Codex
想让 Codex 自己选 Skill,先把任务说具体
把页面、症状、材料和完成条件说清楚,让 Codex 根据任务挑选 Skill,并保留有依据的推荐理由。
接入 Agents API:怎样让一次修复任务有进度、能恢复、可验收
以工单修复服务为例,说明 Agents API 的会话与轮次、事件恢复、Webhook、产物下载和独立验收,避免把结束事件误当作修复成功。
OpenContext 怎么用才有帮助:把项目结论整理成能查证的上下文
从项目记录组织、初始化影响、检索验证和资料写回讨论 OpenContext,并核查客户端配置与许可信息,帮助建立能持续更新的上下文库。
Contract Review Skill 怎么试用:把一份服务合同整理成可复核意见
用虚构服务合同演示 Contract Review 的输入准备、版本核对、验收与责任条款分析,说明风险证据、Word 修订和人工复核该怎样验收。
OpenCodex 本地代理怎么排障:从配置改动查到实际模型路由
按客户端、本地代理和上游提供商逐层排查 OpenCodex,说明初始化副作用、存活与就绪、组合路由、账号亲和性和远程部署的检查方法。
Composer 2.5 标准版与 Fast:价格、预算和使用范围
Composer 2.5 标准版与 Fast 怎样算成本?区分输入、缓存读取和输出,查看可运行的预算示例,并核对 Cursor、SDK 与第三方网关的接入边界。
Tailscale 私有网络指南:VPS 接入、子网路由与访问权限
把 VPS、家里的 NAS 和笔记本接入同一个 tailnet,分别设置设备访问、子网路由、出口节点与 SSH 权限,并用 Serve 访问本机服务。
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 把幻灯片做成 React 组件,让 Coding Agent 修改布局、处理批注和迭代内容。文章介绍它与 Slidev 的区别、工作区初始化及演示导出流程。
Semble 上手:给 Coding Agent 一套省 token 的代码搜索层
Semble 为 Coding Agent 提供代码搜索层,返回带文件路径和行号的代码片段。文章介绍 Python API、MCP 接入和继续查找相似代码的方法。
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、
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。
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
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
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
Lunel:手机不是跑代码的机器,而是 AI Coding 的遥控台
Lunel 用移动端 App、本地 CLI 和中继网关,让手机成为 AI Coding 的遥控台。文章介绍它的架构与使用方式,代码任务仍在开发机上运行。
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
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
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
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
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