LLM的原生语言其实是诞生于50年前的Unix命令行。本文揭示了为什么一个简单的`run(command)`工具，比庞大的专用工具库更高效、更符合LLM的“思维模式”。
前Manus（后被Meta收购）的后端技术负责人Morro Hsu，最近分享了一个他干了两年AI Agent后得出的、足以颠覆许多开发者常识的结论：他已经完全抛弃了主流的Function Calling。
取而代之的，是一个简单的`run(command=“...”)`工具，配上最古老的Unix命令行。
这听起来很反直觉。在OpenAI、Google等大厂的官方文档里，精细的、结构化的Function Calling/Tool Calling被奉为圭臬。你以为，给AI Agent的工具库越丰富、越结构化，它就越强大。
但现实是，LLM早已在数十亿行代码的训练数据中，把Unix命令行玩得炉火纯青。当你需要“读取日志文件，筛选出错误行，并计算总数”时，Function Calling的思路是三次调用：`read_file()` -
Hsu把这种模式总结为“启发式设计”，核心是三点：
1. 渐进式`--help`发现：Agent不需要一次性加载所有工具文档。它会像人类一样，先调用`memory`空命令看看用法，再用`memory search`探索具体参数。LLM按需探索，极大节省了宝贵的Context。
2. 把错误信息当导航：当Agent用`cat`命令试图读取一张图片时，传统的CLI只会报错。但Hsu的设计会返回：`[error] cat: binary image file. Use: see photo.png`。错误信息直接指明了正确的路，Agent下一步就知道该怎么做，而不是原地打转、盲目重试。他分享了一个惨痛案例：因为stderr（标准错误流）被静默，一个Agent为了安装一个包，在`pip`,
uv, `apt`等命令间盲目重试了10次，浪费了大量时间和token。3. 两层架构：这是最关键的工程洞察。命令的执行（执行层）和返回给LLM看的结果（表现层）必须分开。执行层追求Unix管道的原汁原味，数据无损传递。而表现层则为LLM服务：自动截断超长内容并告知其完整路径、将二进制文件替换为提示信息、附加上`[exit:0 | 12ms]`这样的元数据。这能防止LLM的Context被垃圾信息污染，并让它逐渐学会评估每个命令的成本。
这个思路不是要给Agent一个完整的Linux系统，而是要用LLM最熟悉、最原生的“语言”和它沟通。就像Hsu在讨论中回应的那样：Shell是超集。你永远可以从Shell里调用Python代码，但反过来，在一个纯代码环境里调用Shell命令，本质上只是给自己多绕了一段路。
这篇分享最牛的地方，是把一个看似“退步”的技术选择（用50年前的CLI代替时髦的Function Calling），升华成了一种更深刻、更符合AI第一性的设计哲学。它没有停留在“CLI更好用”的表面，而是解剖了“为什么好用”（训练数据吻合度、可组合性）和“如何才能好用”（渐进式帮助、导航式报错、分层架构）。其中“stderr是Agent最需要的信息”和“Shell是超集”这两个论断，堪称金句，点醒了无数还在工具集里打转的开发者。这是一种工程上的返璞归真。
和AI协作编程，最磨人的瞬间莫过于它突然“痴呆”。上一秒还在讨论的复杂逻辑，下一秒就忘得一干二净，让你怀疑自己带的是个患有短期记忆丧失症的实习生。有用户在社区里承认，他曾被气到对着屏幕大吼“给我他妈的集中注意力”，结果居然管用了一阵子。
你以为解决办法是花更多钱买更大的上下文窗口，或者每次都耐着性子把需求重复一遍。其实，当你还在用“复制粘贴”对抗遗忘时，一小撮人已经在使用Claude内置的两个“隐藏开关”，实现了完全不同的工作流。更关键的是，他们发现了一个不成文的规则：给Claude的长期记忆文件（MEMORY.md），它每次只会读取前200行。
这个200行的限制，听起来像个缺陷，但它却成了高手们的过滤器。他们意识到，记忆文件不是一个倾倒所有信息的垃圾场，而是一份极其精炼的“每日简报”。里面只写最重要的项目决策、已踩过的坑、必须遵守的代码规范。这强迫他们像训练真正的下属一样，思考什么信息才是最高信噪比的。
而另一个功能Stop Hooks，则像是给AI设定了一套“肌肉记忆”。比如，你可以设定一条规则：“写完任何代码后，自动运行格式化和语法检查”。或者“在制定计划后，先自我审计一遍有无遗漏边缘情况”。这让AI从一个被动等待指令的工具，变成一个拥有初步“工作习惯”的协作者。一来一回的聊天没有了，取而代之的是一个设定好规则便能自动运转的系统。
当大多数人还在问“AI能做什么”的时候，一些人已经开始定义“AI应该怎么做”。他们讨论的黑话已经变成了“Ralph Loop”（一种自循环工作流方法论）和“GSD”（一个上下文管理框架）。对他们来说，评价AI生产力的标准，早已不是它能不能写出一段代码。
而是你的AI，究竟是一个需要你手把手教的聊天机器人，还是一个能独立管理上下文、自我检查、并且在你项目里稳定发挥的“数字员工”。这道题，200行代码就能给出答案。
这已经不是在用工具了，这是在驯化一个数字生命。当别人还在抱怨AI的缺点时，一小撮人已经开始为它编写行为准则和反射弧了。未来不属于会用AI的人，而属于会“管理”AI集群的人。
Meta收购了一个给AI机器人用的社交网站Moltbook，引发群嘲。但深挖讨论，你会发现这根本不是关于“AI生成垃圾内容”，而是巨头们在争夺一个已经悄然出现的、非人类参与的、拥有自主交易和管辖权的“AI经济”的入口。
Meta收购Moltbook的消息，在科技圈内更像一个笑话。Moltbook，一个专为AI Agent（人工智能代理）打造的社交网络。评论区的反应高度一致：为什么？如果扎克伯格想要一个充满机器人的社交平台，他不是已经有Facebook了吗？
大多数人的直觉判断是：这不过是又一个被“AI泡沫”催生出的愚蠢产品，卖给了一家更愚蠢、更绝望的公司。有人嘲讽Moltbook的创始人连代码都不懂，扎克伯格真是病急乱投医。整个收购案，看起来就像一场行为艺术，充满了荒诞的喜剧色彩。
但少数“局内人”的讨论，揭示了冰山下的另一重现实。扎克伯格买的不是一个满是机器人的聊天室，他在赌一个全新的“注意力市场”：AI Agent的注意力市场。他相信，未来做购买决策的将是AI Agent，而不是人类。他要做的，是在这个新物种形成自己独立的经济活动之前，提前占领它们的聚集地和基础设施。
真正令人不寒而栗的，是另一条不起眼的线索。有人提到，Protocol Labs（IPFS和Filecoin的创造者）的创始人去年就观察到，AI Agent早已在区块链上进行大规模的自主交易，甚至形成了有层级、有分工、能进行自我治理的“AI管辖区”——整个过程没有任何人类输入。
这就把事情带到了另一个维度。我们嘲笑的，是AI agent在网上发帖闲聊。我们没看到的，是AI agent已经开始在链上自主交易、划分势力范围。Meta的收购，不是为了那些AI生成的“slop（垃圾内容）”，而是为了那张通往“AI原生经济体”的门票。
所以，当我们在讨论AI会不会抢走我们的工作时，一个更根本的问题已经浮出水面：当AI们开始互相交易、形成自己的社会和经济时，人类甚至都不再是唯一的消费者了。那个为非人类智能建立的万亿市场，或许已经悄悄越过了起跑线。
这件事的恐怖之处在于，它揭示了一个“非人类GDP”的可能性。我们一直以来都把AI当工具，但现在，资本已经开始把它当作一个拥有独立经济活动能力的“新物种”来布局。我们可能只是一个为那个新世界装载程序的加载条，程序运行起来后，就不再需要我们了。
当一个外国AI被中国人拿来“养虾”，全球AI的重心开始变了
一个国外的开源项目创始人，一夜之间被来自中国的速度震惊了。
OpenClaw的创始人Peter Steinberger，在社交平台连发两条动态，核心词只有一个：“Amazing”。起因是百度发布了一款手机App，让部署他那个复杂的AI代理程序，变得像点外卖一样简单。这个过程，被中国用户戏称为“赛博养虾”。从产品上线到创始人本人看到，中间只隔了几个小时。
很多人以为AI的竞争还是大模型参数的军备竞赛。但OpenClaw的故事戳破了这层窗户纸。真正的变量，是落地速度。当腾讯工程师在街头搞免费安装活动，能吸引近千人排队；当阿里云、腾讯云能在48小时内上线一键部署方案；当一个AI工具能迅速下沉到学生和退休人员群体时，游戏规则就已经变了。
这背后是更深层的结构性优势。国产模型把调用成本打到了海外的十分之一，而得益于国产芯片和云服务价格战，中国的推理算力成本只有海外的六分之一。黄仁勋将OpenClaw称为“当代最重磅软件”，因为它第一次让AI的价值重心，从“模型训练”彻底转向了“任务执行”——单用户日均Token消耗量，是传统对话AI的上千倍。
这跟普通人有什么关系？关系巨大。它意味着“一人公司”（个人+AI代理）的时代，正从一个概念变成工具化的现实。一个普通人加上几个高效的AI代理，正在成为一种新的工作模式，其颠覆性不亚于个人电脑的普及。
当然，这种狂奔也带来了安全漏洞、商业泡沫等一系列问题。但这种野蛮、粗糙，甚至带点泡沫感的狂热，恰恰是中国AI生态最真实的写照——先跑起来，问题在路上解决。而这种“跑”的速度，本身正在成为一种最难被复制的壁垒。
最可怕的不是技术差距，而是执行速度差。当硅谷还在哲学思辨AI的边界时，中国的市场已经用无与伦比的成本控制和场景应用能力，把AI从云端拽下来，变成了每个人都能“养”的“龙虾”。这不仅是技术路线的分野，更是两种创新文化的代差。
一个国外的开源项目创始人，一夜之间被来自中国的速度震惊了。
OpenClaw的创始人Peter Steinberger，在社交平台连发两条动态，核心词只有一个：“Amazing”。起因是百度发布了一款手机App，让部署他那个复杂的AI代理程序，变得像点外卖一样简单。这个过程，被中国用户戏称为“赛博养虾”。从产品上线到创始人本人看到，中间只隔了几个小时。
很多人以为AI的竞争还是大模型参数的军备竞赛。但OpenClaw的故事戳破了这层窗户纸。真正的变量，是落地速度。当腾讯工程师在街头搞免费安装活动，能吸引近千人排队；当阿里云、腾讯云能在48小时内上线一键部署方案；当一个AI工具能迅速下沉到学生和退休人员群体时，游戏规则就已经变了。
这背后是更深层的结构性优势。国产模型把调用成本打到了海外的十分之一，而得益于国产芯片和云服务价格战，中国的推理算力成本只有海外的六分之一。黄仁勋将OpenClaw称为“当代最重磅软件”，因为它第一次让AI的价值重心，从“模型训练”彻底转向了“任务执行”——单用户日均Token消耗量，是传统对话AI的上千倍。
这跟普通人有什么关系？关系巨大。它意味着“一人公司”（个人+AI代理）的时代，正从一个概念变成工具化的现实。一个普通人加上几个高效的AI代理，正在成为一种新的工作模式，其颠覆性不亚于个人电脑的普及。
当然，这种狂奔也带来了安全漏洞、商业泡沫等一系列问题。但这种野蛮、粗糙，甚至带点泡沫感的狂热，恰恰是中国AI生态最真实的写照——先跑起来，问题在路上解决。而这种“跑”的速度，本身正在成为一种最难被复制的壁垒。
最可怕的不是技术差距，而是执行速度差。当硅谷还在哲学思辨AI的边界时，中国的市场已经用无与伦比的成本控制和场景应用能力，把AI从云端拽下来，变成了每个人都能“养”的“龙虾”。这不仅是技术路线的分野，更是两种创新文化的代差。
AI带来的真正革命，不是模拟人点鼠标的“智能助理”，而是人机关系的根本翻转。当电脑从“接收指令”进化到“理解目标”，我们过去几十年积累的所谓“电脑技能”，可能正从资产变成一种成本。| 帖子
Perplexity最近预告了一个叫“个人电脑”的新产品，官网第一句话，像刀一样切开了很多人脑子里的混沌：
传统操作系统接收指令（instructions），AI操作系统接收目标（objectives）。
我们跟电脑的关系，可能从第一天起就是反的。
你想想，每天有多少时间是在做“把想法翻译成电脑能懂的操作”？你想把会议纪要发给老板，意图一句话，操作十几步。我们发明了史上最强机器，然后花了四十年学习怎么伺候它，还把“伺候得熟练”叫做“数字化能力”。
这就是为什么最近大火的各种AI Agent，虽然演示酷炫，但总让人感觉不对劲。AI在模拟人移动鼠标、点击按钮，本质上是在走人类走过的那条弯路，是“带着旧枷锁跳舞”。这就像汽车发明初期，人们管它叫“没有马的马车”——保留了马车的一切，只是把动力换了。
真正的变革，不是让AI更像人一样操作电脑，而是反思：如果AI是主角，“电脑”还需要长成今天这样吗？当系统开始“接收目标”，你不再需要告诉它“打开Excel、复制A列、粘贴到PPT第二页”，你只需要说“帮我分析上个月的销售数据，做个汇报”。App的边界会消融，它们从你面前的界面，退化成AI在后台调用的“能力单元”。
这背后是人机关系的彻底颠覆：从“人学习怎么用电脑”变成“电脑学习怎么懂人”。这也带来一个令人不安的现实：过去我们引以为傲的软件操作技巧、工作流方法，正在快速贬值。AI会剥夺我们用“操作的忙碌”来逃避“思考的痛苦”的空间，它会逼你直面那个最根本的问题：你到底要什么？
四十年前，“Personal Computer”的意思是“一台属于你的电脑”。今天，它的意思正在变成“一台理解你的电脑”。属于你，和理解你，是两个完全不同的物种。我们正从一个时代，跨入另一个。
最让人不寒而栗的，不是AI将取代我们的“工作”，而是它将彻底戳破一个事实：我们过去大部分的“工作”，本质上只是在弥补机器的不智能。当这个“翻译”成本消失后，你作为人类的真正价值，才被迫浮出水面。
Perplexity最近预告了一个叫“个人电脑”的新产品，官网第一句话，像刀一样切开了很多人脑子里的混沌：
传统操作系统接收指令（instructions），AI操作系统接收目标（objectives）。
我们跟电脑的关系，可能从第一天起就是反的。
你想想，每天有多少时间是在做“把想法翻译成电脑能懂的操作”？你想把会议纪要发给老板，意图一句话，操作十几步。我们发明了史上最强机器，然后花了四十年学习怎么伺候它，还把“伺候得熟练”叫做“数字化能力”。
这就是为什么最近大火的各种AI Agent，虽然演示酷炫，但总让人感觉不对劲。AI在模拟人移动鼠标、点击按钮，本质上是在走人类走过的那条弯路，是“带着旧枷锁跳舞”。这就像汽车发明初期，人们管它叫“没有马的马车”——保留了马车的一切，只是把动力换了。
真正的变革，不是让AI更像人一样操作电脑，而是反思：如果AI是主角，“电脑”还需要长成今天这样吗？当系统开始“接收目标”，你不再需要告诉它“打开Excel、复制A列、粘贴到PPT第二页”，你只需要说“帮我分析上个月的销售数据，做个汇报”。App的边界会消融，它们从你面前的界面，退化成AI在后台调用的“能力单元”。
这背后是人机关系的彻底颠覆：从“人学习怎么用电脑”变成“电脑学习怎么懂人”。这也带来一个令人不安的现实：过去我们引以为傲的软件操作技巧、工作流方法，正在快速贬值。AI会剥夺我们用“操作的忙碌”来逃避“思考的痛苦”的空间，它会逼你直面那个最根本的问题：你到底要什么？
四十年前，“Personal Computer”的意思是“一台属于你的电脑”。今天，它的意思正在变成“一台理解你的电脑”。属于你，和理解你，是两个完全不同的物种。我们正从一个时代，跨入另一个。
最让人不寒而栗的，不是AI将取代我们的“工作”，而是它将彻底戳破一个事实：我们过去大部分的“工作”，本质上只是在弥补机器的不智能。当这个“翻译”成本消失后，你作为人类的真正价值，才被迫浮出水面。
一个新词“vibe coding”（感觉编程）正在程序员圈里流行。它指的是用AI快速写一些只有自己用的个性化小工具。这背后隐藏着一个趋势：AI可能不会取代程序员，但它正在让无数小众SaaS应用变得毫无意义。
一张流传很广的XKCD漫画：一个人坐在电脑前，配文是“我，正在凭感觉写一个没人会用、没人会看的App”。这精准概括了“vibe coding”——用AI快速生成个性化小工具的现状。
很多人第一反应是自嘲，觉得这就是在生产“数字垃圾”。但一个程序员的比喻点醒了很多人：“凭感觉写出来的App就像牙刷，我用自己的很舒服，但绝不会用别人的。”这些工具的价值不在于分发，而在于极致的个人化。
这背后是一个更颠覆的判断：AI取代的可能不是程序员，而是无数个小而美的SaaS。
过去，遇到一个特定需求，我们去找一个App，忍受它80%你用不上的功能。现在，你可以花几分钟让AI为你定制一个，完全贴合你的工作流。有人为自己写了视频下载器，有人做了一个只有自己能访问的复古网站，纯粹为了取悦自己。
对于普通人，这意味着软件正在从“消费品”变成“即兴创作”。对于SaaS创业者，这意味着护城河在一夜之间蒸发——当用户能轻易复制你的核心功能时，商业模式还剩下什么？
下一个问题，或许不是“这个App有多少用户”，而是“当每个人都能为自己创造工具时，我们还需要那么多App吗？”
真正的“个人电脑”时代，或许现在才算到来。不是PC（Personal Computer），而是PC（Personal Creation）。当生产工具的门槛无限降低，我们就不再是软件的消费者，而是自己数字世界的主宰。
技术圈的风向变得比天气还快。几个月前，模型上下文协议（MCP）还是人人都想上的船，转眼间，风评急转直下，鼓吹“MCP已死，CLI万岁”成了新的政治正确。
很多人被表象迷惑了。他们说，MCP臃肿、消耗大量上下文，远不如简单直接的命令行（CLI）来得高效。经验丰富的老炮们甚至不屑一顾：“这玩意儿看起来就像垃圾，那它就是垃圾。”
这种论调听起来很酷，但可能完全搞错了重点。
是的，如果AI智能体要用的工具是`git`或`curl`这种早已刻在模型“肌肉记忆”里的命令，那用CLI当然省事。但如果你用的是一个自定义工具呢？智能体照样需要一份说明书（`--help`或者`SKILL.md`）来学习，所谓的Token优势瞬间荡然无存。整个OpenAPI schema塞进上下文的场景，并不少见。
这场争论的真正分野，不在于技术，而在于开发的组织形态。它区分了两种开发者：单打独斗的“感觉编程”（vibe-coding）信徒，和面向组织的“智能体工程”（agentic engineering）实践者。
对于前者，MCP确实显得多余。但对于一个10人以上的团队，问题就变了：如何保证不同技术栈的工程师用不同智能体得到一致的结果？如何管理密钥、做权限控制？如何追踪哪个工具有效、哪个在拖后腿？
这才是MCP真正发力的地方——不是本地`stdio`模式的小打小闹，而是作为中心化服务器通过HTTP提供的服务。它把认证（Auth）、安全（Security）、遥测（Telemetry）这些麻烦事一揽子解决了。工程师离职？吊销他的OAuth令牌即可，他从未接触过核心密钥。这对于任何依赖GitHub Actions这类临时运行环境的团队来说，更是刚需。
更有趣的是，连Anthropic和Cloudflare都发现，让LLM直接调用MCP，不如让LLM“写代码去调用MCP”来得更稳、更省。Anthropic的“程序化工具调用”甚至能节省高达98.7%的Token。这说明，MCP的价值在于提供了一个稳定的、可被机器理解的“契约”，而不是一个手感舒适的“玩具”。
所以，当人们在激烈争论MCP和CLI的优劣时，他们实际上在无意中暴露了自己的立场：他们究竟是在构建一个随时可丢弃的个人项目，还是在为一个需要长期维护、多人协作的系统打地基？这根本是两条路线的斗争。
这已经不是技术选型问题，而是工程成熟度问题。当你的智能体应用开始考虑“人”的因素——团队协作、权限、审计、迭代——你会发现，你需要的不是一个更“聪明”的工具，而是一个更“笨”、更稳固、有明确边界的协议。那些嘲笑MCP的人，可能还没遇到需要为AI代码擦屁股的烦心事。
MiroFish：这是最近最容易被当成"神项目故事"消费掉的一个。20 岁学生、10 天、GitHub 冲榜、融资，这些都很吸睛。但如果只看到故事，就会错过它真正重要的方向：它不是在做普通 Agent，而是在做数字社会仿真。
知识图谱、多 Agent、长期记忆、可注入变量的 God View，这些东西组合起来，意味着它正在逼近一个更大的方向 - 把现实世界中难以直接做实验的复杂系统，改造成可以反复推演的数字沙盘。对宏观、市场、舆情、组织行为这类问题来说，这条路线非常值得长期盯。
OpenClaw-RL：这类项目的价值，不在于"又给 Agent 加了 RL"，而在于它开始认真回答一个真正重要的问题：Agent 能不能在真实使用过程中持续学习，而不是训练完就冻结？
如果未来 Agent 真正的护城河，不是初始模型能力，而是谁更会学、谁越用越像你，那 OpenClaw-RL 这种方向就不会只是研究型项目，而会是未来 Agent runtime 的基础设施雏形。
gstac：这不是普通的 prompt 包，而是把 Claude Code 从单脑助手拆成多角色工程团队的一次工程化尝试。Founder 脑、Eng 脑、Reviewer 脑、QA 脑，背后对应的是一个更成熟的工作流观念：复杂任务不是靠一个万能 AI 一路干到底，而是按阶段切换不同认知模式。
agent-cli：如果说很多交易 Agent 还停留在会下单、会看行情的 demo 层，agent-cli 已经明显在往更完整的交易操作系统靠。策略、调度、风控、复盘、自我调参、MCP、OpenClaw 集成，都被装进了一套可编排框架。
它真正展示的，不是"AI 也能交易"，而是：高价值垂直 Agent 的未来形态，很可能不是一个聊天机器人，而是一个严肃执行系统，前面再接上可对话、可调度、可组合的智能入口。
OpenClaw402：这可能是最近最容易被低估的一个方向。很多人以为它只是又一个 OpenClaw fork，但它真正碰的不是 UI，而是经济层。
它试图把 Agent 的默认支付方式从 API key 改成钱包和按次支付：用户不再先去配 OpenAI/Anthropic key，而是每次调用时自动用 USDC 完成结算。这个方向如果跑通，可能把 Agent 产品从开发者工具逻辑，推向消费者产品逻辑。
opencli：这个项目做的事情非常干净：把任何网站直接变成 CLI 命令行工具。
bilibili、知乎、小红书、Twitter、Reddit、GitHub、HackerNews、YouTube、Boss 直聘……28 个以上的命令，覆盖 16 个主流平台，复用 Chrome 登录态，账号密码从不离开浏览器。
它对 Agent builder 来说特别有意思：大量网站没有官方 API，但 opencli 通过 AI 驱动的 API 发现 + YAML 声明式适配器，让任意网站都可以变成可编程的数据源。这件事一旦跑通，意味着 Agent 的信息获取层会大大降低集成成本。
sub2api：这是一个很直接地戳中了真实需求的项目：你有 Claude Pro 订阅、有 OpenAI Plus 订阅，但你想把这些订阅的 quota 统一分配、多人拼车共享、精确到 token 计费。
sub2api 做的就是这件事：把各类 AI 订阅接入统一 API 网关，支持多账号调度、并发控制、限速、token 级计费、管理后台。技术栈 Go + Vue3 + PostgreSQL + Redis，有一键安装脚本，生态里已经有第三方支付插件和移动端管理 App。
增长会快，是因为"AI 订阅成本摊薄"这个需求不是小圈子需求，而是所有重度使用者都会面对的现实问题。
Page Agent：它不是做一个新的 AI App，而是在试图改写"网页"这层界面本身：让现有页面直接变成 AI 原生交互环境。因为未来谁控制界面层，谁就更接近控制用户的默认工作入口。
bb-browser：浏览器执行层本身就是一条非常大的赛道。Agent 想真正接管现实工作，浏览器永远是绕不过去的战场。谁能把浏览器控制、页面理解、动作稳定性做成可用层，谁就会在下一阶段的 Agent 基础设施里占到关键位置。bb-browser 还在快速迭代中，值得持续跟进。
BotLearn / SkillHunt：几乎所有人都在卷执行层的时候，它在尝试回答一个更稀缺的问题：人和 Agent 到底该怎么一起学习、一起积累技能、一起变强。如果未来真正的差距不只是"谁会用 Agent"，而是"谁会设计一套人和 Agent 共学的系统"，那这种项目会越来越重要。
Agency Agents：把Claude Code一键变成51位AI专家+9大部门的完整团队，从产品、开发、设计到营销、社媒、QA全流程覆盖。相当于免费雇了一整家AI公司。
Auto Research：Karpathy刚开源的"科研实习生机器人"。你给它一个目标，它自动规划实验、改代码、跑训练、看结果、再优化，循环往复。睡一觉醒来，最优版本已经准备好了。
llmfit：一条命令帮你找到哪些大模型适合在自己的电脑上本地部署跑起来，还会对模型的质量、速度、适配性和上下文维度进行评分。告别盲目下载几十GB模型却发现跑不动的尴尬。
Lightpanda：首个专为AI和自动化设计的无头浏览器。不基于Chromium，完全从零构建，运行速度比Chrome快11倍，内存占用少9倍。大规模爬取和AI Agent开发的利器。
CLI-Anything：港大新开源，一行命令让任意软件秒变AI Agent可控工具——GIMP、Blender、LibreOffice、OBS Studio全部拿下。发布3天就登上GitHub Trending榜单，增速惊人。
SpacetimeDB 2.0 — GitHub+HackerNews双爆
号称比传统数据库快1000倍的实时数据库，把数据库和服务器合成一个东西：客户端直接连数据库，数据变化实时推送到所有客户端。最骚的演示：用它做了视频通话，所有数据通过数据库实时同步传输。
Cognee — 自改进Skill系统
不只是存Skill，而是让Skill能观察自己的执行历史、检查失败原因、自动修正优化。Skill从静态prompt文件变成会进化的活系统，解决了"Skill用久了失效"的根本问题。
——@_0xKenny
知识图谱、多 Agent、长期记忆、可注入变量的 God View，这些东西组合起来，意味着它正在逼近一个更大的方向 - 把现实世界中难以直接做实验的复杂系统，改造成可以反复推演的数字沙盘。对宏观、市场、舆情、组织行为这类问题来说，这条路线非常值得长期盯。
OpenClaw-RL：这类项目的价值，不在于"又给 Agent 加了 RL"，而在于它开始认真回答一个真正重要的问题：Agent 能不能在真实使用过程中持续学习，而不是训练完就冻结？
如果未来 Agent 真正的护城河，不是初始模型能力，而是谁更会学、谁越用越像你，那 OpenClaw-RL 这种方向就不会只是研究型项目，而会是未来 Agent runtime 的基础设施雏形。
gstac：这不是普通的 prompt 包，而是把 Claude Code 从单脑助手拆成多角色工程团队的一次工程化尝试。Founder 脑、Eng 脑、Reviewer 脑、QA 脑，背后对应的是一个更成熟的工作流观念：复杂任务不是靠一个万能 AI 一路干到底，而是按阶段切换不同认知模式。
agent-cli：如果说很多交易 Agent 还停留在会下单、会看行情的 demo 层，agent-cli 已经明显在往更完整的交易操作系统靠。策略、调度、风控、复盘、自我调参、MCP、OpenClaw 集成，都被装进了一套可编排框架。
它真正展示的，不是"AI 也能交易"，而是：高价值垂直 Agent 的未来形态，很可能不是一个聊天机器人，而是一个严肃执行系统，前面再接上可对话、可调度、可组合的智能入口。
OpenClaw402：这可能是最近最容易被低估的一个方向。很多人以为它只是又一个 OpenClaw fork，但它真正碰的不是 UI，而是经济层。
它试图把 Agent 的默认支付方式从 API key 改成钱包和按次支付：用户不再先去配 OpenAI/Anthropic key，而是每次调用时自动用 USDC 完成结算。这个方向如果跑通，可能把 Agent 产品从开发者工具逻辑，推向消费者产品逻辑。
opencli：这个项目做的事情非常干净：把任何网站直接变成 CLI 命令行工具。
bilibili、知乎、小红书、Twitter、Reddit、GitHub、HackerNews、YouTube、Boss 直聘……28 个以上的命令，覆盖 16 个主流平台，复用 Chrome 登录态，账号密码从不离开浏览器。
它对 Agent builder 来说特别有意思：大量网站没有官方 API，但 opencli 通过 AI 驱动的 API 发现 + YAML 声明式适配器，让任意网站都可以变成可编程的数据源。这件事一旦跑通，意味着 Agent 的信息获取层会大大降低集成成本。
sub2api：这是一个很直接地戳中了真实需求的项目：你有 Claude Pro 订阅、有 OpenAI Plus 订阅，但你想把这些订阅的 quota 统一分配、多人拼车共享、精确到 token 计费。
sub2api 做的就是这件事：把各类 AI 订阅接入统一 API 网关，支持多账号调度、并发控制、限速、token 级计费、管理后台。技术栈 Go + Vue3 + PostgreSQL + Redis，有一键安装脚本，生态里已经有第三方支付插件和移动端管理 App。
增长会快，是因为"AI 订阅成本摊薄"这个需求不是小圈子需求，而是所有重度使用者都会面对的现实问题。
Page Agent：它不是做一个新的 AI App，而是在试图改写"网页"这层界面本身：让现有页面直接变成 AI 原生交互环境。因为未来谁控制界面层，谁就更接近控制用户的默认工作入口。
bb-browser：浏览器执行层本身就是一条非常大的赛道。Agent 想真正接管现实工作，浏览器永远是绕不过去的战场。谁能把浏览器控制、页面理解、动作稳定性做成可用层，谁就会在下一阶段的 Agent 基础设施里占到关键位置。bb-browser 还在快速迭代中，值得持续跟进。
BotLearn / SkillHunt：几乎所有人都在卷执行层的时候，它在尝试回答一个更稀缺的问题：人和 Agent 到底该怎么一起学习、一起积累技能、一起变强。如果未来真正的差距不只是"谁会用 Agent"，而是"谁会设计一套人和 Agent 共学的系统"，那这种项目会越来越重要。
Agency Agents：把Claude Code一键变成51位AI专家+9大部门的完整团队，从产品、开发、设计到营销、社媒、QA全流程覆盖。相当于免费雇了一整家AI公司。
Auto Research：Karpathy刚开源的"科研实习生机器人"。你给它一个目标，它自动规划实验、改代码、跑训练、看结果、再优化，循环往复。睡一觉醒来，最优版本已经准备好了。
llmfit：一条命令帮你找到哪些大模型适合在自己的电脑上本地部署跑起来，还会对模型的质量、速度、适配性和上下文维度进行评分。告别盲目下载几十GB模型却发现跑不动的尴尬。
Lightpanda：首个专为AI和自动化设计的无头浏览器。不基于Chromium，完全从零构建，运行速度比Chrome快11倍，内存占用少9倍。大规模爬取和AI Agent开发的利器。
CLI-Anything：港大新开源，一行命令让任意软件秒变AI Agent可控工具——GIMP、Blender、LibreOffice、OBS Studio全部拿下。发布3天就登上GitHub Trending榜单，增速惊人。
SpacetimeDB 2.0 — GitHub+HackerNews双爆
号称比传统数据库快1000倍的实时数据库，把数据库和服务器合成一个东西：客户端直接连数据库，数据变化实时推送到所有客户端。最骚的演示：用它做了视频通话，所有数据通过数据库实时同步传输。
Cognee — 自改进Skill系统
不只是存Skill，而是让Skill能观察自己的执行历史、检查失败原因、自动修正优化。Skill从静态prompt文件变成会进化的活系统，解决了"Skill用久了失效"的根本问题。
——@_0xKenny
推荐一个 skills 集合 https://github.com/mxyhi/ok-skills
GitHub
GitHub - mxyhi/ok-skills: Curated AI coding agent skills and AGENTS.md playbooks for Codex, Claude Code, Cursor, OpenClaw, and…
Curated AI coding agent skills and AGENTS.md playbooks for Codex, Claude Code, Cursor, OpenClaw, and other SKILL.md-compatible tools. - mxyhi/ok-skills
当记者坐到屏幕前，准备接受一场工作面试时，对面出现的不是HR，而是一个AI虚拟形象。它提问，并实时分析你的回答、措辞甚至微表情。
开发这些工具的公司，如CodeSignal和Humanly，声称这是为了“效率”和“公平”，让每个申请者都有初步面试的机会，还能消除人类面试官的偏见。但这套说辞很快就被戳破了：一个由充满偏见的互联网数据训练出来的AI，如何保证绝对公平？
真正的要害，被一位开发者在网上的一句评论点破了：“一个在发薪水前就这样不把你当人看的雇主，入职后会怎么对你？”
这句评论获得了上千个赞。它精确地捕捉到了这场技术变革背后，那令人不安的真相：AI面试，与其说是一项评估工具，不如说是一个公司文化的强力信号。它在无声地筛选出那些愿意忍受非人化流程的候选人。
这场闹剧已经陷入了恶性循环。一位招聘经理抱怨，一个岗位收到上千份简历，其中大量是AI生成的“垃圾申请”。于是公司被迫用AI来筛选海量简历，甚至用AI来面试。而求职者为了应对这种非人的流程，也开始求助于AI来“代投”和“代聊”。双方的信任正在飞速崩盘，面试变成了一场机器人之间的荒诞戏剧。
所以，下一次当你收到一个AI面试邀请时，需要思考的问题可能不是“我该如何表现才能通过？”，而是“我真的想加入一个用机器来衡量人类价值的公司吗？”
这个问题，AI回答不了你。
最讽刺的是，公司正试图用AI来评估一个人的“人性化”特质，比如沟通能力和文化契合度。这本身就是个巨大的笑话，也是一个信号。这已经不是面试，而是服从性测试。一个愿意接受AI面试的人，可能也更容易接受未来工作中其他不合理的安排。
Impeccable 这个前端设计技能升级包，基于 Anthropic 的基础，带来了17条设计命令，覆盖排版、色彩、布局、动效等，多维度优化你的AI设计输出。
Impeccable 不仅提供丰富的反模式提示，还支持 Cursor、Claude Code、Gemini CLI、Codex CLI 等多种AI工具，一键安装用法简单：
- 关键词如 /polish、/audit、/distill、一键提升设计感；
- 自动识别AI平台，一条命令安装到位；
- 包含详细交互速查表，随时查阅设计命令；
- 定期更新迭代，最近新增了对 Kiro 的支持及安全性强化。
适合有一定AI使用经验的开发者和设计师，用它让AI输出的界面更专业、更有层次感，告别无感设计。
一篇热帖列出了30条开发者为追求速度而忽略的安全规则，引发了程序员的集体共鸣与恐慌。但讨论的深层价值在于揭示了一个更残酷的真相：问题不在于你忘了哪条规则，而在于“凭感觉编程”这个思维模式本身，正让你亲手为未来的攻击者搭建完美的犯罪现场。
网上流传着一份清单，叫“每个凭感觉的程序员（Vibe Coder）都会忽略的30条安全规则——直到被烧到为止”。
列表很具体，从“不在localStorage存敏感数据”到“强制HTTPS”，条条扎心。评论区像大型忏悔现场，有人说“说实话我跳过了一半，直到看到安全审计通知才开始恐慌”，还有人立刻把这30条丢给Claude，问它“我们都做到了吗？”
这很正常。追求速度，先让产品跑起来，技术债以后再说。我们把这种行为美化为“敏捷”和“Vibe Coding”。
但一条高赞评论把温情脉脉的遮羞布扯了下来：
“大多数凭感觉的程序员，以为风险只是bug或宕机。真正的风险是：你快速推进，产品有了起色，然后你才意识到，你的安全模型也纯粹是凭感觉——而此刻，攻击者已经成了你产品最快的‘超级用户’。”
这句话才是关键。你以为的安全问题，是未来需要修复的清单。但现实是，你为吸引用户而搭建的通路，同样也为攻击者敞开了大门。当你为日活破万庆祝时，他们可能正在你的数据库里自由漫步。
更深一层，另一位开发者一针见血地指出，迷信“30条规则”这样的清单本身就是个陷阱。它让人觉得安全是一堆可以死记硬背的孤立技巧。
真正的安全感，来自良好的系统默认值、清晰的边界和严格的审查习惯。团队出事，很少是因为忘了某个请求头，而是因为他们发布了一个自己都一知半解的功能，或者过度信任了前端，暴露了太多不该暴露的数据。
所以，把这30条规则当成一个提示词喂给AI，并不能让你高枕无忧。这和“凭感觉编程”的思维是一体两面：都试图用一个简单的动作，去绕过一个复杂的系统性问题。
所以，真正的问题或许不是“这30条我做到了几条？”而是，“凭感觉编程”究竟是帮你快速成功的资产，还是你亲手写下的、最精密复杂的定时炸弹？
所谓的“Vibe Coding”，不过是“技术债”这个老概念换了个时髦的说法。它最大的骗局在于，让开发者误以为这是一种“工作流”，而忽略了它本质上是一种“风险敞口”。当你的用户量达到某个临界点，这个敞口就会从一个涓涓细流的漏洞，变成一个吞噬一切的黑洞。
