脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • 他週末用 AI 做出 Notion,最值錢的不是程式碼是判斷


    一位開發者週末用 AI 做出個人版 Notion,但他說最值錢的不是程式碼,是判斷。拆解他的三原則、八階段流程、三個最反直覺的操作,以及我對這套方法能不能外推的邊界判斷。



    ⭐ 文章深度讀:想看完整圖文拆解,加上我對這套方法能不能外推的邊界判斷

    → https://heymaibao.com/weekend-ai-notion-judgment-over-code/


    ⚡ 章節重點

    開場:AI 做完,換你挑 00:00

    最值錢的不是程式碼,是判斷 00:26

    Cove 是什麼:砍到極小的個人 Notion 01:22

    動手前的三個原則 02:11

    三個反直覺操作 03:02

    雙 AI 分工:Cursor 寫、Codex 挑 04:35

    為什麼判斷才是真本事 05:41

    邊界:它只是單機小玩具 07:11


    📝 懶人包

    ∙ 一位開發者 (X 帳號 @Av1dlive) 週末做出個人版 Notion,取名 Cove,靠一個設計工具 Moonchild 做設計、Cursor 和 Codex 兩個 AI 寫程式,全程跑一套他自己整理的八階段流程。


    ∙ 三個最反直覺的操作:丟「冷門個人網站」而不是 Notion 當參照、要 AI 一次給三個設計方向再自己混搭、把 AI 反問你的問題當成最高價值的產出。


    ∙ 寫程式和檢查程式,他刻意用兩個不同的 AI 來做,因為「想趕快做完」和「想挑毛病」是兩種會打架的心態。


    ∙ 我的觀察:這套流程很扎實,但「週末做完」的前提,是他把產品砍到極小。要把它外推成「AI 讓你週末做出上線級產品」,先打個問號。


    📚 參考資料

    原文 (X / @Av1dlive)

    → https://x.com/av1dlive/status/2060035425574764708


    作者公開的成品原始碼 (GitHub)

    → https://github.com/codejunkie99/cove

    9 min
  • 9 億用戶不賺錢,1000 美元帳單才賺錢:AI 變現邏輯大轉向


    AI 帳單暴增不是泡沫。9 億週活的 ChatGPT 只有 5.6% 付費,OpenAI 與 Anthropic 真正變現的是每月燒上千美元的 coding agent。一篇看懂 2026 年 4 月的定價轉向。



    ⭐ 文章深度讀:OpenAI 與 Anthropic 上市時公開的審計財報,才能驗證那些獲利與營收傳聞

    → https://heymaibao.com/ai-coding-agent-product-market-fit/


    ⚡ 章節重點

    開場:帳單暴增是泡沫還是轉捩點 00:00

    荒謬的價格落差:200 換 2180 美元 01:19

    定價在四月悄悄轉向 03:10

    9 億用戶為何還養不起 04:41

    擴張的證據:招募與算力 05:54

    拆解「AI 失敗」新聞 07:45

    給知識工作者的警鐘 09:10


    📝 懶人包

    ∙ OpenAI 和 Anthropic 在 2026 年 4 月前後,把企業方案從「超級折扣」改成幾乎照 API 牌價計費,新模型還同步漲價,企業帳單因此一路往上衝。


    ∙ 真正能賺錢的,不是有 9 億週活躍用戶、卻只有 5.6% 付費的 ChatGPT,而是每月願意花 200 美元以上、重度使用就會燒到約 1000 美元的 coding agent (會自己動手完成任務的 AI 工具) 使用者。


    ∙ 兩家公司正在猛力擴張企業業務:OpenAI 約三分之一、Anthropic 約四分之一的職缺都跟企業銷售有關,Anthropic 光是跟單一供應商簽的算力合約,每月就要付 12.5 億美元。


    ∙ 我的觀點:這波帳單爆炸不是泡沫破裂,而是這兩家公司第一次找到能撐起天價基礎設施的產品形態。只是所有亮眼數字都還是傳聞,要等 IPO 的審計財報才算數。


    📚 參考資料

    I think OpenAI and Anthropic have both found product-market fit - Simon Willison

    → https://simonwillison.net/2026/May/27/product-market-fit/


    Anthropic changes pricing to bill firms based on AI use - The Information

    → https://www.theinformation.com/articles/anthropic-changes-pricing-bill-firms-based-ai-use-amid-compute-crunch


    Codex rate card - OpenAI

    → https://help.openai.com/en/articles/20001106-codex-rate-card


    Uber CTO shows Claude Code can blow AI budgets - The Information

    → https://www.theinformation.com/newsletters/applied-ai/uber-cto-shows-claude-code-can-blow-ai-budgets


    Microsoft starts canceling Claude Code licenses - The Verge

    → https://www.theverge.com/tech/930447/microsoft-claude-code-discontinued-notepad


    SpaceX S-1 - SEC

    → https://www.sec.gov/Archives/edgar/data/1181412/000162828026036936/spaceexplorationtechnologi.htm


    Higher limits with SpaceX - Anthropic

    → https://www.anthropic.com/news/higher-limits-spacex


    Anthropic revenue tied to two customers - VentureBeat

    → https://venturebeat.com/ai/anthropic-revenue-tied-to-two-customers-as-ai-pricing-war-threatens-margins

    11 min
  • 把工程師最常犯的那些錯,一個個交給編譯器,這就是 Rust


    Rust 為什麼越來越紅?Tokio 維護者 Alice Ryhl 拆解它的設計哲學:把工程師最常犯的錯交給編譯器擋掉。沒有 null、錯誤不能忽略、記憶體安全,還有它在 AI 時代的意義。



    ⭐ 文章深度讀:Rust 那套「把錯交給編譯器」的防呆思路,哪一條最該被你的 AI 工作流抄走

    → https://heymaibao.com/rust-reliable-by-design/


    ⚡ 章節重點

    開場 00:00

    Rust 為什麼可靠 02:04

    它怎麼做到極端防呆 04:24

    新手卡關的真正原因 05:35

    一個沒有獨裁者的社群 07:24

    AI 時代的獨特價值 09:19

    帶走的結論 10:30


    📝 懶人包

    ∙ Rust 從語言層面堵掉兩個最常見的當機來源:它要嘛沒有 null (空值),要嘛逼你在用之前先檢查,不會像有些語言讓你忘,而且錯誤是一個「不能被忽略的回傳值」,你想跳過不處理,編譯器就會出聲擋你。


    ∙ Rust 是「記憶體安全」的,這直接消滅了一整類「小失誤變成資安漏洞」的 bug,而且它不靠垃圾回收 (GC) 來達成,所以又快又能用在作業系統核心 (kernel) 這種底層場景。


    ∙ 它還有一堆「防呆」設計:漏掉一種情況沒處理會編譯不過、變數沒給初始值不能用、連文件裡的範例都會被自動拿去當測試跑,過時就壞給你看。


    ∙ 我的觀察:這套「先想人會犯什麼錯,再用工具擋掉」的哲學,正好讓 Rust 在 AI 時代特別有意思,編譯器能不斷給 AI 大量明確的回饋,讓它知道哪裡寫錯了。成立條件是這套優勢主要發生在有強型別、有編譯期檢查的語言上,不是所有語言都吃得到這個紅利。


    📚 參考資料

    Why Rust is different, with Alice Ryhl

    → https://youtu.be/q9xD36NCtZ8

    12 min
  • 別再餵 AI 更多資料了,公司大腦真正缺的是檢索這一層


    別再餵 AI 更多資料了。Single Grain 創辦人 Eric Siu 說,公司大腦的瓶頸不是記憶不夠,而是檢索沒做好。本文拆解他的 5 層架構,與自動化前該問的 6 個關鍵問題。



    ⭐ 文章深度讀:如果你也在拼命餵 AI 更多資料,卻發現它越用越卡,問題可能不在記憶,而在檢索

    → https://heymaibao.com/company-brain-retrieval-layer/


    ⚡ 章節重點

    開場 00:00

    AI 的盲點:你的大腦只是儲藏室 01:03

    記憶 vs 檢索:真正的操作層 02:21

    公司大腦的五層架構 03:47

    自動化前先問這六個問題 06:12

    乾淨的智慧層 07:11


    📝 懶人包

    ∙ 公司的「大腦」其實一直都在,只是散在 Slack、通話記錄、CRM,還有某個今天剛好請假的同事腦袋裡。真正的優勢從來不是知識量,而是夾在這堆東西和實際工作之間的那層判斷力。


    ∙ Single Grain 一開始用「給每個 agent 更多記憶」來解,結果持久記憶檔案吃掉大約 40% 的 context window,系統技術上更聰明了,實際操作卻更亂,agent 有更多資訊卻不一定拉得到對的那塊 (以上為 Eric Siu 的自述數字)。


    ∙ 他們的解法是把心智從「記憶」換成「檢索」:memory 是原料,retrieval 才是操作層,再用 capture、retrieval、source truth、permission、feedback 五層把它落地。


    ∙ 我的觀察是,這套東西跟你公司多大其實沒太大關係,一人工作室一樣成立。差別只在於,你有沒有把「兩份資料打架時聽誰的」和「同一個錯怎麼只糾正一次就變規則」設計成系統,而不是繼續靠某個人剛好記得。


    📚 參考資料

    How we built a Single Company Brain (and how you can too)

    → https://x.com/ericosiu/status/2060415100603781497

    9 min
  • 近三分之一可能判錯,你信的 AI 寫程式排行榜出了什麼問題


    新評測 DeepSWE 回頭檢查主流 AI 寫程式排行榜,發現近三分之一判定可能不可信。問題出在答案能被 AI 直接抄,加上評分又測錯東西。這篇拆解病灶與 DeepSWE 的修法。



    ⭐ 文章深度讀:完整拆解這 32% 判定怎麼被戳破,以及 DeepSWE 用什麼修法把漏洞堵死

    → https://heymaibao.com/ai-coding-benchmark-deepswe/


    ⚡ 章節重點

    開場 00:00

    近三分之一判錯的震撼數字 00:26

    兩個病灶 污染與弱驗證 01:32

    DeepSWE 怎麼防作弊 03:15

    不同 AI 的寫程式性格 04:28

    該怎麼看這份報告 06:18


    📝 懶人包

    ∙ DeepSWE 團隊請一個 AI 重新逐筆檢查 SWE-bench Pro 的判分,發現有 32% 的「過 / 不過」判定,跟仔細讀過程的人看法不一致。換成他們自家的 DeepSWE 評測,這個數字只有 1.4%。


    ∙ 病灶有兩個。一是「污染」:標準答案就藏在程式碼的版本紀錄裡,AI 翻一下就抄到。二是「弱驗證」:負責改考卷的評分程式測錯了東西,誤殺對的答案,也放過了沒真正做事的答案。


    ∙ DeepSWE 的修法很直接:題目全部重新出、不把答案放進考場、評分只看「行為對不對」而不是「寫法像不像標準答案」。


    ∙ 我的觀察:以後看這類排行榜,真正該盯的不是誰排第一,而是「這個分數是怎麼判出來的」。但要提醒一句,這份審計是 DeepSWE 自己做的,數字漂亮的一方剛好也是出題的一方,看的時候得把這層關係放在心上。


    📚 參考資料

    DeepSWE: Measuring frontier coding agents on original, long-horizon engineering tasks (Wenqi Huang et al., 2026)

    → https://deepswe.datacurve.ai/blog

    9 min
  • Claude Code 進階地圖:hooks、skills、MCP 到底在做什麼


    一則爆紅推文說 Claude Code 的真正威力在生態系。我同意框架,但拆掉炒作後,真正值得帶走的是 hooks、skills、MCP、subagents、automations 這張進階使用地圖。



    ⭐ 文章深度讀:我把那個 claude-code-setup 外掛當「作者宣稱」來看,完整版說明為什麼要先查證再裝

    → https://heymaibao.com/claude-code-ecosystem-guide/


    ⚡ 章節重點

    開場 00:00

    為什麼要改變用法 01:35

    五個生態系元件 02:11

    那個外掛要先查證 04:55

    你的下一步行動 06:04

    我的結論 06:46


    📝 懶人包

    ∙ 這則推文的核心主張:Claude Code 的槓桿不在「prompt 寫得更好」,而在它外圍的整套生態系。


    ∙ 它的切入點:原 po 點名一個叫 `claude-code-setup` 的外掛,宣稱它能降低設定門檻,幫你把生態系組裝起來。


    ∙ 真正值得記住的是五個元件:hooks、skills、MCP、subagents、automations。


    ∙ 我的觀點:這個框架站得住腳,但這則推文宣稱多、證據少。你真正能帶走的是那張元件地圖,不是「改變一切」的口號。


    📚 參考資料

    Claude Code 的外掛正在悄悄改變 AI 開發方式,@suryanshti777 的 X thread

    → https://x.com/suryanshti777/status/2057854303499636946?s=46

    8 min
  • Anthropic 反擊了,但 Opus 4.8 的帳單比模型本身更嚇人


    Opus 4.8 號稱最聰明,但實測一個指令就燒掉約 168 美元。從 token 帳單、測試環境如何左右跑分到 Ultra Code 與 dynamic workflows,帶你看懂這次發佈真正的重點。



    ⭐ 文章深度讀:我最想盯的是 Anthropic 說要推的便宜版 Opus 和神秘的 Mythos 到底何時真的開放,會不會直接打臉這次的成本爭議

    → https://heymaibao.com/opus-4-8-token-cost-review/


    ⚡ 章節重點

    開場 00:00

    一個指令燒掉 168 美元 00:30

    解開 Ultra Code 的真面目 01:49

    跑分測試與誠實度 03:18

    終極價效比考驗 05:16

    升級前的實用建議 06:33


    📝 懶人包

    ∙ 一個指令、約 168 美元:在新的 Ultra Code 模式下,主講者實測單一指令就能燒掉這個數字,這是這次發佈最有衝擊力的成本錨點。


    ∙ 同一個模型換測試環境,分數天差地遠:在 Claude Code 裡跑分略輸前代 4.7,換到精簡測試環境卻反超 OpenAI 的對手模型。


    ∙ 「更誠實」的宣稱撞上實測:官方說明把不實率降到 3.7%,但主講者實測時,模型卻對 Claude Code 自家的指令參數產生幻覺。


    ∙ 我的觀察:這次值得花時間看的是成本結構和新功能的性價比,不是「最聰明模型」這個標籤。對多數用 AI 做事的人來說,搞懂錢會怎麼花,比多那幾分跑分重要得多。


    📚 參考資料

    Anthropic fights back

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

    8 min
  • Google 樣樣齊全,卻樣樣做不成:AI 的護城河已經換了


    Google 握有 AI 競賽需要的所有資源,卻做不出能用的東西。Nerd Snipe podcast 認為真正的護城河已經從資源換成組織執行力,而中國的開源模型紅利也可能正在收尾。



    ⭐ 文章深度讀:護城河換了之後,動手做東西的人該怎麼卡位,我在文章裡講得更白

    → https://heymaibao.com/ai-moat-execution-over-resources/


    ⚡ 章節重點

    開場 00:00

    為什麼 Google 掉隊了 00:52

    傳統護城河為什麼失效 02:10

    新護城河是組織執行力 03:07

    中國開源模型的警訊 04:54

    給開發者的三個策略 05:54


    📝 懶人包

    ∙ Google 在帳面上幾乎握有 AI 競賽的所有資源,但主持人認為它一年多來在前沿沒做出值得一提的東西,連讓模型穩定呼叫工具都做不到。


    ∙ 兩位主持人的核心判斷是:真正的護城河已經從「你有多少資源」換成「你能不能把資源組裝成可用產品」,OpenAI 和 Anthropic 領先的關鍵在組織執行力,不只是模型本身。


    ∙ 一個比較少人談的警訊是中國的開源紅利可能要收尾,Manus 被 Meta 收購後遭北京強行拆回,Qwen 新版閉源,主持人推測中國開始把開源模型當成地緣籌碼收回。


    ∙ 我的觀察:對動手做產品的人來說,這集最實用的一點不是吐槽 Google,而是「軟體正在變便宜」帶來的瓶頸轉移。當寫程式不再是瓶頸,部署、接線和安全才是。成立條件是你用的模型夠強,而且願意接受 agent 寫出來的「夠用就好」的程式碼。


    📚 參考資料

    Google is Not a Serious Company

    → https://youtu.be/9Ho-QNLOejI

    8 min
  • Claude Code 跑得比 Codex 快,為什麼額度卻撐得比較短


    @nateherk 100 小時實測 Claude Code 與 Codex,前者跑得快但 output token 是 Codex 的 2 到 5 倍,這就是 Claude Code 額度燒得快的真實原因,文章解析設計哲學差異



    ⭐ 文章深度讀:Claude 規劃、Codex 執行,這是 nateherk 100 小時實測之後社群正在用的混搭工作流

    → https://heymaibao.com/claude-code-vs-codex-output-token/


    ⚡ 章節重點

    開場:跑得快卻撐不久的反差 00:00

    三題實測設計 02:27

    時間數據揭曉 02:57

    Token 落差真相 03:23

    Claude Code 的可塑性護城河 05:30

    Codex 的輸送帶護城河 06:10

    第三方政策分水嶺 06:58

    終極混搭工作流 08:12

    總結 09:44


    📝 懶人包

    ∙ Claude Code 與 Codex 表面的功能 overlap 大到離譜,desktop app、VS Code 擴充、MCP、skills、hooks、sub-agents、cloud delegation 兩家都有。真正分歧的是設計哲學,Claude Code 走 customization、Codex 走 unified shipping。


    ∙ nateherk 的 3 題實測裡,Claude Code 總時間約 15 分鐘、Codex 約 26 分鐘,Claude Code 在 dashboard 與 landing page 視覺成品也比較精緻。


    ∙ 但 Claude Code 的 output token 在每一題都是 Codex 的 2 到 5 倍 (dashboard 83K vs 18K、landing 80K vs 20K、research report 41K vs 16K),這直接對應到「Claude 額度為什麼撐得比較短」的真實原因。


    ∙ 我的觀察:對台灣讀者來說,這場比較裡最值得放大的反而是政策差異 — Codex 可以光明正大被 OpenClaw、Hermes 這類第三方 harness 接過去用,Claude Code 不行。這個分歧未來會持續影響「我該買哪家訂閱」這個決定。


    📚 參考資料

    100 Hours Testing Claude Code vs Codex (@nateherk on X)

    → https://x.com/nateherk/status/2059377638896971985

    11 min
  • X 上有人賣 Claude Memory 課程,我幫你免費拆完 5 步


    X 上有人把 Claude Memory 5 個設定包成沒人會用的秘訣,文末導流自家 Gumroad 課程。我幫你免費拆完 5 步,告訴你哪 2 步真的值得花時間做,哪些只是把公開常識重新命名



    ⭐ 文章深度讀:完整文章在脈報,附上 5 步逐項拆解與 claude.ai Memory / Claude Code CLAUDE.md 的產品邊界對照。

    → https://heymaibao.com/claude-memory-five-step-course-breakdown/


    ⚡ 章節重點

    開場 00:00

    12 小時是哪來的數字 00:37

    5 步只 2 步有用 02:48

    第 3 步:Project 隔離 03:40

    第 5 步:每週清理 04:57

    被歸類為常識的 3 步 06:13

    跨裝置同步與產品邊界 07:18

    總結與防騙提醒 09:07


    📝 懶人包

    ∙ 來源 thread 的 5 步:把自己的好作品丟給 Claude 學語氣、把客戶 context 存進 Memory、用 Claude Projects 隔離 Memory、開啟跨裝置同步、每週清理過期 Memory。


    ∙ 作者反覆強調「Anthropic 不教 setup」,把自己定位成補位者,文末連到自家 Gumroad 課程 Claude Mastery。


    ∙ 開場「每月浪費 12 小時 re-brief Claude」是來源宣稱的促銷數字,沒附樣本、沒附方法,正文照貼會違反「不把推測寫成事實」的底線。


    ∙ 我的觀察:5 步裡 Project 隔離 (第 3 步) 和每週清理 (第 5 步) 是有結構價值的兩點,其他 3 步是把公開常識重新包裝。


    📚 參考資料

    zephyr_hg 原始 X long-form post

    → https://x.com/zephyr_hg/status/2059275231701635242

    11 min