脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • 用 AI 學卻記不住?這個 15 萬星 GitHub 技能給了解法


    用 AI 問一句答一句學東西,當下看懂、過幾天忘光?拆解 Matt Pocock 那個 15 萬星 GitHub 技能,看它用學習科學把 AI 變成有記憶的家教,附 4 個能偷用的原則。



    ⭐ 文章深度讀:teach 每個檔案的作用、星數歸屬查證,還有我對它值不值得裝的判斷

    → https://heymaibao.com/ai-learning-teach-skill/


    ⚡ 章節重點

    開場 00:00

    15 萬星 repo 與 teach 技能 01:19

    臨場流暢度 vs 長期留存強度 03:00

    有益的困難與費力回想 03:47

    拆解 teach 的檔案工作區 04:39

    藏在裡面的學習科學 05:34

    4 個你能偷用的原則 06:59

    AI 是羅盤不是答題機 08:47


    📝 懶人包

    ∙ teach 把你「當前的資料夾」變成一個跨越多次對話的教學工作區,用一組檔案把你的學習狀態存下來,讓 AI 家教有記憶、不會每次都從零開始。


    ∙ 它的核心是把「臨場流暢度」也就是當下看懂,和「長期留存強度」也就是真的記得住,這兩件事分開,並刻意用有點難的方式設計課程,因為費力回想才會進長期記憶。


    ∙ 它有一條硬規則,別信模型自己內建的知識,所有內容都要引可信來源,這是對 AI 亂編的一道內建防禦。


    ∙ 我的觀察是,這個技能真正值錢的地方不是那幾個檔案,而是它把「像工程師一樣嚴謹」的紀律搬到學習上,威力在系統性,但相對地維護成本也不低,不是裝了就自動變學霸。


    📚 參考資料

    mattpocock/skills 的 teach 技能

    → https://github.com/mattpocock/skills/tree/main/skills/productivity/teach


    mattpocock/skills

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

    10 min
  • 別再轉那張截圖了:Fable 沒變笨,是 Anthropic 不會講話


    大家瘋傳 Fable 變笨的截圖,但連常年酸 Anthropic 的人都說是誤會。拆解爛文案與不可信的評分截圖,真正該在意的是成本和 7 月 7 日退訂閱,附兩招立刻能用的省錢做法。



    ⭐ 文章深度讀:為什麼連常年酸 Anthropic 的人都跳出來說這次是誤會,還有 7 月 7 日退訂閱前兩招立刻能用的省錢做法

    → https://heymaibao.com/truth-about-fable/


    ⚡ 章節重點

    開場:那張變笨截圖 00:00

    恐慌一:Fable 到底有沒有變笨 01:38

    恐慌二:跑分截圖為什麼不能信 03:51

    恐慌三:7 月 7 日退訂閱是缺算力 04:34

    兩招立刻能用的省錢技巧 05:37

    怎麼在 AI 消息潮裡分辨雜訊 07:21


    📝 懶人包

    ∙ Fable「變笨、不能寫程式」主要是誤會。源頭是 Anthropic 一句官方說明,寫得像是禁止拿新模型寫程式,實際上只是偵測到風險時,偶爾把回答交給另一個較保守的模型。


    ∙ 那張「模型變笨」的評分截圖來自單一、不可靠的來源。同一份榜單還把 Sonnet 5 排成史上最強推理模型、把公認很強的 Opus 4.8 踩到墊底,一看就知道不能信。


    ∙ 真正的問題是成本和訂閱:Fable 會在 7 月 7 日退出訂閱方案改用點數計費,而且就算在訂閱內也很容易不小心燒掉額度。這兩件事都有解法。


    ∙ 我的觀察是,這場恐慌最值得學的其實不是 Fable 本身,而是「怎麼在 AI 消息潮裡分辨雜訊和真問題」。當一個利益跟你不一致的人出來講話,往往比官方澄清更值得聽。


    📚 參考資料

    You were lied to about Fable

    → https://www.youtube.com/watch?v=5LqC6qdVAwU

    9 min
  • 和 Claude 協作的真功夫:在昂貴之前先找出你的未知數


    和 Claude 寫程式老是差一點?問題常常不在模型,在你沒想清楚的未知數。這篇拆解未知數的四種型態,整理一套從動手前到做完後、幫你在昂貴之前找出未知數的實用技法。



    ⭐ 文章深度讀:影片講的是心法,完整文章補上每個技法的實際 prompt 寫法,還有四種未知數的完整拆解

    → https://heymaibao.com/claude-coding-find-your-unknowns/


    ⚡ 章節重點

    開場:模型變強,瓶頸換人 00:00

    地圖不是領土,落差就是你的未知數 01:07

    你的四種未知數 02:50

    太具體或太模糊,都會兩頭失敗 03:47

    動手前:盲點掃描、原型與訪談 04:27

    真實案例:剪一部你不懂的影片 05:27

    動手中與做完後:記帳與小測驗 06:41

    會問才是關鍵:AI 時代的權力轉移 07:28


    📝 懶人包

    ∙ 地圖不是領土:你給 Claude 的 prompt 與 context 是地圖,真正的工作場 (codebase 和各種真實限制) 是領土,兩者的落差就是未知數。


    ∙ 未知數分四種:你知道自己知道的、你知道自己不知道的、你以為理所當然到不會寫下來但看到會認出來的,還有你根本沒想過、不知道自己不知道的。


    ∙ trq212 給了一套分階段技法:動手前用盲點掃描、腦力激盪與原型、訪談、原始碼參考、實作計畫,動手中讓 Claude 邊做邊記帳,做完後用說明文件和小測驗確認你真的懂了。


    ∙ 我的觀察是,這套方法真正戳中的,是 AI 協作的權力轉移,當模型夠強之後,決定成品好壞的往往是你會不會問。這是個好消息,因為問問題是可以練的。


    📚 參考資料

    A Field Guide to Fable: Finding Your Unknowns

    → https://x.com/trq212/status/2073100352921215386

    10 min
  • 中國灰市把 Claude token 砍到一折,便宜的代價是你的資料


    中國灰市把 Claude token 砍到官方價一折,靠的不是技術,而是中轉站、AI 假證件與 shadow API 假模型疊出來的詐欺。這篇拆解它怎麼運作,以及買家看不見的代價。



    ⭐ 文章深度讀:四層詐欺怎麼疊出一折價,還有我對「這筆便宜是誰替你付的」的判斷

    → https://heymaibao.com/claude-token-black-market/


    ⚡ 章節重點

    開場 00:00

    中轉站是什麼 01:27

    三道防線怎麼被打穿 02:30

    便宜的四層詐欺 04:56

    一個未證實的推測 06:30

    便宜的隱藏代價 07:39


    📝 懶人包

    ∙ 這套黑市的基本單位叫「中轉站」(transit station),把被限制國家的請求中轉到 Anthropic 或 OpenAI 再送回來,本質就是一個 VPN,技術上和大家熟悉的 OpenRouter 沒兩樣,差別只在合不合法。


    ∙ 大量註冊帳號本來要過三道防線 (瀏覽器指紋、簡訊驗證、證件驗證),現在幾乎全被攻破,AI 生成的假證件甚至能通過官方的護照校驗。


    ∙ token 之所以這麼便宜,是好幾層詐欺疊在一起,其中最值錢的一層,是把你的真實問答資料打包賣給中國實驗室拿去訓練模型。


    ∙ 我的觀點:來路不明的便宜 token,看起來是你占了商家的便宜,實際上更可能是商家在占你的便宜,你付出的是「不知道引擎蓋下是什麼模型」跟「不知道資料流去哪裡」這兩件事。


    📚 參考資料

    Chinese Resellers Are Selling Claude Tokens 70-90% Off

    → https://www.youtube.com/watch?v=5paRa6E5rCM

    9 min
  • Anthropic 的 Fable 5 被美國出口管制下線 18 天後才解禁


    Claude Fable 5 被美國出口管制強制下線 18 天後解禁。拆解事件時間線、Amazon 發現的漏洞、Anthropic 的能力普及辯護,以及它聯合大廠提出的 jailbreak 評分框架。



    ⭐ 文章深度讀:那套 jailbreak 評分框架會不會變成產業與政府都認的共通語言

    → https://heymaibao.com/anthropic-fable-5-export-control-return/


    ⚡ 章節重點

    開場 00:00

    18 天強制下線是怎麼發生的 01:34

    導火線與時間線 02:17

    最強防護為什麼還會出包 03:33

    Anthropic 的辯護:別的模型也做得到 05:29

    一套幫 jailbreak 打分數的框架 07:05

    對使用者的實際影響 08:54


    📝 懶人包

    ∙ Fable 5 和 Mythos 5 在 6 月 9 日發佈,6 月 12 日被美國出口管制、當天全面下線,6 月 30 日管制解除,Fable 5 於 7 月 1 日全球重新上線。


    ∙ 導火線是 Amazon 研究員發現的一個 safeguard 漏洞:他們用特定提示繞過 Fable 5 的防護,讓它指出多個軟體漏洞,其中一例還產出了示範如何利用漏洞的程式碼。


    ∙ Anthropic 的核心辯護是「能力普及」:它反測後表示,Opus 4.8、GPT-5.5、Kimi K2.7 等較弱的模型也能找出同樣漏洞,而那段 exploit 示範,每一個受測模型都做得出來,所以這不是 Fable 5 獨有的危險能力。


    ∙ 我的觀察是,這件事真正的重量不在上下線本身,而在於「模型能力 → 國家安全 → 監管動手」這條反應鏈第一次真的跑完一輪,以及它催生出的那套 jailbreak 評分框架。


    📚 參考資料

    Claude Fable 5 and Mythos 5 redeployed

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

    11 min
  • 對齊也會傳染:OpenAI 發現 AI 的好特質會跨領域擴散


    OpenAI 發現好特質會傳染:少量有益特質訓練讓模型在 53 個對齊評估中 44 個變更好,只訓練健康一個領域就泛化到其他領域,還更難被惡意提示與微調掰彎,但仍是早期證據。



    ⭐ 文章深度讀:只訓練健康一個領域,模型卻在完全無關的領域全面變乖,這是我覺得最反常識的一點

    → https://heymaibao.com/openai-beneficial-rl-alignment/


    ⚡ 章節重點

    開場 00:00

    什麼是對齊與失準 00:54

    把好特質變成可訓練資料 02:04

    好特質跨領域擴散 03:18

    極難被掰彎 04:36

    結論 種下對的種子 06:26


    📝 懶人包

    ∙ OpenAI 在標準訓練資料裡混入少量「有益特質」資料 (誠實、願意被糾正、會解釋自己的思路等),結果模型在 53 個對齊評估中有 44 個,表現優於用同樣算力訓練的對照組。


    ∙ 最驚奇的是跨領域: 只用「健康」這一個領域訓練好特質,模型在跟健康無關的指標 (鑽漏洞、欺騙、一般失準) 上也變好; 反過來把健康和科學從訓練資料拿掉,它在健康評估上照樣進步。


    ∙ 這些改善還很「韌」:模型更難被惡意提示或惡意微調推向有害行為,但對正當的有益指令仍然乖乖配合,不是變得整個更難用。


    ∙ 我的判斷: 這是 emergent misalignment 的正向鏡像,機制上是個好消息。但 OpenAI 自己也說這是「概念驗證」級的早期證據,別急著解讀成「對齊問題解決了」。


    📚 參考資料

    Reinforcement Learning Towards Broadly and Persistently Beneficial Models (Jagadeesh et al., 2026)

    → https://alignment.openai.com/beneficial-rl/

    8 min
  • Meta 把最強的工程師編進新部門,逼他們訓練取代自己的 AI


    Meta 把最頂尖的工程師強制編進新 AI 部門,逼他們出題訓練取代自己的 AI。員工自稱被徵召、形容工作像古拉格。據 Wired 報導,我幫你看懂哪些是真痛、哪些被誇大。



    ⭐ 文章深度讀:哪些是真痛、哪些被誇大,我把完整判斷寫在文章裡

    → https://heymaibao.com/meta-ai-unit-engineers-train-replacement/


    ⚡ 章節重點

    開場 00:00

    打造替代品的荒謬性 01:14

    Meta 的 AI 大轉向與裁員 02:10

    拆解真相:哪些是真痛 03:48

    管理層的回應為何打歪 05:19

    一邊狂賺一邊崩壞 07:04

    對知識工作者的意義 07:58


    📝 懶人包

    ∙ Meta 全力押注 AI,裁掉約 8000 人 (約一成員工),並自 2026 年 4 月起,把約 6500 名員工分批編進一個新的 AI 組織。


    ∙ 被選進去的工程師沒有去留選擇權,每週約兩個任務,工作是產出訓練、評估前沿 AI 模型用的程式題目,被形容像在訓練取代自己的 AI。


    ∙ 員工自稱「被徵召者」,有人說這裡簡直是「古拉格」,多數人覺得工作沒意義又折磨人,管理層的回應是限制主管帶人的比例、加碼團隊活動,還辦了一場 hackathon。


    ∙ 我的觀察:最尖銳的點不是「員工嫌工作無聊」,而是 Meta 把一群最該珍惜的頂尖人才,當成訓練 AI 的耗材,而且不給選擇。但說真的,gulag 這種比喻也誇張了,這個故事真正的重量在「聲望落差」,不在字面上的苦難。


    📚 參考資料

    The PrimeTime「What is Zuckerberg doing?」(YouTube)

    → https://youtu.be/OOCepY3H8k4

    10 min
  • AI 把你的程式碼搞成一團爛泥?這套方法能一步步救回來


    AI 加速了程式碼的腐爛,但它有救。Matt Pocock 帶你看懂深模組、接縫與測試防護網這些老派基本功,並提醒你:救程式碼靠的不是更多 AI,而是你自己重新當回那個指揮官。



    ⭐ 文章深度讀:你都怎麼防止自己的程式碼被 AI 越改越亂?留言聊聊

    → https://heymaibao.com/rescue-ai-ruined-codebase/


    ⚡ 章節重點

    開場 00:00

    AI 加速的迷思與軟體熵 01:01

    跟 AI 講同一種語言 02:05

    深模組與兩個指南針 03:40

    接縫、轉接器與測試防護網 05:20

    奪回戰略指揮權 06:57

    結論與行動 08:25


    📝 懶人包

    ∙ AI 沒有讓程式碼變好,它加速了「軟體熵」。每次不顧全局的局部修改都會埋小地雷,雪球滾成一團爛泥,越來越難改。


    ∙ 救援的核心是把程式拆成「深模組」(deep module):用一個簡單的入口,藏起背後一大坨複雜邏輯。目標是 locality (相關的改動集中在同一個地方) 和 leverage (學一點點就能換到一大堆能力)。


    ∙ 要動手改老程式碼之前,先在它周圍建一張「測試防護網」(test harness),確保你的改動不會把別的東西弄壞,否則只會越救越糟。


    ∙ 我的觀察:這套方法真正在提醒你的,是別把判斷外包給 AI。AI 是很強的戰術兵,但程式碼的長期健康要由你這個戰略指揮官來守。


    📚 參考資料

    How To De-Slop A Codebase Ruined By AI (with one skill)

    → https://www.youtube.com/watch?v=3MP8D-mdheA

    10 min
  • 不會寫程式也能用好 AI?Anthropic 40 萬次分析給了答案


    Anthropic 分析約 40 萬次 Claude Code 使用發現,用好 AI 寫程式靠的是懂不懂自己的問題,不是會不會寫 code。專家成功率是新手兩倍多,這對非工程師是好消息。



    ⭐ 文章深度讀:想用 AI 把領域知識變成技術產出,卻不知道自己現在算專家還是新手、該從哪裡開始把問題講清楚

    → https://heymaibao.com/anthropic-ai-coding-expertise/


    ⚡ 章節重點

    開場 00:00

    人類指揮,AI 執行 01:35

    重新定義專業 03:01

    會寫程式正在貶值 05:09

    你的制勝下一步 06:39


    📝 懶人包

    ∙ Anthropic 分析約 40 萬次 Claude Code 使用後發現,人和 AI 有清楚的分工:人決定「要做什麼」(約 70% 的規劃決策由人做),AI 決定「怎麼做」(約 80% 的執行決策交給 AI)。


    ∙ 真正放大效果的是你對問題的理解,不是寫程式的能力。被評為「專家」的使用情境,達到嚴格定義成功的比率是「新手」的兩倍多。遇到困難時,新手有 19% 直接放棄,其他人只有 5% 到 7%。


    ∙ 「會不會寫程式」這件事正在貶值:在會產出程式碼的使用情境裡,每個主要職業的成功率都落在軟體工程師的 7 個百分點以內。而且 7 個月內,任務的估計價值平均上升約四分之一到近三成,純除錯的比重幾乎腰斬。


    ∙ 我的觀察:對非工程師來說,這是難得的好消息,你的領域知識現在能直接換成技術產出。對工程師來說,價值正在從「會寫」往「懂問題、定義問題」的上游移動。前提是這份研究自己也說了,結論還很初步。


    📚 參考資料

    Agentic coding and persistent returns to expertise (Hitzig et al., 2026)

    → https://www.anthropic.com/research/claude-code-expertise

    9 min
  • OpenClaw、Hermes 都很強,但現在還不是你該自架的時候


    影片喊「停用 OpenClaw、改用 Hermes」,但真正的意思是兩個都很強、你現在還沒準備好自架。本文整理這位重度玩家縮小 AI 助理爆炸半徑的安全隔離與模型成本策略。



    ⭐ 文章深度讀:他這套隔離最難的其實是第一次怎麼設權限白名單

    → https://heymaibao.com/openclaw-hermes-self-host-security/


    ⚡ 章節重點

    開場:標題在反差 00:00

    它到底能幫你做什麼 02:23

    最危險的安全噩夢 03:20

    縮小爆炸半徑與隔離 04:45

    MCP 痛點與 code mode 06:48

    模型成本兩階段策略 07:33

    權限審批與懶人包 08:34

    總結:誰現在該碰 09:51


    📝 懶人包

    ∙ Hermes、OpenClaw 這類自架的個人 AI 助理現在能力驚人,但還在超早期。Ben Davis 強力推薦去玩,卻明說非技術的人現在自己架,幾乎一定會搞出一個安全惡夢。


    ∙ 安全的核心思維是「縮小爆炸半徑」:把跑 agent 的那台機器,和真正握有你帳號鑰匙的那台機器,用網路徹底隔離,這樣前者就算被攻陷,也拿不到你的帳號權限。


    ∙ 模型成本有個實用策略:當你還在摸索工作流長什麼樣時,用最強的模型開高 reasoning (推理) 去探路,等流程定型了再換成更小更便宜的模型,成本可以差到大約一百倍。


    ∙ 我的觀察:他這種「預設一定會被攻陷、只求把損失壓到最小」的心態很務實,但這套配置仍是少數技術玩家才做得到。對一般人來說,這部影片更像一個反向警示,現在先別急著把信箱的讀、寫、刪全權交給一台會被騙的機器。


    📚 參考資料

    Stop using OpenClaw, Hermes is better

    → https://youtu.be/yj9K2IuvG78

    11 min