脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • AI 還是健忘症患者:被高估的 agent 與被低估的記憶層


    一篇 X 長推文點出反共識觀點:大家都在追 AI agent,但 AI 還是「健忘症患者」,真正被低估的可能是記憶層。我把推文論點拆給你看,順便加上自己同意與保留的判斷。



    ⭐ 文章深度讀:下次你打開一個新的 AI 工具,多問一句「它記得我嗎、它記多久」,比問「它能不能 agent 化我這個流程」更接近長期價值。

    → https://heymaibao.com/ai-memory-vs-agent-underrated/


    ⚡ 章節重點

    開場 00:00

    無記憶問題是 AI 業界盲點 00:30

    GBrain 怎麼描述合成 vs 檢索 02:21

    dream cycle 是全篇最強的 hook 04:02

    memory vs agent 是真護城河還是修辭 06:09

    帶走的判斷框架 06:54

    我自己也是健忘症患者 07:34


    📝 懶人包

    ∙ 推文主張 AI 業界把焦點放錯:模型大小、context window (上下文視窗)、agent 都被高估,「AI 還不記得任何事」這個本質問題反而被忽略


    ∙ 推文點名一個叫 GBrain 的產品,主張它在做「持久認知層 (persistent cognitive layer)」,跟現有 AI 工具的差異是「合成意義」而不是「展示文件」


    ∙ 推文用「dream cycle (夢循環)」比喻 GBrain 夜間自動整理記憶,類比生物睡眠對人類記憶的整合作用


    ∙ 我的觀察:這篇推文點出的議題比它推銷的產品更值得讀。AI memory 確實是被低估的長期賽道,但推文對 GBrain 的描述目前沒有第一手證據,把它當議題切入點比較安全


    📚 參考資料

    @Suryanshti777 原推文

    → https://x.com/Suryanshti777/status/2058513583076732971?s=20

    9 min
  • Anthropic 倫敦 keynote:Claude 開始 prompt Claude


    Anthropic 倫敦 Code with Claude 2026 開場 keynote 重點:模型走指數 企業走線性 task horizon 從分鐘到小時 Claude Code 推出 Routines 與 CI autofix 開發者怎麼接



    ⭐ 文章深度讀:完整文章版有把 keynote 的三層敘事拆得更細,也補上幾個我認為值得長期追蹤的後續訊號。

    → https://heymaibao.com/anthropic-london-keynote-claude-prompts-claude/


    ⚡ 章節重點

    開場 00:00

    Boris 的計算機故事 00:40

    模型走指數 企業走線性 01:20

    task horizon 是什麼 01:50

    三層敘事架構 03:09

    模型線 03:16

    平台線 04:23

    Claude Code 線 05:51

    你的下一步 07:18


    📝 懶人包

    ∙ Anthropic 把整場訊息收斂成一句話:模型能力走指數,企業採用走線性,差距由開發者填補。


    ∙ 研究 PM Lisa 提出 task horizon 這個指標,一年前,模型可靠連續工作只能撐分鐘;今天,多數使用者跑的是小時級 agent;下一站是持續運行的 always-on agent。


    ∙ 平台側宣布兩件事:Claude Managed Agents 開放 self-hosted sandboxes (首批支援 Daytona、Cloudflare、Vercel、Modal) 與 MCP tunnels;Claude Code 側 Routines、CI autofix、Claude Security 都已可用。


    ∙ 我的觀察:這場 keynote 的轉折藏在 Boris 結語。當 default 從「人 prompt Claude」變成「Claude prompt Claude」,prompt 工程的價值會被往上推,從寫單句 prompt,升級到設計 routine 與 orchestration。


    📚 參考資料

    Code with Claude London 2026: Opening Keynote

    → https://youtu.be/6amLO7I9xdg

    9 min
  • Nasdaq 為了 SpaceX 改了三條規則,你的退休帳戶被動買單


    SpaceX 預計 6 月以 1.75 兆估值 IPO,Nasdaq 5 月改了三條規則:等待期縮短、取消 Free Float 門檻、低 Float 權重乘 3 倍。結果被動基金被迫接盤,退休帳戶買單。



    ⭐ 文章深度讀:如果你有美股 Nasdaq 100 ETF 或公司海外指數型基金部位,這 3 條規則改動會直接影響你

    → https://heymaibao.com/nasdaq-three-rule-changes-for-spacex-ipo/


    ⚡ 章節重點

    開場 00:00

    SpaceX 的真實面貌 02:23

    Nasdaq 改的三條規則 03:49

    散戶為什麼變 exit liquidity 06:37

    AI 巨頭的紅地毯 08:32

    我的結語 09:50


    📝 懶人包

    ∙ SpaceX 真正的本體不是火箭,是 Starlink。Starlink 占 SpaceX 2025 年營收 61% (約 114 億美元)、毛利率 63%,火箭業務只占 1/4,xAI 則是燒錢黑洞。


    ∙ Nasdaq 在 SpaceX 預計 IPO 前一個月改了三條規則:等待期從 3 個月縮到 15 個交易日、Free Float 10% 門檻取消、Float 低於 20% 的公司權重乘以 3 倍。三條合起來是設計給被動指數基金的強制買盤。


    ∙ SpaceX 散戶配額目標 30% (常規 IPO 是 5–10%),CFO 自己在 banker 場合表示「retail loyal to Elon」(依 Casual Finance 影片所述)。Portfolio manager George Noble 一句「Your 401k is the exit liquidity」(401k 是美國上班族最常用的退休帳戶;意思是替內部人接盤的就是你的退休金) 是這場戲最白話的旁白 (依影片所述)。


    ∙ 我的觀察:這套規則改動不是只為 SpaceX 一家設計的。OpenAI、Anthropic 接下來若用相似的 low-float 高估值結構上市,等於同一條紅地毯踩第二次。對台灣讀者,重點是檢查自己的 Nasdaq 100 ETF 或公司海外指數型基金部位,被動買盤啟動時不會問你同不同意。


    📚 參考資料

    The SpaceX IPO… It's Worse Than You Think

    → https://youtu.be/-X6YzlY_8tM

    11 min
  • Matt Pocock 用 handoff 接住 AI,不再被 compact 綁住


    Matt Pocock 做了一個 handoff skill,不靠 compact 壓縮歷史,而是把當前 AI session 的純度保留下來。本文拆解設計思路、與 compact 的差別、grilling 場景的兩種用法。



    ⭐ 文章深度讀:與其想 compact,不如先問「這件事屬不屬於當前 session」。下次冒出想另外做的念頭,就用 handoff 切走,主軸維持純粹。

    → https://heymaibao.com/matt-pocock-handoff-vs-compact/


    ⚡ 章節重點

    開場 00:00

    為什麼 AI 越聊越鈍 01:23

    compact 不是唯一解 02:39

    handoff skill 在做什麼 03:55

    場景一 grilling 中分流 05:03

    場景二 prototype 迴圈 06:12

    markdown 跨 agent 流動 07:21

    session 思維升級 08:02

    收尾與小挑戰 08:48


    📝 懶人包

    ∙ compact 是把同一個 session 壓縮續跑,會留下一層層「歷史沉積」,適合反覆 debug;handoff 則是把當前 session 的一個切片獨立丟給另一個 agent,主軸不被稀釋。


    ∙ Matt Pocock 的 `/handoff` skill 內容很短,核心就是「寫一份 handoff markdown 給新 agent 續跑,存到作業系統暫存區」。明示是拋棄式產物。


    ∙ 他最常用的場景是 grilling (他自己的另一個 skill,讓 AI 反問你問題、幫你想清楚需求) 中遇到超出當前範圍的任務當場 handoff 出去,或形成 grilling → prototype → handoff back 的迴圈,他自己把這比喻成「DIY sub agent」。


    ∙ 我的觀察:handoff 真正的價值不在 markdown 文件本身,而在它強迫你開始用「session 設計」的視角看 AI 工作流,而不是把 AI 當一個越塞越滿的對話視窗。


    📚 參考資料

    「/handoff is my new favourite skill」 (YouTube, 2026-05-21)

    → https://youtu.be/dtAJ2dOd3ko


    公開的 skills 入口 (影片描述提供)

    → https://aihero.dev/s/YL1zWx

    10 min
  • DHH:AI 不是讓你做得更快,而是讓你接以前不敢接的工作


    Ruby on Rails 之父 DHH 半年前還在 Lex Fridman 節目猛批 AI 編碼工具,這個冬天卻全面改 agent-first。他說真正的解鎖不是 AI 變快,而是讓你敢接以前不會接的工作。



    ⭐ 文章深度讀:你手邊有哪些一直擱著的好點子,現在可以重新開?歡迎留言告訴我,我接下來會盯著看大家用 agent 真的做出了什麼。

    → https://heymaibao.com/dhh-ai-pie-exploding/


    ⚡ 章節重點

    開場 00:00

    從懷疑到擁抱 01:11

    agent-first 的超級能力 02:34

    專案的超級通貨膨脹 04:09

    Peak Programmer 的殘酷真相 05:19

    結語:你只是人肉打字機嗎 07:15


    📝 懶人包

    ∙ DHH 把這次 AI 轉向歸因到兩件事同時抵達門檻:模型品質 (Claude Opus 4.5,他推測是 11 月 27 日發佈) 加上 agent harness (CLI 工具殼能讓 AI 自己呼叫終端機、瀏覽器、外部工具)。autocomplete (寫程式時 AI 一直幫你猜下一個字) 那一代失敗,不代表 AI 沒用。


    ∙ 他形容 agent 真正的價值不是把舊工作做得更快,而是讓他敢接以前不會接的工作。Omachi (他做的 Linux 發行版) 在版本發佈前他 90 分鐘清掉 100 個 pending PR,同事 Jeremy 把最快 1% 的請求從 4 毫秒壓到不到 0.5 毫秒,「以前根本不會接這種看似沒商業意義的專案」。


    ∙ DHH 押注「Peak Programmer」已過。重點不是程式設計師會失業,而是「以程式實作為瓶頸而拿高薪溢價」的時代結束。資深工程師反而被加速 5 到 10 倍。


    ∙ 我的觀察:DHH 這套 framing 對非程式設計師讀者也成立。別再問「AI 讓我快多少」,要問「我手邊有哪些一直擱著的好點子,現在可以重新開」。這才是 agent 時代真正的槓桿。


    📚 參考資料

    The Pragmatic Engineer:DHH's new way of writing code

    → https://youtu.be/JiWgKRgdgpI

    8 min
  • 會自我進化的 AI 代理 Hermes Agent,到底進化了什麼


    Hermes Agent 是 Nous Research 推出的開源 AI 代理。我拆開它的三層記憶架構與「自我進化」的有限定義,並交代執行環境彈性,幫你判斷它跟你目前用的 AI 差在哪。



    ⭐ 文章深度讀:接下來幾週我會盯著 Hermes 跟主流 AI 工具 (ChatGPT、Claude projects、各家 AI IDE) 在「跨 session 記憶」這條軸上的進展,看誰真的把 memory 當第一性問題處理,誰只是把 memory 當行銷詞。

    → https://heymaibao.com/hermes-agent-self-improving/


    ⚡ 章節重點

    開場 00:00

    自我進化到底進化什麼 01:16

    三層記憶架構 02:25

    介面與算力分離 04:22

    適合誰用加 MIT 開源 05:53

    結語三問 07:05


    📝 懶人包

    ∙ Hermes Agent 把跨 session 記憶拆成三層:Agent-Curated Memory (用 Honcho dialectic user modeling 持久化偏好)、Skill Memory (把完成過的任務變成可重用 skill,透過 `agentskills.io` open standard 可分享)、Session Search (用 FTS5 全文搜尋 + LLM 摘要回放歷史對話)。


    ∙ 「Self-improving」在這裡是限定詞,只發生在 workflow 跟 memory 層,不更新 foundation model 權重。Hermes 累積的是 skill、user model 跟 reusable procedures,不是線上微調。


    ∙ 它不綁在瀏覽器分頁裡。Messaging gateway 同時接 Telegram、Discord、Slack、WhatsApp、Signal、Email,後端可以跑在 VPS、Modal、Daytona、Vercel Sandbox 等 serverless 環境,閒置時 hibernate,醒來時喚起,成本壓得很低。


    ∙ 我的觀察:Hermes 真正有意思的不是「有記憶」這件事 (這方向 ChatGPT、Claude projects、各家 IDE 早就在做),而是「把 memory 當成可攜資產而不是 vendor 內建 feature」這個架構選擇。對你成不成立,要看你是不是真的跨 session 連續性敏感的人。


    📚 參考資料

    Hermes Agent 介紹長文 (X @nainsidwiv50980)

    → https://x.com/nainsidwiv50980/status/2059191739815281042?s=46

    8 min
  • Codex 給 skill 的 context 只有 2%,你的描述塞爆書架


    Codex 給 skills 的 context 只有 2%。steipete 寫了 skill-cleaner,用 Codex 自己的演算法找出最浪費 token 的描述、重複 skill 與沒被用過的 skill,預設只建議。



    ⭐ 文章深度讀:寫 skill 之前先問一句:這段描述每次對話都要被讀一次,它值嗎?

    → https://heymaibao.com/codex-skill-context-budget-cleaner/


    ⚡ 章節重點

    開場 00:00

    steipete 的提醒 01:09

    2% 的硬上限 03:12

    skill-cleaner 怎麼用 05:05

    最稀有的設計品味 07:08

    誰會用得到 08:30


    📝 懶人包

    ∙ Codex 把所有啟用 skill 的 `name + description` 寫進每次對話的 system prompt,這些字不是「按需載入」,而是常駐。


    ∙ Codex 給 skills 的預算只有 context window 的 `2%`,超過就會被截掉,所以你寫越長,反而越容易讓自己的 skill 被切掉。


    ∙ skill-cleaner 是 steipete 寫的審計工具,用 Codex 自己的渲染演算法反推哪些 skill 是「最糟糕的犯規者」,找出過長描述、重複 skill、沒被用的 skill 與 root 來源。


    ∙ 我的觀察:這個工具最值得記下的不是「它幫你找」,而是它預設「先建議、不直接刪」。在現在這個一窩蜂 auto-fix 的時代,這份克制反而稀有。


    📚 參考資料

    skill-cleaner SKILL.md

    → https://github.com/steipete/agent-scripts/blob/main/skills/skill-cleaner/SKILL.md


    steipete X 貼文

    → https://x.com/steipete/status/2058917897590673525?s=46

    10 min
  • Theo 攤牌:Claude Code、Codex、Cursor 各自在賭哪個未來


    Theo Browne 攤牌:Claude Code、Codex、Cursor 真正差別不是模型強弱,三家各自賭一種未來。Anthropic 賭模型更聰明、OpenAI 賭環境驗證、Cursor 賭你不在本機跑 code。



    ⭐ 文章深度讀:你信哪個未來會贏?留言告訴我你押哪一邊。

    → https://heymaibao.com/theo-claude-code-codex-cursor-bets/


    ⚡ 章節重點

    開場 00:00

    Claude Code 賭模型聰明 01:33

    Codex 賭環境驗證 02:49

    Cursor 賭雲端未來 04:34

    Dogfooding 內幕 06:01

    你押哪一邊 07:33


    📝 懶人包

    ∙ Claude Code (Anthropic) 賭的是「模型會更聰明」,所以策略是讓 AI 大量計算、大量呼叫 token 來解題,介面也做得像吃角子老虎,畫面熱鬧、隨時想截圖發推 (Theo 觀點)。


    ∙ Codex (OpenAI) 賭的是「現在的模型 + 環境驗證 (用 computer use 讓 AI 直接操作電腦螢幕去驗證) 更划算」,所以更新偏實用、不演 (Theo 觀點)。


    ∙ Cursor 賭得最遠:賭你以後根本不會在自己電腦上跑 code,而是在 Slack 裡 @ Cursor 的 bot,它開一台帶圖形介面的 Linux 機器把事做完 (Theo 觀點)。


    ∙ 我的觀察:這三個賭注差距不只是工程師選工具的事。Anthropic、OpenAI、Cursor 各自押的未來,慢慢會蔓延到所有 AI 助手 ── 寫文章的、做研究的、做行銷的,都會走進同一道分岔。Theo 自己從 Claude Code 跳船到 Codex,可能是個前兆。


    📚 參考資料

    Claude Code vs Codex vs Cursor (an honest comparison)

    → https://youtu.be/JMYspR42HFM

    10 min
  • 你的 AI agent 不是不夠聰明,是器官壞了:6 種神經疾病


    AI agent 出包別急著換模型。X 帳號 voxyz_ai 把六種常見故障一對一對應到真實神經疾病,我整理重點,並點出 confabulation 與 disinhibition 為什麼是先補的兩條。



    ⭐ 文章深度讀:你家的 Agent 上次出包,是六條裡的哪一條?留言告訴我,我會挑幾則一起聊。

    → https://heymaibao.com/ai-agent-six-neurological-conditions/


    ⚡ 章節重點

    開場 00:00

    換姿態 把 Agent 當 patient 看 01:15

    來源失憶 Source Amnesia 02:03

    虛構填空 Confabulation 03:04

    幻肢狀態 Phantom Limb State 04:14

    閉鎖症候群 Locked-in Syndrome 05:10

    去抑制 Disinhibition 05:50

    病覺缺失 Anosognosia 06:50

    完整的身體才是解藥 07:45


    📝 懶人包

    ∙ AI 沒有 hallucination (幻覺)。醫學上更準的詞是 confabulation (虛構填空),這個改稱不是 voxyz_ai 首發,Ars Technica 與 PLOS Digital Health 主張多年。


    ∙ Agent 出包多半不是模型不夠聰明,是身體某個器官壞了:記憶、感知、tool channel、煞車、自檢,任何一個失能,再聰明的腦也救不了。


    ∙ 公開副作用 (發佈、付款、刪除、部署、訊息、憑證操作) 必須放在模型記憶之外,由外部 control plane 把關。


    ∙ 我的觀點:六條裡,我會優先補 confabulation 與 disinhibition 這兩條。前者改寫我看 AI 輸出的眼光,後者直接擋公開副作用災難。


    📚 參考資料

    Your OpenClaw / Hermes Gets Neurological Conditions Too: 6 Cases I've Diagnosed

    → https://x.com/voxyz_ai/status/2058586365034377230

    10 min
  • 每月燒 1.3M 美元跑 AI agent,其實是免費玩家的遊戲


    有人 30 天在 OpenAI 燒了 1.3M 美元跑一個 AI agent 平台。我把這部拆解影片翻譯成一人創作者能用的判斷:示範者付的是免費 token,你練的應該是會省 token 的肌肉。



    ⭐ 文章深度讀:你會把「會省 token」當成日常肌肉開始練,還是再等等看 fluencer 那套燒法走多遠?留言告訴我你的選擇

    → https://heymaibao.com/token-maxing-free-player-game/


    ⚡ 章節重點

    開場 00:00

    那張瘋傳的 1.3M 帳單 00:29

    fluencer 話術為什麼會反過來咬你 01:10

    歷史的陷阱:上一次是微服務 02:26

    CFO 的算術其實很簡單 04:02

    OpenAI 那個 token utopia 還會回來嗎 05:07

    建立你的省 token 肌肉 05:38

    三加一懶人包與最後一問 06:49


    📝 懶人包

    ∙ 影片作者引述的那則 X 貼文顯示,過去 30 天有人於 OpenAI 消耗約 1.3M 美元、603B tokens 跑一個 agent 平台 (OpenClaw),但作者立刻提醒:示範者付的是 0 元 (來自研究額度),跟隨者要付全價。


    ∙ 影片作者用 2016–2020 微服務狂熱當歷史類比,他朋友當年管 10 個 service 只有 3 個客戶,最後集體醒。他認為 token maxing 正在重演同一條曲線。


    ∙ 影片作者粗算 (假設工程師月薪 50k 美元):1.3M / 月 ≈ 30 個工程師人力,企業 CFO 看到這個對照很快就會踩煞車。


    ∙ 我的觀察:對自費跑 AI 的知識工作者與一人創作者來說,這部影片真正值得帶走的不是「OpenAI 在浪費錢」,而是「現在這個時間點,把『會省 token』練成習慣,比追著 fluencer 燒 token 更有複利」。


    📚 參考資料

    Everyone is Wrong about Tokens (YouTube 影片)

    → https://youtu.be/0zw-Uk9KJiA?si=mJlEwtC2XbR2tSyI

    8 min