脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • AI 工作流活過 30 天的 3 條規則,沒人會在 demo 完跟你說


    Rahul 在 X Article 整理的 3 條規則:寫一份 agent 工作說明書、預設會靜悄悄壞掉、別把筆電當 infra。我把 30 天墓園這條曲線翻成繁中,順便標出哪幾個數字要打折看。



    ⭐ 文章深度讀:你下一個 agent,會先補哪一條規則

    → https://heymaibao.com/ai-workflow-30-day-rules/


    ⚡ 章節重點

    開場 00:00

    30 天墓園 01:49

    Rule 1,工作說明書 02:41

    Rule 2,靜悄悄的失敗 03:52

    Rule 3,別把筆電當基礎建設 05:49

    一個會活下來的工作流 07:00

    收束 07:47


    📝 懶人包

    ∙ Rule 1:沒有 job description (工作說明書) 就不要 build agent。寫 prompt 之前,先把「監看什麼、讀什麼、產出什麼、不能做什麼、怎麼知道有做到」這五段定義清楚。


    ∙ Rule 2:靜悄悄的失敗 (silent failure) 才是會殺人的失敗。三項補丁:canary 欄位 (每次輸出帶一個容易檢查的小欄位)、空結果送 alert 而不是空 brief、每週花 4 分鐘人工抽檢一筆輸出。


    ∙ Rule 3:你的筆電不是基礎建設 (infrastructure)。VPS (虛擬主機) + PM2、managed agent 平台、serverless + scheduler 任選一個,15 分鐘就能搬。


    ∙ 我的觀察:這篇與其說是「新方法」,不如說是把軟體工程界的 spec、monitoring、ops 紀律重新打包給 AI builder。對已經在用 Claude Code、OpenClaw、NotebookLM 兜工作流的人,剛好對症。


    📚 參考資料

    Rahul (@sairahul1) 原貼文

    → https://x.com/sairahul1/status/2055935584158531815


    原 X Article

    → https://x.com/i/article/2055854372018380800


    Comment Rule 0,@TFisPython 回覆

    → https://x.com/TFisPython/status/2056072799723159902

    9 min
  • GPT-5 Pro 不是更貴的 ChatGPT,這位經濟學家解釋為什麼


    訂了 ChatGPT Pro 卻沒在用?經濟學家 Aniket Panjwani 把 GPT-5 Pro 重新分類成審計畫的工具,並示範怎麼從 Codex 用 Oracle CLI 把 context 自動送進 ChatGPT 網頁。



    ⭐ 文章深度讀:訂了 ChatGPT Pro 卻沒在用?這禮拜挑一份你最複雜的計畫跑一次同題雙開,看 Pro 抓到的盲點值不值得你多等那十分鐘。

    → https://heymaibao.com/gpt-5-pro-economist-workflow/


    ⚡ 章節重點

    開場 00:00

    重新分類的反直覺主張 01:21

    大腦 vs 手的比喻 02:02

    什麼時候才該叫 Pro 進場 03:31

    三個領域實測 04:16

    Codex 用 Pro 的兩段式流程 05:50

    三條 fallback 與現實限制 07:16

    同題雙開挑戰 07:55


    📝 懶人包

    ∙ GPT-5 Pro 的定位是「審計畫」,不是「寫東西」。它慢到分鐘級,而且不能寫 code、不能查資料、不能跑互動式分析,所以只適合那種「漏一個 nuance 代價很高」的深思類任務。


    ∙ 觸發 Pro review 的兩個條件:對自己手上的計畫有顯著疑慮,或這個主題在架構、技術、科學上複雜到自己一個人 hold 不住所有 seam。其他狀況用 Codex 或 Claude Code 就夠。


    ∙ 從 Codex 用 Pro 的兩段式流程:先用 Oracle CLI 把 repo 內相關檔案 + 你的 prompt 打包成單一 markdown,再用 Codex Chrome plugin、Computer Use 或 Browser Use 自動把 bundle 送進 ChatGPT 網頁,等回應再把答案帶回 Codex。


    ∙ 我的觀點:這篇真正值錢的地方不是「Pro 多強」,是 Aniket 把 Pro 重新分類成「審計畫工具」之後,才能解釋為什麼這麼多人「明明訂了 Pro 卻沒在用」。把這個分類記下來,比追問 Pro 在某 benchmark 上贏幾分有用。


    📚 參考資料

    Aniket Panjwani 在 X 上的長文

    → https://x.com/aniketapanjwani/status/2055314153011581152


    How to Use GPT Pro From Codex (YouTube)

    → https://youtu.be/R9GUUyB3Utk


    aniketpanjwani/skills

    → https://github.com/aniketpanjwani/skills/tree/main/skills/general/oracle

    9 min
  • CLAUDE.md 不是設定檔,是會過期的 cache (實測 73% 該刪)


    @Mnilax 用 80 行 Python 本地復刻 Anthropic 新功能 Dreaming,跑完 100 個 Claude session 後砍掉自己 CLAUDE.md 73%。為什麼這份檔該被當成會過期的 cache 維護。



    ⭐ 文章深度讀:接下來會繼續盯:個人開發者復刻 Dreaming 的工作流會不會被社群 repo `dream-skill` 之類的工具拉成 cron / 排程化,以及 14-30 天 re-dream 節奏對長期 CLAUDE.md 維護品質的實際效果。

    → https://heymaibao.com/claude-md-cache-not-config/


    ⚡ 章節重點

    開場 00:00

    別把 CLAUDE.md 當設定檔 00:26

    為什麼說它是會過期的快取 00:50

    73% 規則會被系統砍掉 01:05

    Rubric 比模型更重要 03:23

    14 到 30 天的維護迴圈 04:26

    總結與行動 05:51


    📝 懶人包

    ∙ Anthropic 新公佈的 Dreaming 功能是非同步讀過去最多 100 個 session,重寫 memory 檔再讓你 review。官方版被鎖在 Managed Agents 加 beta header 後面,個人開發者目前點不到。


    ∙ @Mnilax 用 80 行 Python 本地復刻,跑完 6M tokens 之後輸出 38 行 memory,刪掉了他舊 CLAUDE.md 的 73%。


    ∙ 那 73% 被刪的內容可以歸三類:一次性修正變成永久規則、context 已經老化、自己跟自己矛盾,這些都是長期使用會自動累積的噪音。


    ∙ 我的觀點:CLAUDE.md 該被當成會 stale 的 cache,不是寫一次的 config,這個心智模型比 Dreaming 工具本身更值得帶走。


    📚 參考資料

    @Mnilax (Mnimiy) 在 X 的原文 thread

    → https://x.com/mnilax/status/2054955621829443903

    7 min
  • 部署 Claude Agent 的三種方法:別預設挑最 agentic 的


    三種讓 Claude agent 自己跑的方法 (/loop、Claude Routine、Modal) 怎麼選?@nateherk 的選擇邏輯整理。預設挑最 agentic 的常常會出錯,不是燒錢就是一關電腦就壞。



    ⭐ 文章深度讀:把方法配對到任務,不是把任務硬塞進方法

    → https://heymaibao.com/deploy-claude-agent-three-methods/


    ⚡ 章節重點

    開場 00:00

    WAT 框架 01:28

    方法 1 /loop 02:32

    方法 2 Claude Routines 03:45

    方法 3 Modal 與 Trigger.dev 05:06

    Claude Agent SDK 06:43

    三題決策表 07:12

    結尾 08:03


    📝 懶人包

    ∙ `/loop` 是最簡單的方法,零設定,session 內 cron。給你完整的 Workflow / Agent / Tools,但機器要開、有 7 天上限。


    ∙ Scheduled Tasks 與 Claude Routines 是內建排程:local 要機器開,remote 跑在 Anthropic 雲端,最小間隔 1 小時,依方案有日上限。


    ∙ Modal 與 Trigger.dev 把腳本推到別人的雲端,失去 agent autonomous loop 也失去 Claude Code 訂閱優惠,AI 改走 token 計費,但機器可以關、有 dashboard。


    ∙ 我的觀察:W/A/T 框架最有用的地方不是「分類部署方法」,是逼你回答一個問題,「我這個任務真的需要 agent 嗎」。多數人挑錯方法的根因是預設要挑「最聰明的方案」,但確定性任務只需要 W 跟 T,不需要 A。


    📚 參考資料

    I Tested 3 Ways to Deploy Claude Agents

    → https://x.com/nateherk/status/2055313067144065352?s=46


    @ClaudeDevs

    → https://x.com/ClaudeDevs/status/2054610152817619388?s=20

    9 min
  • Pi 完整指南:OpenClaw 也在用的極簡終端機 AI 編程工具


    Pi 是極簡的終端機 AI 編程工具,核心只有 5 件事,其他靠 skill、extension、package 自己擴充。OpenClaw 也把 Pi 嵌進去當執行核心。一篇看懂安裝、用法與擴充。



    ⭐ 文章深度讀:OpenClaw 把 Pi 當執行核心,這個取捨你怎麼看?

    → https://heymaibao.com/pi-minimal-terminal-coding-harness/


    ⚡ 章節重點

    開場 00:00

    減法哲學 01:53

    核心 5 件事 02:27

    OpenClaw 與運行模式 03:33

    session 雷區 04:39

    7 層擴充 05:42

    這個取捨適合誰 06:44


    📝 懶人包

    ∙ Pi 的核心刻意縮到只剩 5 件事 (read、bash、edit、write、sessions)。其他常見功能 (plan mode、MCP、subagents、permission pop-ups、background bash、to-dos) 全部拿掉,要的話自己用 skill、extension、package 補回來。


    ∙ 影片中提到 Pi 在 GitHub 約 45.5k stars、NPM 每週約 250 萬下載;OpenClaw 也把 Pi 嵌進去當自己的執行核心 (影片把這列在 SDK 模式的例子之下)。


    ∙ session 是樹狀結構。`/tree`、`/fork`、`/clone` 只改對話歷史,**不會回滾檔案**。檔案 undo 要靠 Git 或 checkpoint extension,這是從 Cursor、Claude Code 過來最容易踩的雷。


    ∙ 我的觀察:Pi 的「核心極小化 + 邊界可程式化」是有代價的設計選擇,等於把擴充成本明確推給使用者。對會自己寫 skill 的人很划算;對只想開箱即用的人,反而會覺得陽春。


    📚 參考資料

    Pi, the minimal terminal coding harness

    → https://youtu.be/8Dt0HM8HIq4

    8 min
  • Claude Code 加 Codex:tool agnostic 是真心話還是話術|Chase AI 影片速通筆記


    YouTuber Chase AI 主張 Claude Code 用戶要同時學 Codex。我看完整部影片後,整理 Claude Code 老手真正值得帶走的差異,並回答 tool agnostic 是真心話還是話術。



    ⭐ 文章深度讀:Claude Code 老手到底要不要把 Codex 加進工作流?我整理出真正值得帶走的差異點,以及一個你可能沒想過的盲點。

    → https://heymaibao.com/claude-code-codex-tool-agnostic/


    ⚡ 章節重點

    00:00 開場:tool agnostic 是真心話還是話術

    01:41 為什麼這部影片值得 Claude Code 用戶看

    02:20 Codex 對 Claude Code 老手的真正差異

    04:15 Q vs Steer、context 與 /clear 細節

    05:33 定價與最低成本嘗試

    06:08 我對 tool agnostic 的觀察

    06:50 結語:怎麼把切換選項用在你的工作流


    📝 懶人包

    ∙ Chase AI 給 Claude Code 老手的核心比喻是:Codex 和 Claude Code 的 Venn diagram (文氏圖) 幾乎是一個圓。會其中一個,就會大半另一個。


    ∙ Codex Desktop App 把 Claude Code 在 terminal 必須額外湊的視覺化體驗 (Excel 內預覽、前端設計 annotation 側邊欄、Plugin/Skill UI、GPT Image) 做進預設盒子。


    ∙ Chase AI 建議先用 Plus 方案 $20 試水,不必直接買 $100 Pro,他的理由是同價位下 OpenAI 的用量比較寬 (他自己也承認沒辦法做一比一測試)。


    ∙ 我的觀察是:tool agnostic 在這部影片裡其實是「同時押注兩家」,不是真正抽象掉工具。對 Claude Code 老手有用的版本是「保留切換選項」,不是「兩家都全買」。


    📚 參考資料

    Every Claude Code User NEEDS To Watch This

    → https://youtu.be/8kWONfT_-H8

    8 min
  • Context Forking 三個時機:幫你的 AI 對話省時間和 token


    Context Forking 不是新東西,是 OpenCode、Pi、Claude Code 都有的 primitive。HumanLayer 的 Kyle 整理出三個使用時機,幫你的 AI 對話省下時間、省 token、省麻煩。



    ⭐ 文章深度讀:對話被讀爆、Agent 走偏要打掉重來

    → https://heymaibao.com/context-forking-three-timings/


    ⚡ 章節重點

    00:00 開場:對話被讀爆怎麼辦

    01:33 Context Window 是一個 stack

    02:44 Context Forking 是 stack 上「合法的後悔」

    03:28 時機 1:rewind 修正走偏的 Agent

    03:59 時機 2:Fork 多條設計路徑探索

    04:27 時機 3:rewind 救回被吃爆的 context

    05:10 用之前先看自家工具怎麼做

    05:39 Context 是稀缺資源


    📝 懶人包

    ∙ Coding agent 的 context window 就像作業系統 (OS) 的 stack,只能在尾端 push 或 pop,中間不給亂動 — 這是為什麼大多數 agent 不開 random access。


    ∙ Context Forking 不是新東西。OpenCode、Pi、Claude Code 都有,只是各家取了不同名字 — rewind、time traveling、branching、fork — 骨子是同一個 primitive。


    ∙ 三個典型使用時機:rewind 修正走偏的 agent、fork 出多條設計路徑探索、rewind 救回被大檔吃爆的 context。


    ∙ 我的觀點:真正值錢的是 mental model,不是三個招式。看懂 context window 是 stack 之後,這三招都會變成自然推論。


    📚 參考資料

    Context Forking to Save Time, Tokens and Trouble — Kyle, HumanLayer

    → https://www.humanlayer.com/blog/context-forking-to-save-time-trouble-and-tokens

    7 min
  • 多代理 AI 系統:三種 pattern、5 個錯誤、一個反直覺建議


    X 創作者 @eng_khairallah1 把 Anthropic 多代理 orchestration 包成 7 步驟教學帖,但裡面真正可帶走的是三種 pattern、5 個錯誤,以及一個反直覺建議:從 2 個代理開始。



    ⭐ 文章深度讀:今天就試一個 2 代理 pipeline (例如「擷取資料 → 寫摘要」或「研究主題 → 整理重點」),把輸出格式跑通,再考慮加第三個代理。

    → https://heymaibao.com/multi-agent-ai-three-patterns-five-mistakes/


    ⚡ 章節重點

    00:00 開場:今天要拆解什麼

    01:11 為什麼多代理打敗單代理:不是速度,是「特化」

    02:00 三種協作 pattern:Pipeline、Fan-Out、Specialist Team

    02:50 Fan-Out 與 Netflix 案例

    03:34 Specialist Team 與 Harvey 案例

    04:18 5 個常見錯誤 (1):每個代理太通用、沒做錯誤處理、忽略 token 成本

    05:23 5 個常見錯誤 (2):輸出格式不標準與資料合約

    06:18 一個反直覺建議:從 2 個代理開始

    07:48 釐清:哪些是作者轉述、不是已驗證新聞

    08:28 收尾:你今天就能動手做的兩段式任務


    📝 懶人包

    ∙ Khairallah 整理三種多代理協作 pattern:Pipeline (串行)、Fan-Out (一個指揮官把任務派給多個 worker 並行)、Specialist Team (多個不同專業代理協作)。


    ∙ 他列出 5 個常見錯誤,每一條都對應一個具體的修法。


    ∙ 他的 7 步驟建構流程裡,最反直覺的一條是「從 2 個代理開始」,不是一開始就建 10 代理系統。


    ∙ 我的觀察:這篇推文的乾貨密度確實高,但裡面提到的具體公司聲明 (Netflix、Harvey、Shopify、Apple iOS 27 整合 Claude) 都是作者整理或引述,不是第一手新聞。pattern 心智模型可以留下,具體數字要當「作者轉述」處理。


    📚 參考資料

    How to Build a Team of AI Agents That Actually Work Together (Full Course)

    → https://x.com/eng_khairallah1/status/2055215784092401966

    10 min
  • 大型 codebase 用 Claude Code 不卡 model 卡 harness


    Anthropic 在官方部落格說:大型 codebase 用 Claude Code 的天花板不是 model 是 harness。這篇拆開他們列的 7 個擴充點與 3 個成功部署模式,幫你檢查自己卡在哪一層。



    ⭐ 文章深度讀:先把 CLAUDE.md 從「我們蓋了什麼」改寫成「指針 + gotcha」,再挪一個 stop hook 出來,讓它在 session 結束時提案 CLAUDE.md 更新片段。這兩步是這篇文章我會建議馬上做的第一個動作。

    → https://heymaibao.com/claude-code-large-codebase-harness-not-model/


    ⚡ 章節重點

    00:00 開場:瓶頸不是 model

    01:23 五大重點地圖

    01:43 第一部分:瓶頸不是 AI 模型

    01:54 第二部分:為什麼捨棄 RAG

    03:02 第三部分:七大 harness 擴充點

    05:38 第四部分:三個成功部署模式

    06:50 第五部分:適用邊界

    07:23 兩個馬上可做的高投報率行動


    📝 懶人包

    ∙ Claude Code 沒有像多數 AI 寫程式工具那樣建一份 codebase index,它走 agentic search (像工程師一樣走檔案、用 grep、追 reference)。優點是永遠在 live codebase 上工作,缺點是沒有 starting context 就會盲走。


    ∙ Anthropic 把「圍繞 model 的生態」稱為 harness,列了 5 個擴充點 (CLAUDE.md、Hooks、Skills、Plugins、MCP servers) 加 2 個能力 (LSP、Subagents),總共 7 個元件,而且他們強調順序很重要,每一層都 build 在前一層之上。


    ∙ Anthropic 觀察到三個跨團隊都成功的部署模式:把 codebase 鋪成 Claude 看得懂的樣子、隨模型演進主動維護 CLAUDE.md、指派專人或小團隊扛 Claude Code 的設定與採用。


    ∙ 我的觀點:這篇對「以為換新 model 就會自動變好」的團隊提醒最大。Anthropic 等於是出來說,model 已經夠強了,你卡在沒人把 codebase 鋪好給它看。


    📚 參考資料

    How Claude Code works in large codebases: Best practices and where to start

    → https://claude.com/blog/how-claude-code-works-in-large-codebases-best-practices-and-where-to-start

    9 min
  • Codex 遠端控制怎麼選?Control devices 和 SSH 的差別


    Codex 的 Control other devices vs SSH 遠端控制:用 4 個同步層級拆開兩者,幫你判斷接續任務、跑 command、長 build 各用哪種,並理解為何 UI 會卡 Working 的成因



    ⭐ 文章深度讀:開幾天 Codex 遠端工作流的觀察與微調建議

    → https://heymaibao.com/codex-remote-control-vs-ssh/


    ⚡ 章節重點

    00:00 兩台 Mac 的遠端控制痛點

    01:40 痛點一:UI 卡 Working、SSH 看似同步

    02:59 拆開 4 個同步層級

    04:48 Control other devices 同步什麼

    05:00 SSH 模式同步什麼

    05:58 案發現場:Issue #18860 與 turn/completed

    07:21 最終決策指南:接續任務、跑 command、SSH host

    08:14 總結與一句話收斂


    📝 懶人包

    ∙ Codex 的 Control other devices 跟 SSH 同步的「東西」不一樣:前者共享整台 host 的 Codex 工作脈絡,後者只共享檔案與 shell。


    ∙ Codex App 與 client UI 中間隔著 app-server 事件流。openai/codex 倉庫的 issue #18860 報告了一個 reproduction,當這條事件流被切斷時,伺服器其實已經完成 turn,但 client UI 還停在 `Working`。


    ∙ SSH 「看起來同步」常常只是兩邊剛好操作同一個 remote path,並不代表 Codex thread、credentials、MCP、plugins 等狀態也同步。


    ∙ 我的觀察:方便接續 ≠ 穩定,直接 ≠ 同步。「同步什麼」決定你要選哪一種,「同步到哪一層」決定你會踩到哪種卡頓。


    📚 參考資料

    Remote connections (OpenAI Codex 官方文件)

    → https://developers.openai.com/codex/remote-connections


    codex-rs/app-server/README.md (openai/codex repo)

    → https://github.com/openai/codex/blob/main/codex-rs/app-server/README.md


    Issue #18860 (openai/codex, Stale TUI after slow-connection disconnect)

    → https://github.com/openai/codex/issues/18860

    10 min