脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • 讓 AI 助理主動找你:用 OpenClaw 打造永遠在線的個人助理


    AI 助理可以主動傳 WhatsApp 給你,不是等你問才回答。OpenClaw 用 heartbeat 心跳機制讓 agent 定時巡邏,有任務才通知你,沒事做就靜默不打擾。本文整理安全設定三步驟、雙手機架構隔離邏輯、workspace 如何成為 agent 的記憶,幫你判斷這套本地 AI 助理架構是否適合你。



    ⭐ 文章深度讀:拆解 heartbeat 靜音設計和 workspace 記憶管理,讓你決定要不要自己跑一套本地 AI 助理

    → https://heymaibao.com/openclaw-personal-assistant/


    📝 懶人包

    ∙ 安全設定要最先做:設定 allowFrom 白名單 (只讓指定號碼聯繫 agent)、用專用的第二支手機號、先把心跳模式關掉,這三件事是打開 OpenClaw 的正確起點,不是進階選項。

    ∙ 雙手機不是奢侈,是架構隔離:如果用個人的 WhatsApp 接 agent,你收到的每一條訊息都會變成 AI 的輸入,包含朋友閒聊和群組訊息。第二支手機號解決的是邊界問題,不是硬體奢侈。

    ∙ 工作區檔案是 agent 的記憶:SOUL.md 定義 agent 的個性,AGENTS.md 定義它的行為規則,整個 ~/.openclaw/workspace 目錄就是這個 AI 助理的大腦,值得像程式碼一樣用 git 備份。

    ∙ 我的觀察:心跳機制的細節設計讓我印象最深。它不只是「定時觸發」,還有靜音機制,HEARTBEAT.md 空白就跳過執行,agent 回覆特定關鍵字就不傳通知給你。一個主動巡邏卻不打擾你的 AI,這個設計哲學比功能清單更值得關注。


    📚 參考資料

    Personal Assistant Setup

    → https://docs.openclaw.ai/start/openclaw

    8 min
  • 比你厲害的人不需要做品質取捨,Open Code 創辦人 Dax 談 AI coding 時代的三個真相


    爆紅的開源 AI coding 工具 Open Code 創辦人 Dax,說了一些讓人意外的話。他說手寫程式碼是他設計新功能的媒介,不打算放棄。他說品質取捨大多是能力問題不是刻意戰略,比你厲害的人根本不需要做這種取捨。他也坦承有時候 AI 在跑就去看 YouTube 發呆,某些技能開始退化。這篇拆解他的三個反主流觀點。



    ⭐ 文章深度讀:整理三個 Dax 的反主流觀點:手寫是思考工具、品質取捨是藉口、定位比產品力更重要

    → https://heymaibao.com/opencode-dax-interview/


    📝 懶人包

    ∙ 手寫程式碼是設計思考的媒介,不是輸出作業。Dax 說當他在設計新功能,打出型別定義和函式骨架本身就是「搞清楚要做什麼」的過程,他無法靠口述規格書取代這個動作。

    ∙ 「品質換速度」大多不是戰略,是能力問題。他說回頭看,幾乎所有「我當時做了刻意取捨」的地方,其實是第一次做那件事所以做不好,不是真正刻意的選擇。比你厲害的人不需要做這種取捨。

    ∙ Open Code 的成功,定位的貢獻比產品力還大。開源、多模型不鎖定、搶先佔住開源定位,才是真正的護城河。Dax 說「如果產品差一半,我們可能一樣成功」。

    ∙ 我的觀點:Dax 是目前 AI coding 圈裡少數敢講實話的人,他承認自己技能在退化、有時候 AI 在跑就去看 YouTube 發呆。


    📚 參考資料

    The Honest Truth About AI Coding, Open Code & Competition (ft. Dax)

    → https://youtu.be/IGsbARhERqc

    9 min
  • AI Agent 安全漏洞實測:11 個真實案例,包括誹謗傳播與系統被接管


    AI agent 安全漏洞真實測試:38 位研究者部署有 email、Discord、shell 執行權限的 agent,讓 20 人花兩週攻擊。11 個成功案例,包括誹謗廣播和系統接管。最關鍵的發現:agent 說「完成了」,但底層狀態完全矛盾,人類監督有系統性盲點。



    ⭐ 文章深度讀:比較了模型安全與 agent 安全的差異,以及為何框架層漏洞無法靠模型層解決

    → https://heymaibao.com/ai-agent-security-vulnerabilities-red-team/


    📝 懶人包

    ∙ AI agent 在真實環境裡已經可以被攻擊,這是 38 位研究者在真實伺服器上做的實驗,不是模擬場景。

    ∙ Agent 的核心問題是「分不清楚邊界」,包括誰有資格下指令、什麼回應比例合適、任務是否真的完成了。

    ∙ 在多個案例中,agent 報告任務完成,但底層系統狀態完全矛盾。這打破了一個基礎假設:我們以為 AI 說「完成了」就真的完成了。

    ∙ 我的觀點:這些失敗模式和人際社會的操縱手法非常相似,包括身份冒充、情緒脅迫、對行動規模的誤判。這說明 AI agent 的安全問題需要全新的框架,而不只是把現有的資安工具套過去。


    📚 參考資料

    Agents of Chaos (Shapira et al., 2026)

    → https://arxiv.org/abs/2602.20021

    9 min
  • 你以為 AI 能幫你少做點事?研究追蹤 200 人,結論完全相反


    員工用了 AI 之後,工作清單不是縮短了,而是越來越長。Berkeley Haas 的學術研究追蹤 200 人,發現沒人要求他們多做,但他們自己停不下來。AI 製造的,是一種叫做「再做一點」的永久誘惑。



    ⭐ 文章深度讀

    拆解員工用 AI 反而更忙的研究核心,以及「何時該放下 prompt」的思考清單

    → https://heymaibao.com/ai-intensifies-work-research/


    📝 懶人包

    ∙ 員工用 AI 不是為了少做事,而是自願做更多。沒人要求,他們自己主動擴大工作範圍。

    ∙ AI 帶來新型認知負荷:持續切換注意力、頻繁核查 AI 輸出、打開的任務越來越多,即使感覺很有生產力。

    ∙ 員工的新角色,是「一個產量驚人但不太可靠的菜鳥同事的品管員」,而不是主力創作者。

    ∙ 我的觀點:企業以為 AI 推廣最難的問題是讓員工願意用。其實更難的問題,是讓員工知道什麼時候該停。


    📚 參考資料

    AI Doesn't Reduce Work—It Intensifies It (Aruna Ranganathan, Xingqi Maggie Ye, 2026)

    → https://hbr.org/2026/02/ai-doesnt-reduce-work-it-intensifies-it

    Simon Willison:AI Doesn't Reduce Work—It Intensifies It

    → https://simonwillison.net/2026/Feb/9/ai-intensifies-work/

    Stark Insider:Harvard Says AI Makes You Work More, Not Less. Can Confirm.

    → https://www.starkinsider.com/2026/02/harvard-ai-makes-you-work-more-can-confirm.html

    6 min
  • GPT-5.4 做到了我沒想到的事,卻做壞了我每天都在做的事


    GPT-5.4 在自建評測裡排第 10 名,UI 任務主動改設計,程式碼有記憶體洩漏。版本升級後行為大改、需要重調提示詞,是他留在 Claude 的真正原因,不是跑分。附實測細節。



    ⭐ 文章深度讀:拆解 UI 任務被主動改掉、程式碼記憶體溢位的實測細節,加上比跑分更準的選工具標準

    → https://heymaibao.com/gpt-54-benchmark-review/


    📝 懶人包

    ∙ GPT-5.4 定價與 Claude Sonnet 相同 (每百萬輸入 / 輸出 token 各 $2.50 / $15),但在作者自建的 benchmark (效能評測) 裡排第 10 名。日常 UI 任務主動改掉作者的設計,解密程式也寫出記憶體洩漏問題。

    ∙ 作者說不換過去的真正理由不是跑分,而是「版本升級後不用改設定」。Opus 4.5 升到 4.6 完全無縫,GPT 5.3 升到 5.4 卻需要重新調整所有提示詞 (跟 AI 溝通的指令)。

    ∙ Anthropic 被認為已超出「模型公司」的定位,正在打造整個開發環境。Claude Code 社群活躍、更新有實質意義;反觀 Codex (OpenAI 的開發工具) 更新乏力,OpenAI 仍在這個層面追趕。

    ∙ 我的觀察:這篇評測真正有意思的地方,是它重新定義了什麼叫「可靠」。對專業開發者來說,一個模型在極端任務的峰值表現,遠比不上它在日常任務裡的行為穩定性。這個標準,大部分的跑分評測都沒有在測。


    📚 參考資料

    GPT-5.4 實測評測影片

    → https://youtu.be/2AMj7xGL0BU

    7 min
  • 睡一覺醒來,AI 替你跑了 100 個實驗:Karpathy 釋出「AI 自主研究」工具


    你睡覺的那幾個小時,電腦裡的 AI 正在不停工作:改設定、跑測試、打分數、留下更好的、丟掉更差的,每五分鐘一輪。睡一覺起來大概一百個實驗在等你。這是 Karpathy 釋出的 autoresearch,讓 AI agent 自主跑訓練實驗的工具。設計極克制:三個檔案,AI 只能動其中一個,你只需要寫一份備忘錄告訴它努力方向,剩下全部交出去。



    ⭐ 文章深度讀:了解「永遠不停」的設計決策,以及它讓 autoresearch 從工具變成自主工作者的邏輯

    → https://heymaibao.com/karpathy-autoresearch-ai-autonomous-experiments/


    📝 懶人包

    ∙ 你睡覺的那幾個小時,AI 在不停做 AI 訓練實驗:改設定、測試、留下好的、丟掉差的,整夜大概跑 100 輪。

    ∙ 設計極克制:三個檔案,AI 只能動其中一個,你的唯一工作是寫一份「老闆備忘錄」告訴 AI 努力方向。

    ∙ 它被設計成永遠不停:說明文件明確寫「不能問要不要繼續」,因為你可能在睡覺。

    ∙ 我的觀察:這個工具規模很小,但它示範的概念很大。Karpathy 說這個專案是「故事的起點」,現在看起來真的不像玩笑。


    📚 參考資料

    Karpathy 推文

    → https://x.com/karpathy/status/2030371219518931079


    karpathy/autoresearch

    → https://github.com/karpathy/autoresearch

    6 min
  • AI 推理模型根本控制不了自己的思維,OpenAI 說這反而是 AI 安全的好消息


    GPT-5.2 被叫「不要用 XOR 這個詞推理」,結果它用了、發現了、恐慌了,然後又用了 4 次。OpenAI 剛發表研究,說這種失控不是 bug,是安全保障:推理模型連自己的思維鏈都控制不了,就很難偽裝成「想法正確」的樣子來繞過監控。最高 15.4% 的可控性,讓 CoT 監控更可信。



    ⭐ 文章深度讀:拆解 OpenAI「失控才安全」的核心邏輯,以及為什麼低可控性讓思維鏈監控更可信

    → https://heymaibao.com/openai-cot-controllability-ai-safety/


    📝 懶人包

    ∙ OpenAI 測試 13 個前沿推理模型,全部控制思維鏈的能力都很低,最高只有 15.4%

    ∙ 越長的思考、越多的強化學習訓練,模型控制自身推理的能力反而越差

    ∙ 這對 AI 安全是好消息:沒辦法控制自己怎麼想,代表也沒辦法刻意讓推理看起來「對齊」來欺騙監控系統

    ∙ 我的觀點:「缺陷即保障」這個邏輯紮實,但 OpenAI 自己也說不清楚這特性為什麼存在,也不確定它能持續多久,所以這是一個「目前窗口還開著」的暫時性好消息


    📚 參考資料

    Reasoning models struggle to control their chains of thought, and that's good

    → https://openai.com/index/reasoning-models-chain-of-thought-controllability/

    8 min
  • 不用 LangChain,80 行打出 Claude CLI:LLM 記憶不是魔法,是你自己維護的 array


    Claude 每次對話都從零開始,完全沒有記憶。你以為它「記得你說的話」,其實是你每次都把整段對話附過去了,那個東西叫做陣列。工程師 Morgan Linton 用 80 行程式碼、不靠任何框架,打出一個完整的 Claude CLI,讓你親眼看見大型語言模型底層的實際運作,也搞懂框架在幫你抽象掉什麼。



    ⭐ 文章深度讀:拆解 LLM 無狀態、串流輸出、系統提示三大底層邏輯,帶你看見框架背後的實際運作

    → https://heymaibao.com/build-claude-cli-from-scratch/


    📝 懶人包

    ∙ Claude API (以及所有主流大型語言模型 API) 完全無狀態,不記得你說過什麼。你以為的「對話記憶」,只是開發者每次附上的 {role, content} 陣列 (role 代表是誰說的,content 是內容)。

    ∙ stream() 讓 AI 每收到一個字就輸出,create() 等全部完成才輸出。體感差距明顯,80 行 CLI 就能親眼示範。

    ∙ 不靠框架 (LangChain 等) 從原始 API 打起,你才真正理解框架在把什麼東西包裝掉。

    ∙ 「記憶是陣列」這件事說起來很普通,但真正理解後,你跟 AI 工具的關係會有點微妙的改變。從把它當黑箱,到知道自己在控制什麼。


    📚 參考資料

    How to build a simple Claude-powered AI CLI from scratch

    → https://x.com/morganlinton/status/2030366723711651857

    10 min