脈報

Anthropic 在 6 月 15 日把付費 Claude 訂閱戶的 programmatic 使用切到單獨的信用額度。 T3 Code 作者依此估算，自己這類第三方工具用戶的可用推論量大約只剩原本的 1/40，於是直接戴上 Codex 帽宣告退訂。 這支影片整理三件事： 1. 6/15 新制長什麼樣 (適用範圍、額度、claim 方式、不 roll over) 2. 為什麼 T3 Code、Zed、Gene 這類「替代 UI」會被歸到第二層 (programmatic) 一起被砍 3. 你該怎麼判斷自己受不受影響、要不要跟著退訂 📚 完整文章：https://heymaibao.com/claude-third-party-40x-cut/ 📎 原始來源：[I'm done.](https://youtu.be/131yAOjxHHQ?si=S81Ry_bum8Qd4-tI) #Anthropic #Claude #Codex #T3Code #AgentSDK #AI開發

Elon 過去在自己的平台上把 Anthropic 罵成 misanthropic (反人類)、racist、sexist，至少數到 40 次。 但 XAI 還是把整座旗艦資料中心 Colossus 1 借給 Anthropic 用，超過 22 萬張 Nvidia GPU。 聽起來像和好？我看完 Nerd Snipe 第 7 集這集 podcast 後，反而越看越覺得不是和好。這是 Elon 把 Anthropic 養肥、放出去咬 OpenAI。 這集會帶你看清： - Colossus 1 的物理規模 (Anthropic 自報 300 MW、XAI 自報 450 MW，兩邊不一致) - 為什麼這場合作的真實讀法是「不是和好、是鞭打 OpenAI」 - OpenAI 訴訟那條第二戰線 (Elon 在庭上承認 XAI distill OpenAI 模型輸出) - Cursor 那條第三邊 (XAI 的 100 億分手費 + 600 億買斷選擇權) 00:00 開場：這場合作不是和好 02:06 算力三角的真實樣貌 03:08 Elon 的法庭戰線：訴訟與 2018 email 04:26 Cursor 是策略的第三邊 05:37 三部棋全部串起來 06:08 對 AI 工具使用者的具體影響 06:53 收尾：22 萬張 GPU 是一張對抗 OpenAI 的牌 📚 參考資料：The craziest collab in AI history? → https://youtu.be/0EvF0jAMvX0 📝 完整文章：https://heymaibao.com/elon-anthropic-vs-openai/ #AI #Elon #Anthropic #OpenAI #XAI #Cursor #算力

OpenAI 又開了一家公司，叫 OpenAI Deployment Company (內文簡稱 DeployCo)。 它不是新研究單位，也不是 ChatGPT 衍生品。它的任務只有一個：派人進企業，把 OpenAI 模型接進真實的業務流程。 宣布 day one，這家公司就有： - 超過 40 億美金的初始投資 - 19 家投資、顧問與系統整合 (SI) 合作方 (TPG 主導，Bain Capital、Brookfield、Goldman Sachs、SoftBank Corp.、麥肯錫等入股) - 同步公告收購應用 AI 顧問與工程公司 Tomoro，預計帶來約 150 名 Forward Deployed Engineers (FDE) 這集會帶你看懂 OpenAI 把「部署」這件事從研究/產品的附屬，正式升級成跟 model research 並列的獨立業務線，以及對企業客戶、顧問業、OpenAI 自己各自意味著什麼。 00:00 OpenAI 又開了一家新公司 01:23 「部署公司」這個名字怪在哪 03:39 Tomoro 收購：DeployCo 的引擎 05:11 19 家投資與顧問同台 06:46 對企業客戶、顧問業與 OpenAI 各自意味著什麼 08:09 接下來幾個月要看哪幾件事 📚 參考資料：OpenAI launches the OpenAI Deployment Company to help businesses build around intelligence → https://openai.com/index/openai-launches-the-deployment-company/ 📝 完整文章：https://heymaibao.com/openai-deployment-company/ #OpenAI #DeployCo #企業AI #AI部署 #Tomoro #ForwardDeployedEngineers

AI-Native 公司怎麼建？Greg Isenberg 給了五步驟 playbook：挑窄工作流、map 工作流、結構化知識、放 agent 並設邊界、用業務指標衡量。我加上中文圈服務業的延伸觀察。 ⭐ 文章深度讀：為什麼「全球只有 1000 家 AI-Native 公司」這個數字是個訊號不是事實，以及中文圈哪些傳統行業最容易藏軟體毛利 → https://heymaibao.com/ai-native-company-5-steps-greg-isenberg ⚡ 章節重點 開場：每家公司都在喊 AI-Native 00:00 公司對機器不可讀的真相 01:56 五步驟實戰手冊 03:28 隱藏的金礦：服務業 + 軟體毛利 06:58 收尾：LCA 揭露 + 給你的提問 09:21 📝 懶人包 ∙ Greg 的核心區分：AI-assisted 公司在邊緣加 AI 工具，AI-Native 公司重新設計核心工作流，讓 agent 能執行前 80% 的事。 ∙ 為什麼大多數公司做不到：真相散落在 CRM、Slack、收件匣、Notion 與某幾個老員工的腦袋裡，公司對機器來說是不可讀的。 ∙ Greg 給的五步驟 playbook：挑窄工作流、像機器一樣 map、結構化知識、放 agent 並設邊界、用業務指標衡量。 ∙ 我的觀點：這篇值得看不是因為 1,000 家這個數字，而是它把「AI-Native」從技術話術拉回組織工程。Greg 自己也在賣顧問服務 (文末會說)，但他點出的問題依然成立，因為這些問題不是用更強的模型可以解決的。 📚 參考資料 How to become AI-Native (Greg Isenberg) → https://x.com/gregisenberg/status/2053843542020063489

姚順禹剛訓完 Claude 3.7 與 Gemini 3 系列，3 小時 48 分鐘的訪談裡卻反覆說 LLM 個人英雄主義時代大概已經結束了。他怎麼看 pre-training 撞牆論、Dario 反中立場、Gemini 翻身雙拳，與給年輕人的勸告。 ⭐ 文章深度讀：完整文章拆解 Boris Cherny 反例、Anthropic top-down 條件與 24 小時 RL 面試題的設計邏輯 → https://heymaibao.com/yao-shunyu-heroism-is-over/ ⚡ 章節重點 開場：被 AI 跑分淹沒，我們冷靜一下 00:00 認識姚順禹：訓過 Claude 3.7 與 Gemini 3 的圈內人 00:33 第一部分：衝浪手與英雄主義的終結 01:31 第二部分：撞牆還是 bug 沒抓到 02:40 第三部分：離開 Anthropic 的真相 (Dario 反中佔四成) 04:14 第四部分：Gemini 翻身的兩張牌 06:23 第五部分：24 小時 RL 面試題 07:24 第六部分：給年輕人的勸告 08:35 收束：能不能設計合理 ablation 實驗 09:29 📝 懶人包 ∙ 姚順禹主張 LLM 個人英雄主義時代已結束，現在是集體主義、系統化、不講花俏的時代 ∙ Pre-training 還沒撞牆，他認為宣稱撞牆的研究者多半是有 bug 沒察覺 ∙ 他離開 Anthropic 的真實原因之一：Dario 反中立場佔了四成原因，自評那是很情緒化的反應 ∙ 我的觀察：這場訪談最珍貴的不是任何單一八卦，是看一個內部人怎麼用能不能設計合理 ablation 實驗這種系統紀律，去看穿 AI 圈所有 hype 📚 參考資料 Yao Shunyu: Let Me Go a Little Crazy! Training Models at Anthropic & Gemini, Heroism Is Over (Language is World Studio) → https://youtu.be/ttkd0t5qTD4

```text X 上自稱「非技術 AI 用戶」的 @omooretweets 把多數工作流從 Claude 與 Claude Cowork 搬到 OpenAI Codex，列出 4 件她按下切換鍵的事。我覆述她的判斷，補上對非技術知識工作者的具體建議與兩個必開 toggle。 ⭐ 文章深度讀：完整切換 4 步起手手冊與必開的兩個 toggle → https://heymaibao.com/from-claude-to-codex-prosumer-switch/ ⚡ 章節重點 為什麼非技術用戶要把工作流搬到 Codex 00:00 理由 1：Codex 已經不是 Terminal 工具 01:47 理由 2：一鍵安裝的 pre-built Skills 02:37 理由 3：Codex Pets 的低摩擦狀態更新 03:27 理由 4：一致性更好、上限更高 (真正關鍵) 04:41 切換 4 步起手手冊 06:10 兩個必開的隱藏開關 (full access + Plan Mode) 07:14 誠實的期待值與 honest gap 08:07 今天就動手試一件事 08:55 結語 09:37 📝 懶人包 ∙ Codex 在 @omooretweets 眼中已經不是 Terminal 工具，而是一個零程式碼就能上手、可比擬 Claude Cowork 的 desktop app，Plugins 對應 Claude Connectors、Automations 對應 Claude Tasks。 ∙ pre-built Skills 一鍵安裝，把「不會自己組裝 Skill」這個非技術用戶最常卡住的環節整個拿掉。 ∙ 切換的真正最大 delta，不是介面或 Pets，而是 Codex agent 在多步驟、跨 app、跨 browser 任務上的一致性與上限。她在 Claude / Cowork 上常撞 tool use limit、conversation limit、context、connector failure，到了 Codex 撞牆機率明顯下降。 ∙ 我的觀察：對非技術知識工作者來說，這篇文章真正有閱讀價值的不是「Codex 比 Claude 強多少」的 vibe benchmark，而是 OpenAI 終於把 prosumer 介面、一鍵 Skills 與 Automations 兜成一整套入口。 📚 參考資料 Codex is for prosumers - here's why (and how) to switch (@omooretweets, X) → https://x.com/omooretweets/status/2053858113892262193 ```

Sheta Chatterjee (Google Cloud AI 設計與 UX 主管) 帶領 Gemini Enterprise UX 團隊在 Figma 部落格訪談中, 拆解設計企業級 agentic 工具的 6 個關鍵 UX 決定: 從 prompt box 到 AI Inbox dashboard、Collaborative Projects 共享空間、Proactive nudge 實驗、designed friction (刻意設計的摩擦) 與 Agent Designer 的 harness, 最後到 Figma 作為 single source of truth 的 design system 工作流。 文章: https://heymaibao.com/design-gemini-enterprise-six-ux-decisions/ 影片: https://www.youtube.com/watch?v=xrgs7Z5SxfM

Cursor 在新辦公室開了第一場活動，整場 talk 只有 9 分鐘，但把 AI 寫程式這幾年的演進切得很乾淨：IDE、tab、agent、teams 四個時代。下一個斷點不是模型更強，是 agent 有沒有自己的電腦。 ⭐ 文章深度讀：用 Cursor 自家 2025 內部數據看 IDE → tab → agent → teams 四個時代的關鍵斷點在哪裡 → https://heymaibao.com/ai-coding-four-eras-cursor/ ⚡ 章節重點 為什麼下一個斷點不是模型 00:00 IDE 與 Tab 時代的硬性天花板 01:21 Agent 時代的資料大翻轉 02:14 Teams 時代：agent 有自己的電腦 04:21 給知識工作者的實戰建議 07:10 📝 懶人包 ∙ Cursor 把 AI 寫程式的演進切成四段：IDE 時代、tab 時代、agent 時代、teams 時代。每一段都有對應的工具型態與工作節奏。 ∙ Cursor 公佈自家 2025 內部數據：agent requests 年增 15 倍，年初 tab 補完比 agent 請求多 10 倍，年底直接翻轉。內部約 30% 的 PR 已由 agent 端到端完成，enterprise segment 約 75% 程式碼由 AI 生成。 ∙ Cursor 認為下一段是 teams 時代，agent 不再跑在工程師的本機，而是擁有自己的 cloud computer，可同時跑數十個、連續工作數小時到數天。工程師正在變成 agent manager。 ∙ 我的觀察：這場 talk 真正關鍵的不是模型有多強，而是 agent 有沒有自己的電腦這條基礎設施線。對個人工作者來說，先把「盯著一個 agent 跑」改成「並行管理多個 agent」，再把 review 當作核心生產動作，是最可操作的下一步。 📚 參考資料 The next era of AI coding (Cursor 官方 YouTube) → https://youtu.be/8h9j2rskP14

多數人用 Claude 像在用搜尋列。Nate Herk 把使用者分 5 級，從 Enthusiast 到 Architect，每升一級解鎖不同工作類別與收費天花板，每一級都有一個過關密語可以跨過去。最後一級的卡點不是技術，是信任。 完整文字版： https://heymaibao.com/claude-5-levels-cheat-codes/ YouTube 版本： https://www.youtube.com/watch?v=7hIt4SfOutw

Claude Skills 寫作的 7 條法則，整理自 75 次測試的觀察：description 怎麼讓 Claude 看見、body 為什麼要去禮貌化、什麼時候該用範例蓋過規則、長度與位置怎麼決定。 ⭐ 文章深度讀：拿這 7 條法則當清單，挑你手上 3 個 skill 一邊讀一邊改，順手把 hardening prompt 跑一次 → https://heymaibao.com/claude-skills-7-laws-from-75-tests/ 📺 YouTube 完整解析 → https://www.youtube.com/watch?v=MW2k27scAvs ⚡ 章節重點 prompt library 已死，skill 上場 00:00 為什麼是現在：算力變便宜 01:08 description 寫差 = skill 看不見 01:37 祈使句、anti-trigger 與 Read-first 三欄 03:10 範例蓋過規則、控制長度與位置 05:17 用 10 個 sub-agent 自動找洞 06:31 📝 懶人包 ∙ description 寫差，是 skill 永遠看不到工作的最大原因。要長度足夠、第三人稱、首句講做什麼 + 何時用、3 個以上真實使用者會打的觸發語，並寫一條 anti-trigger 把不該用的情境推給另一個 skill。 ∙ body 用祈使句、給 worked example、把 critical rule 搬到前 100 行。Claude 是 pattern matcher (擅長依樣本找規律的模型)，給規則它會猜，給範例它會對齊。 ∙ 文末有一個 10 sub-agents 的 hardening prompt，可以讓 skill 用真實情境自己找洞，三輪改寫。在自己手上前 3 個 skill 上跑一次，是一小時內可完成的高槓桿投資。 ∙ 我的觀察：在我自己寫 skill 的經驗裡，最常被忽略的不是內容深度，是位置。重要的話放在 line 600 等於沒放，這條跟 Aakash 在 724 行 fitness skill 上看到的失敗模式一致。

GitLab Act 2 公告同時動了組織形狀、文化框架、商業敘事與透明度。Simon Willison 的解讀提供了一張快速判讀地圖，也提醒讀者這份 agentic era 樂觀押注該保留多少折扣。 ⭐ 文章深度讀：拿這 4 個維度當檢查表，下次再看 AI 公司重組公告不會被樂觀敘事帶走 → https://heymaibao.com/gitlab-act-2-agentic-restructure-signals/ 📺 YouTube 完整解析 → https://www.youtube.com/watch?v=Sv085Wp5veg ⚡ 章節重點 不是裁員新聞：Act 2 同時動的四件事 00:00 訊號 1：管理層厚度變成可調變數 01:30 訊號 2：CREDIT 退役與 Diversity 被降級 02:58 訊號 3：Jevons 悖論的押注與股價腰斬的提醒 04:19 訊號 4：透明度被收斂到對公司更有利的範圍 06:01 怎麼讀下一份 AI 重組公告 06:53 📝 懶人包 ∙ GitLab 在部分職能拿掉最多三層管理，把 R&D 重組成約 60 個更小、端到端負責的團隊，獨立團隊數量近乎翻倍。 ∙ GitLab 退役舊的 CREDIT 價值框架，改採 Speed with Quality、Ownership Mindset、Customer Outcomes 三條新價值，「Diversity」從頂層字眼降級到子句。 ∙ GitLab 主張軟體生產的成本與時間限制正在崩解，需求會因此擴張，開發者平台 (dev platform) 的單一用戶每月付費，從去年的數十美元升到今年的數百美元，並朝數千美元邁進。 ∙ 我的觀點：GitLab 這份樂觀押注帶有強烈商業利益偏誤，Simon 用「公司股價腰斬」與 git 歷史對照提醒讀者打折看，這個閱讀方式比公告本身更值得學起來。

Claude Code 用戶該不該照貼 X 爆紅的 12 條 CLAUDE.md？我拆開 @Mnilax 的版本，只有 4 條真的補了 Karpathy 沒寫到的多 step agent 盲區，剩下與其抄不如挑自己的坑寫。 ⭐ 文章深度讀：看完整 12 條清單的逐條判斷，與另外 8 條可不可以略過 → https://heymaibao.com/claude-md-12-rules-which-to-copy/

Karpathy：在 prompt 最後加這句話，AI 回答會更好讀

Claude Code 推出 agent view：背景跑 AI 不再開十個視窗

YC 總裁 Garry Tan 的 YouTube prompt 已迭代到 v27。他把 meta-prompting 定位成 2026 該學的 AI skill — 把 prompt 當軟體版本化。本文拆解 v27 心法、model tournament，以及最反直覺的副作用：逼你說清楚自己怎麼想。 ⭐ 文章深度讀：看 Garry Tan 把 prompt 從 v1 磨到 v27 的完整心法 → https://heymaibao.com/metaprompting-is-a-skill/ ⚡ 章節重點 00:00 Meta-prompting 是 2026 該學的 AI skill 02:55 多數 AI app 是「無馬馬車」 04:18 多模型 tournament 與人類 curation 05:17 Gibberish prompt 為什麼比文法正確版高 5.2pp 07:03 Model Drifting 不是反例，是它存在的理由 08:28 副作用比成品還貴：逼自己想清楚 📝 懶人包 ∙ 多數人停在 blind prompting，沒有測試、沒有迴圈、沒有版本控管；同一條 prompt 換更強的模型反而可能變差。 ∙ Garry Tan 的 v27 是把 prompt 當軟體做 27 輪「output → critique → refine」，外加四模型 tournament 加人類 curation，curated skills 把 agent pass rate 拉高 16.2 個百分點。 ∙ Pete Koomen 的 horseless carriages：多數 AI app 把 AI 黏在舊軟體模式上，正解是讓使用者自己寫 system prompt，工具該是 agent builder 不是 agent。 ∙ 副作用比成品還貴：每一次「我不會這樣講」「用短的字」都在逼你把「自己怎麼想」說清楚，這才是 meta-prompting 真正值錢的地方。 📚 參考資料 Metaprompting is a skill everyone who uses AI needs to master in 2026 (Garry Tan) → https://garryslist.org/posts/metaprompting-is-a-skill-everyone-who-uses-ai-needs-to-master-in-2026 Prompt Engineering vs Blind Prompting (Mitchell Hashimoto) → https://mitchellh.com/writing/prompt-engineering-vs-blind-prompting Horseless Carriages (Pete Koomen) → https://koomen.dev/essays/horseless-carriages Meta-Prompting (Zhang et al., 2023) → https://arxiv.org/abs/2311.11482 PromptBridge: Model Drifting (2025) → https://arxiv.org/abs/2512.01420 Meta-prompting and LLM self-optimization (IntuitionLabs) → https://intuitionlabs.ai/articles/meta-prompting-llm-self-optimization

業界把 AI 主導實作包裝成「往上抽象一層」，但模糊不等於抽象。Anthropic 自家研究都承認的悖論：監督 AI 需要的判斷力正好會被 AI 萎縮。本文拆解陷阱與替代姿勢。 ⭐ 文章深度讀：拆完監督悖論再給你可行替代姿勢 → https://heymaibao.com/agentic-coding-is-a-trap/ ⚡ 章節重點 開場與五大重點預告 00:00 代理寫程式的陷阱 01:24 致命的監督悖論 02:01 模糊不等於抽象 03:32 Coding 就是思考 04:47 答案是降級 AI 06:07 📝 懶人包 ∙ Anthropic 自家研究承認「監督悖論」: 用 Claude 寫 code 需要的判斷力，正好會因為 AI 過度使用而萎縮，debug 能力下降 47%。 ∙ 業界辯護說 AI 是「往上抽象一層」，但模糊性的提升不等於抽象層的提升。模糊性增加，不是控制粒度上升。 ∙ Coding 不只是輸出 code，更是想清楚的過程本身。OpenCode 創辦人 Dax 講白了，他打字寫 code 的過程，就是他想清楚到底要做什麼的過程。 ∙ 答案不是反 AI，是降級 AI: 把 LLM 當「Ship's Computer」(聽你查、聽你問的工具)，不要當「Data」(自主決策的 agent)。 📚 參考資料 Agentic Coding is a Trap, Lars Faye → https://larsfaye.com/articles/agentic-coding-is-a-trap How AI is Transforming Work at Anthropic → https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic AI Assistance Coding Skills (47% debug 能力下降數字) → https://www.anthropic.com/research/AI-assistance-coding-skills Cognitive Debt, Simon Willison → https://simonwillison.net/2026/Feb/15/cognitive-debt/ Leaders Worry About Skill Atrophy Due to AI Adoption (Sandor Nyako 採訪) → https://www.businessinsider.com/leaders-worry-about-skill-atrophy-due-to-ai-adoption-2025-10 Dax 訪談 (OpenCode 創辦人談 Spec-Driven Development) → https://youtu.be/IGsbARhERqc?t=501 Primeagen 評論 → https://www.youtube.com/watch?v=_vB0PDzaa7I&t=3299s Your Brain on ChatGPT → https://www.media.mit.edu/publications/your-brain-on-chatgpt/ Microsoft Study on AI and Human Cognition → https://www.404media.co/microsoft-study-finds-ai-makes-human-cognition-atrophied-and-unprepared-3/ Jeremy Howard, fast.ai → https://www.fast.ai/about.html

Every 觀察：AI 工作正在分裂成兩堆，一邊是交給 agent 自己跑的事，一邊是要坐在模型旁邊一起做的事。新的關鍵能力是分得出哪一堆。內附 Dan Shipper 的 inbox SOP。 ⭐ 文章深度讀：看 Dan Shipper 怎麼用一頁規則 doc 把 inbox 交給 agent 還能可審核可回退 → https://heymaibao.com/ai-work-delegate-or-pair/ ⚡ 章節重點 AI 工作版圖正在分裂 00:00 迷思：分配任務只對了一半 01:22 新典範：分得出該交還是該陪 02:11 Dan 的 inbox SOP 實戰 03:14 市場訊號與 Musk 五步算法 04:40 三個今天就能做的事 06:53 📝 懶人包 ∙ AI 工作正在分裂成兩種姿態：交給 agent 自己跑 (delegate)，或坐在模型旁邊一起做 (stay close)。新的 meta-skill 是知道每件事屬於哪一邊。 ∙ Every 自己之前提的 allocation economy 論點，這次直接被作者修正：那只說對了一半。 ∙ 個人尺度的代表，是 Every CEO Dan Shipper 用 Codex + Cora + 一頁規則 doc 處理 inbox 的 SOP。企業尺度的代表，是 Airtable 開的 AI Agent Architect 職缺，以及 OpenAI 與 Anthropic 同一個月相繼推出的企業 service。 ∙ 我的觀點：模型分數已經不再是這一波的勝負點。現在最稀缺的不是會用 AI 的人，是分得出兩種姿態、而且寫得出規則手冊的人。 📚 參考資料 The Dawn of Codex-Native Apps (Katie Parrott / Every) → https://every.to/context-window/the-dawn-of-codex-native-apps AI Agent Architect, Customer Experience (Airtable) → https://job-boards.greenhouse.io/airtable/jobs/8409168002 OpenAI Frontier Alliance → https://openai.com/index/frontier-alliance-partners/ Anthropic enterprise services → https://www.anthropic.com/news/enterprise-ai-services-company Elon Musk's Algorithm: A 5-Step Process → https://www.inc.com/jeff-haden/elon-musks-algorithm-a-5-step-process-to-dramatically-improve-nearly-everything-is-both-simple-brilliant.html

Addy Osmani 把產業共識整合成 harness engineering：agent = model + harness。模型只是輸入，prompt、tools、context、hooks、sandbox、subagent 才是工程戰場。本文中文重建他的 Ratchet 紀律與七個工程支柱。 ⭐ 文章深度讀：把這篇變成你下週的工程改造清單 → https://heymaibao.com/harness-engineering/ ⚡ 章節重點 開場：Agent = Model + Harness 00:00 Harness 是什麼？ 01:11 拒絕「等下個版本」的工程逃避 02:05 The Ratchet：把每次失敗變成永久規則 03:25 Harness 的七個工程支柱 05:26 HaaS 趨勢與三個可帶走判斷 08:24 📝 懶人包 ∙ Agent = Model + Harness。raw model 不是 agent，外殼裡的 prompt、tools、context、hooks、sandbox、subagent 才是真正的工程戰場。 ∙ The Ratchet 紀律：每次 agent 失敗都當成永久訊號，當天就把它變成 AGENTS.md 規則或 hook，不是寫進今天的 todo。 ∙ Harness 的七個工程支柱：filesystem + git、bash + code、sandbox、memory + search、context rot 三招、long-horizon 三柱、hooks。 ∙ 產業在從 LLM API 走向 Harness API。模型在分歧，harness pattern 在收斂。 📚 參考資料 Addy Osmani: Agent Harness Engineering → https://x.com/addyosmani/status/2053231239721885918 Building Claude Code with Harness Engineering (Fareed Khan) → https://levelup.gitconnected.com/building-claude-code-with-harness-engineering-d2e8c0da85f0 Flue harness framework (FredKSchott) → https://x.com/FredKSchott/status/2050274923852210397

把 Obsidian 從整齊的檔案櫃改造成每天回話的思考夥伴。整理 @cyrilXBT 的 vault 設計：四層架構、CLAUDE.md 模板、daily brief 與 weekly prompt，今晚先放 5 個筆記。 ⭐ 文章深度讀：看完整 CLAUDE.md 模板加 daily / weekly prompt 怎麼自然接上 vault → https://heymaibao.com/obsidian-claude-vault-feedback-loop/ ⚡ 章節重點 整齊的遺忘機器：vault 出了什麼錯 00:00 三個讓筆記系統死掉的失敗模式 01:50 四層架構與五個資料夾的設計骨架 02:49 CLAUDE.md：整套系統最重要的一份檔 04:33 每日早報加每週綜合：vault 怎麼主動回話 06:04 今晚先放 5 個筆記就能跑 07:24 📝 懶人包 ∙ 第二大腦失敗的真正原因不是收太少，是 vault 沒有主動回話的 feedback loop ∙ 四層架構加五個資料夾加 CLAUDE.md 加 daily brief 加 weekly synthesis，是把 vault 變成思考夥伴的最小骨架 ∙ CLAUDE.md 是整套系統的單一最重要檔，每週一花 5 分鐘維護是真正的單點故障 ∙ 起手式不是先架完整套，今晚先把 5 個筆記丟進去，讓 Claude 找連結 📚 參考資料 How to Build an Obsidian Knowledge Vault That Gets Smarter Every Day Without You Doing Anything (@cyrilXBT, 2026-05-07) → https://x.com/cyrilxbt/status/2052235121416188114

Claude Code 工作流的文件選 md 或 html，別再選邊。@the_smart_ape 提了三個問題：受眾、生命週期、時間視野。再做 30 秒可逆性測試，多數文件其實想當 markdown。 ⭐ 文章深度讀：完整拆解了 Claude Code 工作流的格式決策框架 → https://heymaibao.com/smart-ape-md-html-format-framework/ ⚡ 章節重點 別再吵 md 還是 html，問三個問題就好 00:00 三個問題的決策框架 00:51 第 1 題 受眾：Claude 才是真正的讀者 01:35 第 2 題 編幾次：標籤飄移的隱性腐爛 03:33 第 3 題 活多久：grep 與 3 年存活測試 05:36 真正的 wedge：一份 md，多種 html 視圖 06:13 30 秒可逆性測試與三個合理例外 06:48 📝 懶人包 ∙ md vs html 是錯題目。對的問題是 audience (誰來讀)、lifecycle (要編幾次)、horizon (活多久)。三個問題的答案如果一致，格式自動勝出；如果分裂，就走 hybrid。 ∙ Claude 會反覆讀回自己寫的文件。html 在 token 成本 (約 3 倍)、retrieval 切 chunk (相關性下降 15-25%)、編輯 diff (5 行對 40-100 行) 三個維度同時懲罰你，這些都是 @the_smart_ape 自己測出來的數字。 ∙ 真正帶得走的招式是 hybrid：一份 md 當 source of truth，按受眾用 10 行 script 生成多個 html view。md 留長壽性，html 做呈現工作，source of truth 永遠是文字。 ∙ 我的觀點：多數 Claude Code 工作流的文件其實想當 markdown，html 反而是少數例外。下次想用 html 之前，先做 30 秒可逆性測試，能擋掉 90% 的格式誤判。 📚 參考資料 md or html? — @the_smart_ape on X → https://x.com/the_smart_ape/status/2053034897514660074

HeyGen 在 2026 年 4 月開源 HyperFrames：在 HTML 加幾個 data 屬性，AI agent 就能寫 HTML 直接渲染成 MP4。這篇拆解 HyperFrames 為什麼選 HTML、怎麼運作，以及怎麼用一行指令把 Claude Code 變成影片剪接師。 ⭐ 文章深度讀：把 HyperFrames 落地到自己的 Claude Code 上，從 30 秒到 2 分鐘的 motion graphics 開始驗證 → https://heymaibao.com/hyperframes-agentic-video-html/ ⚡ 章節重點 HyperFrames 是什麼 00:00 一行指令把 Claude Code 變影片剪輯師 00:50 為什麼是 HTML 不是 After Effects 01:30 HyperFrames 怎麼運作 02:36 起源故事與模型能力下限 04:05 影片創作的典範轉移 05:26 📝 懶人包 ∙ HyperFrames 是 HeyGen 開源的 HTML 影片框架：在標準 HTML 加幾個 `data-` 屬性，agent 寫 HTML / CSS / JS 就能渲染成 MP4、MOV 或 WebM ∙ HeyGen 賭的是 LLM 訓練資料中網頁素材的數量級優勢，不是再發明一套 JSON DSL，這也是它選 HTML 而不是學 After Effects 的核心理由 ∙ 開源條件無門檻：Apache 2.0、本機渲染、any agent、any LLM、zero API keys ∙ 我的觀察：agent 自由表面，但 HeyGen 自己也是等到 Gemini 3 與 Opus 4.5 預覽後才看到品質躍遷，模型下限決定 agent 能做出什麼 📚 參考資料 Agentic Video is HTML: Open Sourcing HyperFrames → https://x.com/liu8in/status/2044827628700684463

X 上 Codex 重度使用者 cjzafir 分享 4 個 hard rule，把長 session 的 context 從 narration、執行 trace 與 workspace 雜檔搶回來，他自己估算可省 40% context。 ⭐ 文章深度讀：長 session 變慢不是模型問題，是 context 被你自己灌爆，這集帶你看 4 個 hard rule 怎麼按兩條軸把 context 救回來 → https://heymaibao.com/codex-long-session-4-hard-rules/ ⚡ 章節重點 為什麼長 session 越跑越笨 00:00 三大元兇 narration 執行 trace workspace 雜檔 01:30 軸 A 關掉 narration 把執行交給 sub agent 02:55 軸 B 先寫 task list 保持 codebase 乾淨 04:47 進階節奏 雙模型搭配 07:18 短任務該不該套這 4 條 08:50 📝 懶人包 ∙ 長 session 變笨的根因不是模型，是 context 被你自己灌爆，所以要主動治理 ∙ 軸 A 降低 main agent 自己的 output：關掉 process narration、把執行交給 sub agent ∙ 軸 B 降低 workspace 對 context 的反向污染：先寫 task list 再動、保持 codebase 乾淨 ∙ 進階搭配是雙模型節奏 (extra high 推理計畫 + high + fast mode 執行)，短任務不必套全部 4 條 📚 參考資料 cjzafir 原 X 貼文 → https://x.com/cjzafir/status/2052801300627435996?s=46

Daniel Miessler 自稱 total AI maximalist，卻拒絕用 HTML 取代 Markdown 當主檔。本文整理他對 Thariq HTML 提案的回應，把「思考紅線」與 document pairing 解法落地給台灣 AI 工具使用者。 ⭐ 文章深度讀：自稱 total AI maximalist 的 Daniel Miessler 為什麼仍把寫作設為紅線？這篇整理他對 Thariq HTML 提案的回應、document pairing 的分層解法，給台灣 AI 工具使用者一份可操作的判斷框架 → https://heymaibao.com/miessler-text-is-thought-markdown/ ⚡ 章節重點 為什麼這條紅線值得在意 00:00 自稱 AI maximalist，卻畫一條線 01:31 Thariq 提案：用 HTML 取代 Markdown 02:22 強壯機器人替你健身的意象 04:27 document pairing：可操作的分層解法 05:47 你的紅線該畫在哪 07:50 📝 懶人包 ∙ Daniel Miessler 自稱 total AI maximalist，仍把「文字創作那一步」設為紅線 ∙ 對話的另一端是 Anthropic 的 Thariq Shihipar，主張把 spec 主檔從 Markdown 換成 HTML，因為 HTML 好讀好分享 ∙ Miessler 同意問題真實存在，但拒絕解法，用可讀性換可編輯性等於把人類推離創作流程 ∙ 對個人 AI 使用者要記住的是「人 → 文字 → 思考」這條 the highest-order bit，這條不外包 📚 參考資料 Daniel Miessler X 原文：Text is Thought, and Thought is Holy → https://x.com/danielmiessler/status/2053157960717836318 Daniel Miessler 部落格版：Why I think Markdown is a better spec format than HTML → https://danielmiessler.com/blog/text-is-thought-holy Thariq Shihipar 的 HTML-effectiveness 論述 → https://x.com/trq212/status/2052809885763747935 Thariq 的 HTML 範例 repo → https://thariqs.github.io/html-effectiveness/

企業 AI 觀察者 @matt_slotnick 解讀 2026-05 第一週 Anthropic 1.5B、OpenAI 10B 同週自建 FDE 合資公司，並串起 Anthropic 金融垂直化、SAP 鎖門 vs Salesforce 開放、xAI 算力交易與 Baseten Gateway 的下半場戰場 ⭐ 文章深度讀：拿到完整的 1.5B、10B 同週新聞時間線、Anthropic 金融垂直化人事配套，以及 SAP vs Salesforce 兩極策略的細節對照 → https://heymaibao.com/anthropic-openai-fde-vertical-shift/ ⚡ 章節重點 為什麼企業 AI 開始疲乏 00:00 模型公司下沉，FDE 軍團上場 01:29 Anthropic 走垂直，金融成為主戰場 02:51 SAP 鎖門 vs Salesforce 開放 04:04 Apigee 迴圈與 Baseten Frontier Gateway 05:28 組織生產力才是真正戰場 07:25 📝 懶人包 ∙ Anthropic 與 OpenAI 同一週各自宣佈百億級 FDE 合資公司 (Anthropic 15 億美元搭 Blackstone、Goldman、H&F；OpenAI 100 億美元的 The Deployment Company 搭 TPG)，模型公司不再相信只賣 API 能贏。 ∙ Anthropic 走垂直，金融已經是它第二大企業營收來源。一週內宣佈 10 個金融專用 agent、從 Goldman 挖 MD、與 FIS 合作。前 50 大客戶有 40% 是金融機構。 ∙ SOR 平台對 agent 走兩極：SAP、HubSpot、Workday、ServiceNow 鎖門 (據傳對準 OpenClaw)；Salesforce Headless 360 反向走開放。長期 Slotnick 押開放派，但他承認 agent 的 permission model 還沒就位。 ∙ Picks-and-shovels (賣鏟人) 仍然是這個市場最好賺的層。xAI 把 Colossus 算力賣給 Anthropic、Baseten Frontier Gateway 把 Apigee 那套 API Management 又重做一次。應用層仍以 coding agent 為主，遠遠沒成熟。 📚 參考資料 @matt_slotnick on X — The FDEs are coming; Anthropic goes vertical → https://x.com/matt_slotnick/status/2052812474949460183

Y Combinator CEO Garry Tan 凌晨兩點還在寫 code，因為他在養會複利的個人 AI。本文整理他主張的 fat skills、fat code、thin harness 架構，帶你看 book-mirror、100,000 頁 brain 與 skillify，搞懂個人 AI 不是 chatbot 是作業系統。 ⭐ 文章深度讀：Garry Tan 公開的 fat skills、fat code、thin harness 個人 AI 架構怎麼落地？這篇整理 book-mirror 三次迭代、100,000 頁 brain 與 skillify，台灣讀者也能照著開始 → https://heymaibao.com/garrytan-fat-skills-personal-ai/ ⚡ 章節重點 為什麼 YC CEO 凌晨還在寫 code 00:00 個人 AI 是作業系統，不是 chatbot 01:20 book-mirror：從爛到好的三次迭代 03:00 Fat skills、fat code、thin harness 架構 04:50 100,000 頁 brain 與 entity propagation 06:20 怎麼開始：先做一件事再 skillify 07:50 📝 懶人包 ∙ 個人 AI 不是 chatbot，是會複利的作業系統。chatbot 用完即丟，OS 會記住你做過什麼 ∙ 三件事撐起來：fat skills (厚 skill 庫)、fat code (厚資料管道)、thin harness (薄路由) ∙ skill 比 prompt 划算：skill 會被測試、會組合、會持續被修正，每改一處所有用它的工作流自動變好 ∙ 起步法：別先設計 skill 架構，先做一件你在乎的事，再用 skillify 把它萃取成 skill 📚 參考資料 原文 X post：Meta-Meta-Prompting: The Secret to Making AI Agents Work → https://x.com/garrytan/status/2053127519872614419 GBrain → https://github.com/garrytan/gbrain GStack → https://github.com/garrytan/gstack OpenClaw → https://openclaw.ai/ Hermes Agent → https://hermes-agent.nousresearch.com/

Anthropic 公開：Claude Opus 4 勒索率曾高達 96%。改用『教為什麼』的對齊訓練後，Haiku 4.5 起拿滿分，OOD 資料效率高 28 倍。這個方法對寫 system prompt 也適用。 ⭐ 文章深度讀：想知道怎麼把「教為什麼」搬進你自己的 system prompt？深度版有完整拆解 → https://heymaibao.com/anthropic-teaching-claude-why/ ⚡ 章節重點 開場：96% 勒索率自爆 00:00 第一部分：問題到底從哪來 01:48 第二部分：教做什麼 vs 教為什麼 02:41 第三部分：OOD 資料與憲章訓練 03:36 第四部分：寫 prompt 的實際啟示 05:46 📝 懶人包 ∙ Anthropic 認為 agentic 場景下的對齊失敗主要來自 pretrain，不是 post-training reward 設計失誤，所以介入點要放在「對齊資料」端。 ∙ 訓練「行為示範」(模型示範對的行為) 只能把 misalignment 從 22% 壓到 15%，加上「行為理由」(讓模型講出為什麼這樣做才對) 直接壓到 3%。 ∙ 用跟評測無關的 OOD 資料 (out-of-distribution，跟訓練資料分布差距大；Anthropic 用的是「difficult advice」資料集：使用者面對倫理困境，AI 給建議) 訓練，3M tokens 就達到同樣對齊效果，效率提升 28 倍。 ∙ 我的判斷：給 LLM 寫 system prompt 也是同理，給原則勝過給規則清單。 📚 參考資料 Anthropic, Teaching Claude why → https://www.anthropic.com/research/teaching-claude-why Anthropic, Agentic misalignment → https://www.anthropic.com/research/agentic-misalignment Anthropic, Automated alignment assessment 報告 PDF → https://www-cdn.anthropic.com/bf10f64990cfda0ba858290be7b8cc6317685f47.pdf

Claude Code 團隊成員 @trq212 解釋為什麼他們把 agent 輸出格式從 Markdown 換成 HTML，包含 Markdown 為何在 agent 時代失靈、HTML 補回的四件事、五種用例與一條反建議 ⭐ 文章深度讀：拿到完整的五種 HTML 用例範本與一條給中文圈的反建議 → https://heymaibao.com/claude-code-html-effectiveness/ ⚡ 章節重點 為什麼你不再讀 AI 寫的 Markdown 00:00 Markdown 失靈的真正原因 01:26 HTML 補回的四件事 02:34 秘密引擎：context ingestion 04:07 五個能直接套用的用例 05:11 權衡與反建議 06:51 跟得上 agent 的創作 08:01 📝 懶人包 ∙ Markdown 在 agent 時代失靈的真正原因不是格式變差，是「人不再讀 agent 寫的東西」。過去 Markdown 的優勢是易讀易改，現在使用者也都請 agent 改，這條優勢已經蒸發。 ∙ HTML 補回的是資訊密度加視覺可讀加易分享加雙向互動。表格、SVG、CSS、JS、可拖拉的編輯介面，幾乎沒有什麼資料 HTML 不能高效表達。 ∙ Claude Code 的差異化是 context ingestion (能吃 file system、MCP、瀏覽器、git history)，不是 HTML 生成能力本身。這條決定它做出來的 HTML 是基於真實素材，不是空殼。 ∙ 我的觀察：別急著把這件事做成 `/html` skill，直接用一句「幫我做一個 HTML 檔」就好，真正的價值是讓你重新「跟得上 agent 的創作」。 📚 參考資料 Using Claude Code: The Unreasonable Effectiveness of HTML → https://x.com/trq212/status/2052809885763747935

Claude Managed Agents memory 把 agent 記憶做成基礎設施。但企業 AI 要全員採用，真正缺的是 semantics、ontology 與 lens 這一層視角，不是再多一個 assistant。 ⭐ 文章深度讀：看懂 Claude Memory 為什麼是真進展，又為什麼企業 AI 還缺一層 lens → https://heymaibao.com/claude-agent-memory-enterprise-ai-lens/ ⚡ 章節重點 開場與五部分大綱 00:00 Claude 把 Agent 記憶做成基礎設施 01:08 有地方記東西不等於懂得 02:30 賦予意義的視角層 04:48 主動推送：AI 把脈絡帶到你面前 06:09 18 個月後該追蹤的指標 08:01 📝 懶人包 ∙ Anthropic 把 Claude agent 記憶做成可掛載、有版控的基礎設施，但「能記得」不等於「懂得」。 ∙ 語意告訴系統「這是什麼」，本體論告訴系統「從某個角度看為什麼重要」。一塊石頭、一封 supplier 延遲信，視角不同就變成完全不同的事。 ∙ 個人記憶因為身份流動而難解，組織記憶因為角色 (銷售、財務、法務、客服) 而相對可解。 ∙ 真路徑是「底層 + 視角」兩層架構，不是再多一個助理。18 個月後值得追蹤的指標不是 AI 用量，而是「決定能不能變成行動」。 📚 參考資料 @ashwingop, "Claude Made Agent Memory Real. But Semantics and Ontology Are Still Missing" → https://x.com/ashwingop/status/2052407955086254262?s=46 New in Claude: Managed Agents → https://claude.com/blog/new-in-claude-managed-agents Claude Managed Agents Memory → https://claude.com/blog/claude-managed-agents-memory Memory in Managed Agents → https://platform.claude.com/docs/en/managed-agents/memory Sentra → https://www.sentra.app/

Codex Chrome 擴充功能上線，三個你該先搞懂的設計選擇

Codex /goal 拆完才發現，真正讓長時間 AI agent 跑得久的不是 loop，而是 Jarrod Watts 這 3 件事：把模糊砍乾淨、放子代理 review、用檔案撐跨 context 記憶。 ⭐ 文章深度讀：想看完整文字版拆解、把這 3 件事直接套到自己的 agent workflow → https://heymaibao.com/codex-goal-long-running-agent-3-essentials/ ⚡ 章節重點 為什麼長 AI agent 跑著跑著就走鐘 00:00 拆解 Codex /goal 真正在做什麼 01:14 ralph loop 的極限 01:58 心法 1 把模糊砍乾淨 03:31 心法 2 放子代理 review 04:25 心法 3 用檔案撐跨 context 記憶 05:55 收斂：縮短你 agent 的決策半徑 06:48 📝 懶人包 ∙ Codex /goal 在底層用 thread_goals SQLite 表 + get_goal / update_goal 工具 + 一段固定的 ralph loop prompt，本質是把同一個 prompt 反覆跑，只是多了 token budget 與 completion audit。 ∙ Jarrod Watts 認為長時間 agent 真正要補的是 3 件事：把模糊砍乾淨、放子代理 review、用檔案撐跨 context 記憶。 ∙ 「燒更多 token 就更強」是 long-running agent 的底層假設：他引述 Sonnet 4.6 在 BrowseComp benchmark 上多花約 10 倍 token，分數高約 10 個百分點。但純把 ralph loop 拉長，在任務脈絡超過 context window 時還是會崩。 ∙ Jarrod 把整套作法包成 long-running-agent-skill，可以直接讀來改自己的 workflow。 📚 參考資料 Jarrod Watts on long-running agents → https://x.com/jarrodwatts/status/2052372045829382430 long-running-agent-skill → https://github.com/jarrodwatts/long-running-agent-skill/tree/main claude-delegator → https://github.com/jarrodwatts/claude-delegator/ Matt Pocock 的 grill-me skill 介紹 → https://www.aihero.dev/my-grill-me-skill-has-gone-viral

同一家公司給的 web search，在官方 Web App 上像神器，到 CLI 工具裡只剩 raw 結果。差距不是模型，是被拆掉的三條產品鏈：query 改寫、多 agent 蒸餾、citation 對齊。 ⭐ 文章深度讀：拆完產品鏈，下次挑搜尋工具會準十倍 → https://heymaibao.com/official-webapp-search-vs-cli/ ⚡ 章節重點 開場：模型一樣，搜尋差很大？ 00:00 第一條產品鏈：query 改寫 02:44 第二條產品鏈：多 agent 蒸餾 04:07 第三條產品鏈：citation 對齊 06:23 產品還是零件？CLI 還有它的位置 07:52 📝 懶人包 ∙ ChatGPT 官方 Web App 的「搜尋」其實是 query 改寫、Memory、IP 位置、多搜尋夥伴、inline citation 整套產品鏈，不是一個 search call。 ∙ Anthropic 公開數字撐起工程量級差距：multi-agent 比 single-agent 提升 90.2%，token 用量單獨解釋 80% 表現變異，multi-agent 比聊天多用 15× token。 ∙ OpenAI API 文件白紙黑字寫「inline citation 必須在你的 UI 裡可點擊」，CLI / 自製 app 拿到的是零件清單，組裝責任在開發者。 ∙ 選工具的問句不是「誰更聰明」，是「我這個任務需要的是產品還是零件」。 📚 參考資料 ChatGPT search 官方說明 (OpenAI Help Center) → https://help.openai.com/en/articles/9237897-chatgpt-search How we built our multi-agent research system (Anthropic Engineering) → https://www.anthropic.com/engineering/multi-agent-research-system Web search tool 官方文件 (OpenAI Developers) → https://developers.openai.com/api/docs/guides/tools-web-search

vibe coding 與 agentic engineering 在 Simon Willison 身上模糊了。他連 production code 都不再逐行 review，本文整理他的不安、guilt 與三條軟體可信度準則。 ⭐ 文章深度讀：完整原文與三條讀者帶得走的軟體可信度準則都在這篇 → https://heymaibao.com/simon-willison-stops-reviewing-production-code/ ⚡ 章節重點 開場：AI 鐵律被打破了 00:00 Simon 自承：兩條線開始模糊 00:47 罪惡感是專業底線 03:37 信任搬移的隱形代價 05:25 SDLC 上下游全在搬位置 07:15 三條新的可信度準則 08:29 📝 懶人包 ∙ Simon Willison 自承：在常見任務上，他連 production code 也已經不再逐行 review Claude Code 寫的東西。他用 disturbing、upsetting、guilt 這些字描述這個轉變。 ∙ 他把 agent 當成隔壁團隊交付的 service 在用：看文件、用、出問題才挖。但他承認 Claude Code 沒有 professional reputation，這個 gap 沒有解，只能靠「它一直做對」當代替品。 ∙ 他指出評估軟體的標準變了：commits、README、自動測試 30 分鐘可以合成，連他自己的項目都看不出來。退路是「有沒有人真的用過」，個人版用兩週、企業版兩家大公司用過六個月。 ∙ (諾特斯判斷) 這個重疊不是普世現象，是「資深工程師 + 高可靠 agent」這個特定組合下的個案。把 Simon 的 guilt 留著，比急著磨掉它安全很多。 📚 參考資料 Vibe coding and agentic engineering are starting to overlap → https://simonwillison.net/2026/May/6/vibe-coding-and-agentic-engineering/ Ep. #9, The AI Coding Paradigm Shift with Simon Willison → https://www.heavybit.com/library/podcasts/high-leverage/ep-9-the-ai-coding-paradigm-shift-with-simon-willison Not all AI-assisted programming is vibe coding (but vibe coding rocks) → https://simonwillison.net/2025/Mar/19/vibe-coding/ What is agentic engineering? → https://simonwillison.net/guides/agentic-engineering-patterns/what-is-agentic-engineering/

Google design.md 把整個 AI 設計團隊裝進一個 Markdown 檔。本文拆 design.md 跟 agents.md 分工、食譜成品食材三層、迭代與改作 90 / 10、品味護城河。 ⭐ 文章深度讀：design.md 跟 agents.md 該怎麼分工，文章拆出三層工作流，讓你下次調整專案目錄結構就有依據。 → https://heymaibao.com/google-design-md-design-team-in-a-file/ ⚡ 章節重點 為什麼 AI 第二頁就走樣 00:00 食譜成品食材：三層分工 02:12 為什麼 design.md 要從 agents.md 拆出來 03:18 迭代與改作 90 / 10 04:25 品味才是真正的護城河 05:25 你今天就能建的設計第二大腦 06:55 📝 懶人包 ∙ design.md 不解第一頁，解的是第二頁開始就走樣的設計漂移。 ∙ 食譜 (design.md) 加成品 (HTML 樣品) 加食材 (skill 提示語) 是這套工作流的最小單元。 ∙ design.md 鎖在專案層、skill 鎖在工作流層、agents.md 留給通用人格。 ∙ 90% 時間做迭代收斂、10% 時間做改作擴散，真正的護城河是品味，不是檔案本身。 📚 參考資料 Greg Eisenberg 與設計師 Mang 對談 design.md 工作流 (YouTube) → https://www.youtube.com/watch?v=oLu32YpiIJw

Anthropic 簽下 SpaceX 的 Colossus 1 算力，因為今年成長 80x、遠超 10x 規劃。三角缺口框架解讀為什麼敵人會變盟友，以及 Claude Code 與 API 用戶的實際變化。 ⭐ 文章深度讀：用三角缺口框架看懂這次合作的真實邏輯 → https://heymaibao.com/anthropic-spacex-compute-deal/ ⚡ 章節重點 為什麼算力危機把敵人逼成盟友 00:00 荒謬的算力交易 00:50 80 倍成長的失算成本 01:36 AI 產業三角缺口框架 03:38 模型背後的資料金礦 04:30 對 Claude Code 用戶的實際影響 06:06 📝 懶人包 ∙ Anthropic 今年實際成長 80x，遠超原本規劃的 10x，這就是 Claude 限額一直被調整的真正原因 ∙ xAI 的 Colossus 1 大量閒置 (因為 Grok 沒人用)，把約 300MW 的算力租給 Anthropic 變成雙方都解套的選擇 ∙ 對 Claude Code 用戶：5 小時限額翻倍、尖峰時段降速取消是真利多，但 weekly 限額沒動，重度全天用戶不會變輕鬆 ∙ 主筆判斷：這次合作的真正黏著劑不是錢，是 Anthropic 跟 xAI 共同對 OpenAI 的擔憂 📚 參考資料 Theo (@t3dotgg) "Anthropic just…wait what" → https://www.youtube.com/watch?v=3pkz-Ie_k_c

拆解 GBrain query skill 的 5 條規矩：grounded only、source precedence、gap flag、chunk-first、graph 走結構。看 YC 總裁 Garry Tan 怎麼把 query 寫成可機械驗收的契約，而不是又一個 RAG prompt 模板。 ⭐ 文章深度讀：把 5 條規矩搬到自己的 agent skill 系統 → https://heymaibao.com/gbrain-query-skill-deconstruction/ 📝 懶人包 ∙ query skill 是契約不是 prompt template ， 不可退讓判斷、anti-patterns、輸出格式、工具索引全部寫死，LLM 讀完照做。 ∙ 5 條規矩：grounded only、source precedence、gap flag、chunk-first、graph 走結構。 ∙ Graph 層 + extract 品質讓 GBrain 在 BrainBench 拿 P@5 49.1% 、 R@5 97.9%，比 graph-disabled 高 31.4 點 P@5。 ∙ 可帶走的 builder 原則：skill 是契約不是 prompt、anti-patterns 比正向 do 更能定義邊界、retrieval 分職責不互相吃。

OpenAI 公開 MRC (Multipath Reliable Connection) 網路協定，並透過 Open Compute Project 開源。這套協定已部署在最大規模的 GB200 超級電腦上，讓 13 萬 GPU 進行同步訓練時，鏈路或交換機故障也能在微秒級繞行不停拍。本文整理 MRC 的三個設計選擇與實戰證據，看懂 Stargate 級訓練背後的網路打法。 ⭐ 文章深度讀：想看 MRC 三個設計的完整拆解，到部落格深入讀 → https://heymaibao.com/openai-mrc-supercomputer-networking/ ⚡ 章節重點 13 萬顆 GPU 同步訓練的災難放大器 00:00 MRC 三個反直覺的設計 02:27 壞了不停機的實戰證據 06:46 為什麼整個業界都要重做網路 07:50 📝 懶人包 ∙ MRC 是 OpenAI 公開的網路協定，重點不是「更快」，是壞掉也不停機。 ∙ 三招：把一條 800Gb/s 拆成 8 條平面、把封包灑在數百條路上、用 SRv6 把 switch 做笨。 ∙ 已部署在 OpenAI 所有最大 GB200 超級電腦，規格交給 OCP，業界都會跟。 ∙ 大規模 AI 的下一個瓶頸是「算力之間的可預測性」，不是算力本身。 📚 參考資料 Supercomputer networking to accelerate large scale AI training → https://openai.com/index/mrc-supercomputer-networking/ OCP MRC 1.0 PDF → https://www.opencompute.org/documents/ocp-mrc-1-0-pdf Resilient AI Supercomputer Networking using MRC and SRv6 → https://cdn.openai.com/pdf/resilient-ai-supercomputer-networking-using-mrc-and-srv6.pdf

Anthropic 即日把 Claude Code 五小時上限加倍，並放寬 Opus API rate limit。背後是與 SpaceX 簽下 Colossus 1 整座算力，本月內就會接上超過 22 萬顆 NVIDIA GPU。 ⭐ 文章深度讀：訂閱者今天起額度翻倍，背後是 SpaceX Colossus 1 整座算力 → https://heymaibao.com/claude-code-limits-spacex-colossus/ ⚡ 章節重點 緊箍咒解除 00:00 即刻生效的三項放寬 00:58 Colossus 1：22 萬顆 GPU 上線 02:22 多元佈局的算力護城河 03:48 給你的具體行動指南 06:08 📝 懶人包 ∙ Claude Code 五小時 rate limit 加倍，適用 Pro、Max、Team，以及 seat-based Enterprise 方案。 ∙ Pro 和 Max 在 Claude Code 上的 peak hours 上限縮減，這次直接取消。 ∙ Claude Opus 模型的 API rate limit 大幅提高，具體新表格在 Anthropic 的 API rate limit 文件。 ∙ 真正讓上面三項放得開的，是 Anthropic 與 SpaceX 簽下的 Colossus 1 整座算力，超過 22 萬顆 NVIDIA GPU 本月內就會接上，直接灌進 Pro 與 Max 的服務容量。 📚 參考資料 Higher usage limits for Claude and a compute deal with SpaceX → https://www.anthropic.com/news/higher-limits-spacex API rate limits → https://platform.claude.com/docs/en/api/rate-limits

AI 沒真的取代你，但這仍是 AI 裁員。一位工程師在 5/20 自家裁員揭曉前寫：token 燒越多營收沒動，公司只能砍人補現金流。要止住這波裁員，先學會把 token 變成成果。 ⭐ 文章深度讀：想看我怎麼把這個道理翻成個人創作者也能用的版本 → https://heymaibao.com/ai-layoffs-until-we-learn-to-use-ai/ ⚡ 章節重點 不是機器人崛起，是會計題 00:00 8000 人名單上的工程師 00:31 投入、產出、成果三段論 01:43 token 計費的數位毒品 02:26 對齊稅怎麼把產能燒掉 04:06 裁員真正解決的兩件事 04:38 你個人版的 AI 裁員與三步突圍 05:46 📝 懶人包 ∙ 不是 AI 取代你，但這仍是 AI 裁員：沒有人的工號被換成跑在伺服器上的 Claude，但很多原本要找你做的事，現在改成有人對 AI 喊一聲就有了。 ∙ token 變多，產品沒變多：程式碼是「投入」，功能是「產出」，使用者付費才是「成果」。AI 暴增的是投入，沒變的是成果。 ∙ 裁員實際解決兩件事：補回 AI token 支出的現金流、切掉大組織的「對齊稅」。 ∙ 我的觀察：這個邏輯不只在大公司成立。如果你是用 AI 工作的個人創作者，一天 100 條 prompt 沒換成任何發佈，那就是個人版的 AI 裁員，只是還沒有人寫信通知你。 📚 參考資料 The layoffs will continue till we learn to use AI → https://x.com/championswimmer/status/2051807284691612099?s=46

Andrew Wilkinson 在 podcast 拆解他怎麼用 Claude Code 寫 SaaS、OpenClaw 跑營運、GBrain 當記憶、Harbor 管多 agent、Hearsay 餵資料、Gemini Voice 做每日 podcast。整套 AI 分工地圖、家族辦公室實戰與一個可直接複製的 prompting 技巧，全都在裡面。 ⭐ 文章深度讀：看完直接套用主講者公開的 prompting 技巧與 6 種 AI 分工配方 → https://heymaibao.com/andrew-wilkinson-ai-stack/ ⚡ 章節重點 開場：忘了筆電還跑完整週的生意 00:00 6 種 AI 各派一段的分工地圖 01:23 營運層：Claude Code + OpenClaw + Harbor 03:29 記憶層：GBrain 與 4 萬美元的 Claude bill 05:07 個人層：Ava、Mara 與早晨 7 分鐘 podcast 06:50 可帶走的招式與沒解的 tension 08:37 📝 懶人包 ∙ **寫 code 與 vibe coding 用 Claude Code**：Deep Personality SaaS、家族辦公室 Addepar 替代品、CFO 第一支自己寫的 app，全部出自這條線。 ∙ **跑 agent workflow 與多 agent 管理用 OpenClaw + Harbor**：寄信、跑 Stripe API、串多步任務、跑 dev / 行銷 / 支援 agent，朋友 Gavin Vicky 寫的 Harbor 套上多面板 GUI。 ∙ **長期記憶與資料餵入用 GBrain + Hearsay + Fireflies + Apple Health JSON**：Gary Tan 做的向量資料庫吃會議記錄、整天 iPhone 錄音、健康資料，給 agent 當完整 context。 ∙ **媒體生成用 Gemini Voice**：把每日 brief 念成 7 分鐘自製 podcast，他每天洗澡時聽。 📚 參考資料 原 podcast：AI Agents run my business and life (YouTube) → https://youtu.be/65IAqRUxg3c?si=aoA7-hkubY1TeRnl Tiny 集團 → https://www.tiny.com Harbor (agent 多面板 GUI) → https://github.com/geekforbrains/harbor Addepar (家族辦公室財務軟體) → https://addepar.com

OpenAI 的 Codex CLI 對 codex 模型用加密 API 跑 context compaction，外部看不到裡面在做什麼。一位 X 用戶用 35 行 Python 把它拆開，發現用的 prompt 跟開源版本幾乎一樣，留下一個沒被回答的問題：加密到底是在保護什麼？ ⭐ 文章深度讀：拆開 Codex 加密路徑後，看 tool results 怎麼成為真正想保護的東西 → https://heymaibao.com/codex-compaction-prompts-nearly-identical/ ⚡ 章節重點 加密黑箱的工程矛盾 00:00 兩條完全不同的 compaction 路徑 01:35 兩段式 prompt injection 怎麼拆開加密 02:15 抽出來的 prompt 跟開源版幾乎一樣 03:20 那加密在保護什麼？真兇是 tool results 04:18 加密邊界不等於信任邊界 06:23 📝 懶人包 ∙ Codex CLI 對非 codex 模型用本地 LLM 跑 context compaction，prompt 全部公開在 GitHub。對 codex 模型則改呼叫加密的 `compact()` API，回傳一段 AES 加密的 blob。 ∙ 該作者用兩段式 prompt injection 把伺服器端的 compaction prompt 跟 handoff prompt 抽出來，跟開源版對照後發現幾乎一樣 (原文用的詞是 `nearly identical`)。他自承每次跑結果略有差異 (`Results vary across runs`)。 ∙ 真正沒被回答的是這個問題：既然 prompt 幾乎一樣，加密到底在保護什麼？作者推測加密 blob 可能還承載 tool results 的特殊處理，但他自己也沒進一步測試 (原文 `I didn't bother to test further`)。 ∙ 我的觀察：加密這層不太像在保護機密，比較像在保護「邊界」。真正可能藏在裡面、值得加密的，是 tool results 怎麼壓縮跟還原這套機制，不是 prompt 本身。 📚 參考資料 Investigating how Codex context compaction works → https://x.com/kangwook_lee/status/2028955292025962534

OpenAI Codex 新增的 /goal 命令真正改的是 AI agent 的停下來條件。看一個跑了 13 小時還在前進的實例，搞懂哪些工作該丟給 /goal、跑出來的 diff 該怎麼接。 ⭐ 文章深度讀：把 /goal 的判斷準則建立起來，下次交複雜任務給 AI 不再燒 token 卻收到要清的 diff → https://heymaibao.com/codex-goal-command/ ⚡ 章節重點 13 小時還在前進的 AI agent 00:00 /goal 改寫的停下來條件 01:41 怎麼啟用 /goal 與命令家族 02:43 哪些任務適合丟給 /goal 03:34 surface 才是 /goal 的真正上限 04:40 為什麼 diff 不該直接 merge 05:47 📝 懶人包 ∙ `/goal` 真正改寫的不是執行長度，是 agent 的「停下來條件」。 ∙ 它在 exploratory unfolding 工作才強，well-defined ticket 不用丟給它。 ∙ exploratory `/goal` 跑出來的 diff 預設不要直接 merge，蒸餾成 PRD 再乾淨重寫一次。 ∙ goal 的有效性等於 surface 的豐富度，logs / metrics / staging cluster 才是真正上限。 📚 參考資料 The Codex Feature That's Going Viral Right Now → https://youtu.be/p88mkfPkOZc?si=TYC55YzaWvBL2H0G

AI LABS 實測 Claude Code 對戰 Codex CLI 九個面向：Codex 在 CLI 日常與 token 成本超車，Claude Code 仍守住規劃深度與生態系。換 daily driver 的判斷在這裡。 ⭐ 文章深度讀：拿到一份「該留 Claude Code 還是換 Codex CLI」的具體判斷清單 → https://heymaibao.com/ai-labs-claude-code-vs-codex-cli-pk/ ⚡ 章節重點 開場：AI LABS 為什麼換掉 daily driver 00:00 燒兩倍 token、花三倍時間的硬派數字 00:38 CLI 日常體驗為什麼被超車 01:43 寫 code 表現：規劃深 vs 跑得快 02:58 底層哲學：context、memory、sub-agent 05:34 你該不該換 daily driver 07:56 📝 懶人包 ∙ AI LABS 觀察：同樣除錯任務，Opus 4.7 燒掉 173,000 個 token，GPT 5.5 只用 82,000，Codex 在同一個 5 小時 window 裡撐得久很多。 ∙ AI LABS 觀察：Claude Code 從 2.1.0 之後 CLI 體驗開始下滑，rendering bug、cache leak 都來了，連 dangerously-skip-permissions 也被收掉換成會跳權限提示的 auto mode。 ∙ AI LABS 觀察：Sub-agent 設計哲學完全相反，Claude 走嚴格隔離，Codex 走完整繼承，在需要連續上下文的 research 任務上，繼承式設計反而贏了。 ∙ 我的判斷：Claude Code 在規劃深度、UI 完成度、生態系上仍然領先，但天天用 CLI 寫 code 的 daily driver 這個位子，確實被換掉了。 📚 參考資料 AI LABS - It's Broken… The Claude Code Vs Codex Debate Is Finally Over → https://youtu.be/8ImlAQOyVTs?si=iVErQz71S6u3og01

Theo 拿到 Microsoft 100 萬美元 Azure 信用額度，卻被 14 個月修不好的推論卡住。一條深夜推文逼出 CVP 親自上線把問題修好。拆給工程師與創業者三個能帶走的判斷。 ⭐ 文章深度讀：看主筆怎麼把 14 個月的 Azure 故事拆成兩條對工程師與創業者都用得上的判斷 → https://heymaibao.com/theo-one-tweet-fixed-azure/ ⚡ 章節重點 百萬美元的賭注 00:00 兩條核心判斷 00:42 免費 credit 變成陷阱 01:27 深夜推文逼出 CVP 02:59 快取從 60% 掉到 0% 04:12 槓桿與防禦性警報 05:15 📝 懶人包 ∙ 14 個月私下追蹤毫無進展，Theo 一條公開 benchmark 推文 2 小時破千讚，Microsoft CVP 親自上線 triage ∙ Azure 上的 OpenAI 推論從比直連慢 10-20 倍，TTFT 偶爾衝到 200 秒，幾天內被修到平均比 OpenAI 直連快 10-20%；隨後又被抓出 cache hit rate 從 60% 掉到 0%，15-20 分鐘 rolling out 再修一次 ∙ Theo 自評：「我大聲抱怨，單槍匹馬把 Azure inference 做快 10-15 倍。」 ∙ 我的觀察：真正起作用的不是聲量，是那 100 萬 credit 加上有受眾。一般客戶按同樣劇本，1000 讚的推文驚動不了 CVP 📚 參考資料 Theo Almost Lost $1 Million → https://youtu.be/EwOu8xtErEc?si=-TRNgDV_PNnAY3v5 azure.t3.gg → https://azure.t3.gg Open Router → https://openrouter.ai

theori 的 AI 代理一小時找出 CVE-2026-31431 (copy fail)，一支 732 bytes 的 Python 就能在 2017 年後的 Linux kernel 上提權到 root，CrowdStrike 已看到在野利用，這篇拆給你聽。 ⭐ 文章深度讀：把 copy fail 拆給三類讀者各自帶走的具體判斷 → https://heymaibao.com/ai-found-linux-copy-fail-cve-2026-31431/ ⚡ 章節重點 事件骨架：copy fail 是什麼 00:00 技術原理：4 bytes 寫進唯讀檔變 root 02:52 不是遠端漏洞，但雲端時代很危險 04:41 AI 把 0day 賞金經濟學重新定價 05:50 人類 prompt 才是真正的火種 07:12 你現在該做的事 08:59 📝 懶人包 ∙ CVE-2026-31431 (copy fail) 由 theori 的 AI 代理 1 小時掃出，PoC 只有 732 bytes Python，CrowdStrike 已看到在野利用，CISA 進 KEV。 ∙ 技術核心是 `AF_ALG` 把 kernel crypto 暴露給 user space，4 bytes 寫進唯讀檔的 page cache (例如 `su`) 就能把本地 user 提權到 root。 ∙ 不能遠端打，但雲端、CI runner、多租戶環境裡的本地 user 立足點，本來就是攻擊鏈的下一跳。 ∙ 真正長期信號是 AI 把灰市 $10k–$7M 的 universal Linux privesc 行情打掉，而解鎖點是人類給的具體 prompt 假說，不是 AI 本身。 📚 參考資料 732 bytes of Python just borked every Linux machine on earth… → https://www.youtube.com/watch?v=lkifbWtxxlk

Anthropic Claude Code 之父 Boris Cherny 在 Sequoia 拆 coding 是否已解、product overhang 怎麼押、Seven Powers 哪些 mode 還活著，給 builder 的 5 個判斷一次整理。 ⭐ 文章深度讀：想看完整 5 個判斷、product overhang 方法論與我自己怎麼搬回工作的拆解，深度讀版整理好了 → https://heymaibao.com/boris-cherny-coding-solved-product-overhang/ ⚡ 章節重點 開場：Boris 那句嗆話，跟 150 PR 紀錄 00:00 Coding is solved 對誰成立 01:54 真正的賭注：替下一個模型造產品 03:13 Seven Powers 與印刷術，看 SaaS 別只看泡沫 04:22 Boris 的個人工作流：手機 + loop 06:27 給 builder 的 5 個可帶走判斷 07:48 📝 懶人包 ∙ Boris 個人 100% 不寫程式碼，但他自己也說 coding is solved 對行業是有條件的，大型 codebase 跟冷門語言還沒到。 ∙ Claude Code 是賭 product overhang 賭出來的。前 6 個月幾乎沒人愛，他自己只用了 10%，指數成長要等到 Opus 4。 ∙ 用 Hamilton Helmer 的 Seven Powers 看 SaaS 比討論「會不會泡沫」實用。AI 弱化某些 mode，不動其他 mode。 ∙ 我的觀點：別等下一個模型才開始做。現在就找你自己的 product overhang，把 /loop 當預設工具。 📚 參考資料 Anthropic's Boris Cherny: Why Coding Is Solved, and What Comes Next → https://youtu.be/SlGRN8jh2RI?si=00dWfjxCWsASQSm9

2026 年 Microsoft 與 OpenAI 修約把 Azure 唯一雲拿掉，IP 改非獨家。表面是 OpenAI 跳船，骨子裡是 Anthropic 用 AWS Bedrock 把 enterprise 客戶綁住。 ⭐ 文章深度讀：看懂為什麼 Anthropic 才是這場分手的真正幕後推手 → https://heymaibao.com/microsoft-openai-break-up-aws-anthropic/ ⚡ 章節重點 重點預告與 100 萬美元伏筆 00:00 2026 修約：Azure 從唯一雲被降級 01:12 真正的幕後推手：Anthropic 用 AWS 倒逼 OpenAI 02:44 100 萬美元測試：Theo 為什麼一毛沒花 04:55 未來戰場：算力供應鏈大洗牌 06:38 📝 懶人包 ∙ **Microsoft 失去獨家。** 2026 年新合約把 Azure 從 OpenAI 的唯一雲降級成主要雲，IP 授權延到 2032 但改成非獨家。OpenAI 終於可以上 AWS。 ∙ **真正逼分手的是 Anthropic，不是 OpenAI。** Anthropic 模型在 AWS、GCP、Azure 三朵雲都能用，跑出 300 億美元年化營收。OpenAI 只在 Azure，企業客戶不肯搬雲，只好把 OpenAI 拉去 AWS Bedrock。 ∙ **Theo 拿 100 萬美元 Azure credit 一毛沒花。** 因為 GPT-5.4 在 Azure 上比 OpenAI 直連平均慢 2.2 倍、最差慢 15 倍。他做了 azure.t3.gg benchmark 之後，Microsoft 才在隔天中午把問題修好。 ∙ **+1 觀點：下一年該看的不是模型 benchmark，是算力供應鏈。** OpenAI 把推論搬上 AWS Trainium，是 Nvidia 以外第一次大規模押注。Trainium、TPU、Nvidia、AMD 之間的戰爭，比 OpenAI、Anthropic、Gemini 之間的模型大戰更值得追。 📚 參考資料 Microsoft and OpenAI break up (Amazon is pumped) → https://www.youtube.com/watch?v=fxxpQhJyupQ azure.t3.gg → https://azure.t3.gg

拆解 Ben Davis 2026 年 5 月的 AI 工具清單：GPT 5.5、Opus、Gemini、Pi、Codex、Cursor 該怎麼分工，以及為什麼真正值得學的是模型、Harness、訂閱三層堆疊邏輯。 ⭐ 文章深度讀：想看完整工具分層、每個選項的適用情境與我的判斷，深度讀版整理好了 → https://heymaibao.com/ben-davis-ai-tools-stack/ ⚡ 章節重點 開場：別把工具清單讀成排行榜 00:00 這是一張工作流 X 光片 00:26 第一層：模型決定能力邊界 02:26 第二層：Harness 決定操作摩擦 04:55 第三層：訂閱決定供給與彈性 06:34 回到你的生產力瓶頸 08:20 📝 懶人包 ∙ Ben Davis 把 GPT 5.5 當日常主力，但沒有把所有工作都塞給同一個模型。Opus 4.7 留給 UI / design，Gemini 3 Flash 留給多模態整理。 ∙ Harness 的重點不是功能最多，而是能不能長成你的工作流。這也是 Pi 會排在他第一名的原因。 ∙ 訂閱不是只比價格，還要看推論額度、模型自由度、能不能接到不同工具裡。 ∙ 我的觀點：這份清單最值得學的是分層思路，不是逐項照抄。 📚 參考資料 Ben Davis, the ai tools i'm using 2026-05-05 edition → https://www.davis7.sh/ai/may-5-2026

CLAUDE.md 爆紅不只是工程師話題。這篇整理 5 類最值得先寫的 AI 協作規則，包含語氣、背景、授權邊界、記憶與固定事實。 ⭐ 文章深度讀：看完整文章，拿走第一版 AI 協作規則檔骨架 → https://heymaibao.com/claude-md-ai-collaboration-rules/ ⚡ 章節重點 開場：為什麼你一直在重教 AI 00:00 CLAUDE.md 爆紅擊中的真正痛點 01:24 專案憲法：把規則放進 AI 會讀的位置 02:25 知識工作者也需要協作邊界 03:04 5 類最小可行協作規則 03:48 不要把規則檔寫成願望清單 06:14 10 分鐘建立第一版 06:51 📝 懶人包 ∙ `CLAUDE.md` 的價值是讓 Claude Code 每次進專案時先讀固定規則。 ∙ 非工程師也能學它的精神，把語氣、背景、授權邊界與記憶規則固定下來。 ∙ 不要一次塞滿清單，先寫最常造成返工的 3 到 5 條。 ∙ 我的觀察：規則檔真正防的是 AI 自信重建、偷偷改稿、忘記脈絡造成的累積漂移。 📚 參考資料 @AnatoliKopadze 的 X 貼文 → https://x.com/anatolikopadze/status/2050225292585607440

Daniel Miessler 的 PAIMM 把個人 AI 從 Chatbot、Agent 推到 Assistant。真正問題不是哪個工具最強，而是 AI 能否理解你的目標、看見狀態，並主動幫你縮短差距。 ⭐ 文章深度讀：想看完整拆解與主筆判斷，這裡讀文章 → https://heymaibao.com/personal-ai-maturity-model/ ⚡ 章節重點 開場：個人 AI 成熟度模型 00:00 為什麼 Agent 只是過渡 01:34 Chatbot、Agent、Assistant 三階段 02:15 衡量 AI 成熟度的六個維度 03:33 AS3 的美麗與危險 04:51 信任與邊界的抉擇 06:28 📝 懶人包 ∙ PAIMM 把個人 AI 分成 9 層，但骨架其實是 Chatbot → Agent → Assistant。 ∙ 成熟度差異不只看模型多聰明，而是看它知道你多少、能用多少工具、看得見多少環境，以及會不會主動。 ∙ Miessler 想像的高階 Assistant 不是聊天工具，而是可信任夥伴，會持續保護、提醒、調度與代辦。 ∙ 我的觀點：方向很可能是對的，但真正難的不是再多一個 Agent，而是授權、信任、資料邊界與錯誤恢復。 📚 參考資料 Daniel Miessler - A Personal AI Maturity Model (PAIMM) → https://danielmiessler.com/blog/personal-ai-maturity-model

AI 讓寫程式碼變便宜，PM 還重要嗎？從 Anthropic 產品主管 Cat Wu 的訪談，看 Claude Code 團隊如何用產品品味、eval 與低阻力流程加速出貨，並把 AI 自動化打磨到可靠。 ⭐ 文章深度讀：讀完整分析，掌握 Anthropic 速度系統背後真正可複製的產品判斷 → https://heymaibao.com/anthropic-ai-pm-product-taste/ ⚡ 章節重點 AI 時代生產力的真正轉向 00:00 程式碼變便宜，判斷力變貴 01:13 低阻力系統怎麼加速出貨 02:19 產品品味與 eval 為什麼變稀缺 03:30 AI 工作流也要學會做減法 04:43 95% 自動化還不是自動化 06:15 📝 懶人包 ∙ AI 讓寫程式變便宜後，真正稀缺的是「知道該寫什麼」。 ∙ Anthropic 的快不是只靠模型，而是靠清楚目標、研究預覽和低阻力發佈流程。 ∙ PM、工程師、設計師的邊界正在融合，但共同核心是產品品味、eval 和快速補位。 ∙ 我的觀點：對一般工作者來說，最實用的啟發不是學 Anthropic 的速度，而是把每天重複的工作用 AI 打磨到可靠。 📚 參考資料 How Anthropic's product team moves faster than anyone else | Cat Wu (Head of Product, Claude Code) → https://www.youtube.com/watch?v=PplmzlgE0kg