脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • 他用五個理由證明 MCP 多餘了,命令列就是最好的 AI 工具


    一位工程師用五個理由解釋為什麼 MCP 正在被淘汰,命令列才是 AI 工具整合的正確路徑。從可調試性、可組合性到權限粒度,看完你會重新評估自己的 AI 工具策略該往哪走。



    ⭐ 文章深度讀:五個工程理由拆解加上什麼時候 MCP 仍然有用

    → https://heymaibao.com/mcp-dead-long-live-cli/


    📝 懶人包

    ∙ MCP 正在被邊緣化:主要平台已經不採用,根本原因是 AI 本來就很會用命令列工具,不需要額外協定。

    ∙ 命令列在五個面向全面勝出:可調試 (人機共享輸出)、可組合 (管道生態)、認證已成熟、零運維開銷、權限粒度可控。

    ∙ 給建構者的行動建議:先做好 API 再做好命令列工具,AI 代理程式自己會搞定剩下的。

    ∙ 我的觀點:Holmes 的判斷大致成立,但「MCP 已死」說得太絕對。沒有命令列替代品的工具仍然需要 MCP,關鍵是判斷你的場景在哪一邊。


    📚 參考資料

    MCP is dead. Long live the CLI

    → https://ejholmes.github.io/2026/02/28/mcp-is-dead-long-live-the-cli.html

    6 min
  • OpenClaw 賣比用更賺?拆解 5 個垂直場景的商機與幻覺


    OpenClaw 被收購後生態爆發,有人主張「賣 wrapper 比用更賺」,還列出 5 個能賺錢的垂直場景。這篇拆解商業邏輯為何站得住,也補上原作者沒說的可靠度和護城河風險。



    ⭐ 文章深度讀:整理了 5 個場景哪些能做、哪些只是幻想的判斷

    → https://heymaibao.com/openclaw-wrapper-business/


    📝 懶人包

    ∙ OpenClaw 免費開源但設定門檻高,95% 的人不會自己搞。把它針對特定場景配好再賣出去,就是 wrapper 經濟的核心邏輯。

    ∙ 這個模式有歷史先例:WordPress 催生了網頁代操公司,Shopify 催生了開店服務,每次平台轉移都養出一批「幫你搞定」的人。

    ∙ 作者提出 5 個垂直場景 (內容生產、健康教練、RPG 人生、開發團隊、SEO 搜尋優化帝國),但全部是假設推演,沒有任何已驗證的成功案例。

    ∙ 我的觀點:機會確實存在,但不在「快速包裝搶先賣」。AI agent 目前的可靠度撐不起大部分場景的承諾,真正能賺到錢的人是選一個自己真正懂的領域,然後持續打磨到產品真的能用。


    📚 參考資料

    @exm7777 - How to make money with OpenClaw wrappers

    → https://x.com/exm7777/status/2025249637222023490

    10 min
  • 每次都在重新自我介紹?你的 AI 需要的不是更好的 Prompt


    Prompt 寫再好也沒用?一位工程師用 80 個純文字檔案打造了 AI 個人作業系統。拆解他的 context engineering 架構、三層漸進式揭露,以及四個花了真金白銀才學到的教訓。



    ⭐ 文章深度讀:三層漸進式揭露的具體做法,加上非工程師也能用的起手步驟

    → https://heymaibao.com/personal-brain-os-context-engineering/


    📝 懶人包

    ∙ AI 的瓶頸不是 prompt 寫不好,是你給它的 context (上下文) 沒設計好。把正確的資訊用正確的結構放好,AI 的表現會有明顯差異。

    ∙ 別把所有東西一次塞進去:三層「漸進式揭露」讓 AI 每次只看它需要的資訊,效果遠比全塞好。

    ∙ 最痛的教訓是 AI 覆寫了三個月的歷史資料。任何跟 AI 協作的工作流都需要「只新增、不覆蓋」的防護機制。

    ∙ 我的觀察:這些原則確實通用,但直接搬他的系統對多數人門檻太高。好消息是不需要寫程式也能開始,先把資料按任務分資料夾,再列一張「AI 絕對不該寫的詞」清單,光這兩步就能讓 AI 互動品質明顯提升。


    📚 參考資料

    The File System Is the New Database: How I Built a Personal OS for AI Agents

    → https://x.com/koylanai/status/2025286163641118915

    8 min
  • Claude Code 和 Cursor 為什麼好用?答案不是模型,是支架


    同一個模型換支架差 36 個百分點。Cursor 省近半 token,Vercel 砍 80% 工具反而成功。拆解 Claude Code 到 Manus 的支架設計,以及為什麼頂尖團隊都在做減法而不是加法。



    ⭐ 文章深度讀:拆解 Claude Code、Cursor、Manus 三家公司各自怎麼設計支架

    → https://heymaibao.com/agent-harness-real-product/


    📝 懶人包

    ∙ 同一個 AI 模型換不同支架,表現差距可達 36 個百分點。決定 AI 工具好不好用的,不是模型本身。

    ∙ 支架設計的核心模式叫「漸進式揭露」:不一次灌入所有資訊,讓 AI 按需取用。Cursor 因此省下近一半的 token 消耗。

    ∙ 打造頂尖 AI agent 的團隊都在做減法。Manus 重寫五次每次都在刪東西,Vercel 砍掉 80% 工具反而讓 agent 從失敗變成功。

    ∙ 我的觀點:這個發現改變了我看 AI 工具的方式。以前我比較模型,現在我比較支架。如果你也在選工具,模型只是引擎,支架才是整台車。


    📚 參考資料

    @hxlfed14 — Agent Harness is the Real Product

    → https://x.com/hxlfed14/status/2028116431876116660


    Anthropic — Effective Harnesses for Long-Running Agents

    → https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents


    Cursor — Dynamic Context Discovery

    → https://cursor.com/blog/dynamic-context-discovery


    Manus — Context Engineering for AI Agents: Lessons from Building Manus

    → https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus


    LangChain — Improving Deep Agents with Harness Engineering

    → https://blog.langchain.com/improving-deep-agents-with-harness-engineering/

    10 min
  • Claude Cowork 用了 400 次後的心得:提示技巧根本不重要


    為什麼有人用十個字的提示就能產出專業成品?一個跑了 400 次 Claude Cowork 的使用者整理了 17 條實踐,核心發現:問題從來不在提示,在你的 context 架構和系統設定。



    ⭐ 文章深度讀:整理了脈絡架構的三層設計和具體操作步驟

    → https://heymaibao.com/claude-cowork-practices/


    📝 懶人包

    ∙ 脈絡架構比提示技巧重要:三層指令疊加 (全域 → 資料夾 → 提示) 加上檔案分層讀取控制,才是穩定產出的基礎

    ∙ 外部化一切才有持續性:AI 沒有跨工作階段記憶,但偏好和標準寫成檔案反而讓工作流可共享、可迭代

    ∙ 不確定性處理是被低估的關鍵:告訴 AI「不確定時做什麼」比寫更好的提示有效得多

    ∙ 我的觀察:這套邏輯不限 Cowork,核心心態轉移是「從提示工程到系統工程」,任何 AI 工具都適用


    📚 參考資料

    17 Best Practices That Make Claude Cowork 100x More Powerful

    → https://x.com/heynavtoor/status/2028148844891152554

    9 min
  • 為什麼 2026 年最強的 AI 寫程式工具,全都在終端機裡?


    AI 寫程式工具越來越花俏,但 2026 年最強的反而在終端機裡。因為 AI 模型天生就懂命令列,終端機才是它最自然的工作介面。四大 CLI 工具各有甜蜜點,看完就知道怎麼選。



    ⭐ 文章深度讀:整理了四大 CLI 工具的甜蜜點和選擇框架

    → https://heymaibao.com/cli-ai-coding-agents-terminal/


    📝 懶人包

    ∙ 2026 年出貨最快的 AI 開發者,用的不是花俏的整合架構,而是終端機裡幾十年前就存在的命令列工具。

    ∙ 底層原因:AI 模型的訓練資料大量包含終端機指令和操作文件,讓命令列成為 AI 最自然、最熟練的工作介面。

    ∙ 目前四大終端機 AI 工具各有定位:Claude Code 適合複雜大專案,Codex CLI 適合快速迭代,Gemini CLI 有免費額度,OpenCode 可切換多種模型。

    ∙ 我的觀察:MCP 不是死了,是被放到正確的位置。對我們這種不是全職工程師的人來說,命令列工具反而門檻更低。打開終端機、描述任務、讓 AI 去跑,比搞一堆整合設定簡單多了。


    📚 參考資料

    CLI Is All You Need (@mfranz_on)

    → https://x.com/mfranz_on/status/2021364017147818434

    7 min
  • Theo 實測 Opus 4.6 vs Codex 5.3:信任跟喜歡是兩回事


    Opus 快但留安全漏洞,Codex 慢但不漏細節。YouTuber Theo 在多個產品實測後,歸納出按場景選模型的策略,還揭露了訂閱制使用量的驚人差距。幫你搞懂該花錢訂哪個。



    ⭐ 文章深度讀:整理了每種場景該選哪個模型的完整對照表

    → https://heymaibao.com/opus-vs-codex-theo/


    📝 懶人包

    ∙ Codex 是「量兩次切一次」的工程師,會徹底檢查再動手,代價是偶爾過度投入。Opus 是「直接動手再修」的快手,速度快但常留坑。

    ∙ 訂閱制下 Codex $200 方案幾乎用不完,有社群成員跑了 13 億 token 額度還剩 40%。Claude 同價位的 Opus 一個程式碼審查任務就燒掉 3% 小時配額。

    ∙ 前端設計、快速原型、終端機操作選 Opus;大型程式碼遷移、安全審查、大型專案維護選 Codex。最佳策略是兩者交替使用。

    ∙ 我的觀點:對不是全職工程師的我們來說,「信任 vs 喜歡」的選擇框架比功能比較表更實用。如果只能選一個,先從 Codex 開始。遇到前端或快速打樣的需求時,再拉 Opus 救場。


    📚 參考資料

    A realistic comparison of Opus and Codex

    → https://youtu.be/1SJGGUeEbQs

    8 min
  • Cursor 投資人開罵:AI 工具全都爛透了,問題在程式碼


    Cursor 投資人 Theo Browne 公開批評 AI 工具全都爛透了。問題不在模型,而是太早用 AI 寫自己。他的「程式碼慣性法則」解釋壞模式為何指數擴散,以及五個實戰對策。



    ⭐ 文章深度讀:整理了 Theo 的五個大鐵鎚實戰對策

    → https://heymaibao.com/theo-ai-tools-slopfest/


    📝 懶人包

    ∙ AI 開發工具 (Cursor、Claude Code、Codex) 太早用 AI 寫自己,在模型不成熟時就奠定了品質天花板,現在積重難返

    ∙ 程式碼慣性法則:壞模式呈指數擴散,AI agent 加速惡性循環。品質約 6 個月見頂,之後只會更差

    ∙ 解法核心:零容忍壞模式、多花時間規劃、勇於刪除重寫 (大鐵鎚開發法),而非「先上線再修」

    ∙ 我的觀點:Theo 的診斷比他的處方更有價值。「程式碼慣性」不只適用於工程,任何累積型工作都有類似的品質衰退曲線,值得拿來檢視自己的系統


    📚 參考資料

    The Problem With Cursor, Claude Code, and Codex

    → https://youtu.be/73F6ZURl1MQ

    7 min
  • Naval:AI 讓每個人都能寫程式,但沒人要你寫的那個 app


    Naval 用三層論拆解 AI 時代的軟體世界:vibe coding 是產品管理、模型訓練是程式設計。核心判斷:對平庸沒有需求,中間層被消滅。工具免費了,但沒人要你寫的那個 app。



    ⭐ 文章深度讀:拆解 Naval 三層論和「對平庸沒有需求」的完整邏輯鏈

    → https://heymaibao.com/naval-ai-podcast/


    📝 懶人包

    ∙ Naval 把 AI 時代的軟體世界切成三層:vibe coding 是新的產品管理、模型訓練是新的程式設計、傳統工程處理 AI 搞不定的邊緣案例。這不是小改進,是直接從「接近英語」跳到「就是英語」。

    ∙ 市場會極端化成「巨型聚合器 + 少數頭部 app + 無限長尾」的結構,被消滅的是中間的 5-20 人軟體公司。Naval 的核心判斷:對平庸沒有需求。

    ∙ 每個人都成為施法者,但 AI 在零和博弈中會被其他 AI 抵消。剩下的超額優勢完全是人類的:創意、判斷力、極致的行動力。

    ∙ 我的觀點:Naval 把「每個人都是巫師」和「對平庸沒有需求」放在一起講,但這兩件事同時成立的意思是:工具免費了,競爭更殘酷了。這是好消息包裹著壞消息。真正的分水嶺不是你會不會用 AI,而是你用 AI 做出來的東西,有沒有人要。


    📚 參考資料

    Naval Podcast: AI

    → https://www.youtube.com/watch?v=sXCKgEl9hBo

    6 min
  • Claude Code 怎麼記住你的專案?記憶系統設定完全攻略


    Claude Code 的記憶系統有兩套:你寫的 CLAUDE.md 加上 Claude 自己寫的 Auto memory。完整解析指令怎麼寫、四層優先級怎麼運作,以及怎麼用路徑規則省上下文空間。



    ⭐ 文章深度讀

    拆解了 CLAUDE.md 從放哪到怎麼寫的完整設定流程

    → https://heymaibao.com/claude-code-memory-system-guide/


    📝 懶人包

    ∙ Claude Code 靠兩套機制跨對話保留知識:你寫的 CLAUDE.md 指令檔,加上 Claude 自己寫的 Auto memory 學習筆記,每次對話開頭都會載入

    ∙ CLAUDE.md 是上下文而非強制設定,指令越精簡具體效果越好,建議控制在 200 行以內

    ∙ 進階用法:用 .claude/rules/ 把指令拆成多個檔案,還能限定只在處理特定類型檔案時載入,減少上下文浪費

    ∙ 我的觀察:官方坦承「不保證 100% 遵守指令」聽起來像缺點,但理解這個設計哲學反而是寫出有效指令的起點


    📚 參考資料

    How Claude remembers your project

    → https://code.claude.com/docs/en/memory

    8 min