1Podcast入門EN
How to Build a Coding Agent with Nico (Amp Code)
這段內容深入解析了 AI 程式設計代理的核心運作機制，特別是「上下文工程」與「程式設計棧（Harness）」的設計。講者指出，代理的表現取決於如何管理對話歷史、工具呼叫與記憶，而非單純依賴模型能力。
Vanishing GradientsHugo Bowne-Anderson
Podcast ・ 國際 ・ 英文 ・ A 級 ・ 30 筆內容 ・ 最近更新 2026/09/15
打造 AI 產品的實務訪談
最受歡迎
依人氣
- 2Podcast進階EN
Agentic Engineering and the Lost Art of Verification（在新分頁開啟原站）
主持人與三位嘉賓探討 AGI 時代的「代理工程」，強調從「氛圍程式設計」轉向重視「驗證」的驗證工程。內容涵蓋 Wes 的 Roborev 自動審查機制、Jeremiah 的語音記憶系統，以及 Randy 對人類判斷的編碼方法。
※ 摘要僅根據標題與說明
- 3Podcast進階EN
LLM Architecture in 2026: What You Need to Know with Sebastian Raschka（在新分頁開啟原站）
本訪談探討 2026 年 AI 架構的演變，涵蓋從後訓練到混合模型的技術發展，並分析這些變化如何影響開發者在代理時代的架構設計。
※ 摘要僅根據標題與說明
- 4Podcast進階EN
What Claude Fable Means for Coding Agents（在新分頁開啟原站）
本播客探討 Claude Fable 如何重塑程式碼代理的運作模式。作者指出，當模型能力提升時，傳統程式設計代理的架構往往需要被重新設計，甚至捨棄部分程式碼以適應新的工作流。
※ 摘要僅根據標題與說明
- 5Podcast進階EN
Episode 61: The AI Agent Reliability Cliff: What Happens When Tools Fail in Production（在新分頁開啟原站）
AI 團隊常因多代理系統失控而陷入混亂，但 ML 工程師 Alex Strick 指出他們忽略了生產環境的現實。他結合 LLM Ops Database 的例項，教導如何透過工程化思維將不穩定的原型轉化為企業級可靠 AI。
※ 摘要僅根據標題與說明
- 6Podcast入門EN
Episode 62: Practical AI at Work: How Execs and Developers Can Actually Use LLMs（在新分頁開啟原站）
Wyrd 創辦人 Randall Olson 探討如何讓企業與開發者實際運用 LLM。他主張從「平庸但有價值」的問題入手，並提出從自動化會議摘要到自主代理的漸進式策略，強調需將 AI 評估視為軟體工程的嚴謹流程。
※ 摘要僅根據標題與說明
- 7Podcast進階EN
Episode 58: Building GenAI Systems That Make Business Decisions with Thomas Wiecki (PyMC Labs)（在新分頁開啟原站）
Thomas Wiecki 探討如何結合貝葉斯建模與合成消費者來利用大語言模型進行商業決策。他分享透過 AI 模擬市場調查、最佳化行銷預算以及建立閉環系統的方法，並說明如何確保這些系統在行銷混合模型中的可靠性與可解釋性。
※ 摘要僅根據標題與說明
- 8Podcast入門EN
Episode 56: DeepMind Just Dropped Gemma 270M... And Here’s Why It Matters（在新分頁開啟原站）
Google DeepMind 推出 Gemma 3 270M 模型，這是 Gemma 系列中最小的開放權重模型。它僅有 2.7 億引數，專為速度、效率與精細調教設計，適合在端裝置上執行並進行快速訓練。
※ 摘要僅根據標題與說明
- 9Podcast入門EN
If Developers Build on Chinese Open-Weight Models, Who Leads AI?（在新分頁開啟原站）
本訪談探討開發者若基於中文開放權重模型建構，誰將主導 AI 領域。訪談者強調開放權重能促進競爭、降低對單一供應商的依賴，並讓組織根據能力與成本選擇合適的模型。
※ 摘要僅根據標題與說明
- 10Podcast進階EN
Episode 55: From Frittatas to Production LLMs: Breakfast at SciPy（在新分頁開啟原站）
探討 AI 產品如何在混亂現實中生存，透過 Eric Ma 與 Hugo 在 SciPy 的早餐訪談，分析三種人物盲點、測試與生產的觀察迴圈，以及如何在實驗與交付之間取得平衡。
※ 摘要僅根據標題與說明
最新內容
依發布時間
- Podcast入門EN
How to Build a Coding Agent with Nico (Amp Code)
這段內容深入解析了 AI 程式設計代理的核心運作機制，特別是「上下文工程」與「程式設計棧（Harness）」的設計。講者指出，代理的表現取決於如何管理對話歷史、工具呼叫與記憶，而非單純依賴模型能力。
- Podcast入門EN
The Rise of the AI Scientist
本訪談探討 AI 產品設計中的「評估問題」，指出當產品無法讓使用者驗證答案時，說明產品本身設計不佳。訪談者提出未來可能出現「AI 科學家」這一新職稱，負責設計可驗證的 AI 系統。
- Podcast入門EN
If Developers Build on Chinese Open-Weight Models, Who Leads AI?（在新分頁開啟原站）
本訪談探討開發者若基於中文開放權重模型建構，誰將主導 AI 領域。訪談者強調開放權重能促進競爭、降低對單一供應商的依賴，並讓組織根據能力與成本選擇合適的模型。
※ 摘要僅根據標題與說明
- Podcast進階EN
Four Months Inside a Production AI Agent: What Real Users Changed（在新分頁開啟原站）
這則報導講述了 Maven Assistant 從僅能服務 20% 使用者到全量覆蓋的歷程，並揭露了生產環境如何透過緊急防護與人工審計來修正錯誤。
※ 摘要僅根據標題與說明
- Podcast入門EN
Building an Enterprise AI Agent for Healthcare（在新分頁開啟原站）
本訪談探討如何建立醫療機構的企業級 AI 代理。作者分享從零開始開發的實戰經驗，涵蓋如何評估工具呼叫、設定錯誤處理機制，以及建立符合醫療場景的品質控制流程。
※ 摘要僅根據標題與說明
- Podcast進階EN
What Claude Fable Means for Coding Agents（在新分頁開啟原站）
本播客探討 Claude Fable 如何重塑程式碼代理的運作模式。作者指出，當模型能力提升時，傳統程式設計代理的架構往往需要被重新設計，甚至捨棄部分程式碼以適應新的工作流。
※ 摘要僅根據標題與說明
- Podcast進階EN
The Future of Agentic Data Science（在新分頁開啟原站）
本訪談探討「代理型資料科學」如何將資料科學從成本中心轉型為即時決策智慧中心。訪談者介紹了透過並行分析、多玩家協作以及因果評估層面來解決資料科學中的斷層問題，並展示了如何將專業判斷轉化為可運用的技能。
※ 摘要僅根據標題與說明
- Podcast進階EN
Agent-Harness.ipynb*（在新分頁開啟原站）
這段訪談探討了 Python 筆記本如何從靜態手寫本演變為可執行的 Agent 排程器。主持人 Vincent Warmerdam 與 Hugo 討論了筆記本作為共享記憶體空間的優勢，以及使用速度較快的開源模型如何幫助開發者保持清醒，避免…
※ 摘要僅根據標題與說明
- Podcast進階EN
Agentic Engineering and the Lost Art of Verification（在新分頁開啟原站）
主持人與三位嘉賓探討 AGI 時代的「代理工程」，強調從「氛圍程式設計」轉向重視「驗證」的驗證工程。內容涵蓋 Wes 的 Roborev 自動審查機制、Jeremiah 的語音記憶系統，以及 Randy 對人類判斷的編碼方法。
※ 摘要僅根據標題與說明
- Podcast進階EN
Next Level AI Evals for 2026（在新分頁開啟原站）
ASU 的 Stella Wenxing Liu 與 Google 的 Eddie Landesberg 探討 2026 年 AI 評估如何從「感覺檢查」演變為嚴謹的跨學科科學，並預測因果推理將推動評估技術邁向新高度。
※ 摘要僅根據標題與說明
- Podcast進階EN
Privacy Theater Is Not Privacy Engineering: What It Actually Takes to Ship Safe AI（在新分頁開啟原站）
本訪談探討如何建立可防禦的 AI 系統，特別針對 LLM與多模態模型。作者指出，系統提示詞應視為公開資訊，並強調建立隱私可觀察性以追蹤資料流向，確保資料僅用於原定用途。
※ 摘要僅根據標題與說明
- Podcast進階EN
LLM Architecture in 2026: What You Need to Know with Sebastian Raschka（在新分頁開啟原站）
本訪談探討 2026 年 AI 架構的演變，涵蓋從後訓練到混合模型的技術發展，並分析這些變化如何影響開發者在代理時代的架構設計。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 72: Why Agents Solve the Wrong Problem (and What Data Scientists Do Instead)（在新分頁開啟原站）
探討 AI 代理如何解決錯誤問題，並對比資料科學家應如何處理。主持人與 Bryan Bischof 討論了代理失敗的漏斗、零成本提交如何破壞信任，以及資料科學從二進位制決策轉向迭代問題構建的過程。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 71: Durable Agents - How to Build AI Systems That Survive a Crash with Samuel Colvin（在新分頁開啟原站）
探討如何透過工程化思維打造能抗災的 AI 代理。作者強調生產級代理需具備高可靠性與穩定性，並建議將系統拆分為確定性工作流與隨機活動，同時指出未來 AI 可視性將成為原生功能。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 70: 1,400 Production AI Deployments（在新分頁開啟原站）
探討 AI 部署中的常見陷阱，如無限迴圈與隱形失敗，並分享 ELIOS 如何透過極端策略降低迴應時間，以及 DoorDash 的三層架構與持續學習層面的最佳實踐。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 69: Python is Dead. Long Live Python! With the Creators of pandas & Parquet（在新分頁開啟原站）
主持人與 pandas 創作者 Wes McKinney 探討 AI 時代程式語言的演變，認為 Go 等語言因適合 Agent 迭代而更具優勢。內容涵蓋 Agent 體感最佳化、多模態資料處理、以及重視「品味」而非單純速度的新開發理念。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 68: A Builder’s Guide to Agentic Search & Retrieval with Doug Turnbull & John Berryman（在新分頁開啟原站）
探討如何建構「代理搜尋」應用，由搜尋老兵 Doug Turnbull 與 John Berryman 分享從傳統關鍵字搜尋演變至智慧代理的經驗。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 67: Saving Hundreds of Hours of Dev Time with AI Agents That Learn（在新分頁開啟原站）
探討如何透過 AI 代理重新定義軟體開發，利用「規範優先」策略與進階代理工作流，將開發時間從數百小時節省下來。內容涵蓋從 Markdown 學習迴圈到自動化技術債務審計的實戰技巧。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 66: The Agent Paradox - Why Moderna's Most Productive AI Systems Aren't Agents（在新分頁開啟原站）
Eric Ma 在 Podcast 中澄清 Moderna 內部系統並非 AI 工作流或 Agent，強調應優先建立堅固的可靠工作流。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 65: The Rise of Agentic Search（在新分頁開啟原站）
探討 Agentic Search 如何改變搜尋與軟體開發的範疇。Jeff Huber 介紹了如何設計上下文工程，解決上下文過載問題，並分享如何構建具備自主能力的智慧體系統。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 64: Data Science Meets Agentic AI with Michael Kennedy (Talk Python)（在新分頁開啟原站）
探討 Agentic AI 如何重塑開發流程，並透過 Michael Kennedy 的觀點，說明如何透過專注核心問題來降低軟體與 AI 的成本。內容涵蓋從消除複雜性到使用簡單堆疊部署系統，以及如何在 AI 時代培養系統思維。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 63: Why Gemini 3 Will Change How You Build AI Agents with Ravin Kumar (Google DeepMind)（在新分頁開啟原站）
Google DeepMind 的 Ravin Kumar 探討 Gemini 3 如何透過自我修復能力徹底改變 AI 代理開發。
※ 摘要僅根據標題與說明
- Podcast入門EN
Episode 62: Practical AI at Work: How Execs and Developers Can Actually Use LLMs（在新分頁開啟原站）
Wyrd 創辦人 Randall Olson 探討如何讓企業與開發者實際運用 LLM。他主張從「平庸但有價值」的問題入手，並提出從自動化會議摘要到自主代理的漸進式策略，強調需將 AI 評估視為軟體工程的嚴謹流程。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 61: The AI Agent Reliability Cliff: What Happens When Tools Fail in Production（在新分頁開啟原站）
AI 團隊常因多代理系統失控而陷入混亂，但 ML 工程師 Alex Strick 指出他們忽略了生產環境的現實。他結合 LLM Ops Database 的例項，教導如何透過工程化思維將不穩定的原型轉化為企業級可靠 AI。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 60: 10 Things I Hate About AI Evals with Hamel Husain（在新分頁開啟原站）
Hamel Husain 指出 AI 評估常是團隊浪費時間的誤區，他提出以資料為中心的系統化方法，將不穩定的原型轉化為可信任的生產系統。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 59: Patterns and Anti-Patterns For Building with AI（在新分頁開啟原站）
John Berryman 分享了 AI 開發中的七大禁忌與實戰修復方法，強調將大模型視為「AI 實習生」而非全知神秘。他指出過度追求完美準確率會導致死衚衕，並探討如何在不失去控制的情況下使用代理系統。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 58: Building GenAI Systems That Make Business Decisions with Thomas Wiecki (PyMC Labs)（在新分頁開啟原站）
Thomas Wiecki 探討如何結合貝葉斯建模與合成消費者來利用大語言模型進行商業決策。他分享透過 AI 模擬市場調查、最佳化行銷預算以及建立閉環系統的方法，並說明如何確保這些系統在行銷混合模型中的可靠性與可解釋性。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 57: AI Agents and LLM Judges at Scale: Processing Millions of Documents (Without Breaking the Bank)（在新分頁開啟原站）
UC Berkeley 的 Shreya Shankar 分享如何將 LLM 工作流視為 ETL 管道，利用 AI 代理與 LLM 評審系統處理海量無結構資料。
※ 摘要僅根據標題與說明
- Podcast入門EN
Episode 56: DeepMind Just Dropped Gemma 270M... And Here’s Why It Matters（在新分頁開啟原站）
Google DeepMind 推出 Gemma 3 270M 模型，這是 Gemma 系列中最小的開放權重模型。它僅有 2.7 億引數，專為速度、效率與精細調教設計，適合在端裝置上執行並進行快速訓練。
※ 摘要僅根據標題與說明
- Podcast進階EN
Episode 55: From Frittatas to Production LLMs: Breakfast at SciPy（在新分頁開啟原站）
探討 AI 產品如何在混亂現實中生存，透過 Eric Ma 與 Hugo 在 SciPy 的早餐訪談，分析三種人物盲點、測試與生產的觀察迴圈，以及如何在實驗與交付之間取得平衡。
※ 摘要僅根據標題與說明
