🔍 开源工具推荐：《Claude Code Templates》—— 100+ 即装即用的 Agent、命令、MCP、Hooks 配置，配套 Analytics 监控面板 如果你在从零搭建 Claude Code 工作流，这个模板库能省你几个小时 核心特性： 1. 100+ 模板覆盖 Agent 行为、自定义命令、MCP 服务器、Hooks 配置全链路 2. Analytics 监控面板，可视化 agent 调用链路与 token 消耗 3. 一键安装，交互式选择 4. 模块化设计，可按需组合，不强迫全量安装 5. 持续更新，跟随 Claude Code 版本迭代 目标人群：想快速落地 Claude Code 的工程团队、AI 工具链建设者、Claude API 重度用户 🔗 #ClaudeCode# #AIAgent# #AI工具# #AI编程# #AIEngineering#

🛠️ 开源工具推荐：《Awesome Agent Skills》—— 1424+ 官方团队 AI Agent 技能库，Anthropic、Google、Microsoft 都在这里发布 如果你每天用 Claude Code、Codex、Cursor 或 Gemini CLI，你可能在重复发明别人已经做好的东西。每次需要一个新技能，例如处理 PR、操作 Stripe、部署 Cloudflare，你要么自己写、要么从各处东拼西凑。 Awesome Agent Skills 把这个问题解决得很彻底：一个 1424+ 技能的精选库，里面的每个技能都来自你已经在用的工具和服务的官方开发团队，不是批量 AI 生成的废料。 核心特性： 1. 官方团队出品：Anthropic、Google Labs、Microsoft（133+ 技能）、OpenAI（28+）、Stripe、Cloudflare、Vercel、Netlify、Trail of Bits、Sentry（50+）等 30+ 知名机构发布 2. 1424+ 真实可用技能：每个技能由真正使用它的工程师团队维护，不是 AI 批量合成 3. 全平台兼容：Claude Code、Codex CLI、Gemini CLI、Cursor、Kiro、OpenCode 全支持 4. 技能浏览器： 直接按发布者浏览和搜索 5. 社区持续更新：每周都有新的官方团队提交技能，实时增长 特别适合每天用 AI 编程助手、想用现成高质量技能（而不是自己从头写）的开发者，以及在企业内推广 AI Agent 工具链、需要可信官方来源技能的平台工程师。目前已获得 25.6k+ stars ⭐，是当前开源 Agent 技能集合里来源最权威、覆盖最广的社区库。 与批量生成技能仓库的关键差异：这里的每一个技能都有明确的「官方发布者」，例如Anthropic 发布的 Claude 技能、Stripe 发布的支付工作流技能、Sentry 发布的错误追踪技能，这是别的技能库没有的权威性和可信度。如果你用 Claude Code 想让它真正帮你操作 Stripe、调用 Cloudflare 或查 Sentry，这里是最直接的起点。 #AIAgent# #ClaudeCode# #VibeCoding# #AI工具# #AIEngineering# #codex#

Github上这个AI找工作的仓库火了🔥 我原本以为 AI 求职就是帮你改改简历，结果有人直接把整个找工作流直接搭出来了！ 作者自己就是第一批小白鼠：2025 年底被裁后，用这套东西跑了 69 份定制申请 → 20 次一面 → 最后拿到合同，2026 年 6 月转成 AI Engineer。这个仓库 3 月才创建，现在已经 3.4 万+ Stars。 把自己的 LinkedIn、学历、过去申请记录丢进去，它先建立一份长期职业档案。之后 /scrape 自动找岗位并去重，/rank 按你的技能、经历、地点、语言和职业目标批量打分，真正值得投的再进 /apply。 最爽的是 /apply 不是“给我写一份简历”这么简单。 它会先判断匹配度，再针对 JD 重写 CV 和求职信，然后再拉一个 Reviewer Agent 当招聘经理挑刺，检查关键词、经历真实性、公司针对性，修改完还会编译成 PDF、检查 ATS 能不能正常读取。 而且这套系统会记账：投过什么、面了几轮、被拒还是拿 Offer，都能留下来。后面面试时，它直接拿当时那份 JD + 你真正投出去的 CV + 求职信 + 前几轮反馈给你准备，而不是重新瞎猜。 甚至还能读 Gmail 找面试邀请、拒信和 Offer，再同步到自己的求职 Pipeline。 这才是我觉得这个项目最聪明的地方：它不是拿 AI 帮你写求职材料，而是把“找工作”本身做成了一套 Agent 工作流。 GitHub：

这个方向我觉得值得看：AI Native Workforce，而不是又一个 AI sidebar 我平时做开源项目和产品开发，很多时间不是真正在写代码，而是在补上下文。最近试了 Helio 时最有感的一点是：它不是把 AI 做成一个更聪明的输入框，而是把 AI 当成同事放进工作流里 bug 来自哪个 issue？相关 PR 改过什么？CI 为什么挂？上线前谁来 review？这些问题都被 AI native workspace 解决了 这和 Cursor / Codex 这类单兵工具的体感不太一样，Helio 更像是更像「我把任务丢进频道，同事自己推进，然后在需要我判断时叫我」 - AI PM 负责把用户反馈拆成 task - AI Engineer 开 coding session 改代码、跑测试、提交 diff - AI Reviewer 先过一遍风险点 我只负责看关键决策和最后 approve AI 写代码已经不新鲜了。真正难的是让它持续在线、有上下文、有责任边界，还能被审计 官网： DC：

Anthropic 工程师 Barry Zhang 在 AI Engineer 工作坊上的一个分享 “如何构建有效的 Agent”，其中印象最深的一个观点：Don't build agents for everything，反过来理解就是别做什么都能干的 Agent，那是我们大模型要干的事情😆 构建有效 Agent 的三大要点： 1. 明智选择应用场景，并非所有任务都需要 Agent； 2. 找到合适的用例后，尽可能长时间地保持系统简单； 3. 在迭代过程中，尝试从 Agent 的视角思考，理解其局限并提供帮助； Barry 主要负责 Agentic System，演讲内容基于他和 Eric 合著的一篇博文，下面详细总结他们的核心观点，以及对 Agent 系统的演进和未来的思考。 Agent 系统的演进 - 简单功能： 起初是简单的任务，如摘要、分类、提取，这些在几年前看似神奇，现在已成为基础； - 工作流（Workflows）： 随着模型和产品成熟，开始编排多个模型调用，形成预定义的控制流，以牺牲成本和延迟换取更好性能。这被认为是 Agent 系统的前身； - Agent： 当前阶段，模型能力更强，领域特定的 Agent 开始出现。与工作流不同，Agent 可以根据环境反馈自主决定行动路径，几乎独立运作； - 未来（猜测）： 可能是更通用的单一 Agent，或多 Agent 协作。趋势是赋予系统更多自主权，使其更强大有用，但也伴随着更高的成本、延迟和错误后果。 核心观点一 并非所有场景都适合构建 Agent (Don't build agents for everything) - Agent 主要用于扩展复杂且有价值的任务，它们成本高、延迟高，不应作为所有用例的直接升级。对于可以清晰映射决策树的任务，显式构建工作流（Workflow）更具成本效益和可控性。 - 何时构建 Agent 的检查清单： 1. 任务复杂度 ： Agent 擅长处理模糊的问题空间。如果决策路径清晰，应优先选择工作流； 2. 任务价值： Agent 的探索性行为会消耗大量 token，任务的价值必须能证明其成本。对于预算有限（如每任务 10 美分）或高容量（如客服）场景，工作流可能更合适； 3. 关键能力的可行性 ： 需确保 Agent 在关键环节（如编码 Agent 的编写、调试、错误恢复能力）不存在严重瓶颈，否则会显著增加成本和延迟。如有瓶颈，应简化任务范围； 4. 错误成本与发现难度： 如果错误代价高昂且难以发现，就很难信任 Agent 自主行动。可以通过限制范围（如只读权限、增加人工干预）来缓解，但这也会限制其扩展性； - 编码（Coding）是一个很好的 Agent 用例，因为它任务复杂（从设计文档到 PR）、价值高、现有模型（如 Claude）在许多环节表现良好，且结果易于验证，例如单元测试、CI。 核心观点二 保持简单 (Keep it simple) - Agent 的核心结构： 模型（Model）+ 工具（Tools）+ 循环（Loop）在一个环境（Environment）中运作。 - 三个关键组成部分： 1. 环境：Agent 操作所在的系统； 2. 工具集： Agent 采取行动和获取反馈的接口； 3. 系统提示： 定义 Agent 的目标、约束和理想行为； - 迭代方法： 优先构建和迭代这三个基本组件，能获得最高的投资回报率。避免一开始就过度复杂化，这会扼杀迭代速度。优化（如缓存轨迹、并行化工具调用、改进用户界面以增强信任）应在基本行为确定后再进行。 - 一致性： 尽管不同 Agent 应用（编码、搜索、计算机使用）在产品层面、范围和能力上看起来不同，但它们共享几乎相同的简单后端架构。 核心观点三 像 Agent 一样思考 (Think like your agents) - 问题： 开发者常从自身角度出发，难以理解 Agent 为何会犯看似反常的错误； - 解决方法： 将自己置于 Agent 的“上下文窗口”中。Agent 在每一步的决策都基于有限的上下文信息（如 10k-20k token）； - 换位思考练习： 尝试从 Agent 的视角完成任务，体验其局限性（例如，只能看到静态截图，在推理和工具执行期间如同“闭眼”操作）。这有助于发现 Agent 真正需要哪些信息（如屏幕分辨率、推荐操作、限制条件）以避免不必要的探索； - 利用模型自身： 可以直接询问模型（如 Claude）：指令是否模糊？是否理解工具描述？为什么做出某个决策？如何帮助它做出更好的决策？这有助于弥合开发者与 Agent 之间的理解差距。 个人思考与未来展望 - 预算感知 Agent (Budget-aware Agents)： 需要更好地控制 Agent 的成本和延迟，定义和强制执行时间、金钱、token 预算，以便在生产环境中更广泛地部署。 - 自进化工具 (Self-evolving Tools)： Agent 或许能设计和改进自己的工具（元工具），使其更具通用性，能适应不同用例的需求。 - 多 Agent 协作 (Multi-agent Collaboration)： 预计今年年底将在生产中看到更多多 Agent 系统。其优势包括并行化、关注点分离、保护主 Agent 上下文窗口等。关键挑战在于 Agent 间的通信方式，如何实现异步通信，超越当前的用户-助手轮流模式。

天天用 Claude Code 和 Copilot 写代码，哪些习惯在拖后腿，光凭感觉其实说不清。 微软开源的 AI Engineer Coach 读本地的会话日志，把这段过程做成一个仪表盘，数据不出本机。 内置 45 条反模式规则，提示词质量、会话卫生、代码审查、工具熟练度、上下文管理，逐条给检查结果。 GitHub： 产出也统计，AI 生成的代码按语言、项目、模型和工具分开算量，周趋势和每日活跃度都有图。 有个功能是把重复敲过很多次的提示词挑出来，建议做成可复用的 Skill，这个思路我觉得挺实在。 上下文健康度会单独打分，看项目里的指令文件写得全不全，哪些地方 Agent 其实读不到东西。 目前没上应用市场，得自己拉下来打包成插件再装进 VS Code，也能在 GitHub Copilot 应用里当画布跑。

突然想给大伙聊聊，我是怎么给产品取名字的，这个过程很有趣，或许你也可以结合你的性格喜好来给你的产品取一个不错的名字。 在 AI 没有来之前，市面上各种 Coding 产物没有这么多，我对产品本身的生命感存在感对于会非常很看重，所以基本上会非常认真对待这个事情，好比一个新生儿出生，父母需要花不少时间去给这个即将到来的生命取一个陪伴她一辈子的名字，让她的以后对自己的名字也是非常喜欢，甚至可以鼓励她的一生，给她自信的那种。 即使在现在 AICoding 产物盛行的这一代，假如你很想把这个产品推给大众而非自己把玩，还是非常推荐你给她取一个非常好的名字，这样每次你给大众介绍的时候，你也会对你自己的产品非常自信，喜欢，也会非常花时间花精力把她持续迭代好。 我的第一个产品叫做妙言，在2020年那个前后，其实 markdown 笔记应用非常火，当时感觉没有太顺手的就自己学 swift 写了一个，我自己特别喜欢中文字，当时也没有考虑国际化，更多是自己用，我用他来记录我工作学习中各种笔记，一直认为好的文字也是有生命力的，就想到了妙不可言，正是写文字想表达的那个观点，现在我依然很喜欢这个名字，也持续在迭代，读起来也朗朗上口，简单好记，这里想表达的是产品名字需要和你的产品本身功能或者要体现的意义关联，防止取一个不相关的名字，虽然好听，你也不好讲 。 第二个产品叫做 Pake，是一个用 Rust 写的，可以一条命令把你的网页打包成轻量的桌面包，为啥这次开始取英文名，其实是后面妙言我发现国外人也用的很多，直接用MiaoYan拼音介绍很奇怪，所有后面的产品我尽量取名让所有人都看得懂一点，当时给 Pake取名的时候，我就想到打包这两个词，换成英文是 Pack，这个词其实挺好的，但是由于非常大众，我担心过于大众化，这里的灵感来源现在回想起来和 Vue 很像，其实 Vue 最开始应该是想叫 View 的，但是尤大感觉这个名字太直接了，他就放到谷歌翻译里面去试试，然后找到了它的法语翻译叫做 Vue，当时我给 Pake 取名的时候也这样，我去找 打包的各种语言的翻译，最后发现在海地克里奥尔语打包就叫做 Pake，狂喜，就取名成这个了。而且这个名字非常好拼写、好记、好打字，对于任何人使用过后，应该能够很好的记住，同时 Pake 自己的命令也是 pake，这样产品使用传播就非常简单了。 第三个产品就是我们更熟悉的 Mole 了，当时还是一个深度挖掘你的Mac电脑垃圾命令行工具，其实这里我是先取的中文名字，我一直把这个产品当做一个有动作、看似安静、勤恳清理垃圾的小可爱小东西，当时就取想什么小动物最贴合这个，想了很久没有想到喜欢的，貌似应该是在一个小孩书上看到介绍鼹鼠，突然一想，对对对是我想要的，就是这样的感觉，安静/小/疯狂挖掘那个感觉，更惊喜的是英文命名 Mole 非常非常贴合我一贯的取名风格，好记、好写、好评、但不大众化，现在回忆起来非常有意思，挺好玩的。 后面 3 个产品就被我不经意间形成了一个系列，那就是 Kaku、Waza、Kami，应该说没有Kaku的取名，就没有后续这两个产品的名字了，Kaku是我去年过年长假写的一个轻量、简单、开箱即用、AI友好的命令行终端工具，取名的时候，我唯一想到的就是这个产品一定要表达出来轻快很爽的那种感觉，然后自己的随口念不同的词，乱念的那种，最后最后，发现 kakukakukakukakukakaku 非常爽，然后就按照这个音取找，发现kaku是日本书写里面的書く这个词的意思，太有意思了，终端和书的关系很近，而且很有诗意，而且也是海贼王里面的一个角色，立马就取到这个了，后面的 Waza 是日文 技，对应着我的工程师技能 skills 也很贴合，Kami 是紙，是我的一个好内容值得好版面的排版 skills 名字，正是我想表达的意思，纸面是干净的，可以写出非常多有价值的东西。 并不是说名字和产品是至关重要的，比如说我在 Anthropic 刚出来的时候非常讨厌这个名字，因为我永远记不住如何拼写，但是也不妨碍他的产品模型的成功，没有啥必要关系，比如即使你的产品叫做二狗，但是非常牛逼，也不妨碍他的成功。不过也有些是有关联的，比如还有一个丑名字叫做 Antigravity，这个名字甚至比Anthropic 还要难读难写，其实从他刚刚推出，我就有点儿感觉这个产品很难成功，因为本身模型并发第一第二那种，只能更多靠产品能力出来拼，结果产品能力也不是太好，就变成现在这样了。此外也不是名字短看着简单就好，比如说Trae，我今天还会很容易达成 trea 或者忘记怎么打，可见也不是名字短，字母简单就是好名字，因为不好记不好拼，也看着没有意义那种感觉，假如他不告诉你这个是 The Real AI Engineer 的缩写，可能永远不会有人知道这个名字是这个意思，这样就比较难在大众市场打开。 一不小心就碎碎念了这么多，比较想表达的就是，你的产品应该有一定调性，需要有产品自己的性格，不能千篇一律，当然我说的取名方法更适合我自己，适合我的性格，对于你而言，你的产品也需要贴合你的性格喜好，比如你喜欢日本动漫就可以多和这个里面角色靠近，你喜欢中国古代神话，你的产品名字就可以从这里面取找稀有但有趣的名字。最后最后，我认为名字一定是朗朗上口的、好读的、好记住的、好写的、不长，甚至也是你在键盘上敲起来非常无感的那种。

📋 awesome-autoresearch 周期巡检 本轮新增 1 条目（discussions）： Introspection（Latent Space 采访）：ex-xAI 的 Roland Gavrilescu 创立新公司 Introspection，明确围绕自改进 autoresearch 系统构建基础设施，在 AI Engineer World's Fair 发表「Autoresearch in the Wild」演讲，提出三个生产模式：loop is the product、learn before automating、ground feedback in real signals。标志 autoresearch 从开源项目走向专门创业公司。 📂 📊 463 entries