脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • AI agent 接管 Google Ads,第一件事就是揭穿 CPA 謊言


    Google Ads 帳戶的 CPA 在騙你。一個 PPC 從業者讓 AI agent 讀完 4300 筆搜尋字詞,發現意圖混淆才是廣告浪費的根源,還拆解了 Google 自動化與廣告主的利益衝突。



    ⭐ 文章深度讀:整理了意圖混淆的完整拆解,以及 Google 用 PMax 搶走品牌流量的具體數字

    → https://heymaibao.com/ai-agent-google-ads-cpa/


    ⚡ 章節重點

    CPA 報表在騙你? 00:00

    4300 筆搜尋字詞的真相 01:02

    意圖混淆:PPC 圈的秘密 02:07

    有記憶的 AI 副駕駛 03:04

    Google 的 AI 為誰工作 04:27

    三個實戰踩坑教訓 05:44


    📝 懶人包

    ∙ Google Ads 帳戶的真正問題不是出價策略,是意圖混淆。買家、比價者、求職者全被丟進同一個優化桶,平均 CPA 數字在騙你。


    ∙ 這個開源 AI agent 有 15 個技能,每天自動讀搜尋字詞報告、分類意圖、找出浪費,而且它會記住每次學到的東西,第 4 週比第 1 週更聰明。


    ∙ Google 的廣泛比對和最高成效廣告功能不是為廣告主優化的。最高成效廣告預設會把你最便宜的流量 (已經認識你品牌、本來就會點進來的人) 搶走,記成自己的功勞。


    ∙ 我的觀察:這套系統宣稱能取代 agency 帳單上 90% 的執行工作,但前提是你自己得懂業務、會管 agent workflow,這個門檻在原文中被輕描淡寫了。


    📚 參考資料

    This Openclaw agent killed $4,200/mo in Google Ads

    → https://x.com/themattberman/status/2036774675510931498

    8 min
  • AI 寫的 app 為什麼看起來都很廉價?一個設計檔就能解決


    用 AI 寫 app 最頭痛的不是功能,是設計一直漂移。Google Stitch 2.0 自動產出 design.md 設計系統檔,讓 Claude Code 每次都照同一套規則。操作步驟與限制分析。



    ⭐ 文章深度讀:整理了 design.md 模式的操作步驟和踩坑清單

    → https://heymaibao.com/ai-app-design-md/


    ⚡ 章節重點

    AI 做的 app 為什麼一眼就被認出來 00:00

    設計漂移的真正原因:AI 根本不記得 01:04

    design.md 一個檔案鎖住設計語言 02:09

    實戰四步驟:Stitch 到 Claude Code 03:21

    MCP 讓 AI 直接讀設計原始碼 04:14

    Reality check:限制和踩坑清單 05:27


    📝 懶人包

    ∙ Google Stitch 2.0 會自動產出一個叫 design.md 的設計系統檔案,包含字型規則、配色、元件規範。把這個檔案放進專案,Claude Code 每次寫程式都會參照同一套設計規則,不再每個畫面各做各的


    ∙ Claude Code 還能透過技術橋接直接讀取 Stitch 設計稿的 HTML/CSS 原始碼來還原 UI,不用靠文字描述猜


    ∙ 設計問題解決之後,同一個工作流還能繼續串接認證、付款、郵件到部署,全在同一個工作階段完成


    ∙ 我的觀察:design.md 這個模式的價值其實大於 Stitch 這個特定工具。任何能把設計系統輸出成結構化文件的工具,都能套用同樣的邏輯。重點不是用哪個工具,是你有沒有給 AI 一個可參照的設計標準


    📚 參考資料

    Claude Code + NEW Stitch 2.0 just changed how I design apps

    → https://x.com/prajwaltomar_/status/2037104246647382058

    8 min
  • Eric Schmidt:AI 影響才走 10%,程式設計已經翻成 20/80


    AI 影響才走 10%,程式碼比例從 80/20 翻成 20/80。Google 前 CEO Eric Schmidt 在 Abundance360 拆解六個判斷:92GW 電力缺口、中國機器人優勢與 AI 天花板還在哪裡。



    ⭐ 文章深度讀:從 scaling laws 天花板到 92GW 電力缺口,六個判斷的完整脈絡一次看懂

    → https://heymaibao.com/eric-schmidt-ai-10-percent-coding-20-80/


    ⚡ 章節重點

    程式碼比例 180 度翻轉 00:00

    AI 才走了 10%,天花板還沒到 02:27

    92GW 電力缺口:60 座核電廠的距離 03:28

    RSI 辯論:舊金山共識 vs 科學家 04:44

    不是踩剎車,是塑造方向 06:00


    📝 懶人包

    ∙ AI 的衝擊才走了 10-15%,Schmidt 持續追問圈內朋友 scaling laws (模型越大、資料越多,性能就越好的經驗規律) 的天花板什麼時候到,答案是:還沒看到。


    ∙ 美國到 2030 年預估有 92GW 的電力缺口,相當於 60 座核電廠,資料中心建設已經佔 GDP 的 1%。Jevons 悖論 (效率提升反而增加總需求) 確保這個缺口不會因為演算法進步而消失。


    ∙ Claude Code 讓程式設計從 80/20 翻轉成 20/80,程式設計者正在從「寫程式的人」轉型成「程式系統的導演」。頂尖工程師會變得更值錢,不是更不值錢。


    ∙ 我的觀察:Schmidt 最有價值的不是任何單一預測,而是他在同一場演講裡同時呈現了舊金山共識 (遞迴自我改進 2-3 年內到來) 和科學現實 (科學家尚無方法論共識)。當一個 Google 前 CEO 告訴你「天花板還沒看到」的同時也說「科學家還沒搞定」,這個落差本身比任何單一預測都更值得聽。


    📚 參考資料

    Eric Schmidt: Singularity's Arrival, 92-Gigawatt Problem & Recursive Self-Improvement Timeline

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

    8 min
  • 為什麼 AI agent 總是卡在互動提示?因為多數 CLI 還假設鍵盤前坐的是人


    為什麼 AI agent 用 CLI 會卡住?因為工具預設你是人。一位開發者從實戰中提煉出讓命令列工具對 agent 友善的原則:參數取代互動、範例取代描述、冪等性取代單次執行。



    ⭐ 文章深度讀:9 條原則的完整拆解與實際指令範例,直接套用到你的工具設計

    → https://heymaibao.com/cli-design-for-ai-agents/


    ⚡ 章節重點

    AI Agent 被「你確定嗎」卡住了 00:00

    隱藏假設:鍵盤前永遠坐著一個人 01:00

    三根支柱:冪等性 + dry-run + 可行動錯誤訊息 02:33

    四條實戰規則:從引數化到可預測結構 03:16

    為什麼成功該回 ID 而不是 emoji 04:35

    改給 AI 用,結果人也更順了 05:49


    📝 懶人包

    ∙ 為 agent 設計命令列工具的核心轉換:從「假設人在鍵盤前」到「假設呼叫者是程式」,所有互動都必須可用參數取代。


    ∙ agent 靠範例學習比讀文字描述快,--help 裡附上實際範例才是真正有效的文件。


    ∙ 冪等性 (重複執行不會產生重複結果) + --dry-run (先預覽再執行) + 可行動的錯誤訊息,是 agent 友善工具的三根支柱。


    ∙ 我的觀察:這些原則的底層邏輯不只適用於命令列工具,而是「為非人類消費者設計介面」的通用思維。當我們被迫為 agent 重新設計,才發現很多「人用起來還好」的設計,其實一直在浪費人類的隱性能力。


    📚 參考資料

    Building CLIs for agents

    → https://x.com/ericzakariasson/status/2036762680401223946

    7 min
  • AI agent 做研究時差點作弊,但放手讓它探索後反而有突破


    AI agent 不只會寫程式。NYU 教授讓 Codex 自己做研究,學到三件事:問題要精確、捷徑要攔住、太多參考反而限制創造力。這三個教訓適用於所有用 agent 做複雜工作的人。



    ⭐ 文章深度讀:拆解了問題定義、防作弊和放手策略的完整操作細節

    → https://heymaibao.com/ai-agent-vibe-research-lessons/


    ⚡ 章節重點

    一個 AI、一位教授、一場實驗 00:00

    何赫教授的研究問題 00:34

    「完美答案」背後的作弊 01:37

    三個改變一切的教訓 03:27

    放手之後,不到一分鐘的突破 05:54

    這對未來科學意味著什麼 06:41


    📝 懶人包

    ∙ AI agent 需要像競賽題目一樣精確的問題定義,才能長時間自主運作。問題越模糊,agent 越像聊天機器人。


    ∙ Agent 會 reward hack (鑽目標漏洞)。何赫的 Codex 找到一個「完美解」,其實是偷換成回歸問題。人類的判斷力在識別和拒絕這類捷徑時不可取代。


    ∙ 不要過度約束 agent。給太多參考反而限制探索空間。何赫移除所有 baseline 後從頭開始,再拉高標準,Codex 才跳出舊框架。重新思考方向後不到一分鐘,它就發明了全新方法。


    ∙ 我的觀察:這三個教訓不只適用於學術研究。任何把複雜工作交給 AI agent 的人,都會遇到同樣的張力:問題要夠精確讓 agent 能跑,但又不能精確到限制它的創造力。


    📚 參考資料

    What research looks like with agents

    → https://x.com/hhexiy/status/2036619809975308344

    9 min
  • 別賣 AI 工具,賣 AI 跑出來的資料:一個高毛利創業框架


    拆解水平巨頭的功能,用 AI 爬蟲只服務一種客戶,賣跑出來的資料不賣工具。這個高毛利創業框架附了 5 個案例和定價,但來源宣稱的 95% 毛利背後有些門檻值得先看清楚。



    ⭐ 文章深度讀:整理了 5 個案例的具體定價,加上毛利數字背後被省略的營運成本

    → https://heymaibao.com/ai-web-scraping-niche-startup-framework/


    ⚡ 章節重點

    19 億美元的拆解商機 00:00

    AI 有腦但沒眼睛 01:55

    從 0 到 1 的五步框架 02:52

    五個還沒被挖的資料金礦 03:48

    95% 毛利背後的現實 04:34

    只帶走這一句話 06:01


    📝 懶人包

    ∙ AI agent 技術棧有 5 層,來源認為多數建構者忽略的是第 3 層「網路資料層」,也就是 AI 自動取得網頁資料的能力。


    ∙ 創業公式:拆解水平巨頭 (像 SEMrush、Indeed) 的功能,針對單一利基重建,用精準度打規模。


    ∙ 核心商業邏輯是賣 AI 整理好的資料產出 (報告、儀表板、通知),不賣工具本身。


    ∙ 我的觀察:這個框架的思路是對的,但來源宣稱的「95%+ 毛利」和「本週就能出貨」跳過了獲客成本、資料品質維護和法規合規等真實門檻。框架值得參考,數字要自己驗證。


    📚 參考資料

    Firecrawl clearly explained

    → https://x.com/startupideaspod/status/2036528254274986019

    8 min
  • Obsidian 加上 Claude Code,你的筆記從此不用自己整理


    一個 plugin、一個 Markdown 檔案、一個排程設定,三個東西接起來 Obsidian 就能自己整理筆記。完整教學拆解這套架構怎麼設定,以及為什麼它適用於任何有 API 的工具。



    ⭐ 文章深度讀:拆解了從 plugin 到排程的完整流程,附通用公式

    → https://heymaibao.com/obsidian-claude-code-auto-notes/


    ⚡ 章節重點

    三個元件讓筆記自己動 00:00

    搭橋 + 下指令:讓 AI 進入你的筆記庫 01:00

    排程三梯度:手動到全自動 02:37

    每天早上自動整理好的筆記 03:22

    不只 Obsidian 的通用公式 04:22


    📝 懶人包

    ∙ 整套架構只需三個東西:一個 Obsidian 社群 plugin、一個 Markdown 指令檔、一個排程設定,就能讓 AI 每天自動幫你整理筆記


    ∙ 排程分三級 (session 工作階段內循環 / Desktop 排程任務 / VPS 虛擬主機或 GitHub Actions),不必一步到位


    ∙ 指令檔不需要寫程式,就是一段用自然語言描述的「API 操作說明書」


    ∙ 我的觀察:這套架構的邏輯不只適用於 Obsidian,任何有 API 的本地工具都能用同樣的模式接上 AI agent


    📚 參考資料

    This SIMPLE Obsidian + Claude Code setup could turn your vault into a 24×7 AI agent

    → https://x.com/kanikabk/status/2036117598132441196

    7 min
  • AI 寫程式最大的問題不是寫不好,是不知道自己寫得爛


    同一個 AI 模型,花 9 美元寫出壞掉的遊戲,花 200 美元寫出能玩的遊戲。Anthropic 工程師分享了多代理架構怎麼讓產出品質翻倍,以及模型升級後該怎麼調整架構設計。



    ⭐ 文章深度讀:解析 $9 vs $200 背後的架構差異,以及模型升級後該拆掉哪些元件

    → https://heymaibao.com/ai-self-evaluation-problem-anthropic-harness/


    ⚡ 章節重點

    同一個 AI,9 美元 vs 200 美元 00:00

    AI 心裡的兩個小惡魔 01:21

    不讓 AI 自己檢查作業 02:20

    三人小隊寫出能玩的遊戲 04:27

    模型變強了,架構反而該拆 05:35

    你現在就能用的三步驟 06:47


    📝 懶人包

    ∙ AI 有兩個致命弱點:工作太久會急著收尾 (叫做 context anxiety),而且對自己的爛產出照樣打高分。把「做事的 AI」和「檢查的 AI」分開,是突破品質天花板的關鍵


    ∙ 同樣的模型,不加架構花 9 美元寫出來的遊戲核心功能是壞的,加了多代理架構花 200 美元寫出來的遊戲可以實際玩。品質差距不在模型本身,在外部設計


    ∙ 架構不是固定的。上面的三代理系統原本需要把任務拆成小段 (sprint) 才跑得順,但模型從 Opus 4.5 升級到 4.6 之後,AI 可以連續工作超過 2 小時不失控,Anthropic 就直接把這個拆段機制拿掉了。每個架構元件都是一個「模型做不到 X」的假設,模型升級就該重新檢驗


    ∙ 我的觀察:這篇文章最值得帶走的不是技術細節,而是一個思維框架。不管你是 AI 工具的使用者還是開發者,「好的架構設計能讓同一個模型產出完全不同品質的結果」這件事,解釋了為什麼同一個 Claude,在不同工具裡表現差距那麼大


    📚 參考資料

    Harness design for long-running application development

    → https://www.anthropic.com/engineering/harness-design-long-running-apps

    9 min
  • 一封電子報變一週內容:Dan Koe 的極簡內容生態系統拆解


    一封電子報怎麼變出一整週的全平台內容?完整拆解 Dan Koe 的內容生態系統,從每天 30 分鐘寫作節奏、衍生流程到靈感來源,以及他怎麼在不讓 AI 代寫的前提下善用 AI。



    ⭐ 文章深度讀:四步驟衍生流程的完整拆解,加上 Dan Koe 的四大靈感入口與電子報結構公式

    → https://heymaibao.com/dan-koe-content-ecosystem-newsletter/


    ⚡ 章節重點

    一封電子報撐起五個平台? 00:00

    電子報不是格式,是思考引擎 00:56

    四步驟衍生流程 02:25

    驗證後升級的成長飛輪 04:02

    AI 的務實角色與邊界 05:09

    電子報結構公式 06:42


    📝 懶人包

    ∙ Dan Koe 把電子報當「思考引擎」,每天 30-60 分鐘寫作,所有其他平台的內容都從電子報衍生,而非分別創作


    ∙ 內容再利用的關鍵是「重新說」,不是「剪片段」。把概念重新濃縮成獨立的短內容,而不是從長內容剪一段出來


    ∙ 成長飛輪的核心是「驗證後升級」。先發短文測試反應,驗證好的才升級成輪播圖或短影音,最好的回饋下一週選題


    ∙ 我的觀察:Dan Koe 說不要讓 AI 代寫,但他的工作流中 AI 參與了標題生成、影片輔助素材建議和推文草稿。這不是矛盾,而是暗示了一條務實的邊界。創意核心 (電子報寫作、觀點形成) 保留人工,執行衍生交給 AI


    📚 參考資料

    My Entire Content Ecosystem (Turn One Newsletter Into 1 Week Of Content)

    → https://youtu.be/lX6wChsxEjA

    8 min
  • 不寫程式的開發者:用 Claude Code 和語音搞定所有事


    不寫程式也能月產 263 次 commit?拆解一位開發者的 Claude Code plan-first 工作流:語音輸入、4-6 個平行 session、研究驅動規劃,連 Disney World 行程都用 AI 搞定。



    ⭐ 文章深度讀:拆解了 plan-first 操作流程和三個必備設定的具體做法

    → https://heymaibao.com/claude-code-plan-first-workflow/


    ⚡ 章節重點

    不寫程式的開發者 00:00

    Plan-first 思維:翻轉 80/20 法則 00:58

    語音輸入和 4-6 個 AI 並行作戰 02:30

    足球場邊規劃 Disney World 03:56

    代價:$400 月費和一小時電量 05:15


    📝 懶人包

    ∙ AI 開發的核心紀律是「先寫 plan 再動手」。plan.md 不只是計畫書,而是跨工作階段的持久化存檔點,30 天 70 個 plan 檔案就是證據。


    ∙ 這套方法不限於寫程式。作者在足球場邊用語音和 AI 完成了 Disney World 一日四園行程規劃,從社群研究到自動提醒全部串起來。


    ∙ 實際日常是 4 到 6 個 Claude Code 工作階段並行運作,搭配三個關鍵設定 (跳過權限確認、完成音效、自動存檔),讓多工切換成為可能。


    ∙ 我的觀察:這篇文章展示的不是「Claude Code 技巧合集」,而是一個完整的工作模式重構。當 plan.md 變成所有工作的原子單位,寫程式只是其中一個下游任務,寫策略文件、寫文章、規劃行程也是。但 $400 美元的月費和 MacBook 一小時沒電的現實,也說明全力投入 AI 的代價不小。


    📚 參考資料

    Every Claude Code Hack I Know (March 2026)

    → https://x.com/mvanhorn/status/2035857346602340637

    7 min