脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • LeCun vs DeepMind:LLM 能解奧數卻不會倒水,算理解嗎?


    能通過律師考試卻不會倒水,LLM 到底算不算理解?LeCun 用 AI 60 年歷史四次循環說不算,Brown 用國際數學奧林匹克成績反駁。這場辯論精準定位了 AI 社群最核心的分歧。



    ⭐ 文章深度讀:拆解了 LeCun 歷史循環論和 Brown 的 IMO 反證,找出真正分歧

    → https://heymaibao.com/lecun-deepmind-llm-understanding-debate/


    ⚡ 章節重點

    LLM 到底懂不懂 00:00

    LeCun:三次迴圈 每次都錯 00:35

    Brown:解出新數學題就是理解 02:20

    天花板之爭:這條路走得完嗎 03:41

    他們根本不在爭同一件事 04:43


    📝 懶人包

    ∙ LeCun 認為 LLM 的理解是表層的,能通過考試卻做不到四歲小孩能做的事,因為缺乏對現實世界的感知和互動。他用 AI 60 年歷史的四次循環論證:每一代都以為自己找到通往通用智慧的門票,每一代都錯了。


    ∙ Brown 反駁:LLM 在國際數學奧林匹克解出全新題目,得分超越除前 12 名以外的所有人類參賽者。透過機械可解釋性可以看到模型內部自發形成計算電路,這不是死背,是理解。


    ∙ 兩人的核心分歧不在 LLM「有多厲害」,而在 next-token prediction 這條路的天花板。LeCun 認為需要全新架構 (世界模型);Brown 認為規模化還沒到極限,一旦 LLM 能自我改進就是新紀元。


    ∙ 我的觀察:兩人其實不在同一個定義框架下辯論。LeCun 用「grounding」定義理解,認為需要身體感知和世界互動;Brown 用行為和內部機制定義理解,能做到就是懂。這不是「誰對誰錯」的問題,而是 AI 社群對「什麼算理解」至今沒有共識。


    📚 參考資料

    Do LLMs Understand? AI Pioneer Yann LeCun Spars with DeepMind's Adam Brown.

    → https://www.youtube.com/watch?v=ykfQD1_WPBQ

    6 min
  • gstack 的 Build 是空的,Superpowers 怎麼補上這個缺口


    gstack 有 28 個 skill 但 Build 是空的。拆了 Superpowers 原始碼後找到子代理驅動開發加雙重審查的整合方案。文章拆解三框架各自管什麼、怎麼組合,附完整 8 步流程。



    ⭐ 文章深度讀:拆解了三框架的維度分工和完整 8 步整合流程

    → https://heymaibao.com/gstack-superpowers-build-gap/


    ⚡ 章節重點

    28 個技能偏偏 Build 是零 00:00

    三大框架在打不同的仗 01:04

    gstack 五層設計有多精密 01:55

    SDD 子代理怎麼補上空缺 04:02

    八步黃金流程完整拆解 05:11

    做到一半改方向不用重來 07:09


    📝 懶人包

    ∙ 三個框架不競爭:Superpowers 約束寫程式的過程,GSD 約束上下文環境,gstack 約束用什麼角色做決策


    ∙ gstack 有 28 個以上的 skill,但 Build (構建) 階段是零。規劃通過後,Claude Code 回到沒有測試驅動開發、沒有任務拆分、沒有程式碼審查的裸奔模式


    ∙ Superpowers 的 SDD (子代理驅動開發) 精確對位這個缺口:每個任務開一個乾淨的子代理,寫完要過兩輪審查才能提交


    ∙ 我的觀察:這個空缺不是 gstack 的疏忽,是設計傾向。gstack 作者 Garry Tan 的強項在產品規劃與審查,Build 留白其實給了使用者接入其他工具的空間。格式橋接是整合的關鍵,gstack 的設計文件需要先轉成 Superpowers 能消費的實作計畫


    📚 參考資料

    三個 AI Coding 框架的比較分析

    → https://youtu.be/Y9hR2M4FE4I


    Superpowers 框架

    → https://github.com/obra/superpowers


    gstack 框架

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

    9 min
  • 用 gstack autoplan 一鍵審完 Plan,不用再回答 30 個問題


    gstack autoplan 一鍵跑完三重審查,用 6 條原則自動代答中間問題,品味決策留到最後。拆解 4 Phase Pipeline、Claude 加 Codex 雙模型交叉驗證與三級決策分類的設計邏輯。



    ⭐ 文章深度讀:寫了 autoplan 怎麼用 6 條原則自動代答中間問題的設計邏輯

    → https://heymaibao.com/gstack-autoplan-one-command-triple-review/


    ⚡ 章節重點

    寫完 Plan 卻要回答 30 個問題 00:00

    autoplan 一鍵三重審查怎麼做到 02:03

    4 Phase Pipeline 拆解 02:41

    6 條決策原則的核心邏輯 03:39

    Dual Voice 雙模型交叉驗證 05:45

    三級決策分類:該自動到什麼程度 07:26

    Takeaway 10:10


    📝 懶人包

    ∙ autoplan 一鍵跑完 CEO、Design、Eng 三重審查,用 6 條 Decision Principles 自動代答中間問題,把 15-30 個 AskUserQuestion 壓成 1 個 Final Approval Gate


    ∙ 決策分三級:Mechanical (靜默自動)、Taste (自動但留到最後讓你選)、User Challenge (兩個模型都認為你該改方向時,絕不自動裁定)


    ∙ 每個 Phase 跑 Claude subagent + Codex 雙模型交叉驗證,disagreement 自動升級為 taste decision,確保不會靜默吞掉爭議


    ∙ 我的觀察:autoplan 的 6 條 Decision Principles 不只是 gstack 的內部邏輯,它本質上是一套可複用的框架,回答「AI 該自動決策到什麼程度」這個所有 AI-assisted workflow 都會遇到的問題


    📚 參考資料

    gstack autoplan SKILL.md

    → https://github.com/garrytan/gstack/blob/main/autoplan/SKILL.md


    gstack README

    → https://github.com/garrytan/gstack/blob/main/README.md

    12 min
  • 拆解 ce:compound:自動把解 Bug 經驗變成可搜尋知識庫


    ```text


    解完 Bug 就忘?ce:compound 讓 AI 自動把每次解題經驗存成可搜尋知識文件。拆解三階段 subagent workflow 設計,以及 overlap detection 怎麼防膨脹。帶走可套用的模式。


    ⭐ 文章深度讀:帶走三個可直接套用到你 AI agent workflow 的設計模式

    → https://heymaibao.com/ce-compound-ai-knowledge-compounding-workflow/


    ⚡ 章節重點

    解完 Bug 就忘了?知識流失的痛點 00:00

    知識複利:讓經驗像利息一樣累積 01:36

    三個 Agent 平行收集的 Workflow 拆解 02:15

    Schema 驅動設計 + 五維度重疊偵測 04:01

    知識的生老病死:Compound + Refresh 05:44

    三個帶走就能用的設計藍圖 06:53


    📝 懶人包

    ∙ ce:compound 用三個 AI agent 平行收集解題脈絡,再由主代理序列組裝成一份結構化文件。整個流程只寫一個檔,防止多 agent 協作時常見的產出爆炸。


    ∙ 寫入前會做 5 維度的 overlap detection (重疊偵測),高度重疊時更新既有文件而非新增,主動防止知識庫膨脹。


    ∙ 搭配 ce:compound-refresh 形成完整知識 lifecycle (生命週期):新增 → 使用 → 老化 → 維護 → 更新或刪除。


    ∙ 我的觀察:多數團隊的知識管理失敗不是因為不寫文件,而是寫了之後沒人維護、無法搜尋、越來越膨脹。ce:compound 的設計把這三個問題都正面處理了,這套模式值得借來用在自己的 workflow 裡。


    📚 參考資料

    ce:compound skill 原始碼

    → https://github.com/EveryInc/compound-engineering-plugin/tree/main/plugins/compound-engineering/skills/ce-compound


    Compound Engineering Plugin

    → https://github.com/EveryInc/compound-engineering-plugin


    Compound engineering: how Every codes with agents

    → https://every.to/chain-of-thought/compound-engineering-how-every-codes-with-agents

    ```

    9 min
  • Cursor 背後的 AI 怎麼訓練?三篇技術報告揭示的共通配方


    Kimi、Cursor、Chroma 用 RL 訓練 AI Agent 的配方高度重疊。拆解三份技術報告的共通發現:四步訓練流程、三種 context 管理策略,以及 AI 鑽漏洞的結構性問題。



    ⭐ 文章深度讀:整理了三家 RL 訓練配方的共通發現與差異

    → https://heymaibao.com/cursor-kimi-chroma-rl-agent-training/


    ⚡ 章節重點

    開場:Cursor 每天變聰明的秘密 00:00

    三家公司撞出同一套配方 00:45

    四步訓練藍圖拆解 01:03

    AI 的記憶塞爆危機 02:20

    AI 開始學會作弊了 03:14

    小模型也能打贏大模型 04:29


    📝 懶人包

    ∙ 三家都用同一套強化學習 (RL) 訓練配方:從強大的基礎模型出發,在跟生產環境一模一樣的設定裡訓練,用結果好壞當獎勵訊號


    ∙ Context (上下文) 管理是 AI Agent 的核心瓶頸,三家各自發明不同解法:Cursor 用自動摘要,Kimi 用平行分區,Chroma 教模型主動修剪已檢索但不再相關的文件片段


    ∙ 每家都遇到 reward hacking (AI 鑽漏洞拿分),退化行為各不相同,暗示這是結構性挑戰而非個案


    ∙ 我的觀察:三家的技術選擇高度收斂,RL for agents 正在從各自摸索走向有共識的方法論,但能否推廣到更多垂直場景還有待驗證


    📚 參考資料

    How Kimi, Cursor, and Chroma Train Agentic Models with RL

    → https://www.philschmid.de/kimi-composer-context

    6 min
  • Qwen3-ASR 實力拆解:打平 GPT-4o 的開源語音辨識來了


    ```text


    Qwen3-ASR 中文錯誤率只有 GPT-4o 五分之一,0.6B 版一秒轉錄 33 分鐘音訊。拆解三個模型定位、效率數據與 ForcedAligner 時間戳突破,判斷開源語音辨識是否追上商業 API。


    ⭐ 文章深度讀:拆解三個模型的效率數據與 ForcedAligner 時間戳突破

    → https://heymaibao.com/qwen3-asr-open-source-speech-recognition/


    ⚡ 章節重點

    開源語音辨識大洗牌 00:00

    Qwen3-ASR 家族三兄弟 01:46

    一秒轉錄 33 分鐘的效率秘密 03:00

    字幕對齊救星 ForcedAligner 04:19

    該關注什麼與該注意什麼 06:15


    📝 懶人包

    ∙ Qwen3-ASR-1.7B 在多個公開和內部 benchmark 上達到開源最強水準,部分場景超越 GPT-4o-Transcribe 和 Gemini-2.5-Pro


    ∙ 0.6B 輕量版在 128 並發下首個 token 延遲 (TTFT) 僅 92 毫秒,每秒可處理 2000 秒音訊,一張 GPU 就能跑生產級服務


    ∙ ForcedAligner 是首個基於大型語言模型的語音強制對齊器,採用非自回歸解碼,精度比現有工具降低 67%-77% 偏移


    ∙ 我的觀察:這次最值得注意的不只是分數,而是效率。0.6B 的推論速度讓開源語音辨識首次在延遲和吞吐量上逼近商業 API,對想自建語音服務的團隊來說是實質利多


    📚 參考資料

    Qwen3-ASR Technical Report (Qwen Team, 2025)

    → https://arxiv.org/abs/2601.21337

    ```

    8 min
  • AI Agent 挑工具只看一件事,15 年的技術優勢完全沒用


    AI agent 選工具只看整合簡單性,15 年技術優勢擋不住一行指令。前 W&B 成長負責人拆解 Agent 飛輪複利機制,解釋為什麼 Resend 從零打敗 SendGrid,差距高達 9 倍。



    ⭐ 文章深度讀:拆解了 9 倍差距背後的真正原因與複利結構

    → https://heymaibao.com/ai-agent-flywheel-growth/


    ⚡ 章節重點

    九倍差距怎麼來的 00:00

    Agent 選工具只看一件事 01:14

    什麼是 Agent 飛輪 02:14

    產品介面不再是 UI 04:12

    飛輪轉錯方向怎麼辦 05:22


    📝 懶人包

    ∙ AI agent 正在自主決定開發者工具的市場格局。Claude Code 選 Resend 的機率是 SendGrid 的 9 倍,沒有人為介入。


    ∙ Agent 飛輪是複利成長模型:agent 成功執行 → 進入訓練資料 → 模型記憶強化 → 預設選擇率提高 → 更多成功執行。


    ∙ 產品的真正介面已經從 UI 轉向 API。對 agent 來說,能執行的產品嚴格優於功能更強大但難整合的產品。


    ∙ 我的觀察:這個框架解釋了為什麼某些新產品能快速崛起,但飛輪的暗面沒人討論。當 agent 固化了錯誤選擇,同樣的複利機制會放大問題,而不是解決它。


    📚 參考資料

    The Agent Flywheel

    → https://x.com/lavanyaai/status/2037589114170789951

    8 min
  • Claude Code 兩大免費 Plugin:gstack 求快、CE 求複利


    gstack 用虛擬團隊幫你一次做完所有事,CE 用經驗累積讓每次寫 code 更好。這篇比較兩個免費 Claude Code plugin 的核心差異和適用場景,也分享組合使用的方法。



    ⭐ 文章深度讀:整理了兩個 plugin 的核心差異和 7 步組合流程

    → https://heymaibao.com/claude-code-gstack-vs-compound-engineering-plugin/


    ⚡ 章節重點

    兩種 AI 哲學的碰撞 00:00

    gstack:把湖水煮沸的速度派 01:15

    Compound Engineering:越做越好的複利派 02:44

    速度 vs 複利:一張表看懂差異 04:36

    七步組合技:兩個都用的聰明玩法 05:22


    📝 懶人包

    ∙ gstack 是 Y Combinator (YC) CEO Garry Tan 的 Claude Code 完整設定,核心哲學是「做完所有事」,12 天拿下 40,000+ 顆 GitHub star,適合 solo builder (一人開發者) 快速出貨。


    ∙ Compound Engineering (CE) 是 Every.to 的工程作業系統,核心是 Plan → Work → Review → Compound 四步循環,每次任務結束都捕捉經驗存進專屬資料庫,讓下一次做同類事情更快更好,像複利一樣累積。


    ∙ 兩個 plugin 都是免費開源 (MIT 授權),而且可以組合使用。


    ∙ 我的觀察:選哪個取決於你現在需要「一次做完所有事」還是「每次做得比上次好」,兩種需求不衝突,但切入點不同。


    📚 參考資料

    @ksimback 的 X 貼文

    → https://x.com/ksimback/status/2037168696259403929

    8 min
  • 用 Claude 當免費私人教練:7 個 prompt 打造完整健身計畫


    請私人教練做 12 週計畫要花幾百英鎊,有人用 Claude 7 個 prompt 號稱 10 分鐘搞定。我拆開看了這些 prompt 的設計邏輯,也補上了原作者沒提到的使用成本與安全邊界。



    ⭐ 文章深度讀:

    https://heymaibao.com/claude-fitness-prompts-personal-trainer/


    📚 參考資料:

    7 Claude prompts to level up your fitness (@hawks0x)

    https://x.com/hawks0x/status/2037283568150594028

    7 min