Nobody

[知识猫图解 @GeekCatX]

Codex 最客观的结论
真正做职业级、可继续修改的 PowerPoint：PPT Master 第一，没有悬念。
追求视觉上限和多格式交付：花叔第一。
追求叙事、路线选择和质量控制：Knowledge Cat 第一。
追求自由 HTML 审美：Frontend Slides 第一。
追求瑞士风线下分享：歸藏第一。
追求演讲者模式和逐字稿：Lewis 第一。
追求小红书、社交卡片式整页图片：宝玉第一。
追求“各种材料快速丢进 NotebookLM”：乔木第一，但不应被归类为专业 PPT Skill。

我的也很强大家试试？
https://t.co/dTwcfkFXoH

[向阳乔木 @vista8]

最近最火的Codex优化网络速度Use Case，写了个提示词，亲测效果不错：

1. 在Codex中输入 “/goal” ，如果中文版输入 “/目标”，如果不用，直接发提示词也行。

2. 提示词如下：

优化当前电脑的网络速度和稳定性。

请按“先诊断、再最小可逆修改、最后复测”的方式执行，不要直接破坏性重置网络。

诊断要求：
1. 先跑 before 基准：networkQuality、DNS 查询耗时、到路由器的 ping、到公网 DNS 的 ping。
2. 区分真实公网链路和本机代理/VPN/TUN：检查 scutil --nwi、route get default、scutil --dns、scutil --proxy。
3. 检查 Wi‑Fi 质量：频段、信道、带宽、RSSI、噪声、Tx Rate、周边干扰。
4. 检查 MTU、丢包、mDNS/DNS 缓存、网络服务顺序。
5. 找出高流量或会接管路由的后台进程，如 VPN、Tailscale、Shadowrocket、Stash、iCloud、Dropbox、网盘、下载器。

优化要求：
1. 只做安全、可逆、低风险修改。
2. 把真实使用的 Wi‑Fi/以太网排到网络服务第一位。
3. 禁用明显无用的伪网络服务或旧网络服务，但不要删除配置。
4. 根据实测 DNS 延迟设置更快的 DNS。
5. 刷新 DNS 和 mDNS 缓存。
6. 停止或提示我关闭明显占用带宽的后台程序。
7. 如果需要 sudo 或会影响 VPN/远程连接，先说明风险，不要强行执行。

复测要求：
1. 再跑 after：networkQuality、DNS 查询耗时、路由器 ping、公网 ping。
2. 对比 before/after：下行、上行、空闲延迟、加载延迟、丢包、DNS 耗时。
3. 总结发现的 3 个主要问题、已修复项、未修复但建议手动处理项。

[lifcc @mylifcc]

Codex 如果一直出现 `Reconnecting... 1/5`，可以把 Responses WebSocket 关掉。

在 `~/.codex/config.toml` 加：

model_provider = "chatgpt_http"

[model_providers.chatgpt_http]
name = "ChatGPT HTTP"
base_url = "https://t.co/Gd32uioKEv"
wire_api = "responses"
requires_openai_auth = true
supports_websockets = false

加完之后你的codex app 会显示

[AYi @AYi_AInotes]

在我刚入行那几年，
记得代码库里有一种人是被默默崇拜的，
他能在十几层调用栈里一眼看出 N+1，能在火焰图里指出哪个函数被多调了三次，

今天 Greg Brockman 转的那个 Codex Skill，
第一次让这件事不再是少数人的特权。

性能优化为什么过去这么稀缺，
你得会用 Chrome DevTools 拉火焰图，会用 Node --prof 跑 profile，会读 perf report，

你得对渐进复杂度有近乎本能的敏感，能在嵌套十几层的代码里识别出 O(n²) 长什么样，

你还得踩过几百个真实生产事故，知道哪种模式在百万级数据下会爆，

这三样能力叠加起来，是十年项目经验才能稳定输出的活，在团队里就是稀缺资源，工资溢价就来自这里。

Greg 转的这个 Complexity Optimizer，是社区开发者做的一个 Codex Skill，

一行 npx --yes codex-complexity-optimizer 装完，在项目根目录跟 Codex 说一句 analyze my codebase，几秒钟跑完，

它专挖 O(n²)、O(n*m)、N+1、循环里套循环、每次渲染都扫全表那种隐藏坑，每一条都精确到文件 + 行号 + 当前复杂度 + 优化后复杂度 + 推荐改法 + 风险等级，

最重要的设计是它默认只报告不动代码，每条标 low 或 medium 风险，还告诉你上线前要补哪些测试，

也就是说 AI 不绕过人类决策，它做的是把人类做决策所需的信息全部准备好。

但这个 Skill 真正让我感兴趣的，不是它能干什么，而是它意味着什么，

过去两年 AI 写代码的故事，焦点一直在让代码写得更快上，

可是写代码的速度，从来不是开发者真正的瓶颈，

真正的瓶颈一直是看见自己看不见的问题——架构隐患、性能坑、安全漏洞、依赖陷阱，这些东西高度依赖个人经验积累，集中在少数资深开发者手里，

Complexity Optimizer 真正的信号是，这类需要十年经验才能输出的能力，第一次被压进了一个可以一行命令调用的 Skill 里，

这条路一旦走通，下一波 Skills 不会等太久——安全审计、依赖风险扫描、架构腐烂检测、内存泄漏侦察，全都会涌出来。

总的来说，资深开发者的护城河不会消失，但定义在变，
过去的护城河是看见问题的眼力，
未来的护城河是判断 AI 给出的方案在你的业务场景下能不能落地的判断力，

十年经验值正在被压缩成一行 npx 命令，
这件事也许从今天就开始咯。

[Nobody @JustKeepAwake]

@weiyux2021 星河 world 双子塔

[Berryxia.AI @berryxia]

Stanford 这堂 2 小时 AI 系统构建课，直接把 Claude 所有教程和 Prompting Thread 秒了！

强烈推荐：
“比你刷过的所有 Claude 教程都实用 10 倍”

里面讲的不是 prompt 技巧，而是 Stanford 真正教工程师如何从零构建可靠 AI 系统的完整方法论。

周末就刷这一个，绝对是你这周最有生产力的事！

我已经将其翻译为中英 文双语视频直接戳这里👇

[Jiayuan (JY) Zhang @jiayuan_jy]

开源 Multica：专为 AI-native 团队设计的 Agent + 人的协作平台

https://t.co/Wx0IutujjR

为什么做 Multica？

Multica 最初是为了解决我们团队自己的问题：

1. 团队间的知识无法共享。 每个人都在用 coding agent，但产出的上下文全部散落在各自的 agent session 里。A 做完了一件事，B 不知道；agent 跑完了一轮，结果只有发起人看得到。团队知识变成了一座座孤岛。

2. 多人 + 多 Agent 的协作缺乏中枢。 当团队同时有多个 agent 在跑任务，谁在做什么、做到哪了、卡住了没有——没有一个地方能看到全貌。人和 agent 之间、agent 和 agent 之间，缺少一个共同的协作界面。

Multica 是什么？

一句话：像 Linear 一样管理任务，但 AI agent 是一等公民。

你可以像分配任务给同事一样，把 issue 分配给 agent。agent 会自动领取任务、在你的本地机器上执行代码、提交结果、更新状态、发表评论——一切都发生在同一个看板里，所有人实时可见。

核心思路很简单：每个人把自己的 coding agent（Claude Code / Codex）注册到团队 workspace，之后就可以像分配任务给同事一样分配给 agent。agent 自动执行、更新状态、发表评论，所有人实时可见。

适合谁？

- 1-10 人的 AI-native 小团队
- 正在大量使用 coding agent 但缺少协作中枢的团队
- 希望让 agent 融入日常工作流而不是当作独立工具的团队

官网: https://t.co/sdFwgJM8KU

欢迎 star、试用、提 issue，也欢迎 PR。

[风少 @noexcuse555]

现在跑通一个全栈 AI 产品的成本到底有多低？

直接抄作业，这是目前最顶的独立开发启动技术栈：

- Claude：写代码主力（20刀/月）
- Supabase：后端数据库（免费）
- Vercel：一键部署托管（免费）
- Namecheap：搞定独立域名（12刀/年）
- Stripe：跑通支付接口（单笔 2.9% 手续费）
- GitHub：代码版本控制（免费）
- Resend：邮件分发系统（免费）
- Clerk：用户登录授权（免费）
- Cloudflare：DNS 解析加速（免费）
- PostHog：跑用户数据分析（免费）
- Sentry：线上错误追踪（免费）
- Upstash：Redis 缓存（免费）
- Pinecone：向量数据库（免费）

算下来除了买域名和开 Claude 会员，基本算是零成本冷启动。别再说没团队没资金了，工具都喂到嘴边了，直接去 Build。

[meng shao @shao__meng]

ClawHub Skills 排名第一的「self-improving-agent」：记录经验、总结错误，形成持久化的经验记忆，提取成 Skills，自我提升，不断总结经验，这个 Skills 的设计理念真的很值得反复琢磨。

- 架构分为三层 -

第一层：日志采集
在项目根目录下建立 .learnings/ 目录，包含三类文件：
· LEARNINGS.md：被用户纠正的错误认知、过时的知识、更优的做法
· ERRORS.md：命令执行失败、异常堆栈、意外行为
· FEATURE_REQUESTS.md：用户希望 Agent 具备但目前缺失的能力

每条记录采用统一的结构化格式：唯一 ID、时间戳、优先级、状态、涉及的代码区域、详细描述、建议修复方案，以及用于关联相似问题的 See Also 字段。

第二层：经验晋升
日志只是原始材料。当某条经验被验证为普遍适用——不是一次性的个案，而是跨文件、跨功能的通用规则——就应该"晋升"到更高层级的配置文件中：
· CLAUDE.md / .github/copilot-instructions.md：项目级的事实和约定，所有 Agents 会话都会读取
· AGENTS.md：Multi Agents 协作的工作流规则
· SOUL.md：OpenClaw 行为准则和沟通风格
· TOOLS.md：工具使用的注意事项和已知坑点

晋升时要求提炼，不是把冗长的事故报告搬过去，而是压缩成简短的防御性规则。比如：
> 原始记录：项目用 pnpm workspaces，我试了 npm install 结果失败了，锁文件是 pnpm-lock.yaml，必须用 pnpm install。
> 晋升后写入 CLAUDE.md：Package manager: pnpm (not npm) - use pnpm install
这个从"事故叙述"到"行为规则"的转化过程，是整个 Skills 最有价值的设计。

第三层：Skill 提取
当某条经验足够通用——不仅对当前项目有用，对其他项目也有参考价值——可以进一步提取为独立的 Skill。Skill 提供了一个 extract-skill. sh 脚本来辅助这个过程，支持 --dry-run 预览。
提取的门槛设得比较合理：需要有 2 个以上的关联条目（说明是反复出现的问题）、已验证的修复方案、非显而易见的知识点。

- 自动化机制 -
Skills 提供了两个 Hook 脚本，通过 Agent 的钩子系统实现半自动化：
· activator. sh（挂载在 UserPromptSubmit）：每次用户发送消息后注入一段提醒，让 Agent 评估是否需要记录经验。开销约 50-100 tokens。
· error-detector. sh（挂载在 PostToolUse）：监听 Bash 命令执行结果，当检测到非零退出码时触发记录流程。

- 循环模式检测 -
Skills 专门设计了一套去重和升级机制来处理反复出现的同类问题：
· 每条记录可以带 Pattern-Key（如 simplify.dead_code、harden.input_validation）作为稳定的去重键
· 同一 Pattern-Key 再次出现时，递增 Recurrence-Count，更新 Last-Seen
· 当一个模式满足 出现 3 次以上 + 跨 2 个以上任务 + 30 天内 这三个条件时，自动触发晋升

这个量化的晋升规则避免了两个极端：过早晋升导致配置文件膨胀，或过晚晋升导致同样的错误不断重复。

- 多个 AI Agents 兼容性 -
· Claude Code / Codex：通过 Hook 脚本激活
· OpenClaw：通过 Workspace 注入 + 会话间通信激活
· GitHub Copilot：手动写入 instructions
OpenClaw 平台的集成最深，支持通过 sessions_send 在不同会话之间传递经验，这意味着一个会话踩过的坑可以实时通知到并行运行的其他会话。

Skills 安装地址
https://t.co/TBKKgJSLSd

[Kevin Ma @kevinma_dev_zh]

发现一个挺有意思的项目，Trellis，用来统一 AI 编程工具的上下文。

现在很多人同时用 Claude Code、Cursor、Codex等等，但每个工具的规范和历史记录都不互通。Trellis 的做法是在项目里建一个 .trellis/ 目录，把代码规范、任务 PRD、工作流都存进去。

不管你切换到哪个 AI 工具，都能把这些上下文注入进去。还支持 git worktrees 让多个 AI 任务并行跑。团队里一个人写好的规范，其他人直接复用。

同时用多款 AI 编程工具的朋友可以看看。

https://t.co/3tIgbFyGg7

[huangserva @servasyy_ai]

最近试了几个爬虫工具，分享下我的使用体验

做 AI Agent 的时候，数据采集是最头疼的环节。

MediaCrawler（45K+ stars）
如果你要做国内社交媒体的内容抓取，这个几乎是唯一选择。

支持的平台很全：小红书、抖音、B站、微博、快手、知乎、百度贴吧。代码质量不错，社区活跃，更新也及时。

唯一的缺点是它专注国内平台，如果你想抓 Twitter，这就帮不上忙了。

Agent-Reach（8K+ stars）
这个工具的口号是"给你的 AI Agent 一双眼睛"。

支持的平台很广：Twitter、Reddit、YouTube、GitHub、B站、小红书。最重要的是它声称零 API 费用，一条命令就能抓取多平台内容。

但我实测下来，它的稳定性存疑。因为它依赖反向工程，平台一更新可能就挂了。如果你是个人项目、预算有限，可以试试；但如果是生产环境，建议还是用官方 API。

jina-cli（226 stars）
一个极简的 URL 解析工具，可以把任意网页转成 LLM 友好的格式（Markdown/Text）。

我用它来快速抓取新闻、博客、文档页面。它的设计理念就是给 AI Agent 用的，所以输出的格式很干净。

不过它受登录墙限制，想抓 Twitter 时间线是不行的。单页抓取没问题，批量采集就别想了。

x-tweet-fetcher（ythx-101，407 stars）
这是专门为 Twitter 打造的工具。

支持抓取推文串、mentions、时间线，还内置了 LLM 分析功能。我现在的 AI 早报就是用它来巡逻 Twitter 账号的。

它的优势是深度集成 AI 分析，支持自动巡逻和智能筛选。缺点是部署有点复杂，而且文档不算完善。

怎么选？
抓国内社交媒体MediaCrawlerTwitter
舆情监控x-tweet-fetcher
零成本多平台抓取Agent-Reach（备用）
快速解析单页内容jina-cli
工具只是手段，选适合自己场景的就行。

GitHub 链接：
MediaCrawler: https://t.co/KgJY37KEwJ
jina-cli: https://t.co/C5x3dB8EN0
Agent-Reach: https://t.co/x5SPl8PdEV

x-tweet-fetcher: https://t.co/51OPWGnVZh

[zanwei.guo @zanweiguo]

这 design skill 不比市面上的强吗🤣https://t.co/IXU3YDFNQx

[向阳乔木 @vista8]

一句话，生成大师级设计！

不会PS、不懂配色、不认识艺术家？

没关系，只需用一句话描述。

AI自动选择最合适的艺术风格，为你生成专业级海报、封面和设计作品。

启发自Mondo，拓展书籍/公众号/唱片封面等设计场景

安装Skill
npx skills add joeseesun/qiaomu-mondo-poster-design

Github见评论区

[Viking @vikingmute]

非常有趣的一个 skills，最近也很火：https://t.co/AGsmIJfk5N
adversarial-review

简单来说：你用 Claude 写代码后，这个 skill 会自动用 Codex（或反过来） 作为 reviewer 来研究你的代码，从不同角度挑刺，确保质量更高、更稳。

必须用对立模型：如果你在 Claude 里跑，就强制 spawn Codex reviewer；反之用 claude -p。不允许用同一个模型的子 agent，根据改动大小自动分配 reviewer。

非常适合 agentic coding

[K-Dense @k_dense_ai]

An AI co-scientist that can't read your own paper library isn't much of a co-scientist. We built a pyzotero skill for Claude Scientific Skills so your agent can search your Zotero collection, pull references, export BibTeX, and download PDFs, all in context. @zotero https://t.co/3cbDkJiw7q

[松果先森 @songguoxiansen]

分享一个为多平台专业UI/UX设计的Skill

目前已26.4K星星⭐️

支持：Claude Code、Cursor、Windsurf、Antigravity、Codex CLI、Continue、Gemini CLI、OpenCode、Qoder、CodeBuddy等

67种UI风格：玻璃化、黏土化、极简主义、粗犷主义、拟物化、Bento 网格、暗黑模式、AI原生UI等等
96种颜色方案：针对SaaS、电子商务、医疗保健、金融科技、美容等行业的特定颜色方案。
57种字体搭配：精选的字体组合，并导入了Google Fonts字体
25种图表类型：仪表盘和分析的建议
13种技术栈：React、Next.js、Astro、Vue、Nuxt.js、Nuxt UI、Svelte、SwiftUI、React Native、Flutter、HTML+Tailwind、shadcn/ui、Jetpack Compose
99条用户体验指南：最佳实践、反模式和无障碍规则
100条推理规则：行业特定设计系统生成（v2.0新增）

Claude Code中直接安装：
/plugin marketplace add nextlevelbuilder/ui-ux-pro-max-skill
/plugin install ui-ux-pro-max@ui-ux-pro-max-skill

Claude Code中直接使用：
当您请求UI/UX设计工作时，该技能会自动激活。只需自然地聊天即可：
Build a landing page for my SaaS product

开源直达：https://t.co/g4ZPa6Nkcp

[余温 @gkxspace]

ChatGPT Plus 4.77刀，Gemini 2.5刀，Perplexity 1.07刀，而且还有质保。

能做到这个价格，其实原理就是：
利用家庭版、高级版本身的优惠政策，但官方只提供整包售卖，个人用户只能承担全部成本。

GamsGo 通过系统化、合规化的订阅拆分，让每个人只需要支付自己实际使用的那一份，如果有问题会按照天数退款。

其实闲鱼很多时候也是这个套路，但它并没有保障，很容易就消号跑路了。

[沉浸式翻译 @immersivetran]

哎呦！发现了一个超级宝藏！

BBC 把自己几十年广播、纪录片、影视里积累的声音资产，直接搬到公众面前的「免费声音金矿」

声音量级离谱大。全站收录两万九千多条专业音效，涵盖自然、交通、机械、人群、动物、脚步声等十多个大类，单自然类就有一万七千多条。

每条都是广播级录音。音效来自 BBC 节目制作现场，环境声、拟音、氛围声的真实感和细节，都明显高于很多「为了素材库而录」的商业音效包。

站点有完整的导航和分类列表，直接按「自然」「交通运输」「日常生活」点进去筛，比很多素材站更友好。​

内置「混音模式」。主页直接给了「混音模式：创建属于你的声景」，可以在网页里叠加多轨声音，现场调出自己的氛围 BGM，这是很多音效库没有的交互玩法。

找素材太费时间。做视频、播客、vlog 时，为了找「真实又不廉价」的脚步声、城市环境声，常常要在各大网站来回试听、筛选、下载。BBC 按场景和类型分好类，直接用搜索框和分类就能精准锁定，极大减少反复试错时间。

免费库要么音质差，要么版权模糊。很多所谓免费音效站，噪音重、采样粗糙，或者标着「免费」，实际授权条款复杂、踩坑风险大。BBC 官方在站内清楚写了使用说明和授权路径：非商业用途可免费使用并署名，商业用途通过指定渠道付费授权，规则透明、风险可控。

新手不会做声景。很多创作者其实不知道怎样把鸟叫、风声、脚步声叠成有情绪的背景。BBC 提供 Mixer 模式，还给出 Radio 1 主持人做混音的示范视频，等于把「怎么用好音效」的教程也一起打包给了你。

想要「电影感」，这类声音很难自己录。森林深处的鸟群、大型体育场人群、军用车辆、老式机械设备的细节声，普通人几乎不可能自己完整采集，但在这里都能找到，并且是 BBC 实战项目里验证过的素材。

做非商业项目，几乎是「白送」。按官方说明，只要是非商业、个人或研究用途，且按要求标注 BBC 来源，就可以免费使用这些音效；一旦触及商业项目，又可以通过 Pro Sound Effects 把同一套声音升级成终身可用的商业授权库，既能先免费试水，也有正规升级路径。

https://t.co/FTxV6jpZ1L

[鱼总聊AI @AI_Jasonyu]

https://t.co/8DOiAAy1mu

[GitHubDaily @GitHub_Daily]

想下载 YouTube、TikTok、Instagram 上的视频，市面上各种在线工具要么有广告，要么限制格式，甚至还得付费。

于是，在 GitHub 上找到了 VidBee 这个开源视频下载工具，支持全球 1000+ 网站的视频和音频下载。

基于强大的 yt-dlp 引擎构建，提供简洁直观的桌面界面，一键暂停、恢复、重试，实时追踪下载进度。

GitHub：https://t.co/F8Xp3LKSzR

最独特的是 RSS 自动下载功能，订阅你喜欢的创作者频道后，其新发布的视频会在后台自动下载，不用手动操作。

同时还可以配合提供的浏览器脚本，在视频网站上直接显示下载按钮，点击即可发送到桌面端下载。

提供 Windows、macOS、Linux 三平台安装包，开箱即用，项目完全开源且持续更新中。