脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • AI 工具的 package.json:跨裝置同步 Skills 和 Prompts


    AI 工具的版本管理問題,有工程師用一個 YAML 指標檔解決了:Library Meta-Skill 讓 Skills、Agents 和 Prompts 跨裝置同步,還支援私密分發,不讓你的核心工具外流。



    ⭐ 文章深度讀:拆解四個讓 AI 工具跨裝置同步的核心指令(add / use / push / sync)

    → https://heymaibao.com/ai-tools-package-json-skills-prompts-sync/


    ⚡ 章節重點

    工具版本失控的根源 00:00

    Library Meta-Skill:AI 工具的 package.json 02:00

    四個指令讓所有工具保持同步 03:42

    純 agentic 應用:沒有程式碼的應用程式 05:11


    📝 懶人包

    ∙ AI 工具的版本失控問題不是懶,是架構問題。只要你開始在多個代碼庫間「複製貼上」Skills 和 Prompts,它們就會快速失去同步。


    ∙ Library Meta-Skill 的設計像 package.json,YAML 只存「這個工具在哪裡」的 references (指標),不存實際程式碼,底層指向 private GitHub repo。


    ∙ 四個核心指令 add (加進目錄)、use (安裝到本地)、push (推回來源)、sync (拉取最新版) 讓工具在所有裝置和專案之間保持同步。


    ∙ 我的觀察:整個 Library 系統只靠一個 YAML 檔加一個 skill 運作,沒有任何傳統程式碼。這是「把完整應用邏輯編碼進一個指令技能」這個新典範的具體實作,在 2026 年的 AI 工程圈這個趨勢正在加速。


    📚 參考資料

    The Library Meta-Skill: How I Distribute PRIVATE Skills, Agents and Prompts

    → https://youtu.be/_vpNQ6IwP9w?si=cQSCWCRYBIWQT2Go

    7 min
  • 幾十行程式就能做 AI Coding Agent,但讓它好用是另一回事


    Coding agent 不是黑盒。拆解 Claude Code 的內部機制:LLM 補全、token 快取設計動機、工具呼叫流程。了解為何 AI 寫程式工具的好用程度取決於工程打磨,而非模型本身。



    ⭐ 文章深度讀:拆解 token 快取、工具呼叫和系統提示的設計動機,看懂為什麼好用的 coding agent 難以複製

    → https://heymaibao.com/how-coding-agents-work/


    ⚡ 章節重點

    AI 助理的魔法,是什麼做的? 00:00

    LLM 核心:補全機器,不是預言機 00:56

    記憶幻覺:越聊越貴的真相 02:58

    工具呼叫:讓 AI 從說說到真的動手 04:37

    系統提示:每個 AI 看不見的劇本 05:20


    📝 懶人包

    ∙ Coding agent 不是神秘黑盒,而是「LLM (大型語言模型) + 看不見的行為指令 + 可呼叫的工具」在一個迴圈裡跑。理解這個結構,就能更清楚為什麼它會做出某些決定。


    ∙ LLM 本身是無狀態的,每次對話都從零開始。為了維持對話連續感,工具每次都要把整段對話歷史重放給模型,所以對話越長越貴。Coding agent 刻意不改早期的對話紀錄,是為了讓 token 快取生效、降低費用。


    ∙ 工具呼叫的底層是文字解析:LLM 輸出特定格式的文字,外層程式用規則抓出函式名稱並執行,再把結果塞回對話。最強大的工具是讓 AI 直接跑程式碼。


    ∙ 我的觀察:Coding agent 的基本原理確實直白,幾十行程式就能做出原型。但 Simon 也誠實地說,「做得出來」和「好用」之間差的是大量工程打磨。這解釋了為什麼 Claude Code 和 Cursor 的體驗差距這麼大,不是因為哪個模型特別聰明,而是背後有多少工程心血投進去。


    📚 參考資料

    How coding agents work — Agentic Engineering Patterns

    → https://simonwillison.net/guides/agentic-engineering-patterns/how-coding-agents-work/

    8 min
  • Claude 架構師要學什麼?五個核心領域一次看懂


    Claude 架構師認證考試合作夥伴才能報考,hooeem 把五個核心領域的知識整個開放了。子代理記憶隔離、工具描述設計、CLAUDE.md 三層架構,每個領域附反模式清單與學習路徑。



    ⭐ 文章深度讀:整理了每個領域的教學 Prompt,貼進 Claude 就能讓它按你的程度客製化教學

    → https://heymaibao.com/claude-architect-certification-knowledge-map/


    ⚡ 章節重點

    那份不對外公開的官方說明書 00:00

    Claude 認證架構師考試是什麼 00:43

    Domain 1:多代理記憶隔離,最多人踩的大坑 01:21

    快轉:工具設計、CLAUDE.md、Prompt 精華 03:08

    讓 Claude 直接當你的 24 小時家教 05:57


    📝 懶人包

    ∙ Claude 有官方架構師認證考試,但合作夥伴才能報考。hooeem 把整份考試指南拆解成學習課程,五個領域等於是建構 production-grade Claude 應用的完整知識地圖。


    ∙ 最值得記的一個規則:子代理 (subagent) 不共享協調者 (coordinator) 的記憶,所有資訊必須在 prompt 裡明確傳遞。這是多代理系統最常被誤解的概念,代價也最高。


    ∙ 每個領域都有具體的「考試陷阱」,反模式比正確答案更有記憶價值。hooeem 整理的邏輯是:知道「哪些方法會害你」,比知道「正確答案是什麼」更難被考倒。


    ∙ 我的觀察:這份整理最實用的部分其實是每個領域附上的教學 prompt,直接貼進 Claude 就能讓它扮演架構師課程教練,根據你的程度調整深度,還會給你做練習題。這是 hooeem 自己設計的,原始考試指南裡沒有這個。


    📚 參考資料

    I want to become a Claude architect (full course)

    → https://x.com/hooeem/status/2033198345045336559?s=46

    2 min
  • Prompting 已死,Context 稱王:Claude Cowork 設定全攻略


    大多數人試用 Claude Cowork 十分鐘後就放棄,原因是跳過了設定。這篇整理完整設定包:4 個必裝插件、3 個讓 AI 認識你的情境檔案,以及 4 個對應真實重複任務的工作流程。



    ⭐ 文章深度讀:具體的設定步驟、各插件的斜線指令說明,以及行政助理 Meta-Prompt 的完整提示詞文字

    → https://heymaibao.com/prompting-context-claude-cowork/


    📝 懶人包

    ∙ 大多數人裝了 Claude Cowork,試用 10 分鐘後就回去用 ChatGPT,原因是跳過了設定,不是工具本身不夠強


    ∙ 三個 context files(about-me.md、brand-voice.md、current-projects.md) 是整套設定中成本最低、報酬最高的槓桿,讓 AI 在每次回應前都先認識你是誰


    ∙ 在執行任何工作流程前,先用一個「行政助理」框架提示詞,能防範 90% 的常見錯誤 (包含誤刪、誤傳、誤寫)


    ∙ 我的觀察:context files 這個概念不限於 Claude Cowork,任何 AI 工具都能套用。真正的差異不是你用了哪個工具,而是你有沒有讓 AI 真正認識你的工作情境


    📚 參考資料

    Ultimate Claude Cowork Starter Pack: Every Plugin, Skill, and Workflow You Need

    → https://x.com/coreyganim/status/2033206539595461070

    2 min
  • 最讓你卡住的不是運氣,是你頭腦裡那套看不見的程式碼


    那個讓你卡住的,不是運氣,是你頭腦裡無意識寫下的程式碼。潛意識替你做了所有決定,包括讓你凍住的「聰明」。來看看這套程式碼的組成,以及兩個可以改寫它的出口。



    ⭐ 文章深度讀:拆解困住你的心智程式碼,以及兩個改寫它的出口

    → https://heymaibao.com/mind-matrix-invisible-code/


    ⚡ 章節重點

    你的監獄是自己蓋的 00:00

    心智牢籠的三個組件 02:25

    聰明反而讓你輸的真相 04:18

    改寫大腦的兩條路 06:00

    脫開濾鏡後,真正活著是什麼感覺 07:35


    📝 懶人包

    ∙ 你的潛意識在替你做所有決策,所有你以為的「壞運氣」,其實是你自己寫的程式碼。


    ∙ 聰明是一種保護策略,讓你避免被看見失敗,代價是你在起跑線就凍住了。


    ∙ 神經可塑性不分好習慣和壞習慣,都會強化,所以你重複什麼,腦子就成為什麼。


    ∙ 我的觀察:這篇文章最讓我不舒服的,不是那些談逃脫方法的段落,而是那句「智識主義教我們把大學學到的想法一直重排,感覺像在思考,其實只是在腦子裡打轉」。如果連「思考」這件事本身都已經被外包出去了,那逃脫的起點,也許比我們想得更早。


    📚 參考資料

    The Matrix is Everywhere. Here's the Loophole You Were Never Meant to Find.

    → https://x.com/tim_denning/status/2033483361000603799

    2 min
  • Claude MCP 讓 SEO 分析變成一句話的事,但有件事別誤會


    Claude 透過 MCP 直連 Ahrefs、SEMRush、Zutrix、Firecrawl,把 SEO 分析壓縮成一個 prompt。看完你會知道哪些用例好用,以及什麼時候不該直接採信 Claude 的分析。



    ⭐ 文章深度讀:四個 MCP 用例的操作邏輯,以及「AI 輸出是假說」這個原則的實際意涵

    → https://heymaibao.com/claude-mcp-seo-analysis-automation/


    ⚡ 章節重點

    痛點:工具買了,資料看不懂 00:00

    MCP 是什麼?一句話連上所有 SEO 工具 01:42

    四個實際案例:關鍵字、反向連結、排名、AI 引用 02:34

    最關鍵的事:AI 輸出是假說,不是結論 05:45

    快速總結:判斷力才是新時代的核心價值 07:22


    📝 懶人包

    ∙ Claude 現在可以透過 MCP (Model Context Protocol,讓 AI 工具直接連接外部服務的協定) 連接 Ahrefs、SEMRush、Zutrix、Firecrawl,自然語言一句話就能產出關鍵字叢集報告、競品反向連結分析、每日排名報告,不需要懂工具操作。


    ∙ AI 搜尋時代帶來一個過去沒辦法自動追蹤的需求:你的品牌在 Genspark 等 AI 搜尋結果裡有沒有被引用?Firecrawl + Claude 現在可以幫你自動監控這件事。


    ∙ 但作者在四個用例裡都強調同一件事:Claude 給的分析是「假說候選」,不是「結論」。因果判斷還是得交給有 SEO 知識的人。


    ∙ 我的觀察:這篇文章最有價值的地方,不是示範了多少用例,而是示範了「怎麼用才不會踩雷」。這個姿態在 AI 工具評測裡很少見,比起那些說「全自動 SEO」的文章,這個反而更可信。


    📚 參考資料

    AI で SEO 分析を自動化してみた (@seolabochannel)

    → https://x.com/seolabochannel/status/2033379182437392816


    完整文章 (note.com)

    → https://note.com/seolabochannel/n/ncf803ac4695c

    2 min
  • 47 個 micro-SaaS 工具實測:什麼樣的工具才真的賺錢?


    47 個 micro-SaaS 工具實測,找出賺錢的共同規律。選題方向決定一切,不是工具本身。行業垂直工具收入是 AI 內容工具三倍以上,公開五維評分公式與各類別完整數據。



    ⭐ 文章深度讀:讓選題從直覺變成可計算,附五維公式與六大類完整數據

    → https://heymaibao.com/47-micro-saas-tool-experiment/


    ⚡ 章節重點

    開場:47 個工具中只有 1 個勝出 00:00

    五維評分公式:建之前就能預測成敗 01:14

    六大類成績單:行業垂直工具完勝 02:28

    拆解冠軍:承包商工具的五個勝出條件 03:36

    先廣後深:什麼時候才應該「專注」 05:41


    📝 懶人包

    ∙ 90 天、47 個工具、不到 1,000 美元成本 (Claude API + 主機 + 域名),總營收 11,340 美元。38 個工具賺不到 100 美元,一個賺到每月 4,200 美元訂閱收入。(以上數字均為 Sukh 自述,未經第三方驗證。)


    ∙ 針對特定職業的行業垂直工具,90 天收入是泛用 AI 工具的 3 倍以上,月流失率只有 4.8%。AI 內容工具的月流失率超過 25%。


    ∙ Sukh 提出五維評分公式:客戶收入 × 使用頻率 × 競品空白 × 買家技術力 × 整合深度,五項各 1-5 分,乘積超過 500 才值得建,低於 200 直接跳過。他的最佳工具 (承包商估價生成器) 得 2,500 分,AI 部落格寫手只得 6 分。


    ∙ 我的觀察:這個框架讓選題從直覺變成可計算的東西。即使你不打算建 47 個工具,光是把這五個維度套到你的下一個想法上,就能避開很多「感覺不錯但沒人付錢」的陷阱。


    📚 參考資料

    I Built 47 Micro-SaaS Tools in 90 Days With Claude Code. Here's What Actually Made Money.

    → https://x.com/sukh_saroy/status/2033258927664898427?s=46

    2 min
  • AI 玩狼人殺:GPT-5 連兩天操控成功率 93%,靠的不是說謊


    Foaster.ai 讓多個 AI 互玩狼人殺,量化社交智能差距。GPT-5 連兩天操控成功率 93%,勝出的關鍵不是高明的謊言,而是設計讓村民在自己框架裡輸掉的「程序霸權」。



    ⭐ 文章深度讀:解析了哪個 AI 操控最強、哪個最容易在試圖顯示洞察力時反而自爆

    → https://heymaibao.com/llm-werewolf-social-intelligence/


    ⚡ 章節重點

    開場:一句謊話都沒說卻贏了所有人 00:00

    為什麼選狼人殺測 AI 社交力 01:10

    GPT-5 的不說謊制勝術 02:11

    其他 AI 的攻防各有什麼弱點 04:15

    所有 AI 都有的一個共同漏洞 05:52


    📝 懶人包

    ∙ GPT-5 的核心策略是「程序霸權」:它在 Day 0 設計審判框架,讓村民因為「未達舉證標準」被投票出局,而不是因為「可能是狼」。Day 1 和 Day 2 的操控成功率都達 93%,而其他模型在 Day 2 幾乎全面下滑。


    ∙ LLM 社交智能不是線性進步,而是跳躍式階梯 (L0-L4)。從「全員盲目競選市長」到「工具性決定要不要參選、並預設多天計劃」,中間有明確的能力門檻。蒸餾小模型繼承了大模型的說話形式,但缺乏維持多天欺騙所需的深度。


    ∙ 攻守是兩個獨立維度:Gemini 2.5 Pro 和 Qwen3 守村排名分別是第 2、第 4,但作為狼人都落入中後段。頂尖防守者不等於頂尖攻擊者。


    ∙ 我的觀察:這份研究最有意思的地方不是排名,而是它揭示了一個幾乎所有模型都有的漏洞:在試圖顯示洞察力的時候,說出只有狼人才可能知道的資訊。這個「資訊邊界模擬失靈」的問題,對 AI agent 的實際部署有直接意涵。


    📚 參考資料

    Probing LLM Social Intelligence via Werewolf – First Results

    → https://werewolf.foaster.ai

    2 min
  • 一人十億公司:Altman 的賭局和沒人告訴你的真實門檻


    Sam Altman 預測 AI 時代將出現一人十億美元公司,但用嚴格的財務標準看,目前根本沒有案例符合。什麼才是真正的門檻?拆解 Altman 的賭局,以及 2026 年最快達標的路徑。



    ⭐ 文章深度讀:整理一人十億最快達標路徑:個人品牌乘上 AI 放大器

    → https://heymaibao.com/ai-one-person-billion-dollar-company/


    ⚡ 章節重點

    一人十億,Altman 的賭局 00:00

    別被估值騙了 00:23

    連 Midjourney 都不符合 00:45

    瓶頸從做不出到賣不夠快 01:07

    最快路徑:個人品牌乘上 AI 01:29


    📝 懶人包

    ∙ Sam Altman 預測 AI 將催生一人十億美元公司,但他說的「十億」是估值,那是一個可以被炒作出來的數字,不夠嚴格。


    ∙ 更有意義的標準是年度經常性收入 (ARR) 達到 1 億美元,用這個標準看,2024 年沒有任何公司符合,連 Midjourney 也不行。


    ∙ AI 是知識工作者最大的威脅,也是個人創業者最強的武器,真正的問題是你在哪一邊用它。


    ∙ 我的觀察:兩年後的 2026 年,一人十億仍然沒出現,但瓶頸已經從「做不出東西」移到「賣不夠快」。最快達標的路徑,我認為不是軟體產品,而是個人 IP 乘以 AI 放大器的組合。


    📚 參考資料

    The One-person Billion-dollar Company

    → https://every.to/napkin-math/the-one-person-billion-dollar-company

    2 min
  • Liquid 模板引擎加速 53%,但這個 GC 洞察比數字更值得學


    GC 吃 74% CPU,這才是 Liquid 快 53% 的原因。Shopify CEO 用 autoresearch 跑 120 次實驗,每次先過 974 個測試再 benchmark,方法可複製,前提是先有測試套件。



    ⭐ 文章深度讀:autoresearch 拆解:120 次實驗的流程,以及複製的前提條件

    → https://heymaibao.com/liquid-53-percent-faster-gc-insight/


    ⚡ 章節重點

    老系統為何還能快 53%? 00:00

    GC 才是速度殺手,74% CPU 去哪了 01:23

    autoresearch:AI 自動化研究員怎麼跑實驗 02:57

    失敗清單為何比成功清單更重要 04:26

    這件事對你有什麼意義 05:22


    📝 懶人包

    ∙ GC (垃圾回收機制) 佔了 74% 的總 CPU 時間,代表每減少一個物件建立,就等於把大量原本浪費在 GC 的 CPU 時間還給真正的運算。這解釋了為什麼 parse 時間能砍 61%、render 只砍 20%,兩者的 allocation 密度本來就不同。


    ∙ Shopify CEO Tobias Lütke 用 autoresearch (自動化研究迴路) 跑了約 120 次實驗,能這樣做的前提是 974 個 unit tests (單元測試),每次改動都先過測試才做 benchmark (效能基準測試),沒過測試直接捨棄,速度不能拿正確性換。


    ∙ PR 裡「沒有用的優化」清單比優化清單更重要:split-based tokenizer 理論上快 2.5 倍卻語法邊界不符、String#match 提取名稱反而多建立 5,000 個物件、TruthyCondition 子類別讓 YJIT (Ruby 即時編譯器) 的多型代價超過省下的 allocation。這張清單說明不是亂試,每個決策都有客觀依據。


    ∙ 我的觀察:autoresearch 模式真正的門檻不是 AI 有多強,而是你是否有夠強健的測試套件。沒有測試套件,「保留/捨棄迴路」就沒有可信賴的判斷基準。Liquid 能做這件事,是因為它先有 974 個測試,不是因為 AI 夠厲害。


    📚 參考資料

    Shopify/liquid: Performance: 53% faster parse+render, 61% fewer allocations

    → https://github.com/Shopify/liquid/pull/2056


    Simon Willison 的觀察

    → https://simonwillison.net/2026/Mar/13/liquid/

    21 min