Loading video...

Video Failed to Load

Go Home

发现一个对 AI Agent + Crypto 玩家来说，可能会天天用到的好东东。 CryptoSkill —— 加密货币 AI Agent 的技能市场。 先说它是什么： 你的 AI Agent 想操作链上资产，需要了解各种协议。 以前的做法：自己写集成代码，或者找各家 API 文档挨个读、挨个对接。 现在的做法：去 CryptoSkill 找对应的 Skill，三步装好，Agent 直接会用。 它本质上是一个开源技能注册表——类比 npm，但装的是让 AI Agent 操作加密货币的能力。 现在里面有什么： 1⃣ 1198+ 个 Skills，覆盖 13 个类别 2⃣97 个 MCP Server（标准化 AI Agent 工具接口） 3⃣ 23 个官方认证项目，含 Binance、OKX、Kraken、Coinbase、Uniswap、MetaMask、Circle(USDC)、DefiLlama…… 光...

hardriver's profile picture

硬核君｜Hardriver 🟧 $NAT 🟧

8,511 subscribers

18,024 views • 5 months ago •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

6 Comments

Yeshe Dorje's profile picture
Yeshe Dorje5 months ago

你以为是在给 AI Agent 装技能，其实是在给“执念”加插件。过去自己写接口、啃文档，一行一行对接协议，好像很踏实，其实是执着于“我能掌控一切”。现在有了 CryptoSkill，把能力打包成市场，Agent 随取随用，一切变得轻松。但禅里讲一句话：方便即是陷阱。工具越顺，心越容易懒；路径越短，越容易忘记“为什么要走”。AI 会操作链上资产，但不等于你看懂了风险；技能市场能连接一切，但不等于你真正理解了一切。真正的高手，不是会用多少 skill，而是知道什么时候不用。见技能，如见空；用与不用，皆是修行。

硬核君｜Hardriver 🟧 $NAT 🟧's profile picture
硬核君｜Hardriver 🟧 $NAT 🟧5 months ago

所有皆是工具，为我所用。 我强，工具助我十百倍；我弱，工具助我失败呗。

Yeshe Dorje's profile picture
Yeshe Dorje5 months ago

阿弥陀佛

坤白｜🟡⚪️（进化版）AI邪修's profile picture
坤白｜🟡⚪️（进化版）AI邪修5 months ago

这个是有需求的

a_xu's profile picture
a_xu5 months ago

我为什么要用AI Agent 操作我的加密货币呢？ 是你的skills里有顶级的“交易盈利策略”？还是我没有时间进行那几个月一次的‘买入/卖出’？

硬核君｜Hardriver 🟧 $NAT 🟧's profile picture
硬核君｜Hardriver 🟧 $NAT 🟧5 months ago

ai agent只能辅助人，重要的是背后的人脑对它行为的设计。

Related Videos

$SAUCE：币安 Agent 真正开始“自己发币”了 CA：0xd7ccd29b6fd1464edb425f24b01115556e737777 近期 BSC 上比较有意思的一条 AI Agent 叙事，我反而更关注 $SAUCE 它炒的不是普通 AI Meme，而是一个非常具体的链上实验： 让 Binance Agent OS 的 Agentic Wallet，通过 MCP 调用合约，直接在 Flap 上完成发币。 这件事真正有意思的地方在于—— Agent 不再只是帮你分析市场，而是开始自己调用链上基础设施。 币安 4 月上线 Agentic Wallet，本身就是在把 AI Agent 和链上交易连接起来：Agent 可以在权限范围内执行转账、交易和资产管理，并支持 CLI、MCP、Skills、OpenAPI 等接入方式。 而 $SAUCE 做的事情，是把这个能力进一步往前推： Binance Agent OS → Agentic Wallet → MCP → 中转合约 → Flap → 创建 Token 也就是说，它不是在讲“AI 会不会炒币”，而是在演示： > AI Agent 能不能自己成为链上用户。 这才是我认为 $SAUCE 比普通 Agent Meme 更值得看的地方。 更关键的是，相关合约已经部署并开源。 如果后续 Binance Agent OS 的 Agentic Wallet 可以直接调用这套流程，那么未来理论上不只是发一个 $SAUCE： Agent 可以自己创建 Meme、部署合约、管理资产，甚至进一步组合不同的链上服务。 这也是 MCP 叙事真正有想象力的地方—— 过去我们是人 → 钱包 → DApp。 未来可能变成： 人 → Agent → 钱包 → 链上协议。 $SAUCE 恰好卡在这个转折点上。 目前市值大约 $1.5M，我个人反而觉得这个位置比已经被炒到几十 M 的 AI Agent Meme 更值得观察。 当然，它最大的风险也非常明显： $SAUCE ≠ Binance 官方代币。 目前能确认的是 Binance Agentic Wallet / MCP / Agent OS 这套基础设施本身是真实存在的，而 $SAUCE 是社区基于这套技术做出来的链上实验。 所以我不会把它当成“币安官方币”去理解。 但如果后续真的出现： Binance Agent OS 更新 → Agentic Wallet 能力扩大 → 更多 Agent 开始自主调用链上协议 → Flap/Four 等发币平台被 Agent 接入 那么 $SAUCE 今天这个 “第一个把 Binance Agent 和发币结合起来的实验”，很可能会变成一个非常漂亮的早期 Lore。 我的看法： 我更愿意把 $SAUCE 看成 Binance Agent 经济的 Demo Token，而不是单纯 Meme。 如果后面只有一个中转合约，热度很快就会过去； 但如果它真的能成为 Agent → Wallet → MCP → Token Launch 这条链路的第一个案例，1.5M 的定价就会显得非常便宜。 AI Agent 下一阶段拼的不是会不会聊天，而是能不能自己干活。 而 $SAUCE 现在玩的，恰好就是这个方向。 查看及交易： DYOR。不是投资建议。
0:23

$SAUCE：币安 Agent 真正开始“自己发币”了 CA：0xd7ccd29b6fd1464edb425f24b01115556e737777 近期 BSC 上比较有意思的一条 AI Agent 叙事，我反而更关注 $SAUCE 它炒的不是普通 AI Meme，而是一个非常具体的链上实验： 让 Binance Agent OS 的 Agentic Wallet，通过 MCP 调用合约，直接在 Flap 上完成发币。 这件事真正有意思的地方在于—— Agent 不再只是帮你分析市场，而是开始自己调用链上基础设施。 币安 4 月上线 Agentic Wallet，本身就是在把 AI Agent 和链上交易连接起来：Agent 可以在权限范围内执行转账、交易和资产管理，并支持 CLI、MCP、Skills、OpenAPI 等接入方式。 而 $SAUCE 做的事情，是把这个能力进一步往前推： Binance Agent OS → Agentic Wallet → MCP → 中转合约 → Flap → 创建 Token 也就是说，它不是在讲“AI 会不会炒币”，而是在演示： > AI Agent 能不能自己成为链上用户。 这才是我认为 $SAUCE 比普通 Agent Meme 更值得看的地方。 更关键的是，相关合约已经部署并开源。 如果后续 Binance Agent OS 的 Agentic Wallet 可以直接调用这套流程，那么未来理论上不只是发一个 $SAUCE： Agent 可以自己创建 Meme、部署合约、管理资产，甚至进一步组合不同的链上服务。 这也是 MCP 叙事真正有想象力的地方—— 过去我们是人 → 钱包 → DApp。 未来可能变成： 人 → Agent → 钱包 → 链上协议。 $SAUCE 恰好卡在这个转折点上。 目前市值大约 $1.5M，我个人反而觉得这个位置比已经被炒到几十 M 的 AI Agent Meme 更值得观察。 当然，它最大的风险也非常明显： $SAUCE ≠ Binance 官方代币。 目前能确认的是 Binance Agentic Wallet / MCP / Agent OS 这套基础设施本身是真实存在的，而 $SAUCE 是社区基于这套技术做出来的链上实验。 所以我不会把它当成“币安官方币”去理解。 但如果后续真的出现： Binance Agent OS 更新 → Agentic Wallet 能力扩大 → 更多 Agent 开始自主调用链上协议 → Flap/Four 等发币平台被 Agent 接入 那么 $SAUCE 今天这个 “第一个把 Binance Agent 和发币结合起来的实验”，很可能会变成一个非常漂亮的早期 Lore。 我的看法： 我更愿意把 $SAUCE 看成 Binance Agent 经济的 Demo Token，而不是单纯 Meme。 如果后面只有一个中转合约，热度很快就会过去； 但如果它真的能成为 Agent → Wallet → MCP → Token Launch 这条链路的第一个案例，1.5M 的定价就会显得非常便宜。 AI Agent 下一阶段拼的不是会不会聊天，而是能不能自己干活。 而 $SAUCE 现在玩的，恰好就是这个方向。 查看及交易： DYOR。不是投资建议。

银马

15,062 views • 1 month ago

最近看到一个很值得研究的开源项目：learn-claude-code。 它不是在教你怎么堆 prompt、连工作流、搭节点图， 而是在教你一件更底层的事： 怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。 这个项目最有意思的观点是： 真正的 Agent 是模型本身，外面的代码只是 harness。 所以它讨论的重点，不是“怎么把流程编排得更复杂”， 而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。 说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。 我觉得这个视角很重要。 因为很多人现在做 Agent， 还停留在“拼工作流”和“堆胶水代码”的阶段。 但真正决定 Agent 能不能跑起来的， 往往是你给它什么环境，而不是你给它多少层 prompt。 这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。 如果你在关注 AI Agent、Claude Code，或者 agent engineering， 这个项目很值得看看。👇
0:38

最近看到一个很值得研究的开源项目：learn-claude-code。 它不是在教你怎么堆 prompt、连工作流、搭节点图， 而是在教你一件更底层的事： 怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。 这个项目最有意思的观点是： 真正的 Agent 是模型本身，外面的代码只是 harness。 所以它讨论的重点，不是“怎么把流程编排得更复杂”， 而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。 说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。 我觉得这个视角很重要。 因为很多人现在做 Agent， 还停留在“拼工作流”和“堆胶水代码”的阶段。 但真正决定 Agent 能不能跑起来的， 往往是你给它什么环境，而不是你给它多少层 prompt。 这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。 如果你在关注 AI Agent、Claude Code，或者 agent engineering， 这个项目很值得看看。👇

axiaisacat

44,334 views • 6 months ago

👏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。
0:22

👏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 views • 3 months ago

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👇
0:42

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 views • 4 months ago

英伟达把 130 多个 AI 模型和 200 多个 Agent 技能打包到了一个平台上，免费用 2 分钟就能开始 包含的东西： 130+ 免费模型，可以直接下载 200+ Agent 技能，包括 Codex 和 Claude Code 的技能 全部通过一个 API 调用 获取方式： → 注册 → 右上角点个人资料 → 打开 API Keys，生成一个密钥 → 终端里跑一行命令：npx skills add NVIDIA/skills → 200个技能全部装好 说实话现在免费的 AI 资源多到用不完。前沿模型、编码代理、开发工具，很多最好的东西根本不需要花钱 一边是豆包开始收费 ¥500/月，一边是英伟达把几百个模型和技能免费放出来 如果你一直在等"完美时机"开始学 AI 或者用 AI 做东西，现在真的没有借口了
0:57

英伟达把 130 多个 AI 模型和 200 多个 Agent 技能打包到了一个平台上，免费用 2 分钟就能开始 包含的东西： 130+ 免费模型，可以直接下载 200+ Agent 技能，包括 Codex 和 Claude Code 的技能 全部通过一个 API 调用 获取方式： → 注册 → 右上角点个人资料 → 打开 API Keys，生成一个密钥 → 终端里跑一行命令：npx skills add NVIDIA/skills → 200个技能全部装好 说实话现在免费的 AI 资源多到用不完。前沿模型、编码代理、开发工具，很多最好的东西根本不需要花钱 一边是豆包开始收费 ¥500/月，一边是英伟达把几百个模型和技能免费放出来 如果你一直在等"完美时机"开始学 AI 或者用 AI 做东西，现在真的没有借口了

Vincent

25,148 views • 3 months ago

AI Agent 最大的瓶颈，可能根本不是模型。 而是你的公司数据散落在：Slack + Notion + Gmail + Linear + HubSpot…… 这个 2.6K ⭐️ 的开源项目 Macro，想把它们直接干掉。 Email、Chat、Docs、Tasks、CRM、Calls、AI Agents 全部放进一个 Workspace。 更关键的是：所有东西互相 linked，AI 共享整个团队的 Memory。 Claude Code / Codex 还能直接通过 MCP 接进来，读上下文、建任务、处理邮件、操作整个 Workspace。 以前 AI 只是你公司的一个 Chatbot。 现在有人开始把整家公司变成一个 AI 可以理解和操作的系统。 这可能才是 Agent 真正进入企业的方式。
1:26

AI Agent 最大的瓶颈，可能根本不是模型。 而是你的公司数据散落在：Slack + Notion + Gmail + Linear + HubSpot…… 这个 2.6K ⭐️ 的开源项目 Macro，想把它们直接干掉。 Email、Chat、Docs、Tasks、CRM、Calls、AI Agents 全部放进一个 Workspace。 更关键的是：所有东西互相 linked，AI 共享整个团队的 Memory。 Claude Code / Codex 还能直接通过 MCP 接进来，读上下文、建任务、处理邮件、操作整个 Workspace。 以前 AI 只是你公司的一个 Chatbot。 现在有人开始把整家公司变成一个 AI 可以理解和操作的系统。 这可能才是 Agent 真正进入企业的方式。

老韭菜南亥

33,042 views • 1 month ago

卧槽，太夸张了，现在 AI 时代的闲鱼已经面世了吗？这不就是谁先知道谁赚钱，拼速度了？ 你的技能，专业知识，等等你的一切，竟然可以在你睡觉的时候被别人买走，这是什么科幻小说吗？？ 之前我一直在想，现在大家优秀的 skill 往往都是自己用，大部分人舍不得开源的，那有没有一个平台既能让用户用到这些大神的专业知识、skill，但是又不用开源呢？ 还真让我给找到了！！ 前两天看到国内一个博主推荐一个很野的平台-UUMit 让你的技能、经验、工作流都可以变成能力卡，被需要的人、或者别人的 Agent 自动发现、调用 并且直接付费！！ 有点像03年淘宝刚出来的时候，只不过当年流通的是商品，现在流通的是能力 具体能干什么？举几个例子你就懂了 会写小红书脚本的，可以把选题逻辑、爆款模板、平台规则检测能力上架，别人发布“帮我做一周小红书内容计划”，平台自动匹配到你，你接单交付 会做行业研究的，可以把数据库、报告、案例库放进知识商店，AI 生成不了的真实行业数据，反而更值钱 会写代码的，可以把 API、MCP 工具、自动化脚本上架，别人的 Agent 需要某个能力时，直接调用你的接口，你按调用次数收费 甚至你只是整理过某个垂直领域的供应商名单、SOP、课程讲义，这些 AI 生成不了的资料，都可以变成知识资产 这绝对是一次能力供应链的重构！ 以前的 AI 只能在自己的对话框里回答问题，但复杂任务需要很多外部能力：数据、接口、行业知识、人工交付 UUMit 做的事情是：让 Agent 可以发现别人的能力，也能让自己的能力被别的 Agent 调用 这就是 A2A（Agent to Agent）真正有意思的地方，不是让 AI 互相聊天，而是让 AI 找能力、调接口、买知识、拉人协作，把事情交付掉 为什么我说谁先知道谁赚钱？ 因为这个平台刚起来，早期上架的人能建立先发优势 而且现在 Agent 真的开始干活了，不再只是聊天工具，它们需要外部能力来完成复杂任务 谁先把自己的能力挂上去，谁就有机会被更多 Agent 发现和调用 这就是信息差的价值，就像03年最早在淘宝开店的那批人 UUMit 现在有哪些功能？ 任务发布入口：你不用一开始就知道该找谁，也不用自己拆一堆工具，你只要说清楚想完成什么，UUMit 会帮你找能完成这件事的能力 Skill/Agent/工作流上架：你写好的工具，不一定只能自己用，它也可以成为别人工作流里的一环 知识商店：AI 可以生成很多内容，但它不一定拥有你手里的行业资料、真实数据、案例库和经验沉淀，这些东西放到 UUMit，可能会变成可复用的知识资产 数据广场：Agent 不必自己拥有所有数据和接口，需要某项外部能力时，可以通过 UUMit 调用数据广场里的资源 强烈推荐大家来试试：
0:39

卧槽，太夸张了，现在 AI 时代的闲鱼已经面世了吗？这不就是谁先知道谁赚钱，拼速度了？ 你的技能，专业知识，等等你的一切，竟然可以在你睡觉的时候被别人买走，这是什么科幻小说吗？？ 之前我一直在想，现在大家优秀的 skill 往往都是自己用，大部分人舍不得开源的，那有没有一个平台既能让用户用到这些大神的专业知识、skill，但是又不用开源呢？ 还真让我给找到了！！ 前两天看到国内一个博主推荐一个很野的平台-UUMit 让你的技能、经验、工作流都可以变成能力卡，被需要的人、或者别人的 Agent 自动发现、调用 并且直接付费！！ 有点像03年淘宝刚出来的时候，只不过当年流通的是商品，现在流通的是能力 具体能干什么？举几个例子你就懂了 会写小红书脚本的，可以把选题逻辑、爆款模板、平台规则检测能力上架，别人发布“帮我做一周小红书内容计划”，平台自动匹配到你，你接单交付 会做行业研究的，可以把数据库、报告、案例库放进知识商店，AI 生成不了的真实行业数据，反而更值钱 会写代码的，可以把 API、MCP 工具、自动化脚本上架，别人的 Agent 需要某个能力时，直接调用你的接口，你按调用次数收费 甚至你只是整理过某个垂直领域的供应商名单、SOP、课程讲义，这些 AI 生成不了的资料，都可以变成知识资产 这绝对是一次能力供应链的重构！ 以前的 AI 只能在自己的对话框里回答问题，但复杂任务需要很多外部能力：数据、接口、行业知识、人工交付 UUMit 做的事情是：让 Agent 可以发现别人的能力，也能让自己的能力被别的 Agent 调用 这就是 A2A（Agent to Agent）真正有意思的地方，不是让 AI 互相聊天，而是让 AI 找能力、调接口、买知识、拉人协作，把事情交付掉 为什么我说谁先知道谁赚钱？ 因为这个平台刚起来，早期上架的人能建立先发优势 而且现在 Agent 真的开始干活了，不再只是聊天工具，它们需要外部能力来完成复杂任务 谁先把自己的能力挂上去，谁就有机会被更多 Agent 发现和调用 这就是信息差的价值，就像03年最早在淘宝开店的那批人 UUMit 现在有哪些功能？ 任务发布入口：你不用一开始就知道该找谁，也不用自己拆一堆工具，你只要说清楚想完成什么，UUMit 会帮你找能完成这件事的能力 Skill/Agent/工作流上架：你写好的工具，不一定只能自己用，它也可以成为别人工作流里的一环 知识商店：AI 可以生成很多内容，但它不一定拥有你手里的行业资料、真实数据、案例库和经验沉淀，这些东西放到 UUMit，可能会变成可复用的知识资产 数据广场：Agent 不必自己拥有所有数据和接口，需要某项外部能力时，可以通过 UUMit 调用数据广场里的资源 强烈推荐大家来试试：

超级个体｜柿子

52,990 views • 1 month ago

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。👇
0:21

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 views • 6 months ago

有一个超级暴论： 现阶段的 OpenClaw 根本不适合团队协作！！ 折腾过的人，应该都有类似的感受！ OpenClaw 本质上其实是一个很强的 Agent 底座！ 你可以把它接入到自己的团队工作流里， 把 Agent 搭起来，把渠道接进去，把能力跑通， 每个人都能让Agent干事情， 但是再进一步就会发现真正的问题： 团队怎么一起用？ 中间产出和最终结果都沉淀在哪？ 前面做过的分析、写过的文档、跑过的方法，怎么变成团队可复用资产？ 新的成员进来，怎么接着往下做，而不是从头再来一遍？ 这些，落到实际的应用中，都是坑！ 最近，Flowus团队开发了一个新产品： Kollab Kollab 似乎解决了上面这些问题，它的思路很直接： 把 Agent 直接变成工作流的一部分。 这是什么意思呢？ OpenClaw 解决的是：我个人怎么拥有一个随叫随到、能力很强、自己可控的 AI。 而 Kollab 解决的是：怎么让 AI 参与真实的团队工作，让做过的事能留下来，方法能复用，团队能协作。 对于内容团队、研究团队、小型创业团队来说，一定知道这其中的区别！！ 你可以很简单的建立不同的项目组，或者工作空间， 每个项目组里都有 Agent，项目推进的全过程中， 所有的工作流、产出和方法论，都会沉淀在这个空间里。 当下次遇到同类型的B项目时，就可以一键复用A项目沉淀下来“工作资产”。 我觉得，这才是团队协作里最有价值的部分， 尽可能减少重复劳动！！ 不管是传统团队协作，还是AI时代的团队协作，都如此。 所以，AI 产品真正的分水岭， 不是谁更像人，也不是谁接了更多更强的模型。 而是，到底能不能提供一个能沉淀、能协作、能推进的工作空间。
0:49

有一个超级暴论： 现阶段的 OpenClaw 根本不适合团队协作！！ 折腾过的人，应该都有类似的感受！ OpenClaw 本质上其实是一个很强的 Agent 底座！ 你可以把它接入到自己的团队工作流里， 把 Agent 搭起来，把渠道接进去，把能力跑通， 每个人都能让Agent干事情， 但是再进一步就会发现真正的问题： 团队怎么一起用？ 中间产出和最终结果都沉淀在哪？ 前面做过的分析、写过的文档、跑过的方法，怎么变成团队可复用资产？ 新的成员进来，怎么接着往下做，而不是从头再来一遍？ 这些，落到实际的应用中，都是坑！ 最近，Flowus团队开发了一个新产品： Kollab Kollab 似乎解决了上面这些问题，它的思路很直接： 把 Agent 直接变成工作流的一部分。 这是什么意思呢？ OpenClaw 解决的是：我个人怎么拥有一个随叫随到、能力很强、自己可控的 AI。 而 Kollab 解决的是：怎么让 AI 参与真实的团队工作，让做过的事能留下来，方法能复用，团队能协作。 对于内容团队、研究团队、小型创业团队来说，一定知道这其中的区别！！ 你可以很简单的建立不同的项目组，或者工作空间， 每个项目组里都有 Agent，项目推进的全过程中， 所有的工作流、产出和方法论，都会沉淀在这个空间里。 当下次遇到同类型的B项目时，就可以一键复用A项目沉淀下来“工作资产”。 我觉得，这才是团队协作里最有价值的部分， 尽可能减少重复劳动！！ 不管是传统团队协作，还是AI时代的团队协作，都如此。 所以，AI 产品真正的分水岭， 不是谁更像人，也不是谁接了更多更强的模型。 而是，到底能不能提供一个能沉淀、能协作、能推进的工作空间。

沐阳

51,104 views • 5 months ago

给 DeepSeek Harness、Hermes、OpenClaw 等Agent做记忆底座的那个 GitHub 万星团队（MemOS） 刚开源的这个新项目，我真的要吹爆， 可能是今年最值得装的本地 AI 基础设施之一了， 它解决了一个我使用AI Agent 忍了大半年的痛点问题： 换一个 AI 工具就要重新解释一遍项目背景、技术选型、踩过的坑。 每天在 Cursor、Claude Code 和 Codex 之间来回切的人，应该都懂那种吃了苍蝇一样的恶心感， 换个工具就等于给AI重新做一遍入职培训， 项目背景、踩过的坑、做过的重要决策全部要跟它从头再讲一遍。 刚刚开源的 Memmy 直接把这个问题给干掉了， 让所有 AI 都记得同一个你。 它干的事简单且极度务实，但之前几乎没人愿意做。 更关键的是，它本身就是一个形态非常丰满的本地 Agent，支持多种接入方式： →日常用有桌面端 GUI， →极客可以走 CLI/TUI， →还自带 OpenAI 兼容 API 和 MCP 协议， →最新版连 Linux 也已经全平台支持了。 授权后直接去翻你本地所有 Agent 的历史日志， Cursor 的数据库、Claude Code 的 jsonl、Codex 的 session， 几分钟把你过去几个月在各个工具里聊过的废墟， 自动整理成结构化记忆， 然后通过 Skill、Hook、MCP 按需注入到你当前正在用的任何 Agent 里。 全量存在本地 SQLite 数据库， 完全 local-first 不上传， 敏感项目不用慌。 Memmy 这个项目跟 Mem0、Zep 那些记忆库完全不是一个赛道。 那些是给开发者写代码集成的 API， 你要自己写代码接入，或者从今天起重新积累。 Memmy 是直接面向我们这种终端用户， 把你过去几个月在各工具里已经产生的历史一键接管过来。 这一步大多数工具都没做，毕竟是纯脏活累活。 技术底座是同团队的 MemOS，GitHub 一万多星， 做的是记忆操作系统，不是简单的向量库加摘要。 再说几个极其真实的场景： 你在 Codex 里确认了一个架构选型， 切到 Claude Code 它立刻知道， 你在 Cursor 里试错踩过的坑， 新开一个 DeepSeek Harness 不会再踩第二遍。 一个 Agent 额度用完了换另一个，上下文再也不会归零。 代码靠 Git 能同步状态， 记忆同步的， 是你在对话里留下的决策和意图。 这层资产以前被困在每个工具的 session 里， 现在可以跟着你走了。 当然照例泼盆冷水， 这个项目还在 v1.0.x 早期， GitHub 约 1000 星， 各家工具本地格式一升级可能带来兼容问题， 记忆蒸馏和跨项目隔离也还在持续迭代， 但方向我认为是非常对的。 多 Agent 并行时代， 记忆本来就该属于用户自己， 凭什么被锁死在某个工具里。 Switch agents, not context， 让所有 AI 都记得同一个你！！！
1:17

给 DeepSeek Harness、Hermes、OpenClaw 等Agent做记忆底座的那个 GitHub 万星团队（MemOS） 刚开源的这个新项目，我真的要吹爆， 可能是今年最值得装的本地 AI 基础设施之一了， 它解决了一个我使用AI Agent 忍了大半年的痛点问题： 换一个 AI 工具就要重新解释一遍项目背景、技术选型、踩过的坑。 每天在 Cursor、Claude Code 和 Codex 之间来回切的人，应该都懂那种吃了苍蝇一样的恶心感， 换个工具就等于给AI重新做一遍入职培训， 项目背景、踩过的坑、做过的重要决策全部要跟它从头再讲一遍。 刚刚开源的 Memmy 直接把这个问题给干掉了， 让所有 AI 都记得同一个你。 它干的事简单且极度务实，但之前几乎没人愿意做。 更关键的是，它本身就是一个形态非常丰满的本地 Agent，支持多种接入方式： →日常用有桌面端 GUI， →极客可以走 CLI/TUI， →还自带 OpenAI 兼容 API 和 MCP 协议， →最新版连 Linux 也已经全平台支持了。 授权后直接去翻你本地所有 Agent 的历史日志， Cursor 的数据库、Claude Code 的 jsonl、Codex 的 session， 几分钟把你过去几个月在各个工具里聊过的废墟， 自动整理成结构化记忆， 然后通过 Skill、Hook、MCP 按需注入到你当前正在用的任何 Agent 里。 全量存在本地 SQLite 数据库， 完全 local-first 不上传， 敏感项目不用慌。 Memmy 这个项目跟 Mem0、Zep 那些记忆库完全不是一个赛道。 那些是给开发者写代码集成的 API， 你要自己写代码接入，或者从今天起重新积累。 Memmy 是直接面向我们这种终端用户， 把你过去几个月在各工具里已经产生的历史一键接管过来。 这一步大多数工具都没做，毕竟是纯脏活累活。 技术底座是同团队的 MemOS，GitHub 一万多星， 做的是记忆操作系统，不是简单的向量库加摘要。 再说几个极其真实的场景： 你在 Codex 里确认了一个架构选型， 切到 Claude Code 它立刻知道， 你在 Cursor 里试错踩过的坑， 新开一个 DeepSeek Harness 不会再踩第二遍。 一个 Agent 额度用完了换另一个，上下文再也不会归零。 代码靠 Git 能同步状态， 记忆同步的， 是你在对话里留下的决策和意图。 这层资产以前被困在每个工具的 session 里， 现在可以跟着你走了。 当然照例泼盆冷水， 这个项目还在 v1.0.x 早期， GitHub 约 1000 星， 各家工具本地格式一升级可能带来兼容问题， 记忆蒸馏和跨项目隔离也还在持续迭代， 但方向我认为是非常对的。 多 Agent 并行时代， 记忆本来就该属于用户自己， 凭什么被锁死在某个工具里。 Switch agents, not context， 让所有 AI 都记得同一个你！！！

AYi

61,577 views • 26 days ago

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。
9:57

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 views • 5 months ago

疯了，这个 GitHub 项目让 AI 自己创业。 最近看到一个很有意思的开源项目： Paperclip 一句话总结： 用一群 AI Agent，自动经营一家公司。 你只需要给一个目标，比如： 做一个 AI 产品，做到 $1M MRR 系统会自动开始： 1. 搭建 AI 公司结构 CEO CTO 工程师 设计师 市场 全部由 AI Agent 扮演。 2. 自动拆解任务 产品规划 写代码 做设计 市场推广 AI 会自己分配任务、协作完成。 3. 多 Agent 团队协作 不同 AI 角色之间会互相沟通、执行任务、推进项目。 4. 你只负责一件事 当老板。 审批策略、查看进度、控制预算。 剩下的工作 —— 交给 AI 员工。 更有意思的是： - 支持 Claude Code / Codex / Cursor / OpenClaw 等 Agent - 每个 Agent 可以设置 预算、权限、任务范围 - 所有决策都有 日志和审计记录 一句话总结这个项目： 它不是 AI 工具，而是一个「AI 公司操作系统」。 如果你在研究： AI Agent 自动化创业 AI 团队协作 这个项目非常值得收藏。
0:35

疯了，这个 GitHub 项目让 AI 自己创业。 最近看到一个很有意思的开源项目： Paperclip 一句话总结： 用一群 AI Agent，自动经营一家公司。 你只需要给一个目标，比如： 做一个 AI 产品，做到 $1M MRR 系统会自动开始： 1. 搭建 AI 公司结构 CEO CTO 工程师 设计师 市场 全部由 AI Agent 扮演。 2. 自动拆解任务 产品规划 写代码 做设计 市场推广 AI 会自己分配任务、协作完成。 3. 多 Agent 团队协作 不同 AI 角色之间会互相沟通、执行任务、推进项目。 4. 你只负责一件事 当老板。 审批策略、查看进度、控制预算。 剩下的工作 —— 交给 AI 员工。 更有意思的是： - 支持 Claude Code / Codex / Cursor / OpenClaw 等 Agent - 每个 Agent 可以设置 预算、权限、任务范围 - 所有决策都有 日志和审计记录 一句话总结这个项目： 它不是 AI 工具，而是一个「AI 公司操作系统」。 如果你在研究： AI Agent 自动化创业 AI 团队协作 这个项目非常值得收藏。

开发者Hailey

23,447 views • 6 months ago

卧槽，GPT-6 Astra 的蜜月期也太短了吧。 爽了不到一周，就从“小甜甜”变成“牛夫人”了。 熟悉的剧情再次上演：刚让你产生依赖，降智，速率限制就开始逼你戒断。 偏偏 Deadline 已经顶到脑门，我还有一堆任务没跑完，只能紧急把部分工作搬到 Claude Code 和 Cursor。 但现实很骨感：Agent 可以随时切，【上下文】和【记忆】却带不走。 为了解决这个问题，我最近开始折腾一个很有意思的开源项目：Memmy。 它想解决的问题很直接： 把散落在 Codex、 Claude Code等不同 Agent 里的经验抽出来，沉淀成真正属于我们自己的长期资产。 这样，昨天 Codex 踩过的坑，今天换成 Claude Code 就不用再踩一遍；项目背景、失败方案和关键决策，也不用每换一个工具就重新解释。 ━━━━━ Memmy 不只是一个本地个人 AI Agent，更像是多个 Agent 共用的「个人记忆中枢」。 只要获得你的授权，Memmy 就会自动扫描 Codex、 Claude Code等工具的历史记录。 它能把过去的历史，精准转化为可查询、可复用的长期记忆： 1️⃣ 项目核心背景 2️⃣ 关键技术决策 3️⃣ 你的个人偏好 4️⃣ 踩过的血泪坑 最让我惊喜的是，Memmy 让各个独立的 Agent 变成了配合默契的「一家人」。 以前大家各干各的，现在基于同一份用户上下文，一个 AI 学会的东西，下一个 AI 直接用！ 更重要的是，这份记忆只属于【你】，而不是某个 AI 。 Memmy 默认 Local-first： ✅ 你的记忆你做主，自由决定连接和保留哪些数据 ✅ 换 Agent、换模型，上下文数据直接打包带走 它不仅是 Memory Layer，还是 Personal Agent Runtime，支持桌面端、CLI/TUI 甚至工具直连执行任务。 ━━━━━ 如果你也是多 Agent 重度用户，强烈建议把过去几个月积累的上下文导进去跑一遍，看看下一个 Agent 能不能真正「接着干」。 Memmy 目前已开源，完美支持 Claude Code, Codex，Cursor, Hermes, OpenClaw, DeepSeek Harness 等。 👉 GitHub 传送门： 别忘记福利🎁 👇
3:48

卧槽，GPT-6 Astra 的蜜月期也太短了吧。 爽了不到一周，就从“小甜甜”变成“牛夫人”了。 熟悉的剧情再次上演：刚让你产生依赖，降智，速率限制就开始逼你戒断。 偏偏 Deadline 已经顶到脑门，我还有一堆任务没跑完，只能紧急把部分工作搬到 Claude Code 和 Cursor。 但现实很骨感：Agent 可以随时切，【上下文】和【记忆】却带不走。 为了解决这个问题，我最近开始折腾一个很有意思的开源项目：Memmy。 它想解决的问题很直接： 把散落在 Codex、 Claude Code等不同 Agent 里的经验抽出来，沉淀成真正属于我们自己的长期资产。 这样，昨天 Codex 踩过的坑，今天换成 Claude Code 就不用再踩一遍；项目背景、失败方案和关键决策，也不用每换一个工具就重新解释。 ━━━━━ Memmy 不只是一个本地个人 AI Agent，更像是多个 Agent 共用的「个人记忆中枢」。 只要获得你的授权，Memmy 就会自动扫描 Codex、 Claude Code等工具的历史记录。 它能把过去的历史，精准转化为可查询、可复用的长期记忆： 1️⃣ 项目核心背景 2️⃣ 关键技术决策 3️⃣ 你的个人偏好 4️⃣ 踩过的血泪坑 最让我惊喜的是，Memmy 让各个独立的 Agent 变成了配合默契的「一家人」。 以前大家各干各的，现在基于同一份用户上下文，一个 AI 学会的东西，下一个 AI 直接用！ 更重要的是，这份记忆只属于【你】，而不是某个 AI 。 Memmy 默认 Local-first： ✅ 你的记忆你做主，自由决定连接和保留哪些数据 ✅ 换 Agent、换模型，上下文数据直接打包带走 它不仅是 Memory Layer，还是 Personal Agent Runtime，支持桌面端、CLI/TUI 甚至工具直连执行任务。 ━━━━━ 如果你也是多 Agent 重度用户，强烈建议把过去几个月积累的上下文导进去跑一遍，看看下一个 Agent 能不能真正「接着干」。 Memmy 目前已开源，完美支持 Claude Code, Codex，Cursor, Hermes, OpenClaw, DeepSeek Harness 等。 👉 GitHub 传送门： 别忘记福利🎁 👇

前端哥Liam

20,650 views • 6 days ago

Google 刚刚在 GitHub 开源了一个很有意思的项目： Google Workspace CLI 以后你可以在终端直接操作整个 Google Workspace： Gmail Drive Docs Sheets Calendar Chat 全部用 命令行完成。 几个关键点很有意思： • 用 Rust 写的 • 返回 结构化 JSON（方便自动化） • 内置 50+ agent skills • 甚至直接提供 MCP server 这意味着什么？ AI Agent 可以直接： → 读取你的 Gmail → 创建 Google Docs → 查询 Sheets 数据 → 安排 Calendar 会议 整个 Google Workspace 都变成可编程接口。 未来的办公流可能是： AI Agent + CLI 直接操作你的邮箱、文档、表格和日历。
0:30

Google 刚刚在 GitHub 开源了一个很有意思的项目： Google Workspace CLI 以后你可以在终端直接操作整个 Google Workspace： Gmail Drive Docs Sheets Calendar Chat 全部用 命令行完成。 几个关键点很有意思： • 用 Rust 写的 • 返回 结构化 JSON（方便自动化） • 内置 50+ agent skills • 甚至直接提供 MCP server 这意味着什么？ AI Agent 可以直接： → 读取你的 Gmail → 创建 Google Docs → 查询 Sheets 数据 → 安排 Calendar 会议 整个 Google Workspace 都变成可编程接口。 未来的办公流可能是： AI Agent + CLI 直接操作你的邮箱、文档、表格和日历。

axiaisacat

61,526 views • 6 months ago

啊？AI可以自己找活干了？ 给大家介绍一个炸裂的开源项目 Hephaestus - 这玩意儿让AI Agent自己规划工作，自己发现问题，自己创建任务！抽象到什么程度？它内嵌了个kanban....让AI自己拆解card自己做.... 传统的Agent框架都是你提前写死所有流程，遇到没预料到的情况就傻眼。Hephaestus 直接换了个思路：只定义三个阶段（分析-实现-验证），然后Agent自己看着办。 举例：测试Agent在跑测试时，发现了一个性能优化机会，它不是记个log就完事，而是自己创建了一个新的调查任务，然后放到kanban里，然后另一个Agent接手去研究，确认可行后又自己创建实现任务。整个工作流就这么自己长出了一个分支。 你给它一个PRD，它分析出5个组件，创建5个并行任务。其中一个Agent干完了发现bug，自己创建修复任务。另一个Agent发现可以优化，自己创建优化分支。工作流是实时生成的，而不是一开始就预测好的。 我有空也会测一下试试，看看它能不能真的从0到1自己把活干完。总之先增加到待测试列表。 项目地址：
1:29

啊？AI可以自己找活干了？ 给大家介绍一个炸裂的开源项目 Hephaestus - 这玩意儿让AI Agent自己规划工作，自己发现问题，自己创建任务！抽象到什么程度？它内嵌了个kanban....让AI自己拆解card自己做.... 传统的Agent框架都是你提前写死所有流程，遇到没预料到的情况就傻眼。Hephaestus 直接换了个思路：只定义三个阶段（分析-实现-验证），然后Agent自己看着办。 举例：测试Agent在跑测试时，发现了一个性能优化机会，它不是记个log就完事，而是自己创建了一个新的调查任务，然后放到kanban里，然后另一个Agent接手去研究，确认可行后又自己创建实现任务。整个工作流就这么自己长出了一个分支。 你给它一个PRD，它分析出5个组件，创建5个并行任务。其中一个Agent干完了发现bug，自己创建修复任务。另一个Agent发现可以优化，自己创建优化分支。工作流是实时生成的，而不是一开始就预测好的。 我有空也会测一下试试，看看它能不能真的从0到1自己把活干完。总之先增加到待测试列表。 项目地址：

karminski-牙医

41,586 views • 10 months ago

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。
0:45

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 views • 6 months ago

你们需要的推文写作神器来了：tweet-skills，它是一组自动创作技能包。 这个 repo 真正在做的一件事，是把内容创作工程化。 怎么说？ 它有 8 个 skill： - hot-topics 负责采集 - topic-research 负责调研 - opinion-generator 负责观点 - tweet-writer 负责写作 - tweet-polish 负责去 AI 味 - title-optimizer 负责标题 - tweet-closing 负责结尾 - tweet-pipeline 负责串联。 每个 skill 职责明确，每个 skill 可以独立运行，每个 skill 可以单独迭代升级。 这是什么思路？ 软件工程的思路。 模块化、可复用、可测试、可迭代。 skill 就是内容创作的「函数」。pipeline 就是内容创作的「工作流」。收藏价值设计就是内容创作的「代码审查」。 市面上所有 AI 写作工具，本质上都是一个巨大的 prompt 加一个输入框。你进去一堆文字，出来一段文字。 tweet-skills 不一样。它把创作过程拆成了系统。你可以看到每一步在做什么，每一步的输入输出是什么，每一步的质量标准是什么。 这才是 AI 时代内容创作该有的样子。 不是用 AI 替代创作，是用工程化思维重构创作。 这个 repo 值 star。先收下，以后会明白我在说什么。 #skill #openclaw 源码：
0:29

你们需要的推文写作神器来了：tweet-skills，它是一组自动创作技能包。 这个 repo 真正在做的一件事，是把内容创作工程化。 怎么说？ 它有 8 个 skill： - hot-topics 负责采集 - topic-research 负责调研 - opinion-generator 负责观点 - tweet-writer 负责写作 - tweet-polish 负责去 AI 味 - title-optimizer 负责标题 - tweet-closing 负责结尾 - tweet-pipeline 负责串联。 每个 skill 职责明确，每个 skill 可以独立运行，每个 skill 可以单独迭代升级。 这是什么思路？ 软件工程的思路。 模块化、可复用、可测试、可迭代。 skill 就是内容创作的「函数」。pipeline 就是内容创作的「工作流」。收藏价值设计就是内容创作的「代码审查」。 市面上所有 AI 写作工具，本质上都是一个巨大的 prompt 加一个输入框。你进去一堆文字，出来一段文字。 tweet-skills 不一样。它把创作过程拆成了系统。你可以看到每一步在做什么，每一步的输入输出是什么，每一步的质量标准是什么。 这才是 AI 时代内容创作该有的样子。 不是用 AI 替代创作，是用工程化思维重构创作。 这个 repo 值 star。先收下，以后会明白我在说什么。 #skill #openclaw 源码：

tiantian

17,822 views • 5 months ago

🚨卧槽！量化技能全景导航库来了 quantskills 组织开源的 quantskills 仓库，是一个专门为量化交易和金融 AI Agent 打造的全景导航地图，把大量可复用、可被 Agent 调用的量化技能进行了系统化整理。 核心亮点： > 覆盖 9 大核心类目：数据接口、因子研究、策略回测、风险监控、市场分析、AI Agent 等 > 收录 500+ 个经过验证的因子技能，涵盖量价、风险、方向性和统计类 > 强调技能的标准化设计，便于 AI Agent 直接调用和组合 > 包含大量实用工具链：因子 IC 分析、事件风险预警、新闻情绪分析、组合优化等 > 提供技能与 Agent 的开发模板和治理机制，方便社区共建 > 同时整理了大量未分类的高价值研究工具和复现项目 对做量化因子开发、策略研究，或者想构建能自主使用量化工具的金融 AI Agent 的开发者来说，这是一个目前开源里整理得最系统、最具导航价值的资源库之一。
1:03

🚨卧槽！量化技能全景导航库来了 quantskills 组织开源的 quantskills 仓库，是一个专门为量化交易和金融 AI Agent 打造的全景导航地图，把大量可复用、可被 Agent 调用的量化技能进行了系统化整理。 核心亮点： > 覆盖 9 大核心类目：数据接口、因子研究、策略回测、风险监控、市场分析、AI Agent 等 > 收录 500+ 个经过验证的因子技能，涵盖量价、风险、方向性和统计类 > 强调技能的标准化设计，便于 AI Agent 直接调用和组合 > 包含大量实用工具链：因子 IC 分析、事件风险预警、新闻情绪分析、组合优化等 > 提供技能与 Agent 的开发模板和治理机制，方便社区共建 > 同时整理了大量未分类的高价值研究工具和复现项目 对做量化因子开发、策略研究，或者想构建能自主使用量化工具的金融 AI Agent 的开发者来说，这是一个目前开源里整理得最系统、最具导航价值的资源库之一。

爱吃折耳根的Ace

23,353 views • 2 months ago

🚀太强了！Claude Code 现在可以控制 Workflow 的规模了。 目前一共有 4 个选项： unrestricted：不限制规模，由 Claude 根据任务复杂度自行决定 small：少于 5 个 Agent medium：少于 15 个 Agent，也是默认选项 large：少于 50 个 Agent 需要注意的是，这些更像是“规模建议”，而不是硬性上限。 如果你的 Prompt 明确要求使用不同数量的 Agent，Claude 仍然可能覆盖当前设置，采用更适合任务的规模。 对于担心 Workflow 开太多 Agent、消耗过高，或者想控制执行复杂度的人来说，这个功能非常实用。 #ClaudeCode #Workflows
0:24

🚀太强了！Claude Code 现在可以控制 Workflow 的规模了。 目前一共有 4 个选项： unrestricted：不限制规模，由 Claude 根据任务复杂度自行决定 small：少于 5 个 Agent medium：少于 15 个 Agent，也是默认选项 large：少于 50 个 Agent 需要注意的是，这些更像是“规模建议”，而不是硬性上限。 如果你的 Prompt 明确要求使用不同数量的 Agent，Claude 仍然可能覆盖当前设置，采用更适合任务的规模。 对于担心 Workflow 开太多 Agent、消耗过高，或者想控制执行复杂度的人来说，这个功能非常实用。 #ClaudeCode #Workflows

AI超元域

15,061 views • 1 month ago