脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • 把 Claude Code 變成作業系統:4 個層級,一個慘痛教訓


    把 Claude Code 變成替你工作的 AI 作業系統,關鍵不是模型而是分層餵 context。四個層級加一個 agent 寄爆 15 萬個信箱的教訓:指令不等於能力,授權要一階一階給。



    ⭐ 文章深度讀:影片講完四個層級的觀念,但每一層實際怎麼一步步接上工具、又怎麼設好護欄,我整理在文章裡。

    → https://heymaibao.com/claude-code-ai-operating-system/


    ⚡ 章節重點

    開場:模型不是護城河 00:00

    為什麼是 Claude Code 不是 Chrome 00:39

    先做一次 context 自我稽核 01:20

    4 個層級總覽 01:59

    第一層 Context:它懂你的業務 02:57

    第二層 Connections:它碰得到你的資料 03:29

    第三層 Capabilities:教它怎麼做事 04:42

    第四層 Cadence:筆電關著也在跑 05:15

    一個慘痛教訓:指令不等於能力 05:52

    用腳踏車方法一階一階給授權 07:12

    真正的護城河是整套系統 07:49

    留給你的一個問題 08:36


    📝 懶人包

    ∙ 模型不是護城河,context 才是。作者的做法是把所有工作預設搬進 Claude Code,因為它看得到你的檔案、儲存庫和歷史紀錄,而網頁版只看得到你當天貼進去的東西。


    ∙ 搭系統有順序:Context → Connections → Capabilities → Cadence,四層往上疊,跳過一層上面就會塌。


    ∙ 指令不等於能力。對一個有寄信工具的 agent 說「絕對不要寄信」只是一個願望,工具還在那;真正的護欄是「根本不給它寄信的工具」。


    ∙ 我的觀點:這篇表面在教你怎麼把工具接上 AI,但對我來說真正的門檻不是技術,而是「賦能跟護欄要同步長大」。能力給多少,韁繩就要收多緊,這個判斷整篇都甩不掉。


    📚 參考資料

    I Turned Claude Opus 4.8 Into My Entire AI Operating System (@nateherk on X)

    → https://x.com/nateherk/status/2060373513014292919?s=46

    10 min
  • 做計畫但不讀計畫:一位開源高手最反直覺的 AI 工作流心法


    一位開源高手攤開他的 AI 工作流:有想法先讓 AI 寫計畫但自己不讀,多開分頁並行,把人當成下判斷的訊號。我挑出哪些心法值得學、哪些別照抄,還有他誠實的上癮警告。



    ⭐ 文章深度讀:這套裡你最想先試哪一招,還是覺得哪一招其實不可行?

    → https://heymaibao.com/agentic-engineering-workflow-mindset/


    ⚡ 章節重點

    開場 00:00

    不寫程式卻擠進開源前段班 00:37

    心法一 計畫先行 02:22

    心法二 做計畫但不讀計畫 03:14

    心法三 極端並行 04:44

    心法四 人當訊號 06:29

    誠實警告 建構成癮 07:50

    留給你的問題 09:12


    📝 懶人包

    ∙ 計畫檔不是普通檔案,是 AI 需要的「脈絡層」。他的核心主張是:一份純文字的計畫檔 (他叫它 plan.md) 能讓 AI 停止亂猜,知道要改哪些檔案、達成什麼條件。傳統開發大概是八成時間寫程式、兩成規劃,這套工作流把比例翻過來,思考全進計畫,執行變得機械。


    ∙ 做計畫,但不讀計畫。他說計畫真正的作用是「韁繩」,逼 AI 去研究、定方法、寫下驗收條件並真的達成。有計畫的 AI 會把事情做完,沒計畫的會偷工減料、提早收手。所以他只看標題、有問題就當場問 AI 講重點,不坐著讀三百行的計畫。


    ∙ 人的價值是「當訊號」,不是動手。同時開好幾個 AI agent 在跑時,他認為人該做的是提供品味與方向,看回來的東西然後說「這版比較好,但用那版的語氣」。另外,任何做超過兩次的事就做成可重用的 skill,讓能力一次比一次強。


    ∙ 我的判斷:這篇最有價值的不是那一長串工具,而是底層心法。他的整套裝備門檻其實很高 (兩個月費 200 美元的方案、頂規筆電、一堆付費訂閱),照抄不切實際。但「計畫先行、並行、當訊號、把重複工作做成 skill」這四件事,誰都能學。難得的是,他最後還誠實附上一段關於「建構成癮」的警告,讓整篇不只是工具吹捧。


    📚 參考資料

    Every Agentic Engineering Hack I Know (June 2026)

    → https://x.com/mvanhorn/status/2061877533885473181

    10 min
  • Opus 4.8 被嫌慢又愛幻覺,但問題可能出在 Claude Code


    新 benchmark DeepSWE 顯示 GPT 5.5 領先 Opus 4.8,更快也更便宜。但主持人最值得記住的判斷是:你嫌 Opus 4.8 慢又愛幻覺時,問題可能出在 Claude Code,不是模型。



    ⭐ 文章深度讀:Opus 4.8 到底是不是被 Claude Code 拖累,我把整集的判斷拆成一篇

    → https://heymaibao.com/opus-4-8-held-back-by-claude-code/


    ⚡ 章節重點

    你以為在罵模型,其實在罵介面 00:00

    跑分的真相:DeepSWE 與 SWE-bench Pro 01:07

    問題真的出在介面嗎 03:22

    那筆隱藏的真實成本 05:08

    工具還是人格的哲學之爭 07:06

    造神的風險:Mythos 08:54


    📝 懶人包

    ∙ 他們搬出一個新的測試標準 DeepSWE (一個專門衡量 AI 寫程式能力的評分榜),上面 GPT 5.5 拿 70 分、Opus 4.8 拿 58 分,而且 GPT 5.5 更快也更便宜。排在這兩家後面的所有模型 (開源模型、Gemini) 只剩不到三分之一的分數,等於 OpenAI 跟 Anthropic 自成一個等級。


    ∙ 其中一位主持人說,他在自己電腦上看到 Claude Code 大約 80% 的工具操作會報錯,一個簡單的修改要等 2 到 4 分鐘,模型甚至會憑空捏造連它自己指令的參數都編出不存在的。他懷疑 Opus 4.8 的真實實力被這個介面嚴重拖累了。


    ∙ 他們提醒一件很實際的事:你付的訂閱費不是真實成本。用 100 美元或 200 美元月費養成的用量習慣,換到公司用 API 計費,帳單會變天文數字。


    ∙ 我的觀察:這集節目偏袒 OpenAI 偏得很明顯,連那個讓他們改觀的 benchmark 都是主持人自己投資的公司做的。但即使把這些偏見扣掉,「你嫌的可能是工具不是模型」這個切角,我認為值得每個在用 Claude Code 的人認真想一遍。


    📚 參考資料

    We (mostly) like Opus 4.8

    → https://www.youtube.com/watch?v=EYq1_mB-xJ4

    11 min
  • Claude Code 自寫工作流,Anthropic 工程師卻提醒別亂用


    Claude Code 新功能 dynamic workflows 讓 Claude 即時自寫工作框架,把活拆給多個分身。但寫這功能的 Anthropic 技術成員反而叫你想清楚再用,因為它很吃 token。



    ⭐ 文章深度讀:六種 pattern 怎麼組、什麼時候反而別開 workflow,完整判斷都整理在文章裡

    → https://heymaibao.com/claude-code-dynamic-workflows-when-to-use/


    ⚡ 章節重點

    開場 00:00

    官方的反常警告 00:39

    認識動態工作流 01:42

    破解三大失敗模式 03:16

    實用的協作模式 05:47

    算力與權衡抉擇 08:25


    📝 懶人包

    ∙ Claude Code 的 dynamic workflows 讓 Claude 在執行任務時,即時寫出一套為這個任務量身打造的「工作框架」(harness),還能存起來分享重用。


    ∙ 它真正要解決的不是「跑快一點」,而是單一對話視窗做長任務時會出現的三種退化:做一半就喊完成、偏愛自己的答案、做著做著忘了原本目標。用多個各自獨立的 Claude 分頭做,就能結構性地擋住這些問題。


    ∙ 作者自己強調:它會用掉明顯更多 token,不是每個任務都需要,而且最佳實踐還在發展中。


    ∙ 我的觀點:dynamic workflows 的本質是「用結構去買品質,代價是 token」。所以決定要不要開一個 workflow 之前,先問自己一句話就好,這個任務真的需要更多算力嗎?


    📚 參考資料

    A harness for every task: dynamic workflows in Claude Code (Thariq Shihipar、Sid Bidasaria)

    → https://x.com/trq212/status/2061907337154367865


    全文鏡像 (Claude Blog)

    → https://claude.com/blog/a-harness-for-every-task-dynamic-workflows-in-claude-code

    11 min
  • AI agent 不是銀彈:拆穿 YouTube 最愛騙你的 6 個謊言


    YouTuber Craig Hewitt 拆穿 always-on AI agent (Hermes、OpenClaw) 的 6 個迷思,從要花多少錢買電腦到「整個事業靠 agent 跑」的幻覺,幫你判斷它真正該用在哪。



    ⭐ 文章深度讀:影片拆了 6 個迷思,但「哪些事該丟給 always-on agent、哪些該自己坐在鍵盤前做」這條判準,我在文章裡用一句話加實例講得更細

    → https://heymaibao.com/ai-agent-six-lies/


    ⚡ 章節重點

    開場 00:00

    先記住這條判準 01:01

    硬體沒那麼貴 01:26

    便宜訂閱不夠用 02:49

    事業全靠 AI 是幻覺 03:53

    養一個 agent 的務實法則 04:42

    它是隊友不是替代品 06:03

    要不要用的三步測試 07:11

    收尾 07:54


    📝 懶人包

    ∙ 硬體不是門檻。一般電腦、雲端 VPS、Mac mini 都能跑,不用花大錢。


    ∙ always-on agent 不會取代你的 coding 工具,兩者是分工:持續主動的事交給它,需要你坐在電腦前塑形的事交給 Claude Code 那類工具。


    ∙ 「整個事業靠 agent 跑」目前是 demo 幻覺。前 80% 很好做,難的是後面那 80%。


    ∙ 我的判斷:要不要用 always-on agent,分界線其實只有一句話:這件事需不需要你在場。


    📚 參考資料

    The Biggest Lie You've Been Told About Hermes Agent

    → https://youtu.be/ubxDCAtYQwE

    9 min
  • 別再手動調 Skill,Microsoft SkillOpt 讓它自己越練越強


    Microsoft SkillOpt 把調 agent skill 從手感試錯變成可量測訓練,模型凍結,被優化的是文字檔。一次看懂它的運作、論文報的效果,以及為何只在有標準答案的任務才適用。



    ⭐ 文章深度讀:SkillOpt 的完整運作、論文數字與我說的硬邊界,影片沒講完的都整理在這篇

    → https://heymaibao.com/microsoft-skillopt-self-evolving-agent-skills/


    ⚡ 章節重點

    開場 手動調 skill 的無限輪迴 00:00

    SkillOpt 到底在訓練什麼 01:18

    效果有多猛,52 格全勝 03:03

    硬邊界,任務要有標準答案 05:08

    低成本動手的三步起步 06:15

    成本與我的判斷 08:10


    📝 懶人包

    ∙ SkillOpt 是一個「文字空間的優化器」,意思是它不動模型權重,被訓練的是你的 skill 文字檔。整套靠一個迴圈:用當前 skill 跑任務、讀成功與失敗、提出小幅編輯、只保留讓分數上升的改動。


    ∙ 論文報告的效果很猛:橫跨六個 benchmark、七個模型、三種執行環境共 52 個測試格,SkillOpt 全部拿下最佳或並列最佳。以 GPT-5.5 直接對話為例,六項平均從沒有 skill 的 58.8 升到 82.3,提升 23.5 分,而最後產出的只是一個約 380 到 2,000 tokens 的小文字檔。


    ∙ 它有硬邊界:只在「有可對照正確答案」的任務上有效,而且真正決定成敗的不是跑指令,是你準備的那組範例答案。


    ∙ 我的判斷:別急著裝。先問你的任務有沒有標準答案,有,這是把調 skill 從玄學變成可量測的好路徑,沒有,它幫不了你。


    📚 參考資料

    hooeem:I want to create self-evolving agent skills (X 貼文)

    → https://x.com/hooeem/status/2061528919786791154?s=46


    SkillOpt 論文 (arXiv,2026)

    → https://arxiv.org/pdf/2605.23904


    microsoft/SkillOpt (GitHub)

    → https://github.com/microsoft/SkillOpt

    10 min
  • AI agent 也需要看板?Hermes 把失敗和重試變成一等公民


    AI agent 並行工作時,難的不是排任務,是它們會失敗、當機、被退件。Hermes 的 Kanban 把每次嘗試、重試和交接都寫進資料模型,用四個場景看懂它跟普通待辦清單差在哪。



    ⭐ 文章深度讀:你還在手動翻 log,救那些失敗的 AI 任務嗎?

    → https://heymaibao.com/hermes-kanban-ai-agents/


    ⚡ 章節重點

    開場:AI agent 真的需要看板嗎 00:00

    為什麼傳統清單會崩 01:13

    run-based 模型:把失敗當一等公民 01:49

    三個操作面與六欄看板 02:19

    場景一:讓任務自己排隊 03:17

    場景二:一個人顧一支 AI 艦隊 04:26

    場景三:退件重來與重試歷史 05:36

    場景四:斷路器與崩潰復原 06:51

    真正的關鍵:結構化交接 08:08

    我的觀察與收尾 09:14


    📝 懶人包

    ∙ Hermes Kanban 用 run-based 模型: 任務的每一次執行嘗試 (一個 run) 都是獨立一列,失敗、崩潰、重試的歷史是一等公民而不是事後補的註記。重試的 worker 會從「上次失敗在哪」接手,而不是從零重跑。


    ∙ 階段之間靠 `kanban_complete(summary, metadata)` 做結構化交接。下一棒的 worker 一呼叫 `kanban_show()`,系統回傳的 worker_context 就直接帶上上一棒的決策摘要和改了哪些檔,不用回去翻一整串留言考古。


    ∙ dispatcher (派工的背景程式) 有兩道可靠性防線: 斷路器 (連續失敗 N 次後直接終止重試,標成 gave_up 等人處理) 和崩潰復原 (偵測到 worker 進程死掉,就把任務收回重新派給新的 worker)。


    ∙ 我的觀察: 當你讓多個會出錯的 AI worker 並行做事,真正的瓶頸從來不是「看板長什麼樣」,而是「失敗和交接有沒有被當成一等公民」。這點成立的前提是任務之間真的有依賴或重試,如果只是一堆互不相干的小事,普通清單其實也夠。


    📚 參考資料

    Hermes Kanban Tutorial

    → https://hermes-agent.nousresearch.com/docs/user-guide/features/kanban-tutorial

    11 min
  • AI agent 老是互相打架?他用一塊看板讓 18 個一起工作


    多代理 AI 老是互相踩線、崩潰全毀?這位 YouTuber 用一塊共享看板當協調層,讓最多 18 個 AI agent 平行接力做研究、判斷、產出,整條流程只留一個人類核可閘門。



    ⭐ 文章深度讀:我把「協調為什麼才是多代理真正的瓶頸,以及這套看板設計哪裡值得抄、哪裡只是噱頭」整理進文章,用脈報的角度拆得比影片更白。

    → https://heymaibao.com/multi-agent-kanban-workflow/


    ⚡ 章節重點

    開場:多代理為什麼老是壞掉 00:00

    核心結論:別讓 agent 互相對話 00:52

    看板就是單一真相 (一個 SQLite 檔) 02:17

    Dispatcher:一張卡怎麼變成 agent 02:58

    事件驅動依賴圖與五大優勢 03:39

    實測:獵取 AI 痛點的流水線 04:52

    18 個 agent、97 個任務的規模 06:48

    唯一的人類閘門與自我修復 07:45

    重點收穫與結語 09:28


    📝 懶人包

    ∙ 多代理系統的瓶頸是「協調」而不是「建 agent」。作者用一塊共享看板 (底層就是單一個 SQLite 檔) 當協調層,agent 之間完全不互相對話、不用訊息佇列,只讀寫同一塊板。每個工作是一張卡,agent 認領、做完、交棒,狀態留在板上,撐得過重啟和當機。


    ∙ 協調靠一張會自驅動的依賴圖:卡片在待辦區等父任務完成,再自己升級成「就緒」,一個任務可以分裂成多個平行子任務,匯流的任務掛在所有子任務上,最後一個完成的瞬間自己觸發。沒有輪詢、沒有保母、沒有黏合用的膠水程式。


    ∙ 整條流程只留一個人類閘門。偵測、驗證、研究、提案全自動跑完,只有在出貨前透過 Telegram 送來一次待核可的提案,你可以核可、擱置或修改。作者強調這關可以拿掉做到全自動,但他強烈建議別這樣。


    ∙ 我的判斷:這部影片最值得帶走的不是「我做了一群會賺錢的 agent」,而是那個可複製的協調骨架。作者自己也誠實說了,agent 產出的東西是「不錯的起點」而不是能直接上線的成品,你看的是設計,不是一台印鈔機。


    📚 參考資料

    I Built the Ultimate Multi-Agent Workflow w/ Hermes Agent Kanban Board

    → https://www.youtube.com/watch?v=EKVRqcpTT6s

    11 min
  • 別再幫 AI agent 蓋富士康工廠:Garry Tan 的 54 萬行教訓


    他剛蓋完 54 萬行程式碼,卻說那是替 AI agent 蓋的富士康工廠。Garry Tan 公開認錯:AI 時代狂寫 code 是過時本能,真正稀缺的是判斷力。本文拆解他的反省與爭議。



    ⭐ 文章深度讀:走一遍你自己的專案,數數看有多少行 code 只是因為你不信任 AI 才寫的

    → https://heymaibao.com/stop-building-foxconn-factory-for-agents/


    ⚡ 章節重點

    開場 00:00

    稀缺的是判斷力 00:55

    54 萬行白工的代價 01:45

    替 AI 蓋富士康工廠 03:29

    skillify 把一次性工作變複利 05:12

    你到底想蓋什麼 06:59


    📝 懶人包

    ∙ Garry Tan 公開認錯:他剛蓋完的 54 萬行 Rails app,本質是替 AI agent 蓋的「富士康工廠」。他說那些層層疊疊的測試、guardrail、retry loop (失敗自動重試的迴圈),每一行都是在賭「這個 AI worker 會出包」。


    ∙ 經濟學翻轉了:他的論點是,過去 LLM (大型語言模型) 呼叫很貴,所以大家寫一堆 code 省著用、把模型保護起來。現在模型又便宜又夠聰明,該反過來用白話指示它,讓它只寫最小必要的 code。


    ∙ 他主推的方法論叫 skillify:把一次性做出來的能力,轉成一個帶完整測試的「skill pack (技能包)」,可以重複使用、像利息一樣累積。他說自己已經有超過 350 個。


    ∙ 我的觀點:他的核心洞察站得住腳,但其中「一年燒幾十萬到上百萬美元 token」跟「不要急著裝安全護欄」這兩段,帶有「花得起的人才這樣說」的倖存者視角,一般人聽聽就好,別照單全收。


    📚 參考資料

    Stop building Foxconn factories for your agents (Garry Tan)

    → https://x.com/garrytan/status/2061454423034110372?s=46

    9 min
  • Honcho 教 AI 主動想你是誰:Hermes 記憶外掛的推理拆解


    (此為 WordPress canonical `rank-math-description` 單一來源)



    ⭐ 文章深度讀:什麼時候該從內建記憶換成 Honcho、三個成本旋鈕怎麼調,完整拆解都在文章裡

    → https://heymaibao.com/hermes-honcho-memory/


    ⚡ 章節重點

    開場 00:00

    Honcho 跟內建記憶差在哪 01:01

    兩層 context 與會自我檢查的推理 01:51

    三個成本旋鈕 04:01

    多代理隔離與觀察 05:05

    recall mode:自動還是可控 05:46

    該不該換到 Honcho 06:52

    結語 07:29


    📝 懶人包

    ∙ Honcho 是 Hermes 的可選記憶外掛 (來自 Plastic Labs),掛在 Hermes 的記憶供應商 (memory provider) 系統上。相對內建的 file-based 記憶,它多了 server 端持久化、自動推理出來的使用者檔案、跨工作階段的摘要注入,以及多代理隔離。


    ∙ 它每輪對話後會做「思辨式推理」(dialectic),推導你的偏好、習慣與目標,並透過兩層 context 注入系統提示。要花多少成本、推理多深,由三個彼此獨立的旋鈕控制。


    ∙ 多個 AI 同時面對同一個你時,Honcho 會用「per-peer」檔案各自隔離,避免互相污染;observation 設定控制誰觀察誰,recall mode 則決定記憶是全自動注入還是完全交給模型主動查。


    ∙ 我的觀察:Honcho 真正的分水嶺是「主動推理你是誰」而不是「記更多」,這也是它值得試的理由。但越自動就越黑箱,如果你想要可控、可審計的記憶讀取,可以把它調到只用工具 (tools) 的模式,自己掌握節奏。


    📚 參考資料

    Honcho 功能說明 (Hermes Agent 官方文件)

    → https://hermes-agent.nousresearch.com/docs/user-guide/features/honcho/

    9 min