脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • Claude 把 Agent 記憶做成基礎設施,但企業 AI 還缺一層


    Claude Managed Agents memory 把 agent 記憶做成基礎設施。但企業 AI 要全員採用,真正缺的是 semantics、ontology 與 lens 這一層視角,不是再多一個 assistant。



    ⭐ 文章深度讀:看懂 Claude Memory 為什麼是真進展,又為什麼企業 AI 還缺一層 lens

    → https://heymaibao.com/claude-agent-memory-enterprise-ai-lens/


    ⚡ 章節重點

    開場與五部分大綱 00:00

    Claude 把 Agent 記憶做成基礎設施 01:08

    有地方記東西不等於懂得 02:30

    賦予意義的視角層 04:48

    主動推送:AI 把脈絡帶到你面前 06:09

    18 個月後該追蹤的指標 08:01


    📝 懶人包

    ∙ Anthropic 把 Claude agent 記憶做成可掛載、有版控的基礎設施,但「能記得」不等於「懂得」。


    ∙ 語意告訴系統「這是什麼」,本體論告訴系統「從某個角度看為什麼重要」。一塊石頭、一封 supplier 延遲信,視角不同就變成完全不同的事。


    ∙ 個人記憶因為身份流動而難解,組織記憶因為角色 (銷售、財務、法務、客服) 而相對可解。


    ∙ 真路徑是「底層 + 視角」兩層架構,不是再多一個助理。18 個月後值得追蹤的指標不是 AI 用量,而是「決定能不能變成行動」。


    📚 參考資料

    @ashwingop, "Claude Made Agent Memory Real. But Semantics and Ontology Are Still Missing"

    → https://x.com/ashwingop/status/2052407955086254262?s=46


    New in Claude: Managed Agents

    → https://claude.com/blog/new-in-claude-managed-agents


    Claude Managed Agents Memory

    → https://claude.com/blog/claude-managed-agents-memory


    Memory in Managed Agents

    → https://platform.claude.com/docs/en/managed-agents/memory


    Sentra

    → https://www.sentra.app/

    11 min
  • Codex /goal 拆解:長時間 AI agent 真正缺的 3 件事


    Codex /goal 拆完才發現,真正讓長時間 AI agent 跑得久的不是 loop,而是 Jarrod Watts 這 3 件事:把模糊砍乾淨、放子代理 review、用檔案撐跨 context 記憶。



    ⭐ 文章深度讀:想看完整文字版拆解、把這 3 件事直接套到自己的 agent workflow

    → https://heymaibao.com/codex-goal-long-running-agent-3-essentials/


    ⚡ 章節重點

    為什麼長 AI agent 跑著跑著就走鐘 00:00

    拆解 Codex /goal 真正在做什麼 01:14

    ralph loop 的極限 01:58

    心法 1 把模糊砍乾淨 03:31

    心法 2 放子代理 review 04:25

    心法 3 用檔案撐跨 context 記憶 05:55

    收斂:縮短你 agent 的決策半徑 06:48


    📝 懶人包

    ∙ Codex /goal 在底層用 thread_goals SQLite 表 + get_goal / update_goal 工具 + 一段固定的 ralph loop prompt,本質是把同一個 prompt 反覆跑,只是多了 token budget 與 completion audit。


    ∙ Jarrod Watts 認為長時間 agent 真正要補的是 3 件事:把模糊砍乾淨、放子代理 review、用檔案撐跨 context 記憶。


    ∙ 「燒更多 token 就更強」是 long-running agent 的底層假設:他引述 Sonnet 4.6 在 BrowseComp benchmark 上多花約 10 倍 token,分數高約 10 個百分點。但純把 ralph loop 拉長,在任務脈絡超過 context window 時還是會崩。


    ∙ Jarrod 把整套作法包成 long-running-agent-skill,可以直接讀來改自己的 workflow。


    📚 參考資料

    Jarrod Watts on long-running agents

    → https://x.com/jarrodwatts/status/2052372045829382430


    long-running-agent-skill

    → https://github.com/jarrodwatts/long-running-agent-skill/tree/main


    claude-delegator

    → https://github.com/jarrodwatts/claude-delegator/


    Matt Pocock 的 grill-me skill 介紹

    → https://www.aihero.dev/my-grill-me-skill-has-gone-viral

    9 min
  • 官方 Web App 搜尋為何比 CLI 工具更強?拆開三條產品鏈


    同一家公司給的 web search,在官方 Web App 上像神器,到 CLI 工具裡只剩 raw 結果。差距不是模型,是被拆掉的三條產品鏈:query 改寫、多 agent 蒸餾、citation 對齊。



    ⭐ 文章深度讀:拆完產品鏈,下次挑搜尋工具會準十倍

    → https://heymaibao.com/official-webapp-search-vs-cli/


    ⚡ 章節重點

    開場:模型一樣,搜尋差很大? 00:00

    第一條產品鏈:query 改寫 02:44

    第二條產品鏈:多 agent 蒸餾 04:07

    第三條產品鏈:citation 對齊 06:23

    產品還是零件?CLI 還有它的位置 07:52


    📝 懶人包

    ∙ ChatGPT 官方 Web App 的「搜尋」其實是 query 改寫、Memory、IP 位置、多搜尋夥伴、inline citation 整套產品鏈,不是一個 search call。


    ∙ Anthropic 公開數字撐起工程量級差距:multi-agent 比 single-agent 提升 90.2%,token 用量單獨解釋 80% 表現變異,multi-agent 比聊天多用 15× token。


    ∙ OpenAI API 文件白紙黑字寫「inline citation 必須在你的 UI 裡可點擊」,CLI / 自製 app 拿到的是零件清單,組裝責任在開發者。


    ∙ 選工具的問句不是「誰更聰明」,是「我這個任務需要的是產品還是零件」。


    📚 參考資料

    ChatGPT search 官方說明 (OpenAI Help Center)

    → https://help.openai.com/en/articles/9237897-chatgpt-search


    How we built our multi-agent research system (Anthropic Engineering)

    → https://www.anthropic.com/engineering/multi-agent-research-system


    Web search tool 官方文件 (OpenAI Developers)

    → https://developers.openai.com/api/docs/guides/tools-web-search

    11 min
  • 連 Simon Willison 都不再逐行 review production code 了


    vibe coding 與 agentic engineering 在 Simon Willison 身上模糊了。他連 production code 都不再逐行 review,本文整理他的不安、guilt 與三條軟體可信度準則。



    ⭐ 文章深度讀:完整原文與三條讀者帶得走的軟體可信度準則都在這篇

    → https://heymaibao.com/simon-willison-stops-reviewing-production-code/


    ⚡ 章節重點

    開場:AI 鐵律被打破了 00:00

    Simon 自承:兩條線開始模糊 00:47

    罪惡感是專業底線 03:37

    信任搬移的隱形代價 05:25

    SDLC 上下游全在搬位置 07:15

    三條新的可信度準則 08:29


    📝 懶人包

    ∙ Simon Willison 自承:在常見任務上,他連 production code 也已經不再逐行 review Claude Code 寫的東西。他用 disturbing、upsetting、guilt 這些字描述這個轉變。


    ∙ 他把 agent 當成隔壁團隊交付的 service 在用:看文件、用、出問題才挖。但他承認 Claude Code 沒有 professional reputation,這個 gap 沒有解,只能靠「它一直做對」當代替品。


    ∙ 他指出評估軟體的標準變了:commits、README、自動測試 30 分鐘可以合成,連他自己的項目都看不出來。退路是「有沒有人真的用過」,個人版用兩週、企業版兩家大公司用過六個月。


    ∙ (諾特斯判斷) 這個重疊不是普世現象,是「資深工程師 + 高可靠 agent」這個特定組合下的個案。把 Simon 的 guilt 留著,比急著磨掉它安全很多。


    📚 參考資料

    Vibe coding and agentic engineering are starting to overlap

    → https://simonwillison.net/2026/May/6/vibe-coding-and-agentic-engineering/


    Ep. #9, The AI Coding Paradigm Shift with Simon Willison

    → https://www.heavybit.com/library/podcasts/high-leverage/ep-9-the-ai-coding-paradigm-shift-with-simon-willison


    Not all AI-assisted programming is vibe coding (but vibe coding rocks)

    → https://simonwillison.net/2025/Mar/19/vibe-coding/


    What is agentic engineering?

    → https://simonwillison.net/guides/agentic-engineering-patterns/what-is-agentic-engineering/

    10 min
  • Google design.md:用一個檔案,把整個 AI 設計團隊裝起來


    Google design.md 把整個 AI 設計團隊裝進一個 Markdown 檔。本文拆 design.md 跟 agents.md 分工、食譜成品食材三層、迭代與改作 90 / 10、品味護城河。



    ⭐ 文章深度讀:design.md 跟 agents.md 該怎麼分工,文章拆出三層工作流,讓你下次調整專案目錄結構就有依據。

    → https://heymaibao.com/google-design-md-design-team-in-a-file/


    ⚡ 章節重點

    為什麼 AI 第二頁就走樣 00:00

    食譜成品食材:三層分工 02:12

    為什麼 design.md 要從 agents.md 拆出來 03:18

    迭代與改作 90 / 10 04:25

    品味才是真正的護城河 05:25

    你今天就能建的設計第二大腦 06:55


    📝 懶人包

    ∙ design.md 不解第一頁,解的是第二頁開始就走樣的設計漂移。


    ∙ 食譜 (design.md) 加成品 (HTML 樣品) 加食材 (skill 提示語) 是這套工作流的最小單元。


    ∙ design.md 鎖在專案層、skill 鎖在工作流層、agents.md 留給通用人格。


    ∙ 90% 時間做迭代收斂、10% 時間做改作擴散,真正的護城河是品味,不是檔案本身。


    📚 參考資料

    Greg Eisenberg 與設計師 Mang 對談 design.md 工作流 (YouTube)

    → https://www.youtube.com/watch?v=oLu32YpiIJw

    9 min
  • Anthropic 與 SpaceX 合作背後:80x 成長失算的算力危機


    Anthropic 簽下 SpaceX 的 Colossus 1 算力,因為今年成長 80x、遠超 10x 規劃。三角缺口框架解讀為什麼敵人會變盟友,以及 Claude Code 與 API 用戶的實際變化。



    ⭐ 文章深度讀:用三角缺口框架看懂這次合作的真實邏輯

    → https://heymaibao.com/anthropic-spacex-compute-deal/


    ⚡ 章節重點

    為什麼算力危機把敵人逼成盟友 00:00

    荒謬的算力交易 00:50

    80 倍成長的失算成本 01:36

    AI 產業三角缺口框架 03:38

    模型背後的資料金礦 04:30

    對 Claude Code 用戶的實際影響 06:06


    📝 懶人包

    ∙ Anthropic 今年實際成長 80x,遠超原本規劃的 10x,這就是 Claude 限額一直被調整的真正原因


    ∙ xAI 的 Colossus 1 大量閒置 (因為 Grok 沒人用),把約 300MW 的算力租給 Anthropic 變成雙方都解套的選擇


    ∙ 對 Claude Code 用戶:5 小時限額翻倍、尖峰時段降速取消是真利多,但 weekly 限額沒動,重度全天用戶不會變輕鬆


    ∙ 主筆判斷:這次合作的真正黏著劑不是錢,是 Anthropic 跟 xAI 共同對 OpenAI 的擔憂


    📚 參考資料

    Theo (@t3dotgg) "Anthropic just…wait what"

    → https://www.youtube.com/watch?v=3pkz-Ie_k_c

    9 min
  • 拆解 GBrain query skill:YC 總裁自己用的 brain,回答問題的 5 條規矩


    拆解 GBrain query skill 的 5 條規矩:grounded only、source precedence、gap flag、chunk-first、graph 走結構。看 YC 總裁 Garry Tan 怎麼把 query 寫成可機械驗收的契約,而不是又一個 RAG prompt 模板。



    ⭐ 文章深度讀:把 5 條規矩搬到自己的 agent skill 系統

    → https://heymaibao.com/gbrain-query-skill-deconstruction/


    📝 懶人包

    ∙ query skill 是契約不是 prompt template , 不可退讓判斷、anti-patterns、輸出格式、工具索引全部寫死,LLM 讀完照做。

    ∙ 5 條規矩:grounded only、source precedence、gap flag、chunk-first、graph 走結構。

    ∙ Graph 層 + extract 品質讓 GBrain 在 BrainBench 拿 P@5 49.1% 、 R@5 97.9%,比 graph-disabled 高 31.4 點 P@5。

    ∙ 可帶走的 builder 原則:skill 是契約不是 prompt、anti-patterns 比正向 do 更能定義邊界、retrieval 分職責不互相吃。

    11 min
  • OpenAI 開源 MRC 網路協定:13 萬 GPU 同步訓練不怕單點故障


    OpenAI 公開 MRC (Multipath Reliable Connection) 網路協定,並透過 Open Compute Project 開源。這套協定已部署在最大規模的 GB200 超級電腦上,讓 13 萬 GPU 進行同步訓練時,鏈路或交換機故障也能在微秒級繞行不停拍。本文整理 MRC 的三個設計選擇與實戰證據,看懂 Stargate 級訓練背後的網路打法。



    ⭐ 文章深度讀:想看 MRC 三個設計的完整拆解,到部落格深入讀

    → https://heymaibao.com/openai-mrc-supercomputer-networking/


    ⚡ 章節重點

    13 萬顆 GPU 同步訓練的災難放大器 00:00

    MRC 三個反直覺的設計 02:27

    壞了不停機的實戰證據 06:46

    為什麼整個業界都要重做網路 07:50


    📝 懶人包

    ∙ MRC 是 OpenAI 公開的網路協定,重點不是「更快」,是壞掉也不停機。


    ∙ 三招:把一條 800Gb/s 拆成 8 條平面、把封包灑在數百條路上、用 SRv6 把 switch 做笨。


    ∙ 已部署在 OpenAI 所有最大 GB200 超級電腦,規格交給 OCP,業界都會跟。


    ∙ 大規模 AI 的下一個瓶頸是「算力之間的可預測性」,不是算力本身。


    📚 參考資料

    Supercomputer networking to accelerate large scale AI training

    → https://openai.com/index/mrc-supercomputer-networking/


    OCP MRC 1.0 PDF

    → https://www.opencompute.org/documents/ocp-mrc-1-0-pdf


    Resilient AI Supercomputer Networking using MRC and SRv6

    → https://cdn.openai.com/pdf/resilient-ai-supercomputer-networking-using-mrc-and-srv6.pdf

    10 min
  • Claude Code 上限加倍:Anthropic 拿下 SpaceX 22 萬顆 GPU


    Anthropic 即日把 Claude Code 五小時上限加倍,並放寬 Opus API rate limit。背後是與 SpaceX 簽下 Colossus 1 整座算力,本月內就會接上超過 22 萬顆 NVIDIA GPU。



    ⭐ 文章深度讀:訂閱者今天起額度翻倍,背後是 SpaceX Colossus 1 整座算力

    → https://heymaibao.com/claude-code-limits-spacex-colossus/


    ⚡ 章節重點

    緊箍咒解除 00:00

    即刻生效的三項放寬 00:58

    Colossus 1:22 萬顆 GPU 上線 02:22

    多元佈局的算力護城河 03:48

    給你的具體行動指南 06:08


    📝 懶人包

    ∙ Claude Code 五小時 rate limit 加倍,適用 Pro、Max、Team,以及 seat-based Enterprise 方案。


    ∙ Pro 和 Max 在 Claude Code 上的 peak hours 上限縮減,這次直接取消。


    ∙ Claude Opus 模型的 API rate limit 大幅提高,具體新表格在 Anthropic 的 API rate limit 文件。


    ∙ 真正讓上面三項放得開的,是 Anthropic 與 SpaceX 簽下的 Colossus 1 整座算力,超過 22 萬顆 NVIDIA GPU 本月內就會接上,直接灌進 Pro 與 Max 的服務容量。


    📚 參考資料

    Higher usage limits for Claude and a compute deal with SpaceX

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


    API rate limits

    → https://platform.claude.com/docs/en/api/rate-limits

    8 min