我釋出了很多東西，也學到更多 :)

Theo Browne 是 T3 Code 這個代理式開發環境的創造者。他主張，AI 寫程式的「外殼」（harness）正逐漸變成實作細節，使用者不必再在意；真正能槓桿的地方，在於把模糊的問題轉換成可量測的評測（eval），讓代理能沿著評分持續爬坡。本集大部分是現場實作：Browne 把大半時間花在錄兩支長影片上——一支講為什麼外殼幾乎不重要，一支講如何用多模型「評議會」把 T3 Code 的 UI 從 6/10 一路爬升到 10/10——另外還有一大段聊天室問答，談新創、通路，以及他自己的產品。標題說「出貨很多」並不誇張；外殼論述是全集的智識核心，但只佔了錄影的前一小時左右，並非整集。

Browne 的視角相當罕見：他同時經營三家公司（T3 Tools、T3 Content，以及創作者合作經紀公司 10XN），把 T3 Code 當成免費開源專案維護，而且在 Anthropic 與 OpenAI 兩個生態系都涉入夠深，對雙方的路線圖都有意見。讀者讀完應該能帶走三樣東西：一套具體可複用的技巧（用多模型評分迴圈當作評測）、一個清楚的 LLM／外殼／介面分層心智模型，以及 Browne 對代理工具市場走向毫不修飾的看法——包括他預測 T3 Code 一旦停止加速就會死。

外殼正變成實作細節，而 Browne 不想再談它了

Browne 的核心論點是：工程師鑽研的那一層不斷往上移，而外殼正是即將被吸收掉的當前這一層。他用一個堆疊來鋪陳：指令集被 C 取代、格式之爭被 Prettier 終結、框架被模型取代，現在輪到外殼被它上面那一層吸收。他的證據是各家外殼之間的差距已縮小到雜訊等級——他估計在跑 Codex 模型時，Claude Code 與 Codex 的差距只有「3% 到 5%」，並說這個差距是模型層的缺陷、日後會被修掉，而不是能長久維持的產品護城河。

他把外殼（讓模型得以行動的工具與語法——讀檔、編輯、bash、子代理）和介面（人實際接觸的東西）分得很清楚。他認為 Claude Code 是一個介面，裡面綁了一套外殼（Agent SDK）。T3 Code 則是介面加上一層資料平面（T3 Code MCP），讓某個外殼能把工作轉派給另一個外殼，而不必棲身於任何單一外殼之內。正是這個架構選擇，讓 T3 Code 能一鍵在 Claude Code 與 Codex 之間切換，同時保留各外殼原生的 skills 與外掛。

他反覆強調的實際後果是：使用者根本感受不到外殼。他們從 Claude Code 換到 T3 Code、加上 Codex，然後困惑於自己的 Claude skills 不見了——因為他們以為換掉的是整個盒子，其實只換了介面。Browne 形容 T3 Code 像「購物中心裡的美食街，你挑要走進哪個廚房」，並說模型選擇器其實就是外殼選擇器。

「我不管差距是不是比那更大。那是 LLM 層的缺陷，遲早會被解決。讓外殼變得不重要，正是我的目標。」

他也坦承這裡面有自身利益的考量，隨即又把它擱到一邊：如果外殼真的重要，他大可以打造一個很棒的外殼來贏得使用者；但事實並非如此，所以他選擇了更難的路——讓 T3 Code 與外殼無關。他提到這麼做的複雜度代價：「你知道我們的程式碼為了管理所有外殼底下各種不同型別的子代理，有多複雜嗎？爛透了。」並說 OpenCode 之所以比較好做，正是因為它不去支援每個外殼的怪癖。

多模型評分迴圈，在沒有設計師的情況下把 6/10 的 UI 拉到 10/10

這是本集最具體、最可複用的發現。Browne 沒有全職的 UI/UX 人手，還被公開批評 T3 Code 看起來很醜而耿耿於懷。他做了一個「評議會」skill：由三家不同供應商的強模型（Opus 5.5、GPT-6.1／Sol、Muse）各自檢視截圖並給 UI 打 1–10 分，另外刻意放進第四個沒用的「Jester」（Gemini），它的分數不予採計，輸出只用來記錄、博君一笑。接著他把這套流程當成爬坡來跑——反覆迭代，直到每位評議會成員都給到 9/10 以上。

結果逐輪如下：

方法上的關鍵洞見是：當他把 Claude Code 與 Codex 的截圖放進比較組後，分數掉了下來，爬坡也變得更難——而且競品自己的分數即使截圖從未更動，也隨時間往上漂。這種不確定性正是他警告別把目標分數告訴子代理的原因（可能造成偏誤），也是他安排模型順序以節省用量的原因：先跑 Sol 直到分數拉高，再加入 Opus，最後才輪到 Muse。

成本與時間：約 17.6 小時的平行代理執行時間，總計約 400 美元，其中包含一次 152 美元的 beta 精修，單就畫面上展示的 UI 工作約 250 美元。Browne 拿這筆錢對照每月 200 美元的訂閱——後者最多可產出 12,000 美元的用量——所以對任何有 Claude 和 Codex 訂閱的人來說，這個實驗都很便宜。他也提到同一套技巧曾套用在一個更難、可程式化驗證的評測上：T3 Code MCP 的工具描述。

「只要你能把某件事變成評測，你就能讓它爬坡。這只是評測的搞笑版本。」

他對結果明顯感到意外：「我本來——我早就對這招的效果很驚豔了。靠，這真的有效。」他把成果以切換開關的形式推上 beta 分頁，並在直播中直接合併上線。

MCP 描述評測把上下文砍半，同時提升正確率

Browne 的第二次爬坡嚴謹得多，因為它可以程式化驗證。他把自己歷史紀錄中模型誤用 T3 Code MCP 工具的每一個案例都蒐集起來——該用子代理時卻開了新執行緒、該收斂的執行緒卻留在畫面上——加以分類，建出一份 85 到 88 個案例的評測。Sonnet 5.5 起初大約答對 60/88。

接著他依序給代理兩個相反的目標：先拿到滿分並提交為穩定基準，然後在維持滿分的前提下盡可能刪減工具描述，目標是原始篇幅的三分之一。那個執行緒「跑了靠盃久」，但成功了。實測的上下文用量降幅：T3 Code 減少 52%，開啟工具搜尋的 T3 Code 減少 78%。這項變更已進入 nightly，正朝 stable 推進。

他特別點出的失敗模式是：中間某一輪只拿到 63/85，比 66/85 的基準還低，之後才回升。這正是提交評測的價值——它能抓到代理在最佳化過程中自己引入的退步。Browne 更廣的論點是：這類工作在一年前根本不切實際（得花好幾個月手動蒐集資料），現在卻「算是小事一樁」，這正是評測驅動開發如今可行的原因。

Browne 看兩大實驗室：Anthropic 領先、OpenAI 落後，而 Agent SDK 的 bug 是真的

Browne 在直播中確認，Claude Agent SDK 的問題「絕對是 bug」，並非刻意設計，並說 Anthropic 正在處理——不過他也保留地說，他不確定對方是否已公開承認。他對這層關係很謹慎：「我比幾乎任何人都更需要跟這些實驗室維持良好關係，因為 T3 Code。」這也是他拒絕做那種讓使用者把多個 Claude 或 Codex 訂閱疊在同一個工具裡的功能的原因。

談到 OpenAI，他毫不留情：「老實說，除了 OpenAI 自己，有時候會覺得他們卡住了，對 Anthropic 的碾壓毫無對策。」他說自己沒有拿到 OpenAI 任何競品的早期存取，推測他們可能得「直接跳到 6.5 或 7」，並稱 Codex 的系統提示「一團亂」，把模型搞得「像被切除腦葉一樣糟糕」。他預測，一旦 OpenAI 追上，Codex 對 OpenAI 自家模型而言會明顯比 Claude Code 更好用——這又強化了他「外殼與模型正在收斂」的論點。

他也提到一個結構性的副作用：使用者之所以還能把訂閱方案用在其他工具上，可能正是因為 T3 Code 存在，因為「Anthropic 或 OpenAI 若把 T3 Code 弄死，場面會很難看」。

新創是糟糕的預設選項，通路才是真正的瓶頸

聊天室裡有個 14 歲的少年問新建立議，換來一段落落長的反創業說教。Browne 的原則是：只有當某個具體的缺口讓你氣到不行、心不甘情不願地非做不可時，才去創業。否則就去上班——人脈、運氣曝險和薪水，複利速度都比較快。他說自己根本不想當 CEO，如今卻「卡在當三家公司的 CEO」。

他最廣為流傳的版本，刻意寫得很灰暗：

「唯一會上升的，是你自殺的機率。而這偏偏又剛好對應到你朋友少得可憐，死了甚至不會有人想念。」

他把能撐下來歸功於共同創辦人與 Y Combinator——「我人生中最孤獨的時候，就是一個人創業」——並把新創的苦比作醫學院：同梯結構讓同樣艱難的經歷不那麼孤立。他說自己創業最大的錯誤是超額招聘，並點名裁員是他做過最難的事，而這正是他如今對人力規模與變現格外謹慎的原因。

談到通路，他打了個比方：想像寫程式至今仍要花十年才練得精、而且只有少數人做得到——你就不會去找大師請教你的第一支 app，而是付錢請他，或跟他交朋友。他給開發者的建議是去結交那些已經握有通路的人，因為「如果你說服不了我們用你做的東西，你就永遠說服不了我們的觀眾」。他也提到 10XN 旗下創作者的 YouTube 觀看數已突破五億，並隨手估算所有開發者中有 40–50% 會看到這些創作者的內容。

T3 Code 的商業現實：免費、開源，而且拚命保持領先

Browne 對經濟現實很坦白。T3 Code 沒有營收——「你沒辦法付錢給我們來用它」——團隊是三位全職工程師（Julius、Mark、Gabriel），加上在他其他事業任職的貢獻者。他賣一門付費課程（Mega Dev），明擺著是為了養團隊，並在直播中反覆叮嚀觀眾別用自己的錢買，而是報公帳：「我要養 18 個員工。我們得賺錢。」

他用加速的角度談競爭風險：Bammel 和 Human Layer 各自曾領先市場約 18 個月，但此後只前進了六個月，結果全被追上。他的結論是，T3 Code 若停止往下一層推進，也會以同樣的方式死掉——「敵人不是加速。現在連維持速度都不夠了。」

他也提到一個小小的工程勝利：修好 Windows ARM 版本。原本要花 10–20 分鐘的 Windows ARM64 建置，現在 3 分鐘內就能完成，做法是在 Linux 上交叉編譯 ARM 執行檔，只在 Windows 機器上簽章與驗證。他對這個平臺的評價毫不留情——「我他媽恨死 Windows，更恨死 Windows ARM」——並賭 Intel 修好自家晶片的機率，比 Microsoft 修好 Windows 的機率還高。

直播本身就是場災難，而版本在直播中壞了

本集開場是 Browne 在跟平臺故障搏鬥：新手機觸發 Google 身分重新驗證，害他無法開播；OBS 狀態不對；他的 M5 Max MacBook（128GB 記憶體、8TB 硬碟，當初花 8,000 美元購入，現在轉手價 12,000 美元）在直播中途死當，只能強制斷電重開。他當場讀了當機日誌，除了可能是鍵盤／觸控板鎖死之外，查不出確切原因。他說自己差點取消，但還是硬撐下去，因為接下來一週會很混亂，週三可能無法開直播。

收尾也是一場現場事故：他推的 nightly 版本一啟動就壞，他只好結束直播去處理——「要是我的審查迴圈裡有 Gemini 就好了。」他也提到另一個 Cloudflare Pipelines 的問題：他自己用代理建置的監控發現了嚴重缺陷，Cloudflare 的 CTO 後來還向他索取細節；他拿這件事當證據，說明模型如今在某些架構審查上，已經比推出這些系統的公司本身還行。

綜合：評測就是產品，護城河就是加速

有兩條線把本集串在一起。第一，Browne 最有價值的產出不是某個功能，而是一套*方法*：把模糊的品質標準轉換成分數，讓多個模型來評判，然後反覆迭代直到分數過關。他用在 UI 上（靠感覺、不確定性高，但還是奏效），也用在 MCP 工具描述上（可程式化、可驗證，上下文砍了 52–78%）。尚未解決的張力在於：靠感覺的版本並不可靠——同一張截圖評三次會得到三個分數、競品分數在毫無變動下也會往上漂、把目標告訴子代理可能造成偏誤。Browne 全都承認，卻照樣出貨，這件事本身就是個資料點，說明工具演進的速度遠快於嚴謹度。

第二，Browne 押注的每一層最後都被商品化，而他把它當成商業模式，而不是威脅。他預期 ADE 會在「非常近的未來」變得不重要，就像 IDE 和編輯器一樣；而他打造 T3 Code，就是要讓它成為能在那場轉換中存活下來的東西——靠的是站在外殼之上，而非藏在外殼之中。這招能不能成，取決於那些實驗室：如果 Anthropic 或 OpenAI 推出自家第一方 ADE，或者外殼與模型的收斂讓介面層變得微不足道，T3 Code 免費開源的定位就會從護城河變成負債。值得持續追蹤的是：Agent SDK 的 bug 會不會有公開的事後檢討、OpenAI 會不會推出足以與 Opus 5.5 競爭的東西，以及當評判的模型和被評判的模型是同一批時，評議會這套技巧還站不站得住腳。