yii.
← Digest
EP125 · 2026年7月6日 星期一 · 7 min read

更強的模型，更爛的工具

當模型越來越聰明，它反而把手上的工具用得更差 — 這週開發圈最反直覺的一課

每天花 1% 的時間，掌握科技脈動。

今日金句#

“Tool schemas are somewhere in the distribution and some shapes are close to what the model saw during post-training and some are far away.” 「工具的 schema 散落在整個訓練分佈裡——有些形狀很接近模型在後訓練看過的，有些則離得很遠。」 — Armin Ronacher, Flask 作者

“How do you let a real, unique human be recognized across the internet, without ever knowing who they are?” 「你要怎麼讓一個真實、獨一無二的人，在網路上被認出來，卻又完全不知道他是誰？」 — ByteByteGo, 技術電子報

今日主軸：更強的模型，更爛的工具#

今天開發圈最熱的一條線，不是哪個模型又刷新了 benchmark，而是一個尷尬的反例。Armin Ronacher（Flask 作者）發現，Opus 4.8、Sonnet 5 這些更新、更強的模型，在呼叫第三方編輯工具時反而更容易「腦補」出根本不存在的參數欄位，導致呼叫被拒。他的診斷很犀利：這不是能力退化，而是模型被 Claude Code 那套「寬容的」工具環境訓練壞了——那套環境會自動修 Unicode、接受別名、無聲吞掉未知欄位，於是模型學到「亂填也沒關係」。同一天，Simon Willison 公開了他用 Claude Fable 花 149.25 美元、37 個提示重寫 sqlite-utils 4.0 的完整帳單，Fable 揪出一個藏了很久、會讓資料靜默遺失的 delete_where() 交易 bug。一邊是模型把工具用爛，一邊是模型把整個函式庫修好——差別就在於，你有沒有把規則講死（strict mode）、有沒有第二個模型幫你複審。這正好呼應了 Fable 訂閱方案 7/7 下架的時間點：模型在換代，但真正決定成敗的，是我們怎麼把護欄架好。

必讀#

  1. Better Models: Worse Tools — Lobste.rs AI/Dev
  2. 用 Claude Fable 花 $149 重寫 sqlite-utils 4.0 — Simon Willison Dev
  3. 阿里巴巴內部全面禁用 Claude Code — TechCrunch News
  4. Everything I know about running LLMs locally — GitHub Tools
  5. claude-real-video：讓 Claude 真的「看」影片 — GitHub Tools
  6. Proof of Human：AI 時代如何驗證真人 — ByteByteGo Dev
  7. Amazon 停止接受 Mechanical Turk 新客戶 — TechCrunch News

1. Better Models: Worse Tools#

Flask 作者 Armin Ronacher 觀察到，越新的 Claude 模型（Opus 4.8、Sonnet 5）在呼叫第三方編輯工具時，越容易「腦補」出不存在的參數欄位（如 requireUnique、oldText2），導致工具呼叫被拒——核心的 oldText/newText 卻是位元正確的。他的診斷：這不是隨機退化，而是後訓練副作用。模型學到了 Claude Code 那套寬容 harness 的行為，並被獎勵。啟用 strict 模式即可完全消除問題，證實這是 schema 分佈識別而非故障。

  • 故障集中在「陌生 schema」上，熟悉的 Claude Code 結構表現良好
  • Claude Code 的 harness 會自動修 Unicode、接受參數別名、無聲過濾未知鍵——這種寬容在訓練期反而懲罰了嚴格遵守
  • 開啟 strict 模式可完全消除亂填欄位的行為

💡 為什麼重要：這揭示了 LLM 工具使用的一個被忽視機制——模型不是靠理解規則、而是靠記憶訓練環境的特性來用工具。對所有在 Claude 之上蓋工具鏈的團隊都是直接警訊。

🔗 閱讀原文 | 來源: Armin Ronacher

2. 用 Claude Fable 花 $149 重寫 sqlite-utils 4.0#

Simon Willison 公開了用 Claude Fable 準備 sqlite-utils 4.0 的完整成本與過程：37 個提示、跨 30 個檔案、34 次提交、淨變更 +1,321 / -190 行，總花費 149.25 美元。Fable 揪出 5 個發布阻礙，最嚴重的是 delete_where() 未提交變更、讓連線停在開放交易狀態、關閉時寫入被靜默回滾導致資料遺失。他還用 GPT-5.5 做二次複審，又抓到兩個問題。

  • 成本分解——主工作 $141.02、複審代理 $5.51、支援模型 $2.72
  • 最嚴重 bug 是交易狀態管理，屬深層邏輯問題而非語法錯誤
  • 關鍵做法是用「另一個模型」做二次複審

💡 為什麼重要：這是 Fable 實際使用成本的首次公開透明估算。證明 AI 能處理複雜重構，但可計費、明確的投資，比模糊的時間成本更有說服力——前提是搭配人工與跨模型複審。

🔗 閱讀原文 | 來源: Simon Willison

3. 阿里巴巴內部全面禁用 Claude Code#

據報阿里巴巴自 7/10 起禁止員工使用 Claude Code，理由是 Anthropic 為防止帳號濫用與模型蒸餾而部署的安全措施會識別中國使用者。阿里將員工導向自家 Qoder 工具。Anthropic 的 Thariq Shihipar 稱這是自 3 月起的實驗，團隊已開發更強的緩解措施。

  • 安全措施旨在防止帳號濫用與未授權的模型蒸餾
  • 阿里以自研 Qoder 作為替代方案
  • 反映中國企業對外國 AI 工具日益謹慎，市場走向碎片化

💡 為什麼重要：AI 開發工具第一次不是比功能、比價格，而是升級成地緣政治問題。對國際團隊而言，供應商多元化不再是選項而是必要。

🔗 閱讀原文 | 來源: TechCrunch

4. Everything I know about running LLMs locally#

一份極其詳盡的消費級硬體本地 LLM 執行指南（905 stars）。$2,000 預算（雙 RTX 3090、48GB）可跑 Qwen3.6-27B 級模型；$40,000 可逼近 Claude Opus 效能。核心是硬體與 BIOS 調優：用 PCIe Gen4 交換機達成 27.5 GB/s 單向頻寬、啟用 Resize BAR、禁用 ASPM、設 iommu=off 防多 GPU 掛起。

  • 優先投資 VRAM 而非最新主機板，eBay 找上一代硬體最划算
  • BIOS/核心參數（分岔降級、Resize BAR、IOMMU）決定多 GPU 穩定性
  • 標準 110V 電路下每 GPU 功率限制 350W

💡 為什麼重要：本地 LLM 已從邊緣實驗變成實用選項。對重視資料隱私、想擺脫 API 鎖定的組織，這條路正變得不可或缺。

🔗 閱讀原文 | 來源: GitHub

5. claude-real-video：讓 Claude 真的「看」影片#

台灣開發者 HUANGCHIHHUNGLeo 的工具（934 stars），透過智慧畫幀擷取 + 逐字稿，讓 Claude 等 LLM 在本機分析影片。用場景變化偵測 + 最小間隔避免遺漏內容或過度採樣靜態畫面，再用像素差異去重確保不浪費 context。字幕優先、Whisper 遞補，全程本地處理保護隱私。

  • 解決固定間隔採樣（每秒 1 幀）在快切遺漏、靜態浪費的兩難
  • 像素差異去重降低 context 消耗
  • Python 3.10+、需 ffmpeg，支援 yt-dlp URL 與本地檔案

💡 為什麼重要：多模態不該盲目上傳整支影片。智慧預處理在成本與隱私間找到平衡，隨邊際推理成本上升愈發關鍵。

🔗 閱讀原文 | 來源: GitHub

6. Proof of Human：AI 時代如何驗證真人#

ByteByteGo 探討在 AI 大規模自動化下，傳統驗證手段（速率限制、驗證碼、手機門號、裝置指紋）為何全面失效，並提出五大支柱框架：獨特性（虹膜掃描達十億級精度）、匿名性（多方安全計算隱藏生物特徵）、恢復（公鑰取代密碼儲存）、驗證（服務專屬無效化器）、委託（允許 AI 代理註冊）。

  • 生物特徵資料分三份、分散於獨立組織，跨司法管轄協調
  • 用 SMPC 讓三方在不暴露原始特徵下做重複檢測
  • 無效化器防止跨平台關聯，兼顧隱私與唯一性

💡 為什麼重要：當機器人能跑數千次對話、自行註冊帳號，「證明你是獨一無二的真人」正從哲學題變成工程題。

🔗 閱讀原文 | 來源: ByteByteGo

7. Amazon 停止接受 Mechanical Turk 新客戶#

Amazon 停止接受 Mechanical Turk 新客戶，現有客戶可續用但無新功能。平台衰退主因是機器人與詐欺氾濫，加上 33–46% 工作者用 AI 語言模型完成任務、破壞資料品質。隨 AI 成熟，眾包人力標註需求下降，維護成本難以合理化。

  • 33–46% 工作已由工作者用 AI 自動完成，形成資料品質死循環
  • AI 既降低人力標註需求，又被工作者用來自動化
  • 象徵傳統眾包經濟的結構性危機

💡 為什麼重要：大型科技公司正重新評估「人類勞動在 AI 訓練中的經濟價值」，標註產業面臨雙重擠壓。

🔗 閱讀原文 | 來源: TechCrunch

推薦閱讀#

大神動態#

中文技術圈#

開源精選#

ammaarreshi/Generals-Mac-iOS-iPad — C++ | ⭐ 781 《終極動員令：將軍》原生跑在 macOS / iPhone / iPad，DXVK/MoltenVK 渲染 + RTS 觸控操作。

uzairansaruzi/hermex — Swift | ⭐ 614 為 Hermes agent 打造的原生 iPhone app。

Kulaxyz/token-diet — Shell | ⭐ 584 給編碼 agent（Claude Code、Codex、Cursor）的常駐省 token 技能，平均帳單降約 31%。

HKUDS/OpenOPC — Python | ⭐ 375 打造你的 AI 原生公司——自建、自營、自成長。

影音精選#

You were lied to about Fable#

1d · Theo (t3.gg)

Theo (t3.gg)

Theo 逐一拆解社群瘋傳的「Fable 很爛」傳言——費用過高、訂閱即將取消（7/7 下架）、編碼能力被閹割。他認為模型其實表現優異，只是被錯誤資訊淹沒，並坦承自己過去低估了 computer use 的價值。

  • 訂閱方案 7/7 下架，但不代表無法再用該模型
  • 網傳「被閹割、降級到 Opus 4.8」與實際體驗不符，別再輕信誤導性 benchmark 截圖
  • Theo 公開承認過去看輕 computer use，是這次最大認知翻轉

開放模型 vs 前沿模型：誰才是真正贏家？#

2d · 20VC

20VC

Harry Stebbings 專訪 Sierra 共同創辦人 Clay Bavor，談 Sierra 為何不自建基礎模型、而是持續採購前沿模型，並分析中美開放模型差距與 token 成本上升的原因。

  • Sierra 估值約 158 億美元、募資超 15 億、服務逾 40% 的 Fortune 50
  • ARR 已破 1.5 億美元，史上成長最快的企業軟體公司之一
  • Bavor 認為前沿模型 token 成本正在上升而非下降

今天年輕人擁有的不公平優勢#

16h · 20VC

20VC

Clay Bavor 指出剛畢業的年輕人擁有前所未有的優勢——大學四年可自由投入學習 AI 工具，畢業即能把 AI 能力帶進渴求轉型的公司。他觀察內部最有效率的員工往往是「完全被 AI 浸潤」的 22、23 歲新人。

  • 內部最有效率的員工中，有些人年僅 22、23 歲
  • 共通點是「完全被 AI 浸潤（AI-pilled）」，對工具熟練度勝過資深員工
  • 大學四年的自由時間，是年輕人比職場老手更早精通 AI 工具的關鍵

今日觀察#

今天有兩篇文章正好構成一組刺眼的對照：Armin Ronacher 的〈Better Models: Worse Tools〉說更新的模型把工具用得更爛，而 Simon Willison 的 sqlite-utils 帳單卻證明同一批模型能花 149 美元把一整個函式庫修到發現藏了很久的資料遺失 bug。差別不在模型有多聰明，而在護欄——Armin 靠的是 strict 模式把 schema 講死，Simon 靠的是讓第二個模型做複審。這條線再往外拉，就接上了 Amazon 關掉 Mechanical Turk 新客戶（33–46% 的標註工作已經是 AI 代寫）和 ByteByteGo 的〈Proof of Human〉：當機器能冒充人、也能被人拿來冒充工作成果，我們花在「驗證」上的力氣，正在悄悄超過花在「生產」上的力氣。對開發者來說，這一週真正的技能升級，或許不是學會用更強的模型，而是學會不信任它——把每一次自動化的輸出，都當成需要第二道關卡才能放行的東西。

覺得有用嗎？分享給一個也在追蹤新知的朋友。

也歡迎中長期投資者體驗新工具 → Moniit banner

同期還有