Cheng's Tech & Life

50 種生物研究工作流。這是 OpenAI 訓練新模型 GPT-Rosalind 時直接塞進去的先備知識量——不是做 prompt 調教，是把整個藥物研發、基因體學、蛋白質結構的流程內化成模型自己的能力。合作夥伴名單打出來更嚇人：Amgen、Moderna、Thermo Fisher、UCSF 藥學院。AI 不是在學怎麼寫 code 了，它在學怎麼設計新藥。 同一週，Google 把 Gemini、Google Photos、Nano Banana 2 串成一個新的「個人智能」功能，讓你用自己的臉做 claymation。MiniMax 扔出一顆 229B 參數、能自己改自己訓練 scaffold 的開源模型。歐盟拍板 €180M 的主權雲端招標，四家歐洲供應商分食市場。Adobe Reader 的零日漏洞剛被證實正在實戰利用。AI 跟資訊主權，這兩條線正在同一個時間軸上加速。 GPT-Rosalind — OpenAI 正式進軍生技研究4 月 17 日，OpenAI 發布了第一個垂直領域專用模型 GPT-Rosalind，致敬對 DNA 結構發現有貢獻的 Rosalind Fr...

「幫我抓台北市評分 4.5 以上的咖啡店，匯出 CSV。」 這句話是中文的，不是程式碼。但只要你電腦裡裝了 Apify Agent Skills，打完送出，AI 就會自動從 55 個平台的 Actor 清單裡挑一個 crawler-google-places、組好 input schema、跑完爬蟲、把結果存成 CSV 丟到你桌面。從頭到尾你沒寫一行 requests.get()。 這套東西的奇怪之處在於——它不是程式庫。 你以為的爬蟲工具 vs 它實際的樣子過去你要爬 Google Maps 的流程，大概是這樣：打開 Apify Store 挑一個 Actor，研究它的 input schema 要哪些欄位，寫 Python 組 JSON、呼叫 API、輪詢 run status、等結果出來再下載 dataset。光讀文件就要半小時，寫 code 又一小時。 Apify Agent Skills 把這個流程翻過來做。它裝進去後，沒有任何可以 import 的 API——skills/ 目錄下全是 Markdown 檔加幾個 Node.js 輔助腳本。AI 讀了 SKILL.md...

跑一個重構任務，Claude 花了 45 分鐘、燒掉 120K token，結果最後 5% 的改動因為 context 爆了被截斷。 如果你用 Claude Code 跑過長任務，這個場景應該不陌生。Opus 4.7 帶來的三個新功能——xhigh effort、Task Budgets 和 /ultrareview——本質上都在解決同一個問題：怎麼讓 Agent 聰明地分配有限資源。 /effort xhigh — 不想等 max 但 high 不夠的時候之前的 effort 只有三檔：low、high、max。問題是 high 和 max 之間的落差太大——high 有時候不夠仔細，max 又慢到讓你懷疑它是不是去吃飯了。 把它想成開車。low 是高速公路定速巡航，掃一眼就過；high 是市區正常開，該注意的路口會看；max 是在停車場找車位，一格一格慢慢掃。xhigh 就是「市區開但遇到複雜路口會多看兩眼」——比 high 仔細但不會像 max 那樣龜速。 在 Claude Code 裡直接用 /effort xhigh 切換。適用場景：中等複雜度的 b...

Figma 股價一天跌了 7%。原因不是財報，是 Anthropic 發了一個新產品。 4 月 17 日，Anthropic 同時丟出 Claude Design（視覺設計工具）和 Claude Opus 4.7 GA（新旗艦模型），前一天 Project Glasswing 的 Mythos 資安模型才剛炸出數千個零日漏洞。同一時間 OpenAI 也推了自己的資安模型 GPT-5.4-Cyber，GitHub CLI 則把 Agent Skills 管理做進了命令列。AI 公司們不只在搶模型排名，還在搶「誰能吃掉更多工作流」。 Claude Design — Anthropic 跨進視覺設計領域Anthropic 發布了 Claude Design，一個讓你用對話產出視覺作品的新產品。簡報、Wireframe、行銷素材、互動式 Prototype——講一句話，Claude 生一版，你再改。 表面上看像是另一個 AI 設計工具，但幾個細節讓它跟 Canva AI 或 Figma AI 不太一樣。第一，它能讀你的 codebase 和設計檔，自動套用團隊的 design syste...

你有沒有想過，Claude Code 關掉終端機就下線了，但你的團隊半夜還在 Discord 問問題？ OpenAB 解決的就是這件事——它是一個用 Rust 寫的橋接服務，把 Discord 訊息透過 ACP（Agent Client Protocol）轉給 Claude Code，讓 AI 變成一個 always-on 的 Discord Bot。每個 thread 獨立一組 process，Mac 關了也沒差，Docker 裡面跑著就好。 ACP 是什麼？為什麼需要它？先講一個類比。你可以把 ACP 想成是 AI Agent 世界的 USB-C——一個統一的接頭標準。不管你的 Agent 是 Claude Code、Codex 還是 Kiro，只要支援 ACP（JSON-RPC 2.0 over stdio），就能透過 OpenAB 接上 Discord。 Claude Code 本身有 Discord Plugin，但那是「Claude 把 Discord 當 UI」。OpenAB 反過來——是「Discord 把 CLI Agent 當後端」。差別在哪？Plugin 綁...

50 個 Task。50 個 GitHub Issue。50 個 Coding Agent 各自開 Branch、各自寫 Draft PR。人類只負責最後的 Code Review。 這不是簡報上的願景圖，是 SpecKit 框架在第四天課堂上實際示範的流程。當然，現實中你可能不會真的開 50 個 Agent 同時跑，但這個架構的設計意圖很明確：開發者的角色正在從「寫程式的人」變成「定義規則讓 AI 寫程式的人」。 Coding Agent：像指派工程師一樣指派 AIGitHub 的 Coding Agent 做了一件很聰明的事——它把 AI 塞進了開發者本來就在用的工作流程裡。 你在 Issue 頁面指派 Agent（可以選 Copilot、Codex 或 Claude），它自動建立一個新的 Branch，在上面寫程式碼，完成後產出 Draft PR。整個過程跟你指派一個新進工程師做事的流程一模一樣：分配任務、獨立開發、提交 PR、等 Code Review。 有趣的是競爭模式。同一個 Issue 可以同時指派多個 Agent，各自產出方案，最後挑最好的那個 Merge。這就像...

一台 VM，沒有公用 IP。它要存取同一個 Azure 帳號底下的 SQL Database。聽起來很簡單，但這兩個東西活在不同的世界——VM 是 IaaS，SQL Database 是 PaaS，中間隔著一層 REST API 公用端點。 AZ-305 第四天的考題，超過一半在考這類「東西都在你家裡，但就是走不通」的連通性問題。 打通 VNet 到 PaaS 的兩條路Service Endpoints 像是在你家社區圍牆上開一扇門，讓整條街的住戶都能走捷徑到附近的便利商店。設定在 VNet 層級，一次打通整個服務類型（例如所有 Storage 帳戶），限同區域，完全免費。缺點是粒度太粗——你打開了 Storage 的門，這個區域所有 Storage 帳戶都能存取，沒辦法指定只連某一個。 Private Endpoints 則是在你家客廳裡裝一條專線電話，直接撥到特定那間便利商店的特定櫃台。它會在你的 VNet 裡面生成一張網路介面（NIC），帶有私人 IP，可以精確鎖定到某個 Storage 帳戶的 Blob 子服務。支援跨區域，但需要額外設定私人 DNS 區域，而且要付費。 ...

1,300 個 PR。一週。零行人手寫的程式碼。 這是 Stripe 內部 AI Agent「Minions」的實際產出數字。同一個禮拜，Anthropic 把 Claude Code Desktop 從底層翻掉重寫，Microsoft 砸出 163 個 CVE 補丁，GitHub 對 Copilot CLI 四天內連推四版，OpenAI 則悄悄上了新的 GPT-5.3 Instant Mini。AI coding 工具的軍備競賽，這週進入了白熱化。 Stripe Minions — AI Agent 進生產線長什麼樣先講 Stripe 那個數字，因為它代表的不是 demo，是真正跑在生產環境裡的東西。 Minions 的運作方式像極了工廠的自動化產線：工程師在 Slack 丟個 emoji，Agent 就自動拉起一台隔離的雲端機器（devbox），讀文件、寫程式、跑 linter、推上 CI——全程沒人碰鍵盤。底層是基於 Block 開源的 Goose agent 改造的版本。 但真正恐怖的是它背後接了什麼。Stripe 內部有個工具系統叫 Toolshed，本質上是一台巨型 ...

CPU 使用率 100%。老闆說加硬體。加了，還是 100%。 講師上課分享了這個真實案例。客戶砸錢升級 CPU，問題紋風不動。最後去查應用程式碼，發現有一段邏輯接近死循環。問題從來不在硬體，是應用層的 Bug 把 CPU 吃死了。 第四天的核心就一句話：性能問題的第一責任人是開發者，不是 DBA。 但偏偏每次系統一慢，所有人第一個找的就是 DBA。所以這天整堂課都在講——怎麼用數據證明問題不在你這裡，以及如果真的在你這裡，該怎麼修。 基準線：你得先知道「正常」長什麼樣子想像你每天量體溫。37°C 是正常值，如果某天突然飆到 39°C，你知道出問題了。但如果你從來不量，39°C 來的時候你連「異常」都無法判斷。 資料庫的性能基準線就是這個體溫計。要追蹤的關鍵指標有幾個： 緩衝區命中率是記憶體夠不夠用的直接指標。超過 95% 代表記憶體充足，如果一直維持在很高的數字，甚至可以考慮降規格省錢。低於 90%，性能就會明顯掉下去。 磁碟佇列長度不是看讀寫速度，而是看排隊的人有多長。機械硬碟 2-3 是合理值，SSD 可以到 100+ 都還正常——因為 SSD 處理速度夠快，排隊再長也消化...

你有沒有想過，為什麼有人用 Claude 幾個月就超牛逼，但有人用了一年還在重複踩坑？差別不在天分，而在於有沒有學對方式。 最近 Anthropic 發佈了一份有夠猛的研究成果——他們分析了超過 50,000 場 Claude 對話，從中找出了人們如何逐步掌握 AI 協作的規律。不是靠猜、不是靠碰運氣，而是實實在在的數據驅動的學習路徑。今天就來拆解一下這套課程到底在教什麼，以及你應該如何應用。 為什麼多數人卡在「新手天花板」說實話，很多人用 Claude 的方式就是：丟一個需求進去、看結果、複製貼上。有時候能用，有時候垃圾。然後就以為自己「會用 Claude」了。 但真相是，你根本沒有在學習。你只是在透支運氣。 Anthropic 的研究發現，使用者的進度通常沿著兩條軌道發展，但這兩條軌道的成長邏輯完全不同： 某些技能會自然成長——只要一直用，經驗累積就會進步 某些技能則需要刻意教學和反覆練習，不然永遠改不了 這個發現改變了整個 Claude 的教育設計，也應該改變你的學習策略。 50,000 場對話說出的真相研究數據涵蓋了 Claude Chat、Claude Code 和...