CodeAlpha (@RealCodedAlpha)

现在用 Coding Agent，最累的部分是你得一直盯着它 Agent 确实写了很多代码，但整个任务能不能继续往前走，往往还是取决于你有没有坐在电脑前。 Romain Huet 这次演示的新 Codex，开始处理这些代码之外的工作。 一个任务可以拆给多个 subagents，有的负责 Debug，有的做前端，有的补文档。 Codex 可以自己打开浏览器检查结果，操作 iPhone Simulator，根据截图和视觉批注继续修改。 任务做到一半，人离开电脑，也可以在手机上查看进度，或者通过 SSH 连接远程 devbox 接着处理。 代码完成后，它还能继续创建 PR、检查 CI、处理 review comments，最后把是否合并的决定交还给开发者。 看完整段演示，我的理解是： Coding Agent 过去主要帮我们减少写代码的时间。 新 Codex 想进一步减少的，是等待、切换工具、重复检查，以及不停催着 Agent 继续下一步的时间。 这对经常使用 Codex、Claude Code 或 Cursor 的人来说，应该很熟悉。 我们想要的是，在目标和边界明确之后，它能把一个开发任务持续推进到可以检查、可以交付的状态。 开发者依然需要做判断，哪些需求值得做，结果是否正确，风险能不能接受，代码最终要不要合并，这些责任不会消失。 只是以后，我们可能不需要再全程守在 Agent 旁边，手动推动每一步了。 如果这套工作流真的稳定下来，一个人能够同时推进的事情，会比现在多很多！

看完 Charlie Guo 用 GPT-5.6 + Codex 做卡牌游戏，我对前几天那篇文章里的判断更确定了！ 他没有先写一份很长的 PRD，也没有把任务拆成几十个 tickets。 只是给了 Codex 一个相对开放的目标，GPT-5.6 就开始自己设计玩法、编写代码、生成美术，并交付了一个可以运行的版本。 之后再追加关卡、机制、配乐和美术要求，它也能继续沿着原来的项目往下推进，甚至会自己判断什么时候需要调用 sub-agents，把不同任务并行完成。 这段演示真正值得看的是，它展示了一种新的协作方式： 你不再需要提前规定模型每一步该怎么思考、怎么拆任务、怎么执行。 你需要把真正重要的事情说清楚，然后让模型在工具和项目环境中持续推进。 这也正是我在这篇文章里想讲清楚的问题： 《GPT-5.6 Prompt 到底该怎么写？OpenAI 官方指南，一篇讲透！》 很多人升级模型之后，仍然沿用过去那套很长、很重、充满过程控制的 Prompt。 模型变了，Prompt 的重心也应该跟着改变。 Charlie 的演示给出了一个很直观的答案，而文章里我把背后的官方建议、改写方法和可直接复用的 Prompt 框架完整整理了出来。 正在使用 GPT-5.6、Codex，或者准备搭建 Agent Workflow 的人，可以把视频和文章放在一起看。

Anthropic 官方团队把 Claude Code 从底层原理到真实项目实战，完整讲了一遍！ 如果你只是会让 Claude Code 写代码，却还没搞懂它如何读取文件、调用工具、管理权限、调度 subagents，这个视频值得收藏！ 我整理了重点时间线： 00:00｜Claude Code 底层如何工作 04:51｜Permissions：哪些操作允许、询问或拒绝 10:46｜如何把 Code Review、部署流程做成 Skills 15:08｜Intent-driven development 到底怎么做 22:40｜用语音 Prompt 从零构建 3D 游戏 32:55｜用 Branch、Draft PR 和 GitHub CLI 控制交付 38:15｜Auto Mode 如何减少重复授权 40:48｜用 Dynamic Workflows 并行调度多个 Subagents 46:53｜从 Demo 走向 Production 的工程原则 55:33｜Claude Code 如何用于研究、数据和媒体处理 我认为最值得看的是 Lydia Hallie 拆解了 Claude Code 的真实运行方式：模型本身没有长期状态。 文件内容、终端输出、Git 分支、工具调用结果和会话历史，都是由外层的 Agent Harness 维护，再在每一轮重新组装给模型。 这也解释了为什么真正影响 Claude Code 效果的，不只是 Prompt，还有：CLAUDE.md、Skills、Permissions、Verification、Git Workflow、Subagent 编排！ 视频最后还有一个很重要的提醒：AI 能一次生成大量代码，不代表这些代码都应该被合并。 架构、验证、安全、Review 和最终质量，依然由人负责。 这可能是目前理解 Claude Code 最完整的一小时。 建议先收藏，再跟着时间线看！

你可能一直在用旧方法 Prompt GPT-5.6。OpenAI 其实已经发布了最新版官方指南。 这份指南里，OpenAI 已经把任务描述、约束条件、工具调用、输出格式，以及常见误区讲得很清楚。 我把整份官方文档读完，整理成了一篇中文通俗版： 1. GPT-5.6 到底变了什么? 2. Prompt 应该怎么写、 3. 官方推荐的结构、 4. 可以直接复制的模板和案例、 5. 哪些旧方法已经不适用了、 不用自己啃开发者文档，看这一篇就够了👇

Wow！Claude Code 高级用法：给 Agent 搭一套能干活的工程环境！ Daisy Holman 这场 Beyond Claude Code Basics 讲的重点更接近生产级工程： Agent 要真正参与软件工程，需要三样东西： Access：能看到设计文档、CI/CD、runbook、监控和历史讨论。 Knowledge：通过 CLAUDE.md、Skills、文档检索注入项目规则。 Tooling：用 Hooks、LSP、lint、test 建立即时反馈。 举个例子： 你让 Claude Code 修一个 CI failure。 如果它只能看到代码和 terminal，它可能只能反复猜。 但如果它能看到 CI log、测试命令、相关 PR 历史、runbook、项目规则，并且改完后自动收到 lint / test feedback，它就更接近真实工程师的工作状态。 所以最简单的实践方法是： 记录一天里，你每次离开 Claude Code 去查什么。 查 Slack、看文档、翻 CI、找 runbook、复制 dashboard、跑内部 CLI。 这些动作，就是最值得优先接给 Agent 的能力缺口！

看完这张疑似 Anthropic 内部优化的 Fable 5 Prompt 结构，我才意识到：大多数人写 Prompt，其实一开始方向就错了！ 很多人以为好 Prompt = 更长、更复杂、更多技巧、更多角色设定。 但这张图给出的结构非常简单： Context：背景是什么 Request：你到底要模型做什么 Output Format：结果要怎么交付 Constraints：哪些不能假设、不能越界 Checkpoint：什么时候停下来问你 但对 Fable 5、Claude、Codex 这类更强的模型来说，真正关键的不要“教模型怎么思考”，要把任务边界讲清楚！ 尤其是最后这个 Checkpoint 很重要： 只有在三种情况下才暂停： 1. 涉及不可逆操作 2. 任务范围发生变化 3. 需要用户提供信息 其他情况，模型应该继续完成任务，最后再汇报。 这才是 Agent 时代的 Prompt 写法。 模型越强，越不需要你写一堆废话。 它需要的是目标、边界和验收标准。 以后写复杂任务前，先检查这 5 个部分：Context 、Request、Output Format 、Constraints 、Checkpoint

Holy Shit！ 很多人只会把 YTSage 当成一个 YouTube 下载器! 但如果你已经在用 Codex / Claude Code / Skills 做内容自动化，它真正的价值远不止是“下载视频”。 把视频素材变成 AI Agent 可以接管的本地输入层。 我之前写过一篇长文： 《用 Codex + Skills 搭一套本地视频自动化工作流》 里面讲的是：如何用 Codex 编排 FFmpeg、WhisperX、Skills，把一个视频处理任务拆成可复用的本地自动化流水线。 现在再加上 YTSage，整个流程就更完美了！ 我的理解是： 1. YTSage = 素材入口、 2. Codex = 工作流编排器、 3. Skills = 专业能力插件、 4. WhisperX = 字幕与转写、 5. FFmpeg = 最终成片处理 完整链路应该是：YouTube /公开视频 → YTSage 下载 video / audio / subtitle / thumbnail / description → Codex 读取本地目录 → WhisperX 生成高质量字幕 → FFmpeg 加水印、硬字幕、裁剪、压缩 → 输出 final.mp4 → 再生成 X 长文 / Thread / 视频脚本 这套思路的关键是你开始把内容生产拆成标准模块： 1. 素材获取层 2. 本地文件结构 3. Agent 执行规范 4. 字幕处理 5. 视频处理 6. 内容复用 然后让 Codex 按 AGENTS.md 执行：只读取inputs/raw，不覆盖原始素材，WhisperX 重新生成字幕，FFmpeg 负责水印、硬字幕、压缩，输出最终视频和 X 内容草稿 这才是 真正有价值的地方是让 AI 帮你沉淀一套可以重复执行的生产系统！ 如果你也在用 Codex 做本地自动化，建议不要只停留在“让 AI 帮我写代码”。 可以从一个具体场景开始：比如视频处理。 我之前那篇《用 Codex + Skills 搭一套本地视频自动化工作流》，就是按这个思路拆的。 现在再配合 YTSage，刚好补齐“素材获取层”。 工具本身不稀缺，能把工具串成稳定 Workflow，才是 AI Agent 时代真正拉开差距的地方。

Cursor / Codex / Claude Code 用户，这个仓库能帮你快速配好免费模型！ open-free-llm-api/awesome-freellm-apis 它把各种免费 LLM API 的信息整理成一张清晰的表，省去了自己到处翻找的麻烦。 平时想找免费模型用，得一个 provider 一个 provider 去搜，注册账号，查有没有免费额度，要不要绑信用卡，找 base URL、model ID，还得看 rate limit，最后手动配到 Cursor、Codex、Claude Code 这些工具上。挺折腾的。 这个仓库直接把这些全整理好了： 哪些 provider 有免费 tier，像 Groq、Gemini、NVIDIA NIM、Mistral、Cohere、Hugging Face、OpenRouter 这些，都列得明明白白。 哪些不用绑信用卡，个人开发者用着更省心。 每个模型的 context window 和 rate limit 也写清楚了，能快速判断适合短任务、长文档、代码生成还是批量测试。 每个 provider 的 base URL 和 API Key 获取方式，都写得清清楚楚，直接告诉你怎么接。 还针对 Cursor、Codex、Claude Code、Aider 这些 AI Coding 工具，准备了对应的配置方法。 用这个仓库，就是把免费模型当成一个模型池来用。简单的事情，比如代码解释、README 总结、写测试用例、打 prompt 草稿、生成小工具，交给免费模型处理。真正重要的活儿，像架构设计、复杂重构、安全审查、生产级代码决策，还是留给主力模型。 这样一来，AI Coding 的整体成本就能明显降下来。 当然，免费 API 到底还是有局限的。rate limit 会变，模型可能突然下架，tool calling 也未必稳定。别把私有代码、API Key、数据库结构、客户数据这些敏感信息往免费 provider 扔。 我把它定位成 AI Coding 的低成本实验层，适合平时试东西、跑简单任务。如果你正在用 Cursor、Codex、Claude Code 这些工具，这个仓库值得收藏。 它帮你省下的，主要是你在几十个 provider 文档里反复搜索、注册、试错的时间！

我发现 AI Agent 真正的瓶颈是它拿不到实时数据、不会自己查 Reddit / GitHub，一旦离开模型知识库，就开始脑补。 所以我最近找到一个工具：AgentKey。 定位很简单：给 AI Agent 一把统一的外部数据钥匙。 你可以把它理解成：Claude Code / Codex / Cursor 的 API Gateway + MCP 工具层 + 数据路由器。 以前你想让 Agent 做真实研究，可能要分别配置： Tavily、Firecrawl、Brave Search、Reddit API、X API、 Finance API、Crypto API、GitHub 数据源、电商数据源 每个都有自己的 key、额度、参数、失败处理。 AgentKey 的思路是：用一个 master key，把这些外部数据能力统一接到 Agent 里。 它最适合做的是这几类任务： 1. 发现热点 让 Agent 去 Reddit、GitHub、Product Hunt 找最近被讨论的 AI 工具。 2. 验证项目 读取 README、Docs、Issues、Release，看一个开源项目到底有没有价值。 3. 做竞品研究 抓官网、定价页、评论、用户吐槽，判断一个 SaaS 机会是不是真需求。 4. 做内容选题 把看到一个工具升级成多源验证后再写一篇高质量长文。 5. 做投资辅助研究 查价格、技术指标、宏观数据、crypto on-chain、社交叙事，但不直接给买卖建议。 我认为它真正有价值的地方是：让 Agent 从生成器变成研究员，以前的 AI Coding 工作流大多是：你给信息 → Agent 写代码。 更高级的工作流应该是： Agent 自己找信息 → 验证信息 → 形成判断 → 再写代码 / 写报告 / 写内容。 这才是 Agent 工作流的分水岭。 但也有几个坑： 第一，不要把外部数据当真理。 Reddit、网页内容都有噪音，AgentKey 只是取数，不负责判断。 第二，不要把 master key 放前端。 这种 key 应该只放在本地 CLI、后端、Serverless、私有 Agent worker。 第三，不要一上来做复杂自动化。 先做 3 个固定场景就够了：GitHub 项目研究、X/Reddit 热点发现、SaaS 竞品与用户痛点分析 如果你正在用 Claude Code / Codex / Cursor 搭 Agent 工作流，AgentKey 值得研究。 它像是给 Agent 装上了外部世界的传感器。 未来真正强的 AI Coding 系统是能自己发现问题、收集证据、验证假设、再交付结果。

最近发现一个5 万 Star开源项目 ，非常适合内容创作者研究选题使用！ MediaCrawler，我觉得它真正值钱的地方，是帮内容创作者建立一套“选题雷达”！ 它支持小红书、抖音、快手、B站、微博、贴吧、知乎等平台的公开内容研究。 真正靠谱的用法是：用少量公开样本，判断一个选题到底值不值得写。 比如你想写：Claude Code、AI 副业、Codex、独立开发、 出海 SaaS、AI Agent 工作流！ 多数人的做法是：看到一个热点 → 凭感觉写 → 发完没人看 → 以为是自己标题不行！ 但有经验的人会先看评论区，因为评论区才是真实需求！ 用户不会直接告诉你“我要一篇 3000 字深度教程”。 他们只会问： 1. “不会代码能不能用？” 2. “Claude Code 和 Codex 到底怎么选？” 3. “做出来的小工具怎么上线？” 这些问题，就是天然的文章大纲。 我的使用思路是：选 3 个关键词、比如：Claude Code / AI 副业 / 独立开发，每个平台只看少量公开样本， 不要追求全量，只看高互动内容和评论，把评论整理成 4 类：痛点、疑问、反对意见、购买/行动意图 用 AI 做二次分析，提炼高频问题、情绪关键词、可写角度，最后输出内容选题，长文、Thread、教程、案例拆解！ 一个简单公式：公开评论 → 高频问题 → 用户痛点 → 内容选题 → 高转化长文 这才是 MediaCrawler 对内容创作者最有价值的地方。 合规边界也要记住：只分析公开内容、只做小样本研究、 不做用户画像、不批量采集、不用于商业爬取、尊重平台规则和项目许可证！ 所以这类工具最值得用的地方是让你在发内容之前，先验证一件事：这个问题，是不是已经有人在评论区反复问过，有人问，才值得写，没人问，再漂亮的选题，也可能只是自嗨。