与「AgentSkill」相关的搜索结果

🔥 Codex 做游戏，现在真的有点离谱了。 我整理了 10 个游戏开发方向的 Agent Skill。 从「生成游戏」到「游戏引擎」，再到「UI、手感、多人联机」，基本把一个游戏开发团队拆成了 10 个专家。 1️⃣ higgsfield-game-generation｜游戏生成 直接让 Codex 构建、迭代和部署可玩的浏览器游戏，还能生成 Sprite、纹理、3D 资产、音乐和音效。 👉 2️⃣ game-engine｜游戏引擎 负责游戏架构、游戏循环、物理、碰撞检测、2D/3D 渲染等。 👉 3️⃣ multiplayer-game｜多人联机 专门处理多人游戏的 matchmaking、实时状态同步、tick loop、玩家连接等。 👉 4️⃣ game-developer｜通用游戏开发 适合让 Codex 按专业游戏开发流程来实现玩法、逻辑和功能。 👉 5️⃣ game-ui-design｜游戏 UI 专门处理游戏菜单、HUD、按钮、状态栏等界面设计。 解决 AI 写出来的游戏： 功能能跑，UI 像程序员半夜赶出来的。💀 👉 6️⃣ game-design-theory｜游戏设计理论 负责玩法循环、玩家体验、关卡、奖励机制等。 核心就是解决： “代码写出来了，但为什么不好玩？” 👉 7️⃣ game-feel｜游戏手感 这个非常值得收藏。 打击反馈、粒子效果、屏幕震动、动画、音效、操作反馈…… 让游戏从： 能玩 → 玩起来爽。 👉 8️⃣ game-ui-ux｜游戏 UI/UX 解决 HUD、菜单、响应式布局、安全区域、键盘/手柄导航等问题。 👉 9️⃣ threejs-game-ui-designer｜Three.js 游戏 UI 如果你想用 Three.js 做 3D 网页游戏，这个很适合。 专门处理 HUD、菜单、Overlay、触控按钮和响应式布局。 👉 🔟 develop-web-game｜网页游戏开发 这个是 OpenAI 官方 Skills 仓库里的 Skill。 它不是单纯让 Codex 写代码，而是让 Codex： 写代码 → 测试 → 截图 → 检查 → 修 Bug → 再测试 形成完整的游戏开发迭代循环。 👉 ⸻ 如果你只是想用 Codex 做小游戏： 🎮 入门 develop-web-game ⚙️ 游戏架构 develop-web-game + game-engine ✨ 想做得更精致 game-feel + game-ui-ux 🌐 Three.js 3D 游戏 threejs-game-ui-designer 🤖 AI 直接生成完整浏览器游戏 higgsfield-game-generation 以前： “Codex，帮我写一个小游戏。” 现在： “Codex，把这几个 Skill 组合起来，给我整个游戏开发团队。” 这才是 Agent Skill 真正有意思的地方。😂 #Codex# #AgentSkill# #AI编程# #VibeCoding# #游戏开发#

BaoCut：是宝玉老师 @dotey 开发的转录+粗剪的Skill，对创作者，省掉的是逐句抠字幕的时间。安装到 Claude Code / Codex 上，即可用自然语言驱动 BaoCut 这个 skill 剪辑 app 的命令行。 适用场景：对于喜欢将国外的演讲搬到国内的朋友来说简直就是福音，用baocut把视频/youtube的url导入即可完成翻译转录，对于搬运侠来说省了不少事。对于做跨境电商的朋友也很有价值，多语言转录也很有价值。 昨天介绍的三家接 agent 都走 MCP——ChatCut 给闭源编辑器外挂 MCP 插件、OpenCut 把 MCP 写进重写路线图、Palmier 原生 MCP。BaoCut 换了个更轻的姿势：把 app 自带的 baocut CLI 包成一个 Agent Skill，agent 直接跑命令cli： · baocut --json auto talk.mp4 --lang zh # 转写 → 润色 → 翻译，一条命令 · baocut export --srt --translated --lang zh BaoCut 解决的问题很垂直很精准：口播视频的转写、加字幕、翻译字幕、说话人复核、清理 talking-head、导出——这些正是知识博主/口播号最费时的机械活。以前逐句对字幕、手动翻译的活，现在跟 Claude Code 说句人话就跑完了。 我测试baocut使用了下，字幕识别转录上，要比剪映的自动字幕识别要好，帮我把相关的语气词拿掉了、很多重复的语句也直接剪掉了，也可以直接将字幕翻译为十几种其他语言。 #BaoCut# #AI剪辑# #字幕翻译# #ClaudeCode# #AgentSkill#

开源了，开源了！ 是不是受够了公众号排版？辛苦调好的样式，一粘进编辑器就掉格式？每篇还得手动全选复制、排版还千篇一律？ 我和「摸鱼小李」联名首发一套排版神器 👉 gzh-design-skill 写完 Markdown，它帮你一键排成能直接粘进公众号、且样式不掉的精致 HTML。 四大特色： 1⃣ 6 套精选厚主题：摸鱼绿 / 红白 / 石墨极简 / 留白禅意 / 摸鱼票据 / 橄榄手记 ， 每套都是自成体系的组件库，不是换配色的"皮肤" 2⃣ 主题生成器：现成的不够用？一句话描述或甩张参考图，当场现造一套新主题 3⃣ 一键复制：预览页点「复制到公众号」→ 直接粘贴，样式一点不掉，告别手动全选 4⃣ 双关卡校验：脚本确定性兜住公众号平台的各种限制，换啥模型都不走样 ⚡ 不挑模型：Claude / GPT / Gemini + DeepSeek / Kimi / 通义 / GLM 国产模型都能跑 📦 一行安装： npx skills add isjiamu/gzh-design-skill AGPL-3.0 开源 · 欢迎共创 #AgentSkills# #公众号排版# #开源#

不管你是企业还是个人，用 agent 的时候，有一句话最该先问，但几乎没人问： 你装的这个 skill，安全吗？ 为什么这事要命？ 一个 skill，往往能拿到你的 API key，能读你的文件，能碰你 agent 的记忆 装一个恶意 skill，等于给人开了一道直通你 agent 大脑的门 而它就混在一堆正常结果里，长得跟好人一模一样 所以在 agentskillshub（现在收了 13 万个 skill）上，我们最近上线了一个功能： 把任意一个 GitHub 项目丢进去，它自动帮你审计里面 skill 的安全性 跑完会给你一份结果： 质量评分、完整度、各个维度的分，最后一个总评级 比如一个聚合了营销、写作各类 skill 的仓库，跑出来是「安全」 你就能放心装到自己 agent 上，不用再凭感觉赌一把 方法上分两层： 1️⃣ 一层是基于规则 + 参考学术论文的快速审计，覆盖广，给你一个安全下限 2️⃣ 一层是深度安全审计，真要放进企业，就得深挖它到底会不会偷偷拿走你的密钥 skills 安全，是现在个人和企业都在忽略的一块 装之前，先查一下 👇 🔗 CLI审计： npx @agentskillshub/cli audit owner/repo

阿里把团队内部用了两年的官方 AI Code Review Skills 开源了，采用 “确定性工程 pipeline + AI Agent” 的混合架构，专门解决通用 Agent 做代码审查时 “漏审、定位漂移、质量不稳” 的老问题。 40.5K ✨ 开源项目 OpenCodeReview： # 核心设计：确定性工程 pipeline × Agent 各司其职 确定性工程负责硬约束： · 精确文件选择：用代码决定哪些文件必须审、哪些要过滤，不依赖模型自觉； · 智能文件捆绑：把相关文件合成一个审查单元（例如 message_en.properties 和 message_zh.properties 捆绑），每个单元以上下文隔离的 sub-agent 运行，分治策略让超大变更集也稳，且天然支持并发（默认 8 个文件 worker）； · 细粒度规则匹配：内置约 54 个按语言/文件类型的规则文档（Java、Go、TS/JS、Python、Rust、SQL/XML mapper、properties 等），用模板引擎而非自然语言把规则匹配到文件特征上，从源头消除信息噪声； · 外部定位与反思模块：评论的“落点”和“内容”分别由独立的 re-location 和 reflection 模块系统性校正，这正对“位置漂移”痛点。 Agent 负责动态决策： · 深度优化的场景 prompt（内部分为 plan → grouping → main → memory_compression → re_location → review_filter 多个任务模板，可在 internal/config/template/prompts/ 看到）； · 从海量生产环境的 tool-call 轨迹（调用频率分布、单工具重复率、新工具对调用链的影响）反向蒸馏出的专用工具集，包括全文件读取、代码搜索、其他变更文件查阅等，比通用 agent 工具箱更小更稳。 # 能力面与生态集成 功能上覆盖：workspace/分支区间/单 commit 审查、断点恢复（ocr session）、全文件 scan（无 git 历史也能审计陌生代码库）、本地 Session Viewer 网页查看与回放、SARIF/JSON 输出、OpenTelemetry 可观测性、MCP Server 扩展。 作为 “Skills 生态” 级项目，它的形态相当完整：既提供 npm 全局 CLI，也提供可移植的 Agent Skill（skills/open-code-review/SKILL.md，带标准 frontmatter，可直接被兼容 skill 的 agent 加载），还有面向 Claude Code、Codex、Cursor、Kimi Code、OpenCode 等平台的插件，每种都封装成斜杠命令或可调用 skill。LLM 侧兼容 OpenAI、Anthropic、AWS Bedrock 三类协议，并可直接复用 Claude Code 的 ANTHROPIC_* 环境变量。 其中一个设计很巧妙：Delegation 模式（ocr delegate preview/rule）。此时 OCR 只做自己擅长的确定性部分（文件选择和规则解析）审查本身交给宿主 coding agent 的 LLM 执行，用户无需给 OCR 配任何 API key。这实际上是把“harness 能力”与“模型能力”彻底解耦。 # 工程质量：超出平均水准的部分 · 安全有正式的 Assurance Case（ASSURANCE_CASE.md）：完整的威胁模型、四条信任边界、T1–T7 威胁逐条给出缓解措施，并按 Saltzer & Schroeder 设计原则和 OWASP Top 10 做了映射。细节经得起推敲：所有外部进程调用只限 git 且子命令硬编码、--end-of-options 防 flag 注入；Agent 读文件路径经 pathutil.WithinBase() 在符号链接解析前后双重校验；本地 Viewer 有 Host 白名单防 DNS rebinding + 严格 CSP。这类文档在一般开源项目里非常罕见。 · 贡献规范近乎严苛（AGENTS.md）：使用 AI 必须在 issue/PR 中披露工具与模型、必须逐行理解 AI 生成的代码、禁止“AI 生成→反复修复→再修复”的循环、禁止把 commit 署名给 AI。源码强制英文（CI 有 english-check，连全角标点都查）、90% 测试覆盖率门槛、-race 与 govulncheck 每次 push 都跑、SPDX 头与 LF 行尾强制。 # Benchmark：数据情况 官方基准 AACR-Bench（已在 Hugging Face 开放）规模不小：50 个流行开源仓库、200 个真实 PR、10 种语言、80+ 资深工程师交叉验证出 1505 条标注问题。结论是同模型对比 Claude Code：Precision 和 F1 显著更高、token 消耗约为 1/9、速度更快。 需要指出两点：其一，Recall 低于通用 agent，README 自己承认这是“以精度换噪声”的刻意权衡，如果你最怕漏问题而非误报，可能不适合；其二，该基准由阿里自建，虽开放了数据集供社区复核，但独立第三方的复现结论目前还少，可以把它当作“有披露的、方向可信的参考”。

为什么越来越多人愿意“自己搓一个工具”？Vibe Coding正在发生什么变化？ 微博VibeLab AI 创意赛收官了，一共有 2500 多件原创作品，2.4 亿多话题阅读。很荣幸这次是评委一员，有机会翻看了不少优秀的参赛作品，也转发了其中一部分。 一个直观的感受就是软件开发这种事情，不再需要专业人士了，普通人也能 Vibe 一个工具出来。 所以借这个机会，整理总结一下：为什么越来越多人愿意“自己搓一个工具”？Vibe Coding正在发生什么变化？ 一、写代码这件事，门槛和成本都降下来了 写代码以前是程序员的专利，想写个工具，别说学语言框架，搭个环境都费劲的要死，随便一个环境都能把你卡住，像我这样写程序得有很多年的，换个不熟悉的语言，一样也搞不定。 现在借助 AI Agent，门槛一降再降，现在你只要有一个 Agent，会打字或者会语音，都能指挥 Agent 帮你写一个 App 出来。写代码这件事，从以前需要专业技能，到现在变成了语言表达能力。 我自己身上都有明显变化，从以前对 Vibe Coding 的嗤之以鼻，到现在“真香”，每天都大量的在指挥 Agent 帮我写代码。 二、以前的软件，满足不了长尾需求 长尾理论说的是，需求分布是一条长长的尾巴：头部是大多数人共有的需求，尾巴上是无数小众的、个性化的需求。传统软件只能做头部，因为为少量用户单独开发功能，成本上是不合算的。 而且，就算你有个好想法，也很难传递到开发者那里。想象一下一个普通用户的需求要经过的链条： 用户反馈 → 产品经理收集筛选 → 转化成需求文档 → 设计师出设计稿 → 程序员做系统设计 → 编码 → 测试 → 运维部署 每一环都在过滤、都在排优先级。最终大部分普通用户的需求，都被筛选掉了，软件最终只能取最大公约数，做绝大部分人都需要的那部分。 结果就是，市面上的软件很多，但每个人都有一堆“要是能这样就好了”的小需求，从来没有被满足过。 这次 VibeLab 里我印象很深的一个作品是 @机器旁白 做的 SiaoCut 。起因是他看到我做的 BaoCut，很喜欢“转写、像改文稿一样编辑、AI 处理、人工审阅、导出”串成一条工作流的思路，但 BaoCut 只支持 macOS，他是 Windows 用户。放在以前，他只能等我哪天有空做个 Windows 版，或者就此作罢。现在他自己和 AI 一起做了一个，而且不是简单复刻，还在这个过程中想清楚了自己关心的问题：AI 进入剪辑流程后，应该拿到多少数据，能替创作者决定到哪一步。 这就是长尾需求被满足的样子：不需要等别人来做，有需求的人自己就能把它做出来！ 三、Vibe Coding 让成本变低、链条变短 所以以前那种长长的从需求到交付的链条，现在可以缩成简单的几步： 有个想法，让 AI 去设计、制作、部署。 甚至于很多需求根本不需要做成一个有界面的产品。 比如你想每天自动整理某个表格里的待办，或者每周追踪最新的 AI 资讯，这些事让 AI Agent 帮你写个脚本，再让它自己定时调用就行了。 比如 @张铁蕾 开源的 Bridgic Agent 就是这样的作品：输入 /build，描述你的目标，它自己去探路、生成、验证，遇到需要你判断的地方再来问你。做出来的不是一次性跑完的任务，而是可以长期运行、随时修改的工作流。 还有一种更轻的做法：把你的操作流程、经验和偏好写成 Agent Skill，就像一份告诉 AI 怎么做某类事的说明文档，那么以后 Agent 就能按照 Skill 的说明帮你把很多繁琐的事情变成自动化半自动化的操作，大幅提升你的效率。 现在随着 Agent Computer Use（操作电脑）的能力增强，你甚至可以让 AI 观察你操作一遍，然后它自己能把它你的操作录制成 Skill。不需要界面、不用部署，但它确实能替你干活。 四、模型和智能体的能力，一直在变强 现在普通人也能 Vibe Coding，还有一个重要原因是模型能力在变强。 回头看这几年的变化： 最初，像 GitHub Copilot 只能做代码补全，你写一半它提示后半段； 然后，它能根据描述生成一段完整的代码； 后来， Claude Code 能自己在项目里探索，读文件、找上下文，把一个功能完整实现； 现在，主流 Agent 都已经能做设计、写代码，还能帮你操作电脑，打开浏览器自己验证做出来的东西对不对。 模型每上一个台阶，普通人做工具的难度就降一截。VibeLab 期间正好赶上 Kimi K3 发布，很快就有创作者拿它做体检报告工具、做斗地主游戏，还有人把 Claude Code、Qoder、GLM、Kimi K3 混着用。 由此也可以看得出越来越多的人已经不再把 AI 当聊天机器人了，能配合 Agent 把 AI 当干活的工具。 五、变化的还有“做工具”这件事本身的心态 看作品的时候我还注意到一点：很多作品不追求改变世界这种宏大的事，就是想先解决一个具体麻烦。比如说工作流太碎、长辈不听劝、拍照没人帮、看不懂热点，作品的起点都是这样一个一个具体的痛点。 最初微博在设定大赛规则的时候，把赛道拆进职场、生活、视觉、微博这些具体场景，现在看来还挺有道理的，因为这确实能激发人 Vibe 的冲动，想去用 AI 解决生活中的问题。 其实这次参赛的作品也不都是工具。@世界第一裹凉皮 把 32657 位诗人、933857 首诗做成了一个三维宇宙 ；@德里克文 的「华夏博物志」把全国博物馆收进一幅可以点开的中国画 ；@海辛Hyacinth 把三星堆&金沙文物变成了互动场景 。这些作品看起来似乎不像工具那么实用，但让我们看到 Vibe Coding 不只是提效，也可以服务于文化和审美。 以前想做这样的东西，需要一个团队，现在一个人，不需要会写程序，有自己的想法加上 AI 就可以试试看。 最后，如果你也想自己搓一个工具，我的一点建议： 从写一个 Agent Skill 开始。 这是成本最低的方式：不用部署，不用界面，把你希望 AI 帮你做的某类事情写清楚就行。做一次，发现哪里不对，改一改，很快就能用起来。 顺便推荐下我的书《图解 Skill》，也是不错的 Skill 入门书籍。 如果要做网页或者 App，不用一上来就让 AI 把整个东西做完。 建议分步走： 1. 先和 AI 一起讨论需求，把你想要什么说清楚，让它复述一遍，确认理解一致。 2. 先做原型。也就是用模拟数据，只看长什么样、怎么操作，不接真实逻辑。原型的好处是改起来成本低，修改容易，就算推翻重来都很快。 3. 再做 MVP（最小可行产品），只做一个最核心的功能，先做一个小的能跑的东西出来。 4. 再慢慢迭代，有了 MVP 了，能跑起来了，就可以慢慢迭代，一次加一个小功能，AI 能处理的过来，你也验收的过来，日积月累，慢慢会变成成熟的软件。 做完一定要验收。 从头到尾按一个真实用户的路径试一遍，AI 说做完验收完不一定靠谱，还得自己上手用用。 注意安全。 涉及钱、隐私、账号权限的东西要格外小心，拿不准的地方去找专业人士问一下。就像 SiaoCut 的作者给 AI 划定了边界：AI 只拿到任务所需的文本和时间戳，不碰原始媒体，处理完只生成待审建议，最终由人决定。这样的思路值得借鉴。 最后说一句，做出来之后，发出来。 这次 VibeLab 里不少作品原本只是作者电脑里的一个 Demo，发到微博之后被讨论、被转发，有的还上了热搜。对于自己动手做东西的人来说，“作品被看见”是最好激励，也是下一次迭代的开始。

为什么越来越多人愿意“自己搓一个工具”？Vibe Coding正在发生什么变化？ 微博VibeLab AI 创意赛收官了，一共有 2500 多件原创作品，2.4 亿多话题阅读。很荣幸这次是评委一员，有机会翻看了不少优秀的参赛作品，也转发了其中一部分。 一个直观的感受就是软件开发这种事情，不再需要专业人士了，普通人也能 Vibe 一个工具出来。 所以借这个机会，整理总结一下：为什么越来越多人愿意“自己搓一个工具”？Vibe Coding正在发生什么变化？ 一、写代码这件事，门槛和成本都降下来了 写代码以前是程序员的专利，想写个工具，别说学语言框架，搭个环境都费劲的要死，随便一个环境都能把你卡住，像我这样写程序得有很多年的，换个不熟悉的语言，一样也搞不定。 现在借助 AI Agent，门槛一降再降，现在你只要有一个 Agent，会打字或者会语音，都能指挥 Agent 帮你写一个 App 出来。写代码这件事，从以前需要专业技能，到现在变成了语言表达能力。 我自己身上都有明显变化，从以前对 Vibe Coding 的嗤之以鼻，到现在“真香”，每天都大量的在指挥 Agent 帮我写代码。 二、以前的软件，满足不了长尾需求 长尾理论说的是，需求分布是一条长长的尾巴：头部是大多数人共有的需求，尾巴上是无数小众的、个性化的需求。传统软件只能做头部，因为为少量用户单独开发功能，成本上是不合算的。 而且，就算你有个好想法，也很难传递到开发者那里。想象一下一个普通用户的需求要经过的链条： 用户反馈 → 产品经理收集筛选 → 转化成需求文档 → 设计师出设计稿 → 程序员做系统设计 → 编码 → 测试 → 运维部署 每一环都在过滤、都在排优先级。最终大部分普通用户的需求，都被筛选掉了，软件最终只能取最大公约数，做绝大部分人都需要的那部分。 结果就是，市面上的软件很多，但每个人都有一堆“要是能这样就好了”的小需求，从来没有被满足过。 这次 VibeLab 里我印象很深的一个作品是 @机器旁白 做的 SiaoCut 。起因是他看到我做的 BaoCut，很喜欢“转写、像改文稿一样编辑、AI 处理、人工审阅、导出”串成一条工作流的思路，但 BaoCut 只支持 macOS，他是 Windows 用户。放在以前，他只能等我哪天有空做个 Windows 版，或者就此作罢。现在他自己和 AI 一起做了一个，而且不是简单复刻，还在这个过程中想清楚了自己关心的问题：AI 进入剪辑流程后，应该拿到多少数据，能替创作者决定到哪一步。 这就是长尾需求被满足的样子：不需要等别人来做，有需求的人自己就能把它做出来！ 三、Vibe Coding 让成本变低、链条变短 所以以前那种长长的从需求到交付的链条，现在可以缩成简单的几步： 有个想法，让 AI 去设计、制作、部署。 甚至于很多需求根本不需要做成一个有界面的产品。 比如你想每天自动整理某个表格里的待办，或者每周追踪最新的 AI 资讯，这些事让 AI Agent 帮你写个脚本，再让它自己定时调用就行了。 比如 @张铁蕾 开源的 Bridgic Agent 就是这样的作品：输入 /build，描述你的目标，它自己去探路、生成、验证，遇到需要你判断的地方再来问你。做出来的不是一次性跑完的任务，而是可以长期运行、随时修改的工作流。 还有一种更轻的做法：把你的操作流程、经验和偏好写成 Agent Skill，就像一份告诉 AI 怎么做某类事的说明文档，那么以后 Agent 就能按照 Skill 的说明帮你把很多繁琐的事情变成自动化半自动化的操作，大幅提升你的效率。 现在随着 Agent Computer Use（操作电脑）的能力增强，你甚至可以让 AI 观察你操作一遍，然后它自己能把它你的操作录制成 Skill。不需要界面、不用部署，但它确实能替你干活。 四、模型和智能体的能力，一直在变强 现在普通人也能 Vibe Coding，还有一个重要原因是模型能力在变强。 回头看这几年的变化： 最初，像 GitHub Copilot 只能做代码补全，你写一半它提示后半段； 然后，它能根据描述生成一段完整的代码； 后来， Claude Code 能自己在项目里探索，读文件、找上下文，把一个功能完整实现； 现在，主流 Agent 都已经能做设计、写代码，还能帮你操作电脑，打开浏览器自己验证做出来的东西对不对。 模型每上一个台阶，普通人做工具的难度就降一截。VibeLab 期间正好赶上 Kimi K3 发布，很快就有创作者拿它做体检报告工具、做斗地主游戏，还有人把 Claude Code、Qoder、GLM、Kimi K3 混着用。 由此也可以看得出越来越多的人已经不再把 AI 当聊天机器人了，能配合 Agent 把 AI 当干活的工具。 五、变化的还有“做工具”这件事本身的心态 看作品的时候我还注意到一点：很多作品不追求改变世界这种宏大的事，就是想先解决一个具体麻烦。比如说工作流太碎、长辈不听劝、拍照没人帮、看不懂热点，作品的起点都是这样一个一个具体的痛点。 最初微博在设定大赛规则的时候，把赛道拆进职场、生活、视觉、微博这些具体场景，现在看来还挺有道理的，因为这确实能激发人 Vibe 的冲动，想去用 AI 解决生活中的问题。 其实这次参赛的作品也不都是工具。@世界第一裹凉皮 把 32657 位诗人、933857 首诗做成了一个三维宇宙 ；@德里克文 的「华夏博物志」把全国博物馆收进一幅可以点开的中国画 ；@海辛Hyacinth 把三星堆&金沙文物变成了互动场景 。这些作品看起来似乎不像工具那么实用，但让我们看到 Vibe Coding 不只是提效，也可以服务于文化和审美。 以前想做这样的东西，需要一个团队，现在一个人，不需要会写程序，有自己的想法加上 AI 就可以试试看。 最后，如果你也想自己搓一个工具，我的一点建议： 从写一个 Agent Skill 开始。 这是成本最低的方式：不用部署，不用界面，把你希望 AI 帮你做的某类事情写清楚就行。做一次，发现哪里不对，改一改，很快就能用起来。 顺便推荐下我的书《图解 Skill》，也是不错的 Skill 入门书籍。 如果要做网页或者 App，不用一上来就让 AI 把整个东西做完。 建议分步走： 1. 先和 AI 一起讨论需求，把你想要什么说清楚，让它复述一遍，确认理解一致。 2. 先做原型。也就是用模拟数据，只看长什么样、怎么操作，不接真实逻辑。原型的好处是改起来成本低，修改容易，就算推翻重来都很快。 3. 再做 MVP（最小可行产品），只做一个最核心的功能，先做一个小的能跑的东西出来。 4. 再慢慢迭代，有了 MVP 了，能跑起来了，就可以慢慢迭代，一次加一个小功能，AI 能处理的过来，你也验收的过来，日积月累，慢慢会变成成熟的软件。 做完一定要验收。 从头到尾按一个真实用户的路径试一遍，AI 说做完验收完不一定靠谱，还得自己上手用用。 注意安全。 涉及钱、隐私、账号权限的东西要格外小心，拿不准的地方去找专业人士问一下。就像 SiaoCut 的作者给 AI 划定了边界：AI 只拿到任务所需的文本和时间戳，不碰原始媒体，处理完只生成待审建议，最终由人决定。这样的思路值得借鉴。 最后说一句，做出来之后，发出来。 这次 VibeLab 里不少作品原本只是作者电脑里的一个 Demo，发到微博之后被讨论、被转发，有的还上了热搜。对于自己动手做东西的人来说，“作品被看见”是最好激励，也是下一次迭代的开始。

most people still treat agent onboarding as registration. create an account. fill a form. wait for approval. that model is already obsolete. @termix_ai just made the on-ramp a single command. whether the agent is codex, claude code, openclaw, a trader, a coder, a ui designer, a data analyst, or a health specialist .... if it can deliver a service, it can earn. the instruction is simple: help me install the termix agent skill. once loaded, the agent can mint a .agent identity, lock stake, publish a listing or bid on a brief, deliver work, and settle in usdc or usdt. this is not a profile page. it is a portable skill that teaches any capable agent how to operate the marketplace as buyer, seller, or both. minting the identity is only the first state change. what matters is what follows: the wallet owns the nft. the staking pool backs order risk. reputation is written only after settlement. funds never sit with an operator. the skill does not turn the agent into a product of termix. it gives the agent the minimum primitives required to participate in onchain commerce without a human clicking through every step. one command. one identity. then the agent starts taking paid jobs. that is the difference between registering on a platform and becoming an economic actor.

太它妈方便了，多年的程序员都不想写自动化了 微软开源了个有意思的东西，叫 Skill Recorder。 你只要录一遍自己怎么完成一个任务——它会会采集鼠标操作、窗口切换、网页、剪贴板、终端命令和语音讲解——录完之后通过 GitHub Copilot CLI 直接把这套流程重建成一个 SKILL.md，定好自动化。 任务意图 → 通用步骤 → SKILL.md → 定时自动化 说白了它不是传统 RPA 那套靠录屏重放像素坐标，而是把你的网页点击转成更稳定的 API、CLI 或 Agent 原生工具。 举个例子，你演示一次处理 GitHub Issue，它可以基于这条录制生成一个能够批量处理同类 Issue 的 Agent Skill。 目前原生支持 Microsoft Scout 和 Microsoft 365 Copilot Cowork，暂时还不直接支持 Claude Code、Codex 和 OpenCode，但生成的 SKILL.md 可以手动适配。 它代表的是 Agent 工作流的一个方向：不是教 AI 怎么做，而是直接做给 AI 看。 想试的自己扒下来跑一遍，GitHub 872 星还很新，项目还在快速迭代。

关于 Agent 的判断： 1. 更通用的吃掉更垂直的 通用 Agent — Codex、Claude Cowork、Workbuddy... 逐渐吃掉专业 Agent 和垂类 Agent（比如 Genspark、Skywork...）。通用 Agent 将成为用户的主要入口，通用 Agent + Skill + MCP 能解决大部分专业任务，大部分 AI-native 应用创业会是伪命题。 2. 更开放的吃掉更封闭的 更开放一方面指的是模型可替换。随着模型能力趋同，模型本身逐渐成为可路由的基础设施。通用 Agent 应根据质量、成本、速度和合规要求动态选择最佳模型，并且将自由度开放给用户。 更开放的另一方面指的是 Agent 本身能被用户/客户拥有：可以本地运行或企业自部署，不必把所有数据和权限交给平台；能修改 Agent 的记忆、规划、权限和执行逻辑；Skill、工作流、记忆、连接器和配置能自由迁移（Cindy、OpenWorker 这类开源 Agent 已经在往这个方向走）。 3. 更下沉的吃掉更傲慢的 Codex、Claude、甚至 DeepSeek 背后的团队都以 AGI 为长期目标，这种技术理想主义，也带来了阶段性的产品傲慢，他们不太愿意做一些更脏更累的面向用户的下沉化需求，比如 Workbuddy 针对 Skill 的精细化运营——包装成专家/专家团这种更面向用户的概念，这些拼的是产品、运营能力，而非技术能力，加上市场足够大，草根团队在通用 Agent 上也有一段时间的机会窗口。