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 572 episodes available.

脈報 episodes:

June 02, 2026 Claude Code 自寫工作流，Anthropic 工程師卻提醒別亂用

Claude Code 新功能 dynamic workflows 讓 Claude 即時自寫工作框架，把活拆給多個分身。但寫這功能的 Anthropic 技術成員反而叫你想清楚再用，因為它很吃 token。

⭐ 文章深度讀：六種 pattern 怎麼組、什麼時候反而別開 workflow，完整判斷都整理在文章裡

→ https://heymaibao.com/claude-code-dynamic-workflows-when-to-use/

⚡ 章節重點

開場 00:00

官方的反常警告 00:39

認識動態工作流 01:42

破解三大失敗模式 03:16

實用的協作模式 05:47

算力與權衡抉擇 08:25

📝 懶人包

∙ Claude Code 的 dynamic workflows 讓 Claude 在執行任務時，即時寫出一套為這個任務量身打造的「工作框架」(harness)，還能存起來分享重用。

∙ 它真正要解決的不是「跑快一點」，而是單一對話視窗做長任務時會出現的三種退化：做一半就喊完成、偏愛自己的答案、做著做著忘了原本目標。用多個各自獨立的 Claude 分頭做，就能結構性地擋住這些問題。

∙ 作者自己強調：它會用掉明顯更多 token，不是每個任務都需要，而且最佳實踐還在發展中。

∙ 我的觀點：dynamic workflows 的本質是「用結構去買品質，代價是 token」。所以決定要不要開一個 workflow 之前，先問自己一句話就好，這個任務真的需要更多算力嗎？

📚 參考資料

A harness for every task: dynamic workflows in Claude Code (Thariq Shihipar、Sid Bidasaria)

→ https://x.com/trq212/status/2061907337154367865

全文鏡像 (Claude Blog)

→ https://claude.com/blog/a-harness-for-every-task-dynamic-workflows-in-claude-code
...more
11min
June 02, 2026 AI agent 不是銀彈：拆穿 YouTube 最愛騙你的 6 個謊言

YouTuber Craig Hewitt 拆穿 always-on AI agent (Hermes、OpenClaw) 的 6 個迷思，從要花多少錢買電腦到「整個事業靠 agent 跑」的幻覺，幫你判斷它真正該用在哪。

⭐ 文章深度讀：影片拆了 6 個迷思，但「哪些事該丟給 always-on agent、哪些該自己坐在鍵盤前做」這條判準，我在文章裡用一句話加實例講得更細

→ https://heymaibao.com/ai-agent-six-lies/

⚡ 章節重點

開場 00:00

先記住這條判準 01:01

硬體沒那麼貴 01:26

便宜訂閱不夠用 02:49

事業全靠 AI 是幻覺 03:53

養一個 agent 的務實法則 04:42

它是隊友不是替代品 06:03

要不要用的三步測試 07:11

收尾 07:54

📝 懶人包

∙ 硬體不是門檻。一般電腦、雲端 VPS、Mac mini 都能跑，不用花大錢。

∙ always-on agent 不會取代你的 coding 工具，兩者是分工：持續主動的事交給它，需要你坐在電腦前塑形的事交給 Claude Code 那類工具。

∙ 「整個事業靠 agent 跑」目前是 demo 幻覺。前 80% 很好做，難的是後面那 80%。

∙ 我的判斷：要不要用 always-on agent，分界線其實只有一句話：這件事需不需要你在場。

📚 參考資料

The Biggest Lie You've Been Told About Hermes Agent

→ https://youtu.be/ubxDCAtYQwE
...more
9min
June 02, 2026 別再手動調 Skill，Microsoft SkillOpt 讓它自己越練越強

Microsoft SkillOpt 把調 agent skill 從手感試錯變成可量測訓練，模型凍結，被優化的是文字檔。一次看懂它的運作、論文報的效果，以及為何只在有標準答案的任務才適用。

⭐ 文章深度讀：SkillOpt 的完整運作、論文數字與我說的硬邊界，影片沒講完的都整理在這篇

→ https://heymaibao.com/microsoft-skillopt-self-evolving-agent-skills/

⚡ 章節重點

開場手動調 skill 的無限輪迴 00:00

SkillOpt 到底在訓練什麼 01:18

效果有多猛，52 格全勝 03:03

硬邊界，任務要有標準答案 05:08

低成本動手的三步起步 06:15

成本與我的判斷 08:10

📝 懶人包

∙ SkillOpt 是一個「文字空間的優化器」，意思是它不動模型權重，被訓練的是你的 skill 文字檔。整套靠一個迴圈：用當前 skill 跑任務、讀成功與失敗、提出小幅編輯、只保留讓分數上升的改動。

∙ 論文報告的效果很猛：橫跨六個 benchmark、七個模型、三種執行環境共 52 個測試格，SkillOpt 全部拿下最佳或並列最佳。以 GPT-5.5 直接對話為例，六項平均從沒有 skill 的 58.8 升到 82.3，提升 23.5 分，而最後產出的只是一個約 380 到 2,000 tokens 的小文字檔。

∙ 它有硬邊界：只在「有可對照正確答案」的任務上有效，而且真正決定成敗的不是跑指令，是你準備的那組範例答案。

∙ 我的判斷：別急著裝。先問你的任務有沒有標準答案，有，這是把調 skill 從玄學變成可量測的好路徑，沒有，它幫不了你。

📚 參考資料

hooeem：I want to create self-evolving agent skills (X 貼文)

→ https://x.com/hooeem/status/2061528919786791154?s=46

SkillOpt 論文 (arXiv，2026)

→ https://arxiv.org/pdf/2605.23904

microsoft/SkillOpt (GitHub)

→ https://github.com/microsoft/SkillOpt
...more
10min
June 02, 2026 AI agent 也需要看板?Hermes 把失敗和重試變成一等公民

AI agent 並行工作時,難的不是排任務,是它們會失敗、當機、被退件。Hermes 的 Kanban 把每次嘗試、重試和交接都寫進資料模型,用四個場景看懂它跟普通待辦清單差在哪。

⭐ 文章深度讀：你還在手動翻 log,救那些失敗的 AI 任務嗎?

→ https://heymaibao.com/hermes-kanban-ai-agents/

⚡ 章節重點

開場:AI agent 真的需要看板嗎 00:00

為什麼傳統清單會崩 01:13

run-based 模型:把失敗當一等公民 01:49

三個操作面與六欄看板 02:19

場景一:讓任務自己排隊 03:17

場景二:一個人顧一支 AI 艦隊 04:26

場景三:退件重來與重試歷史 05:36

場景四:斷路器與崩潰復原 06:51

真正的關鍵:結構化交接 08:08

我的觀察與收尾 09:14

📝 懶人包

∙ Hermes Kanban 用 run-based 模型: 任務的每一次執行嘗試 (一個 run) 都是獨立一列，失敗、崩潰、重試的歷史是一等公民而不是事後補的註記。重試的 worker 會從「上次失敗在哪」接手，而不是從零重跑。

∙ 階段之間靠 `kanban_complete(summary, metadata)` 做結構化交接。下一棒的 worker 一呼叫 `kanban_show()`，系統回傳的 worker_context 就直接帶上上一棒的決策摘要和改了哪些檔，不用回去翻一整串留言考古。

∙ dispatcher (派工的背景程式) 有兩道可靠性防線: 斷路器 (連續失敗 N 次後直接終止重試，標成 gave_up 等人處理) 和崩潰復原 (偵測到 worker 進程死掉，就把任務收回重新派給新的 worker)。

∙ 我的觀察: 當你讓多個會出錯的 AI worker 並行做事，真正的瓶頸從來不是「看板長什麼樣」，而是「失敗和交接有沒有被當成一等公民」。這點成立的前提是任務之間真的有依賴或重試，如果只是一堆互不相干的小事，普通清單其實也夠。

📚 參考資料

Hermes Kanban Tutorial

→ https://hermes-agent.nousresearch.com/docs/user-guide/features/kanban-tutorial
...more
11min
June 02, 2026 AI agent 老是互相打架？他用一塊看板讓 18 個一起工作

多代理 AI 老是互相踩線、崩潰全毀？這位 YouTuber 用一塊共享看板當協調層，讓最多 18 個 AI agent 平行接力做研究、判斷、產出，整條流程只留一個人類核可閘門。

⭐ 文章深度讀：我把「協調為什麼才是多代理真正的瓶頸，以及這套看板設計哪裡值得抄、哪裡只是噱頭」整理進文章，用脈報的角度拆得比影片更白。

→ https://heymaibao.com/multi-agent-kanban-workflow/

⚡ 章節重點

開場：多代理為什麼老是壞掉 00:00

核心結論：別讓 agent 互相對話 00:52

看板就是單一真相 (一個 SQLite 檔) 02:17

Dispatcher：一張卡怎麼變成 agent 02:58

事件驅動依賴圖與五大優勢 03:39

實測：獵取 AI 痛點的流水線 04:52

18 個 agent、97 個任務的規模 06:48

唯一的人類閘門與自我修復 07:45

重點收穫與結語 09:28

📝 懶人包

∙ 多代理系統的瓶頸是「協調」而不是「建 agent」。作者用一塊共享看板 (底層就是單一個 SQLite 檔) 當協調層，agent 之間完全不互相對話、不用訊息佇列，只讀寫同一塊板。每個工作是一張卡，agent 認領、做完、交棒，狀態留在板上，撐得過重啟和當機。

∙ 協調靠一張會自驅動的依賴圖：卡片在待辦區等父任務完成，再自己升級成「就緒」，一個任務可以分裂成多個平行子任務，匯流的任務掛在所有子任務上，最後一個完成的瞬間自己觸發。沒有輪詢、沒有保母、沒有黏合用的膠水程式。

∙ 整條流程只留一個人類閘門。偵測、驗證、研究、提案全自動跑完，只有在出貨前透過 Telegram 送來一次待核可的提案，你可以核可、擱置或修改。作者強調這關可以拿掉做到全自動，但他強烈建議別這樣。

∙ 我的判斷：這部影片最值得帶走的不是「我做了一群會賺錢的 agent」，而是那個可複製的協調骨架。作者自己也誠實說了，agent 產出的東西是「不錯的起點」而不是能直接上線的成品，你看的是設計，不是一台印鈔機。

📚 參考資料

I Built the Ultimate Multi-Agent Workflow w/ Hermes Agent Kanban Board

→ https://www.youtube.com/watch?v=EKVRqcpTT6s
...more
11min
June 02, 2026 別再幫 AI agent 蓋富士康工廠：Garry Tan 的 54 萬行教訓

他剛蓋完 54 萬行程式碼，卻說那是替 AI agent 蓋的富士康工廠。Garry Tan 公開認錯：AI 時代狂寫 code 是過時本能，真正稀缺的是判斷力。本文拆解他的反省與爭議。

⭐ 文章深度讀：走一遍你自己的專案，數數看有多少行 code 只是因為你不信任 AI 才寫的

→ https://heymaibao.com/stop-building-foxconn-factory-for-agents/

⚡ 章節重點

開場 00:00

稀缺的是判斷力 00:55

54 萬行白工的代價 01:45

替 AI 蓋富士康工廠 03:29

skillify 把一次性工作變複利 05:12

你到底想蓋什麼 06:59

📝 懶人包

∙ Garry Tan 公開認錯：他剛蓋完的 54 萬行 Rails app，本質是替 AI agent 蓋的「富士康工廠」。他說那些層層疊疊的測試、guardrail、retry loop (失敗自動重試的迴圈)，每一行都是在賭「這個 AI worker 會出包」。

∙ 經濟學翻轉了：他的論點是，過去 LLM (大型語言模型) 呼叫很貴，所以大家寫一堆 code 省著用、把模型保護起來。現在模型又便宜又夠聰明，該反過來用白話指示它，讓它只寫最小必要的 code。

∙ 他主推的方法論叫 skillify：把一次性做出來的能力，轉成一個帶完整測試的「skill pack (技能包)」，可以重複使用、像利息一樣累積。他說自己已經有超過 350 個。

∙ 我的觀點：他的核心洞察站得住腳，但其中「一年燒幾十萬到上百萬美元 token」跟「不要急著裝安全護欄」這兩段，帶有「花得起的人才這樣說」的倖存者視角，一般人聽聽就好，別照單全收。

📚 參考資料

Stop building Foxconn factories for your agents (Garry Tan)

→ https://x.com/garrytan/status/2061454423034110372?s=46
...more
9min
June 02, 2026 Honcho 教 AI 主動想你是誰：Hermes 記憶外掛的推理拆解

(此為 WordPress canonical `rank-math-description` 單一來源)

⭐ 文章深度讀：什麼時候該從內建記憶換成 Honcho、三個成本旋鈕怎麼調，完整拆解都在文章裡

→ https://heymaibao.com/hermes-honcho-memory/

⚡ 章節重點

開場 00:00

Honcho 跟內建記憶差在哪 01:01

兩層 context 與會自我檢查的推理 01:51

三個成本旋鈕 04:01

多代理隔離與觀察 05:05

recall mode：自動還是可控 05:46

該不該換到 Honcho 06:52

結語 07:29

📝 懶人包

∙ Honcho 是 Hermes 的可選記憶外掛 (來自 Plastic Labs)，掛在 Hermes 的記憶供應商 (memory provider) 系統上。相對內建的 file-based 記憶，它多了 server 端持久化、自動推理出來的使用者檔案、跨工作階段的摘要注入，以及多代理隔離。

∙ 它每輪對話後會做「思辨式推理」(dialectic)，推導你的偏好、習慣與目標，並透過兩層 context 注入系統提示。要花多少成本、推理多深，由三個彼此獨立的旋鈕控制。

∙ 多個 AI 同時面對同一個你時，Honcho 會用「per-peer」檔案各自隔離，避免互相污染；observation 設定控制誰觀察誰，recall mode 則決定記憶是全自動注入還是完全交給模型主動查。

∙ 我的觀察：Honcho 真正的分水嶺是「主動推理你是誰」而不是「記更多」，這也是它值得試的理由。但越自動就越黑箱，如果你想要可控、可審計的記憶讀取，可以把它調到只用工具 (tools) 的模式，自己掌握節奏。

📚 參考資料

Honcho 功能說明 (Hermes Agent 官方文件)

→ https://hermes-agent.nousresearch.com/docs/user-guide/features/honcho/
...more
9min
June 01, 2026 你的本地 AI agent 其實被關住了，三個工具讓它隨處可用

本地 AI agent 常被困在一台電腦上，人一離開就用不到。這篇用 Tailscale、Termius、tmux 三層工具，讓它隨處連得到、任務不中斷又不暴露公網，並點出連得到不等於安全。

⭐ 文章深度讀：多數 agent 教學只教你裝功能，卻沒教你怎麼從手機隨時連到它、又不暴露公網

→ https://heymaibao.com/local-ai-agent-remote-access/

⚡ 章節重點

開場 00:00

本地 agent 的困境 01:58

Tailscale 連得到 03:03

Termius 能操作 04:31

tmux 不中斷 05:46

連得到不等於安全 07:01

無聊基建的價值 08:05

📝 懶人包

∙ 本地 agent 最大的限制，常常不是模型也不是功能，而是它被綁在一台機器上，你一離開就用不到。

∙ 解法是三層工具各管一件事：Tailscale 管「連得到」、Termius 管「能操作」、tmux 管「不中斷」。

∙ 但這套只保護「你怎麼連到 agent」，不負責「agent 連上後能做什麼」，prompt injection 和權限風險還是得另外處理。

∙ 我的觀察：大家分享 agent 幾乎都在秀功能層，這篇難得把「決定 agent 到底有沒有用」的基礎設施層講透。

📚 參考資料

How to Access Your Hermes Agent Anywhere (@tonbistudio)

→ https://x.com/tonbistudio/status/2060945344092148007?s=46
...more
10min
June 01, 2026 當 AI agent 直接活在 Windows，OpenAI 怎麼防它刪光硬碟

當 AI agent 直接活在 Windows，OpenAI 怎麼防它亂刪你的硬碟？本文拆解 Codex 用檔案權限、防火牆與受限帳號自建的 agent 牢籠，也談在地化 agent 越強你越別開全權。

⭐ 文章深度讀：牢籠蓋得再漂亮，鑰匙還是握在你手上，為什麼我這樣判斷，完整理由都在文章裡

→ https://heymaibao.com/codex-windows-native-agent-sandbox/

⚡ 章節重點

AI 住進你的系統 00:00

AI 從訪客變成 Windows 居民 01:10

高整合度的代價：刪硬碟前車之鑑 02:04

OpenAI 用 Rust 自建牢籠 03:27

拆解隱形牢籠的四層安全鎖 04:57

授權紀律才是成敗關鍵 07:05

📝 懶人包

∙ Codex app 現在支援「Windows native」，agent 預設直接跑在 Windows 本體 (用 PowerShell 這個 Windows 內建的命令工具)，而不是像多數 AI 工具那樣躲在 WSL 或虛擬機這類旁路裡。整合度更高，但隔離這層保護就得自己想辦法。

∙ Windows 本身沒有 Mac 或 Linux 那種現成的「沙盒」機制 (sandbox，把程式關在限定範圍內、不讓它亂碰系統的安全圍欄)，所以 OpenAI 片中說他們用超過 15,000 行 Rust 程式碼自建了一個，疊在 Windows 既有的安全機制上，而不是退回去用笨重的虛擬機。

∙ 這座牢籠是真的能被看見的：它建了專屬的受限使用者帳號、把 agent 綁進限定資料夾、用防火牆擋掉它的網路、要連網就得你親自點頭放行。影片裡用 Windows 內建指令一一驗證給你看。

∙ 我的觀察是：agent 越「在地化」、整合度越高，你的授權紀律就越重要。觀察對象是這種直接活在 OS 裡的 agent，成立條件是你願意逐次審核它要做什麼，一旦圖方便開了全權模式，這座牢籠就形同虛設。

📚 參考資料

Switching back to Windows?!?

→ https://youtu.be/cGXAmnUabEY
...more
10min
June 01, 2026 跑了 60 天 AI agent，他的結論是 90% 架構，10% 才是 AI

跑了 60 天 AI agent，0xjeff 的結論是 90% 架構、10% 才是 AI。從換 6 套模型供應商到 skill bundling，他用 6 個教訓告訴你，真正拉開差距的不是模型，是架構設計。

⭐ 文章深度讀：他到現在都還沒解決的兩個坑，可能才是這篇最值得收藏的地方

→ https://heymaibao.com/ai-agent-90-architecture-10-ai/

⚡ 章節重點

開場 00:00

核心觀念：90% 架構，10% AI 01:21

教訓二：模型商品化與工具選擇 01:51

教訓三：技能目錄化省 token 02:57

教訓四：記憶成本與回饋迴圈 03:46

教訓五：x402 協定打破工具邊界 04:41

教訓六：兩個還沒填平的坑 05:12

結語：你在死磕模型還是架構 06:13

📝 懶人包

∙ 模型正在商品化：60 天換過 5-6 套供應商設定後，0xjeff 的結論是選一個直連的供應商黏住，別一直換。open-weight 模型在智力上正逼近頂尖實驗室，價格又低。

∙ 真正拉開差距的是工具和 skill 設計，不是模型。使用者最重要的工作，是把 agent 指向對的工具、糾正它用錯工具。

∙ 把 skill 當成一個「目錄」而不是一坨巨型 prompt，載入只要約 500 個 token，卻能省下每次 session 重新解釋的 5000 多個 token。

∙ 我的觀察：這篇最值錢的其實不是成功經驗，而是兩個他坦白「還沒解決」的坑，記憶服務燒錢，還有 agent 越跑越同溫層。願意把沒搞定的事寫出來，比一堆漂亮結論更可信。

📚 參考資料

6 Workflows, 6 Lessons, 60 Days with Hermes Analyst (0xjeff, X)

→ https://x.com/0xjeff/status/2061361760968560887

the Tool Shed (0xjeff, Substack)

→ https://defi0xjeff.substack.com/p/the-analyst-agent-tools
...more
7min

FAQs about 脈報:

How many episodes does 脈報 have?

The podcast currently has 572 episodes available.