SpaceXAI 刚刚免费发布了价值 29,200 美元的 146 个 Grok Bot 模板 像这样的机器人基本上每个都要花 50–200 美元。那只是官方合集而已。GitHub 上已经有 700+ 个机器人，包括完整的团队分工、专业角色、现成交接流程，以及独立的验证器 你应该先打开的 20 个 GitHub 项目： 01 Agent Org Chart → 现成的团队结构，适用于工程、市场、支持和销售。选择适合你工作的组织结构，而不是从零发明每个角色 02 Grok Factory → 一个 Firstmate 路由软件、研究和通用工作到合适的专家，然后带回报告或审核过的拉取请求 03 multiBot → 创建专为目的打造的队友，将繁重工作委托给编码 CLI，让 Grok Bot 专注于协调并返回结果 04 Grok Bot Architecture → 一张蓝图，涵盖参谋长、专业机器人、结构化交接、连接工具，以及在共享计算机上的人工审批点 05 Foreman → 检查托管的机器人团队，浮出卡住的工作，并记录完成声明背后的证据。一个独立的检查器提供通过裁决 06 Grok Bot Second Brain → 一个五机器人设置，包括 Conductor、Capture、Memory、Ops 和 Research，共享知识库并定义职责 07 grokbot-skills → 可重用技能，用于调试、头脑风暴、写作和观察任务，保留上游来源和许可 08 grokbot-x → 一个 X 内容工作流，侦察帖子、准备草稿、通过 Typefully 发布，并使用记录结果评估其写作技能的变化 09 Restaurant Scout → 一个专业设置，用于寻找食品品牌和创作者、准备可购物内容脚本，并将发现组织成目录工作流 10 Grok Bot Shopping → 购物技能，用于产品搜索、商家结账、Shopify 折扣码测试和订单工作流，外加可选的 Buyer 机器人 11 PhoneZero → 为 Grok Bot 提供电话工作流，用于餐厅预订等任务。它准备通话计划、等待批准，并报告结果 12 Unlist → 一个隐私助手剧本，用于人员搜索退出，包括站点记录、信件生成、提交日志和跟进跟踪 13 Grok Bot Gateway → 让编码代理和脚本列出机器人、读取对话，并通过网关机器人使用 webhook 例程发送任务 14 grokbot-queue → 在多个 Grok Bot 间排队和分发任务，然后使用 SSH 和非官方桌面自动化收集结果 15 Thin Grok Bot → 一个委托技能，让机器人团队专注于路由，而更深入的构建和调查通过编码 CLI 或云代理运行 16 BOTROSTER → 一个独立的自我托管替代方案，具有持久命名的队友、共享文件、浏览器、调度工作和审批控制 17 Root Agent → 一个协调器，确定请求需要哪些专家、管理分配，并将领域工作交给负责人 18 Grok Bot Profiles → 四个专注角色：Spec Writer、Bug Reproducer、PR Producer 和 PR Verifier。实施和验证保持在单独对话中 19 Grok Bot Templates → 49 个模板，定义了工作、输出、技能、例程和边界，外加可适应你工作的团队设置 20 HyperGrok Trading Desk → 七个机器人覆盖市场数据、研究、策略、风险、执行和审查。从研究模式开始；实时交易需要你的批准 给第一个团队一个有明显终点的任务：一份研究简报、一份审核过的 PR，或一批准备好的草稿 然后检查你实际接受了多少工作，以及生产它花了多少成本。一个更大的阵容只有在改善结果时才能证明其价值

Spec-Driven Development 如果把任务的颗粒度拆得过细，且没有控制好任务边界和不做什么的声明，在调度多 agents干活时，特别容易出现过度设计问题。 over engineering 更让人头疼，下面是一个很高频的 case。 原始目标只是：给后台系统增加一个文件上传能力。 结果因为没有明确约束： * 一个 subagent 引入 repository pattern * 一个 subagent 开始设计 storage provider abstraction * 一个 subagent 顺手兼容 S3 / OSS / GCS * 另一个开始补异步队列和事件系统 * 最后甚至拆出了 upload-sdk 硬生生干出了一套半成品云存储框架🥹，可真实需求只是：单机部署，上传到本地磁盘。 从局部看，哪哪儿都没毛病，还写的挺好，全都是最佳实践，但离原始目标已经十万八千里了。 最头疼的是，你的同事给你提了这样的代码 PR，你合还是不合？

video-spec-builder 这个 Skill 能干的就是导演的活，在 Claude Code 或 Codex 里说句想做视频，它就开始追问。 给谁看、做多长、哪个镜头挑大梁，答含糊了就接着挖，想用「高级感」这种词糊弄过去，没门。 几轮聊下来，模糊的想法变成一份视频制作说明书，精确到秒的分镜脚本，每个镜头都写明白了。 GitHub： 最后将脚本交给 HyperFrames 就能一键渲染生成视频，含有两个技能可分别安装。 注意的是，它不替我们想创意也不拍片，就管一件事，把想法逼到能落地为止。

表面上看，TDD红绿重构的流程能将 测试 作为需求实现的硬门槛（红灯没法继续推进），但实际情况是：agent 为了推进实现，有强烈意愿去构造 expect(true) 的废用例 核心问题在于 —— 你不能将用例当作代码实现的免费添头 更具体来说，代码是在 spec 指导下实现的。类似的，用例也需要在指导下实现 不同类型用例的来源不同，单测的来源是“代码实现”，e2e 的来源是用户行为。 如果你采用 BDD 的开发模式，那 spec 中确定的用户行为天然可以作为 e2e 的指导，这样生成的用例才是可用的

测试用例的问题是“大部分人（甚至 agent 的默认执行流程也是）将它当作 代码实现后的免费添头” 这么做的后果是：用例变成对源码的第三人称复述 “从代码到测试用例”其实和“从 spec 到 代码”一样，需要单独的工作流（而不是免费添头）。用例和代码一样也会腐败、冗余，需要定期维护、精简 前者甚至比后者重要得多，因为对 AI Coding 来说 code is cheap，重要的是信任，好的测试用例是信任的基石 基于此，当下社区的风潮是“不再考虑传统软件工程的测试金字塔，而是聚焦在 e2e” 因为通过设计 spec，某种程度上你可以在代码实现的同时兼顾用例质量（通过 BDD），这是对投入精力的权衡 并不是说 单元测试 不再重要，而是没有精力维护“好的单元测试”

Claude Code 会话跑到又臭又长时，继续往里塞上下文往往已经没用了。 Bumble 一位后端工程师的做法是：把已经确认的决策写成几百字的 spec，然后直接开新会话。他总结得很直接：500 token 的 spec，比 50K token 的退化上下文更有用。 他还有个习惯我挺认同：让 AI 去「调查」「探索」之前，先把边界写死。比如只查 auth 模块，最多 20 条，按文件路径 + 函数名 + 查询类型返回。 长会话最容易失控的地方，往往不是写代码，而是没有边界的探索。

@brucexu_eth 阶段性校对是我和 Agent 交互实现的，或者是我明确给扫描目标。比如现在 holon 仓库里的这批 issue，就是 Agent 基于 rfc/spec 和代码实现比较发现的 gap