脈報

By 思思主播

脈報... more

· Technology

Download on the App Store

Download on the App Store

Get it on Google Play

FAQs about 脈報:

How many episodes does 脈報 have?

The podcast currently has 338 episodes available.

脈報 episodes:

April 14, 2026 Claude Code 100 倍生產力的祕密：Garry Tan 的 5 個定義

Y Combinator 總裁 Garry Tan 拆解 Claude Code 100 倍生產力的祕密：skill file harness resolver latent vs deterministic diarization 這 5 個定義決定一切。

⭐ 文章深度讀：整理了 5 個關鍵字與 YC 6000 創辦人怎麼用 fat skill 做 matching

→ https://heymaibao.com/garrytan-thin-harness-fat-skills/

⚡ 章節重點

為什麼同樣 Claude Code 差 50 倍 00:00

thin harness, fat skills 三層架構 01:00

skill file、harness、resolver 拆解 02:30

latent vs deterministic 與 diarization 04:22

YC 6000 位創辦人活案例 05:32

skill 是永久升級的祕密 08:28

📝 懶人包

∙ Anthropic 2026 年 3 月 31 日把 Claude Code 全部 512,000 行原始碼意外丟到 npm，Garry Tan 讀完之後確認自己在 YC 教創辦人的事情是對的：祕密不在模型，在包模型的那一層。

∙ 他把這套架構叫做 thin harness，fat skills。harness 只做 4 件事：跑 loop、讀寫你的檔案、管理 context、執行安全邊界，大約 200 行程式碼；skill 則是用 markdown 寫的肥厚 procedure，把判斷與流程都裝進去，可以像 method call 一樣用不同參數重複呼叫。

∙ 整套設計有 5 個名詞要搞懂：skill file、harness、resolver、latent vs deterministic、diarization。這 5 個名詞各司其職，對應 agent 設計最常被搞錯的 5 個決策。

∙ 我的觀察：這篇和 Yegge 的原始論斷合在一起讀才完整。2026 年的 AI coding 比的不是誰家模型聰明，而是誰有紀律把日常工作 codify 成 skill。模型會換代，skill 會留下，而且會在下一代模型上自動變得更強。

📚 參考資料

Thin Harness, Fat Skills

→ https://x.com/garrytan/status/2042925773300908103
...more
10min
April 14, 2026 Zuckerberg 做兩個 AI 分身：一個對員工一個幫自己當 CEO

Zuckerberg 的 AI 分身不是拿來取代他開會。FT 爆料說真正用途是跟 Meta 員工互動，建立情感連結。Verge 並特別切割 WSJ 3 月爆料的 CEO AI agent，兩者是不同專案。

⭐ 文章深度讀：拆清員工版與 CEO 版兩個 AI 分身，別再混為一談

→ https://heymaibao.com/zuckerberg-two-ai-clones/

⚡ 章節重點

標題 vs 原文：Verge 玩笑話拆解 00:00

AI avatar 如何煉成數位 Zuckerberg 01:50

第一個分身：給員工的溝通者 02:31

第二個分身：給 CEO 自己的助理 03:14

Meta 真正的棋局：創作者平台 04:09

CEO 每週寫 10 小時程式的訊號 05:10

📝 懶人包

∙ Meta 正在訓練 Zuckerberg 的 AI 分身。訓練素材包含他的影像、聲音、肢體動作、語氣與公開發言，目的是跟員工互動並給出回饋。

∙ Verge 特別指出，這個分身跟 Wall Street Journal 2026 年 3 月爆過的「幫 Zuckerberg 當 CEO 的 AI agent」是兩個不同專案。前者對員工，後者對他自己。

∙ Zuckerberg 本人親自參與分身訓練，同時每週花 5 到 10 小時寫程式與參加 Meta 其他 AI 專案的技術評審。

∙ 我的觀察：Verge 標題的「取代他開會」是記者的玩笑，FT 原文沒提商務會議這個場景。真正被測試的對象是員工，真正的伏筆是把 AI 分身開放給所有創作者。

📚 參考資料

Mark Zuckerberg is reportedly building an AI clone to replace him in meetings

→ https://www.theverge.com/tech/910990/meta-ceo-mark-zuckerberg-ai-clone
...more
8min
April 14, 2026 騰訊 HY-Embodied-0.5：2B 邊緣模型贏過 4B 與 7B 對手

騰訊 HY-Embodied-0.5 把 32B 的具身推理蒸進 2B 邊緣模型，在 22 個 benchmark 贏過 Qwen3-VL 4B 10.2 點，真實機器人 Mug Hanging 75% 比 π0 的 45% 高 30 點。

⭐ 文章深度讀：拆解 OPD 蒸餾怎麼讓 2B 贏過 4B 與 7B，還有 benchmark 該怎麼讀的 caveat 清單

→ https://heymaibao.com/tencent-hy-embodied-0-5/

⚡ 章節重點

騰訊真的打敗 Gemini 了嗎 00:00

2B 小模型以小博大的真相 00:49

具身 AI 卡在哪裡 01:57

三個技巧與 OPD 秘密武器 03:00

benchmark 數字怎麼讀才準 04:52

真實機器人的 30 點差距 05:29

小模型時代跟你的關係 05:56

📝 懶人包

∙ 騰訊發 HY-Embodied-0.5，包含 2B 與 32B 兩個版本。2B 版在 22 個 benchmark 上拿下 16 個第一，平均 58.0%，比 4B 的 Qwen3-VL 高 10.2 點、比 4B 的 RoboBrain 2.5 高 8.6 點。32B 版平均 67.0%，論文聲稱比 Gemini 3.0 Pro 的 63.6% 高 3.4 點，但這個對比條件要看清楚再判讀。

∙ 架構創新叫 Mixture-of-Transformers，簡單說就是把視覺和語言分成兩條計算通道，視覺 token 走一條、文字 token 走另一條，但兩條路徑放在同一個模型裡。這讓小模型的有效參數量幾乎翻倍，但推論成本幾乎不變。

∙ 後訓練用 RL 與 RFT 交替的循環，再把 32B 的具身推理蒸餾進 2B。在真實雙臂機器人的 Mug Hanging 任務上，他們的 75% 成功率比開源 VLA 基準 π0 的 45% 高了 30 點。

∙ 我的觀察：這篇論文真正的故事不是「贏過 Gemini」，而是「一個邊緣尺寸的小模型贏過比自己大一倍以上的對手」。關鍵動力是他們的蒸餾做法，讓學生模型自己先做一遍，老師在旁邊看著即時糾正，而不是老師錄一段示範讓學生模仿。任何想把大模型能力下放到邊緣裝置的團隊，這個範式都值得抄一份。

📚 參考資料

HY-Embodied-0.5: Embodied Foundation Models for Real-World Agents

→ https://arxiv.org/abs/2604.07430

Tencent-Hunyuan/HY-Embodied

→ https://github.com/Tencent-Hunyuan/HY-Embodied
...more
8min
April 14, 2026 太空最大 GPU 叢集開門做生意，但不是給 AI 訓練用的

```text

軌道上最大 GPU 叢集正式開門做生意：Kepler 的 40 顆 Nvidia Orin、10 顆衛星、18 家客戶。為什麼它全押分散式全時推論，不是把訓練搬上太空？本文把這條賭注拆清楚。

⭐ 文章深度讀：一次看懂太空 AI 真正能收錢的那條路

→ https://heymaibao.com/orbital-compute-cluster-open-for-business/

⚡ 章節重點

太空 GPU 叢集不是拿來訓練 AI 00:00

Kepler 40 顆 GPU 與 18 個客戶 00:50

推論不是訓練：在軌道就地算 02:14

誰會買單：遙測與飛彈防禦 03:32

分散式 vs 大型資料中心的對決 04:15

使用率才是王道：三個帶得走的原則 05:39

📝 懶人包

∙ Kepler Communications 目前是在軌規模最大的運算叢集。約 40 顆 Nvidia Orin 邊緣處理器分散在 10 顆衛星，互相以雷射通訊串起，目前共 18 家客戶。

∙ 最新一家客戶 Sophia Space 會把自家太空電腦的作業系統上傳到 Kepler 的兩顆衛星、共 6 顆 GPU，嘗試啟動並跨機配置。TechCrunch 指出，這類跨機 OS 部署動作在軌道上是第一次嘗試，也替 Sophia 2027 年底的自家衛星發射先做了一次去風險。

∙ Kepler CEO Mina Mitry 押注分散式 GPU 加全時推論，不走大型在軌資料中心路線。這和 Starcloud、Aetherflux、SpaceX、Blue Origin 聚焦於大規模太空資料中心、資料中心等級處理器的方向正好拉開。

∙ 我的觀察：短期所謂「AI 上太空」不是把訓練搬上去，而是把推論搬到感測器旁邊。對每天在地面算推論成本、想辦法把 GPU 時間壓滿的人來說，這個方向比想像中更貼近日常。

📚 參考資料

The largest orbital compute cluster is open for business

→ https://techcrunch.com/2026/04/13/the-largest-orbital-compute-cluster-is-open-for-business/

```
...more
8min
April 14, 2026 Vercel 靠 AI agent 部署，ARR 兩年從 1 億跳到 3.4 億

Vercel 年度經常性收入兩年衝到 3.4 億美元 run rate，CEO 暗示上市條件已具備。成長引擎是 30% 應用由 AI agent 自己部署，這篇拆解這則新聞對 hosting 戰場的意義。

⭐ 文章深度讀：拆解 27 倍估值買的是什麼敘事，以及 agent 預設路徑怎麼決定下一波 hosting 勝負

→ https://heymaibao.com/vercel-ai-agents-arr-surge/

⚡ 章節重點

為什麼只有 Vercel 在衝浪 00:00

ARR 兩年翻 3 倍的數字真相 00:41

27 倍估值買的是敘事不是現金流 01:37

30% 應用是 AI agent 自己部署 02:17

選型權從人類 ops 移到 agent 預設 03:25

為什麼 Rauch 現在要喊 IPO 03:57

三個分析錨點與軟體的大哉問 04:59

📝 懶人包

∙ Vercel 的年度經常性收入 (ARR) 兩年前是 1 億美元，到 2026 年 2 月底已經跑到 3.4 億美元的 run rate，估值在 2025 年 9 月由 Accel 領投 3 億美元 Series F 時站上 93 億美元。

∙ Vercel 平台上已經有 30% 的應用是 AI agent 自己部署的，不是人類工程師按按鈕放上去的。

∙ CEO Guillermo Rauch 在 HumanX 大會自稱 Vercel 是「一家非常習慣在公開狀態下運作的公司」，暗示公司已經具備上市條件，但沒給任何時間表。

∙ 我的觀察：這則新聞真正的看點不是 IPO，而是「AI agent 已經變成實質的部署者」。代管平台的選型權，正在從人類 ops 手上，移到 agent 預設路徑上，這件事比任何季度財報都更能解釋 Vercel 為什麼能逆勢漲。

📚 參考資料

Vercel CEO Guillermo Rauch signals IPO readiness as AI agents fuel revenue surge

→ https://techcrunch.com/2026/04/13/vercel-ceo-guillermo-rauch-signals-ipo-readiness-as-ai-agents-fuel-revenue-surge/
...more
7min
April 13, 2026 Cursor 比 Claude Code 強 16 分關鍵不是模型是 harness

Matt Mayer benchmark 顯示同一個 Opus 在 Claude Code 拿 77 分在 Cursor 拿 93 分差距不在模型在 harness Theo 拆清楚 harness 是什麼怎麼運作為什麼能騙過模型

⭐ 文章深度讀:拆開 harness 的四件事附選 AI 工具該問的三個問題

→ https://heymaibao.com/what-is-ai-coding-harness/

⚡ 章節重點

開場選 AI 工具只看模型夠嗎 00:00

Matt Mayer benchmark 同一個 Opus 差 16 分 00:25

Harness 是天才背後的經紀人 01:00

工具呼叫模型其實只會產生文字 02:12

Theo 的實驗工具描述可以騙過模型 03:37

Cursor 贏在天天微調你該問的三個問題 05:51

📝 懶人包

∙ Harness 是 AI coding 工具裡決定模型能做什麼的那層程式碼，包含提供給模型的工具組、system prompt、每個工具的描述，以及 tool call 執行完怎麼把結果接回對話歷史。Claude Code、Cursor、Codex、OpenCode 都是 harness，T3 Code 不是。

∙ 根據 Matt Mayer 的獨立 benchmark，同一個 Opus 模型在 Claude Code 裡拿 77 分，在 Cursor 裡拿 93 分，中間差 16 分，唯一變數就是 harness。

∙ 在 Theo 的直播示範裡，只要把一個工具的描述從「讀取檔案內容」改成「已棄用，請改用 bash」，完全不碰程式碼，Sonnet 直接無視警告繼續用原本的工具,Gemini 卻激進到連沒標棄用的工具都跳過，全部改走 bash。同一段話不同模型反應天差地別。

∙ 我的觀點：選 AI coding 工具時真正該評估的不是底層跑哪個模型，而是這個 harness 有沒有人在持續微調。Cursor 有人每天盯著 prompt 改，所以同一個模型在裡面跑得更好，這不是巧合，是工程投入的結果。

📚 參考資料

How does Claude Code *actually* work?

→ https://www.youtube.com/watch?v=I82j7AzMU80
...more
8min
April 12, 2026 一個不會解題的 AI 拿了 SWE-bench 滿分，跑分還能信嗎

10 行 Python 騙過 SWE-bench 500 題，送空 JSON 拿下另一個 benchmark 滿分。Berkeley 團隊的研究揭示 AI 跑分的 7 種致命漏洞模式，以及你下次看到跑分時該問什麼問題。

⭐ 文章深度讀：整理了 7 種漏洞模式與你該問的具體問題

→ https://heymaibao.com/ai-benchmark-trust-crisis-berkeley/

📝 懶人包

∙ Berkeley 團隊的 exploit agent 在 SWE-bench、WebArena、Terminal-Bench 等 8 個主流 AI benchmark 上取得接近滿分，但沒有真正解決任何一個任務。

∙ 這些漏洞不是個案，8 個 benchmark 共享 7 種相同的結構性缺陷，整個 AI 評測生態系存在系統性的信任問題。

∙ 團隊提出了 Agent-Eval Checklist，要求 benchmark 在發佈前通過對抗性測試，並正在開發 BenchJack 工具來自動化這個檢驗流程。

📚 參考資料

How We Broke Top AI Agent Benchmarks: And What Comes Next (Hao Wang, Qiuyang Mang, Alvin Cheung, Koushik Sen, Dawn Song, 2026)

→ https://rdi.berkeley.edu/blog/trustworthy-benchmarks-cont/
...more
7min
April 12, 2026 Garry Tan 的 gbrain：2 秒裝好一個 Postgres agent 腦

Garry Tan 把自己在用的 agent 長期記憶 gbrain 開源。v0.7.0 讓你 2 秒跑一顆本機 Postgres 腦，這篇講 compiled truth 跟 thin harness fat skills，送你 3 個心智模型。

⭐ 文章深度讀：整理了 3 個不用安裝就能帶走的心智模型

→ https://heymaibao.com/gbrain-garry-tan-agent-brain/

⚡ 章節重點

Garry Tan 一週餵多少資料 00:00

agent 長期記憶不是筆記軟體 00:53

PGLite 兩秒裝好一顆腦 01:59

compiled truth 把答案跟證據切開 02:53

三個今天就能用的心智模型 03:59

未來的軟體就是 markdown 05:44

📝 懶人包

∙ gbrain 是 agent 的「長期世界知識層」，不是筆記軟體。Garry 自己用它存人、存公司、存會議、存原創想法，agent 回答前先讀 brain，回答後再把新事實寫回 brain，知識每天 compound。

∙ v0.7.0 的關鍵翻轉是 PGLite。以前跑一個 hybrid RAG brain 要先架 Supabase，現在 gbrain init 兩秒後，你本機就有一個 Postgres + pgvector + 混合檢索的 brain，零帳號零 server。等 brain 長大超過 1000 檔，再 gbrain migrate --to supabase，embedding 不用重跑。

∙ 背後的哲學是 Garry Tan 在 YC Spring 2026 的 talk 裡直接宣告的 thin harness，fat skills，2x 的人跟 100x 的人用的是同一套模型，差距不是模型，是把 harness 做薄、把判斷推進 markdown skill 裡，讓 skill file 本身變成 method call。

∙ 我的觀點: 就算你完全不打算 bun add 任何東西，gbrain 這個 repo 最值得帶走的是三個心智模型，brain-first lookup、compiled truth + timeline 的寫法、skill file 是 method call。下一次寫 notes 或開 Claude Code 前套上去，你會立刻感覺到差距。

📚 參考資料

garrytan/gbrain

→ https://github.com/garrytan/gbrain

Thin Harness, Fat Skills

→ https://github.com/garrytan/gbrain/blob/master/docs/ethos/THIN_HARNESS_FAT_SKILLS.md

Homebrew for Personal AI

→ https://github.com/garrytan/gbrain/blob/master/docs/ethos/MARKDOWN_SKILLS_AS_RECIPES.md

GBRAIN_SKILLPACK

→ https://github.com/garrytan/gbrain/blob/master/docs/GBRAIN_SKILLPACK.md

Compiled Truth + Timeline

→ https://github.com/garrytan/gbrain/blob/master/docs/guides/compiled-truth.md

The Brain-Agent Loop

→ https://github.com/garrytan/gbrain/blob/master/docs/guides/brain-agent-loop.md
...more
7min
April 12, 2026 17 個 markdown 檔蓋內容引擎？這三個設計決策最值得借鏡

一則 X 貼文示範用 17 個 markdown 檔、4 個資料夾、3 種跑法蓋出 AI 內容引擎，把一個主題寫成 8 個平台原生貼文。我挑出三個值得借鏡的設計決策，再補三個照抄會踩的坑

⭐ 文章深度讀：整理了 index.md 三段式模板、3 個要小心的坑、3 種起步跑法

→ https://heymaibao.com/skill-graph-content-engine/

⚡ 章節重點

AI 寫內容為什麼像教失憶症天才 00:00

17 個 markdown 檔、4 個資料夾 02:30

三個值得借鏡的設計決策 04:08

三個你要小心的坑 06:41

三種起步跑法:從最輕量開始 08:36

真正該帶走的啟示 09:21

📝 懶人包

∙ **17 個 markdown 檔、4 個資料夾、一個 AI agent**，這則 X 貼文示範了怎麼把 1 個主題轉成 8 個平台原生貼文，週末就能蓋完

∙ **三個值得借鏡的設計決策**：`index.md` 是 briefing 不是目錄、node map 的每個 wikilink 都要帶 inline context、repurpose 的原則是 rethink 不是 reformat

∙ **三種實際跑法**：Claude Projects (推薦)、把 `index.md` 貼到任何 AI 聊天 (最簡單)、Cursor 或 Claude Code (最強，graph 可以自我演化)

∙ 我的觀察:這套系統真正載上決策重量的不是 wikilink 語法本身，是「每個節點都自帶決策所需的最少 context」。作者沒把這件事講破，但只要你抓住這個原則，就算只蓋 `index.md` 一個檔，效果也差很遠

📚 參考資料

How To Build Own Content Engine? (FULL COURSE)

→ https://x.com/DeRonin_/status/2042604279077237170?s=20
...more
11min
April 09, 2026 Claude Co-work 到底能做什麼？7 個核心能力一次講清楚

Claude Co-work 能直接操作電腦檔案、記住偏好、串接 Gmail 和 Notion。本文拆解 7 個核心能力與實際操作範例，包含一個作者明確不推薦的功能，搞懂它和 Chat 的真正差異。

⭐ 文章深度讀：整理了每個能力的實際操作範例和使用邊界

→ https://heymaibao.com/claude-cowork-7-capabilities/

⚡ 章節重點

為什麼 Co-work 不是 Chat 的升級版 00:00

本地檔案存取與持久記憶 01:57

連接器 + Skills 工作流程引擎 02:59

排程任務為什麼真正可靠 04:30

唯一不推薦的功能 05:28

不是功能列表是一個系統 05:48

📝 懶人包

∙ Co-work 和 Chat 最大的差異不是功能多寡，而是它能直接操作你電腦上的檔案，不受 Chat 的 20 檔 / 30MB 限制，而且直接把成品存到你的資料夾

∙ 7 個能力之間有複合疊加效應。排程任務之所以比 Gemini 或 ChatGPT 的同類功能可靠，是因為它能同時呼叫本地檔案、持久記憶和連接器三個基礎能力

∙ 瀏覽器擴充功能目前慢、不穩、耗用量大，作者明確不推薦，是 Co-work 現階段最大的短板

∙ 我的觀察：Co-work 的核心價值不在任何單一功能，而在這些能力加在一起之後產生的工作模式轉換。從「你把檔案上傳給 AI 看」變成「AI 直接在你的環境裡工作」，這個差異比表面上看起來大得多

📚 參考資料

Claude Co-work 七個核心能力完整拆解

→ https://youtu.be/z9rdrNrkvDY?si=Ky7hGtrpXBqBYsx2
...more
8min

FAQs about 脈報:

How many episodes does 脈報 have?

The podcast currently has 338 episodes available.