脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • 我終於看懂,為什麼這些 AI 高手把專案改寫成 markdown


    Ben Davis 把寫了幾個月的 coding agent 砍掉換成一個 markdown skill。Gary Tan 在 GStack 做同件事。判斷:skill 是用英文寫的程式,coding agent 是它的 runtime。



    ⭐ 文章深度讀:與其等別人寫完總結你再學,挑一個你最重複、最煩的工作流,今天就動手寫成一個 markdown skill。

    → https://heymaibao.com/markdown-replaces-coding-project/


    ⚡ 章節重點

    開場 00:00

    為什麼今天不寫程式也能搞 AI 工作流 00:46

    Ben Davis 從嘲諷到改觀的故事 01:33

    skill 就是程式,coding agent 就是它的 runtime 02:28

    他把自家寫了幾個月的專案換成一個 markdown 04:03

    Gary Tan 的五個定義翻譯給創作者聽 04:47

    impeccable 在瀏覽器點元素就改 UI 05:43

    你今天馬上可以動手的三個步驟 06:30

    總結與行動建議 07:12


    📝 懶人包

    ∙ Ben 把寫了幾個月、包含 TUI 介面、自寫 CLI、模型認證與 repo clone 管線的 BTCA 專案,砍到只剩一個 markdown skill。功能一樣,甚至更好用。


    ∙ Gary Tan 在他自己的文章「Thin Harness,Fat Skills」裡,把這套架構整理成五個名詞:skill、harness、resolver、latent vs deterministic、結構化記憶 (他自己造的詞叫 diorization)。Ben 在影片中整段引述。


    ∙ impeccable 這個 skill 已經做到 Theo 多年前許願的事,在瀏覽器點任何網頁元素下 prompt,agent 就幫你改頁面。它的核心大部分是 markdown,只配一個小小的 live.mjs。


    ∙ 我的觀察:對內容創作者、自媒體經營者來說,這代表「會不會寫 TypeScript」越來越不是門檻,會「設計 skill 工作流」反而是更早可以動手練的能力。


    📚 參考資料

    I Replaced the Project I Spent Months on With a Markdown File - Ben Davis

    → https://youtu.be/n6nF6jhsal4

    8 min
  • Claude Code 偷偷上線 workflow,可串 100 個 sub agent


    Anthropic 沒公告就為 Claude Code 加了 workflow,可以用 JavaScript 編排數十個 sub agent,主對話的記憶不再被沖滿。整理啟用方式、結構、三個範例與不該用的場景。



    ⭐ 文章深度讀:影片是 NotebookLM 旁白版,作者判斷、來源邊界與不確定的地方都收在文章裡。

    → https://heymaibao.com/claude-code-workflow/


    ⚡ 章節重點

    開場 00:00

    Anthropic 偷偷上線了什麼 00:56

    以前的多 agent 流程到底卡在哪 01:35

    workflow.js 怎麼解這個問題 03:04

    三個示範 workflow 是怎麼長的 05:26

    什麼時候不該做成 workflow 06:34

    我怎麼看這次更新 07:50


    📝 懶人包

    ∙ Anthropic 為 Claude Code 加了一個叫 `workflow` 的工具,在專案的 `.claude/workflows/` 資料夾放一個 `.js` 檔就能定義 multi-agent 流程。功能目前還沒正式公告,預設關閉,需要先設一個環境變數啟用,啟用後會出現 `/workflows` 這個新指令。


    ∙ 核心改動是「編排者 (orchestrator) 從 LLM 換成程式碼」。以前 sub agent 的結果會回到主對話再丟給下一個 sub agent,現在直接從一個 agent 流到下一個 agent,不經過主對話。所以可以串 20、30、甚至 100 個 sub agent,主對話的記憶也不會被填滿。


    ∙ workflow.js 可以組裝的元件不少:agent (一次叫一個 sub agent)、parallel (一批平行跑)、pipeline (邊產邊流到下一階段)、schema (要求結構化回傳)、phase log (即時看跑到哪)、arguments (傳參數)、budgets (token 預算)、自動 retry、暫停與跳過。原作者已經組出 Sentry 自動 triage、清理死碼、leads 個人化外聯這三種範例流程。


    ∙ 我的觀察:這次更新真正的分流不是「會不會用 Claude Code」,而是「會不會寫 JavaScript」。workflow 的編排能力得用程式碼才打得開,靠純對話用 Claude Code 的人,下次再被「我的 sub agent 鏈又跑爛了」卡住時,會發現解法在另一個門裡。


    📚 參考資料

    Anthropic Just Dropped the Feature Everyone Needed

    → https://youtu.be/c0gVowvMR-g


    Ray Amjad 的 YouTube 頻道

    → https://www.youtube.com/@RAmjad

    10 min
  • GBrain 不寫稿不改稿不選題,那它到底在 AI 寫作做什麼


    GBrain 把 AI 寫作拆成四個編輯室角色,每個都刻意不做最後一步。我看完 Writing 區四個能力頁,整理 GBrain 對 AI 寫作的邊界,並對照主流寫作工具的姿態與設計。



    ⭐ 文章深度讀:看完 GBrain 對 AI 寫作的克制設計,你下次用 Claude 或 ChatGPT 寫東西的時候,會不會也想把「最後一步留給人」?

    → https://heymaibao.com/gbrain-writing-theory/


    ⚡ 章節重點

    開場 00:00

    不替你寫整篇 01:31

    不替你定 voice 02:59

    不替你選題 04:12

    不替你改稿 05:16

    我的對照與四個可借鑑做法 06:45

    留給人決定的最後一步 07:33


    📝 懶人包

    ∙ GBrain 把 AI 寫作拆成四個編輯室角色 (drafter、voice editor、Monday list、second editor),分別對應到不寫整篇、不替你定 voice、不替你選題、不替你改稿這四件「刻意不做」的事。


    ∙ 它對寫作慢的診斷是「採完訪後盯著空白頁」,AI 的工作是把已有素材組成可改的草稿,不是發想內容。


    ∙ 它的反幻覺機制分兩段:草稿生成時,沒對應到來源的事實直接標成「unresolved」;發佈前審閱時,再掃一次無來源的 claim。


    ∙ 我的觀察:這套設計把 craft 跟決定權刻意留給人,比一般 AI 工具的「事後查證」往前推了一格,也跟主流 AI 寫作工具「我幫你寫完整篇」的姿態剛好相反。


    📚 參考資料

    GBrain 主頁

    → https://gbrain.io/


    Article drafting

    → https://gbrain.io/abilities/article-drafting


    Voice matching

    → https://gbrain.io/abilities/voice-matching


    Weekly essay topics

    → https://gbrain.io/abilities/weekly-essay-topics


    Publication review

    → https://gbrain.io/abilities/publication-review

    9 min
  • byte 模型差在哪?Nous Research 拆 subword 的 6 條紅利


    Nous Research 在 1.7B byte-level 模型上拆 subword tokenization 的 6 條紅利:最大功臣是序列被壓縮帶來的 sample throughput,第二是 subword 邊界當訓練先驗。



    ⭐ 文章深度讀:想看完整 6 條紅利逐項拆解、實驗數字與我的判斷層,文章在脈報的連結放在說明欄與留言區。

    → https://heymaibao.com/nous-research-decouple-subword-byte-level/


    ⚡ 章節重點

    開場 00:00

    背景:byte vs subword 的長期落差 01:26

    紅利 1:sample throughput 是最大功臣 02:11

    紅利 2:邊界先驗 03:40

    四個無效的假說 05:19

    對未來 AI 架構的意義 06:43


    📝 懶人包

    ∙ **紅利最大的一條叫 sample throughput**:subword 平均一個 token 包 4.75 個 byte,等於 byte 序列被壓縮約 4 倍。在相同 isoFLOPs 下,subword 模型每一步看的樣本數更多。把 byte 序列每 4 個 byte 合成一塊餵給模型訓練 50k 步,再切回原本訓練模式,byte 模型很快就追過了 baseline 而且維持相同收斂斜率。


    ∙ **第二大的紅利來自 subword 邊界**:把 BPE 切詞的邊界訊號 (start-of-subword 或 end-of-subword) 加進輸入,validation loss 明顯下降。其中 start-of-subword 不會洩漏未來資訊,而且即使在驗證時拿掉這個訊號,模型訓練時的好處依然保留下來,等於是個有效的 inductive bias。


    ∙ **單獨加 embedding、改 loss 單位、預測下一個 subword 這幾條都不重要**:加 70M embedding 參數只小幅改善;loss 改成 per subword 幾乎沒進步;把預測單位從 byte 改成 subword 反而比 baseline 更差。


    ∙ **我的觀察**:start-of-subword 邊界作為 inductive bias 是這篇最有意思的設計,等於拿 BPE 當「老師訊號」訓練 byte 模型,但不把模型本身變成 BPE 模型。這條路徑可以給後續 byte-level 架構設計者一個新槓桿。


    📚 參考資料

    Decoupling the Benefits of Subword Tokenization for Language Model Training via Byte-level Simulation

    → https://arxiv.org/abs/2604.27263


    arXiv 2604.27263 HTML

    → https://arxiv.org/html/2604.27263

    9 min
  • Codex 不再只是寫 code,使用者怎麼控制 agent 完全變了


    Codex 不只是寫 code 工具。@jxnlco 在 X 的長文整理出 steering、queuing、automation、goal 這 4 個控制動詞,以及 goal 為什麼一定要有 verifier 才算真正成立。



    ⭐ 文章深度讀:完整文章在脈報 heymaibao.com,留言區會貼上連結與 4 個控制動詞的速查清單

    → https://heymaibao.com/codex-control-model-shift/


    ⚡ 章節重點

    開場 00:00

    為什麼控制變了 00:48

    4 個動詞 Steering Queuing Automation 02:33

    Goal 與 Verifier 05:45

    AGENTS.md 從 repo 搬到筆記庫 08:22

    不要急著壓縮 prompt 09:07

    我的觀點 09:59


    📝 懶人包

    ∙ Codex 已經不是「寫 code 的 agent」,是「完成電腦工作的系統」。它能動 repo、開瀏覽器、操作桌面 GUI,也接得到 Slack、Gmail。


    ∙ 控制 agent 的動詞變成 4 個:steering (中途改方向)、queuing (排下一個任務)、automation (自動回到同一個 thread)、goal (帶 verifier 的長期目標)。


    ∙ goal 要有 verifier 才算 goal。「實作這份 markdown 計畫」是願望,「Python 遷 Rust,unit test 全綠才算完」才是 goal。


    ∙ 我的觀察:這篇 essay 對非工程師最有用的地方不是工具清單,而是「control 變成可以被命名的動詞」這個視角,你會開始重新檢查自己跟 AI 互動時,到底在用哪個動詞。


    📚 參考資料

    @jxnlco 的 essay (X 長文)

    → https://x.com/jxnlco/status/2057153744630890620

    11 min
  • Karpathy 的 Wiki 爆紅 4 萬人收藏,但沒人看見的隱形成本


    Karpathy 在 X 上 post 用 AI 維護 Wiki 的點子被 4 萬人收藏。Open Brain 作者 Nate 點出三個隱形成本,editorial 偷做、source of truth 漂移、多 agent 寫衝突。



    ⭐ 文章深度讀:完整 3 個隱形成本拆解,加我為何不買單作者 Open Brain 推銷方案的判斷

    → https://heymaibao.com/karpathy-wiki-hidden-cost/


    ⚡ 章節重點

    開場 00:00

    4 萬書籤背後沒人說的事 00:35

    寫入時 vs 查詢時的取捨 01:32

    隱形成本一 AI 偷偷做你的主編 02:43

    隱形成本二 single-agent 假設 04:16

    隱形成本三 越寫越自信的錯誤 05:40

    AI 從神諭變維護者 07:09

    總結與留給你的問題 08:19


    📝 懶人包

    ∙ Karpathy 的設計命題是「knowledge compiled once,not re-derived on every query」,每次新資料進來,AI 主動讀完並寫進 Wiki,未來查詢就不必每次從頭算。


    ∙ 副作用是 AI 在資料進來那一刻就替你做了 editorial 決定 (連哪條、刪哪條、矛盾要不要點出來),但 Wiki 寫得太順、你會懶得回去看原始材料,source of truth (你認為哪份資料是最可靠依據) 會悄悄從 raw source 漂移到 AI summary。


    ∙ Wiki 預設只有一個 agent 在跑,多人 / 多 AI 同時寫同一個 markdown 會打架;而且 Wiki 變舊不像資料庫變空,它會用很有信心的口氣告訴你過時結論,這是 active misinformation。


    ∙ 我的觀點:Wiki 不是萬用的 context layer (給 AI 抓取背景的那層資料),它的甜蜜帶是 solo 在做深度研究,團隊與營運場景硬套會壞掉。但 Karpathy 那篇真正值得抄的,是「把 AI 從 oracle 變成 maintainer」這個 mental model,不是檔案結構本身。


    📚 參考資料

    Karpathy's Wiki vs. Open Brain. One Fails When You Need It Most.

    → https://youtu.be/dxq7WtWxi44

    9 min
  • 拆解 Garry Tan 的 gbrain:43 個 skill 是怎麼自己長大的


    YC 總裁 Garry Tan 把自己跑 OpenClaw 的 personal brain 開源成 gbrain。我拆完 43 個 skill、10 維 doctor 評分跟雙向 harvest 流,賣點是 skill 系統能自己長大。



    ⭐ 文章深度讀:想看完整 43 個 skill 的功能分群、doctor 10 維 rubric 與 3 個讓 skill 系統自己長大的 meta skill,全文有逐項拆解

    → https://heymaibao.com/garrytan-gbrain-43-skills-deep-dive/


    ⚡ 章節重點

    開場 00:00

    gbrain 是什麼 01:30

    43 個 skill 怎麼分群 02:04

    讓系統自己長大的 meta skill 03:39

    十維度的 doctor 評分標準 06:28

    你現在就該偷學的設計原則 08:07


    📝 懶人包

    ∙ gbrain 是 YC 總裁 Garry Tan 為自己 OpenClaw / Hermes 兩個 production agent 寫的 personal brain。Repo 開源,README 自述 17888 pages、4383 people、723 companies、12 天搭出來。


    ∙ `skills/manifest.json` 列了 43 個 skill,全部是 markdown 程序檔,由 `skills/RESOLVER.md` 充當 dispatcher。每個 skill 一個資料夾、一份 `SKILL.md`。


    ∙ 三個 meta skill (skillify、skillpack-harvest、functional-area-resolver) 加上 10 維 doctor 評分跟 4 個 tier,把這套 skill 系統升級成可機械驗證、可雙向回流的 skillpack contract。


    ∙ 我的觀察:把 gbrain 當「Garry 的 RAG」看會錯過重點。它真正示範的是「markdown skill 怎麼工程化、怎麼自我演化」,這套骨架自己寫 OpenClaw 或 Claude Code skill 的人都可以借走。


    📚 參考資料

    garrytan/gbrain

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


    skills/manifest.json

    → https://github.com/garrytan/gbrain/blob/master/skills/manifest.json


    skills/RESOLVER.md

    → https://github.com/garrytan/gbrain/blob/master/skills/RESOLVER.md


    docs/GBRAIN_SKILLPACK.md

    → https://github.com/garrytan/gbrain/blob/master/docs/GBRAIN_SKILLPACK.md


    docs/skillpack-anatomy.md

    → https://github.com/garrytan/gbrain/blob/master/docs/skillpack-anatomy.md


    docs/ethos/THIN_HARNESS_FAT_SKILLS.md

    → https://github.com/garrytan/gbrain/blob/master/docs/ethos/THIN_HARNESS_FAT_SKILLS.md


    gbrain-evals

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

    10 min
  • AI 16 週贏 SPY 46%,Freeport 自爆只是兩次 macro 對了


    Freeport 公開 AI 推薦系統 16 週 backtest:淨報酬 +54.1% 對 SPY +7.6%,46 個百分點領先。但他們同一篇承認 800 筆交易只是兩個 macro,這份自爆比戰績更值得拆。



    ⭐ 文章深度讀:Freeport 把贏 SPY 46 個百分點的 backtest 攤開,又自爆其實只是兩個 macro 對了,這集拆給你看自評誠實度比數字本身有趣的地方。

    → https://heymaibao.com/freeport-ai-self-disclosed-backtest/


    ⚡ 章節重點

    開場 00:00

    AI 擊敗市場的真相 01:45

    結構資訊過濾漏斗 02:40

    其實只有兩個總經預測 04:32

    自我揭露缺陷 05:49

    注意力擴散的威力 07:01

    總結 08:51


    📝 懶人包

    ∙ Freeport 自家 backtest 時段是 2026.1.20 - 5.14,AI 推薦策略淨報酬 +54.1%,SPY 同期 +7.6%,46.6 個百分點領先,Sharpe 3.92 對上 SPY 約 0.4。


    ∙ 策略不是預測單一股票,是把每則被推播內容裡信心最高的資產按方向買入,固定持有 7 天平倉,倉位等額,整窗平均槓桿 1×,從上線後一週 (1.27) 起算。


    ∙ 作者自評最關鍵的一段:803 筆交易不算 800 條獨立 edge,比較接近兩個 macro 對了 (AI 資本支出 + 伊朗 / 油) 的 800 種表達,effective 樣本遠比帳面少。


    ∙ 我的觀察:在 AI 產品行銷普遍只報好結果的這個時間點,願意把 effective sample 縮水這件事寫進同一篇報告裡,比 46% 本身更值得記。


    📚 參考資料

    How Freeport's AI Beat the S&P by 46% in 16 Weeks (@freeportmarkets)

    → https://x.com/freeportmarkets/status/2056725207138611353

    10 min
  • agentic RAG 把 SEO 拆成 5 段,你能看到的只有最後一段


    單次 RAG 已過時。iPullRank 創辦人 Mike King 指出主流 AI 搜尋升級到 agentic RAG,五段過濾器決定誰被引用。本文整理他的觀點,附這週能跑的 5 題人工 audit。



    ⭐ 文章深度讀:跑掉 5 題 Part A audit,看你的內容卡在哪一關

    → https://heymaibao.com/agentic-rag-five-gatekeepers/


    ⚡ 章節重點

    開場 00:00

    單次 RAG 已掛掉 00:54

    agentic RAG 是什麼 02:51

    舊系統四大致命弱點 03:18

    五個隱藏關卡 04:38

    五個關卡你看不見 07:12

    模型蒸餾與台灣門檻 08:20

    這禮拜可以做的 5 題 audit 09:01

    收尾 10:00


    📝 懶人包

    ∙ agentic RAG 已是所有主流 AI 搜尋平台的新預設,single-shot RAG 是過去式。


    ∙ 你的內容要連過 5 個關卡才會出現在答案裡:planning、router、retrieval、pairwise rerank、critic / reflection。


    ∙ Mike King 估算 citation count 在 agentic 系統下會被低估 3 到 10 倍,傳統 GEO (generative engine optimization,AI 搜尋時代的 SEO) 工具只觀察「活下來的人」,看不到過濾器本身。


    ∙ 我的觀察:他提出的解方 (model distillation 自建本地 agent) 方向對,但對台灣中小團隊門檻太高,比較務實的入口是先把他設計的 Part A 5 題人工 audit 跑完。


    📚 參考資料

    Beyond RAG: Why Every AI Search Platform Is Now Agentic and What That Means for Your Content

    → https://ipullrank.com/agentic-rag


    ReAct: Synergizing Reasoning and Acting in Language Models

    → https://arxiv.org/abs/2210.03629


    Toolformer: Language Models Can Teach Themselves to Use Tools

    → https://arxiv.org/abs/2302.04761


    Interleaving Retrieval with Chain-of-Thought Reasoning for Knowledge-Intensive Multi-Step Questions

    → https://arxiv.org/abs/2212.10509


    Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection

    → https://arxiv.org/abs/2310.11511


    Building effective agents

    → https://www.anthropic.com/research/building-effective-agents


    iPullRank-dev/agentic-rag-audit

    → https://github.com/iPullRank-dev/agentic-rag-audit

    11 min
  • NVIDIA Vera 親送 4 家 AI 巨頭:agent 時代的 CPU 戰場


    NVIDIA Vera 首批交付 Anthropic、OpenAI、SpaceXAI、OCI。88 核 Olympus、1.2TB/s 頻寬之外,OCI 承諾 2026 起部署數十萬顆,才是這場 agent CPU 戰爭最重的訊號。



    ⭐ 文章深度讀:OCI 那「數十萬顆」承諾到底會在 2026 年底兌現多少,是我接下來會一直盯著的線

    → https://heymaibao.com/nvidia-vera-cpu-delivery/


    ⚡ 章節重點

    開場 00:00

    重點不是規格 01:24

    誰只是在試用 02:05

    agent 需要全新的大腦 03:24

    OCI 投下的震撼彈 05:00

    三大追蹤指標 06:10


    📝 懶人包

    ∙ 2026 年 5 月 15 日 (週五),NVIDIA 副總 Ian Buck 親手把首批 Vera CPU 系統送到 Anthropic (舊金山 SoMa)、OpenAI (Mission Bay)、SpaceXAI (Palo Alto);下週一再送到 OCI 在 Santa Clara 的 AI Customer Excellence Center。


    ∙ Vera 是 NVIDIA 第一顆「為 agentic AI (能自主呼叫工具、決策行動的 AI 系統) 客製」的 CPU。內含 88 顆 NVIDIA 自研 Olympus 核心、1.2TB/s 記憶體頻寬,NVIDIA 宣稱每核心效能比現行設計快 50%;同時也是 Vera Rubin NVL72 整機系統的 host CPU,透過第二代 NVLink-C2C 與一對 Rubin GPU 共享記憶體,整體比傳統基礎建設 2 倍能效。


    ∙ OCI 是首家公開承諾 hyperscale 部署 Vera 的雲端業者。OCI 產品總管 Karan Batta 在 NVIDIA blog 中說,OCI 計畫從 2026 年起部署「數十萬顆」Vera CPU,定位為高吞吐量推理工作負載。


    ∙ 我的觀察是,這次首批交付重點不在規格,而在 NVIDIA 用 4 家客戶名單 + OCI 量化承諾組合出的策略訊號。Anthropic 與 OpenAI 在 NVIDIA blog 裡只給正向引用,SpaceXAI 則寫明「正在評估」,只有 OCI 給了量化的部署規模。換句話說,這場戲真正下注的人是 OCI,其他三家還在試用。


    📚 參考資料

    Vera Arrives: NVIDIA’s First CPU Built for Agents Lands at Top AI Labs

    → https://blogs.nvidia.com/blog/vera-cpu-delivery/

    8 min