脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • Claude Code /loop 怎麼用?定位、語法、邊界一次拆清楚


    Claude Code /loop 是內建排程技能,不是排程引擎。拆解它的語法、底層 cron 工具關係、session 限制和 3 天過期機制,幫你判斷什麼時候該用、什麼時候走別的路。



    ⭐ 文章深度讀:拆解了三條邊界規則和持久排程的替代路線

    → https://heymaibao.com/claude-code-loop-explained/


    ⚡ 章節重點

    一行指令就能排程? 00:00

    /loop 不是排程引擎 01:09

    語法超有彈性 01:44

    Cron 工具拆解 02:34

    三條必知規則 03:23

    持久排程該走哪條路 04:31


    📝 懶人包

    ∙ /loop 是 Claude Code 的內建技能,用自然語言設定重複任務。底層靠 CronCreate 等工具運作,使用者不需要直接操作這些工具,/loop 會自動翻譯。


    ∙ 語法很彈性,間隔可以放前面、放後面、或不寫 (預設每 10 分鐘)。一次性提醒甚至不需要 /loop,直接用自然語言就能設。


    ∙ 所有排程任務綁在當前工作階段 (session),關掉 Claude Code 就全消失,重複任務最長 3 天自動過期。


    ∙ 我的觀點:理解 /loop 是「入口」而不是「引擎」,才能正確判斷它適合什麼場景。需要持久排程,路線完全不同。


    📚 參考資料

    Run prompts on a schedule - Claude Code Docs

    → https://code.claude.com/docs/en/scheduled-tasks

    7 min
  • Codex 做遊戲的關鍵不是寫 code,是能自己打開瀏覽器測試


    Codex 做遊戲不只寫 code,還會自己打開瀏覽器測試再修。拆解 OpenAI 官方文件裡的 agent 開發模式、三個關鍵 Skill 與推薦技術棧,也點出文件沒提到的成本與失敗問題。



    ⭐ 文章深度讀:整理了官方文件沒提到的成本、失敗與品質問題

    → https://heymaibao.com/codex-browser-games-agent-workflow/


    ⚡ 章節重點

    AI 不只寫程式?Copilot 和 Agent 的差距 00:00

    先寫 PLAN.md 不寫 code 02:22

    AGENTS.md:給 AI 一本工作手冊 03:34

    Playwright:AI 終於有了眼睛 04:32

    官方文件沒說的四件事 06:10

    這套藍圖怎麼用在你的工作上 08:01


    📝 懶人包

    ∙ Codex 開發遊戲的核心模式是「先寫計畫再寫 code」:用 PLAN.md 定義遊戲的 8 個維度,用 AGENTS.md 配置自主行為框架。


    ∙ 三個 Skill 構成開發閉環,其中 Playwright 最關鍵,讓 Codex 能自己打開瀏覽器測試遊戲畫面。ImageGen 負責美術資產,OpenAI Docs 負責 API 查閱。


    ∙ Codex 可在無人值守下自主迭代數小時,但官方文件也說了,計畫越具體,第一輪產出越好。


    ∙ 我的觀察:這份文件展示的 agent 開發模式 (規劃 → 配置 → 執行 → 自測 → 迭代) 可以套用到任何 Codex 任務,不只是遊戲。但官方沒提到失敗模式、token 成本和品質門檻,這些才是實際落地時會碰到的問題。


    📚 參考資料

    Create browser-based games | Codex 應用案例

    → https://developers.openai.com/codex/use-cases/browser-games/

    10 min
  • Claude Code 隱藏功能:創造者 Boris 公開 15 個私藏技巧


    Claude Code 創造者 Boris 公開 15 個私藏功能。自動化 loop 背景處理任務、Chrome extension 讓 AI 驗證輸出、worktree 平行跑幾十個 Claude。看他怎麼把 AI 當團隊用。



    ⭐ 文章深度讀:把 15 個隱藏功能按使用場景分類,附完整操作指令

    → https://heymaibao.com/claude-code-hidden-features-boris/


    ⚡ 章節重點

    AI 大神怎麼用 AI? 00:00

    核心心法:把 AI 當成你的團隊 01:38

    自動化:讓 AI 在背景跑起來 02:31

    規模化:同時跑幾十個 AI 04:34

    最重要的建議:讓 AI 看見自己的成果 05:55

    社群回饋和真正該帶走的東西 07:38


    📝 懶人包

    ∙ Boris 認為最重要的建議:給 Claude 一個驗證輸出的方式 (例如 Chrome extension),它就會像工程師一樣自己反覆修正到滿意為止。


    ∙ /loop 和 /schedule 把 Claude Code 從「等指令的工具」變成「背景自動運作的隊友」。Boris 自己用 loop 自動處理程式碼審查、回應 Slack 回饋、清理過期的合併請求。


    ∙ Boris 同時跑幾十個 Claude,全靠 git worktree (獨立工作副本) 做隔離。/batch 甚至可以展開成數千個 AI 代理平行處理大型任務。


    ∙ 我的觀察:Boris 展示的不只是 15 個功能清單,而是一種「把 AI 當自主團隊」的工作模式。多數人用 Claude Code 還停留在「打一句話、等一個回應」的階段,Boris 則是讓幾十個 AI 在背景同時替他工作。這個認知差距,比功能差距更值得注意。


    📚 參考資料

    Boris Cherny (@bcherny) X thread

    → https://x.com/bcherny/status/2038454336355999749

    10 min
  • 截圖丟給 Codex 就能寫前端?官方文件沒說的 3 個真實門檻


    OpenAI 官方文件教你把截圖丟給 Codex 寫前端。我讀完後整理了三個被輕描淡寫帶過的門檻:截圖品質、設計系統、指令具體度。搭配 Playwright 視覺驗證才是真正差異化。



    ⭐ 文章深度讀:整理了三個被官方輕描淡寫帶過的門檻,第二個最容易忽略

    → https://heymaibao.com/codex-screenshot-to-frontend/


    ⚡ 章節重點

    一張截圖就能寫前端? 00:00

    門檻一:截圖品質決定一切 01:30

    門檻二:你的專案有設計系統嗎 02:31

    門檻三:AI 預設給你最安全牌 03:31

    真正的瓶頸在驗收 04:20

    Playwright 視覺驗證迴圈 05:18


    📝 懶人包

    ∙ Codex 可以從截圖直接生成回應式前端程式碼,不需要完美的設計稿,但截圖要讓層級和間距夠清楚


    ∙ 搭配 Playwright (瀏覽器自動化工具),Codex 能在真實瀏覽器裡比對不同螢幕尺寸的實作結果,形成「生成 → 比對 → 修正」的視覺驗證迴圈


    ∙ AI 生成的介面預設會走最常見的設計模式,想要不撞臉,你得給出具體的互動模式和風格指令


    ∙ 我的觀察:截圖轉前端的真正瓶頸不在 AI 能不能生出程式碼,而在你能不能驗收品質。沒有 Playwright 這類視覺比對工具,光靠肉眼逐頁檢查,省下的時間很快就會被驗收吃回去


    📚 參考資料

    Build responsive front-end designs | Codex use cases

    → https://developers.openai.com/codex/use-cases/frontend-designs/

    8 min
  • gstack 讓 AI 記住你踩過的坑,但每 30 天自動忘掉一點


    AI coding 工具每次都從零開始。gstack 用信心衰減解決了這個問題: AI 觀察每 30 天 -1 分,使用者偏好永不過期。163 行 bash 撐起跨 30 個 skill 的記憶系統設計拆解。



    ⭐ 文章深度讀:整理了信心衰減公式和三個關鍵設計決策

    → https://heymaibao.com/gstack-learn-ai-memory-decay/


    ⚡ 章節重點

    AI 每次都從零開始的痛點 00:00

    163 行 bash 的極簡記憶系統 01:48

    信心衰減:記憶的自動過期 02:46

    你說的永遠不會被刪掉 03:40

    gstack 的五步路線圖 04:46


    📝 懶人包

    ∙ gstack 新增 /learn 技能,讓 AI 程式開發代理自動累積專案知識 (踩過的坑、常見錯誤模式),下次跑同一個程式碼庫時會回檢過去的發現,不再每次從零開始。


    ∙ 核心設計是信心衰減 (confidence decay): AI 自己觀察到的東西每 30 天信心值衰減 1 分 (滿分 10),但使用者親口說的偏好永不衰減。


    ∙ 對比 Cursor 的聊天記憶、Claude Code 的設定檔 CLAUDE.md、Windsurf 等工具,gstack 是目前唯一把 AI 記憶設計成「有生命週期的結構化資料」的方案,不只是聊天記錄的延伸。


    ∙ 我的觀察: 整個系統用 163 行 bash 腳本實作,看起來極簡,但它是 gstack 5 步路線圖 (從基礎記憶到一鍵完成整個功能開發) 的第一塊基礎設施。


    📚 參考資料

    Garry Tan X 貼文

    → https://x.com/garrytan/status/2038391464145965059


    garrytan/gstack GitHub repo

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

    7 min
  • ChatGPT App 怎麼做?OpenAI 官方文件的六步驟與七個坑


    ChatGPT App 怎麼開發?這篇拆解 OpenAI 官方指南的核心:三件套架構、六步驟漸進式流程、七個常見錯誤。最重要的不是程式碼,而是 OpenAI 要你先搞清楚什麼不該做。



    ⭐ 文章深度讀:整理了三件套架構與七個坑的具體清單

    → https://heymaibao.com/chatgpt-app-development-guide-openai/


    ⚡ 章節重點

    官方文件裡最關鍵的一句話 00:00

    架構三件套怎麼組 00:54

    六步驟藍圖與第四步陷阱 02:45

    七個坑:內部人的避坑指南 03:21

    最深的洞見跟程式碼無關 04:56

    留給你的一個問題 05:47


    📝 懶人包

    ∙ 每個 ChatGPT App 由三部分組成:MCP server (負責定義工具和回傳資料的後端) 負責核心邏輯,可選的 web component 負責在 ChatGPT 裡渲染 UI,model 則依據你寫的 metadata 決定什麼時候呼叫哪個工具。


    ∙ 官方建議的開發節奏是「先窄再寬」:先讓純資料流程跑通,確認 tool contract 沒問題,再加 widget 和身份驗證,最後才部署。


    ∙ 七大常見錯誤裡排第一的就是「想一次把整個產品搬進 ChatGPT」,這不是隨口提醒,而是整份文件反覆強調的設計原則。


    ∙ 我的觀察:文件把 OpenAI 的 AI coding agent Codex 定位成最佳搭配工具,但整個開發流程本身不綁定 Codex,用其他 AI coding 工具一樣能走完。另外,官方標示的「1 小時」時間估計也偏樂觀。


    📚 參考資料

    Bring your app to ChatGPT

    → https://developers.openai.com/codex/use-cases/chatgpt-apps/

    7 min
  • 別讓工具用你:為什麼 AI agent 框架讓人愈忙愈沒產出


    社群上到處都是 AI agent 設定截圖,但這些人做出了什麼?Nick 拆解 setup porn:為什麼 agent framework 讓人愈忙愈沒產出,以及 AI 組織為什麼不該照搬人類公司架構。



    ⭐ 文章深度讀:拆解三個零產出案例,附一句話判斷 AI 工具到底有沒有用

    → https://heymaibao.com/ai-agent-framework-setup-porn/


    ⚡ 章節重點

    花了好幾個小時搞 AI,然後呢? 00:00

    Setup porn 是什麼?設定本身不是工作 01:11

    兩個讓你掉進陷阱的心理因素 02:31

    AI 組織不該長得像人類公司 03:59

    終極過濾器:一句話判斷有沒有用 06:02


    📝 懶人包

    ∙ Agent framework 最大問題不是技術不行,是使用者把設定工具本身當成了工作成果,Nick 稱之為 setup porn


    ∙ 把 AI 組織成人類公司的樣子 (主管 → 下屬 → 再下屬) 是把舊限制硬套到新能力上,AI 的強項是平行執行,不是階層管理


    ∙ 判斷 AI 工具有沒有用的唯一標準:這週你用它做出了什麼?不是你設定了什麼


    ∙ 我的觀察:setup porn 不是 agent framework 的專利。從 Notion 模板到 Obsidian 外掛,每一波工具潮都有同樣的癮頭,只是現在穿上了 AI agent 的外衣


    📚 參考資料

    Paperclip Sucks, Actually

    → https://youtu.be/QufcrM79snw

    8 min
  • Codex 寫 iOS App 第一步:不學 Swift,先丟掉 Xcode


    Codex 寫 iOS app 不是從學 Swift 開始,而是先丟掉 Xcode。拆解 OpenAI 官方指南的 CLI-first 策略、漸進式工具堆疊,以及已有 7 個專用技能包的 SwiftUI 社群生態。



    ⭐ 文章深度讀:把 OpenAI 官方指南的核心策略,整理成可帶走的三階段行動路徑

    → https://heymaibao.com/codex-ios-app-cli-first/


    ⚡ 章節重點

    AI 做 App 的秘密 00:00

    為什麼要丟掉滑鼠? 01:24

    三步上手不用怕 02:50

    7 個給 AI 的技能包 03:55

    不只 iOS 開發者的事 04:21

    從想法到上架全自動化 05:06


    📝 懶人包

    ∙ Codex 做 iOS app 的核心策略是「CLI-first」,用終端機指令 (xcodebuild) 取代 Xcode 圖形介面,讓 AI agent 能自己跑完 build、測試、啟動的完整循環。


    ∙ 工具堆疊採漸進式部署:先用純文字指令起步,需要時才加專案生成工具 (Tuist) 和模擬器控制 (XcodeBuildMCP),不用一開始就全部裝好。


    ∙ SwiftUI 社群已有 7 個專用技能包 (skill),從效能審計到最新介面風格 Liquid Glass 適配都有人維護,生態系比想像中成熟。


    ∙ 我的觀察:這個 CLI-first 策略不只適用 iOS。任何依賴圖形介面 IDE 的平台,AI agent 都需要一條終端機逃生口,這可能是接下來所有「AI 原生開發」的共同前提。


    📚 參考資料

    Build for iOS and macOS

    → https://developers.openai.com/codex/use-cases/native-ios-macos-apps/

    7 min
  • AI 寫程式為什麼越用越出包?8 種失敗模式一次整理給你


    讓 AI 代理幫你寫程式,但越用越出包?問題可能不是工具不好,而是你不知道它正在犯哪一種錯。這篇文章整理 8 種代理失敗模式與解法,幫你從「AI 好笨」升級到精準診斷。



    ⭐ 文章深度讀:整理了 8 種失敗模式的診斷法與工程解法

    → https://heymaibao.com/ai-agent-8-failure-modes/


    ⚡ 章節重點

    你的 AI 也是問題員工? 00:00

    八種失敗模式逐一拆解 02:00

    害怕複雜:最有共鳴的三種反應 02:56

    代理心理學 = 人類心理學 03:55

    三步解法管理你的 AI 04:36


    📝 懶人包

    ∙ AI 代理有 8 種可分類的失敗模式,從「還沒開工就搞錯方向」到「做完不收拾」,每一種都有對應的工程解法。


    ∙ 代理的行為偏差其實是人類的映射。拆解任務、頻繁驗證、做完清理,這些人類生產力方法對代理同樣有效。


    ∙ 原生工具 (Claude Code、Codex 等) 的控制力不足以應對長時間自主工作流,進階使用者可能需要自建編排層。


    ∙ 我的觀察:這個分類框架的最大價值不在於「你該不該自建管理框架」,而在於讓你遇到問題時能精準對症下藥,而不是籠統地抱怨「AI 好笨」。


    📚 參考資料

    How To Solve Problems Of Long Running, Autonomous Agentic Engineering Workflows

    → https://x.com/systematicls/status/2038241033755168959

    7 min
  • Firecrawl 教學:一個 API 餵資料給 AI,附 7 個創業點子


    Firecrawl 用一個 API 把網頁轉成 AI 能讀的格式。拆解六大功能和 AI agent 堆疊定位,加 7 個垂直利基創業點子、五步執行框架,以及贊助偏差和競品生態的補充判斷。



    ⭐ 文章深度讀:整理了六大功能拆解、七個創業點子和贊助偏差的補充判斷

    → https://heymaibao.com/firecrawl-tutorial-ai-web-scraping/


    ⚡ 章節重點

    開場:AI 很聰明但它是瞎的 00:00

    為什麼餵資料給 AI 是新淘金熱 00:58

    你的數位十字鎬:Firecrawl 01:43

    五步賺錢框架的關鍵 02:22

    七個垂直利基創業點子 03:12

    誠實的現實檢驗 04:10


    📝 懶人包

    ∙ Firecrawl 用一個 API 把任何網頁轉成 AI 能讀的 Markdown 或 JSON,三行程式碼就搞定,解決 AI 看不到網路的問題。


    ∙ Greg 的核心策略是「垂直利基」:不做下一個 Ahrefs 或 Indeed,而是做「只服務牙醫的 SEO 報告」或「只追蹤球鞋轉售價」,成本幾塊美金,月費收 $99 到 $5,000。


    ∙ Greg 提出的五步框架 (挑利基 → 建 scraper → 打包 → 賣產出 → 自動化) 是可以今天就動手的 playbook。


    ∙ 我的觀察:影片是贊助內容,利潤率數字未經驗證,但「一個人就能做過去需要工程團隊才能做的事」這個趨勢是真的,Firecrawl 只是其中一個選項。


    📚 參考資料

    Firecrawl AI clearly explained (and how to make $$)

    → https://youtu.be/eH8JdttKIdA?si=ka4-A5v0zpnPSc_N

    6 min