脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • Claude Code Skill 不是寫完就好:用 A/B 測試驗證效果


    多數人靠感覺寫 Claude Code Skill,但模型升級後可能變累贅。Skill Creator 用 A/B 測試量化效果、觸發優化改善描述,實測成功率提升 13.5%。拆解兩類 skill 的維護策略。



    ⭐ 文章深度讀:拆解兩類 skill 的維護時機與判斷標準

    → https://heymaibao.com/claude-code-skill-creator-ab-test/


    📝 懶人包

    ∙ Anthropic 新版 Skill Creator 讓你用 A/B 測試量化 skill 效果,不再靠感覺判斷

    ∙ Skill 分兩類:填補能力缺口的會隨模型升級退休,編碼流程偏好的相對持久

    ∙ 觸發描述優化用類似機器學習的方式,解決「skill 寫好了但沒被觸發」的隱形問題

    ∙ 我的觀點:多數 skill 的問題不在內容好不好,而在有沒有被觸發。觸發描述優化是 Skill Creator 裡最被低估的功能


    📚 參考資料

    Claude Code Skill Creator 實測影片

    → https://www.youtube.com/watch?v=qXWz-V_XMOc

    9 min
  • AI 為什麼總是忘記你說的話?原因出在架構,不是 Prompt


    你跟 AI 聊了半小時,結果下一輪全忘了?問題不在 prompt。一篇新論文用 Unix 哲學,提出三層記憶架構讓 AI 跨對話保留知識。讀完你會更懂怎麼管理手邊 AI 工具的上下文。



    ⭐ 文章深度讀:論文三層記憶架構的完整拆解,以及你現在就能套用的上下文管理思路

    → https://heymaibao.com/ai-context-engineering-file-system/


    📝 懶人包

    ∙ Prompt engineering 的時代正在過去,context engineering (上下文工程) 才是 AI 應用架構的真正戰場。你花在打磨指令的時間,可能該花在管理 AI 能看到的資訊上。

    ∙ 這篇論文把 Unix「一切皆檔案」的哲學搬到 AI 上下文管理:記憶、工具、知識庫,全部統一掛載成可存取的「檔案」,用同一套介面操作。

    ∙ AI 的「失憶」有了架構層級的解法:History (完整記錄) → Memory (結構化索引) → Scratchpad (臨時草稿區),三層記憶體系讓 AI 可以跨對話保留知識。

    ∙ 我的觀點:這篇論文最大的價值不是它提出的框架本身,而是它給了我們一個思考 AI 上下文管理的心智模型。你現在用的 CLAUDE.md、Cursor Rules、ChatGPT 的記憶功能,本質上就是 context engineering 的日常實踐。理解這個框架,你可以更有意識地設計自己的 AI 工作流。


    📚 參考資料

    Everything is Context: Agentic File System Abstraction for Context Engineering (Xu et al., 2025)

    → https://arxiv.org/abs/2512.05470

    9 min
  • SaaS 沒死,但你的護城河蓋錯層了:Midday 創辦人的 AI 時代產品重構筆記


    Midday 創辦人差點蓋好完美對帳介面,才發現那個工作流只因為人類需要它才存在。AI 助理時代,SaaS 的護城河從介面層往下移到資料與策略層。他用四層模型拆解哪些產品會先退場,哪些會活下來。



    ⭐ 文章深度讀:拆解了四層模型每一層的具體意義和自我檢測方法

    → https://heymaibao.com/saas-moat-wrong-layer-midday/


    📝 懶人包

    ∙ SaaS 沒死,但「介面即產品」的時代正在結束。AI 助理不在乎你的按鈕放哪裡,它在乎系統能不能被安全驅動。

    ∙ Midday 創辦人差點打造完美對帳介面,後來發現那個工作流「只因為人類需要它才存在」。他們改走讓任何客戶端都能執行的領域模型。

    ∙ 防禦性正在往技術堆疊的下層移動:擁有乾淨資料和策略規則的產品,比介面漂亮的產品更難被取代。

    ∙ 我的觀點:這個判斷對「工具型 SaaS」很準,但不是所有品類都適用。設計工具、協作白板這類「介面本身就是產品」的品類,護城河的邏輯不同。


    📚 參考資料

    SaaS Isn't Dead. Your UI Is.

    → https://x.com/pontusab/status/2028831021458731162

    7 min
  • 量化交易員年薪百萬美元的秘密:不是金融學位,是五層數學


    量化交易新人年薪 30-50 萬美元起跳,但入場門票是五層不可跳級的數學階梯。這個邏輯拿到 AI 時代一樣成立:工具人人會用,深度理解才是護城河,借來的優勢會過期。



    ⭐ 文章深度讀:整理了三句從量化交易借來的護城河判斷框架

    → https://heymaibao.com/quant-math-moat/


    📝 懶人包

    ∙ 量化交易新人年薪 30-50 萬美元起跳,但入場門票是五層不可跳級的數學階梯:機率、統計、線性代數、微積分、隨機微積分。

    ∙ 「工具已民主化,信念還沒有」—— 人人都能安裝 PyTorch,但優勢來自獨特數據、模型與執行力,不是更好的套件安裝。

    ∙ AI 能寫程式碼,但推導能力才是護城河。借來的優勢會過期,建立的優勢會累積。

    ∙ 我的觀點:把這三句話裡的「量化交易」換成「AI 工具使用」,邏輯一樣成立。會用 Claude Code 和理解模型原理的人,差距只會越來越大。


    📚 參考資料

    How I'd Become a Quant If I Had to Start Over Tomorrow

    → https://x.com/gemchange_ltd/status/2028904166895112617

    9 min
  • 當 AI 決定你的技術棧:Claude Code 2430 次工具選擇實測


    Claude Code 被測了 2430 次,它最常推薦的不是第三方工具,而是自己從零建造。本文拆解 AI 程式助手的預設技術棧、被淘汰的工具,以及新模型偏好新工具的回饋迴圈隱憂。



    ⭐ 文章深度讀:看完整 20 類工具的選擇率數據,了解哪些工具被 AI 默默淘汰

    → https://heymaibao.com/claude-code-tool-picks/


    📝 懶人包

    ∙ Claude Code 在 20 個類別中有 12 個偏好自己從零建造,「自己寫一個」是全場最常見的推薦 (252 次),比任何第三方工具都多

    ∙ 存在一個「Claude Code 預設技術棧」:GitHub Actions、Stripe、shadcn/ui、Vercel、Tailwind CSS、Zustand、Sentry、PostgreSQL、pnpm,在各自類別的選擇率都超過 56%

    ∙ 越新的模型越偏好越新的工具:Prisma 從 79% 降到 0%,Drizzle 從 21% 升到 100%。Redux 和 Express 直接歸零

    ∙ 我的觀點:新模型偏好新工具看起來合理,但這裡面有一個回饋迴圈值得警惕。新模型推薦新工具 → 更多人用 → 產生更多程式碼 → 成為下一代模型的訓練資料 → 偏好更強。這到底反映了工具品質,還是只是訓練資料的慣性?我們現在還分不清楚


    📚 參考資料

    What Claude Code Actually Chooses (Amplifying AI, 2026)

    → https://amplifying.ai/research/claude-code-picks/report

    10 min
  • 人類審不完 AI 寫的程式碼了:品質把關的下一步是什麼?


    AI 寫程式的速度已經超過人類審查的能力。這篇文章拆解 Aviator 創辦人提出的五層防護架構,從事後逐行檢查轉向事前定義規格,以及這個思維轉換為什麼不只適用於程式碼。



    ⭐ 文章深度讀:整理了從事後審查轉向事前定義的完整框架

    → https://heymaibao.com/latent-space-code-review-dead/


    📝 懶人包

    ∙ AI 寫程式的產量已超過人類審查的上限,繼續逐行檢查是一場必輸的戰爭。

    ∙ 解法不是讓 AI 替你審,而是把人類判斷力移到上游,先定義「什麼叫正確」比事後檢查「寫得對不對」更有價值。

    ∙ 信任不靠單一關卡,靠五層防護堆疊:多方案競爭、自動化測試、人類驗收、權限限制、對抗驗證。

    ∙ 我的觀點:這個思維轉換不只適用於程式碼。任何人用 AI 產出內容、設計、文案,都面臨同樣的抉擇:你要繼續事後逐字檢查,還是學會事前把規格定清楚?


    📚 參考資料

    How to Kill the Code Review

    → https://www.latent.space/p/reviews-dead

    8 min
  • 有人想靠 Claude 月收萬元美金,我把 Playbook 拆開看了


    有人用 Claude 做創業 playbook,宣稱十個月賺百萬美元。我拆開五步驟、收費模型和獲客漏斗後的結論:骨架成立但數字需要校準,真正護城河在垂直市場的領域知識深度。



    ⭐ 文章深度讀:拆了五步驟的可落地分析和營收數字的現實校準

    → https://heymaibao.com/claude-migration-as-a-service-playbook/


    📝 懶人包

    ∙ Claude Memory Import 是獲客鉤子,不是商業核心。60 秒從 ChatGPT 遷移到 Claude 消除了轉換摩擦,但你真正在賣的是後面那條標準作業流程 → AI 代理 → 儀表板的服務鏈。

    ∙ 垂直化決定生死。不是「做 AI 顧問」,是做「汽車經銷商銷售團隊的 AI 顧問」這種級別的具體。通用型等於自殺。

    ∙ 你賣的不是 AI 諮詢,是自主權。把企業隱性作業流程轉成 Claude skills 和 AI 代理,讓他們從手動跑業務變成反應式經營。

    ∙ 我的觀點:這個教戰手冊的骨架成立,但「十個月一百萬美元」的推算過於激進。真正的護城河不在 Claude 操作能力,而在你對垂直市場的領域知識有多深。


    📚 參考資料

    How to make $1M in 2026 using Claude Memory

    → https://x.com/ideabrowser/status/2028111088449896826

    6 min
  • ChatGPT 終於不說教了:GPT-5.3 Instant 五大改進解析


    ChatGPT 被抱怨最多的說教式回應和過度拒答,GPT-5.3 Instant 終於動手修了。五大改進完整解析,幻覺率降低 26.8% 的數字怎麼看,加上 OpenAI 發佈文裡刻意沒提的四件事。



    ⭐ 文章深度讀:整理了五大改進的對比範例,加上幻覺率四組數據的完整解讀

    → https://heymaibao.com/openai-gpt-5-3-instant/


    📝 懶人包

    ∙ GPT-5.3 Instant 是體驗修補,不是能力升級。沒有新的跑分數據,改善全部集中在對話品質、拒答校準、搜尋整合和幻覺率。

    ∙ 幻覺率在高風險領域 (醫療、法律、金融) 最多降低 26.8%,但所有數據來自 OpenAI 內部評估,沒有第三方驗證。

    ∙ 過度拒答和說教式回應是 ChatGPT 被使用者抱怨最久的問題,這次直接列為首要改善項目。

    ∙ 我的觀點:AI 模型的競爭正在從「誰跑分高」轉向「誰用起來舒服」。當基礎能力差距縮小,體驗層的打磨才是真正留住使用者的關鍵。這個方向對日常使用者來說是好消息。


    📚 參考資料

    GPT‑5.3 Instant:更流暢、更實用的日常對話體驗

    → https://openai.com/zh-Hant/index/gpt-5-3-instant/

    7 min
  • 為什麼 AI 總是無視你的規則?因為你寫的是指南不是合約


    你寫了完美的風格規範,AI 讀了卻不照做?Ryan Carson 點出根本原因:你的規則是「可選的」。這篇拆解如何把規則從指南升級成合約,用多層防護讓 AI 沒有繞路空間。



    ⭐ 文章深度讀:拆解了 AI 無視規則的根本原因和三個起步方式

    → https://heymaibao.com/ai-rules-guide-vs-contract/


    📝 懶人包

    ∙ AI 無視你的規則,不是因為它不懂,是因為規則是「可選的」。指南型規則 AI 可以讀到但不一定遵守,只有可執行的合約型規則才有約束力。

    ∙ 5 層防護架構的核心不在每層多強,而在互相補位。任何單層都可能漏,多層重疊才有確定性。

    ∙ 不用一次做完全套系統,先從最重要的 2-3 條規則開始強制執行。範圍太大只會製造疲勞。

    ∙ 我的觀察:這套「指南→合約」的思維轉換不只適用於程式開發。寫作風格、品牌規範、內容標準都一樣,只要你希望 AI 遵守的規則,都應該問自己:這條規則是建議還是合約?


    📚 參考資料

    How to force your agent to obey your design system

    → https://x.com/ryancarson/status/2028916090596643078

    8 min
  • AI 工具的記憶壓縮被加密保護,結果 35 行程式碼就拆開了


    研究者用 35 行 Python 拆開 Codex CLI 加密的記憶壓縮 API,發現裡面就是 LLM 跑壓縮,prompt 和開源版本幾乎一樣。加密只是外殼,LLM 的 prompt 邊界才是真正的攻擊面。



    ⭐ 文章深度讀:拆解了兩步提示詞注入的設計邏輯和驗證方法

    → https://heymaibao.com/codex-context-compaction-reverse-engineered/


    📝 懶人包

    ∙ Codex CLI 的加密 API 內部其實就是用 LLM 跑壓縮,使用的 prompt (提示詞) 和開源版本幾乎一樣,加密只是一層外殼。

    ∙ 整個逆向工程只需要 35 行 Python 加上 2 次 API 呼叫,利用的不是什麼高深漏洞,而是 LLM 天生「聽話」的特性。

    ∙ 所有 AI 程式開發工具的記憶壓縮都面臨同樣的風險:只要壓縮器是 LLM,提示詞注入 (prompt injection) 就能穿透保護層。

    ∙ 我的觀察:這個實驗最讓我印象深刻的不是結果,而是方法論的設計。用 LLM 的弱點去拆解 LLM 的保護層,是一個以子之矛攻子之盾的完美示範。


    📚 參考資料

    Investigating how Codex context compaction works

    → https://x.com/kangwook_lee/status/2028955292025962534

    7 min