Agents API 上生产前，先把它当作 Harness 而不是 AI 员工
Agents API 把会话、编排、上下文压缩和恢复等长任务能力交给托管 harness，但它不会替团队自动完成权限、安全、观测和成本治理。本文从架构边界出发，拆解工具、子代理、沙盒、审批与上线检查。
2 min
#Codex
共 20 篇文章
OpenContext：给 Codex、Claude Code 和 Cursor 加一层可操作的长期上下文
基于 OpenContext 官方仓库与 README，解析全局 contexts 库、oc CLI、MCP、Skills 和本地 UI 如何让编程 Agent 跨会话复用工程上下文，并给出安装、初始化、验证与边界。
3 min
OpenCodex 本地 Provider Proxy 路由实战：把 Codex 请求稳定分发到多家模型后端
围绕 OpenCodex 的本地 provider proxy、Codex 路由、账户池、GUI、故障排查和安全边界，整理一份适合实操的中文长文。
2 min
Composer 2.5：AI Coding 的账本要重算了
Cursor 这次把 Composer 2.5 推出来，最容易被传播的说法是“性能打平 Opus，价格便宜一大截”。这话有传播力，但更值得看的是另一件事：AI Coding 工具正在把模型供应链往自己手里收。 过去 Cursor、Copilot、Cognition、OpenClaw、Claude Code 这类产品的
3 min
Tailscale 上手：别再把内网访问做成一锅 VPN
Tailscale 真正解决的不是“VPN 太难配”，而是今天的机器已经不再老老实实待在同一个机房里了。 一台开发机在家里，一台测试机在云上，一个 NAS 躲在运营商 NAT 后面，几台服务器散在不同厂商的 VPC，手机和笔记本还要随时接进来。传统 VPN 的默认假设是“先有一个中心网关，再把人接进去”；Tailsca
3 min
open-slide 上手：让 AI Agent 写 PPT，关键不是模板，是把幻灯片变成代码工程
open-slide 上手：让 AI Agent 写 PPT，关键不是模板，是把幻灯片变成代码工程 PPT 这件事，最耗人的常常不是“写什么”，而是“怎么摆”。标题大一点还是小一点，图表往左还是往右，代码块会不会挤爆一页，配色有没有跑偏，改三轮之后版式还在不在。 Marp、Slidev、Reveal.js 已经把“用代
3 min
Semble 上手：给 Coding Agent 一套省 token 的代码搜索层
## Coding Agent 最浪费 token 的地方，往往是“找代码” 一个 Agent 改代码，最先做的通常不是写，而是找：登录逻辑在哪、配置怎么读、某个函数谁调用、测试入口是哪一个。很多工具默认做法是 grep、read、再 grep、再 read。仓库小还行，仓库一大，token 就开始哗哗流。 Sembl
3 min
video-use 上手：让 Coding Agent 真的剪出 final.mp4
视频剪辑进入 Agent 工作流以后，最容易被误解成“一句话生成视频”。真正有用的方向不是凭空生成，而是把已有素材变成可审计、可重跑的编辑流程：识别素材、切掉废话、调色、加字幕、加动画、渲染、检查边界，再输出 final.mp4。 browser-use/video-use 正是这个方向。它让 Claude Code、
3 min
Warp 上手：把终端升级成 Agent 开发工作台
终端正在被重新定义。过去它主要负责执行命令；现在，随着 Coding Agent 进入日常开发，终端开始承担上下文组织、任务分派、输出审查和远程执行入口的角色。
2 min
Taste Skill 上手：别让 AI 前端只会紫色渐变和三张卡片
AI 写前端，最容易出现一种熟悉的味儿：居中的大标题，蓝紫渐变背景，三张等宽功能卡片，按钮带一点发光，下面再塞几个“Seamless / Next-Gen / Elevate”之类的词。 功能可能是对的，但一眼就知道是模型直接吐出来的。不是不能用，就是不太像一个认真做过视觉判断的产品页面。 Taste Skill 做的
3 min
Headroom 教程：给 Coding Agent 加一层上下文压缩，少花 token 还要不掉准
Coding Agent 的 token 浪费，很多时候不是模型太贵，而是上下文太脏。终端输出、测试日志、重复文件、RAG 片段、工具结果，全都原样塞回去，模型不但花钱，还更容易被噪音带偏。 Headroom 做的是上下文优化层。它可以包装常见 coding agent，也可以作为代理放在应用和模型之间，对消息、工具输
3 min
OpenAI 上 AWS：模型独家时代开始松动了
OpenAI 模型、Codex 和 Managed Agents 进入 AWS，表面看是一次渠道扩展；往深一点看，这是 AI 云生态的一次松动。 过去两年，大模型公司和云厂商的关系很像“强绑定”：谁投钱、谁给算力、谁拿优先分发权。企业采购时也被这种绑定影响，想用某个模型，往往要进入某个云的生态。 现在 OpenAI 出
3 min
Lunel：手机不是跑代码的机器，而是 AI Coding 的遥控台
手机上写代码这件事，听起来一直有点别扭。屏幕小、键盘慢、上下文看不全，真让人把一台手机当开发机，多少有点遭罪。 `Lunel` 的有趣之处在于，它没有把手机伪装成开发机，而是把手机变成 AI Coding 的遥控台。 仓库地址：lunel-dev/lunel ## 三层架构，比远程桌面克制 Lunel 大致分三层：移动
3 min
Entire CLI：AI 写代码，也该留下可追溯的工程账本
AI 编程现在有个越来越明显的断层：代码最后进了 Git，但代码是怎么被 AI 写出来的，往往不在 Git 里。 你能看到 commit diff，能看到谁合了 PR，却很难回答几个更关键的问题：当时给 Agent 的任务是什么？它读过哪些文件？中间跑过哪些命令？为什么放弃了第一版方案？有没有把一个错误假设带进最终代码
3 min
Awesome Codex Skills：Codex 真要进工作流，靠的不是神提示词，是可安装技能
“让 AI 帮我做事”这句话，听起来已经不新鲜了。真正麻烦的是，每次都得重新解释：这个仓库怎么跑，邮件怎么发，Issue 怎么建，PDF 怎么处理，团队规矩是什么。 Awesome Codex Skills 的价值，不是收集了一堆酷炫提示词，而是把这些重复解释，整理成 Codex 可以安装、识别、触发的技能包。 Com
3 min
Deep Researcher Agent 教程：让 AI 替你盯训练，但别把科学判断也外包
Deep Researcher Agent 火，不是因为它又包装了一个“AI 科研助手”的概念，而是它盯准了研究里最磨人的一层：实验运营。 改超参、跑训练、看日志、整理结果、再改。真正有价值的是 idea 和判断，但研究者大量时间耗在等待和机械复盘上。Deep Researcher Agent 想接过去的，正是这段重复
3 min
RTK 上手：别让 Coding Agent 把 token 烧在 ls、cat 和重复命令上
RTK 的定位很直接：CLI proxy，减少 LLM 在常见开发命令上的 token 消耗。它不是让模型更会写代码，而是让 Agent 别把钱和上下文窗口浪费在 `ls`、`cat`、`grep`、重复日志和巨长输出上。README 里提到在常见开发命令上能减少 60% 到 90% 的 token 消耗，这个数字先别
3 min
CC Switch 上手：五套 Coding CLI 太乱，用一个面板管 Provider、MCP 和 Skills
现在认真用 Coding Agent 的人，桌面上很容易堆出一把工具：Claude Code、Codex、Gemini CLI、OpenCode、OpenClaw。每个都有自己的 provider、MCP、prompt、skills、session。刚开始还新鲜，过几天就乱成一锅粥。 CC Switch 这个项目解决的
3 min
别让 Codex 直接写页面：先把 UI 生产线拆成三段
很多人用 Codex 做页面，第一句话就是：帮我写一个后台、帮我写一个落地页、帮我做一个管理界面。 它确实能写，而且很快。但第一版经常有一种熟悉的味儿：功能都在，页面也能跑，就是像一张被组件库拼出来的表格。按钮、卡片、筛选框都有，可信息主次不清楚，用户进来不知道先看哪儿。 问题不一定在 Codex 的代码能力，而在你把
3 min