与「技能」相关的搜索结果

这是纯宝藏：20 个 AI agent 技能，覆盖从构建到上线的完整闭环。 规格、架构、agent、后端、数据、UI、测试、安全、分析、交付。 定义任务 1. bmad-spec 把想法变成结构化的规格。 2. domain-modeling 为系统里的核心概念和关系建模。 3. codebase-design 规划代码库该怎么组织。 4. google-agents-cli-workflow 用 Google Agents CLI 搭建 agent 工作流。 5. prompt-optimizer 改进和打磨 prompt。 构建系统 6. google-agents-cli-adk-code 用 Google 的工具构建 agent 代码。 7. mastra 构建 AI agent 系统的技能。 8. typesafe-ai 用更强的类型安全构建 AI 工作流。 9. fastify-best-practices Fastify 后端的更好模式。 10. neon-postgres 使用 Neon + Postgres。 让它可用 11. prisma-database-setup 用 Prisma 搭建数据库层。 12. clerk-orgs 加入组织与认证工作流。 13. emil-design-eng 改进产品设计和前端执行。 14. review-animations 审查并改进 UI 动画。 15. remotion-best-practices 构建更好的程序化视频工作流。 验证真实效果 16. playwright-cli 测试真实浏览器路径。 17. semgrep 扫描代码库的安全问题。 18. sentry-fix-issues 发现并修复生产环境问题。 19. instrument-product-analytics 追踪用户在产品里实际做了什么。 20. email-best-practices 改进产品邮件流程。 这个闭环： 想法 → 规格 → 架构 → 构建 → 浏览器测试 → 捕获失败 → 衡量用户 → 改进下一个版本。 找出你项目里最大的瓶颈，先装上能攻克它的那个技能。 收藏这条，为你的产品建一个第二大脑。

1) ATS(机器人)+人类友好的完美简历提示词 你是资深招聘专家(10+年经验)。 你浏览过数千份简历，深知ATS系统如何运作。 使用以下信息创建简历： - ATS兼容 - 吸引人眼球 - 清晰、可量化的成就导向 - 不超过1-2页 - 现代专业 规则： - 从强势'职业总结'开始 - 每段工作用数字成果(百分比、金额、时间、增长) - 避免不必要的陈词滥调 - 使用主动动词 - 写得让招聘者6秒内注意到 - 自然融入关键词 - 不用表格、图标、图形 简历语言:[中文/英文] 目标职位:[职位名称] 我的信息： [在此输入经历、教育、技能]

20岁，我成了A10 大佬唯一弟子，入职不到两月分成10W+，自己也谈过几单下来10W+的律所培训合作。 虽然看似小有成就，但这是我踩了无数坑、拼了命抓住每一次机会汇聚成的结果。 大一的时候，我还是一个很传统的八爪鱼法学生，竞赛科研绩点一起抓，用一年半时间拿了3个国奖、15个省奖。 后来，学校保研政策突然变了🥲，我才觉醒之前玩的都是过家家游戏，逐渐把重心转移到真实社会。 AI、法律实务、自媒体、创业……我都做，而且我发现，来到新的游戏规则，我还是挺会玩！ 之前的一次跨国研学，本是再普通不过的纯旅游活动，但晚上的慈善晚宴，我跑去和各行业大佬social，硬生生碰出了意想不到的机会——有幸参与到联合国环境规划署在新加坡的项目。 后来去深圳某红圈所实习，发现自己是纯牛马😅😅😅前途没有希望，于是用 ChatGPT搜索在深圳本地举办的法律界商务活动。 有个活动相当牛逼，参会的老板都交了6万会员费，但我又肯定没有那个实力🥺。。。 所以我想了个歪招🤪，去找到了活动主理人的社媒，私信问能不能去兼职帮忙办活动。 就是在那里，我遇到了现在的老板。他应该是觉得这活动太无聊，就和我聊了起来。 刚好聊到 AI 这块，他非常感兴趣，又知道我过去的法律背景，最后就直接邀请我去上海跟着他干。 更疯狂的是，当天凌晨他发出的邀请，我第二天毫不犹豫，就直接跟我老板从深圳飞去了上海。 我当时的想法很简单：这个机会可能会把我带到一个更大的世界，那我就去，莽就完了！👊🏼 这一次，我赌对了，我成了他目前唯一正式带的徒弟。 很多朋友说我很会向上社交，我以前也这么觉得，后来发现不完全是。 诚然，我确实慕强，但不太怯。碰到比我厉害很多的人，我不会急着证明其实我也很厉害，毕竟我是真草台。 我更想知道：你为什么这么厉害？你是怎么做到的？这里面有什么是我可以学走的？ 社交只是入口，从里面收获，擅于从里面收获，才是核心能力。 我现在20岁，X上比我会赚钱、会AI、会做产品、会创业的佬太多了。我现在做出的这些东西，放进更大的世界里，都还很渺小。 但这不妨碍我对自己有一种近乎固执的自信：我会迅速地成长。也能在较短时间找到自己在X里的生态位。 接下来我也会在X上持续分享AI、自媒体、金融、投资、法律等领域的实战知识👇 1、在处理社交类问题颇有心得，比如结交贵人（年长/同龄/年下）、家庭关系处理等。 2、我目前深耕于伪投资、伪金融领域，如各位有被诓骗/要开脱的需求，欢迎咨询（限国内和新加坡），我的案例经验绝对是少见的丰富。 3、我是个大E人，所以在销售方面也比较有经验，之前在法律AI领域也成交过好几个大项目，接下来也会继续培养此技能。 欢迎大家来和我交朋友～

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。

做任何事，学任何技能，都有一个看不见的积累期。 没到那个临界点,你很难体会到坚持的意义和厚积薄发的力量，所以，如果你放弃了过程，那你也就放弃了结果。

Codex/ChatGPT 完成了一次大的升级。昨天上午起来写了篇关于 Codex 公众号的文章发了，顺手更新了 Codex/ChatGTP，发现这次居然是一个大版本的升级， Powered by Codex & OWL 版本 26.924.22138 发布于 Sep 26, 2026界面左侧新增了一个窄边栏，分别是主页、定时任务、资料库、图像、自定义插件和技能、项目、站点、地图、GPT（没鸟用年底停）和 pull request，基本上囊括了移动端 ChatGPT 的功能，看起来那个 ChatGPT 的经典款快停用了，一次完整的整合，从 Codex 改名到今天，大概持续了 2 个多月，一场相对漫长的融合，引来了一个新的里程碑。 目前 Codex 在 Agent 领域确实是 Top 选手，唯一的问题是，Astra 实在是太不经用了。

哈，99.99% 确定：未来的硬核技能是，制作定向内容 看了一场群响的 100万-1000万客户采访，一个新加坡的纹绣老板娘，年利润在 200-300多W，开始用 Google Map, Instagram, TikTok 这套组合拳来获客 我嗅到一个超强烈的信号：海外没人服务华人做内容获客，而内地的内容手子们缺乏海外基建经验

Google 开源了 "Agent 工作负载的 Kubernetes"「AX」 AX 是为 Agent 设计的声明式编排运行时，你用 YAML 声明一个 Agent 任务，AX 负责在集群中沙箱化、配置环境、管控网络并大规模运行它。 开源地址： 它解决什么问题 项目的立论很清晰：Agent 是一种既有的编排体系都不匹配的新型工作负载。 · 它不像微服务(无状态、常驻)，Agent 会持续积累状态(对话记忆、工作区文件、工具会话); · 它不像批处理作业(跑完即弃)，Agent 大部分时间在等待，等模型响应、等工具返回、等人类审批，期间沙箱空转烧钱; · 它运行的是不可信代码，需要严格隔离；它还调用外部模型 API 和 MCP 工具服务器，需要网络与凭据管控。 架构：四个二进制 + Redis 四个二进制分工：ax(开发者 CLI)、ax-server(无状态 gRPC API)、ax-controller(调和循环)、ax-task-runner(每个任务容器内的 PID 1)。 核心原语：Task / Workspace / Model (+ Gateway) Task 是最小执行单元：带 CPU/内存限制的隔离沙箱。AX 刻意把它做得细粒度、可自由组合：一个任务可以是全部工作,也可以是任务树的根节点。生命周期用 status.phase + Conditions 表达,支持挂起(检查点保存状态)与恢复。 Workspace 是最有产品想象力的一层。它把“环境准备”声明化:列出需要的 Git 仓库、MCP 服务器、技能包,runner 在命令启动前物化好。更激进的是 generative workspace:你可以只写一句自然语言目标("搭一个 Python 3 开发环境"),首次启动时 runner 会派一个引导 Agent(Antigravity,需 GEMINI_API_KEY,默认限时 10 分钟)去实际安装工具链并验证依赖。声明一次,任意任务复用。 Model 把“用哪个模型、什么参数、密钥在哪”抽成命名资源,密钥引用 K8s Secret。轮换密钥、锁版本、调温度只需一次 ax apply。 沙箱与运行时细节 每个任务容器以 ax-task-runner 为 PID 1：启动元数据服务(端口 80,HTTP/1.1+h2c,暴露 /healthz、/readyz 和任务/工作区自省端点——Agent 不需要 SDK 就能读到自己的配置)、按绑定顺序初始化工作区、然后 fork 出 spec.command 并持续监管。命令退出后 runner 仍驻留,所以 ax ssh 和元数据服务在命令结束后依然可用。停机采用 SIGTERM + 10 秒宽限 + 强杀的两级策略。 安全模型有几处值得注意的门控：guest 服务(任意进程执行与文件读写,ax ssh 的底层)默认关闭,只在 debug: true 时开启——ax ssh 连不上未开启的任务是刻意的安全设计,不是故障;Gateway 用显式 allowlist 管控出站流量,并可向入站请求注入凭据,避免把 API key 直接塞进 Agent 环境。 路线图透露的方向 五大方向：Actor 架构深化、空闲检测自动挂起、有状态任务 fork、任务级 SPIFFE 身份做零信任 mTLS、runner 层自动采集 OpenTelemetry 遥测与结构化 Agent 轨迹。

大概是 2020～2021 年这段时间 我看了几个 Youtube 视频，大概学会了怎么用 Remix IDE 去发行 ERC20 代币，其实就是找一些开源的合约代码，然后 Copy 过来，改一下 Ticker、Name、总量和交易税之类的参数就可以了，非常简单。 我学会了这个技能之后，就混迹在各大电报群，反正人比较多的，比较热闹的我就混进去，跟管理员和项目方套近乎，然后推销我的发币服务，发一个币收费 400u。 当时的项目方其实都是很土很笨的，很多都是想搞盘子，但是连怎么发币都搞不懂，他们平时也接触不到懂技术的人，所以我还真能赚到钱，几个月接了十多单，赚了几千 u，对于当时大学生的我来说非常爽。 但是有一次出了个意外，不知道是我哪里搞错了，反正那个币发出来，加了流动性之后，每笔交易都要给巨高的 Gas，玩不了了，那个币基本上算是废了。 然后那个项目方还手很快，拿到币加完池子之后，就马上把池子转到黑洞销毁了，跑来骂我要我赔钱，我看了一下他加了大几千 u 的池子，赔不起，吓得销号跑路了。

AI 时代，职场人现在最该学的一项技能是什么？ 吴恩达老师的建议是人人都该学编程。 不少企业高管劝大家别学编程了，理由是 AI 会把它自动化掉。吴恩达认为这个逻辑正好反了。正因为有了 AI 辅助，写代码变得前所未有地容易，所以才值得每个人都去学。 他已经在很多岗位上看到了明显的生产力差距。这不只发生在软件工程师身上。一边是会写代码、能自己做定制软件的人，另一边是不会的人，两者的效率已经拉开了。 学编程不等于手写代码 他说的学编程并不是一行行手敲代码，他自己几乎从不这么做。在可预见的未来，最重要的能力之一是能准确告诉计算机你要它做什么，让它替你完成。而代码就是计算机的语言。所以学编程的实质，是学会用计算机听得懂的方式把需求说清楚。 他团队里最好的市场人员有了想法，不用等工程师来搭网站，自己就能做出来。最好的招聘人员也不再靠肉眼一份份看简历，而是写代码让程序帮忙筛选。在他看来，能把需求交代给计算机的人，会变得强大得多、高效得多。