00731.eth

🎭AgILt4C6M3pOgDgwZ72YduY+wOXTeu46dk1OwF6AdekUI🎭

[小耳👂Jane｜Xiaoer @xiaoerzhan]

我真的是什么都开源诶～～记得给我star
https://t.co/VhQaHcIKVl

这个地址给你们拿去玩：
https://t.co/Kk6TanliDu

[小墨同学 @legacyvps]

我觉得 BrowserBC 这个思路挺狠，以前是AI蒸馏数据，现在是蒸馏人类。

它不是继续让 Web Agent 从零摸索，而是先让人类把浏览器流程走一遍，再把整条操作轨迹蒸馏成可复用的 Skill，有点像学辅助驾驶那个味道。

说白了就是：

把“会做这件事的人类经验”，变成 agent 下次能直接拿来用的能力卡。

这类东西一旦跑通，意义不只是某个榜单涨了多少。

真正重要的是：

Web Agent 终于不是每个任务都重新踩坑了。

这有点像 agent 时代的“按键精灵”，但比按键精灵更强的一点是，它沉淀的不是死脚本，
而是能迁移、能复用、能喂给小模型的操作经验。

我一直觉得，后面的竞争点未必只是模型有多大，
而是谁先把人类操作轨迹做成真正的资产。

项目地址：https://t.co/I2LlltOXbi

[00731.eth @hbsrc]

@abskoop 开源地址是多少？

[00731.eth @hbsrc]

@sellen1124 @Greta0086 什么录制插件，推崇下。谢谢

[Lyson Ober @lyson_ober]

对了，使用的方法大致就是只要你会审查元素，然后把它们 copy 给 Seraphina，让她清楚地知道你的目标元素是啥就行。如果她没明白的话你还可以保存一下当前页面 html 文件（mac 是 cmd shift s）然后上传上去，配合着你 copy 的 element 代码，这样大致上没问题了。相比之下，直接问 GPT-4 需要花费更多的时间达成共识。

[00731.eth @hbsrc]

@limbopeng 具体用的哪家的代抢？

[Lyson Ober @lyson_ober]

对了，如果想体验的话，介绍如下：

🐍 我是Python网络爬虫专家，熟练使用高级框架（例如selenium）并解决反爬虫措施 😉 让我们快速设计一个网络爬虫代码，为你的科学研究任务收集数据。

🔗 链接在这里：https://t.co/cbP49ZnCHI

[00731.eth @hbsrc]

@DynamicWebPaige @zeke 太厉害了吧

[👩‍💻 Paige Bailey @DynamicWebPaige]

@zeke I didn't think it would work!

Just uploaded the video, and said: "This is a screen recording of me completing a task on my laptop. Could you please write Selenium code that would accomplish the same task?"

[00731.eth @hbsrc]

@FinanceYF5 @minchoi 提示词是什么，它是怎么根据视频就能知道元素的？

[00731.eth @hbsrc]

@minchoi What are the cue words you use?

[00731.eth @hbsrc]

@eviljer @strrlthedev Could you provide the specific link to the bot?

[00731.eth @hbsrc]

@LinearUncle 好像有点东西

[00731.eth @hbsrc]

@zhongerxin 厉害

[钟二信 @zhongerxin]

Cowart：Codex + 无限画布工具插件开源，大家可以来试试啦，这个插件先取名叫 Cowart，别问为什么叫这个，我只能说 Code with Art 这种冠冕堂皇的理由：https://t.co/071tWD3G3L

[00731.eth @hbsrc]

@KyrieCheungYep @Danielshi1 666

[Kyrie @KyrieCheungYep]

Codex 公认最强的 6个 Skill，有没有你没装的

1、Superpowers（227k star）

给 Agent 装上一整套资深工程师的工作方法：
先拆需求，再写计划，按测试驱动开发，最后再派一个子 Agent 回头审查自己的代码。
这是目前最强的 Skill 之一，实至名归

2、OpenAI 官方插件

把 Codex 变成不同岗位的员工，让它不只会写代码，而是进入全岗位工作流。
数据分析可以接 Snowflake，销售可以接 Salesforce，另外还能做投研分析、内容创意、PPT 生成等任务。
开箱即接入 62 个商业应用、110 个预置 Skill。
现在非开发者已经占 Codex 用户的两成，而且比例还在持续上升

3、claude-mem（82k star）

给 Codex 装上长期记忆。
每次对话里的关键信息会自动压缩归档，新开会话时自动注入，不用每次都从项目背景讲起。
多个 Agent 通用，多个代理也能共享同一套记忆资源

4、Agent-Reach（27.7k star）

给 Codex 装上一双互联网的眼睛。
一条 CLI 就能让它去读、去搜 Twitter、Reddit、YouTube、小红书、B 站、公众号等 17 个平台。
否则 Agent 只能搜网页；有了它，就能翻帖子、看视频、抓热点和用户反馈

5、GitNexus（42k star）

把几十万行的老项目整理成一张代码图谱，让 Codex 看懂藏在深处的依赖关系、模块边界和抽象命名。
接手老代码、重构项目、排查历史包袱时，不再像两眼一抹黑

6、Humanizer-zh（10.1k star）

专门去掉 AI 写作痕迹，比如滥用的破折号、空话套话、机械句式。
写文档、README、博客时，最后过一遍非常好用

[钟二信 @zhongerxin]

Codex + 画布工具，以及尝试一种更直觉、更留痕的图片标注修改方式。

直接用 Codex 的好处是 GPT Image 2 也基本可以自由干。

[kabikabi @jakevin7]

分享一下maka 最近在做一件很有意思的事：让 agent 自动优化自己的 system prompt，完全闭环，不需要任何人工介入。Karpathy 的 autoresearch、AEGIS 等都做过类似方向，一个有目标的自我强化学习系统。

https://t.co/H5KQNKTxIA

整个链路：生成 N 个 system prompt 变体 → Harbor 容器评测 → WAL 记录 → acceptance policy 过滤 → 更新 prompt → 继续迭代，直到手动停止。
把写 system prompt 这件事变成了一个有 benchmark 反馈信号的优化问题。

连续四个 PR 合在一起构成的完整系统：
●PR #67 做了底层：固定 prompt WAL 控制器。所有 prompt 候选的实验结果全部用 append-only log 记录，断点可续跑，不浪费已做的实验。同时分开标记 infra failure（容器挂了）和 benchmark failure（prompt 表现差），防止噪声污染评估结果。
●PR #68 加上了 prompt candidate loop：agent 自动生成多个 system prompt 变体，并行丢进 Harbor 容器，每个变体独立跑一遍 Terminal Bench 真实任务，得到 reward 0/1。
●PR #69 是 acceptance policy——定义什么叫更好的 prompt。不是 agent 自己说更好就算，要 benchmark score 实际提升才接受。接受的 prompt 成为下一轮迭代起点，继续生成新候选。
●PR #70 加固了整个评估流程：prompt hash 写进每个 trajectory，controller 验证 hash 是否对得上，确保 agent 跑的确实是这轮的 prompt 而不是旧版本。agent 本身不感知自己在被优化，它就是在正常完成任务，reward 来自独立 verifier，不能自评通过。

[宝玉 @dotey]

这些问题跟传统软件工程一样，你都能在软件工程里面找到答案，只不过执行的主体不再是人，而是人+Agent。

【1】让 Agent 生成的代码能更好地满足需求

1）需求分析

你自己得先搞清楚要做什么，然后让 Agent 搞清楚你要做的是什么。给它充足的上下文，反复确认，否则会南辕北辙，越做错的越远。

Agent 不怕你啰嗦，怕你不说。你觉得显然的东西，对它来说一点都不显然。

2）系统设计

不管多大的功能，都要先设计，设计有几个目的：

对齐需求，确保 Agent 知道你想要什么；拆分里程碑，让 Agent 一次只交付一部分，且每一次交付都可以运行和验证；了解整个系统架构，你可以不自己写代码，但是知道系统长什么样很重要，不了解架构你就没法做有效的代码审查。

最简单有效的方式是用 plan 模式，让 Agent 先出方案。这个过程中 Agent 会问你问题，通过这些问题和最后的设计文档，你们之间会形成一个共识，避免模糊不清就动手写代码。

【2】减少新版本上线后的不稳定，减少线上紧急修复

1）代码审查

前面说了要拆分，拆分细了才好审查。每次提交做一件事，审查的人（包括你自己）才能看得过来。

可以先让 Agent 审查，但人要兜底。Agent 审查能抓住格式、命名、明显的逻辑错误，但业务逻辑对不对、边界条件有没有漏，这些还是得人来判断。

2）自动化测试覆盖

单元测试覆盖会给 Agent 即时反馈，它改了代码跑一下测试就知道有没有破坏已有功能；集成测试也很重要，单个模块测试通过不代表组装在一起也没问题，用模拟数据把主要流程的集成测试覆盖起来；单元测试和集成测试要跟 CI 集成，提交就自动跑，不要依赖人手动触发；端到端测试直接连测试环境或正式环境，通常没那么稳定，但可以代替大部分人工测试，现在有 AI 加持的 browser use 工具，写端到端测试比以前容易很多。

最后一点：自己多测试，不要过于信任 AI，尤其是关键路径和涉及钱的流程。

3）灰度发布

新功能不要着急全量上线，先给内部人用，测试没问题了再逐步扩大范围。加上 feature flag 开关，有问题随时关闭，不用等发版。

4）CI/CD

建立自动化部署、发布和回滚机制。修复了问题能以最快速度自动化验证和发布；出了严重问题第一时间回滚到稳定版本，回滚的速度决定了线上事故的影响范围。

【3】线上问题的自动化修复

1）记日志

不用多解释，没日志一切免谈。补充一点：日志要结构化，要有足够的上下文信息（请求 ID、用户 ID、关键参数），这样 Agent 拿到日志才能还原现场，否则给它一堆无意义的 print 输出，它也分析不出什么。

2）能重现和验证

建立一套和生产环境尽量一致的测试环境，能重现问题、能验证修复。没有重现环境，Agent 只能靠猜，修出来的东西你也不敢上线。

3）CI/CD

跟上面一样，修 bug 本身可能很简单，但不要修一个 bug 搞出三个新问题。自动化测试跑通了再合并，这个纪律不能省。

4）不要过于依赖自动化

说实话，让 AI 全自动修线上 bug 听起来很美好，但目前更现实的路径是：AI 辅助定位问题、生成修复方案、人来确认后再提交。全自动闭环修复，对大多数团队来说还不成熟，建立好的开发、测试、发布流程比追求全自动化更重要。

与其追求 AI 自己修 bug，不如追求AI 帮你少写 bug。前面说的需求分析、系统设计、测试覆盖、代码审查做好了，需要紧急修的 bug 自然就少了。