脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • 「裁員會持續,直到我們學會用 AI」工程師寫下他的觀察


    AI 沒真的取代你,但這仍是 AI 裁員。一位工程師在 5/20 自家裁員揭曉前寫:token 燒越多營收沒動,公司只能砍人補現金流。要止住這波裁員,先學會把 token 變成成果。



    ⭐ 文章深度讀:想看我怎麼把這個道理翻成個人創作者也能用的版本

    → https://heymaibao.com/ai-layoffs-until-we-learn-to-use-ai/


    ⚡ 章節重點

    不是機器人崛起,是會計題 00:00

    8000 人名單上的工程師 00:31

    投入、產出、成果三段論 01:43

    token 計費的數位毒品 02:26

    對齊稅怎麼把產能燒掉 04:06

    裁員真正解決的兩件事 04:38

    你個人版的 AI 裁員與三步突圍 05:46


    📝 懶人包

    ∙ 不是 AI 取代你,但這仍是 AI 裁員:沒有人的工號被換成跑在伺服器上的 Claude,但很多原本要找你做的事,現在改成有人對 AI 喊一聲就有了。


    ∙ token 變多,產品沒變多:程式碼是「投入」,功能是「產出」,使用者付費才是「成果」。AI 暴增的是投入,沒變的是成果。


    ∙ 裁員實際解決兩件事:補回 AI token 支出的現金流、切掉大組織的「對齊稅」。


    ∙ 我的觀察:這個邏輯不只在大公司成立。如果你是用 AI 工作的個人創作者,一天 100 條 prompt 沒換成任何發佈,那就是個人版的 AI 裁員,只是還沒有人寫信通知你。


    📚 參考資料

    The layoffs will continue till we learn to use AI

    → https://x.com/championswimmer/status/2051807284691612099?s=46

    8 min
  • Claude Code 寫 SaaS、OpenClaw 跑營運:Andrew Wilkinson 的 6 種 AI 分工


    Andrew Wilkinson 在 podcast 拆解他怎麼用 Claude Code 寫 SaaS、OpenClaw 跑營運、GBrain 當記憶、Harbor 管多 agent、Hearsay 餵資料、Gemini Voice 做每日 podcast。整套 AI 分工地圖、家族辦公室實戰與一個可直接複製的 prompting 技巧,全都在裡面。



    ⭐ 文章深度讀:看完直接套用主講者公開的 prompting 技巧與 6 種 AI 分工配方

    → https://heymaibao.com/andrew-wilkinson-ai-stack/


    ⚡ 章節重點

    開場:忘了筆電還跑完整週的生意 00:00

    6 種 AI 各派一段的分工地圖 01:23

    營運層:Claude Code + OpenClaw + Harbor 03:29

    記憶層:GBrain 與 4 萬美元的 Claude bill 05:07

    個人層:Ava、Mara 與早晨 7 分鐘 podcast 06:50

    可帶走的招式與沒解的 tension 08:37


    📝 懶人包

    ∙ **寫 code 與 vibe coding 用 Claude Code**:Deep Personality SaaS、家族辦公室 Addepar 替代品、CFO 第一支自己寫的 app,全部出自這條線。


    ∙ **跑 agent workflow 與多 agent 管理用 OpenClaw + Harbor**:寄信、跑 Stripe API、串多步任務、跑 dev / 行銷 / 支援 agent,朋友 Gavin Vicky 寫的 Harbor 套上多面板 GUI。


    ∙ **長期記憶與資料餵入用 GBrain + Hearsay + Fireflies + Apple Health JSON**:Gary Tan 做的向量資料庫吃會議記錄、整天 iPhone 錄音、健康資料,給 agent 當完整 context。


    ∙ **媒體生成用 Gemini Voice**:把每日 brief 念成 7 分鐘自製 podcast,他每天洗澡時聽。


    📚 參考資料

    原 podcast:AI Agents run my business and life (YouTube)

    → https://youtu.be/65IAqRUxg3c?si=aoA7-hkubY1TeRnl


    Tiny 集團

    → https://www.tiny.com


    Harbor (agent 多面板 GUI)

    → https://github.com/geekforbrains/harbor


    Addepar (家族辦公室財務軟體)

    → https://addepar.com

    10 min
  • Codex 加密了 compaction,但 prompt 跟開源版幾乎一樣,那加密在保護什麼?


    OpenAI 的 Codex CLI 對 codex 模型用加密 API 跑 context compaction,外部看不到裡面在做什麼。一位 X 用戶用 35 行 Python 把它拆開,發現用的 prompt 跟開源版本幾乎一樣,留下一個沒被回答的問題:加密到底是在保護什麼?



    ⭐ 文章深度讀:拆開 Codex 加密路徑後,看 tool results 怎麼成為真正想保護的東西

    → https://heymaibao.com/codex-compaction-prompts-nearly-identical/


    ⚡ 章節重點

    加密黑箱的工程矛盾 00:00

    兩條完全不同的 compaction 路徑 01:35

    兩段式 prompt injection 怎麼拆開加密 02:15

    抽出來的 prompt 跟開源版幾乎一樣 03:20

    那加密在保護什麼?真兇是 tool results 04:18

    加密邊界不等於信任邊界 06:23


    📝 懶人包

    ∙ Codex CLI 對非 codex 模型用本地 LLM 跑 context compaction,prompt 全部公開在 GitHub。對 codex 模型則改呼叫加密的 `compact()` API,回傳一段 AES 加密的 blob。


    ∙ 該作者用兩段式 prompt injection 把伺服器端的 compaction prompt 跟 handoff prompt 抽出來,跟開源版對照後發現幾乎一樣 (原文用的詞是 `nearly identical`)。他自承每次跑結果略有差異 (`Results vary across runs`)。


    ∙ 真正沒被回答的是這個問題:既然 prompt 幾乎一樣,加密到底在保護什麼?作者推測加密 blob 可能還承載 tool results 的特殊處理,但他自己也沒進一步測試 (原文 `I didn't bother to test further`)。


    ∙ 我的觀察:加密這層不太像在保護機密,比較像在保護「邊界」。真正可能藏在裡面、值得加密的,是 tool results 怎麼壓縮跟還原這套機制,不是 prompt 本身。


    📚 參考資料

    Investigating how Codex context compaction works

    → https://x.com/kangwook_lee/status/2028955292025962534

    8 min
  • Codex /goal 怎麼用:跑 13 小時還在前進的 AI agent


    OpenAI Codex 新增的 /goal 命令真正改的是 AI agent 的停下來條件。看一個跑了 13 小時還在前進的實例,搞懂哪些工作該丟給 /goal、跑出來的 diff 該怎麼接。



    ⭐ 文章深度讀:把 /goal 的判斷準則建立起來,下次交複雜任務給 AI 不再燒 token 卻收到要清的 diff

    → https://heymaibao.com/codex-goal-command/


    ⚡ 章節重點

    13 小時還在前進的 AI agent 00:00

    /goal 改寫的停下來條件 01:41

    怎麼啟用 /goal 與命令家族 02:43

    哪些任務適合丟給 /goal 03:34

    surface 才是 /goal 的真正上限 04:40

    為什麼 diff 不該直接 merge 05:47


    📝 懶人包

    ∙ `/goal` 真正改寫的不是執行長度,是 agent 的「停下來條件」。


    ∙ 它在 exploratory unfolding 工作才強,well-defined ticket 不用丟給它。


    ∙ exploratory `/goal` 跑出來的 diff 預設不要直接 merge,蒸餾成 PRD 再乾淨重寫一次。


    ∙ goal 的有效性等於 surface 的豐富度,logs / metrics / staging cluster 才是真正上限。


    📚 參考資料

    The Codex Feature That's Going Viral Right Now

    → https://youtu.be/p88mkfPkOZc?si=TYC55YzaWvBL2H0G

    8 min
  • Claude Code 退步了?AI LABS 九面向 PK 後改用 Codex CLI


    AI LABS 實測 Claude Code 對戰 Codex CLI 九個面向:Codex 在 CLI 日常與 token 成本超車,Claude Code 仍守住規劃深度與生態系。換 daily driver 的判斷在這裡。



    ⭐ 文章深度讀:拿到一份「該留 Claude Code 還是換 Codex CLI」的具體判斷清單

    → https://heymaibao.com/ai-labs-claude-code-vs-codex-cli-pk/


    ⚡ 章節重點

    開場:AI LABS 為什麼換掉 daily driver 00:00

    燒兩倍 token、花三倍時間的硬派數字 00:38

    CLI 日常體驗為什麼被超車 01:43

    寫 code 表現:規劃深 vs 跑得快 02:58

    底層哲學:context、memory、sub-agent 05:34

    你該不該換 daily driver 07:56


    📝 懶人包

    ∙ AI LABS 觀察:同樣除錯任務,Opus 4.7 燒掉 173,000 個 token,GPT 5.5 只用 82,000,Codex 在同一個 5 小時 window 裡撐得久很多。


    ∙ AI LABS 觀察:Claude Code 從 2.1.0 之後 CLI 體驗開始下滑,rendering bug、cache leak 都來了,連 dangerously-skip-permissions 也被收掉換成會跳權限提示的 auto mode。


    ∙ AI LABS 觀察:Sub-agent 設計哲學完全相反,Claude 走嚴格隔離,Codex 走完整繼承,在需要連續上下文的 research 任務上,繼承式設計反而贏了。


    ∙ 我的判斷:Claude Code 在規劃深度、UI 完成度、生態系上仍然領先,但天天用 CLI 寫 code 的 daily driver 這個位子,確實被換掉了。


    📚 參考資料

    AI LABS - It's Broken… The Claude Code Vs Codex Debate Is Finally Over

    → https://youtu.be/8ImlAQOyVTs?si=iVErQz71S6u3og01

    10 min
  • 100 萬美元差點燒掉,Theo 一條推文逼 Microsoft 修 Azure


    Theo 拿到 Microsoft 100 萬美元 Azure 信用額度,卻被 14 個月修不好的推論卡住。一條深夜推文逼出 CVP 親自上線把問題修好。拆給工程師與創業者三個能帶走的判斷。



    ⭐ 文章深度讀:看主筆怎麼把 14 個月的 Azure 故事拆成兩條對工程師與創業者都用得上的判斷

    → https://heymaibao.com/theo-one-tweet-fixed-azure/


    ⚡ 章節重點

    百萬美元的賭注 00:00

    兩條核心判斷 00:42

    免費 credit 變成陷阱 01:27

    深夜推文逼出 CVP 02:59

    快取從 60% 掉到 0% 04:12

    槓桿與防禦性警報 05:15


    📝 懶人包

    ∙ 14 個月私下追蹤毫無進展,Theo 一條公開 benchmark 推文 2 小時破千讚,Microsoft CVP 親自上線 triage


    ∙ Azure 上的 OpenAI 推論從比直連慢 10-20 倍,TTFT 偶爾衝到 200 秒,幾天內被修到平均比 OpenAI 直連快 10-20%;隨後又被抓出 cache hit rate 從 60% 掉到 0%,15-20 分鐘 rolling out 再修一次


    ∙ Theo 自評:「我大聲抱怨,單槍匹馬把 Azure inference 做快 10-15 倍。」


    ∙ 我的觀察:真正起作用的不是聲量,是那 100 萬 credit 加上有受眾。一般客戶按同樣劇本,1000 讚的推文驚動不了 CVP


    📚 參考資料

    Theo Almost Lost $1 Million

    → https://youtu.be/EwOu8xtErEc?si=-TRNgDV_PNnAY3v5


    azure.t3.gg

    → https://azure.t3.gg


    Open Router

    → https://openrouter.ai

    9 min
  • AI 一小時找出 copy fail:732 bytes Python 提權每台 Linux


    theori 的 AI 代理一小時找出 CVE-2026-31431 (copy fail),一支 732 bytes 的 Python 就能在 2017 年後的 Linux kernel 上提權到 root,CrowdStrike 已看到在野利用,這篇拆給你聽。



    ⭐ 文章深度讀:把 copy fail 拆給三類讀者各自帶走的具體判斷

    → https://heymaibao.com/ai-found-linux-copy-fail-cve-2026-31431/


    ⚡ 章節重點

    事件骨架:copy fail 是什麼 00:00

    技術原理:4 bytes 寫進唯讀檔變 root 02:52

    不是遠端漏洞,但雲端時代很危險 04:41

    AI 把 0day 賞金經濟學重新定價 05:50

    人類 prompt 才是真正的火種 07:12

    你現在該做的事 08:59


    📝 懶人包

    ∙ CVE-2026-31431 (copy fail) 由 theori 的 AI 代理 1 小時掃出,PoC 只有 732 bytes Python,CrowdStrike 已看到在野利用,CISA 進 KEV。


    ∙ 技術核心是 `AF_ALG` 把 kernel crypto 暴露給 user space,4 bytes 寫進唯讀檔的 page cache (例如 `su`) 就能把本地 user 提權到 root。


    ∙ 不能遠端打,但雲端、CI runner、多租戶環境裡的本地 user 立足點,本來就是攻擊鏈的下一跳。


    ∙ 真正長期信號是 AI 把灰市 $10k–$7M 的 universal Linux privesc 行情打掉,而解鎖點是人類給的具體 prompt 假說,不是 AI 本身。


    📚 參考資料

    732 bytes of Python just borked every Linux machine on earth…

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

    11 min
  • Anthropic Boris Cherny:替下一個模型造產品的 5 個判斷


    Anthropic Claude Code 之父 Boris Cherny 在 Sequoia 拆 coding 是否已解、product overhang 怎麼押、Seven Powers 哪些 mode 還活著,給 builder 的 5 個判斷一次整理。



    ⭐ 文章深度讀:想看完整 5 個判斷、product overhang 方法論與我自己怎麼搬回工作的拆解,深度讀版整理好了

    → https://heymaibao.com/boris-cherny-coding-solved-product-overhang/


    ⚡ 章節重點

    開場:Boris 那句嗆話,跟 150 PR 紀錄 00:00

    Coding is solved 對誰成立 01:54

    真正的賭注:替下一個模型造產品 03:13

    Seven Powers 與印刷術,看 SaaS 別只看泡沫 04:22

    Boris 的個人工作流:手機 + loop 06:27

    給 builder 的 5 個可帶走判斷 07:48


    📝 懶人包

    ∙ Boris 個人 100% 不寫程式碼,但他自己也說 coding is solved 對行業是有條件的,大型 codebase 跟冷門語言還沒到。


    ∙ Claude Code 是賭 product overhang 賭出來的。前 6 個月幾乎沒人愛,他自己只用了 10%,指數成長要等到 Opus 4。


    ∙ 用 Hamilton Helmer 的 Seven Powers 看 SaaS 比討論「會不會泡沫」實用。AI 弱化某些 mode,不動其他 mode。


    ∙ 我的觀點:別等下一個模型才開始做。現在就找你自己的 product overhang,把 /loop 當預設工具。


    📚 參考資料

    Anthropic's Boris Cherny: Why Coding Is Solved, and What Comes Next

    → https://youtu.be/SlGRN8jh2RI?si=00dWfjxCWsASQSm9

    10 min
  • Microsoft 跟 OpenAI 真的分手了:把 OpenAI 從 Azure 逼出來的,其實是 Anthropic


    2026 年 Microsoft 與 OpenAI 修約把 Azure 唯一雲拿掉,IP 改非獨家。表面是 OpenAI 跳船,骨子裡是 Anthropic 用 AWS Bedrock 把 enterprise 客戶綁住。



    ⭐ 文章深度讀:看懂為什麼 Anthropic 才是這場分手的真正幕後推手

    → https://heymaibao.com/microsoft-openai-break-up-aws-anthropic/


    ⚡ 章節重點

    重點預告與 100 萬美元伏筆 00:00

    2026 修約:Azure 從唯一雲被降級 01:12

    真正的幕後推手:Anthropic 用 AWS 倒逼 OpenAI 02:44

    100 萬美元測試:Theo 為什麼一毛沒花 04:55

    未來戰場:算力供應鏈大洗牌 06:38


    📝 懶人包

    ∙ **Microsoft 失去獨家。** 2026 年新合約把 Azure 從 OpenAI 的唯一雲降級成主要雲,IP 授權延到 2032 但改成非獨家。OpenAI 終於可以上 AWS。


    ∙ **真正逼分手的是 Anthropic,不是 OpenAI。** Anthropic 模型在 AWS、GCP、Azure 三朵雲都能用,跑出 300 億美元年化營收。OpenAI 只在 Azure,企業客戶不肯搬雲,只好把 OpenAI 拉去 AWS Bedrock。


    ∙ **Theo 拿 100 萬美元 Azure credit 一毛沒花。** 因為 GPT-5.4 在 Azure 上比 OpenAI 直連平均慢 2.2 倍、最差慢 15 倍。他做了 azure.t3.gg benchmark 之後,Microsoft 才在隔天中午把問題修好。


    ∙ **+1 觀點:下一年該看的不是模型 benchmark,是算力供應鏈。** OpenAI 把推論搬上 AWS Trainium,是 Nvidia 以外第一次大規模押注。Trainium、TPU、Nvidia、AMD 之間的戰爭,比 OpenAI、Anthropic、Gemini 之間的模型大戰更值得追。


    📚 參考資料

    Microsoft and OpenAI break up (Amazon is pumped)

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


    azure.t3.gg

    → https://azure.t3.gg

    9 min
  • Ben Davis 的 AI 工具堆疊:模型、Harness、訂閱怎麼選


    拆解 Ben Davis 2026 年 5 月的 AI 工具清單:GPT 5.5、Opus、Gemini、Pi、Codex、Cursor 該怎麼分工,以及為什麼真正值得學的是模型、Harness、訂閱三層堆疊邏輯。



    ⭐ 文章深度讀:想看完整工具分層、每個選項的適用情境與我的判斷,深度讀版整理好了

    → https://heymaibao.com/ben-davis-ai-tools-stack/


    ⚡ 章節重點

    開場:別把工具清單讀成排行榜 00:00

    這是一張工作流 X 光片 00:26

    第一層:模型決定能力邊界 02:26

    第二層:Harness 決定操作摩擦 04:55

    第三層:訂閱決定供給與彈性 06:34

    回到你的生產力瓶頸 08:20


    📝 懶人包

    ∙ Ben Davis 把 GPT 5.5 當日常主力,但沒有把所有工作都塞給同一個模型。Opus 4.7 留給 UI / design,Gemini 3 Flash 留給多模態整理。


    ∙ Harness 的重點不是功能最多,而是能不能長成你的工作流。這也是 Pi 會排在他第一名的原因。


    ∙ 訂閱不是只比價格,還要看推論額度、模型自由度、能不能接到不同工具裡。


    ∙ 我的觀點:這份清單最值得學的是分層思路,不是逐項照抄。


    📚 參考資料

    Ben Davis, the ai tools i'm using 2026-05-05 edition

    → https://www.davis7.sh/ai/may-5-2026

    11 min