脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • AI 廣告工廠五步驟:從一段文字到多語言廣告素材全自動


    用一段產品描述,讓 AI agent 自動生成 20 組 hook、完整腳本和多語版本,不需要手動選模型或改稿。本文拆解 Vibe Advertising 的五步驟廣告工廠邏輯與各模型適用場景。



    ⭐ 文章深度讀:拆解五步驟工廠邏輯、各模型適用場景與前提條件

    → https://heymaibao.com/vibe-advertising-ai-ugc-factory/


    ⚡ 章節重點

    一個下午,47 支廣告 0:00

    工人邏輯 vs. 工廠邏輯 0:35

    五步驟廣告工廠設計藍圖 2:35

    自我學習的廣告大腦 5:02

    你的新角色:策略家 5:47


    📝 懶人包

    ∙ 一段產品描述 → Claude Code 自動生成 20 組 hook,含完整腳本和多語版本,全程不需要自己選工具或改稿


    ∙ Vibe Advertising 的邏輯:你只負責設定「做什麼、給誰看、什麼語氣」,hook 生成、腳本寫作、模型選擇、渲染執行,全部交給 agent


    ∙ 五個視頻生成模型各司其職:talking head 用 Sora 2 Pro,大量 UGC 用 Nano Banana,物理交互用 Kling Motion Control,高質感用 Seedance,環境音用 Veo 3.1


    ∙ 我的觀察:這個框架把「執行」移出去了,但沒有把「策略判斷」也一起移走。你給的那段意圖描述,決定了後面所有輸出的品質上限


    📚 參考資料

    @jacobgrowth — How To ACTUALLY Build an AI UGC Content Machine

    → https://x.com/jacobgrowth/status/2033965821672706183

    8 min
  • 你的 AI 助理每次都在失憶,原因不是模型,是基礎設施


    AI 每次重啟都從零,不是模型問題,是框架沒有記憶。autocontext 用劇本庫讓每次執行繼承上次知識,只在改善被驗證時才寫入,還能把前沿模型探索蒸餾成本地模型降本。



    ⭐ 文章深度讀:整理了 AI 記憶失效的根本原因,以及驗證式劇本庫怎麼解這個問題

    → https://heymaibao.com/ai-agent-memory-autocontext/


    ⚡ 章節重點

    AI 為什麼越用越失憶? 00:00

    真正的病根:金魚腦基礎設施 01:02

    autocontext 解法與劇本庫設計 02:12

    六個 AI 代理的分工合作 03:48

    怎麼知道 AI 真的在進步 05:27

    本地模型省錢接力 06:30


    📝 懶人包

    ∙ AI 工具越用越沒進步,根本原因是 harness (agent 執行框架) 沒有跨次持久記憶,不是模型不夠好。每次執行都從零開始,上次學到的東西全部消失。


    ∙ autocontext 用一個六代理的自動分析管線加上「劇本庫」(playbook) 解決這個問題:知識只在被驗證有改善時才寫入,確保 AI 只往對的方向進步,不會把錯的東西累積進去。


    ∙ 這個工具支援先用昂貴的前沿模型做探索,再把學到的知識蒸餾到本地小型模型上,後續執行不需要持續付費給雲端,成本隨時間遞減。


    ∙ 我的觀察:作者自己說把這個工具叫做 AGI 有點誇大,但問題的診斷是真實的。真正值得注意的不是「AI 在自我改進」,而是它提出了一個具體設計:知識要通過驗證才能持久化,沒有改善就回滾,這在現有的 AI 工具生態裡確實少見。


    📚 參考資料

    autocontext: The Recursive Self-Improving Loop

    → https://x.com/jayscambler/status/2033971974284714355


    github.com/greyhaven-ai/autocontext

    → https://github.com/greyhaven-ai/autocontext

    10 min
  • 面對 AI,只有一個選擇是確定錯的,前 Meta 工程師這樣說


    Philip Su 從 Meta E9 主動降職回去寫程式,結果發現 IC 這個角色本身快消失了。他說,面對 AI,唯一確定錯誤的押注是認為工作不會改變。問責制才是 AI 最難突破的護城河。



    ⭐ 文章深度讀:IC 角色如何在 AI 時代被重新定義,以及為什麼問責制是 AI 最難突破的護城河

    → https://heymaibao.com/ai-killed-the-ic/

    11 min
  • Obsidian 搭 Claude Code,打造不會半途而廢的第二大腦


    知識管理一直失敗,問題往往不是你沒毅力,而是維護成本高到某天就自然放棄了。Claude Code 搭 Obsidian 讓這件事變容易,這篇文章說明原因以及最低成本的起步方式。



    ⭐ 文章深度讀:說明為什麼這次 Obsidian 不再廢棄,以及最低成本的起步方式

    → https://heymaibao.com/obsidian-claude-code-second-brain/


    ⚡ 章節重點

    工具都廢了?你不是唯一一個 00:00

    問題根源:不是意志力,是維護成本 01:08

    Claude Code 怎麼把 95 個指令壓成 0 02:14

    vault setup 到日常指令:知識自動累積 03:14

    舊文件整合 + 今天就能開始的四步驟 05:24


    📝 懶人包

    ∙ Obsidian 有 95 個 CLI (命令列) 指令,但使用者不需要自己學,Claude Code 可以自動讀懂並操作這些指令,你只需要用中文說需求


    ∙ `vault setup` 斜線指令 問 4 個問題,5 秒內生成適合你的個人化資料夾結構,把初始設置的門檻壓到最低


    ∙ `/tlddr` 讓任何 Claude Code 對話在結束後一個指令就存進 Obsidian,徹底解決「聊了很多、什麼都沒留下來」的問題


    ∙ 我的觀察:這個組合之所以有效,不是因為 Obsidian 比其他工具更強大,而是因為 Claude Code 把「維護成本」壓到接近零。過去放棄工具,大多不是因為沒毅力,而是某天意識到維護它比不維護它更麻煩。這個組合改變了這個算式。


    📚 參考資料

    Claude Code Turned Obsidian Into My Dream Second Brain

    → https://youtu.be/2kbINqpluM0?si=kvOBYV1o4l-n78-Q

    7 min
  • AI 研究員集體出走背後,是一場商業利益與安全文化的戰爭


    從 Geoffrey Hinton 到 Yann LeCun,建造現代 AI 基礎的人正在一個一個離開。背後是商業利益與安全文化之間拉鋸多年的矛盾,不是個別事件,而是一種系統性的警告。



    ⭐ 文章深度讀:整理了 2017 到 2026 年出走潮的時間線與背後結構性原因

    → https://heymaibao.com/ai-researcher-exodus-safety-vs-profit/

    10 min
  • Codex 多 AI 分工不是為了速度,是讓每個 AI 專注一件事


    Codex 的 subagent 不是加速工具,是讓每個 AI 的工作背景保持乾淨的機制。這篇拆解設定方式、三角色分工範例、token 成本考量,說清楚什麼情況值得用、什麼情況不值得。



    ⭐ 文章深度讀:拆解了 context 不污染的設計邏輯,整理出值得用 vs. 不值得用的判斷條件

    → https://heymaibao.com/codex-subagent-ai-role-isolation/


    ⚡ 章節重點

    分工不加速:Subagent 的真正威力 00:00

    上下文汙染是什麼 00:52

    一個純文字檔定義 AI 角色 01:47

    什麼時候值得用(速查表) 02:44

    費用、上限與適用判斷 03:22


    📝 懶人包

    ∙ Codex 的 subagent 是「說一句才動」的設計,不會自動派生,你明確要求才會開出新的 AI 工作執行緒


    ∙ 定義一個 AI 角色只需要一個 TOML 設定檔 (純文字設定格式),三個必填欄位:名稱、說明、執行指令


    ∙ 多個 AI 同時跑,會消耗更多 token (API 使用費),不一定比較省


    ∙ 我的觀察:subagent 真正值得用的前提是任務可以乾淨切分,如果任務邊界模糊,開多個 AI 只是讓混亂加倍


    📚 參考資料

    Codex Subagents 官方文件

    → https://developers.openai.com/codex/subagents


    @reach_vb 的 X 貼文

    → https://x.com/reach_vb/status/2033636057690800452?s=46

    5 min
  • 沒有 AI 的醫師更危險?OpenAI 的奈洛比實驗給出了答案


    OpenAI 在奈洛比的臨床研究讓診斷錯誤率顯著下降,研究結束後合作方認為讓醫師不用工具太危險。整理 ChatGPT 醫療功能、HealthBench 評估框架與三個未解的系統整合挑戰。



    ⭐ 文章深度讀:拆解 AI 真正的瓶頸:為什麼模型已經不是問題,系統整合才是

    → https://heymaibao.com/no-ai-doctor-more-dangerous-openai-nairobi/


    ⚡ 章節重點

    引言:讓醫師不用 AI 太危險? 00:00

    每天 4000 萬次醫療問診 01:23

    奈洛比 20 家診所的實驗 03:01

    讓研究者猶豫的那個瞬間 03:44

    HealthBench:超越考試分數 04:54


    📝 懶人包

    ∙ OpenAI 在奈洛比進行臨床實驗,AI 副駕駛讓醫師的診斷與治療錯誤率出現統計顯著下降,研究結束時合作方認為讓對照組不使用 AI 已是不道德的


    ∙ ChatGPT 每週有 9 億人使用,其中 1/4 有醫療相關查詢,換算下來每天約有 4000 萬次醫療問診,醫療 AI 的大規模普及是現在進行式


    ∙ OpenAI 的 HealthBench 由 250 位醫師協作、歷時一年,涵蓋 49,000 個評估維度,打破「考醫學院試卷」的舊模式,OpenAI 模型在這個框架與第三方評估中持續領先


    ∙ 我的觀察:模型能力已不是主要瓶頸,醫療系統碎片化與機構信任的建立速度,才是決定 AI 醫療真正普及時間點的關鍵變數


    📚 參考資料

    Building AI for better healthcare — the OpenAI Podcast Ep. 14

    → https://youtu.be/VAzryGwnJW8?si=O6icqUf44yLtpUXm

    8 min
  • MCP 被宣判死亡的那週,Uber 正在用它管理數千個 AI agent


    MCP、CLI、skills、AGENTS.md,都是讓 AI agent 取得正確資訊的方式,但適用場景完全不同。本文從 Uber 企業案例與 Vercel 基準測試拆解三者差異,幫你搞清楚該用哪個。



    ⭐ 文章深度讀:整理了三個判斷題,讓你在一分鐘內找到適合自己場景的工具

    → https://heymaibao.com/mcp-not-dead-uber-ai-agent/


    ⚡ 章節重點

    開場:MCP 被宣判死亡,但 Uber 不這樣想 00:00

    你以為 MCP 死了?先看看當初的邏輯 00:45

    Uber 的啟示:企業規模讓所有規則都變了 02:39

    Skills 的盲點:那 44% 的情況讓你吃虧 04:02

    三個問題選對工具,不被口水戰帶偏 06:16


    📝 懶人包

    ∙ MCP 的核心護城河是企業規模的集中式基礎設施。Uber 的 MCP gateway 讓任何 ProtoBuf 或 HTTP 端點用一個簡單的 config 設定就能包成 MCP server,而 auth (身份驗證)、telemetry (遙測數據)、logging (日誌記錄) 全部在一個閘道統一處理,服務數千位工程師與數千個 AI agent。


    ∙ Skills 有一個你可能不知道的隱藏問題:觸發率只有 56%。Vercel 的基準測試發現,即使把 skill 準備好放在那裡,agent 也只有 56% 的機率會主動選用它,另外 44% 直接忽略。而且 skill 文件是靜態的,工具 API 更新後不會自動同步。


    ∙ CLI、skills、MCP、AGENTS.md 沒有輸贏,只有適用場景。對訓練資料豐富的工具 (比如 GitHub CLI 的 gh 指令) 直接跑 CLI 最有效率;需要企業集中管理的場景用 MCP;想給 agent 補充文件上下文用 skills 或 AGENTS.md (每次對話自動注入的 agent 規則文件)。


    ∙ 我的觀察:這場「MCP 已死」的辯論本身,揭露的是我們設計 AI 工作流程時的一個盲點,也就是我們常常把「個人開發者的最小可行做法」當成「所有場景的最佳解」,忽略了規模問題。


    📚 參考資料

    or is it?

    → https://youtu.be/X-QCpoi0zF4

    9 min
  • 不只是寫 spec:Superpowers 的 AI 自動化工程工作流


    不只是給 AI 一份 spec,Superpowers 讓它知道整個工程流程怎麼走。這套工具用 composable skills 架構,帶 AI agent 從構思到交付,Claude Code 和 Cursor 都可以用。



    ⭐ 文章深度讀:解析 Superpowers 與 spec 工具的核心差異,以及 composable skills 架構怎麼讓 AI 從執行者升級成工程協調者

    → https://heymaibao.com/superpowers-ai-workflow/


    ⚡ 章節重點

    AI 做複雜任務為什麼容易迷路? 00:00

    Spec 工具對了一半,剩下那半呢? 00:45

    Superpowers 的核心:讓 AI 當總指揮 02:17

    可組合技能:給工具箱,不給待辦清單 03:09

    Landing Page 示範:整個流程實際跑起來 04:10

    適合你嗎?直接說清楚 05:42


    📝 懶人包

    ∙ Superpowers 採用 composable skills (可組合技能) 架構,跟 spec-only 工具的差異在於它有「執行層」,自動跑 brainstorm、spec 生成、implementation plan 到 sub-agent 分派的完整循環。


    ∙ 在 Claude Code 安裝只需一個 `/plugin marketplace` 指令,也支援 Codex、Cursor 等主流 AI coding 工具。


    ∙ 實際流程中,它會主動問澄清問題、提出多種執行方向 (含各自的取捨分析),再生成可交給 sub-agent 並行執行的 implementation plan。


    ∙ 我的觀察:這個工具的核心價值不在於「幫你寫更好的 spec」,而在於它試圖讓 AI agent 承擔「工程協調者」這個角色。這個方向本身值得關注,即使工具還在早期。


    📚 參考資料

    Superpowers: NEW Spec Toolkit Ends Vibe Coding! 100x Better Than Vibe Coding (Full Tutorial)

    → https://youtu.be/7cOAayWzYDY?si=difLGzNGETGp-FwF

    7 min