岗位专家型Agent的能力补足逻辑与开源插件适配方案_服务软件

1. PallasAI 完成数千万元融资，发布行业首款 GEO 产品化 AI Agent

2. 我用AI写了个网站，Hermes保姆级安装指南｜一键配置，桌面整理/浏览器自动化全搞定

3. 全体起立！AI 版 Chrome 正式推出！前端开发进入新时代！

4. Agent 应用和传统 App + AI 的最大差别，在于执行的主体不同。传统 App + AI，是人“操作” App，AI 只是辅助Agent 应用，是人“指挥” Agent 去操作 App/cli，Agent 自助做事举例来说，微软家的 Copilot （早年版本）集成在 PowerPoint 中，你能问它个话，基于文档回答点问题，你让它帮你操作 PowerPoint 它做不到现在的 Codex，你告诉它写一个 Slides，或者上传一个 PPTx 文件，让它帮你修改一下，你全程不用自己操作 PowerPoint。这就是差别。

5. 手把手彻底学会 Agent Skills！【小白教程】

6. #Opus4.8和GPT5.5谁更强#现在大模型都是有局限性的，都是属于优点和缺点一样的明显，优点会超越其他的几个身位，缺点一样会被别人甩在身后吃土。Opus 4.8主要的优点是专业，就跟一个只是知道写代码的程序员一样，除了自己的专业别的都不咋养，GPT5.5更像一个产品经理，听上去啥都知道但是干起来啥都不精，如果两个结合起来用，是能得到一个接近预期的结果的

7. Agent 原生通讯协议：从传递代码，到传递认知

8. AI Agent 开发中，记忆管理一直是老大难——上下文窗口有限，长期知识难以留存，跨会话、跨任务的连贯性也很难保证。Cognee 把「记忆控制平面」浓缩到 6 行代码里，让 Agent 拥有持久、可进化、可检索的共享记忆。只需一行 pip install 即可接入：支持任意格式数据摄入，自动构建知识图谱 + 向量索引，兼顾语义搜索与关系推理，还能随反馈不断优化。GitHub：github.com/topoteretes/cognee主要功能：- 6 行代码即可实现 remember / recall / forget / improve 四大操作- 知识图谱 + 向量混合检索，自动路由最优搜索策略- 支持多会话隔离与跨 Agent 知识共享- 提供 Claude Code、OpenClaw 等官方插件，一键接入主流 Agent 框架- 兼容 Cognee Cloud 或自托管部署（Modal、Railway、Fly.io 等一键脚本）- 支持本地 UI 与 CLI，快速验证与调试支持 Python 3.10+，通过 pip/uv/poetry 即可安装，适合构建长期记忆型 Agent、客服机器人、知识蒸馏助手等场景。#AI创造营# #人工智能#

9. AI抢饭碗结论被推翻，真相到底是啥？ #大咖观察 #红衣聊AI #人工智能 #AI时代

10. #为什么AI大厂开始卖Token#Token是大模型处理信息的最小单元，其消耗与算力消耗、电力成本直接挂钩，是按效用付费的最公平口径。AI从对话工具转向Agent与企业系统，工作量呈指数级爆发，按Token计费能精准匹配算力消耗，实现成本可控。同时，价格分层加剧：轻量模型低至135元/亿Token，旗舰模型则达数万元，形成差异化竞争。Token计费将主导通用场景与标准化服务，但并非绝对唯一。对高并发、低门槛的轻量应用，Token模式效率最高；而对复杂行业定制、私有部署或长期订阅场景，包年制/包量制仍有优势。此外，随着算力成本优化与缓存技术普及，部分场景可能出现价格阶梯或免费额度，以平衡普惠与商业化。Token不仅是计费单位，更可能成为AI时代的数字货币，承载价值尺度与流通手段功能。中国凭借绿电与算力基建，正以低成本Token重塑全球AI成本结构。未来，Token计费将与混合模式并存，共同构建AI商业化的多元生态。#how i ai# 为什么ai大厂开始卖token

11. Clawdbot 之后，我们离能规模化落地的 Agent 还差什么？

12. 今年AI行业会诞生一个高薪新岗位，未来这类人能吃到红利，信号已经很明显了 #ai #行业洞察 #机会 #就业 #ai落地

13. 安利一个11万Star的必装插件，能让你的Agent体验直接质变。

14. 企业级 AI Agent：彻底说清 MCP、CLI、Skills，如何定位、该怎么选、最佳实践。网页链接“当一个 Agent 真正进入企业生产环境后，问题很快就不再是有没有工具，而是如何扩展 Agent 的能力 — 将 Agent 连接到各类企业 IT 设施，以实现更复杂的自动化工作流。 MCP、CLI、Skills 看起来都能让 Agent 更强大，但它们解决的是三类不同问题，在不同的场景下合理的组合与应用，才能发挥最强的威力。本文为大家解读：如何正确、高效地组合 MCP、CLI、Skills，让你的企业 Agent 发挥最大效能。”#AI创造营#

15. AI Agent开发常常需要查阅海量文档和最佳实践，产品特性分散在官网、博客、论坛，来回切换效率低下。Google 的 Agent Skills 把AI Agent所需的专业知识和工作流全部标准化封装，提供一套轻量级技能解决方案。不仅包含详细的任务指令，还支持脚本执行、参考资料、模板资源，甚至能渐进式加载避免上下文膨胀。GitHub：github.com/google/skills主要功能：- 标准化技能格式：核心SKILL.md文件包含元数据+详细指令，代理按需激活；- 渐进式加载：仅在任务匹配时加载完整指令，轻量高效无上下文膨胀；- 领域专精：封装Google Cloud产品技能，如BigQuery、GKE、Cloud Run等专业知识；- 可复用工作流：将复杂多步任务转化为一致可审计流程；- 跨产品兼容：一次构建，兼容Antigravity、Gemini CLI等多个代理工具；- 丰富资源支持：可选脚本、参考文档、模板资产，提升执行能力。支持npx skills install github.com/google/skills快速安装，多平台AI代理通用，适合开发者、云架构师和AI工程师使用。#AgentSkills##GoogleCloud##AI代理##CloudNext2026#

16. AI大神的焦虑：自己是研究工作的瓶颈，Token用得不够多#AI #人工智能 #卡帕西 #Agent #算力

17. 3天赚1200刀？纯聊天就能捏出个能搞钱的 AI Agent！【教程】

18. 300个AI员工齐上岗，Agent 集群真的好用……吗？

19. 先别急“养龙虾”，这些AI安全问题你可能还不知道！附安全解决方案...

20. 构建AI Agent常常需要从零开始摸索，LLM调用、工具集成、推理循环、记忆模块、规划反射等功能分散在各种框架和教程中，来回切换学习成本高。新书《Build an AI Agent (From Scratch)》提供完整AI Agent从零构建的实战指南，帮助你一步步打造能推理、规划、执行复杂多步任务的智能代理。不仅教你实现ReAct循环（Thought→Action→Observation）、MCP工具调用、Agentic RAG，还覆盖记忆模块、多代理系统、代码执行代理等核心功能。www.manning.com/books/build-an-ai-agent-from-scratch主要内容：- 实现ReAct推理循环，支持思考-行动-观察闭环；- MCP协议集成工具调用，提升代理工作流效率；- Agentic RAG实现相关知识检索和响应优化；- 构建记忆模块，存储事实、上下文和动态目标；- 代理规划、反思和自我修正机制；- 开发专业代理如代码执行代理；- 设计多代理协作系统。全Python实现，标准笔记本电脑即可运行，适合AI开发者与从业者。MEAP已100%章节可用，附GitHub源码。#AI-Agent##大语言模型##人工智能#

21. Bash Is All Agent Need：Anthropic 重新定义智能体开发

22. 在线使用专业软件常常受限于繁复的图形界面和缺乏自动化接口，AI智能代理难以直接操控这些工具完成任务。开源项目 CLI-Anything（GitHub： github.com/HKUDS/CLI-Anything），可以让任何有源码的软件一键生成命令行交互界面，实现真正的“Agent-Native”！ CLI-Anything 的亮点： - 通过自动化七阶段流水线，从代码分析到测试再到安装，全自动生成完整专业CLI，支持交互REPL和脚本模式。 - 融合真实软件后端（Blender、GIMP、LibreOffice等），不只是模拟而是实操，保证功能和效果百分百正宗。 - 所有命令支持结构化JSON输出，方便智能代理解析和决策。 - 通过统一的CLI接口，AI代理无需兼顾复杂GUI，即可实现图像编辑、3D建模、音频处理、文档编辑、视频剪辑等全类软件控制。 - 多达8大复杂开源软件已创建成熟CLI，超过1298个自动化测试通过，保证生产级质量。快速开始： 1️⃣ 添加 Claude Code 插件市场安装 CLI-Anything 插件 2️⃣ 一行命令生成目标软件CLI（例如 /cli-anything ./gimp） 3️⃣ 安装并从命令行调用生成的agent-native工具 CLI-Anything为软件智能代理开辟了全新入口，极大提高自动化能力，适合开发者、AI研究者和自动化爱好者使用！ #AI创造营##智能代理##开源利器#

23. 金融服务工作经常需要切换多个工具，建模软件负责估值计算，研究平台拉取数据，Office套件制作报告和演示文稿，来回折腾效率低下。Anthropic Claude for Financial Services 把金融工作流所需的功能全部整合到一起，提供了整套投行、研究、私募和财富管理的AI解决方案。不仅有专业代理如Pitch Agent、市场研究员、GL对账员，还支持Comps/DCF/LBO建模、收益分析、KYC筛选，甚至集成LSEG、S&P等数据源。GitHub：github.com/anthropics/financial-services主要功能：- 端到端工作流代理：Pitch Agent生成投行Pitch Deck，Market Researcher输出行业概览，GL Reconciler自动对账；- 核心建模技能：/comps 可比公司分析，/dcf DCF估值，/lbo LBO模型，Excel审计和PPT模板生成；- 数据连接器：集成Daloopa、Morningstar、FactSet、LSEG、S&P Capital IQ等11家专业提供商；- 垂直插件：投资银行（CIM/Teaser）、股权研究（Earnings/模型更新）、私募（IC备忘录）、财富管理（客户报告/再平衡）；- 支持Claude Cowork插件、Managed Agents API部署，以及Microsoft 365集成；- 屏幕共享、文档解析、合规输出待人工审核，确保安全可靠。支持Web、Claude Code、Managed Agents多平台使用，通过插件市场或脚本一键安装，适合投行分析师、基金经理和财富顾问。#金融科技##AI代理##Claude#

24. 分析 Claude Code 的文章看了不少，但博主 XiaoTan 这篇《ClaudeCode 源码深度研究报告》是真正让我觉得值得反复读的一篇。它最厉害的地方在于，把一个大家都觉得「很强但说不清为什么强」的产品，拆成了清清楚楚的工程结构。看完之后你会发现，Claude Code 的强，跟某一段神秘的 system prompt 没有关系，它强在整个系统的设计。报告里有几个发现，我觉得对做产品 Agent 的人来说特别有启发：第一，prompt 是拼装出来的。Claude Code 的系统提示词根本不是一段写死的文本，而是一个动态编排器。前半段是稳定的身份定义、行为规范、工具说明，适合做缓存；后半段是根据每次会话实时注入的上下文，比如 memory、语言偏好、MCP 指令等等。这意味着 prompt 可以像代码模块一样管理、调试、灰度发布。第二，工具调用走的是完整管线。模型说要调工具，系统不会直接执行，而是先过一遍 schema 校验、权限判断、pre-hook 处理，执行完再走 telemetry、post-hook、异常兜底。每个环节都可以插入逻辑，工具本身的代码完全不用动。这条管线是它比大多数 Agent 产品稳定得多的核心原因。第三，它内建了多个专业化 Agent。有负责通用任务的，有负责探索的，有负责规划的，还有一个专门搞验证的 Verification Agent。这个验证 Agent 特别狠，它的工作就是主动去尝试打破你的实现，跑 build、跑测试、做类型检查，最后给一个明确的通过或不通过。第四，Skill 在这个体系里是可复用的工作流包。它包含完整的执行步骤、工具调用序列和输出规范，模型加载之后可以直接进入执行状态，不需要每次都从零推理该怎么做。第五，MCP 的角色比大多数人理解的要深。它同时承担了工具注册和行为引导两个职责，不仅告诉模型有哪些工具可用，还通过 instructions 字段告诉模型在什么场景下该怎么用。第六，prompt 里专门写了一段「任务哲学」：不要乱加功能，不要过度抽象，不要瞎重构，先读代码再改代码，结果要诚实汇报。这些负面约束看起来像常识，但对 LLM 来说极其重要，因为模型天然倾向于过度发挥。把这些加在一起看，你会理解为什么报告最后的结论是：Claude Code 更像一个 Agent Operating System。它有平台化的入口层，有可编排的 prompt 系统，有带治理的工具管线，有专业化的 Agent 分工，有四套扩展机制（Skills、Plugins、Hooks、MCP）。这就是一个操作系统该有的样子。对我们做产品 Agent 的人来说，最直接的收获就是五件事：把 system prompt 拆成模块用函数拼装，给工具调用加上校验和权限管线，把高频任务封装成标准化 Skill，在 prompt 里明确写清楚哪些事不要做，关键任务完成后加一个独立的验证环节。这些方法不需要一步到位，一层一层加就行。每加一层，Agent 就稳定一分。报告下载地址：github.com/tvytlx/claude-code-deep-dive#科技先锋官##How I AI#

25. 打造13个Claude Agent 互相 review 彼此↓ Reddit 一个开发者用 OpenClaw 框架搭建了 13 个 Claude Agent，让它们像真实团队一样工作：有人写代码，有人 review，有人测试，有人查安全漏洞。然后还互相 review 彼此的工作。 1 Writer Agent → 生成代码 2 Reviewer Agent → 逐行审查，对标 code review 标准 3 Tester Agent → 设计测试用例，验证逻辑 4 SecurityAuditor Agent → 扫描安全漏洞 5 Optimizer Agent → 性能优化建议 6 DocumentWriter Agent → 生成 API 文档 7 QA Agent → 最后一关，综合检查 ... + 6 个其他专业角色 vs. 链式流程（A→B→C），这个设计采用质量门控流程。Reviewer 必须 approve 才能进入下一阶段。出问题时反馈重做。成本控制？看起来 13 个 Agent 全力跑，tokens 肯定爆炸。但这个哥们用了几个聪明的招： 1. Context 优化 Writer 不需要看 test cases，Tester 不需要看文档。每个 Agent 只加载相关上下文。这一招可以干掉 80% 冗余 token。 2. 采样策略不是每一行代码都通过全部 13 个 Agent。核心路径 100% 检查，非关键路径采样。 3. 缓存和复用已审查过的代码片段不重复审查。测试用例库复用。架构决策缓存。结果呢？ - 单个开发者 Claude Code：每天 5-20刀 - 13 个 Agent 团队：每天 15-30刀（成本增加不多，质量翻倍）实际对比维护 10 万行代码库： 1. 传统手工做法 - 人工 code review：8 小时 - token：50-80刀 - bug 漏过率：5-10% 2. 13 个 Agent 团队 - 总耗时：30 分钟（Architect 规划 → Writer 并行生成 → Reviewer 自动审查 → 全流程质量门控） - token：20-25刀 - bug 漏过率：<1% 为什么这个方案特别？ 1. 角色化 > 能力化不是「给 Claude 一个超级 Prompt 让它什么都会」，而是「给每个 Agent 一个明确的职责」。 Writer Prompt：「你是代码作者，你的工作是...」 Reviewer Prompt：「你是资深 code reviewer，标准是...」角色专业化自动带来质量提升。 2. 质量门控自动化传统 code review 是人工 bottleneck。Agent review 是自动化 + 可扩展的。 3. 知识积累每个 Agent 的执行历史（什么被 reject、为什么）可以持续优化 Prompt。这是机器学习意义上的反馈循环。 4. 工程意义这不是「用 AI 替代人」，而是「用 AI 团队协作替代个人英雄主义」。更接近真实团队的工作方式。背后的思想转变从「Prompt Engineering」→ 「Architecture Engineering」以前我们花时间优化单个 Prompt，试图让一个 AI 更聪明。现在聪明的做法是设计系统，让多个 AI 通过角色分工和质量门控，集体产出更高质量的结果。原文：www.reddit.com/r/ClaudeAI/comments/1rga7f5/how_i_built_a_13agent_claude_team_where_agents/ #how i ai##程序员#

26. Agent Infra 实践复盘：Kimi 如何搭建 Agent 背后的 Database 服务

27. -agent是模型能力扩展的一个里程碑，也是体现ai模型进入人类真实（虚拟/物理）世界的关键。没有agent能力，大模型将停留在（理论学习）阶段，就类似一个人不断学习，哪怕学习到博士，也只是知识积累，还没有转化为生产力。原来的agent是通过模型应用来实现，现在模型已经可以直接将agent数据集成到训练过程，增强了模型的通用性，其实难题还是不同agent环境的泛化和迁移并不是那么容易，因此最简单办法也只有不断增加不同agent环境的数据和针对不同环境的强化学习。

28. #周鸿祎称养龙虾要解决3个问题#周鸿祎以“养龙虾”类比AI智能体发展，精准揭示了当前人机协作的核心矛盾：技术门槛与用户期待间的落差。将AI比作需要耐心引导的“实习生”，意味着未来核心竞争力正从单纯的技术操作转向“领导力”——即清晰定义问题、分解任务的能力。这不仅是产品的进化，更是对普通人数字素养的重新塑造。

29. 抽点时间写写Wegent这个项目的开发过程（一）其实回顾很多项目的生命周期都是蛮有意义的一件事，之前在做一些项目的时候就有记录和总结一下项目里一些重大决策或者转折的冲动，但是大部分都是公司内的项目没法写出来，难得遇到个能写的开源项目，恰好这个项目又汇集了AI Agent架构和开发范式转变这两个比较有意思的话题，干脆开个新坑系列。大概是夏天的时候我决定要开发一个新的Agent系统，最初项目的定位是做一个claude code的套壳工具。当时Cursor、Windsurf这类Agent开发工具开始成为主流，我当时也还在Roo Code社区里比较活跃（如果你不了解RooCode，也不用介意，它是一个开源AI编码插件，后面描述的重点不是产品本身，而是它的开发方式）。Claude Code那时候刚发布没多久，虽然脱离IDE就能开发这个特性有点意思，但是单靠CC还不足以让开发者从类似Cursor的IDE工具迁移过来：对于大多数开发者的日常工作流来说，CC能做的事情，IDE或者IDE+Agent插件也能做，CC只是个阉割掉了IDE功能的Agent。但是当时Roo Code社区已经做了一个很有意思的探索：他们做了一个叫roomote的机器人，所有提交到RooCode项目的Issue，roomote都会尝试排查或者修复问题，然后提交PR或者直接给出回答。社区里经常有不明真相的群众表示，为什么会有一个叫roomote的人能够一天24小时工作，并且回答所有人的问题，他是你们的外包团队吗？最后RooCode团队表示，roomote只是个用了opus模型的RooCode插件。作为Roo Code社区开发者之一（RooCode的代码编辑器、消息解析器、Todo和一些乱七八糟的功能都是我做的），我认为RooCode项目本身没有太多值的研究的（代码非常烂），但是我对他们这种开发模式非常感兴趣。社区的核心开发者就一两个，但是每天能够开发5-10个小功能，每周能发个大功能，并且还能在某种程度上避免项目失控（虽然Bug也不少），放在过去这种效率是不可想象的。RooCode社区的开发方式总结下来就几点：1 能让AI做的事情就让AI做2 人配合AI快速迭代，密集发布新版本，追求迭代效率，降低质量要求3 不停的通过提示词、测试和重构避免项目复杂度失控我开始意识到：未来开发者写代码的方式会变，这不是简单的工作自动化，而是“AI驱动式开发”，这种模式应该未来会成为某种新的软件开发范式。因此本来我的目标是把RooCode本身移植成为命令行工具（我们开源的另一个项目RunVSAgent其实是这个目标的副产品），而Claude Code的诞生让我省了不少事。（待续，下一篇准备讲讲Wegent项目原型开发时遇到的问题）

30. Claude Code 30k+ star官方插件，小白也能写专业级代码

31. 开发新功能常常需要反复迭代：先写PRD文档，再拆解任务，手动调用AI编码工具，一轮轮调试修改，过程繁琐且容易丢失上下文。Ralph 把AI自主开发的全流程自动化，打造了一套完整的智能编码解决方案。只需创建PRD，它就自动循环运行AI编码工具（Amp或Claude Code），直到所有需求项全部完成。GitHub：github.com/snarktank/ralph主要功能：- 自动生成PRD文档，支持智能任务拆解；- 持续循环执行AI编码，支持Amp和Claude Code双工具；- 每次迭代全新上下文，通过git历史、progress.txt和prd.json保持记忆；- 智能质量检查，自动运行类型检查、测试并提交合格代码；- 自动创建特性分支，按优先级逐个完成用户故事；- 支持浏览器验证、前端UI故事自动测试确认；支持任何git项目，通过复制脚本或插件市场安装即可运行，15.1k星标的神器，适合个人开发者到团队使用。#AI开发##自主代理##智能编码#

32. Agent Skills使用指南：让AI智能体拥有“即插即用”的超能力

33. 使用 Claude Code 进行开发时，虽然原生的命令行交互已经非常强大，但在处理特定业务逻辑或复杂工作流时，往往需要更具针对性的功能扩展。如果能有一套现成的工具库来增强其自动化能力，开发体验将更加顺滑。Awesome Claude Code Plugins 是一个专门为 Claude Code 打造的资源汇总项目，收录了大量实用的斜杠命令、子代理、MCP 服务和钩子函数。它不仅整合了官方提供的核心插件，还汇集了社区贡献的各种增强工具，涵盖了从代码质量检查、Git 工作流自动化到文档生成、安全审计等多个维度，让开发者能够根据项目需求定制专属的 AI 编程环境。GitHub：github.com/ccplugins/awesome-claude-code-plugins主要功能：- 提供丰富的斜杠命令，通过自定义快捷指令简化频繁的开发操作；- 集成多种专项子代理，能够独立处理特定的开发、测试或设计任务；- 支持 MCP 服务器接入，方便 Claude Code 实时调用外部工具和数据源；- 包含多种工作流钩子，可在提交代码或部署等关键节点自动触发逻辑；- 覆盖 DevOps、代码审查、API 测试及项目管理等全方位的插件分类；- 支持通过插件管理命令动态安装和切换，保持系统上下文的轻量与聚焦。该项目为 Claude Code 用户提供了极大的灵活性，开发者可以通过这些现成的插件快速构建自动化工作流，非常适合追求极致效率的软件工程师和技术团队使用。

34. 在线开发插件安装和管理有点繁琐？Anthropic 的 Claude Code 官方插件仓库给你带来极简体验！Claude Plugins Official 是 Anthropic 亲自维护的高质量 Claude Code 插件目录。这里集成了官方内部开发和第三方合作伙伴贡献的丰富插件资源，满足你各类开发需求。主要亮点：- 插件丰富且质量有保障，满足代码生成、自动化、集成等多场景；- 支持命令行快速安装：`/plugin install {plugin-name}﹫claude-plugin-directory`，简洁高效；- 清晰的插件结构和开发文档，方便社区贡献和二次开发；- 内置安全提醒，谨慎选择信任插件，保障使用安全；- 支持内部和外部插件分类，覆盖更多应用领域。适合开发者、团队和 AI 工具集成爱好者，强烈推荐收藏：GitHub：github.com/anthropics/claude-plugins-official#AI创造营##人工智能#

35. 在线聊天记录和上下文管理总是难题，消息太多模型上下文窗口很快就撑满了。一个超棒的开源插件 Lossless Claw（基于 LCM：Lossless Context Management），为 OpenClaw 提供了一套无损上下文管理方案。它用有向无环图（DAG）替代传统滑动窗口，完美保存所有消息，通过智能摘要浓缩旧消息，又能即时复原细节，感觉像和一个“永不忘记”的智能助手聊天。主要功能：- 所有对话消息持久存储到 SQLite 数据库，确保数据不丢失；- 采用 LLM 自动生成多层摘要形成聚合 DAG 结构，压缩旧内容但保持可展开细节；- 每次对话上下文由最新消息+层级摘要组成，极大扩展了上下文容量；- 配套 lcm_grep、lcm_describe、lcm_expand 等搜索和回溯工具，快速定位旧消息和内容；- 支持自动分层压缩、会话持久化，减少手动操作；- 多种可自定义参数调节压缩触发阈值、摘要深度、最新消息保护数量等。安装只需在 OpenClaw中执行插件安装命令，一键启用，适合想突破上下文限制的AI项目和研究者。GitHub：github.com/martian-engineering/lossless-claw#AI技术# #开源插件# #上下文管理##AI创造营##人工智能#

36. 【AI学习】OpenClaw是什么？25万+星标登顶GitHub的开源AI助手详解

37. 怎么成为一个 ai agent 工程师？

38. 从失败中重生：一个 AI Agent 前端落地的真实复盘同步发布于博客：网页链接今天在 FEDay 上分享了一个 Agent 前端落地案例，核心内容是讲述了我参与的一个团队如何从"技术成功"走向"产品失败"，又如何在复盘中获得认知升级。这个故事的价值不在于成功的方法论，而在于那些踩过的坑和思维转变的过程。2025 年被称为 Agent 元年。Deep Research、Manus、Claude Code 相继发布，技术圈一片沸腾。很多团队都在问同一个问题：我们要不要做 Agent？在开始之前，我还是想讲一下我对 AI Agent 的定义：AI Agent（AI 智能体），是为了实现某个目标，循环调用工具的大语言模型。- 工具循环（tools in a loop）：模型调用工具 → 获取结果 → 继续推理- 有明确终点：为了达成目标，而不是无限循环- 目标来源灵活：可以来自用户，也可以来自另一个 LLM- 基础记忆能力：通过对话历史保存上下文信息朋友负责的团队面临的是一个真实的企业痛点：公司有完整的内部设计系统（Design System）和私有前端框架，但这些代码从未被 AI 训练过，通用模型根本无法直接生成符合规范的代码。目标看起来很清晰——做一个类似 Lovable 的工具，但用的是自己的 Design System。用户上传 Figma 设计稿或截图，Agent 自动生成符合内部规范的前端代码。听起来很美好，对吧？但挑战也很现实：- 要完整搭建一个 Agent 系统没想的那么容易，不仅要和模型交互，还要处理好用户交互，还有上下文工程- 要让模型理解和使用从未训练过的私有组件- 要在浏览器中实时预览生成结果- 出错了希望能自动修复由于团队之前没有开发过 Agent 相关产品，所以请我参与其中，提供技术咨询和方案建议。我第一个建议很现实：先跑通再优化—— 构建 Agent 最难的不是技术，而是完整跑通流程。我推荐他们基于 Claude Agent SDK 进行二次开发，而不是从零造轮子。一些关键理由包括：1. Claude Code 已经验证了它是可行的2. 开箱即用，内置工具足够满足绝大数场景3. 可以自定义工具、接入 MCP、自定义 Skill4. 可以接入国产兼容模型还帮着基于 Claude Agent SDK 快速搭建了一个原型系统。一些关键代码还开源在这里：网页链接这样很快有了个基本可用的 Agent。接下来就是解决代码的浏览器预览问题。一开始我们尝试用 Sandpack（浏览器端沙盒）做代码预览，结果发现复杂组件根本跑不起来，而且无法发挥 Agent 读写文件的能力。转向方案是给 Agent 一个本地文件系统——每个会话一个独立环境（虚拟机或目录），Agent 可以自由读取、修改、编译代码。这个决策让 Agent 的能力得到了最大化发挥。给 Agent 一个本地文件系统才能最大化的发挥 Agent 能力给 Agent 一个本地文件系统才能最大化的发挥 Agent 能力另一个难题就是如何让 AI 学会使用从未训练过的私有组件？其实就是把 Agent 当作新员工，用高质量文档和参考代码来教会它。我们把设计系统说明、组件列表、API 文档全部 Markdown 化，让 Agent 按需检索。高质量的参考代码本身就是最好的教材。而且完全不需要复杂的 RAG 系统，直接让 Agent 去基于文件检索搜索本地文档和代码就足够了。还有一个难题就是如何保证生成代码的质量，让代码能跑起来？为了保证代码质量，为 Agent 建立了一套"生成 → 验证 → 修复"的自动化闭环：Lint 静态检查、编译验证、视觉比对（借助 Chrome DevTool MCP 做截图对比）。一个节约主 Agent 上下文的技巧：把验证工具放入 Skill 或 SubAgent，避免污染主 Agent 的上下文。把这些问题都解决后，Agent 终于上线了。系统跑通了，Demo 很惊艳，但……很快就没什么人用。初期大家觉得新鲜，但很快就弃用了。开始和他们一起深度复盘，发现问题根本不在技术，而在产品逻辑与用户习惯的错位。通过对内部员工的调查访谈，很快就找到了原因：习惯阻力：设计师和产品经理更习惯在 Figma 里工作，而不是对着一个对话框。从舒适区（Figma）跳到陌生区（Agent 对话），这个门槛比想象中高得多。大部分甚至不知道该在聊天窗口写啥。80/20 瓶颈：Agent 能实现 80% 的效果，但剩下 20% 的修改成本极高。而往往就是那 20% 决定了能不能用。流程割裂：生成环境和开发环境是脱节的，无法利用现有代码，需要手动把生成的代码复制回项目，操作繁琐。团队意识到，他们最初问的问题是："如何构建一个设计系统 AI Agent？"这种提问方式让 Agent 变成了目的本身，为了技术而忽略了本质。正确的问题应该是："我们设计系统的最终目的是什么？"答案其实只有两点：在整个企业内实现设计规范的统一；实现开发效率的提升。设计系统只是手段，而非目的。思维转换：以 AI 为中心重新设计现有的流程是为人设计的：手动沟通、反复修改、人工确认，步骤繁杂，效率低下。未来的流程应该为 AI 设计：Input → AI Agent → Output，路径直接，效率高。这带来了两个新的设计原则：AI 友好：选择 AI 容易理解和操作的技术栈。轻量化：只保留 Design Tokens，基于 AI 友好的开源系统（如 shadcn/ui）进行扩展，而不是维护一套庞大的私有组件库。破局之道：从 Agent 到 Skill最关键的转变是：不要做一个独立的 Agent 平台，而是将能力嵌入现有的 AI 开发环境。旧模式是"独立 Agent 孤岛"——Agent 和开发者之间存在割裂，效率低下。新模式是"融入开发工作流"——把设计系统变成一种 Skill（技能），可以被通用的 Agent（如 Claude Code、Cursor）调用。Skill 的具体形态很简单：Markdown 文档（供 AI 查阅组件用法）+ 自动化脚本（用于初始化项目、自动安装和应用设计系统）。开发者在自己熟悉的 AI 开发环境里工作，当需要用到设计系统时，Agent 自动调用这个 Skill，生成的代码直接进入项目代码库。Skill 的具体形态很简单：Markdown 文档（供 AI 查阅组件用法）+ 自动化脚本（用于初始化项目、自动安装和应用设计系统）。开发者在自己熟悉的 AI 开发环境里工作，当需要用到设计系统时，Agent 自动调用这个 Skill，生成的代码直接进入项目代码库。可以参考：网页链接这个案例让我想到几个更深层的问题：1. 技术成功 ≠ 产品成功很多技术人（包括我自己）容易陷入"技术可行就是成功"的思维定式。但用户不会因为你的技术牛就买单，他们只关心能不能解决自己的问题、能不能无缝融入自己的工作流。2. 做 AI 产品要"以 AI 为中心"思考我们常说"以用户为中心"，但在 AI 时代，可能需要增加一层：以 AI 为中心设计工作流，再让用户享受这个高效流程的成果。不是让 AI 模仿人的工作方式，而是重新设计工作方式让 AI 更高效。3. Skill > Agent独立的 Agent 平台有天然的adoption障碍。把能力封装成 Skill，嵌入已有的通用 Agent 生态，可能是更务实的落地路径。这也是为什么 Anthropic 推出 web-artifacts-builder 这样的开源项目——它就是一个 Skill 的范例。4. 行动本身就是价值即使这个项目"失败"了，团队获得的认知升级是无价的。从模仿人类工作流到为 AI 重塑工作流，这种思维转变只有在实践中才能获得。最后我想说的是："去构建（Build）"。AI 时代，失败没什么，好过什么都没做。

39. 给建议的AI看够了？MiniMax Agent 让AI直接住进你的电脑干活#AI新星计划#科技改变生活#MiniMAX#Agent#minimaxagent

40. 过去十年，大家一直在说AI会改变编程。但现在看，真正被改变的，可能不是“写代码”，而是“审代码”。如果未来AI写代码、审代码都变成了常态，程序员最核心的能力到底是什么呢？#大有学问 #红衣聊AI #anthropic #人工智能 #程序员

41. 腾讯正式下场了，微信最新版内置ClawBot插件，原生打通OpenClaw。设置里装个插件、扫个码，你的微信就变成了AI助手的遥控器。出门在外发条微信消息，家里电脑就开始跑任务。之前接微信得靠第三方折腾协议、搭桥接器，现在官方一键搞定。当超级App开始内置AI Agent入口，这个赛道的游戏规则就变了。#微信龙虾插件#

42. 【Codex Subagents：136个AI专业分身让编程效率起飞】快速阅读：一个开源项目收录了136个针对Codex的专业化AI助手，覆盖从前端开发到安全审计的各个领域。每个Agent都有独立的上下文窗口和专门指令，能像真实团队成员一样处理特定任务。关键是这些Agent不会自动触发，需要明确指派。—AI编程助手的进化方向可能不是更强的单一模型，而是一群各司其职的专家。这个叫awesome-codex-subagents的GitHub仓库里，藏着136个经过精心调教的AI分身。前端有React专家，后端有Go并发高手，安全审计、性能优化、数据库调优，甚至Active Directory管理都有对应的Agent。每个Agent都是一个.toml配置文件，指定模型、沙盒权限和专业指令。比如security-auditor用gpt-5.4处理深度推理任务，search-specialist用更快的gpt-5.3-codex-spark做信息检索。审查类Agent设为只读权限，开发类Agent可以修改代码。这种设计既保证专业性，又控制权限范围。GitHub: github.com/VoltAgent/awesome-codex-subagents#AI创造营##人工智能#

43. 在智能体开发中，经常面临模型智能与多样工具、记忆和安全治理的整合难题。OpenHarness 是一个轻量级的开源 Agent Harness 框架，专为研究者和开发者设计，提供了完整的智能体基础设施。它不仅支持丰富的 43 种工具（文件、Shell、搜索、Web、任务管理等），还能动态加载 40+ 技能，支持插件生态扩展，还拥有细粒度多级权限治理和多智能体协作能力。核心特点包括：- 持续的 Agent 循环（流式工具调用，API 重试，代币计数等）- 丰富的工具和技能支持，结合 Anthropic 生态兼容性强- 持久化记忆、上下文压缩与会话续接- 多重权限管理，交互式审批保障安全- 多代理团队协作和任务委派- React 终端 UI，提供交互式命令选择和权限弹窗支持 Python 3.10+，提供一键命令行启动（`oh`），适合构建定制化智能体及多任务协作系统。GitHub：github.com/HKUDS/OpenHarness主要功能：- 43 种工具：文件操作、Shell 命令、网络搜索、任务管理等- 40+ 按需加载技能，涵盖代码提交、测试、安全审查等- 灵活插件系统，方便自定义命令、事件钩子和多智能体- 多级权限配置，确保执行安全- 多智能体协调，支持子智能体创建和团队管理- 交互式 React 终端UI，提升用户体验如果你想了解国产版 Claude 轻量实现，或是打造高效可扩展的智能体框架，OpenHarness 绝对值得一试！#开源智能体# #AgentHarness# #AI开发#

44. 在研究编程Agent，Agent核心就几十行代码，那剩下的几万行到底在解决什么问题？

45. 开源项目 Knowledge Work Plugins 现已上线，专为 Claude Cowork 打造的一套角色插件集。它让 Claude 快速成为产品、销售、客服、财务、数据等多个岗位的专属助手，内置技能、指令和工具连接器，帮助用户完成从任务管理到合同审核的各类专业工作。项目已在 GitHub 开源，提供 11 款开箱即用的插件，支持通过简单配置接入 Slack、Notion、HubSpot 等常用工具。所有内容均为 Markdown 与 JSON 文件，无需代码即可本地定制，适合个人和团队按需扩展。无论你是希望减少重复沟通，还是想把公司流程固化到 AI 工作流中，都能在这里找到起点。GitHub：github.com/anthropics/knowledge-work-plugins#开源项目# #Claude# #AI工具#

46. 在线开发经常需要面对前端设计、后端架构、移动开发和图形着色等多样技能，学习曲线陡峭且缺少系统化指引。 MiniMax Skills 专为 AI 编码助手打造了一套结构化的开发技能库，覆盖从前端动画、全栈集成，到安卓 iOS 原生开发，再到 GLSL 着色器视觉特效。项目不仅支持丰富技术栈和产业标准，还能兼容多种 AI 工具如 Claude、Cursor、Codex 和 OpenCode，通过简单配置即可集成使用，极大提升开发效率和代码质量。 GitHub：github.com/MiniMax-AI/skills 主要内容： - 前端开发：React / Next.js + Tailwind CSS，支持动态图形与 AI 生成媒体； - 全栈开发：REST API、认证、安全、实时通信及数据库整合指南； - 安卓原生：Material Design 3，Jetpack Compose，性能与易用兼顾； - iOS 应用：SwiftUI、UIKit、Apple HIG 标准实现无障碍设计； - 着色器开发：GLSL 高级技巧，流体、粒子和光影特效制作； - 丰富文档生成：PDF、PPTX、XLSX、DOCX 格式的创建与编辑。支持多平台插件，适合 AI 辅助开发者、培训机构和大型团队协作。 #AI开发##开源项目##编程技能提升#

47. #IT那些事儿# AI Coding对软件工程的影响：1）以往动辄几百人的一个连级别的项目组可能缩减为一个班的专家组。每个专家配备一个“AI Agent 军团”，有的agent开发，有的agent功能测试，有的agent负责写mock，有的负责写压测……一个人就能负责一个模块的端到端交付。2）工程师的KPI可能从“代码行数”、“加班工时”或“千行代码BUG率”变为“交付速度”和“系统稳定性”。3）程序员的工作将从“编写代码”转向“定义问题”和“验证结果”。4）团队管理者需要建立一个更严格更严密的“AI产出审核制度”，防止低级但隐蔽的逻辑错误通过AI扩散到生产环境，这有点像一个开源库出现致命漏洞，导致全球漏洞开花，比如OpenSSLBloodBleed、Log4Shell、Struts2XXE。5）以往知识存在老员工的脑袋里。以后，团队管理者的任务是把专家们的经验“模型化”、Skills化。一个团队的竞争力不再取决于人员学历和数量，而取决于其日积月累的高质量提示词集、Skills集、结构化文档和认认真真标注过的精选的安全的久经考验的代码库。6）甚至有可能原有团队需要大换血，才能贯彻上述经验教训和原则。

48. 【当AI也有了自己的“npm”，模块化智能时代正式开启】Vercel团队宣布推出skills——一个面向AI技能的开放生态系统，类似于前端开发者熟悉的npm包管理器。这个类比精准地点出了当前AI Agent开发的痛点：我们一直在手工编写“推理能力”，每个团队都在重复造轮子。如果技能可以像npm包一样安装、组合、复用，开发者就能把精力真正放在工作流设计和安全护栏上，而不是反复实现相同的连接器。从技术架构的角度看，这种“无关具体Agent”的设计理念很关键。就像OpenAPI为REST接口带来了标准化，技能注册中心有潜力终结当前各家厂商各自为政的混乱局面。当然，社区也有不同声音。有开发者指出OpenSkills项目早在skills之前就已经存在，目前已获得5000多个GitHub星标；也有团队在推进不那么依赖npm生态的类似方案。这种良性竞争恰恰说明，整个行业正在形成对“标准化AI技能生态”的共识。不过，熟悉npm历史的开发者难免会心一笑：当年的left-pad事件可是让整个前端圈停摆。如果AI技能也走上这条路，某个基础技能的故障是否会让一群Agent集体“宕机”？还有人打趣道：只要Agent的node_modules文件夹不要膨胀到40GB，什么都好说。开放、可组合、与具体实现解耦——这些“无聊的标准”，往往才是生态繁荣的真正基石。x.com/rauchg/status/2012345679721771474

49. 看看 Claude Code 怎么做 Harness，这才是 Agent 工程化的真正难点

50. Agent Skills 终极指南：入门、精通、预测网页链接“应该是全网最好的 Skills 中文指南与教程，全文 1.2w 字，包含了我对 Skills 的完整应用思考。巧借通用 Agent 内核，只靠 Skills 设计，就能低成本创造具有通用 AI 智能上限的垂直 Agent 应用。”内容包含： 1.最容易读懂的 Skills 概念与原理介绍 2.讨论 Skills 的真实价值、技术优势、对 AI 产品设计的影响 3.非常完整的 Skills 使用与开发教程 4.Skills 的场景识别，什么时候适合开发、使用 Skills？#AI创造营##科技先锋官#

51. 阿里全家桶全面Agent化！千问“任务助理”全面公测，从此AI不再只是动嘴出主意的狗头军师！

52. 你还在用旧思维与AI打交道吗？ #大咖观察 #红衣聊AI #AI时代 #智能体 #大模型

53. 2026 AI Coding 下半场：不拼参数，拼谁能让开发者“戒不掉”

54. MiniMax 也开源了自己精选的 Skills，分成开发和办公两大类，开源地址在这里：github.com/MiniMax-AI/skills先说开发类。frontend-dev 这个技能覆盖面挺广的，不只是写 UI 组件，动效、媒体素材生成、文案框架、视觉艺术，甚至依赖检查和质量门禁都包含在内。fullstack-dev 走的是完整闭环的思路，从需求澄清、架构决策、项目结构搭建，到认证、实时通信，再到 build、smoke、integration 各层级的验证，整个流程都覆盖了。另外还有 android-native-dev、ios-application-dev 和 shader-dev，分别面向 Android 原生、iOS 应用和 GLSL shader 开发，都配了比较完整的规范文档和参考资料。再说办公类，这块其实是 MiniMax 的 Office 三件套加上 PDF。minimax-pdf 做得比较细致，不只是生成内容，封面设计、版式排布、配色方案、多文件合并、表单填写这些都能处理。pptx-generator 支持 PPTX 的生成、编辑和读取，还单独拆出了一个 pptx-plugin 插件。minimax-xlsx 主要处理 Excel 的读写、分析和编辑，重点放在了保留原有格式、修复公式，甚至能做到 XML 级别的精细编辑。minimax-docx 负责 Word 文档的创建、填充、套模板和校验，底层走的是 OpenXML SDK，是一条非常工程化的技术路线。整体来看，MiniMax 这套 Skills 的思路很清晰：开发类追求流程完整，办公类追求格式精准。尤其是办公类几个技能，都不是简单地生成内容然后导出，而是深入到了文件格式层面去做精细控制，这个做法还是挺扎实的。#科技先锋官##How I AI#

55. 【AI记忆系统突破99%准确率：用Agent完全替代向量数据库】快速阅读： Supermemory团队用多智能体协作系统在长期记忆基准测试LongMemEval上达到99%准确率，核心突破是用3个并行搜索Agent替代传统向量检索，让AI通过“理解”而非“数学相似度”来回忆信息。这套方案不需要向量数据库，甚至可以嵌入机器人。---向量数据库可能不是AI记忆的最优解。Supermemory在LongMemEval基准测试（11.5万token对话历史）上达到99%准确率，用的方法反而更简单：完全抛弃向量检索，改用多个Agent协作。传统RAG的问题出在检索环节。语义相似度匹配根本分不清“旧事实”和“新更正”，当检索结果里混杂太多噪音，大模型就会迷失。他们的解法是ASMR（Agentic Search and Memory Retrieval）：信息摄取阶段，3个并行Observer Agent同时读取对话记录，按照个人信息、偏好、事件、时间数据等六个维度提取知识点，直接存储结构化内容而非生成embedding。检索阶段才是关键。面对提问时不查询数据库，而是派出3个专门的搜索Agent——一个找直接事实，一个挖隐含语境，一个重建时间线。这些Agent是在“主动阅读和推理”，不是在做向量余弦计算。回答阶段用了两种策略测试。第一种是8个高度专业化的prompt变体并行运行（精确计数专家、时间专家、上下文深挖专家等），只要任何一条推理路径答对就算成功，准确率98.6%。第二种是12个Agent独立作答后，由一个聚合器LLM综合投票裁决，准确率97.2%。有观点认为这套系统证明了“认知理解”比“数学相似性”更适合处理记忆任务。数学只能捕捉表层模式，而Agent可以处理时间序列中的矛盾、更新和细微差别。更有意思的是，这个架构完全在内存中运行，不依赖外部向量数据库，理论上可以部署到任何设备，包括机器人。他们11天后会开源全部代码。当数十亿个高度个性化的AI Agent开始学习和记住我们的一切时，记忆系统的天花板在哪里？也许不在算力，而在我们愿意给Agent多少“主动思考”的权限。ref: x.com/DhravyaShah/status/2035517012647272689#AI创造营##人工智能#

56. SentiPulse 觉得 Agent 需要一张脸

57. 高低得试试这个，突然火🔥得不行的开源项目，The Agency（agency-agents）：144个专业AI智能体，你的从不下班的AI全明星团队！支持一键部署到 OpenClaw龙虾，Claude Code，Antigravity， Cursor 等工具中。1. 高度专业化这不是"act as a developer"这种通用提示词，而是真正的职业人设。比如：1）Frontend Developer — React/Vue/Angular专家，不只是写代码，还关心Web Vitals优化和性能2）Backend Architect — API设计、数据库架构、微服务设计的深度思考3）AI Engineer — ML模型部署、AI集成、数据管道的完整理解4）Security Engineer — 威胁建模、代码审计、安全架构5）Rapid Prototyper — 快速MVP开发，不追求完美，只追求快速迭代每个Agent都有：1）独特的性格和工作风格2）清晰的使命和工作流程3）具体的交付物（代码、文档、指标）成功衡量标准例子：Code Reviewer 的自我介绍是"我不仅仅审计代码——我默认每次能找到3-5个问题，并且所有发现都需要视觉证明。"2. 分类清晰，覆盖全面144个Agent分布在12个事业部：1）工程部（50个Agent）Frontend Developer、Backend Architect、Mobile App BuilderDevOps Automator、Security Engineer、Database OptimizerAI Engineer、Embedded Firmware Engineer、SRE甚至还有WeChat Mini Program Developer（针对中国市场）2）设计部（8个Agent）UI Designer、UX Researcher、Brand GuardianWhimsy Injector（"注入一点调皮"的角色，负责交互动画和细节惊喜）3）营销部（30+个Agent）Growth Hacker、Content Creator、Twitter Engager中国本地化专家：Xiaohongshu Specialist、Douyin Strategist、WeChat Official Account Manager、Zhihu Strategist4）销售部（9个Agent）Outbound Strategist、Discovery Coach、Deal Strategist、Sales Engineer5）产品部（5个Agent）Product Manager、Sprint Prioritizer、Trend Researcher6）游戏开发部（20+个Agent）Game Designer、Level Designer、Technical ArtistUnity Architect、Unreal Systems Engineer、Godot Gameplay Scripter7）测试部（8个Agent）Reality Checker、Evidence Collector、Performance Benchmarker、Accessibility Auditor还有支持部、项目管理部、空间计算部、专项部等。3. 一键部署到主流AI工具支持Claude Code（官方推荐）、GitHub Copilot、Google Gemini（Antigravity）、Cursor、Aider、Windsurf、OpenClaw、Qwen Code等。项目：github.com/msitarzewski/agency-agents#HOW I AI# #程序员#

58. 删掉 OpenClaw！Hermes Agent 才是真王炸，一键本地部署 +模型接入全教程（避坑指南） | 零度解说

59. 为什么我敢说，支付宝押注AI支付这步，走对了？ #科技改变生活 #支付宝AI支付突破3亿笔 #人工智能 #Agent#玩个很新的东西

60. OpenClaw1184个恶意插件Claude找出500个零日漏洞，老金开源个安全Skill你直接拿去用

61. 在用 Obsidian 想让你的 AI Agent 更聪明一些？推荐你试试开源项目 Obsidian Skills（github.com/kepano/obsidian-skills），它为智能 Agent 搭建了一套强大的技能组合，让它们能熟练操作 Obsidian 的各种核心功能。Obsidian Skills 支持：- 生成和编辑 Obsidian Flavored Markdown（支持 wikilinks、嵌入、标签、属性、callouts等）- 管理和使用 Obsidian Bases，实现视图、过滤、公式和汇总功能- 创建和控制 JSON Canvas 文件，图形化地连接节点、边和分组- 通过 Obsidian CLI 与你的 vault 交互，支持插件和主题开发- 利用 Defuddle 整理网页内容成干净的 Markdown，节省 Token该项目兼容多类智能 Agent 平台如 Claude Code、Codex CLI、OpenCode，安装简便，可以直接通过插件市场一键添加，也支持手动克隆。对开发者和高级用户来说，这套技能集极大扩展了 Obsidian 的自动化与交互能力，助你打造更智能、高效的知识管理助手。快去 GitHub 了解详情，给你的 AI Agent 装上超强 Obsidian 使用力吧！#AI创造营##人工智能#

62. Taste Skill 是一套专为 AI Agent 设计的反平庸前端技能库。它通过可移植的 SKILL 规则，帮助 AI 生成更具设计感的界面，避免常见的布局、排版、动效和间距问题。项目提供多套实现技能与图像生成技能，可根据需求单独安装。其中设计技能支持从简报推导设计语言、控制布局方差与动效强度；图像技能则可生成网站与移动端参考图板，方便后续由 Codex、Cursor 或 Claude Code 进行实现。github.com/Leonxlnx/taste-skill#AI# #前端开发# #AI工具# #开源项目#

63. #how i ai# #产品经理边界探索# 记录一下从使用开源项目CC Connect，到修改开源项目使其支持Wecode，到写一个开源项目的过程。 Weibo AI Bridge 开源地址： github.com/kangjinshan/weibo-ai-bridge需求背景：现在我常用的AI AGENT（Claude、Codex）都24小时不间断的跑在Azure虚拟机上随时待命，需要一个能够便捷移动端进行指令操作的工具。微博私信与 AI Agent 的桥接服务，通过微博开放平台 WebSocket API 连接微博和多个 AI Agent（Claude、Codex），实现智能对话功能核心功能微博私信桥接: 通过微博开放平台 WebSocket API 实时接收和发送微博私信多 Agent 支持: 支持 Claude 和 Codex 两种 AI Agent，可灵活切换会话管理: 自动管理用户会话，保持对话上下文上下文记忆: 支持会话持久化存储，可创建、切换、恢复多个会话自动建会话: 用户在没有活跃会话时直接发送第一条消息，会自动创建新会话，无需手动 /new会话标题: 每个会话会自动记录首条真实问题作为标题，最长 50 个中文字符流式回复: 收到用户消息后会先发送“正在处理中”提示，随后再发送真实回复内容可读性优化: 长回复默认优先使用 Markdown 列表/小标题与自然分段，避免一大坨纯文本消息路由: 智能路由消息到对应的 AI Agent命令处理: 支持会话列表、会话切换、Agent 切换、状态查看与对进行中会话插话命令旁路: 当上一条普通消息仍在处理中时，/help、/list、/status 等 slash 指令会立即执行，不进入消息队列健康检查: 提供 HTTP 接口用于健康检查和统计信息

64. 笔记本应用 Obsidian 发布了 Obsidian CLI，由于用户发掘出了很多 Claude Code 配合 Obsidian 使用的场景，所以 Obsidian 官方也发布了 CLI。这会是个趋势，很多传统都会为 AI Agent 开发一套 CLI 接口。日常笔记操作全部命令化了：- 创建、读取、编辑、删除笔记- 搜索 vault 内容- 管理任务（列出、标记完成、切换状态）- 操作标签、属性、书签- 打开每日笔记、追加内容- 管理模板、主题、插件看起来似乎普通用户用不上 CLI，但是你换个角度看，这个 CLI 压根就不是给人用的，而是给 AI Agent 用的你就能理解了。为啥不用 MCP 呢？之前 Obsidian 社区有一些 MCP Server 方案来让 AI 访问笔记库，但 CLI 方案更轻量直接，不需要额外的 MCP 服务器，Claude Code 本身就能在终端执行命令，天然就能用。记住，传统应用都要为 AI Agent 开发一套接口，CLI 也许不是最终形式，但是目前最佳形式。应用开发者尽早关注尽早准备。宝玉xp的微博视频

65. 有网友说“agent这件事情已经结束了，感觉垂类Agent真没什么能做的了。”我的观点是去做一个 Agent Harness 这种事情价值不大了，怎么做也做不过模型公司，模型一升级好多活都白干了。但是基于成熟的 Agent Harness 去做方案，大有可为。MCP 只是解决了连接的问题，Skills 只是解决了领域知识的问题。垂直领域还有很多事需要解决：- 为老的工作流针对 Agent 去重新设计 AI Native 的 Agent 工作流- 在 Human In Loop 的部分，重新设计 UI、UX 交互- 垂直领域的高质量数据整理- 等等这些事情是模型公司做不到的，也需要去共建的。Agent 是未来的操作系统，几家模型公司提供模型和 Harness，其他人基于上面构建应用。

66. 来了～NanoClaw：4000行代码的容器化 AI Agent Gavriel Cohen 用 Claude Code 开发，核心只有 4000 行。对比 OpenClaw 的 40 万行，设计理念完全不同： 1. 隔离方式 - OpenClaw：应用层限制，Agent 和所有接入服务在同一进程里 - NanoClaw：每个 Agent 跑独立容器，只能访问被授权的最小数据集举个例子：接了你飞书某个群，Agent 只能看这个群，其他消息完全隔离。 2. 代码量即安全边界 40 万行没人真正审计过。4000 行，你或者 AI 都能读懂架构和安全模型。 Karpathy 点评："装得进我脑子，也装得进 AI 的上下文——可管理、可审计、灵活。" 功能比 OpenClaw 少很多，还很早期，但安全模型更扎实。 🔑 三个关键点 ① 容器隔离比应用层规则可靠，权限最小化才是正确姿势 ② 代码量直接影响可审计性，越小越好理解 ③ Agent 安全问题才刚开始被认真对待 GitHub：github.com/qwibitai/nanoclaw #HOW I AI# #程序员#

67. OpenClaw 榜一插件被下架后，他用两周做了一套协议，想让 Agent 自己进化

68. Codex 的野心，MCP 和 Skill 的下一步这段时间我在密集使用 Codex App、Cursor 等 Agent 应用，有件事越来越觉得有意思。去年大家争的是谁家模型更强，今年争的好像变成了谁家窗口右侧更好用。Codex、Claude 桌面版、Cursor 3.0、TRAE SOLO，这几家最顶尖的 Agent，在完全没有协商的情况下，几乎同时收敛到了同一个界面布局：左侧是项目和会话列表，中间是和 Agent 的对话，右侧是工作区，放着文件浏览、网页预览、文件变更审查这些功能。肯定不是相互之间的抄袭，更像是当前 Agent 交互的最优解。【1】为什么是三栏传统 Chatbot 只需要两栏，左边会话历史，右边对话窗口，你问它答，用完走人。到了 Agent 时代，Agent 能自己写代码、改文件、调工具了。它做完之后，你得看看有没有做对——右侧工作区就是为这件事出现的。但这只是第一阶段。随着用户越来越多时间是在指挥 Agent，打开 VSCode 这类专业工具的时间自然越来越少。那个问题迟早会冒出来：Agent 帮你写完代码、做完 PPT，你想微调几个字，还要专门切出去打开另一个软件？没有人愿意这样。用户的自然期待是：能不能直接在 Agent 里改？这也是目前 Codex App 呼声最高的功能之一（另一个呼声高的是手机版，马上要出了）。于是各家开始悄悄升级右侧工作区，让它从只能看文件编辑记录，变成了一个多功能区。Codex 在 4 月 16 日的大版本更新里，右侧工作区的改动幅度是所有功能里最大的。交互细节上各家略有差异。Codex 和 Cursor 用 Tab 切换，Claude 用浮动面板。我自己用下来觉得 Codex 最顺手，Claude 的浮动面板方案设计感有余、实用性不足，迟早要改。【2】Codex 的真正野心但如果只把这个变化读成“设计界面进化”，就低估 Codex 了。Codex 4 月大版本发布时的口号是“Codex for (almost) everything”——几乎任何任务都能做。你可以把它理解成一句广告口号，但更像是一个产品方向的声明。要兑现这句话，Codex 不能只是个擅长写代码的 Agent，它必须能处理各种文件格式，支持各领域的专业工作流，还要让用户能在它里面完成全程闭环，包括最后的人工微调。目前 Codex 还做不到最后一步：生成之后无法编辑，代码、Markdown、PPTX 都不行。这可能是产品上有意为之的克制，可能是技术上还没跑通，也可能是在等一个统一的解决方案出现。我猜是第三种。【3】MCP 和 Skill 都只解决了一半要理解 Codex 在等什么，得先想清楚 Agent 能力拼图里现在差哪一块。MCP 解决了“连接”问题：Agent 通过统一规范接入各种工具，数据库、日历、代码仓库，都能打通。Agent Skills 解决了“怎么做”的问题：Agent 学会了它没训练过的领域知识和最佳实践，比如怎么写特定风格的文章，怎么处理某类复杂任务。这两件事做得都还不错。但有一块缺口始终没补上：用户的二次编辑。你让 AI 写完一篇文章，最后还是要自己打开编辑器改几处，毕竟很多时候最后那 5% 的精准度，只有自己动手才能到位。就算将来 AI 再聪明，它也做不到百分百的懂你，还是少不了要手动去做修改。于是最近 Markdown 编辑器又火了，各种 Vibe Coding 出来的 Markdown 产品满天飞。但 Codex 不会自己做一个 Markdown 编辑器，因为每个人的偏好都不一样，做出来永远有人不满意；更何况它也不可能把每个垂直领域的专业编辑器都集成进来。最合理的路，是插件机制。【4】下一步：Agent 版 App Store把 Agent 做成平台，让社区来贡献插件，就像 VSCode 和 Chrome 那样。Codex 只需要聚焦在 Agent 调度这一层，把文件预览、二次编辑、垂直领域的专业能力都交给插件来扩展。用户按需安装，做设计的装设计插件，写作者装写作插件。插件机制还能顺手解决一个长期没有答案的问题：Skill 没办法商业化。我自己的 baoyu-skills 快 2 万 Star 了，但从中赚到的钱是 $0。Skill 这东西几乎是透明的，对 Agent 透明，对人也透明，复刻成本极低，不管你写得再好，护城河都很浅。插件不一样。App Store 和 Chrome 插件市场已经跑通了一套收费和版权保护机制，把它移植到 Agent 插件市场完全可行。好插件可以收费，开发者才有持续打磨的动力，生态才真正能转起来。Codex 现在已经有了一个非常原始的插件市场。从这里到成熟的收费插件生态，还有很长的路，但方向是对的。想做这件事的不止 Codex 一家。Cursor 我能看到类似的影子。唯独 Claude Code 和 Cowork，目前没看到这个方向的产品迹象——也许他们不屑于做，也许只是还没走到这一步。【5】留给中小团队的窗口如果 Codex 真的跑通了插件生态，对中小团队意味着什么？除了自己做一个垂直 Agent，还有另一条路：在 Codex 这样的平台上做插件。不用自己搭 Agent 调度层，不用解决 Token 接入，用户分发也靠平台。你只需要专注在那个“最后一公里”——帮用户把 Agent 生成的结果处理好、编辑好、用得顺手。这个窗口不会开太久。先进去的能拿到冷启动红利，晚进去的只剩存量竞争。时间点不会太远，也许就在这几个月。Codex 的野心摆在那里，“几乎任何任务”这个口号要真正兑现，插件机制是绕不过去的一步。如果 OpenAI 在这件事上继续犹豫，那才是真的失误。你觉得这个插件生态最后会是哪家先跑通？或者说你觉得有更适合 Agent 的产品表现形式？欢迎留言分享！

69. Google等巨头已经开始封杀利用OpenClaw“白嫖”API的行为了。国内AI巨头趁乱抢人：阿里开源了CoPaw、网易有道搞了个 LobsterAI（有道龙虾）、智谱、字节都在秘密测试类似插件。目的就一个：把那些被海外巨头驱逐的开发者，圈进自家生态。看来这些大厂不再满足于卖Token，他们要的是“入口”。单卖大模型的公司死路一条。未来Agent一旦普及，Token消耗量一定会几何式的爆炸。免费框架，本质也是流量入口。

70. 【开源】72K star，AI专家角色库，内置了上百个针对不同岗位的AI智能体（Agent）

71. 安全 Agent 最缺的不是模型，而是专家工作流。

72. 行业Agent岗位化

73. GitHub 85k Stars！这款插件让AI编程从"野路子"变"正规军"

74. AI Agent来袭

75. Agent的核心价值是

76. 真正的OPC是岗位Agent化

77. 让专家知识进入 Agent 循环

78. 想让 AI 更专一点？官方 skills 教你打包任务

79. Claude开源 11 个 AI 员工插件

80. Anthropic Agent Skills

81. Anthropic Agent Skills

82. Anthropic Agent Skills

83. 从 92K 星项目看多智能体架构

84. RAG、Memory和Skill

85. 【Anthropic 官方演讲】别再造 Agent 了，造 Skills 吧！｜AI Agent 的下一个进化方向

86. awslabs/agent-plugins

87. Claude Code 2.1.144

88. 「爱马仕」Hermes Agent

89. AI Agent 集体改用三栏布局，插件生态才是真正决战点

90. 「爱马仕」Hermes Agent

91. 2026 年 VSCode 必装的 10 个 AI 插件，让你的编辑器变成 AI IDE

92. 2026 年 AI Agent 领域有哪些值得关注的趋势？我的 8 个观察

93. AI Agent落地三大坑，这个开源插件一次填平

94. 2026 年，AI Agent 真正突破了什么？不是“更聪明”，而是“能交付”

95. AI Agent+GitHub

96. Codex 插件市场之后

97. 很多人还没看懂 Skills

98. 一图看懂Agent、Skill、工作流、插件

99. 61,000+ Skills

100. 玩Hermes Agent找不到插件和教程？终于有人出手了

101. AI Agent核心概念与架构详解

102. 2023年~2026年 Agent 技术架构的变化

103. 2026企业级AI Agent平台推荐

104. CLI-Anything

105. 当 AI Agent 不再需要 IDE

106. 搓了个 Vite 插件，让 Agent 能自己 debug 前端代码

107. 只需一行代码，网页秒变 AI Agent

108. Agent搭建框架全解析

109. 告别CAD绘图内耗！AI AGENT赋能一线，插件+智能管理双buff拉满

110. 下一代设计工具，可能不是 Figma 插件，而是会写代码的 Agent

111. UI 已死，Agent 当立

112. 阿里巴巴首款Design Agent发布

113. Agent 生成 UI 的架构设计

114. AG-UI

115. 神级开源插件！一句话让QClaw变3D小镇，Agent工作可视化，赛博云监工

116. 让AI自己设计UI！Agent Skills实战指南

117. 字节跳动开源UI-TARS桌面版

118. .NET+AI | Agent | 构建插件系统（7）

119. 2026年GitHub最火的20个AI开源项目，开发者的必收藏清单

120. 2026最值得装的8个AI Skills，每一个都有GitHub链接

121. Hermes本周GitHub Stars Top10 这10个插件装完效率翻倍

122. 今天这10个GitHub项目同时爆火每个都在改变AI开发玩法

123. 多天霸榜 Github，这个开源AI助手火了。

124. GitHub热榜｜obra/superpowers霸榜、Claude记忆插件Claude-mem登顶

125. GitHub 热门项目日报

126. 【AI开源雷达】GitHub 每日热门

127. 200+AI Agent Skills实测清单｜安装教程+避坑指南+一步API集成方案 - 哔哩哔哩

128. 为什么2026年开发者都在弃用OpenClaw？Hermes Agent 爆火真相

129. Agent技能的5种设计模式，Google出品，必读

130. 当 Agent 穿上了 Workflow 的外衣

131. 用 AI Agent 替代你的前三个雇员

132. Agent 工具链革命

133. 四个热门开源项目，击中爬虫、Agent、远程开发、AI/ML流程硬痛点

134. 这 3 个开源项目，搞 AI 的人都该知道！

135. Dify与Coze低代码AI Agent框架详解

136. Dataverse 正式转型 Agent 数据平台

137. GitHub爆火5万星

138. 智领 Agentic 时代

139. 如何使用低代码构建专属 AI 智能体？

140. Flowise - 拖拽式构建AI Agent，51K Stars的低代码RAG工具

141. AI Agent落地企业

142. 2026 年 AI Agent 发展趋势

143. 阿里推出AI数据科学家,全流程自动化,科研小白也能用

144. OpenClaw能开箱即用了!附一手体验

145. AI Agent的千亿美金问题:如何重构10亿知识工作职业,掀起软件生产革命?

146. 实测AI Agent产品OmniWork,我免费“雇”了一批专家给我打工

147. 劝你别把开源的项目写在简历上了

148. GitHub神级开源项目上线144个AI专家,7天狂揽2.3万Star,重新定义AI落地姿势!

149. MiniMax把自家“实习生”放出来了！

150. Agent Skills— 谷歌开源的 AI 编程 Agent 技能包

151. AI开发者必读:5个顶级开源Agent框架,你不可不知!

152. 港大团队开源Agent框架OpenAgents 支持200+插件

153. 企业决策者必看:企业级Agent开发保姆级教程,防止流量被竞品截获—顶端新闻

154. 给 Agent 接入 28+ 外部数据源踩过的三个工程坑:AgentKey 架构实战

155. 100+个AI专家打包送你,让你开启AI公司!

156. Hermes 和 OpenClaw 之争,Agent 的能力应该“装上去”还是“长出来”?

157. 两个Agent合作打工媲美专业开发团队

158. 一键生成十分钟长视频?我发现了一个超强的起号套路

159. 一键生成十分钟长视频?我发现了一个超强的起号套路

160. DeepSeek急招Agent方向!一口气放17个岗位,重度Vibe Coding优先

161. 用实例看清楚AI Agent全流程！

162. 开源|OpenClaw 的 Java 全栈实现：基于 Spring Boot 的 AI Agent Gateway，支持 WebSocket 帧协议与插件扩展

163. 再见程序员：无编程基础用 Agent 快速搭建应用

164. AI Agent项目缺的不是更强模型，而是“可复用的产品骨架”

165. 2026 Agent开发平台选型：Coze Studio vs Hermes Agent vs Dify 深度横评

166. 谷歌SkillOS：Skill治理驱动的自进化Agents

167. 推荐一个强大的、可扩展、插件驱动智能AI办公帮手

168. 益企看 | 岗位级AI Agent工作范式与实践应用

169. GitHub 7.6 万星！Lobe Chat：开源版 ChatGPT 客户端，本地部署、多模型切换、插件扩展全都有

170. 🤖 onyx：企业私有化部署开源 AI LLM 平台，知识库管理、多模型切换、插件扩展、定义智能体、图像生成

171. 2026三大主流AI Agent选型：Hermes、Claude与OpenClaw，谁在重塑人机协作？

172. 国内主流AI Agent平台横向测评

173. Open WebUI 史诗级增强！集成 Agent 插件，AI 自动分析数据画图表！

174. 办公革命爆发：开源AI插件让Office/WPS全面觉醒

175. Agent 生态真正缺的，可能不是更多 Skill而是先把 Skill 管理标准化

176. 效率翻倍清单：10个AI编程插件实测，GitHub Copilot竟被它反超？

177. AI 开发增强模板系统！开源！专为 Claude Code 打造的扩展模板库！强化 AI 编码工作流！

178. 2026.04.05 开源推荐｜oh-my-codex：一天涨1.7k星！给CodeX扩展AI能力，本地一键部署

179. 零代码搭AI agent？这个工具已4494星

180. 一个go写的 AI Agent 管理与执行平台，支持多模型供应商、工具调用、技能编排、多轮对话和流式响应

181. 【Agent时代·第 8 讲】从零搭建你的第一个智能体

182. Agency Agents开源专家角色库！OpenClaw+系统提示词让AI变身专业团队 11部门全覆盖 9款工具一键安装

183. Obsidian + AI Agent 联动，让AI帮你干活

184. 前端开发者如何掌握 AI Agent 智能体开发

185. AI Coding Agent 如何工程化：从上下文污染到多 Agent 分工

186. Wshobson/Agents面向Agent插件化AI工具体面向 Agent 的插件化AI工具体来了，这个 GitHub 斩获22.7k的宝藏项目直接封神！ wshobson/agents 一站式搞定各类 AI 智能体开发，现成的 Agent 模板、100 个专业化 AI 智能体、15 个多智能体工作流编排器、110 个模块化技能包、76 个开发工具，新手也能快速搭建！ #AI工具 #agent #github #牛码架构

187. 低代码AI应用构建平台横评：Langflow/Flowise/Dify/SuperAGI/Bee Agent

188. VS Code 又发布了一个 Agent 新玩具！

189. 2026年了，聊聊Agent该如何定义和优化？

190. 图解 AI Agent 三种设计范式｜ReAct、Plan & Execute、Multi-Agent

191. AI用户体验要素三：“Agent to UI”设计组件新范式

192. QClaw 率先支持 Hermes，专家广场上线百款 AI 专家，零门槛玩转专业 Agent

193. 2026软件开发插件排名｜开发者高效提效必备

194. agent-browser装进Agent，最怕少装哪层？

195. 5月9日 AI日报 | 模型安全之战升级，AI Agent工具链进入爆发期

196. Agent-browser浏览器自动化CLI

197. VSCode+Roo Code开源插件接入claude GPT等任意模型指南

岗位专家型Agent的能力补足逻辑与开源插件适配方案

精选参考来源