脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • 你的本地 AI agent 其實被關住了,三個工具讓它隨處可用


    本地 AI agent 常被困在一台電腦上,人一離開就用不到。這篇用 Tailscale、Termius、tmux 三層工具,讓它隨處連得到、任務不中斷又不暴露公網,並點出連得到不等於安全。



    ⭐ 文章深度讀:多數 agent 教學只教你裝功能,卻沒教你怎麼從手機隨時連到它、又不暴露公網

    → https://heymaibao.com/local-ai-agent-remote-access/


    ⚡ 章節重點

    開場 00:00

    本地 agent 的困境 01:58

    Tailscale 連得到 03:03

    Termius 能操作 04:31

    tmux 不中斷 05:46

    連得到不等於安全 07:01

    無聊基建的價值 08:05


    📝 懶人包

    ∙ 本地 agent 最大的限制,常常不是模型也不是功能,而是它被綁在一台機器上,你一離開就用不到。


    ∙ 解法是三層工具各管一件事:Tailscale 管「連得到」、Termius 管「能操作」、tmux 管「不中斷」。


    ∙ 但這套只保護「你怎麼連到 agent」,不負責「agent 連上後能做什麼」,prompt injection 和權限風險還是得另外處理。


    ∙ 我的觀察:大家分享 agent 幾乎都在秀功能層,這篇難得把「決定 agent 到底有沒有用」的基礎設施層講透。


    📚 參考資料

    How to Access Your Hermes Agent Anywhere (@tonbistudio)

    → https://x.com/tonbistudio/status/2060945344092148007?s=46

    10 min
  • 當 AI agent 直接活在 Windows,OpenAI 怎麼防它刪光硬碟


    當 AI agent 直接活在 Windows,OpenAI 怎麼防它亂刪你的硬碟?本文拆解 Codex 用檔案權限、防火牆與受限帳號自建的 agent 牢籠,也談在地化 agent 越強你越別開全權。



    ⭐ 文章深度讀:牢籠蓋得再漂亮,鑰匙還是握在你手上,為什麼我這樣判斷,完整理由都在文章裡

    → https://heymaibao.com/codex-windows-native-agent-sandbox/


    ⚡ 章節重點

    AI 住進你的系統 00:00

    AI 從訪客變成 Windows 居民 01:10

    高整合度的代價:刪硬碟前車之鑑 02:04

    OpenAI 用 Rust 自建牢籠 03:27

    拆解隱形牢籠的四層安全鎖 04:57

    授權紀律才是成敗關鍵 07:05


    📝 懶人包

    ∙ Codex app 現在支援「Windows native」,agent 預設直接跑在 Windows 本體 (用 PowerShell 這個 Windows 內建的命令工具),而不是像多數 AI 工具那樣躲在 WSL 或虛擬機這類旁路裡。整合度更高,但隔離這層保護就得自己想辦法。


    ∙ Windows 本身沒有 Mac 或 Linux 那種現成的「沙盒」機制 (sandbox,把程式關在限定範圍內、不讓它亂碰系統的安全圍欄),所以 OpenAI 片中說他們用超過 15,000 行 Rust 程式碼自建了一個,疊在 Windows 既有的安全機制上,而不是退回去用笨重的虛擬機。


    ∙ 這座牢籠是真的能被看見的:它建了專屬的受限使用者帳號、把 agent 綁進限定資料夾、用防火牆擋掉它的網路、要連網就得你親自點頭放行。影片裡用 Windows 內建指令一一驗證給你看。


    ∙ 我的觀察是:agent 越「在地化」、整合度越高,你的授權紀律就越重要。觀察對象是這種直接活在 OS 裡的 agent,成立條件是你願意逐次審核它要做什麼,一旦圖方便開了全權模式,這座牢籠就形同虛設。


    📚 參考資料

    Switching back to Windows?!?

    → https://youtu.be/cGXAmnUabEY

    10 min
  • 跑了 60 天 AI agent,他的結論是 90% 架構,10% 才是 AI


    跑了 60 天 AI agent,0xjeff 的結論是 90% 架構、10% 才是 AI。從換 6 套模型供應商到 skill bundling,他用 6 個教訓告訴你,真正拉開差距的不是模型,是架構設計。



    ⭐ 文章深度讀:他到現在都還沒解決的兩個坑,可能才是這篇最值得收藏的地方

    → https://heymaibao.com/ai-agent-90-architecture-10-ai/


    ⚡ 章節重點

    開場 00:00

    核心觀念:90% 架構,10% AI 01:21

    教訓二:模型商品化與工具選擇 01:51

    教訓三:技能目錄化省 token 02:57

    教訓四:記憶成本與回饋迴圈 03:46

    教訓五:x402 協定打破工具邊界 04:41

    教訓六:兩個還沒填平的坑 05:12

    結語:你在死磕模型還是架構 06:13


    📝 懶人包

    ∙ 模型正在商品化:60 天換過 5-6 套供應商設定後,0xjeff 的結論是選一個直連的供應商黏住,別一直換。open-weight 模型在智力上正逼近頂尖實驗室,價格又低。


    ∙ 真正拉開差距的是工具和 skill 設計,不是模型。使用者最重要的工作,是把 agent 指向對的工具、糾正它用錯工具。


    ∙ 把 skill 當成一個「目錄」而不是一坨巨型 prompt,載入只要約 500 個 token,卻能省下每次 session 重新解釋的 5000 多個 token。


    ∙ 我的觀察:這篇最值錢的其實不是成功經驗,而是兩個他坦白「還沒解決」的坑,記憶服務燒錢,還有 agent 越跑越同溫層。願意把沒搞定的事寫出來,比一堆漂亮結論更可信。


    📚 參考資料

    6 Workflows, 6 Lessons, 60 Days with Hermes Analyst (0xjeff, X)

    → https://x.com/0xjeff/status/2061361760968560887


    the Tool Shed (0xjeff, Substack)

    → https://defi0xjeff.substack.com/p/the-analyst-agent-tools

    7 min
  • 大部分 AI agent 教學的問題,是只給你 prompt 不給你結果


    大部分 AI agent 教學只給你 prompt 不給結果。兩個創業者看完一批 Hermes Agent 教學後篩出真正有料的:Hermes 對 OpenClaw 的差異,和讓 AI 自己賣房的 /goal 案例。



    ⭐ 文章深度讀:大部分 AI agent 教學只敢秀 prompt,從不秀跑出來的結果,這支幫你把那段補上。

    → https://heymaibao.com/ai-agent-tutorials-prompt-not-results/


    ⚡ 章節重點

    開場:看完教學還是不會用 00:00

    教安裝的人都對,教使用的人都在閃躲 00:53

    /goal 是什麼:給任務不是給指令 01:53

    實測:讓 AI 自己賣房 02:52

    選工具:Hermes 對 OpenClaw 05:12

    部署與模型:VPS 加省錢選擇 06:00

    安全三道防線 06:31

    結論:先問有沒有人秀結果 07:43


    📝 懶人包

    ∙ 影片裡的主持人和創業者 Justin 看完一批教學後有共同結論:教「怎麼安裝」Hermes 的創作者都到位,教「怎麼使用」的卻很空泛,多數使用教學只丟給你一段 prompt,從不給你看跑出來的結果。


    ∙ 在他們眼中,Hermes 對 OpenClaw 的真正差異不在功能炫技,而在可靠性和「會越用越準」:你跟它的對話會變成訓練資料、它會自己生成 skill、會記住你說過的「不要這樣做」,連帶降低 prompt injection (提示注入攻擊) 的風險。這是 Justin 選它而不選 OpenClaw 的首要理由。


    ∙ 全片唯一真正「展示了結果」的案例,是 Justin 用一句 `/goal` 指令讓 agent 接管賣房:它查了 21 個成交對比後,把建議定價從 47.5 萬美元拉到 52.5 萬美元,還產出五階段計畫、媒體預算分配,連各平台的刊登文案都寫好了。


    ∙ 我的觀察:當一個圈子裡多數人只敢秀 prompt、不敢秀結果時,這本身就是最大的訊號。判斷一個 AI agent 工具值不值得你花時間,先別看它功能多炫,先問「有沒有人願意把跑完的結果攤開給你看」。


    📚 參考資料

    Founders react: real Hermes use

    → https://youtu.be/IZ9muG8XdLQ?si=5AKsp3ChBQ38ZSmr

    9 min
  • 關掉筆電,AI agent 還在 VPS 上替你工作:tmux 完整上手


    AI agent 跑長任務時你還在守著筆電嗎?tmux 加一台 VPS,能讓它在你關機斷網後繼續跑。這篇用最少指令帶你從本機上手,搬到遠端整晚運作,並補上影片沒談的安全界線。



    ⭐ 文章深度讀:大家最容易忽略的是無人看管的 agent 在 VPS 上該設哪幾條安全界線

    → https://heymaibao.com/tmux-vps-ai-agents/


    ⚡ 章節重點

    開場:你的筆電焦慮症 00:00

    tmux 是什麼,又解決什麼 01:30

    session、window、pane 03:35

    本機 5 分鐘上手 04:42

    真正的玩法:tmux 跑在 VPS 上 06:27

    在 VPS 上多開 agent 07:42

    沒人談的安全界線 08:12

    總結:解放你的筆電 09:46


    📝 懶人包

    ∙ tmux 真正的價值是「持久 session」。你斷線、關機、沒電,裡面正在跑的程式都不會被打斷,這跟一般開兩個終端視窗完全不同。


    ∙ 對 AI agent 來說這是剛需。現在的長任務 (像 Codex 的 `/go`、Hermes 的長時間任務) 動不動跑好幾個小時甚至好幾天,要你全程開著筆電根本不現實,tmux 搭一台 VPS 才做得到。


    ∙ 上手其實沒幾個指令。開 session、離開 (detach)、接回 (attach)、列出清單,再加兩個分割快捷鍵跟一條滑鼠設定,核心就這些,門檻多半來自對工具的陌生感。


    ∙ 我的觀點:這部影片從頭到尾在講「能跑多久、多爽」,卻完全沒提一件事,無人看管的 agent 開著最高權限在 VPS 上跑好幾小時,出事誰擋?這條安全界線,才是你動手前該先想清楚的。


    📚 參考資料

    Build Anything with Tmux, Here's How

    → https://youtu.be/z7xyZQVK4Dg

    12 min
  • OpenAI Codex 上手指南,5 大類功能加一個最划算的理由


    OpenAI Codex 名字帶 code 卻幾乎什麼都能做。這篇一次講完桌面版怎麼上手、5 大類功能怎麼用,以及為什麼低月費就能大量用的高階圖像生成,是一般人最划算的入場理由。



    ⭐ 文章深度讀:Codex 最值得注意的不是 coding,而是把圖像生成、自動化和桌面操作變成一般人也能玩的入口。

    → https://heymaibao.com/openai-codex-getting-started-guide/


    ⚡ 章節重點

    開場:Codex 不只是寫程式 00:00

    最划算的理由:高階圖像生成 01:33

    三步驟快速上手 02:38

    5 大類核心功能 03:53

    權限與自動化風險 06:14

    Codex 和 Claude 怎麼選 06:52

    總結:它接手的是數位雜務 07:40


    📝 懶人包

    ∙ Codex 是 OpenAI 推出的 AI agent,名字含 code,但依影片所述,開發以外的事它幾乎都能做:用試算表彙整資料、做 HTML 簡報、用 GPT Image 2 生成圖像,甚至產出短影片。


    ∙ 對一般人最有感的破壞點是圖像生成。影片作者指出,過去要做高階圖像自動化只能走 API,相當燒錢,現在用 ChatGPT 的低月費方案就能大量生成,他形容划算到近乎「壞掉」。


    ∙ 上手只要三步:下載桌面 app、用 ChatGPT 帳號登入、建立一個 project (其實就是資料夾),接著在對話框下指示,Codex 會自己「思考 → 蒐集資料或動手 → 看結果再思考」一路 loop 到它判斷完成為止。


    ∙ 我的觀點:與其問「Codex 和 Claude Code 誰比較強」,不如把它當成適材適所的其中一張牌。對非工程師讀者來說,Codex 真正的入場理由不是它多會寫程式,而是把高階圖像生成壓到月費就能玩,這個門檻的下降,比任何跑分宣稱都實際。


    📚 參考資料

    日文 YouTube 教學影片:OpenAI Codex 完整介紹

    → https://youtu.be/uWg7ILnmGC8?si=YXvMKghEHzMUxnkP

    9 min
  • AI 拉高了弱工程師的下限,下一個問題卻可能讓他們失業


    AI 編碼工具最大的影響,是把弱工程師從「淨負值」救成「至少能跑」。但工程師 Sean Goedecke 問了一個更冷的問題:你還為 AI 加了什麼價值,加得少的人可能丟工作。



    ⭐ 文章深度讀:AI 幫弱工程師撐住了下限,但下一個問題會先淘汰誰

    → https://heymaibao.com/ai-raises-weak-engineers-floor/


    ⚡ 章節重點

    開場 00:00

    什麼叫淨負值 00:51

    AI 怎麼把下限墊高 01:29

    你的同事其實是 AI 傳聲筒 02:51

    你為 AI 加了什麼價值 03:59

    槓桿還是代理人 05:13


    📝 懶人包

    ∙ AI 編碼工具最大的即時影響,是把弱工程師的產出從「淨負值」抬到「至少能跑」,等於拉高了團隊的下限,而不是讓強者更強。


    ∙ AI 會強力擋掉明顯的低級錯誤,但擋不掉那種需要理解整個系統才看得出來的微妙錯誤。


    ∙ 跟最弱的工程師合作,現在像隔著 Slack 跟一個 Claude 對話,有時對方真的就是把你的話貼進 AI、再把答案貼回來。


    ∙ 我的觀察:這對團隊是好事,對工程師個人卻是溫水煮青蛙。下限被機器補上了,但「你到底加了什麼機器給不了的價值」這個問題,會變得很難回答。


    📚 參考資料

    AI makes weak engineers less harmful

    → https://www.seangoedecke.com/ai-makes-weak-engineers-less-harmful/

    7 min
  • Google 不再是 Google:使用者出走,DuckDuckGo 安裝飆 30%


    Google 強推沒得 opt-out 的 AI 搜尋,使用者開始出走。DuckDuckGo 自報美國安裝一週峰值飆 30.5%,iOS 達 69.9%,但它自己也有 AI,這其實是選擇權之戰,不是反 AI。



    ⭐ 文章深度讀:這波出走到底是不是反 AI,我把安裝數字的水分也一起拆給你看

    → https://heymaibao.com/duckduckgo-installs-surge-google-ai-search/


    ⚡ 章節重點

    開場 00:00

    Google 到底動了什麼 00:39

    暴增 30% 背後的真相 01:36

    其實大家都在用 AI 03:19

    一場選擇權之戰 04:54

    誠實面對數字 06:06


    📝 懶人包

    ∙ Google 在 I/O 開發者大會把搜尋大改版,搜尋框變成對話式引擎,AI Overviews 直接先給答案而不是給連結列表,AI Mode 還能在答案裡追問。這套「沒得選的 AI」引爆了反彈。


    ∙ DuckDuckGo 自報,美國 app 安裝量 5/20 到 5/25 一週平均成長 18.1%,連六天上升,5/25 峰值衝到 30.5%;iOS 更猛,平均 33%、峰值 69.9%。第三方分析公司 Apptopia 也測到美國日均下載 +29%,部分對得上。


    ∙ DuckDuckGo 用「把選擇權還給你 + 隱私」接住這波人,但它自己也有 AI 產品 (Duck.ai、Search Assist)。它的溝通暨政策長 Kamyl Bazbaz 一句話講白:「People just want a choice (大家只是想要有得選)。」


    ∙ 我的觀察: 這波出走不是反 AI,是反「被強迫」。force-fed 之所以刺耳,是因為被拿走的是控制權,不是 AI 本身好不好。成長是真的,但建立在約 2% 的小市場、又偏美國、還是短期的週對週數字,別急著說搜尋變天了。


    📚 參考資料

    DuckDuckGo installs are up 30% as users reject being force-fed Google AI search

    → https://techcrunch.com/2026/05/26/duckduckgo-installs-are-up-30-as-users-reject-being-force-fed-googles-ai-search/

    8 min
  • 別再給每個 AI agent 一顆獨立的腦袋,它們其實該共用記憶


    你開了一排 AI agent 卻覺得它們互相是陌生人?@pejmanjohn 說真正的瓶頸不在模型,而在缺一層你自己擁有的共享記憶。這篇拆解他的觀點,附我的判斷與兩個早期專案。



    ⭐ 文章深度讀:多 agent 工作流真正的瓶頸,其實不是模型不夠強

    → https://heymaibao.com/ai-agents-shared-memory-layer/


    ⚡ 章節重點

    開場:你的 AI agent 互相是陌生人 00:00

    三個 agent 各自為政的真實困境 01:15

    repo 同步了,記憶卻沒有 02:27

    別再給每個 agent 一顆獨立的腦袋 03:56

    hive mind:蜂巢思維是什麼 04:30

    缺的那一層與兩個早期專案 06:10

    我的觀點與行動建議 07:42


    📝 懶人包

    ∙ 多 agent 工作流真正的瓶頸,不是單一 agent 不夠聰明,而是 agent 之間沒有共享記憶。每個 agent 都是一座孤島,不斷重新推導你已經解釋過的事。


    ∙ 「把計畫寫進 repo 或 markdown 就好」只能保留結論 (destination),保留不了產生結論的過程 (journey)。而幾天後你真正需要的,常常正是那條當時被你剪掉、沒寫進文件的分支。


    ∙ 作者賭的方向是「hive mind」(蜂巢思維):一個 agent 學到有用的東西,其他 agent 馬上就能知道,讓整套系統從「一組各自為政的助理」變成「一個有不同雙手的分散式心智」,而且這個記憶層由你自己擁有。


    ∙ 我的觀點:如果你也在同時用好幾個 AI agent,下一步真正該升級的不是換更強的模型,而是注意底下那一層「你擁有的共享記憶」還沒長出來,這才是接下來最值得盯的方向。


    📚 參考資料

    Stop Giving Every Agent Its Own Skull

    → https://x.com/pejmanjohn/status/2061091767030825003


    GBrain

    → https://github.com/garrytan/gbrain/


    CASS

    → https://github.com/Dicklesworthstone/coding_agent_session_search

    9 min
  • Claude Opus 4.8:4 個新功能,和一個被忽略的省錢設定


    Claude Opus 4.8 有 effort control、fast mode、dynamic workflows 與誠實提升 4 個新功能,真正省錢的是被忽略的 effort 分流,數字皆為作者陳述,建議自行核對。



    ⭐ 文章深度讀:完整成本路由表、可以直接抄的 config,還有我對那些數字逐條的存疑,都整理在文章裡

    → https://heymaibao.com/claude-opus-4-8-setup-guide/


    ⚡ 章節重點

    開場 00:00

    Fast Mode 加速模式 01:54

    Dynamic Workflows 動態工作流 02:37

    誠實度提升 03:29

    Effort Control 省錢主角 04:53

    任務路由與成本矩陣 06:12

    可直接抄的設定 07:42

    結論 08:54


    📝 懶人包

    ∙ Opus 4.8 同時上了三個操作面功能:effort control (可控制每個任務想多深)、更便宜的 fast mode、dynamic workflows (單一 session 開出大量並行 subagent)。


    ∙ 作者主張把任務路由到對的 model 加 effort 加 mode,月花可以從大約 $400-600 降到約 $205 (作者試算)。


    ∙ 作者認為這次最高價值的功能是 effort control,不是聲量最大的 dynamic workflows。


    ∙ 我的觀點:真正能砍帳單的是「依任務難度分流」這個習慣,但文中所有定價與 benchmark 都是作者單方說法,照做前先用官方定價自己核對一次。


    📚 參考資料

    @zodchiii 的設定攻略推文串

    → https://x.com/zodchiii/status/2060293472091771114

    26 min