hexsecurity

[hexsecurity @hexsecurity]

开源模型 Needle：用在edge端fine tuning以后应该挺好使。

[陈大黄 @realchendahuang]

今天发现了一个挺有意思的开源模型 Needle：

这是一个专门跑在端侧的超微型自动化模型，体积只有 8MB 到 29MB。

它专精两件事：理解用户指令然后调用工具，以及提取结构化 JSON。

本地离线运行。零网络延迟，零 API 账单，设备断网也能秒级执行自动化。

如果遇到搞不定的复杂任务，它还能输出置信度分数，自动转交给云端大模型兜底。

适合场景：
- 智能家居或硬件折腾，想在本地通过自然语言触发控制、调接口。

- 做客户端或本地小工具，想做自然语言意图识别，又不想每次都调云端 API 烧钱。

项目地址：https://t.co/RRdFhyDN3y

[Amto @XAMTO_AI]

IoT 入门常缺成套小例子。

这个仓是作者的 100 天挑战：ESP32、ESP8266、Pico 上用 MicroPython，从读传感器到网页仪表盘都有，不少带代码和接线图。

DHT11、PIR、超声波这些常见模块能翻到，ADC、PWM、Wi-Fi、部分项目有 Wokwi。Hackster 介绍过，Adafruit 通讯里也出现过。

传送https://t.co/J29TpxrSg6

[hexsecurity @hexsecurity]

@MicNguyenn105 @wangxiaolong188 越南社会不是年轻人居多吗？

[hexsecurity @hexsecurity]

@Sixtimenight Technical Discovery BD

[hexsecurity @hexsecurity]

brew install incoai/tap/splash
splash serve --model incoai/Qwen3.8-27B-Splash
or
splash serve --model incoai/Qwen3.6-35B-A3B-Splash

splash claude/opencode

[hexsecurity @hexsecurity]

Inco Splash 这玩意的速度比omlx 快两倍似乎

[Inco AI @inco_ai]

Qwen3.8-27B at 144 tok/s on an M5 Max MacBook Pro ⚡

Meet Inco Splash: our open-source inference engine, built around the model and around Apple silicon.

Up to 3× the decode speed of Ollama, 2× oMLX, and almost 4× when an agent fans out into sub-agents.

[徐伦 @Jolyne_AI]

开源推理引擎 Inco Splash 宣称：在 M5 Max MacBook Pro 上运行 Qwen3.8-27B，可达 144 tok/s。

性能对比上，最高解码速度是 Ollama 的 3 倍、oMLX 的 2 倍；在 4 并发子 Agent + 短 prompt 聚合吞吐场景下，峰值接近 4 倍。

当前支持 Qwen3.8-27B、Qwen3.6-35B-A3B，并针对 Apple 芯片优化。

一旦 27B/35B-A3B 这类 4-bit 模型在 Mac 上跑得足够快，许多编程任务未必还需要频繁调用云端大 API，本地推理有望接回一部分原本外流到云端的负载。

[王长富 @wangchangfu88]

Vibe Coding 现状

很形象...

[Amto @XAMTO_AI]

统计学教材满页公式，会写代码的人也常常卡住。

《Think Stats》反着来：拿 Python 把分布、检验这些概念直接跑出来。第三版的 notebook 就在这个仓库里，官网可以直接读��Colab 上也能开。

探索性分析、pmf/cdf、假设检验、回归、时间序列、生存分析都有涉及，例子多取自公开数据。

需要一点 Python 基础。把它当成能跑的讲义来用，而不是零公式的速成班。
https://t.co/q0TsvSQsOk

[沐阳 @yyyole]

舆情监测的 Skill，这不就呼之欲出了吗！

工作流非常简单，并且成本会低一大截，Agent 每天自动围绕品牌名、产品名、竞品、行业关键词，去搜索新闻、公众号、社媒、论坛等信息源；

抓回来以后，先去重、聚类，把同一件事合并；
再交给 Jev 做判断，正面、负面、中性，分别是什么情绪，负面到了什么程度，有没有扩散风险；

最后再让 Agent 做一层处理：
普通信息进入日报，重点信息生成摘要，高风险负面直接预警，然后出应对建议。

还能继续往下做！！
负面舆情不只是告诉你“负面增加了”，而是进一步拆解，负面从哪里开始、核心争议是什么、谁在传播、扩散速度怎么样、和过去 7 天相比发生了什么变化。

同样的一套工作流，成本降低，速度增快，也是一次了不得的进步！

[三个三 @3three_AI]

Reddit疯传！
最近在 Reddit 的看到一段高赞的“深度思考” Prompt，
我拿 Codex 试了几次，彻底改变了我和 Codex 的沟通方式。

Prompt：
“请先不要回答我的问题。 在给出答案之前，请先完成以下分析：
1、指出我在这个问题中没有明确说出、但已经默认成立的假设；
2、告诉我还缺少哪些关键信息，以及这些信息可能如何改变你的答案；
3、指出人们在处理这类问题时最常犯的一个错误。 然后，请只向我提出一个最关键的问题。这个问题应该能够帮助你理解我的真实目标和具体情况，让最终答案真正对我有用，而不是一份谁都能套用的通用建议。
等我回答以后，你再给出最终输出。
我的问题是：[粘贴你的问题]”

[hexsecurity @hexsecurity]

面向切面的开发

[非著名程序员 @KengGuangLong]

Grill Me Skill 的作者 Matt Pocock 在访谈时也是这么认为的，软件工程很重要。

他说在折腾 AI 编程的过程中，碰到一个很烦人的问题。

Agent 写代码的时候，它会先把整个数据库层写完，再写整个应用层，最后写整个前端。每一层单独看还行，但拼到一起就出问题。因为数据库里的设计会影响前端展示，你得让这些层早一点对上才知道合不合理。可 Agent 总是最后才开始组装。

他觉得这样不行。然后他翻出了书架上一本一直没拆封的《程序员修炼之道》。

他说这本书他买了之后一直没看，还包着塑料膜。翻开以后，几乎每一页都觉得像是写给今天的。里面有一个概念叫 tracer bullet，追踪子弹。意思是做一个功能的时候，不要按层来，要纵向切一刀，从数据库到应用逻辑到前端，先把一条窄窄的路径跑通，确认可行之后再往两边扩展。

他把这个词写进了给 Agent 的提示词里。然后他发现了一件有意思的事：Agent 开始在自己的推理过程中主动使用这个词了。它会说「好的，我把这个做成一个 tracer bullet」。

他管这个叫 leading word，引导词。因为这些经典编程书籍几乎肯定在模型的训练数据里，当你在 prompt 里用了这些专业术���，就相当于激活了模型脑子里对应的那片知识。

他又从《软件设计哲学》里捞出了 deep modules 这个概念，从《领域驱动设计》里拿到了 ubiquitous language 的思路。他发现这些二三十年前的老概念，到了 AI 时代反而更好用了。

[非著名程序员 @KengGuangLong]

Grill Me Skill 的作者 Matt Pocock 在访谈时也是这么认为的，软件工程很重要。

他说在折腾 AI 编程的过程中，碰到一个很烦人的问题。

Agent 写代码的时候，它会先把整个数据库层写完，再写整个应用层，最后写整个前端。每一层单独看还行，但拼到一起就出问题。因为数据库里的设计会影响前端展示，你得让这些层早一点对上才知道合不合理。可 Agent 总是最后才开始组装。

他觉得这样不行。然后他翻出了书架上一本一直没拆封的《程序员修炼之道》。

他说这本书他买了之后一直没看，还包着塑料膜。翻开以后，几乎每一页都觉得像是写给今天的。里面有一个概念叫 tracer bullet，追踪子弹。意思是做一个功能的时候，不要按层来，要纵向切一刀，从数据库到应用逻辑到前端，先把一条窄窄的路径跑通，确认可行之后再往两边扩展。

他把这个词写进了给 Agent 的提示词里��然后他发现了一件有意思的事：Agent 开始在自己的推理过程中主动使用这个词了。它会说「好的，我把这个做成一个 tracer bullet」。

他管这个叫 leading word，引导词。因为这些经典编程书籍几乎肯定在模型的训练数据里，当你在 prompt 里用了这些专业术语，就相当于激活了模型脑子里对应的那片知识。

他又从《软件设计哲学》里捞出了 deep modules 这个概念，从《领域驱动设计》里拿到了 ubiquitous language 的思路。他发现这些二三十年前的老概念，到了 AI 时代反而更好用了。

[hexsecurity @hexsecurity]

Hy-MT2 440MB这玩意对于专有名词应该不行吧？

[Awab_Ehemer @awabx7]

一台入门款 Mac mini，就能在本地运行腾讯新开源的翻译模型。Hy-MT2 把高质量机器翻译的门槛压到了 440MB。

它的轻量版本参数量为 1.8B，通过自研 1.25-bit 量化大幅缩小体积，推理速度达到上一代的 2 倍，翻译效果已超过微���、豆包等商业 API。

更大的 7B、30B 版本，表现也领先 DeepSeek-V4-Pro 等开源模型。

无需联网、不用按量付费，文本留在自己的设备上处理。对个人用户来说，本地翻译终于不再是高���机器的专属能力。

🔗 https://t.co/ua656e1nKu

[hexsecurity @hexsecurity]

@NekoNibbles @Balder13946731 可以在海外提供广告位啊。

[hexsecurity @hexsecurity]

双边、多对多的平台更容易形成长期壁垒。
滴滴、美团这类平台的核心不是简单撮合，而是同时连接大量供给方和大量需求方。

8. 高频业务比低频业务更容易形成独立产品和用户入口。
一个比较理想的标准���用户至少每周使用一次；频率太低，很难长期占据用户心智。

[陈思远Yosef @YosefBlockchain]

转帖：���啸虎昨晚北大演讲核心总结

1. 技术领先只是阶段性优势，长期竞争最终还是回到商业。
技术进步快的时候拼技术；技术扩散快的时候，拼渠道、品牌、供应链、成本、用户入口和运营效率。

2. 判断创业项目最重要的是 3S：
Size：市场足够大
Scalable：能够快速规模化复制
Sustainable：能够长期防御，不容易被大厂复制或吞掉

3. 高度定制化的业务很难 Scale。
如果每个客户都需要重新部署、重新开发、重新服务，本质上更接近服务公司，而不是可规模化的产品公司。

4. 最好的增长是用户主动带来用户。
社交网络、社区和双边平台的优势，在于网络效应和自然传播，而不是长期依赖买量。

5. AI 创业最危险的是做成一个“大厂可以免费集成的功能”。
如果只是一个简单 AI Feature，没有入口、数据、网络效应等壁垒，很容易变成给大厂“打样”。

6. 用户入口往往比单纯的技术领先更加重要。
腾讯能够不断后发追赶，一个重要原因就是微信、QQ 这样的流量入口长期存在。

7. 双边、多对多的平台更容易形成长期壁垒。
滴滴、美团这类平台的��心不是简单撮合，而是同时连接大量供给方和大量需求方。

8. 高频业务比低频业务更容易形成独立产品和用户入口。
一个比较理想的标准是用户至少每周使用一次；频率太低，很难长期占据用户心智。

9. 创业公司最好不要教育市场。
最好的���入点，是用户本来就存在需求、已经形成习惯，只是原来的解决方案不够好。

10. 用户数量本身并不等于商业价值。
更重要的是用户是否愿意付费、是否有留存、是否能够升级到更高价值的服务。

11. 交易越标准化，越容易规模化。
像打车这种“A 点到 B 点”的标准需求，更容易形成大平台；高度非标的家政、美容等服务则更难 Scale。

12. 留存比单纯增长更重要。
朱啸虎提到，其看 AI 产品时，希望看到大致次月留存 50%+、六个月留存 20%+。

13. AI 正在从 Token Maxing 转向 Value Maxing。
未来不是所有任务都要使用最强模型，而是选择最合适、性价比最高的模型完成任务。

14. 开源模型可能逐渐成为 AI 基础设施的重要形态。
朱啸虎将其类比 Linux：随着模型能力趋同和成本下降，开源模型可能获得越来越大的市场空间。

15. 真正成熟的 AI 产品应该把模型和 Prompt 隐藏起来。
用户不需要关心 GPT、Claude、DeepSeek，也不需要自己选择模型，只需要提出需求，系统自动完成任务。

16. AI 最好的创业机会之一，是“旧需求 × 10 倍体验”。
不一定需要创造全新的需求，而是找到已经被市场验证的需求，再利用 AI 把体验提升 10 倍甚至 100 倍。

17. 朱啸虎目前重点提到的 AI 应用方向包括角色扮演、Coding 和视频。
这些场景具有高频、强需求，以及 AI 相比传统技术明显提升体验的特点。

18. 中国 AI 软件出海，开源可能是一种重要获客方式。
相比传统依赖海外销售团队的 SaaS，开源可以通过产品本身和开发者社区直接触达全球用户。

19. 机器人创业不一定追求“通用”，而应该优先解决高价值的具体任务。
相比大量同质化的人形机器人，更值得关注的是水下清洗、工业装配等“高价值、任务明确、泛化要求低”的场景。

总结：技术先进只是入场券。随着技术快速普及，真正决定公司长期价值的，还是市场规模、规模化能力、用户留存、入口、商业模式和壁垒。

[Russell @Russell3402]

很多人其实根本没做过用户调研

嘴上会说，我这个月访���了 100 个客户，我做了多少轮用户调研，我收集了多少反馈

这些都没问题

但真正的问题是，你到底有没有把用户当回事

真正做用户调研，就是要把腰弯下去

你可以直接找一个客户过来，我给你付钱也好，请你吃饭也好，你就坐在我旁边用这个产品

我不急着问你“你有什么需求”

我先看你怎么用

你第一步点哪里，哪里停住了，什么地方你会犹豫，什么东西你完全没看懂，哪个功能我觉得很重要，但你根本没点

然后听他说的每一句话

有时候他随口说的一句话，可能比一张几百人的问卷更值得你回去想半天

因为用户不是一个“样本”，也不是后台里的一行数据

他是一个具体的人

很多现在OPC做产品最大的问题就在这里

东西做出来，卖出去，然后就觉得任务完成了

但卖出去根本不是终点

用户买完以后有没有真的用起来？

他为什��不用？

他在哪一步觉得麻烦？

他最后有没有真的因为你的产品得到价值？

这些东西才决定你的产品到底是不是真的成立

所以所谓用户第一，不是说是一句价值���而已，喊喊口号

它应该体现在很多特别小的事情里

你愿不愿意坐在用户旁边看两个小时

愿不愿意认真听一句你觉得“不重要”的抱怨

愿不愿意在产品已经卖出去以后，继续追着问一句：

你现在到底用得怎么样？

这才是对被调研用户真正的尊重

[小盖 @xiaogaifun]

看来很多人没注意到Anthropic这个论文。

Anthropic 这公司很多事情做得确实细致和严谨。今天周五，下午没什么事，我把他们刚发的这篇论文完整看了一遍。

整篇 57 页，系统研究了如果未来几年 AI 能力继续快速提高，而且真的开始大规模进入工作，到 2030 年，GDP、工资、就业和整个社会的收入分配会发生什么变化。

这套分析框架做得非常好，反正我看完还是有很多收获。它设计了几种不同的 AI 发展情景，然后看每一种情况下，经济和就业的影响。下面是我的笔记。

还有时间的话，我还是强烈推荐看一看，主要是看他们的分析逻辑。同时在看这个的过程中，也确实能够直观地感受到 AI 可能会带来的影响。

1、论文把工作粗略分成了两类。一类是认知型工作，包括管理、专业人士、销售、办公室工作这些，程序员、律师、研究��员基本都在里面。

另一类是其他工作，比如建筑、电工、运输、现场服务这些。

他们先假设，2030 年以前 AI 主要直接影响第一类工作，暂时不考虑机器人快速进入体力工作的情况。

所以后面论文里讨论 AI 对工作的冲击，核心讨论的其实都是今天这些知识工作和办公室工作。

2、论文设计了三种情景，温和、显著和极端。

温和情景下，AI 的发展和普及都比较慢。到 2030 年，GDP 只比没有 AI 的情况高 1.6%。显著情景下，AI 已经成为比互联网影响更大的新技术。

到 2030 年，GDP 比没有 AI 的情况高 8.3%。极端情景下，AI 开始大规模完成原来由人做的认知工作。到 2030 年，GDP 比没有 AI 的情况高 32.4%。

注意，这三个数字不是作者对 2030 年的预测。他们也没有说哪一种情况概率最高。这些都是假设。

3、AI 对工作的影响，主要有两种情况。一种是 AI 帮人提高��率。比如程序员、律师、销售用了 AI，同样时间能完成更多工作，人还留在原来的岗位里。

另一种是 AI 已经可以独立把任务做完。这个时候，人开始���出，原来支付给人的那部分工资，会更多转到模型、算力这些资本上。

4、论文认为，AI 对就业和收入分配影响最大的变量是自动化比例。AI 参与的任务越多，其中由 AI 独立完成的比例越高，人需要参与的工作就越少，收入也会更多流向资本。

拿刚刚提到的显著情景来说。到 2030 年，AI 能影响整个经济大约 30% 的任务，但真正部署到工作里的只有 40%。

算下来，大概有 12% 的经济任务真正用上了 AI，相当于今天认知工作任务的五分之一左右。

更关键的是，这些已经用上 AI 的任务里，四分之三都已经可以由 AI 独立完成，只有四分之一还是 AI 辅助人。

这种情况下，AI 会让这些任务的生产率提高大约 57%。整个经济也明显加速，到 2030 年，GDP 比没有 AI 时高 8.3%，当年的经济增速达到 5.4%。

这个增长速度已经很快了。1999 年美国互联网最繁荣的时候，实际 GDP 增速也只有 4.7%。

5、但经济增长以后，这些新增收入并不会平均落到劳动者和资本身上。

显著情景下，到 2030 年，GDP 比没有 AI 的情况高 8.3%，平均工资��只高 2.1%。

再拆开看，差别更明显。认知型工作的工资反而低了 0.3%，其他职业工资高了 5.9%。所有劳动者加起来拿到的总收入，只比没有 AI 时高 1.4%，但资本收入却高了 18.9%。

原因就在前面讲的自动化。

这个情景里，已经用上 AI 的任务中，有四分之三可以由 AI 独立完成。

原来需要支付工资给人完成的一部分工作，开始交给模型、算力和其他资本完成，对应的收入也更多流向资本。

所以虽然整个经济增长了 8.3%，劳动收入占 GDP 的比例却从 60% 降到了 56.1%，资本收入占比从 40% 升到了 43.9%。

这也是论文一个很重要的结论。AI 可以让整个经济增长得很快，但 GDP 增长多少，和普通劳动者的收入增长多少，是两回事。

6、再具体一点，假设原来的 GDP 是 100，劳动者拿其中的 60。现在 GDP 增长到 132，但劳动者只能拿其中的 45%。

132 乘以 45%，还是差不多 60。

也就是说，整个经济大了三分之一，但所有劳动者加起来拿到的总收入几乎没增加。新增出来的这部分收入，基本都去了资本端（AI 公司）。

7、AI 还会重新抬高那些暂时无法被替代的工作的价值。

极端情景下，认知型工作的工资比没有 AI 时低 11.5%，其他职业的工资���高出 33.6%。

背后的逻辑是，AI 把大量认知任务的成本降了下来，整个经济的产出也随之快速增加。

但经济要多生产这么多东西，依然需要建筑、电工、运输、现场服务这些 AI 暂时完成不了的工作。

于是一个很有意思的变化出现了。

认知工作这边，AI 可以直接补充供给，企业对人的需求下降，工资受到压制。

其他工作这边，AI 暂时补不上，但整个经济扩张以后，对这些工作的需求反而增加。即使一部分认知工作者转过去，也未必能完全补上新增需求，所以工资会上涨。

这也是为什么 AI 越强，不同职业的工资不一定一起上涨或者一起下降。

越容易被 AI 完成的工作，人的价值越容易受到压制；越难被 AI 接手的工作，反而可能因为整个经济增长而变得更值钱。

8、前面说了，AI 会减少一部分认知工作的需求，同时整个经济增长，又会增加建筑、电���、运输、现场服务这些工作的需求。

问题是，人没法跟着岗位变化立刻完成转行。

论文举了一个很形象的例子。一个软件工程师失去工作以后，很难马上转去做电工。换一个行业，需要重新学习，需要寻找岗位，过去积累的很多经��也未必还能直接用。

当然不一定是电工，也可以是保险经理等等服务行业的工作。

所以即使整个经济里还有新的工作机会，中间依然可能出现失业。AI 接管旧工作的速度越快，劳动者转换职业的速度越慢，这批暂时找不到新工作的人就会越多。

9、同样一次 AI 冲击，最后可能表现成两种结果，一种是降薪，一种是失业。

论文专门做了一个对比。AI 的能力、自动化程度都保持不变，只看企业在用人变少以后，工资能不能跟着下降。

如果工资可以快速下降，企业会继续保留更多人。结果是，认知工作者的工资比没有 AI 时低 42.2%，但失业率只有 2.6%。

如果工资很难下降，企业需要的人已经变少了，工资却降不下来，那最后只能少招人、裁更多人。

这个情况下，认知工作者的工资甚至还能比没有 AI 时高 2.8%，但失业率会升到 24%。

所以 AI 减少用工需求以后，结果不一定只表现成失业。工资越容易下降，更多影响会落在收入上。工资越难下降，更多影响就会落在就业上。

10、还有一个我觉得很有启发的概念，叫 so-so automation，可以理解成收益不高的自动化。

比如以前一个人完成某项工作需要花 100 块钱，现在 AI 可以把任务接过去，成本变成 95。

对公司来说，人确实可以不用了。但从整个社会来看，这项技术其实只创造了 5 块钱的效率提升。

原来支付给劳动者的那一大块收入，却已经随着任务一起转到了资本端。这种 AI 会替代很多工作，但整个社会并没有因此多创造多少财富。

11、AI 越能独立完成工作，企业就越需要更多算力来承接这些任务。

如果算力供给能快速跟上，企业需要更多算力，市场也能及时增加，价格就不会被明显推高。这样一来，资本因为稀缺拿走的收益不会太多，劳动者也能通过工资分到更多。

如果算力供给跟不上，情况就反过来了。所有公司都在争抢有限的算力和设备，需求越高，价格就越容易上涨，更多收益也会流向资本所有者，留给工资的部分自然就会减少。

当然，这个模型也做了很���简化。它把算力这些都放进了一个统一的资本项里，没有单独去算模型价格、推理成本持续下降这些变化。现实里，这些因素可能会缓解一部分资本稀缺。

但如果未来模型的长程任务能力已经非常强，AI 真正开始大规模接手工作，那接下来一个很现实的问题就是，有没有足够多的算力、数据中心和电力，把这些能力真正跑起来。

到那个阶段，算力供给很可能会成为一个重要瓶颈。

12、不过即便在最极端的情况下，AI 创造的新增收益，依然远远高于认知工作者损失的收入。

论文算下来，整个经济增加的收益，大约是认知工作者收入损失的三倍。

理论上，只要拿出相当于 GDP 9% 的收入，就可以让受影响的认知工作者维持原来的收入水平。而剩下的人，整体收入依然能比没有 AI 时高 20% 以上。

所以真正麻烦的地方，可能不是 AI 创造的财富不够多，而是这些财富最后怎么分。

论文也专门提到，过去无论是技术变革还是贸易冲击，受益的人很少会主动补偿那些受到冲击的人。

AI 如果真的走到极端情景，最后要解决的可���就是这个问题，怎么让那些被 AI 替代、降薪的人，也能分到 AI 创造出来的增长。

13、AI 加速科学研究这条路径，在 2030 年以前反而没有贡献特别多的经济增长。

即使在极端情景里，AI 确实可以帮助科研，但很多研究最终还受到实验、物理世界这些环节限制。

所以他们算下来，通过加速科研带来的额外劳动生产率提升，在三种情景里都不到 1%。

当然作者自己也承认，这部分模型没有把 AI 帮助 AI 研究之后的递归反馈完整算进去，所以这个结果很可能偏保守。

挺有意思，推荐大家去看看。Anthropic 官方还做了一个漂亮的解析网页，论文链接我放评论区了。

[hexsecurity @hexsecurity]

最近天天吹Jev，也不知道能代替全浏览器吗？能阻止浏览器的防爬虫检测吗？

[SuSu_酥酥👅 @NFT_Chen]

🔥推荐！让 Codex 搭配 Jev 成双王炸，浏览器操作速度提升 5–10 倍！

痛点很简单：Codex 自己点页面时，每一步都要读 DOM、推理、再调工具，来回一卡就是半天。

现在让 Jev 把「点、跳、切、滚」抢走，Codex 只负责想、输入、看图验收。

主要亮点：
🔹Jev 连续跑动作，Codex 只在需要打字/看图时接手
🔹少一轮模型往返，就少一截延迟和用量

操作步骤：
1️⃣准备 Codex（带浏览器/CUA）+ Node.js 22+ + TypeSafe API Key

2️⃣装 Skill：把仓库交给 Codex，或跑 npm run install:codex -- --env-file .env

3️⃣加载 jev-use，让 Jev 接管点击/跳转/滚动

4️⃣需要判断或输入时交回 Codex，处理完 Jev 接着跑

5️⃣用真实产品页/自动化测试验收，别盯着它慢慢点

独立开发、天天跑页面测试的，值得试一把。

已开源 Skill：https://t.co/KI1B4lja2I

#AI工具 #Codex #Jev #开源项目 #浏览器自动化 #独立开发 #agentskill #GPT6ComputerUse