在戰棋戰鬥場景裡，移動格網（MoveGrid）由大量 Sprite 組成，每個格子背後可能有 back、deco、sr 等多個 SpriteRenderer。這次做了一個 bake 功能，把這些 Sprite 靜態合併成單一 mesh，結果出現了一個值得記錄的反直覺現象。

數據對照

bake-off

- 閱讀剩餘部分 -

本文以一個中型 Unity 單機遊戲專案為基礎，探討在程式碼總量逼近百萬 token 的情境下，
如何透過設計專案專屬的 Claude Code Skills，有效降低 token 消耗並提升查詢效率。

一、Session 數據初步觀察

從 token 總量與增長趨勢來看，本次 session 並無明顯異常。

- 閱讀剩餘部分 -

——從神經機制到可訓練性，以及一個更深的問題

你有沒有這種經驗：明明沒做什麼重體力活，只是在幾件事之間跳來跳去，一天下來卻累得像被榨乾？

這不是你的錯覺，也不是你意志力不夠。背後有一套很具體的神經機制在運作。

不過，在解釋「為什麼累」之前，我想先說一件事：關於注意力切換，網路上流傳的說法說對了一半——但說錯的那一半，才是更關鍵的部分。

切換確實有成本，但成本不是固定的

- 閱讀剩餘部分 -

把 Meta 的影片分割模型接上透視投影，讓每個球員的移動路徑自動投影到俯視球場圖上。

前言

看 NBA 直播的時候，鏡頭永遠跟著球跑，球員散落在整個半場各個角落。教練要分析戰術，往往得一格一格回放，還要手動標記位置，耗時又費力。

如果能讓 AI 自動追蹤每個球員、即時畫出他們在球場上的移動軌跡，這件事就有趣多了。

這篇文章記錄的是一個週末實驗：用 Meta 的 SAM3（SAM2.1）對 NBA 影片做球員分割，再透過 Homography 透視投影，把每個球員的腳底位置換算成俯視球場座標。最終輸出兩支影片——一支是疊加彩色 mask 的原始視角，另一支是即時更新軌跡的俯視鳥瞰圖。

- 閱讀剩餘部分 -

Anthropic 上週宣布，6/15 起訂閱額度一分為二。

1. 人類在場、有互動的 Human-in-the-loop 用途（像是 Claude Code 日常使用）繼續吃原本的額度
2. 自動化工作流 Away From Keyboard（AFK）則改吃獨立的月度 credit——Pro 給 $20、Max 5x 給 $100、Max 20x 給 $200

這對 AFK 工作流和 harness engineering 來說是一記重拳，但同時也是重新審視自己 agent infra 的好時機。

- 閱讀剩餘部分 -