Загрузка видео...

Не удалось загрузить видео

Возникла проблема при загрузке этого видео. Это может быть связано с временными проблемами сети или видео может быть недоступно.

На главную

做 App 的人最怕的从来是这句话：功能都做完了，怎么收钱？海明Dev 刚开源的 haiming-app-monetization，2 天 168 star 一个专门管 App 商业化的 Skill：读你的项目代码，去查同类产品的真实定价，然后给出 onboarding、付费墙、套餐方案，直接能交给开发 Agent 落地最妙的是它很诚实默认只评估不改代码，查不到价格就标"未核实"，AI 类 App 有持续成本它就不推无限终身，验收文档里明确写了不承诺转化率这种克制反而比吹得天花乱坠的靠谱!! Claude Code、Codex、Cursor 这类支持 Skill 的 Agent 都能用，一行装上： npx skills add HammingDev/haiming-app-monetization

Jason Zhu

35,876 subscribers

15,133 просмотров • 3 дней назад •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

Комментарии: 4

Фото профиля Crio Songo

Crio Songo3 дней назад

这个思路刚好戳中做App的痛点，不瞎吹还能直接给可落地的方案，等会儿我得拉下来试试。

Фото профиля Jason Zhu

Jason Zhu3 дней назад

直达地址：安全评级与一键安装：项目刚开源，Hub 下次同步后即可查看

Фото профиля ichi

ichi3 дней назад

workbuddy可以装吗

Фото профиля Jason Zhu

Jason Zhu3 дней назад

理论上可以不行可以改一下

Похожие видео

Claude 新的一篇博文《How Warp builds self-improving agents on Claude》，看了后还是挺有收获，它解决的是 Skill 的进化问题。这个问题我以前也研究过，我写了一个反编译 JS 代码的 Skill（ Agent 反编译的时候遇到新的场景解决了就自己更新自己的 Skill，效果还不错，能一直优化，就是 Skill 文件越来越大。我还研究过写作的自我进化 Skill，那个就一言难尽，因为它其实没有自己统一的标准，经常负优化，越写越糟糕。说回来 Warp 这个，Warp 是一个挺有名的终端工具，内部尝试借助 AI 做 Code Review。一开始让 Agent review 代码，效果并不理想，主要问题体现在 Agent 不了解你的项目，不知道你的团队规范，不知道历史经验教训，就算你指出来问题它下次还记不住。简单来说就是没有记忆。初期他们采取了很多补救措施： - 手动根据失败案例改系统提示词 - 完善项目的 AGENTS.md 文件（有意思的是这篇文章是 Claude 发的，但是用的是 AGENTS.md 而不是 CLAUDE.md，我记得 Claude 默认不支持 AGENTS.md 的😅）但效果并不理想，一方面它依赖于人主动去做，成本较高；另一方面团队成员在 Code Review 时人工在 PR 写的高质量评论完全没用上。所以他们搞了个解决方案，一个基础 Skill 负责做代码审查，一个改进 Skill 负责定期收集人类工程师在代码审查时的评论，尤其是对 Agent 审查结果的评论，根据人类工程师的评论去更新代码审查的 Skill。换句话说，它不是依赖于模型自己去改进自己，而是 Agent 根据人类对模型结果的标注（人类对代码审查的评论），去改进技能。只不过它把这个事做的摩擦力极低，不需要人手工去收集整理评论，不需要填写调查问卷，人只要自然的去代码下写评论，后面的事情都是 Agent 自动完成。这可能正是 Agent 的最佳实践方案之一：人负责高纬度的标注、评论、反馈这些事情，Agent 去做执行的工作，Agent 根据人类的反馈去改进 Skill。除此之外，他们还总结了一些最佳实践： 1. 写原则，不要写死规则。编写 skill 时，要像在指导一个聪明人，而不是在给计算机编程。在 Skill 中写“寻找重复代码”，比列出详尽的变量命名规则更有效。 2. 解释为什么。说明规则背后的理由，能让智能体针对问题进行推理，而不是机械执行僵化指令，也因此更容易举一反三。 3. 让反馈没有摩擦毫不费力。在人们原本工作的地方收集反馈，例如直接评论 PR 或 issue。同时让收集过程自动发生，不要增加额外的提交步骤。低摩擦才能让信号持续流动。如果反馈太麻烦，你就收不到反馈，也就无法改进 Skill。 4. 保持 Skill 精简，并使用渐进式披露。优秀的 skill 文件不会很庞大；它会引用资源文件和脚本，而不是一次性把所有内容都塞进上下文。 5. 反馈质量大于数量，但数量也有帮助。一位资深工程师给出的少量、详细且与领域相关的反馈，可能比大量草率反馈更有价值，因为简单的赞成／反对并不能说明“为什么”。即使样本量相对较小，只要反馈来自掌握领域知识的人，而且足够详细，你也能得到非常好的信号——这些知识是智能体通过其他方式根本无法获得的。话虽如此，优质信号的语料越多，效果越好。 6. 做好改进 Skill 的 Skill，可以用来改进其他 Skill。把改进 Skill（也就是前面提到的一个代码审查 Skill 一个改进 Skill）做好，收益不只限于眼前这套 Agent 循环，因为改进 Skill 在不同用例之间具有很高的复用性。除了领域专用知识这一部分，它其实是一套相当通用、可复用的机制。代码审查 Agent 的改进 skill，也可以应用到其他 Skill 的改进上。可能有人会担心：如果反馈本身是错的呢？ Warp 的做法是永远不让 Agent 盲目接受反馈。给它足够的上下文来做基本的合理性检查，限制谁的反馈有权影响技能更新（不是所有人的意见都同等重要），最后始终保留人在循环中审核改动。对于那些有明确标准答案的领域，比如代码是否通过了测试、部署是否成功，可以先建一个验证基准，让 Agent 自己对着基准跑。没有标准答案的领域，比如代码风格、文档质量，就靠领域专家的判断，不要开放给所有人随意反馈。

Claude 新的一篇博文《How Warp builds self-improving agents on Claude》，看了后还是挺有收获，它解决的是 Skill 的进化问题。这个问题我以前也研究过，我写了一个反编译 JS 代码的 Skill（ Agent 反编译的时候遇到新的场景解决了就自己更新自己的 Skill，效果还不错，能一直优化，就是 Skill 文件越来越大。我还研究过写作的自我进化 Skill，那个就一言难尽，因为它其实没有自己统一的标准，经常负优化，越写越糟糕。说回来 Warp 这个，Warp 是一个挺有名的终端工具，内部尝试借助 AI 做 Code Review。一开始让 Agent review 代码，效果并不理想，主要问题体现在 Agent 不了解你的项目，不知道你的团队规范，不知道历史经验教训，就算你指出来问题它下次还记不住。简单来说就是没有记忆。初期他们采取了很多补救措施： - 手动根据失败案例改系统提示词 - 完善项目的 AGENTS.md 文件（有意思的是这篇文章是 Claude 发的，但是用的是 AGENTS.md 而不是 CLAUDE.md，我记得 Claude 默认不支持 AGENTS.md 的😅）但效果并不理想，一方面它依赖于人主动去做，成本较高；另一方面团队成员在 Code Review 时人工在 PR 写的高质量评论完全没用上。所以他们搞了个解决方案，一个基础 Skill 负责做代码审查，一个改进 Skill 负责定期收集人类工程师在代码审查时的评论，尤其是对 Agent 审查结果的评论，根据人类工程师的评论去更新代码审查的 Skill。换句话说，它不是依赖于模型自己去改进自己，而是 Agent 根据人类对模型结果的标注（人类对代码审查的评论），去改进技能。只不过它把这个事做的摩擦力极低，不需要人手工去收集整理评论，不需要填写调查问卷，人只要自然的去代码下写评论，后面的事情都是 Agent 自动完成。这可能正是 Agent 的最佳实践方案之一：人负责高纬度的标注、评论、反馈这些事情，Agent 去做执行的工作，Agent 根据人类的反馈去改进 Skill。除此之外，他们还总结了一些最佳实践： 1. 写原则，不要写死规则。编写 skill 时，要像在指导一个聪明人，而不是在给计算机编程。在 Skill 中写“寻找重复代码”，比列出详尽的变量命名规则更有效。 2. 解释为什么。说明规则背后的理由，能让智能体针对问题进行推理，而不是机械执行僵化指令，也因此更容易举一反三。 3. 让反馈没有摩擦毫不费力。在人们原本工作的地方收集反馈，例如直接评论 PR 或 issue。同时让收集过程自动发生，不要增加额外的提交步骤。低摩擦才能让信号持续流动。如果反馈太麻烦，你就收不到反馈，也就无法改进 Skill。 4. 保持 Skill 精简，并使用渐进式披露。优秀的 skill 文件不会很庞大；它会引用资源文件和脚本，而不是一次性把所有内容都塞进上下文。 5. 反馈质量大于数量，但数量也有帮助。一位资深工程师给出的少量、详细且与领域相关的反馈，可能比大量草率反馈更有价值，因为简单的赞成／反对并不能说明“为什么”。即使样本量相对较小，只要反馈来自掌握领域知识的人，而且足够详细，你也能得到非常好的信号——这些知识是智能体通过其他方式根本无法获得的。话虽如此，优质信号的语料越多，效果越好。 6. 做好改进 Skill 的 Skill，可以用来改进其他 Skill。把改进 Skill（也就是前面提到的一个代码审查 Skill 一个改进 Skill）做好，收益不只限于眼前这套 Agent 循环，因为改进 Skill 在不同用例之间具有很高的复用性。除了领域专用知识这一部分，它其实是一套相当通用、可复用的机制。代码审查 Agent 的改进 skill，也可以应用到其他 Skill 的改进上。可能有人会担心：如果反馈本身是错的呢？ Warp 的做法是永远不让 Agent 盲目接受反馈。给它足够的上下文来做基本的合理性检查，限制谁的反馈有权影响技能更新（不是所有人的意见都同等重要），最后始终保留人在循环中审核改动。对于那些有明确标准答案的领域，比如代码是否通过了测试、部署是否成功，可以先建一个验证基准，让 Agent 自己对着基准跑。没有标准答案的领域，比如代码风格、文档质量，就靠领域专家的判断，不要开放给所有人随意反馈。

宝玉

85,574 просмотров • 17 дней назад

🎬 90% 的人没用明白 Codex。因为一开始就把它当成了 ChatGPT。但 Codex 最厉害的地方，从来不是聊天，而是动手。它会读项目、改文件、做表格、操作浏览器，直接在你的电脑里完成任务。 💡 真正决定体验的也不是 Prompt，而是四件事：Project、Permissions、Context 和 AGENTS.md。少一个都能用，多一个才开始好用。我后来甚至不把它当 AI，而是当新人来带：先教它，再纠正它，最后把经验沉淀成 Skill。当你开始这样用 Codex，它就不再是助手，而是一套持续进化的工作系统。

🎬 90% 的人没用明白 Codex。因为一开始就把它当成了 ChatGPT。但 Codex 最厉害的地方，从来不是聊天，而是动手。它会读项目、改文件、做表格、操作浏览器，直接在你的电脑里完成任务。 💡 真正决定体验的也不是 Prompt，而是四件事：Project、Permissions、Context 和 AGENTS.md。少一个都能用，多一个才开始好用。我后来甚至不把它当 AI，而是当新人来带：先教它，再纠正它，最后把经验沉淀成 Skill。当你开始这样用 Codex，它就不再是助手，而是一套持续进化的工作系统。

Martin

27,521 просмотров • 3 месяцев назад

试了一下 OpenAI 新出的 Codex App，有些亮点跟 Skills 的适配还是有点问题，模型的主要问题就是慢 OpenAI 给 Pro 和 Plus 用户的 Codex 额度在未来两个月内全部翻倍了 👇看一下详细的能力介绍： Skills 可视化管理有一个专门的 Skills 列表界面，预置了一些官方 skills，也可以扫描你已经安装的 skills。注意这里只能扫描 NPX 安装的，本地创建的（比如在 Claude Code 里创建的）扫不出来。还支持 Skills Creator 创建的 skills，可以直接在 APP 里用它去创建新 skills。 ------ 定时任务功能，这个挺实用的。可以让 AI 定期执行某些任务，比如每周给你一个解决问题的报告，定期去解决某个项目的 PR 问题，或者定期 review 代码。对于需要持续维护的项目来说，这个功能还是挺有价值的。 ------ Codex APP 现在支持计划模式了。因为它跟 Codex CLI 共享后端，所以现在 Codex CLI 也同步支持计划模式了。这意味着 AI 会先规划任务步骤，让你确认后再执行。 ------ 用量显示的样式做得挺好的。进度条、余量、使用情况都很清楚，一眼就能看到你还有多少额度。还有 code review 的快捷方式，可以快速调用你的 skills。MCP 的添加也支持。 ====== 实测：用 video-wrapper skill 跑了一遍我测试主要是让它跑了一个我最近做的 skill，可以一键给视频添加视频包装，比如卡片、花字、人物条、章节标题这些。这个 skill 挺复杂的，所以很适合用来测试。 ------ 第一次运行的问题可以工作，但第一次它选了 PIL 这个方案，比较差。核心问题是什么？它跟你没有交互。我的 skill 里边写清楚了：要先问用户要哪套方案，再给出包装方案让用户确认，用户确认了再开始包装。但在 Codex 这里，明显没有交互。它就直接跑，把所有决定都自己做了，跑完就完了。出错了也不管，直接用降级方案。 ------ 修复后的效果我让它修复以后，它倒是能修复。重新跑了一遍，效果也不错。最终生成的视频包装效果还行： ▸ 左下角有人物卡片 ▸ 有花字 ▸ 有各种卡片和章节标题 ▸ 结论卡片也加上了因为我们用前端代码约束了样式，所以它在样式上不会出什么错误。 ------ 体验总结整个过程很不可控： ▸ 速度很慢 - Codex 本身速度就慢 ▸ 交互明显不够 - 你根本不知道进到哪个阶段了，也不知道它的方案是什么 ▸ 只管执行 - AI 一直在执行，不会停下来问你可能是它不太适应 skills 规范，只是简单做了一下适配，没有 Claude Code 跟 skills 的适配那么好。

试了一下 OpenAI 新出的 Codex App，有些亮点跟 Skills 的适配还是有点问题，模型的主要问题就是慢 OpenAI 给 Pro 和 Plus 用户的 Codex 额度在未来两个月内全部翻倍了 👇看一下详细的能力介绍： Skills 可视化管理有一个专门的 Skills 列表界面，预置了一些官方 skills，也可以扫描你已经安装的 skills。注意这里只能扫描 NPX 安装的，本地创建的（比如在 Claude Code 里创建的）扫不出来。还支持 Skills Creator 创建的 skills，可以直接在 APP 里用它去创建新 skills。 ------ 定时任务功能，这个挺实用的。可以让 AI 定期执行某些任务，比如每周给你一个解决问题的报告，定期去解决某个项目的 PR 问题，或者定期 review 代码。对于需要持续维护的项目来说，这个功能还是挺有价值的。 ------ Codex APP 现在支持计划模式了。因为它跟 Codex CLI 共享后端，所以现在 Codex CLI 也同步支持计划模式了。这意味着 AI 会先规划任务步骤，让你确认后再执行。 ------ 用量显示的样式做得挺好的。进度条、余量、使用情况都很清楚，一眼就能看到你还有多少额度。还有 code review 的快捷方式，可以快速调用你的 skills。MCP 的添加也支持。 ====== 实测：用 video-wrapper skill 跑了一遍我测试主要是让它跑了一个我最近做的 skill，可以一键给视频添加视频包装，比如卡片、花字、人物条、章节标题这些。这个 skill 挺复杂的，所以很适合用来测试。 ------ 第一次运行的问题可以工作，但第一次它选了 PIL 这个方案，比较差。核心问题是什么？它跟你没有交互。我的 skill 里边写清楚了：要先问用户要哪套方案，再给出包装方案让用户确认，用户确认了再开始包装。但在 Codex 这里，明显没有交互。它就直接跑，把所有决定都自己做了，跑完就完了。出错了也不管，直接用降级方案。 ------ 修复后的效果我让它修复以后，它倒是能修复。重新跑了一遍，效果也不错。最终生成的视频包装效果还行： ▸ 左下角有人物卡片 ▸ 有花字 ▸ 有各种卡片和章节标题 ▸ 结论卡片也加上了因为我们用前端代码约束了样式，所以它在样式上不会出什么错误。 ------ 体验总结整个过程很不可控： ▸ 速度很慢 - Codex 本身速度就慢 ▸ 交互明显不够 - 你根本不知道进到哪个阶段了，也不知道它的方案是什么 ▸ 只管执行 - AI 一直在执行，不会停下来问你可能是它不太适应 skills 规范，只是简单做了一下适配，没有 Claude Code 跟 skills 的适配那么好。

歸藏(guizang.ai)

30,595 просмотров • 7 месяцев назад

Abhishek，一个普通的独立开发，靠做平替软件，月入 $10k+。他的这套打法，很值得每个独立开发者学习。他的思路很简单：不做创新，专门盯已经跑通的大产品，比如 Typeform 这种。这些产品功能强，但问题也很明显—越来越贵、越来越复杂。他第一步不是写代码，而是去看用户怎么骂。在各种点评网站、论坛里蹲着，只看两类评论： “太贵了”、“用不到这么多功能”。当这种声音足够多，他就确定方向了：做一个更轻量、更便宜的版本。但他也没有马上开发。而是先做了一个极简页面，直接写：某某产品平替，只要 1/10 价格，直接把支付按钮都放上去了。然后把这个页面丢回用户聚集的地方。有人付钱，他才开始做；没人买，直接换方向。最后做出来的产品，只保留核心功能，够用就行，用低价去吃那批对价格敏感的用户。整套流程：看差评 → 做减法 → 低价切入 → 先收钱再开发他成功的秘诀其实就是把已经被验证过的需求，用更简单、更便宜的方式再做一遍。

Abhishek，一个普通的独立开发，靠做平替软件，月入 $10k+。他的这套打法，很值得每个独立开发者学习。他的思路很简单：不做创新，专门盯已经跑通的大产品，比如 Typeform 这种。这些产品功能强，但问题也很明显—越来越贵、越来越复杂。他第一步不是写代码，而是去看用户怎么骂。在各种点评网站、论坛里蹲着，只看两类评论： “太贵了”、“用不到这么多功能”。当这种声音足够多，他就确定方向了：做一个更轻量、更便宜的版本。但他也没有马上开发。而是先做了一个极简页面，直接写：某某产品平替，只要 1/10 价格，直接把支付按钮都放上去了。然后把这个页面丢回用户聚集的地方。有人付钱，他才开始做；没人买，直接换方向。最后做出来的产品，只保留核心功能，够用就行，用低价去吃那批对价格敏感的用户。整套流程：看差评 → 做减法 → 低价切入 → 先收钱再开发他成功的秘诀其实就是把已经被验证过的需求，用更简单、更便宜的方式再做一遍。

开发者Hailey

38,988 просмотров • 5 месяцев назад

牛逼，我以前的Skills和即将发布的App都是毫无保地开源，但是这次好像能直接赚钱了。。。绝大多数人其实和我一样，都没有自己的实体产品，都是上班或者搞互联网的，全身上下最值钱的还是脑子里的知识，而知识类产品衍生出来有咨询、Skills、App...... 一般来说，像Skills这种虚拟产品很少有人能够去把它变现，因为我们想要实现睡后收入，唯一的办法就是把它们上架到一个持续有人进来逛的平台。而且这个平台还不能是自己的，否则要花力气去维护，实现不了睡后收入。但是UUMit这个A2A平台把「自动变现」这件事情解决了，而且解决得比我理想更完美。因为想实现「持续有人来逛」，还是很有难度，但是Agent来逛就不一样了啊——只要把Agent绑定上了UUMit，你给小龙虾、Codex和Claude Code下达任务，它们就能自动在这个平台找到你需要的一切服务（Token、垂类咨询、各种API）。而且上架自己的产品，也不需要手动慢慢上传，直接让Agent把你想要变现的产品批量上传就行，你需要做的就是定个价格，把上架需要的信息给的详细一点，然后躺着，等Agent去变现，美滋滋啊。。。最后，复盘整个思路，知识变现绝对不是胡乱吹牛，因为是把你自身的能力打包上架，核心还是在售卖你自己的知识资产，并不是Agent凭空造富，所以会比很多所谓的「Agent自动赚钱」靠谱很多。

牛逼，我以前的Skills和即将发布的App都是毫无保地开源，但是这次好像能直接赚钱了。。。绝大多数人其实和我一样，都没有自己的实体产品，都是上班或者搞互联网的，全身上下最值钱的还是脑子里的知识，而知识类产品衍生出来有咨询、Skills、App...... 一般来说，像Skills这种虚拟产品很少有人能够去把它变现，因为我们想要实现睡后收入，唯一的办法就是把它们上架到一个持续有人进来逛的平台。而且这个平台还不能是自己的，否则要花力气去维护，实现不了睡后收入。但是UUMit这个A2A平台把「自动变现」这件事情解决了，而且解决得比我理想更完美。因为想实现「持续有人来逛」，还是很有难度，但是Agent来逛就不一样了啊——只要把Agent绑定上了UUMit，你给小龙虾、Codex和Claude Code下达任务，它们就能自动在这个平台找到你需要的一切服务（Token、垂类咨询、各种API）。而且上架自己的产品，也不需要手动慢慢上传，直接让Agent把你想要变现的产品批量上传就行，你需要做的就是定个价格，把上架需要的信息给的详细一点，然后躺着，等Agent去变现，美滋滋啊。。。最后，复盘整个思路，知识变现绝对不是胡乱吹牛，因为是把你自身的能力打包上架，核心还是在售卖你自己的知识资产，并不是Agent凭空造富，所以会比很多所谓的「Agent自动赚钱」靠谱很多。

逸尘

26,527 просмотров • 1 месяц назад

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

AYi

63,210 просмотров • 4 месяцев назад

👏扣子3.0 发布了。这版我最期待的两个功能：一是"多人多 Agent 协作"——把不同的 Agent 拉进同一个项目，@ 来 @ 去分工干活；二是能把本地的 Claude Code、Codex 直接接进去托管。我平时主力就用 Claude Code，自己还折腾过几个让多 Agent 协作的小工具： - multi-agent：用 tmux 分屏把 Claude、Codex 拉起来，按顺序调度 - hero-coding：一个 Go 写的小程序，让 Agent 写完代码自动跑测试、再过一遍审查 - roundtable：让几个不同的模型对着同一个问题互相辩论，出一个结论我第一时间就上手了。先接入：本地配好的 Claude Code、Codex 点几下就接进来托管，不用重配；一个项目里我拉三个 Agent —— 本地的 Claude Code、本地的 Codex、Coze Agent。然后我在项目里 @ Claude Code，让它读我本地那个 hero-coding，它确实能读到内容，而且不单单是能读文件。我又让它调我本地的 imgen SKILL（我自己写的文生图工具）生成一张图，再通过我自己的 coze-bridge 把图发回聊天里——图真出来了，一张未来感城市夜景。也就是说，我电脑上的整套工具链、skill 它都能调起来用，云端和本地直接打通。

👏扣子3.0 发布了。这版我最期待的两个功能：一是"多人多 Agent 协作"——把不同的 Agent 拉进同一个项目，@ 来 @ 去分工干活；二是能把本地的 Claude Code、Codex 直接接进去托管。我平时主力就用 Claude Code，自己还折腾过几个让多 Agent 协作的小工具： - multi-agent：用 tmux 分屏把 Claude、Codex 拉起来，按顺序调度 - hero-coding：一个 Go 写的小程序，让 Agent 写完代码自动跑测试、再过一遍审查 - roundtable：让几个不同的模型对着同一个问题互相辩论，出一个结论我第一时间就上手了。先接入：本地配好的 Claude Code、Codex 点几下就接进来托管，不用重配；一个项目里我拉三个 Agent —— 本地的 Claude Code、本地的 Codex、Coze Agent。然后我在项目里 @ Claude Code，让它读我本地那个 hero-coding，它确实能读到内容，而且不单单是能读文件。我又让它调我本地的 imgen SKILL（我自己写的文生图工具）生成一张图，再通过我自己的 coze-bridge 把图发回聊天里——图真出来了，一张未来感城市夜景。也就是说，我电脑上的整套工具链、skill 它都能调起来用，云端和本地直接打通。

劳伦斯

27,519 просмотров • 3 месяцев назад

Codex 隐藏玩法：把你每天重复教 AI 的提示词，直接做成 Skill 90% 的人用 Codex，其实都在重复做同一件事：开一个新任务，把同一套要求再告诉它一遍。这些 Prompt 你可能已经复制粘贴了几十次。但其实，这种反复使用的工作方法，完全可以直接做成 Codex Skill。详细教程如下： 1️⃣先找一段你经常重复使用的 Prompt，比如我最近一直在用这类提示词： “执行任务前先检查需求漏洞和潜在风险，不要默认接受我的方案。涉及代码和结论必须验证，完成后按验收标准逐项检查。” 这类 Prompt 很好用，但最大的问题是：每开一个新任务，都要重新贴一次。 2️⃣直接让 Codex 把它做成 Skill把原来的 Prompt 发给 Codex，然后告诉它：请把上面这套工作方式整理成一个可重复调用的 Codex Skill。要求： · 明确这个 Skill 适合在什么情况下使用 · 把原来的要求整理成清晰的执行步骤 · 区分任务开始前、执行过程中和完成后的检查 · 保留必要的验证流程 · 删除重复和模糊的要求 · 不要改变原来的核心工作原则 Codex 就会把原来散乱的一段 Prompt，整理成一套完整的 Skill 工作流。以后这些规则就不用一直躺在聊天记录里了。 3️⃣ 后面直接调用这个 Skill 再开新任务时，不需要重新复制那一大段 Prompt。直接告诉 Codex：使用这个 Skill 完成当前任务。最后你的 Codex 里保存的，就不再是一堆 Prompt，而是你自己的一整套工作流。 Prompt 是教 AI 这一次怎么做。 Skill 是把你的工作方法直接固化下来，以后每个项目都能重复调用。

Codex 隐藏玩法：把你每天重复教 AI 的提示词，直接做成 Skill 90% 的人用 Codex，其实都在重复做同一件事：开一个新任务，把同一套要求再告诉它一遍。这些 Prompt 你可能已经复制粘贴了几十次。但其实，这种反复使用的工作方法，完全可以直接做成 Codex Skill。详细教程如下： 1️⃣先找一段你经常重复使用的 Prompt，比如我最近一直在用这类提示词： “执行任务前先检查需求漏洞和潜在风险，不要默认接受我的方案。涉及代码和结论必须验证，完成后按验收标准逐项检查。” 这类 Prompt 很好用，但最大的问题是：每开一个新任务，都要重新贴一次。 2️⃣直接让 Codex 把它做成 Skill把原来的 Prompt 发给 Codex，然后告诉它：请把上面这套工作方式整理成一个可重复调用的 Codex Skill。要求： · 明确这个 Skill 适合在什么情况下使用 · 把原来的要求整理成清晰的执行步骤 · 区分任务开始前、执行过程中和完成后的检查 · 保留必要的验证流程 · 删除重复和模糊的要求 · 不要改变原来的核心工作原则 Codex 就会把原来散乱的一段 Prompt，整理成一套完整的 Skill 工作流。以后这些规则就不用一直躺在聊天记录里了。 3️⃣ 后面直接调用这个 Skill 再开新任务时，不需要重新复制那一大段 Prompt。直接告诉 Codex：使用这个 Skill 完成当前任务。最后你的 Codex 里保存的，就不再是一堆 Prompt，而是你自己的一整套工作流。 Prompt 是教 AI 这一次怎么做。 Skill 是把你的工作方法直接固化下来，以后每个项目都能重复调用。

爱丽丝呀！

40,505 просмотров • 1 месяц назад

很多人都想回到过去，回到第一次买 $BTC、 $ETH 时，回到还没卖飞的那个点。这些年我看下来，真正让人后悔的其实是死死拿着却一分钱收益都没赚到。熊市拿着，震荡拿着，暴跌也拿着，一年两年过去，资产还在，信仰也没丢，可现金流永远是零。 Crypto这地方最怪的就是，最坚定的人反而最难拿到收益。因为长期持有的人不愿意卖，不爱频繁交易，更不喜欢天天搞策略，时间就这么耗过去了，却从来没被定价。直到最近看到 TermMax | Fixed Rate Borrowing & Lending 新上线的Dual Investment Vault，我才明白它要解决的不是单纯收益，而是让本来就打算长期持有的等待本身产生价值。这个Vault围绕 $NVDAon、 $SPYon、 $CRCLon这些资产运行，收益直接来自Long和Short交易员支付的Premium，不是补贴。简单说，有人愿意为未来的不确定性掏钱，持有者就提供这种不确定性，于是等待第一次有了价格。如果你存入NVDAon或者SPYon这类资产，到期价格低于行权价，就能保留原资产同时拿到Premium；价格高于行权价，就拿到稳定币加上Premium。存USDT的话正好反过来。社区里最近很多人都在说一句话：两个结果我都能接受。这话已经不是交易思维，而是真正的资产配置思路——价格没到就继续拿着你本来就想长期持有的东西，价格到了就换成稳定币和Premium，整个过程赚到的不是方向判断，而是时间。当然没有稳赚的事，价格大涨的时候你可能吃不到全部涨幅，提前退出还有罚款，智能合约风险、流动性和极端行情也需要持续观察。但即便这样，我还是觉得Dual Vault最有价值的地方，是它第一次让我认真想过去大家都在赚价格的钱，未来会不会有越来越多的人开始赚时间的钱？如果市场最后分成两类人，一类赚波动，一类赚等待，你觉得哪一类会越来越多？

很多人都想回到过去，回到第一次买 $BTC、 $ETH 时，回到还没卖飞的那个点。这些年我看下来，真正让人后悔的其实是死死拿着却一分钱收益都没赚到。熊市拿着，震荡拿着，暴跌也拿着，一年两年过去，资产还在，信仰也没丢，可现金流永远是零。 Crypto这地方最怪的就是，最坚定的人反而最难拿到收益。因为长期持有的人不愿意卖，不爱频繁交易，更不喜欢天天搞策略，时间就这么耗过去了，却从来没被定价。直到最近看到 TermMax | Fixed Rate Borrowing & Lending 新上线的Dual Investment Vault，我才明白它要解决的不是单纯收益，而是让本来就打算长期持有的等待本身产生价值。这个Vault围绕 $NVDAon、 $SPYon、 $CRCLon这些资产运行，收益直接来自Long和Short交易员支付的Premium，不是补贴。简单说，有人愿意为未来的不确定性掏钱，持有者就提供这种不确定性，于是等待第一次有了价格。如果你存入NVDAon或者SPYon这类资产，到期价格低于行权价，就能保留原资产同时拿到Premium；价格高于行权价，就拿到稳定币加上Premium。存USDT的话正好反过来。社区里最近很多人都在说一句话：两个结果我都能接受。这话已经不是交易思维，而是真正的资产配置思路——价格没到就继续拿着你本来就想长期持有的东西，价格到了就换成稳定币和Premium，整个过程赚到的不是方向判断，而是时间。当然没有稳赚的事，价格大涨的时候你可能吃不到全部涨幅，提前退出还有罚款，智能合约风险、流动性和极端行情也需要持续观察。但即便这样，我还是觉得Dual Vault最有价值的地方，是它第一次让我认真想过去大家都在赚价格的钱，未来会不会有越来越多的人开始赚时间的钱？如果市场最后分成两类人，一类赚波动，一类赚等待，你觉得哪一类会越来越多？

Domingo_gou | ASHVA🐴| OP_CAT| 🐬TermMax

22,498 просмотров • 3 месяцев назад

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。我写 loops 然后让 loops 去完成工作我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方他们还在把它当聊天工具用：输入一个需求等一次回答然后手动继续改但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案而是把任务拆进一个可以反复执行、检查、修正的循环里模型不只是回答你它会在 workflow 里持续推进任务这类内容，可能比很多 $500 的 vibe-coding 课程更有价值因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。我写 loops 然后让 loops 去完成工作我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方他们还在把它当聊天工具用：输入一个需求等一次回答然后手动继续改但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案而是把任务拆进一个可以反复执行、检查、修正的循环里模型不只是回答你它会在 workflow 里持续推进任务这类内容，可能比很多 $500 的 vibe-coding 课程更有价值因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？

0x_Miko

188,453 просмотров • 3 месяцев назад

Codex 自己配音更离谱的是，用的还是我自己的声音。一个 41K Star 的开源项目：Voicebox。它可以几秒钟克隆你的嗓音，打一行字，就能直接用你的声音念出来。重点是： • 本地运行，声音数据不出电脑 • 支持 7 大 TTS 引擎 • 支持 23 种语言 • 可以调语速、情绪和声音风格 • 接入 MCP 后，Codex / Cline / Claude Code 这类 AI Agent 能直接开口汇报 • 完全开源免费以前做配音，要么买付费软件，要么用云端 TTS。现在 Voicebox 直接把声音克隆、语音生成、Agent 语音输出放到本地跑。一句话：它像是开源版 ElevenLabs + AI Agent 语音中枢。如果你想让 Codex 写完代码后，直接用你的声音汇报结果，这个项目值得收藏。 GitHub：

Codex 自己配音更离谱的是，用的还是我自己的声音。一个 41K Star 的开源项目：Voicebox。它可以几秒钟克隆你的嗓音，打一行字，就能直接用你的声音念出来。重点是： • 本地运行，声音数据不出电脑 • 支持 7 大 TTS 引擎 • 支持 23 种语言 • 可以调语速、情绪和声音风格 • 接入 MCP 后，Codex / Cline / Claude Code 这类 AI Agent 能直接开口汇报 • 完全开源免费以前做配音，要么买付费软件，要么用云端 TTS。现在 Voicebox 直接把声音克隆、语音生成、Agent 语音输出放到本地跑。一句话：它像是开源版 ElevenLabs + AI Agent 语音中枢。如果你想让 Codex 写完代码后，直接用你的声音汇报结果，这个项目值得收藏。 GitHub：

撸毛吃猪脚饭| 美股合约首选Gate

51,723 просмотров • 1 месяц назад

说个真相：2026 年最能赚钱的 AI 编程工具不是 Claude Code，是 Cursor。年化 40 亿美金，Claude Code 25 亿，差一截。这数字不是我拍脑袋，是我让 Apodex 跑出来的，一个主打“每一步先验证再往下推”的 AI 研究工具。它没像聊天机器人那样秒回一段话，是真去查，最后给了份带 21 条引用的简报。大方向它给的结论跟我体感对得上：Cursor 最能赚，Copilot 用户最多，Claude Code 体验最好。但 AI 给的东西我有个习惯，挨条查，21 条引用翻下来，大多数站得住。有一条没站住：它说 SpaceX 要花 100 亿买 Cursor 的 Colossus 超算。问题是，Colossus 是马斯克 xAI 的超算，不是 Cursor 的。它也有很克制的地方。比如 Copilot 的收入，它没硬编一个数，直接标“微软没披露，这是估算”，还给了区间。所以我真正想说的是：它把每一步推理、每一条来源都摊开给你了。正因为摊开，我才查得出哪条不对。换个黑盒聊天机器人，你连查都没得查。经过验证的简报，不等于你可以不验证。但它能让你验证，这件事本身就比大多数 AI 强。报告全文 + 21 条引用我放评论了，现在注册免费试用体验，估计很快也就收费了：

说个真相：2026 年最能赚钱的 AI 编程工具不是 Claude Code，是 Cursor。年化 40 亿美金，Claude Code 25 亿，差一截。这数字不是我拍脑袋，是我让 Apodex 跑出来的，一个主打“每一步先验证再往下推”的 AI 研究工具。它没像聊天机器人那样秒回一段话，是真去查，最后给了份带 21 条引用的简报。大方向它给的结论跟我体感对得上：Cursor 最能赚，Copilot 用户最多，Claude Code 体验最好。但 AI 给的东西我有个习惯，挨条查，21 条引用翻下来，大多数站得住。有一条没站住：它说 SpaceX 要花 100 亿买 Cursor 的 Colossus 超算。问题是，Colossus 是马斯克 xAI 的超算，不是 Cursor 的。它也有很克制的地方。比如 Copilot 的收入，它没硬编一个数，直接标“微软没披露，这是估算”，还给了区间。所以我真正想说的是：它把每一步推理、每一条来源都摊开给你了。正因为摊开，我才查得出哪条不对。换个黑盒聊天机器人，你连查都没得查。经过验证的简报，不等于你可以不验证。但它能让你验证，这件事本身就比大多数 AI 强。报告全文 + 21 条引用我放评论了，现在注册免费试用体验，估计很快也就收费了：

Yanhua

27,661 просмотров • 2 месяцев назад

Anthropic官方最新的演讲，直接给火了一年的Agent时代浇了一盆冷水。他们说别再造Agents了，赶紧去造Skills。这句话也不是啥小众观点，是Claude核心团队的工程师Barry Zhang 和Mahesh Murag站在台上对着全世界喊出来的。最反直觉的地方在这里，大部分人都以为Agent的未来，是做出一个更聪明的大脑，让它自己思考，自己规划，自己解决所有问题。但Anthropic说，这条路走不通，通用Agent确实聪明，但它没有领域知识，一碰真实世界就碎。难维护，不可靠，出了问题你都不知道为什么。绝大多数你见过的Agent，都只能停留在演示视频里。真正能落地的，是Skills。不是什么复杂的新东西，就是一个个文件夹，里面放着代码、脚本、提示词和流程知识。用文件系统、bash、Python这些最朴素的东西做接口。它没有Agent那么酷，但它可组合，可版本控制，可分享。需要的时候才加载进上下文，永远不会爆token。甚至连财务、HR、法务这些非程序员，都能自己造技能。这其实是一次非常务实的倒退，我们不再要求AI自己学会怎么干活，而是把人类已经验证过的干活方法，打包成一个个技能包，让AI去调用，去执行。把AI从一个需要你手把手教的实习生，变成一个能熟练使用所有专业工具的得力助手。现在终于明白，为什么Claude一直在死磕MCP，死磕文件系统，死磕终端集成，它根本就不想做一个聊天机器人，它想做的是所有技能的运行时。未来的竞争，不看谁的Agent更聪明，主要看谁的技能库更丰富更专业更可靠。最后两位老哥呼吁别再纠结怎么让AI自己思考了，先把你手里的工作打包成第一个技能。

Anthropic官方最新的演讲，直接给火了一年的Agent时代浇了一盆冷水。他们说别再造Agents了，赶紧去造Skills。这句话也不是啥小众观点，是Claude核心团队的工程师Barry Zhang 和Mahesh Murag站在台上对着全世界喊出来的。最反直觉的地方在这里，大部分人都以为Agent的未来，是做出一个更聪明的大脑，让它自己思考，自己规划，自己解决所有问题。但Anthropic说，这条路走不通，通用Agent确实聪明，但它没有领域知识，一碰真实世界就碎。难维护，不可靠，出了问题你都不知道为什么。绝大多数你见过的Agent，都只能停留在演示视频里。真正能落地的，是Skills。不是什么复杂的新东西，就是一个个文件夹，里面放着代码、脚本、提示词和流程知识。用文件系统、bash、Python这些最朴素的东西做接口。它没有Agent那么酷，但它可组合，可版本控制，可分享。需要的时候才加载进上下文，永远不会爆token。甚至连财务、HR、法务这些非程序员，都能自己造技能。这其实是一次非常务实的倒退，我们不再要求AI自己学会怎么干活，而是把人类已经验证过的干活方法，打包成一个个技能包，让AI去调用，去执行。把AI从一个需要你手把手教的实习生，变成一个能熟练使用所有专业工具的得力助手。现在终于明白，为什么Claude一直在死磕MCP，死磕文件系统，死磕终端集成，它根本就不想做一个聊天机器人，它想做的是所有技能的运行时。未来的竞争，不看谁的Agent更聪明，主要看谁的技能库更丰富更专业更可靠。最后两位老哥呼吁别再纠结怎么让AI自己思考了，先把你手里的工作打包成第一个技能。

AYi

108,732 просмотров • 5 месяцев назад

港大团队这次开源的，不只是一个 Agent 项目，而是把 Agent 从“会做事”推进到“会进化”。项目名叫 OpenSpace。它想解决的不是“再做一个 Agent”，而是让 Agent 具备从实践中学习、持续进化、彼此共享经验的能力，避免每次干活都从零开始、重复踩坑。它的核心卖点有 3 个：自我进化：skill 会自动修复、自动改进、自动学习，在失败中持续迭代。群体智能：一个 Agent 学到的新技能，可以同步共享给其他 Agent。降本增效：复用已经验证过的解决方案，出问题时只修局部，不用每次推翻重来。 README 里还有个很抓人的数字： 4.2× better performance，46% fewer tokens。我觉得这个项目最值得看的地方，不是“又一个 Agent 框架”，而是它在试图回答一个更关键的问题： Agent 能不能像团队一样，把经验真正沉淀下来，并且共享给其他 Agent。

港大团队这次开源的，不只是一个 Agent 项目，而是把 Agent 从“会做事”推进到“会进化”。项目名叫 OpenSpace。它想解决的不是“再做一个 Agent”，而是让 Agent 具备从实践中学习、持续进化、彼此共享经验的能力，避免每次干活都从零开始、重复踩坑。它的核心卖点有 3 个：自我进化：skill 会自动修复、自动改进、自动学习，在失败中持续迭代。群体智能：一个 Agent 学到的新技能，可以同步共享给其他 Agent。降本增效：复用已经验证过的解决方案，出问题时只修局部，不用每次推翻重来。 README 里还有个很抓人的数字： 4.2× better performance，46% fewer tokens。我觉得这个项目最值得看的地方，不是“又一个 Agent 框架”，而是它在试图回答一个更关键的问题： Agent 能不能像团队一样，把经验真正沉淀下来，并且共享给其他 Agent。

axiaisacat

30,217 просмотров • 5 месяцев назад

别再纠结是用 Codex 还是 Claude Code 了。我发现其实真正决定AI生产力上限的，不是 Agent，而是 Skill。这期视频我会分享最终筛选出来的8个最核心的skill 1、基础Skill：把重复工作流封装成专属Skill 、自动搜索各种Skill 2、产品开发Skill：顶级开发团队级别的AI编程提效；不懂设计也能做出好看页面 3、内容创作Skill：做图、整理资料、排版发布，这两个Skill直接替你干不管你用 Claude Code 还是 Codex，装上就能用。

别再纠结是用 Codex 还是 Claude Code 了。我发现其实真正决定AI生产力上限的，不是 Agent，而是 Skill。这期视频我会分享最终筛选出来的8个最核心的skill 1、基础Skill：把重复工作流封装成专属Skill 、自动搜索各种Skill 2、产品开发Skill：顶级开发团队级别的AI编程提效；不懂设计也能做出好看页面 3、内容创作Skill：做图、整理资料、排版发布，这两个Skill直接替你干不管你用 Claude Code 还是 Codex，装上就能用。

阿西_出海

100,871 просмотров • 3 месяцев назад

Openclaw开发者Peter Steinberger：你很快就不需要App了有一说一现在的App确实非常臃肿，页面里全是各种复杂的菜单、会员、广告。Openclaw创始人预测的未来里，用户只用做一件事：说出你的需求，Agent就能现场为你造出一个专属工具。这就是我说的：所有的产品都值得用大模型重做一遍。但重做不是简单的加个对话框，是把核心逻辑变成按需生成，这才是真正的AI Native。

Openclaw开发者Peter Steinberger：你很快就不需要App了有一说一现在的App确实非常臃肿，页面里全是各种复杂的菜单、会员、广告。Openclaw创始人预测的未来里，用户只用做一件事：说出你的需求，Agent就能现场为你造出一个专属工具。这就是我说的：所有的产品都值得用大模型重做一遍。但重做不是简单的加个对话框，是把核心逻辑变成按需生成，这才是真正的AI Native。

傅盛

75,116 просмотров • 7 месяцев назад

最近北大开源的一个项目，我觉得很值得关注。 AI Agent 现在最缺的，可能不是模型，而是一套像 npm 一样可复用的 skill 基础设施。 MagicSkills 做的就是这件事。它不是再去造一个新的 Agent framework，而是想把那些散落在各处的 SKILL.md，变成可安装、可组合、可同步、可调用的共享能力层。 MagicSkills 的思路更像是，先把 skill 从零散文档里抽出来，做成一个本地优先的共享 skill pool，然后再按不同 Agent、不同框架去组合和分发。这样一来，skill 就不再只是 prompt 附件，而是开始变成真正可复用的能力基础设施。说白了，它想推动的一件事就是：让 Agent 的技能，从“写一份文档自己用”，变成“写一次，到处复用”。我觉得这个方向很值得看。因为当 skill 开始像包管理一样被组织起来，多 Agent 工作流才会真正开始像工程系统，而不是一堆 prompt 和脚本的临时拼装。如果你在关注 AI Agent、Multi-Agent、技能复用，或者正在想怎么管理越来越多的 SKILL.md，这个项目值得研究一下。👇

最近北大开源的一个项目，我觉得很值得关注。 AI Agent 现在最缺的，可能不是模型，而是一套像 npm 一样可复用的 skill 基础设施。 MagicSkills 做的就是这件事。它不是再去造一个新的 Agent framework，而是想把那些散落在各处的 SKILL.md，变成可安装、可组合、可同步、可调用的共享能力层。 MagicSkills 的思路更像是，先把 skill 从零散文档里抽出来，做成一个本地优先的共享 skill pool，然后再按不同 Agent、不同框架去组合和分发。这样一来，skill 就不再只是 prompt 附件，而是开始变成真正可复用的能力基础设施。说白了，它想推动的一件事就是：让 Agent 的技能，从“写一份文档自己用”，变成“写一次，到处复用”。我觉得这个方向很值得看。因为当 skill 开始像包管理一样被组织起来，多 Agent 工作流才会真正开始像工程系统，而不是一堆 prompt 和脚本的临时拼装。如果你在关注 AI Agent、Multi-Agent、技能复用，或者正在想怎么管理越来越多的 SKILL.md，这个项目值得研究一下。👇

axiaisacat

46,330 просмотров • 5 месяцев назад

终于有人把 AI 联网这块硬骨头给啃下来了。挖到一个开源github项目 Agent-Reach 简直就是给 AI Agent 量身定制的全能联网情报助手：一句话介绍：它就是一个专门给 AI Agent（如 Claude Code, Cursor 等）调用的全网搜索工具，让 AI 不花一分钱就能直接上网抓一手资料。核心亮点：全网通杀：X、Reddit、YouTube、小红书、B站... 只要是网上有的，没有它看不着的！快速获取：绕过 403 封锁，直接读取，情报喂到嘴里！一句话进化：安装链接丢给 Agent，它自己安装、自己体检、自己配置，3 分钟从断网孤岛变身全知全能！别让你的 AI 继续当瞎子了！这才是 Agent 该有的完全体！地址：仅做开源分享，dyor。

终于有人把 AI 联网这块硬骨头给啃下来了。挖到一个开源github项目 Agent-Reach 简直就是给 AI Agent 量身定制的全能联网情报助手：一句话介绍：它就是一个专门给 AI Agent（如 Claude Code, Cursor 等）调用的全网搜索工具，让 AI 不花一分钱就能直接上网抓一手资料。核心亮点：全网通杀：X、Reddit、YouTube、小红书、B站... 只要是网上有的，没有它看不着的！快速获取：绕过 403 封锁，直接读取，情报喂到嘴里！一句话进化：安装链接丢给 Agent，它自己安装、自己体检、自己配置，3 分钟从断网孤岛变身全知全能！别让你的 AI 继续当瞎子了！这才是 Agent 该有的完全体！地址：仅做开源分享，dyor。

爱丽丝呀！

35,915 просмотров • 1 месяц назад

我想很多人都有这个困扰：之前经常需要在Codex和Claude Code之间来回切换，现在又加上了最近爆火的DeepSeek Harness。但是每次来回切换、或者想尝尝DSH的鲜的时候，我都得把背景重新讲一遍，确实挺烦的~ 最近在GitHub上发现的一个开源项目 memmy-agent，把 Codex、DeepSeek Harness、Claude Code接了进去，直接解决了困扰我很久的跨Agent 记忆的问题。我用它做的事情很简单：把分散在不同 Agent 里的历史，沉淀到同一份个人上下文里，默认 Local-first，让它们都能调用。我把它分别接入 Codex、DeepSeek Harness、Claude Code 之后，我做了一个信号中继站小游戏。我先在Codex 写完基础玩法，然后对话里说一句话：第一次失败时，给玩家一次翻盘机会，别直接结束游戏。但这句话我故意不写入代码、README 或者是本地记忆文件。然后新开 DeepSeek Harness，它从 Memmy 直接读出了这条决定，非常丝滑。再新开 Claude Code，它读代码前先复述了规则，再按这个方向把后续功能补完。代码只能告诉下一个 Agent 项目做到哪，但那些留在对话里的决策，才影响着项目接下来往哪走。以后，Agent 要记住的，不只是代码，还有你前面已经决定的决策和经验。 Memmy 不仅帮我解决了Agent记忆的问题，还让这些经验不再独属于某一个 Agent，而是只属于你。 Switch agents, not context。 Memmy 支持桌面端、CLI、API、MCP 和 Skills多种方式，可以直接接着执行任务。如果你也经常在多个 Agent 之间切换，可以拿自己的项目试一下。项目GitHub：

我想很多人都有这个困扰：之前经常需要在Codex和Claude Code之间来回切换，现在又加上了最近爆火的DeepSeek Harness。但是每次来回切换、或者想尝尝DSH的鲜的时候，我都得把背景重新讲一遍，确实挺烦的~ 最近在GitHub上发现的一个开源项目 memmy-agent，把 Codex、DeepSeek Harness、Claude Code接了进去，直接解决了困扰我很久的跨Agent 记忆的问题。我用它做的事情很简单：把分散在不同 Agent 里的历史，沉淀到同一份个人上下文里，默认 Local-first，让它们都能调用。我把它分别接入 Codex、DeepSeek Harness、Claude Code 之后，我做了一个信号中继站小游戏。我先在Codex 写完基础玩法，然后对话里说一句话：第一次失败时，给玩家一次翻盘机会，别直接结束游戏。但这句话我故意不写入代码、README 或者是本地记忆文件。然后新开 DeepSeek Harness，它从 Memmy 直接读出了这条决定，非常丝滑。再新开 Claude Code，它读代码前先复述了规则，再按这个方向把后续功能补完。代码只能告诉下一个 Agent 项目做到哪，但那些留在对话里的决策，才影响着项目接下来往哪走。以后，Agent 要记住的，不只是代码，还有你前面已经决定的决策和经验。 Memmy 不仅帮我解决了Agent记忆的问题，还让这些经验不再独属于某一个 Agent，而是只属于你。 Switch agents, not context。 Memmy 支持桌面端、CLI、API、MCP 和 Skills多种方式，可以直接接着执行任务。如果你也经常在多个 Agent 之间切换，可以拿自己的项目试一下。项目GitHub：

木马人

62,947 просмотров • 28 дней назад

Outbid 最近太火了。一个付费竞价排行榜，3 天赚了 20 万美金，现在一堆人在复刻这个网站其实现在去复刻属于浪费时间，真正该做的不是照抄，而是复用经验做独立开发难的从来不是做产品，而是动手前想清楚：这需求到底能不能赚钱。我最近在用一个叫 atypica.AI 的产品，它能帮你调研用户行为，引入了AI Persona，能还原出一群真实用户的想法，你想了解什么，直接问就行。用下来最实用的是2类场景： 1、帮你低成本地做真实用户调研。比如验证个新想法、研究不熟悉或者海外的用户群体，现实中招不到人，用它能先拿到一轮反馈。 2、做长期研究比如做内容，先用它试方向，之后还能接着问：用户喜不喜欢这个方向、商业化怎么走、产品怎么调。它就像个能一直陪你做判断的"用户"。对独立开发者来说，与其拍脑袋做个产品、再花大量时间维护，最后一分钱不挣，不如提前做需求研究。 atypica 应该是我目前见过验证需求最省钱的路子。做需求之前，可以先跟它聊一聊：

Outbid 最近太火了。一个付费竞价排行榜，3 天赚了 20 万美金，现在一堆人在复刻这个网站其实现在去复刻属于浪费时间，真正该做的不是照抄，而是复用经验做独立开发难的从来不是做产品，而是动手前想清楚：这需求到底能不能赚钱。我最近在用一个叫 atypica.AI 的产品，它能帮你调研用户行为，引入了AI Persona，能还原出一群真实用户的想法，你想了解什么，直接问就行。用下来最实用的是2类场景： 1、帮你低成本地做真实用户调研。比如验证个新想法、研究不熟悉或者海外的用户群体，现实中招不到人，用它能先拿到一轮反馈。 2、做长期研究比如做内容，先用它试方向，之后还能接着问：用户喜不喜欢这个方向、商业化怎么走、产品怎么调。它就像个能一直陪你做判断的"用户"。对独立开发者来说，与其拍脑袋做个产品、再花大量时间维护，最后一分钱不挣，不如提前做需求研究。 atypica 应该是我目前见过验证需求最省钱的路子。做需求之前，可以先跟它聊一聊：

阿西_出海

147,720 просмотров • 22 дней назад