Edison Wang

以後有人嗆說台灣扣掉台積電還剩什麼 你就貼這個圖給他 然後回說：能問出這樣的問題，你也是可以扣掉腦袋了

Bezos 的 Blue Origin 成為繼SpaceX後第二家重複使用並成功回收軌道級火箭助推器的商業公司，New Glenn 這次搭載的就是 AST SpaceMobile 的 BlueBird 7 衛星（屬於他們的下一代 Block 2 藍鳥衛星，用來提供直接打手機的太空寬頻）。 結果重複使用大型火箭回收真的是首富們才玩得起的遊戲

@SERobinsonJr SpaceX/Tesla will be always be major customers of TSMC and not competitors in the normal sense of the word

🧵 My tips for getting the best results out of Claude Design! I’m on the verticals team at Anthropic which means I serve 7 different products. Claude Design makes it possible! 1. Set up your design system and your core screens. An hour of setup and refinement here is worth it

Claude Design 實戰七招：Anthropic 內部設計師 Ryan Mather 的使用心得完整翻譯＋解說 Claude Design 昨天跟著 Anthropic Labs 同步推出之後，Anthropic 內部的 verticals team 設計師 Ryan Mather 在 X 上發了一串實戰 tips。verticals team 的意思是一個人同時服務多條產品線，他自己就服務 7 個不同產品，能撐住這個產量的關鍵工具就是 Claude Design。下面把整串 thread 完整翻譯，每一點再補一些脈絡跟科普說明。 Tip 1：先把設計系統跟核心畫面設好 先把設計系統（design system）跟核心畫面設定好，在這個階段花一小時做設置跟調整是值得的。 說明： 設計系統指的是一份定義色彩、字型、按鈕樣式、間距、元件庫的規範文件，產品團隊共用，確保不同畫面視覺一致。核心畫面則是那幾個最常出現的頁面（登入、首頁、設定）。Ryan 的重點是，Claude 跟其他 AI 一樣，第一步給的脈絡越明確，後面產出的品質越穩。先花一小時把 design system 跟核心畫面餵給它，後面每一次生成都會在這個基礎上延伸，視覺一致性自動保持，省掉之後逐張修圖的時間。 Tip 2：跟工程師即時一起迭代 跟工程師即時一起迭代，我通常一個會議裡就能跟一位工程師把新功能設計完，因為 Claude 畫 mockup 超快，我們的對話可以保持在比較高的層次，邊玩概念、邊談限制條件，邊看著東西成形。 說明：傳統的軟體設計流程大致是「設計師畫稿、開評審會、修改、再評審、交給工程師、工程師實作後對稿」，來回通常要一兩週。Ryan 描述的新流程把這段壓到一個會議，兩個人坐在一起，邊討論概念邊看 Claude 即時產出 mockup，討論的層次可以停留在「這個功能要解決什麼問題、有哪些約束」而不是「這個按鈕要放哪」。這代表設計師跟工程師的協作粒度從「文件交接」變成「對話中即時定案」。 Tip 3：用 Comment 工具做快速精準修改 用 Comment 工具做快速精準修改，粗稿出來後可能有幾十個細節想調，用嘴描述所有要改的地方很難講清楚，那就不要用嘴描述了，直接點選元件做評註。 說明：Point and crit 是設計工作室的黑話，指「指著東西評論」的動作，傳統在實體海報或畫布上做。Claude Design 的 Comment 工具把這動作搬進 AI 產品的介面，滑鼠點到哪個元件，評註就附在那個元件上。為什麼這比用嘴講重要，因為自然語言描述 UI 修改的效率極低，你說「右上角那個按鈕再小一點、顏色淡一點、跟左邊那個拉開一點距離」，還要確認 Claude 聽懂的是不是你指的那顆。點選元件直接給指令，資訊損耗幾乎是零。 Tip 4：請 Claude 幫你的點子做影片 demo 請 Claude 幫你的點子做影片 demo，整體來說，Claude Design 幾乎什麼你想得到的事都做得到，老實講，它比較接近 Claude Code 的使用體驗，離一個以畫布為核心的設計工具比較遠。 說明：這一點可能是整串 thread 最關鍵的定位宣告。以畫布為核心的設計工具指 Figma、Sketch 這類在無限畫布上拖拉元件的軟體，使用者的心智模型是「我在排版」。Ryan 的觀察是 Claude Design 不屬於這個類別，它的心智模型是「我跟一個會做東西的助手對話」，所以除了靜態稿還能做影片 demo、互動原型、甚至客製小工具。把它當 Figma 的升級版會用不出它的力氣，當 Claude Code 的設計版才對味。 Tip 5：用 connector（特別是 docs 跟 Slack） 使用 connector（特別是 docs 跟 Slack），設定好之後，你可以送出像這樣的指令：「請讀一下產品檢討會議的筆記，做一份簡報探索裡面提到的所有問題的不同設計方案」，然後出去散步、呼吸一下新鮮空氣，回來用清醒的眼睛看成果。 說明：Connector 是 Claude 的外部資料源連接器，可以接 Google Docs、Slack、Notion、Linear 等工具，授權之後 Claude 能直接讀取那些地方的內容。Ryan 舉的例子很有代表性，會議紀錄本來是一份只有當事人會回頭翻的 Google Doc，接上 connector 之後 Claude 可以自己去讀，把散落的討論點轉換成一份探索性簡報。這代表「整理會議結論 → 產出設計方向」這段工作從幾小時壓到幾分鐘，人力負擔從「讀、想、做」變成「下指令、散步、驗收」。 Tip 6：請 Claude 臨時做客製的小工具 請 Claude 臨時做客製的小工具，大原則是，不要用畫布工具的思路來用 Claude Design，它是另一種動物，有另一種超能力，大膽實驗、玩開一點，你會發現自己設計的速度會把過去的工作方式甩開好幾圈。 說明：這一點呼應 Tip 4。傳統設計工具的使用場景是「生產設計稿」，傳統設計工具的使用場景是「生產設計稿」，Claude Design 能生產的是「任何解決設計問題的東西」，包含臨時的小工具。舉例來說，如果你在設計一個色彩選擇器，可以請 Claude 先做一個互動的色彩預覽 prototype 讓你自己玩，邊玩邊調整選擇器的規格，而不是憑空想像使用者會怎麼用。這個能力在傳統設計軟體需要工程師配合才做得到，在 Claude Design 裡是設計師一個人就能完成的動作。 Tip 7：知道什麼時候要慢下來、親手做 知道什麼時候要慢下來、親手做，新圖示、小插畫、命名，這些細節永遠會帶來不成比例的衝擊，人很容易被 agentic 設計的超高速吸進去，知道什麼時候要慢下來本身就是一門藝術。 說明：這是整串 thread 的反論，也是最有深度的一點。Ryan 提到的三樣東西都是「小但關鍵」的設計元素，新圖示代表品牌符號、小插畫是產品人格、命名決定使用者第一印象。這類東西的共通點是決策空間極小、但品質天花板極高，AI 能快速生出可用版本，但要做到「讓人記住」還是人在定奪。Agentic designing 指的是大量使用 AI 代理自動執行設計任務的工作方式，速度誘惑大，但他提醒在這三類細節上要刻意降速、親手做、親手改。這不是對 AI 工具的懷疑，是對「什麼適合自動化、什麼不適合」的清醒判斷。 結尾補充 Ryan 在 thread 最後補了四則： 他最喜歡 Claude Design 的一點，是它讓設計過程變得很*愉悅*，可以嘗試更多發散的點子，對每個點子的執著也比較鬆。這句話值得想一下，設計工作的心理負擔往往來自「花了兩小時做的稿捨不得丟」，工具加速讓每個點子的沉沒成本降低，決策更誠實。 他感謝 nateparrott 跟團隊做出這個產品，Nate Parrott 是 Claude Design 的核心開發者，同時也是整個產品氣氛的塑造者，Ryan 特別提到 Nate 的 whimsy（奇想）跟玩心帶進整個開發過程，從使用者感受得出來。 P.S. Ryan 自己也貢獻過幾個 PR 到 Claude Design，檔案畫面、指令輸入元件（composer）跟其他一些雜項，只是那些程式碼現在全都被改掉了，他用這件事當自嘲。 最後他預告 Claude Design 正式上線之後會分享更多 tips 跟小技巧，幫大家把工具用到極致。 --- 📷 請訂閱我的 Threads / Facebook / 電子報「狐說八道」 #Anthropic #ClaudeDesign #Flomerboy #生成式AI #設計工作流 📷

Place your order while en route to Tesla Diner & it will be ready right after you arrive

Introducing Claude Design by Anthropic Labs: make prototypes, slides, and one-pagers by talking to Claude. Powered by Claude Opus 4.7, our most capable vision model. Available in research preview on the Pro, Max, Team, and Enterprise plans, rolling out throughout the day.

No Time? 🏃‍♂️🚫⏰ Here is a tl;dr of the Jensen interview 👇

Congrats to the @Tesla_AI chip design team on taping out AI5! AI6, Dojo3 & other exciting chips in work.

We've redesigned Claude Code on desktop. You can now run multiple Claude sessions side by side from one window, with a new sidebar to manage them all.

Engineering is real magic

突然想到很多人會做麵包、做餅乾、攝影，但不代表可以用來賺錢或養活自己。 就像現在一堆 vibe coding，給了每個人技能是一回事，慢慢地會發現真正的門檻仍然在那。 就算能生成完美的程式碼，不代表就是一個成功的產品跟生意。 還是呼應到之前的文章👇

其實Grok有個力壓所有前沿模型的能力，就是最新的新聞和社群討論都在那發生，也因此問相關的問題最準 我剛測試了一輪問了一個很vague的問題「可以幫我詳細描述一下最近幣圈在吵什麼」 只有Grok給出了我想要吃瓜的答案，其他的前沿LLM都是在講一些正經八百的東西，完全沒提到最近實際在發生的網路罵戰 x.com/i/grok/share/e…

用 Claude Code 接了一堆 MCP server、裝了各種 skill，但你知道哪些真的有在用嗎？ 你：「我裝了 GitHub MCP、裝了 5 個 skill⋯⋯」 Claude Code：（黑盒子，什麼都看不到） 你不知道： — 50 幾個 MCP tool 到底哪些被呼叫過 — 每個 tool call 燒掉多少 token — system prompt 塞了多少你不知道的東西 — 200K context window 到底被什麼吃掉 一行指令，黑盒子變透明箱： npx ccxray claude ccxray 是一個透明 proxy，卡在 Claude Code 和 Anthropic API 中間，錄下每一筆 request/response，即時 dashboard 讓你看到裡面到底發生什麼事。 — 每個 tool call 一目瞭然：誰被呼叫、花多少 token — System prompt 版本追蹤：自動偵測變更、diff 比對 — Token 精算：input/output/cache 拆解，花費到分 — Session 自動分組：依專案、目錄整理 GitHub: github.com/lis186/ccxray #ClaudeCode #MCP #AI #DevTools #ccxray

消費無人機龍頭DJI的創辦人汪滔蠻少接受專訪，講了一些有趣的東西。也包含自己公司內部管理混亂山頭林立的問題。 大疆2025年銷售超過800億人民幣，利潤超過 200 億。汪滔預估今年將突破 1,000 億。（Insta360的影石大概是他的十分之一） #業務邊界：做高做深，不求做大 面對這個規模，他刻意選擇不再往大做：「這個世界有一些規則是懲罰過大的東西。我想做高做深，大而不強是很慘的。我們去年成長了 40%，我知道大疆遲早會增長停滯，不可能無限長到兆元。所以我寧可穩健一點，把成長留給以後。」 在具體方向上，他把影像線列為飛機之外的最高優先級，並明確表示大疆可以在十年內超越索尼成為全影像公司。Pocket 3 不到兩年賣出超過 1,000 萬台，目前在便攜相機品類的市占率已超過索尼、佳能、理光、富士的總和。 他對自己尚未做的生意也有一套邏輯。「我知道自己適合做Jobs那種生意：像 iPhone，天生大，可以無限延展，你就專注把它做到極致。但我們暫時沒有這種機會。手機卷指標的時候入場就太遲了。」 對於人形機器人，他則說：「如果技術成熟了、階段到了，我們也不排除。」 #競爭觀：比賽歸比賽，不要伸腳去絆人 面對影石進軍全景相機，並聲稱要拿走消費無人機 10% 份額，汪滔的態度是：「我傾向把『戰』改成比賽。業務上，大疆要做什麼事，就一定要做到第一名。」 對競爭的底線他說得清楚：「大家管自己跑步，不要伸腳去絆別人，但別人來搞我們，我們也會反擊。」 消費級無人機全球市場大約 100 多億元的規模，汪滔認為這個「不大不小」恰恰是護城河的來源：「沒大到讓大廠眼紅衝進來，同時它有一定體量、也有深度，無人機不是只有相機，得把好幾塊拼圖拼起來，持續迭代就能越做越強。」

Anthropic 最新發布的前沿模型 Claude Mythos Preview 讓這個現實變得無法迴避：AI 的程式能力已經進步到足以超越絕大多數人類安全研究員的程度。 也因此Mythos選擇先不公開發佈，只給重要的公司先行掃描漏洞執行防禦性安全工作 Claude Mythos Preview 的 #網路安全能力 Claude Mythos Preview 是一個通用型未公開發布的前沿模型，但它在網路安全領域的表現令人警覺。Anthropic 研究人員表示，這個模型的能力並非刻意針對資安訓練所得：「我們並沒有專門訓練它在網路安全上表現出色，我們訓練它在程式上表現出色，但作為擅長程式的副產品，它在網路安全上也同樣出色。」 過去數週，Anthropic 使用 Mythos Preview 在幾乎每個主要作業系統與主要瀏覽器中找到了數千個零日漏洞，其中許多被評定為高嚴重性。這些漏洞有些已存在數十年，卻從未被人類審查或自動化測試工具發現。 #三個代表性案例說明了這個模型的能力範圍： 第一，它在 OpenBSD 中發現了一個存在 27 年的漏洞。OpenBSD 以高度安全著稱，廣泛用於防火牆與關鍵基礎設施，而這個漏洞讓攻擊者只需連線就能讓任何執行該作業系統的機器當機。 第二，它在影片編解碼器 FFmpeg 中找到一個存在 16 年的漏洞，而自動化測試工具已對該行程式碼執行了 500 萬次卻從未發現問題。 第三，它自主找到 Linux 核心中的多個漏洞並串接利用，讓一個沒有特殊權限的普通使用者可以提升至系統管理員，取得機器的完整控制權。 在漏洞利用能力的評估基準 CyberGym 上，Mythos Preview 的得分為 83.1%，相比之下 Claude Opus 4.6 為 66.6%。 這個模型的另一個關鍵特性是自主性。Anthropic 指出，它能夠在不需要人工介入的情況下，獨立完成從漏洞發現到撰寫利用程式的完整流程：「它在追蹤真正的長程任務方面表現得更好，這類任務就像人類安全研究員整天都在做的工作。」 #為何Anthropic選擇不公開發布 能力愈強，風險愈高。Anthropic 明確表示不會將 Mythos Preview 公開發布：「更強大的模型將會從我們和其他人那裡出現，所以我們確實需要一個應對計畫。」 在這個判斷下，Project Glasswing 的邏輯是：既然這類能力遲早會在業界擴散，不如由防守方先行掌握，在攻擊者取得相同工具之前，系統性地修補漏洞。 「給防守者的視窗已經縮短——曾經需要幾個月的事，現在用 AI 可能在幾分鐘內完成。」CrowdStrike 技術長 Elia Zaitsev 表示。 Project Glasswing 的組成與運作 Project Glasswing 集結了 Amazon Web Services、Apple、Broadcom、Cisco、CrowdStrike、Google、JPMorganChase、Linux Foundation、Microsoft、NVIDIA 與 Palo Alto Networks，共同以 Mythos Preview 執行防禦性安全工作。 Anthropic 承諾提供高達 1 億美元的模型使用額度，供參與機構在這個研究預覽階段使用。除主要夥伴外，超過 40 個負責維護關鍵軟體基礎設施的組織也已獲得存取權限，用於掃描與強化第一方及開源系統。 在開源社群的支持上，Anthropic 另捐出 250 萬美元給 Linux Foundation 旗下的 Alpha-Omega 與 OpenSSF，以及 150 萬美元給 Apache Software Foundation，協助開源維護者因應這個快速變化的安全環境。 Linux Foundation 執行長 Jim Zemlin 指出開源軟體在資安投入上長期不足：「過去，資安專業知識是有大型安全團隊的機構才能享有的奢侈品。開源維護者——他們的軟體支撐了全球大部分關鍵基礎設施——歷來只能靠自己摸索資安問題。」他認為，Project Glasswing 提供了一條可信的路徑，讓 AI 強化的安全防護成為每個維護者都能使用的工具，而不只是資金充裕的機構專屬。 #實際發現的成果 在已參與測試的夥伴中，初步結果已經展現成效。Microsoft 使用 Mythos Preview 針對其自研的開源安全基準 CTI-REALM 進行測試，結果顯示相較前一代模型有顯著提升。Cisco 表示，使用這些模型進行基礎工作後，已能以過去不可能達到的速度與規模，在硬體與軟體中識別並修復安全漏洞。 Palo Alto Networks 產品與技術長 Lee Klarich 則直接點出攻守兩面的現實：「這些模型需要落在開源擁有者和防守者手中，在攻擊者取得存取權限之前找到並修復漏洞。同樣重要的是：所有人都需要為 AI 輔助的攻擊者做好準備。攻擊將會更多、更快、更複雜。」 #與美國政府的溝通 Anthropic 表示已與美國政府官員就 Mythos Preview 的攻防能力進行持續討論，並提出協助評估與降低相關國家安全風險。聲明中指出，確保關鍵基礎設施安全是民主國家的首要國家安全事項，而美國及其盟友必須在 AI 技術上保持決定性的領先。 #後續計畫 Project Glasswing 定位為長期工程的起點，而非一次性行動。Anthropic 預計在 90 天內公開報告從這項工作中學到的成果，包括已修復的漏洞與可以披露的改進內容，並與主要安全機構合作，制定一套安全實務在 AI 時代應如何演進的建議，涵蓋漏洞揭露流程、軟體更新程序、開源與供應鏈安全，以及安全軟體開發生命週期等面向。 Anthropic 也表達希望吸引更多 AI 業者加入，共同建立業界標準，並在中期引入獨立的第三方機構，整合公私部門資源，持續推進這些大規模網路安全專案。 「軟體吃掉了世界，我們生活中的每一個類比面向都以某種方式存在於數位領域。我們的日常生活都建立在對這些系統的信賴之上。網路安全就是社會的安全。」Anthropic 在聲明中如此定位這項工作的重要性。

LLM Knowledge Bases Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So: Data ingest: I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them. IDE: I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides). Q&A: Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale. Output: Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base. Linting: I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into. Extra tools: I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries. Further explorations: As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows. TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

紐約時報昨天報導了一個案例，一個人用兩萬美元和十幾種 AI 工具，花兩個月建了一家公司，2025 年營收 4.01 億美元，2026 年預估 18 億，全公司只有兩個正職員工。 以下數據和引述全部來自《紐約時報》的報導，該報取得了這家公司的財務資料進行驗證。 這個人叫 Matthew Gallagher，41 歲，住在洛杉磯。他的公司 Medvi 是 GLP-1 減肥藥的遠距醫療平台，消費者上網下單，平台媒合線上醫生開處方，藥局出貨寄到家。Gallagher 用 AI 寫程式碼、做網站、生成廣告素材、處理客服，醫療和物流全部外包給專業平台。 根據《紐約時報》取得的數據，Medvi 第一個月拿到 300 個客戶，第二個月再加 1,000 個，2025 年全年營收 4.01 億美元，2026 年預估 18 億，每天進帳超過 300 萬美元。全公司只有兩個正職員工：Gallagher 和他弟弟 Elliot，另外有兩個約聘工程師和七個約聘客戶經理，沒有辦公室，沒有外部募資，已經獲利 7,000 到 8,000 萬美元。 可以拿同業做對照，Hims & Hers 是美國最大的線上處方藥平台之一，2025 年營收 24 億美元，員工 2,442 人，淨利率 5.5%。Medvi 兩個人做到 Hims 六分之一的營收，淨利率 16.2%，是 Hims 的三倍。 Gallagher 的背景也是報導的重點，小時候跟家人住汽車旅館和車上，叔叔給了他一台筆電，他自學寫程式。之前開過一家手錶訂閱公司 Watch Gang，請了 60 個員工，從來沒賺過錢。他告訴《紐約時報》那次的教訓是「增加人手只增加了成本，拖慢了決策速度。」 報導也提到了爭議，Medvi 早期網站用 AI 生成的假模特兒照片，AI 客服機器人會自己編藥價（Gallagher 說他照單全收了），也會幻覺告訴客戶 Medvi 賣生髮藥（其實沒有）。有人批評這就是一個自動化的處方藥中間商。 Sam Altman 2024 年曾預測「一個人建立十億美元公司」即將成為可能，他在報導中回應說，他跟幾個科技公司 CEO 朋友打過賭，看這種公司什麼時候出現，他贏了，而且想見見這個人。Gallagher 自己的說法是：「這不是一家 AI 公司，但我用 AI 做到了。」 --- 請訂閱我的 Threads / Facebook / 電子報「狐說八道」 #AI #Medvi #GLP1 #創業 #SamAltman

7/ Use the Claude Desktop app to have Claude automatically start and test web servers Along the same vein, the Desktop app bundles in the ability for Claude to automatically run your web server and even test it in a built-in browser. You can set up something similar in CLI or VSCode using the Chrome extension, or just use the Desktop app. #preview-your-app" target="_blank" rel="nofollow noopener">code.claude.com/docs/en/deskto…