🛠️ Google agents-cli
一句话
Google 开源的一套 CLI + skills 组合，让本地编码助手更容易在 Google Cloud 上创建、评估和部署 AI agents。
怎么玩
先进入 GitHub 仓库阅读 README，再按仓库提供的安装方式准备环境。证据包里给到的仓库描述明确写着它是“turn any coding assistant into an expert at creating, evaluating, and deploying AI agents on Google Cloud”，项目主语言是 Python，最近一次更新在 6 月 30 日，星标约 3.6k。实际动手时，适合先把它当成“给现有 Agent 加一层 Google Cloud 工作流能力”的工具：先看示例 skill 和命令结构，确认你的本地编码 Agent 能读取 skill，再从最小场景开始，例如创建一个测试 agent、跑评估、再尝试部署到云端，而不是一上来就接生产项目。
为什么值得关注
这不是又一个从零写 Agent 的框架，而是把“云端 Agent 的构建、评估、部署知识”打包成 CLI 与 skills，思路很贴近现在的 Agent 实战。外部证据显示它已拿到约 3.6k GitHub stars，说明开发者关注度不低；更重要的是，它把“给 Agent 一套可执行文档/技能包”这件事做成了产品形态，方向很值得盯。
应用场景
- 已经在用本地 coding agent，但想把 agent 工作流接到 Google Cloud。
- 团队要做云端 agent demo、评测或 PoC，希望少写一层重复脚手架。
🛠️ Kami
一句话
一个把 AI 生成内容排成“能直接交付”的文档/幻灯/报告设计系统与模板工具。
怎么玩
先去 GitHub 仓库看 README 里的 Showcase 和 Install 部分。外部页面明确给了多种成品示例，包括 Resume、Equity Report、Slides、One-Pager、Changelog、Portfolio，并且 README 直接写了安装入口：Codex 插件市场可用 `codex plugin marketplace upgrade kami` 和 `codex plugin add kami@kami`，也支持通用 agents 通过 `~/.agents/` 方式接入。实际体验建议先挑一个最短路径：例如先用它生成一页产品 brief 或几页 slides，再观察模板对字体、留白、配色和图表风格的约束效果；如果你平时会让 Claude/Codex 生成文档，这类约束式模板最容易立刻见效。
为什么值得关注
README 里写得很清楚，Kami 的核心不是“再造一个编辑器”，而是给 AI 输出增加一套稳定设计约束，让每次生成不再漂移成灰扑扑、版式不一致的默认文档。证据包显示仓库约 9.3k stars，更新很新；再结合 README 展示的跨语言、多模板 PDF 样例，它更像是面向 Agent 时代的“文档外观层”。
应用场景
- 用 AI 快速生成简历、提案、一页纸、更新日志、演讲稿配套 slides。
- 团队内部统一 AI 文档的视觉风格，减少后期人工排版时间。
🛠️ 视频转步骤文档生成器（video-to-doc-stepfun）
一句话
把操作视频自动转成带截图、带文字说明的步骤操作文档，可输出 Markdown 和 PDF。
怎么玩
这个仓库的 README 信息比较完整，适合直接照着试。它说明了默认是“字幕驱动”模式：先用 Whisper 提取带时间戳字幕，再由 AI 根据字幕识别操作步骤；也支持更贵的“上传视频给 AI 看画面”的增强模式。开始前先确保本机有 `ffmpeg` 和 `whisper`，再配置 `.env` 里的 StepFun API Key。随后可以先用一段自己录的产品操作视频做最小实验：跑命令生成字幕、截图、`steps.json`、`operation_guide.md` 和 `operation_guide.pdf`。如果你不想走命令行，README 还给了 FastAPI + React 的 Web 方案，前端默认访问 `http://127.0.0.1:5173`。
为什么值得关注
它把“录屏教程 → 可编辑文档”这条常见但麻烦的链路串起来了，而且 README 明确给出了产物结构、参数说明和 Web API。虽然仓库还很新、星标不高，但功能闭环完整，特别适合拿来做 SOP、客服帮助文档和产品 onboarding。对经常录教程的人来说，这种工具的节省时间是立竿见影的。
应用场景
- 把后台操作、软件使用录屏自动整理成客服/运营 SOP。
- 给新员工或客户快速生成带截图的上手手册。
🛠️ Cursor for iOS
一句话
Cursor 推出的 iOS 客户端，可在手机上启动云端 agent，或远程控制电脑上的 agent。
怎么玩
官方 changelog 和博客都给了很具体的入口。当前它处于 public beta，且“all paid plans”可用；安装入口直接指向 App Store。上手路径很清楚：打开 app 后选择一个 repo，像桌面端一样启动 cloud agent；也可以用 Remote Control 接管正在你电脑上运行的 agent，从手机继续发指令。官方还提到可以开启“保持电脑唤醒”的设置，确保人离开桌面时本机仍可被远程访问。实际使用时，最适合先拿一个短任务试，例如修一个小 bug、看 agent 运行日志、审 diff、再在手机上发 follow-up 指令，最后直接合并 PR。
为什么值得关注
这不是单纯把聊天框搬上手机，而是把“agent 工作流”搬上手机。官方博客明确提到它支持查看 demos、screenshots、logs 和 diffs，还能推送任务完成、需要输入、等待 review 的通知；另外 7 月 5 日前在移动端跑 Composer 2.5 还有 75% 折扣。对高频使用 AI 编程的人来说，这意味着很多等待型任务终于能在碎片时间里推进。
应用场景
- 出门在外时远程启动或续跑代码 agent，处理紧急 bug 或 on-call 任务。
- 用手机追踪长任务进度、审查产物、补充说明并合并 PR。
📡 Meta Brain2Qwerty：非侵入式脑信号转文字继续推进
事件
Meta 论文页面显示，Brain2Qwerty 可在不做开颅手术的前提下，用 EEG/MEG 脑信号解码句子级文本。
解读
这条更适合放行业动态而不是“可立刻上手”，因为普通人并不能直接试玩，但研究进展本身很强。Meta 官方论文页写得很具体：在 35 名健康受试者上，MEG 条件下平均字符错误率 32%，EEG 为 67%，最佳参与者可到 19% CER，并能正确解码训练集外的一些句子。推文里流传的“61% 词准确率、最佳 78%”属于传播口径，但核心方向一致：非侵入式方案正在逼近更实用的句子级解码。
影响评估
如果这条路线继续成立，未来最大的意义不是“读心”噱头，而是给失语、失动患者提供更安全的沟通接口。产业层面上，它也会推动脑机接口从单纯硬件竞赛，转向“传感器 + 解码模型 + 数据闭环”的系统能力竞争。
📡 Zenith：长时任务 Agent Harness 开始卷“控制层”
事件
Intelligent Internet 发布 Zenith，主打让 Agent 在长周期任务中不那么容易“过早宣布完成”。
解读
Zenith 的价值不在某个单点模型，而在 orchestration。GitHub README 把问题定义得很直接：长任务失败的主因常常不是做不动，而是太早停。它的做法是让 orchestrator 在每一轮读取任务状态后，动态决定要不要派 worker、tester、复用 skill、重规划或停止。README 还给出了 FrontierSWE 与 ablation 的结果表，把“重复找 gap、可修订计划、独立验证、停止纪律”这些控制机制摆到台面上讨论，这比单纯比模型分数更有启发。
影响评估
这说明 Agent 竞争正在从“底模谁更强”逐渐外溢到“控制器谁更会管任务”。对做企业落地和复杂自动化的人来说，今后可复制的优势，可能越来越来自任务编排、验证环和停止条件，而不是只押注某家模型升级。
