脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • 行銷人用 Claude Cowork 管 Google Ads:完整工作流拆解


    Anthropic 行銷人示範用 Claude Cowork 連接 Google Ads API,在對話介面完成搜尋字詞挖掘、排除判斷與預算調整。完整拆解 connector、skill、plugin 三層架構與實務建議。



    ⭐ 文章深度讀:完整拆解了三層架構與行銷人的實務心法

    → https://heymaibao.com/claude-cowork-google-ads-workflow/


    ⚡ 章節重點

    你的廣告 AI 助理長什麼樣 00:00

    搜尋字詞報告自動跑完 00:44

    三層架構:Connector、Skill、Plugin 01:50

    手機上就能管廣告,比官方 App 還強 03:32

    把你的方法論變成 AI 劇本 04:52

    你的下一步 06:29


    📝 懶人包

    ∙ austin 用 Claude Cowork plugin 連接 Google Ads API,在對話介面裡跑通了完整的廣告管理迴路:搜尋字詞挖掘、分析分類、產出可批量上傳的 CSV,甚至直接加 negative keywords (排除關鍵字)。


    ∙ 每個 skill 是一份結構化的 markdown 文件,編碼了他個人的工作方法論,包含評估標準、步驟順序和輸出格式。AI 每次執行都遵循同樣的邏輯,不需要重複下指令。


    ∙ 同一套 plugin 延伸到手機端 (Dispatch),能做到 Google Ads 行動 app 本身不支援的操作,例如按日查看曝光佔比、取得預算建議並直接調整。


    ∙ 我的觀察:這個案例真正可複製的不是 plugin 本身,而是「把方法論結構化」這個動作。任何有重複性專業判斷的角色,都可以用同樣的思路把自己的工作流程交給 AI 執行。


    📚 參考資料

    austin (@helloitsaustin) on X

    → https://x.com/helloitsaustin/status/2036553581625745511

    7 min
  • NotebookLM + Gemini + Obsidian:過濾八成重複只留新知


    學習效率的瓶頸不是讀太少,是你一直在重複接收已知的東西。這篇拆解用 NotebookLM + Gemini + Obsidian 三個免費工具組壓縮管線的方法,附 7 步設定和來源沒說的限制。



    ⭐ 文章深度讀:完整 7 步操作流程拆解,加上 Kanika 沒提到的三個工具鏈限制

    → https://heymaibao.com/ai-learning-compression-notebooklm-gemini-obsidian/


    ⚡ 章節重點

    你花的八成學習時間都在重複 00:00

    Delta Learning:只留下新知的原則 01:06

    三個免費工具的壓縮生產線 02:21

    五步啟動知識壓縮機 03:47

    用之前你該知道的三件事 05:21


    📝 懶人包

    ∙ NotebookLM + Gemini + Obsidian 組成三層學習管線:收集來源、跨來源去重、只保留你還不知道的 10-20%


    ∙ 關鍵串接是 Gemini 能直接讀取 NotebookLM 筆記本作為上下文,不用手動複製貼上


    ∙ 整個流程是可重複的學習衝刺:收集 → 壓縮 → 儲存,每週跑一次就能持續累積差異化知識


    ∙ 我的觀察:「100x 學習速度」是行銷修辭,實際加速幅度取決於來源重複率和你的 prompt 設計。但我把她這套做法背後的核心原則叫做 Delta Learning (只保留新知),這個原則不依賴特定工具,換了其他工具組合一樣適用


    📚 參考資料

    This SIMPLE Obsidian + NotebookLM + Gemini setup could 100x your learning speed

    → https://x.com/kanikabk/status/2037166525984252238

    7 min
  • AI agent 反覆跑推理優化實驗,結果發現多數花招只是雜訊


    讓 AI agent 反覆跑推理優化,最大加速是去掉 top-p sampling (+10.8%)。KV cache 量化反而崩壞,多數調參只是雜訊。比速度更重要的發現是:測試框架才是優化的真正產品。



    ⭐ 文章深度讀:整理了哪些優化有效、哪些只是雜訊的完整分析

    → https://heymaibao.com/ai-agent-inference-optimization-experiment/


    ⚡ 章節重點

    AI 效能數字在自嗨? 00:00

    一個逼 AI 說實話的實驗 01:17

    最大加速竟來自最簡單的改動 02:57

    理論上該有效卻全軍覆沒 04:00

    比 10.8% 更值錢的發現 05:15


    📝 懶人包

    ∙ 去掉 top-p sampling 改用 argmax (貪婪解碼),就拿到最大加速:Qwen 0.5B 4-bit 上 +10.8%,Llama 3.2 3B 4-bit 上 +2.6%。sampling 的運算開銷不是免費的


    ∙ KV cache 量化理論上應該加速,但在 Apple Silicon 上反而讓品質崩壞或速度下降。照搬理論不如實測


    ∙ 大部分調參 (prefill step size、關閉 GC、調 Metal cache 限制) 都只是測量雜訊,一旦明顯浪費被消除,剩下的改動在天花板附近微小移動


    ∙ 我的觀察:這個實驗最有價值的不是那 10% 的加速數字,而是測試 harness (固定的評估框架) 的設計本身。當你的測試框架能攔截「減少輸出長度就看起來更快」這種假贏,你才算真的在優化,而不是在自欺


    📚 參考資料

    What Happened When I Applied Karpathy's Autoresearch Idea to LLM Inference

    → https://x.com/manthanguptaa/status/2036785420349174073

    8 min
  • Claude Skills 建置教學:8 個技巧讓 AI 記住你的工作方式


    Claude Skills 是什麼?怎麼建?這篇整理了 8 個從能用到好用的建置技巧,加上 Skills 2.0 的 Eval 和 A/B Testing 新功能拆解,讓你設定一次就讓 AI 記住你的工作方式。



    ⭐ 文章深度讀:附上反向 prompting 教學和 Skills 2.0 的 Eval、A/B Testing 拆解

    → https://heymaibao.com/claude-skills-guide-8-tips/


    ⚡ 章節重點

    每次都在跟金魚腦講話? 00:00

    30 分鐘建好你的第一個 Skill 01:34

    八個讓 Skill 直接升級的技巧 02:29

    Skills 2.0 改變了遊戲規則 06:40

    三件一定要記住的注意事項 07:57

    換你動手打造第一個 Skill 08:54


    📝 懶人包

    ∙ Claude Skills 是存成 Markdown 的指令包,設定一次就能在每次新對話自動載入你的品牌語氣、寫作標準與工作流規則


    ∙ 建好 Skill 最實用的方法之一是「反向 prompting」:讓 Claude 先問你 10 到 50 個問題,再根據回答自動產出指令檔


    ∙ Skills 2.0 新增內建 Eval、A/B Testing 和 Trigger Optimization,讓 Skill 品質從「感覺可以」變成可驗證


    ∙ 我的觀察:原文只涵蓋 claude.ai 的操作介面,但如果你用的是 Claude Code (命令列工具),其實也有類似的機制可以讓 Claude 記住專案規則。而且模型更新會影響 Skill 行為,維護成本不是零


    📚 參考資料

    Claude Skills: Ultimate Guide (March 2026)

    → https://x.com/aiedge_/status/2036815449225298369

    10 min
  • 50 倍晶片、S&P 崩盤、人類駕駛違法:矽谷四人圓桌怎麼看


    Peter Diamandis 的 Moonshots 圓桌上,Terrafab 50 倍晶片計畫、S&P 500 崩塌論和自駕車革命同時炸開。四位專家的判斷:前提對,結論全錯。反轉比數字更值得看。



    ⭐ 文章深度讀:從晶片到 token,整理了四項趨勢的可帶走判斷

    → https://heymaibao.com/50x-chips-sp500-repricing-human-driving-illegal-moonshots-ep242/


    ⚡ 章節重點

    三大瘋狂預測 00:00

    50 倍晶片的豪賭 00:29

    人類開車要被禁? 02:43

    S&P 估值會崩嗎? 04:27

    Token 重新定義生產力 05:47


    📝 懶人包

    ∙ Elon 的 Terrafab 計畫要在 5 年內建造全球 50 倍 AI 晶片產能 (從 20 吉瓦到 1 太瓦),初始投資 250 億美元,完整建置可能要 5000 億。如果成功,這可能催生史上第一家百兆美元企業。


    ∙ Waymo 自駕車已經比人類駕駛安全 92%,圓桌成員認為人類開車在幾年內會被視為「不人道」行為。真正的瓶頸不是技術,而是晶片短缺。連鎖效應是整個房地產版圖要重新洗牌。


    ∙ 創投人 Chamath 警告 AI 會讓 S&P 500 的估值從 22 倍自由現金流暴跌到 2-7 倍。四位專家一致反駁:這不是價值毀滅,而是價值轉移。中型股和私募可能是最大贏家。


    ∙ 我的觀察:Nvidia CEO Jensen 說 50 萬美元工程師至少要消耗 25 萬的 token,聽起來像鑽石商 DeBeers 的行銷話術。但這集裡 Alex 的延伸觀點才是真正的洞察:token 是人類有史以來第一個可被審查、可被分析的生產力衡量單位。這比工時打卡有意義太多了。


    📚 參考資料

    Elon Enters the Chip Race, the S&P 500 Repricing, and Human Drivers Will Become Illegal | EP #242

    → https://youtu.be/wMLcIWLlcWg

    8 min
  • Claude 設定也需要斷捨離:5 條過濾原則找出該刪的規則


    每次壞輸出就加規則卻從不清理,三個月後 CLAUDE.md 的指令開始互相矛盾。這篇用 5 個過濾原則幫你做設定檔斷捨離,加上好規則 vs 壞規則的判斷框架,找到精準的最小集合。



    ⭐ 文章深度讀:附上 5 條過濾原則的完整拆解,加好規則 vs 壞規則的判斷框架

    → https://heymaibao.com/claude-setup-detox-self-audit/


    ⚡ 章節重點

    你的 AI 設定正在悄悄腐爛 00:00

    規則越加越多,反而越搞越壞 00:46

    60 秒斷捨離:5 個過濾原則 03:00

    實際操作:找出最小可行設定 05:13

    好規則 vs 壞規則,差在哪裡 06:40

    你的設定是資產還是負債? 08:17


    📝 懶人包

    ∙ 每次遇到壞輸出就加規則但從不清理,三個月後 CLAUDE.md 堆了 89 條互相矛盾的指令,AI 反而越來越差


    ∙ 用 5 個過濾條件自我檢查:模型本來就會做的、互相矛盾的、重複的、為了修一次壞輸出的臨時補丁、太模糊的,通通可以刪


    ∙ 目標是找到「最小可行設定」:最少的指令數量,最一致的輸出品質


    ∙ 我的觀察:真正的問題不是規則太多,而是壞規則太多。精確的 20 條比含糊的 5 條更好,關鍵是每條規則都要有明確的觸發條件和期望結果


    📚 參考資料

    Your Claude setup rots over time. Detox it in 60 seconds (Ole Lehmann)

    → https://x.com/itsolelehmann/status/2036533756572639611

    9 min
  • 測試全過但 AI agent 上線就壞?你的 eval 可能測錯東西了


    LangChain 團隊分享 AI agent eval 實戰心法。越多測試不代表越好,關鍵是每條 eval 都要對準生產環境行為。從 dogfooding 到模型選擇框架,看懂 eval 策展核心邏輯。



    ⭐ 文章深度讀:整理了 eval 行為向量心法,從 dogfooding 到正確性優先框架

    → https://heymaibao.com/ai-agent-eval-design/


    ⚡ 章節重點

    全部測試過,上線就爆 00:00

    百分之百的失敗 00:48

    三種 eval 來源哪種最有效 02:47

    先對再快的模型選擇框架 04:08

    框架背後的三個缺口 05:45

    最值錢的心態轉換 06:41


    📝 懶人包

    ∙ eval 數量堆疊是假進步。每條 eval 都要能回答「它在測哪個生產環境的行為」,回答不出來就不該加


    ∙ 最有效的 eval 來源是 dogfooding (自己用自己做的產品) 產生的真實錯誤,不是從 benchmark 批量匯入


    ∙ 選模型先過正確性門檻再比效率。用「理想軌跡」量化同樣答對但多繞了幾步


    ∙ 我的觀察:文中沒有討論「什麼錯誤值得寫成 eval」的優先級框架。dogfooding 每天都會發現錯誤,但不是每個都值得固化成永久測試,這個篩選標準才是實務落地最大的缺口


    📚 參考資料

    How We Build Evals for Deep Agents

    → https://blog.langchain.com/how-we-build-evals-for-deep-agents/

    8 min
  • 你的 AI 訂閱費被補貼了 25 倍,但這場好戲可能快演完了


    AI 公司用 25 倍補貼搶客戶,但 Google 已率先退場。拆解三種截然不同的策略:鎖定、開放和混亂退場,看懂你的訂閱費背後的商業邏輯,趁補貼紅利還在做出最佳選擇。



    ⭐ 文章深度讀:整理了三家公司的補貼策略差異,以及補貼結束前你該怎麼佈局

    → https://heymaibao.com/ai-subscription-subsidy-war/


    ⚡ 章節重點

    你每月被補貼了 4800 美元 00:00

    推論成本不降反升的真相 00:58

    三個理由,只有一個站得住 02:49

    Anthropic、OpenAI、Google 各懷鬼胎 05:27

    補貼結束前的行動手冊 08:40


    📝 懶人包

    ∙ AI 免費推論 (inference,指 AI 模型每次回應你時消耗的運算資源) 的時代正在結束。Google 率先退場,而廣告收入根本無法覆蓋成本。一個月 300 萬次觀看的 YouTube 頻道,廣告收入也只有 5,000 到 9,000 美元,但單次 AI 提示就可能花超過 1 美元。


    ∙ 補貼推論的唯一商業邏輯是搶客戶。不是為了做大市場,也不是靠數據訓練回本。免費和補貼的推論只有在能從競爭對手那裡偷走用戶時才有意義。


    ∙ 三家公司的策略完全不同:Anthropic 用 25 倍補貼把用戶鎖在自家的 AI 開發工具 Claude Code 裡,OpenAI 用開放策略搶市佔,Google 因為內部團隊搶 GPU 搶到自己都用不了。


    ∙ 我的觀察:補貼策略反映的是市場地位,不是公司 DNA。Anthropic 從「合理且慷慨」快速轉變成「不用我的工具就別來」,而 OpenAI 現在的開放態度也可能只是因為市佔還不夠大。對我們來說,現在是享受補貼紅利的最佳時機,但別把它當成理所當然。


    📚 參考資料

    AI has a subsidization problem

    → https://www.youtube.com/watch?v=w62xTVuyu3s

    11 min