    Shipping at Inference-Speed

    → https://steipete.me/posts/2025/shipping-at-inference-speed


    OpenClaw Agent Skills

    → https://github.com/openclaw/agent-skills


    Crabbox Docs

    → https://crabbox.sh/

    6 min
  • 17 萬星 GitHub 技能庫:AI Agent 真正厲害的是會追問


    AI Agent 不該急著動手。拆解 Matt Pocock 17 萬星 GitHub 技能庫的 grill 系列,看設計樹、問題依賴與共同文件如何減少需求錯位,讓每一輪只問現在能回答的問題。



    ⭐ 文章深度讀:你的 Agent 最常在哪一種需求上太早動手?

    → https://heymaibao.com/matt-pocock-skills-grill-series/


    ⚡ 章節重點

    開場:先問對再動手 00:00

    17 萬星 skills repo 值得看什麼 00:17

    grill-me 如何啟動追問 00:55

    一次問一題,還是整份問卷 01:15

    設計樹與 frontier 01:50

    Agent 能自查的事不要問人 02:53

    grill-with-docs 留下共同語言 03:14

    把追問方法放進工作流 03:34

    版本狀態與結論 03:53


    📝 懶人包

    ∙ mattpocock/skills 不是一個巨型 Prompt,而是一組小型、可調整、可組合的 Agent skills,入口與底層能力刻意分開。


    ∙ 新的 batch-grill-me 把訪談畫成設計樹,只把前置條件已確定的問題放進同一輪,依賴其他答案的問題留到下一輪。


    ∙ grill-with-docs 不只追問需求,還把共同術語與重大決策同步寫進 CONTEXT.md 和 ADR,讓下個 session 不必重頭理解。


    ∙ 我的觀察是,這套方法真正值得抄的不是「多問幾題」,而是把 AI 的提問順序當成一個依賴管理問題。


    📚 參考資料

    Matt Pocock:grill-me 與 grill-with-docs 將改為分輪提問

    → https://x.com/mattpocockuk/status/2078077849785815465


    mattpocock/skills

    → https://github.com/mattpocock/skills


    batch-grill-me

    → https://github.com/mattpocock/skills/tree/main/skills/in-progress/batch-grill-me


    grill-me

    → https://github.com/mattpocock/skills/tree/main/skills/productivity/grill-me


    grill-with-docs

    → https://github.com/mattpocock/skills/tree/main/skills/engineering/grill-with-docs


    Agent Skills Specification

    → https://agentskills.io/specification


    mattpocock/skills 在 skills.sh 的發行頁

    → https://www.skills.sh/mattpocock/skills

    5 min
  • Anthropic 抓到 Claude 沒說出口的想法,還能動手改寫


    Anthropic 在 Claude 內部發現 J-space 工作空間:讀出模型沒說出口的想法、動手改寫它的推理,還抓到它察覺被測的瞬間。本文帶你看懂研究方法與 AI 安全評估的警訊。



    ⭐ 文章深度讀:影片沒展開的西班牙文變法文實驗、J 空間容量上限與外部專家評論,文章裡有完整拆解

    → https://heymaibao.com/anthropic-claude-j-space/


    ⚡ 章節重點

    開場:AI 勒索測試 00:00

    這集要講什麼 00:32

    Claude 腦中的無聲白板 J 空間 00:56

    讀得到:讀心鏡頭實驗 01:45

    改得動:蜘蛛換螞蟻答案就變 03:32

    關掉白板會怎樣 04:20

    最實用的部分:抓到 AI 在演 04:49

    Claude 有意識嗎 05:50

    思思的看法 06:24


    📝 懶人包

    ∙ Anthropic 在 Claude 內部發現一組自行湧現的特殊神經活動,命名為「J-space」:模型用它裝「想著但沒說出口」的概念,角色上類似神經科學解釋「意識取用」機制的 global workspace (全域工作空間) 理論。


    ∙ 這塊空間可讀也可寫:用 J-lens (讀取工具) 能讀出模型沒說出口的中間推理,把內容換掉 (把「蜘蛛」換成「螞蟻」),答案就從 8 條腿變 6 條腿,證明模型真的用它在思考。


    ∙ 刪掉 J-space 之後,Claude 講話依舊流利、簡單問答正常,但多步推理能力掉到接近零:語言流利和高階思考在模型內部是兩套系統。


    ∙ 我的觀察:對一般使用者最實際的衝擊是安全評估那條。研究者關掉 Claude「察覺自己被測試」的內心訊號後,原本從不勒索的模型有時真的會勒索。以後看到「模型通過安全測試」的宣稱,要記得它可能只是知道自己在被測。


    📚 參考資料

    A global workspace in language models (Anthropic)

    → https://www.anthropic.com/research/global-workspace


    Verbalizable Representations Form a Global Workspace in Language Models (Anthropic, 2026)

    → https://transformer-circuits.pub/2026/workspace/


    Jacobian Lens 互動 demo (Neuronpedia)

    → https://www.neuronpedia.org/jlens


    jacobian-lens 開源實作 (GitHub)

    → https://github.com/anthropics/jacobian-lens


    外部專家評論合集:Dehaene、Naccache、Nanda 等 (PDF)

    → https://www-cdn.anthropic.com/files/4zrzovbb/website/cc4be2488d65e54a6ed06492f8968398ddc18ebe.pdf

    7 min