🛠️ Agent Skills
一句话
Google 的 Addy Osmani 开源了一套给 AI 编码代理使用的工程技能包，把 spec、plan、build、test、review、ship 这些流程固化成可复用的工作流。
怎么玩
先打开 GitHub 仓库阅读 README，重点看 8 个命令与 24 个 skill 的分工。最直接的玩法，是把仓库里的 SKILL.md 或整套 skills 目录接到你常用的编码代理里，再从一个真实小需求开始试：先按 /spec 写目标与边界，再按 /plan 拆成小任务，再逐步 /build、/test、/review。若你用的是支持插件/规则文件的 CLI 或编辑器，也可以先只挑 1-2 个最贴近当前工作的 skill，例如 code review、test-driven development，避免一上来全量接入造成习惯切换成本过高。
为什么值得关注
它不是再发一个“更会写代码”的模型，而是把资深工程师常用的流程纪律打包给代理复用。对团队来说，这类 skill 层比单次 prompt 更容易沉淀标准，也更容易迁移到不同模型和工具上。
应用场景
- 给 Claude Code、Codex、Cursor 一类编码代理补上统一的工程验收流程。
- 团队内部沉淀 PRD、测试、发布前检查等可复用规范。
🛠️ qiaomu-design
一句话
一个面向 Claude Code 的设计技能仓库，主打“反 AI 味”界面、四方向风格试衣间和真实设计系统参考库。
怎么玩
进入仓库先看 README 里的“这是什么”“核心能力”和触发词，再按文档方式装进 Claude Code 或兼容的 skill 体系。实际试用时，不要只说“帮我做个页面”，而是给它一个具体任务，例如“重做产品落地页”或“优化博客首页”，让它先跑设计读取与三拨盘，再输出 4 个可视化方向进行选择。挑中方向后，再让它继续生成最终界面与验收清单。这个仓库的重点不是一键出图，而是把“先看方向、再定方案、再交付代码”的节奏强制化，更适合对视觉质量敏感、又不想每次反复人工纠偏的开发者。
为什么值得关注
最近很多 AI 设计产物都陷在同一套紫渐变、居中 Hero、英文排版模板里，这个项目直接把“反模板化”写进规则，还补了中文排版与工程验收，明显比单纯的 prompt 模板更接近可落地方法论。
应用场景
- 独立开发者快速试多套落地页/仪表盘视觉方向，再决定实现哪一版。
- 产品或前端团队把设计评审前置，减少“AI 先做一版再推倒重来”的返工。
🛠️ Omnigent
一句话
Databricks 开源的 meta-harness，用统一层把 Claude Code、Codex、Cursor、Hermes 等不同 agent/harness 组织到一起。
怎么玩
先读 GitHub README 或 Databricks 的发布博文，理解它的目标不是替代某一个 agent，而是在上面再加一层通用接口、策略与协作能力。上手时可先把你现有最常用的 1-2 个命令行 agent 接进来，在同一个任务里实验“不同 harness 切换”“共享会话”“策略控制”这些能力。比如先让一个 agent 生成方案，再让另一个 agent 接手实现，最后通过 Omnigent 的策略层限制推送、花费或网络访问。这样更容易看出它和单一 CLI 工具的差别：它想解决的是跨 agent 的治理、协作和可移植性，而不是只提升单次代码生成效果。
为什么值得关注
现在很多团队已经不只用一个 agent，真正难的是切换成本、权限边界、协作与会话复用。Omnigent 押注的正是“agent 之上的控制平面”，如果这个层成立，会比再出一个新 CLI 更影响团队工作流。
应用场景
- 同时使用 Claude Code、Codex、Hermes 等多套 agent 的团队，想统一会话与策略控制。
- 需要把花费、权限、协作审批放到 agent 之上统一治理的工程组织。
🛠️ Superset
一句话
一个面向 AI 编码代理时代的“代码编辑器/操作台”，核心是用 git worktree 隔离并行任务，同时跑多路 Claude Code、Codex 等 CLI agent。
怎么玩
最适合的试法不是把它当成普通编辑器，而是找一个可以并行拆分的真实项目：比如一条需求拆成“修 bug、补测试、改文档、做小功能”四路。先准备好本地仓库，再安装 Superset，按 README 创建多个 worktree，把不同 agent 分配到不同隔离工作区运行。过程中重点体验它的状态查看、review、打开到外部编辑器、任务隔离这些能力。你会更清楚它解决的是“怎么管理 5-10 个同时工作的 agent”，而不是“怎么让单个 agent 再聪明一点”。
为什么值得关注
并行 agent 现在越来越常见，但冲突、端口、环境和 diff 审核会迅速把人拖垮。Superset 把 worktree 和统一操作台结合起来，踩的是一个非常现实的团队痛点，而不是概念演示。
应用场景
- 独立开发者同时开多路 agent 跑不同子任务，提高一天内的并行吞吐。
- 小团队用本地 worktree 安全隔离多个实验性改动，再统一 review 合并。
🛠️ SeFi-Image
一句话
一个新开的开源文生图模型家族，基于 Semantic-First Diffusion，把语义结构和纹理生成分开处理，提供 1B/2B/5B 与 turbo 版本。
怎么玩
最简单的方式是先打开 GitHub README，看它给出的 checkpoint 表和 inference.py 示例，再选一个最轻的 turbo 版本从命令行跑通。若你已有 Hugging Face 环境，就按仓库说明安装依赖、登录 HF（如需），然后先用默认 prompt 生成一张图，确认 pipeline 跑通后再换成自己的提示词做对比。建议不要一上来就追求最强画质，而是先比较 Base 与 Turbo 在速度、结构稳定性和少量中文文本表现上的差异。如果你平时用 ComfyUI 或自定义推理脚本，也可以把它当作一个新基座来测生成质量和资源占用。
为什么值得关注
现在开源图像模型很多，但真正有新结构叙事的不多。SeFi-Image 强调“语义先行”的扩散路径和更高训练效率，至少说明图像生成赛道还在继续找新的架构折中点，而不只是拼更大参数。
应用场景
- 研究者或模型工程师对比不同文生图架构在结构一致性和效率上的差异。
- 需要本地或可控部署图像生成能力的开发者，测试新开源底模是否适合二次封装。
🛠️ Hy3
一句话
腾讯混元正式开源 Hy3，295B/21B 激活参数，主打 reasoning、agent、长上下文与更高性价比，并给出 GitHub、Hugging Face 与 ModelScope 入口。
怎么玩
如果你关心的是“自己部署跑起来”，先看 GitHub README 里的 Quickstart 与 vLLM/SGLang 部署段落；如果你更关心实际能力，则优先看官网里对 agent、工具调用稳定性、幻觉率和多轮跟踪的说明。试用顺序建议是：先看开源权重与许可证，再选推理框架，最后拿自己熟悉的 coding、文档处理或长上下文任务做小样对比。对于普通开发者，更现实的玩法可能不是本地硬跑，而是先通过兼容平台或 API 低成本测其在前端、办公、CI/CD 一类任务上的性价比，再决定是否纳入工作流。
为什么值得关注
这不是单纯“又一个国产大模型开源”。Hy3 明确把产品反馈、工具调用稳定性、任务成功率与 token 成本拿到台面上谈，说明竞争点正在从 benchmark 走向“能不能当便宜可靠的 agent 底座”。
应用场景
- 需要评估国产开源 agent 模型在 coding、办公与长上下文任务上的企业团队。
- 做模型路由、私有化部署或中转服务的人，寻找更低成本的新选项。
📡 Cloudflare Workers Cache
事件
Cloudflare 发布 Workers Cache，把分层缓存直接前置到 Worker 前面，命中时 Worker 不必执行。
解读
这次更新的关键不是“又加一个缓存 API”，而是架构顺序变了：以前很多 Worker 场景本质上还是每次请求都跑代码，如今 Cloudflare 把缓存真正放到 Worker 前面，等于承认 Worker 已经越来越像“源站本身”。对 SSR、边缘渲染、API 拼装、AI 中间层这类场景，命中缓存后直接不跑 Worker，会同时影响延迟、CPU 计费和系统设计方式。开发者之后会更愿意把更多可缓存响应塞到 Worker 架构里，而不是把它只当轻量前置逻辑。
影响评估
边缘应用、BFF、AI 网关和内容聚合服务都会受益，尤其是那些“逻辑不少但结果可缓存”的 Worker。长期看，这会让 Cloudflare 更适合承接 AI 时代的代理层、渲染层和统一 API 层，而不只是 CDN 边角料。
📡 App Store 回暖，AI 正在把提交量重新拉上去
事件
多条讨论指向同一趋势：Appfigures 数据显示 2026 年一季度全球应用发布量同比大涨，iOS 提交量同比增幅尤其高。
解读
这波增长最值得看的不是“App 还没死”，而是 AI 把“做 App 的门槛”再次压低了。以前不会写 iOS 的人很难真正把一个想法提交到商店，现在一批 vibe coding、模板化生成和 agent 工具把原型到上架之间的距离缩短了，哪怕质量参差不齐，也足以把提交量重新推高。接下来商店审核、分发和发现机制都会承压，因为供给会比过去更快变成洪水，真正稀缺的会从“会不会开发”转向“会不会做出能留下来的产品”。
影响评估
对独立开发者是窗口期，对平台则是审核与垃圾治理压力。更现实的产业后果是：AI 不一定杀死 App，反而可能先制造一轮“超量供给”，把工具、投放、审核与选品市场一起带热。
📡 Claude Code 从“写 prompt”转向“写 loop”
事件
围绕 Claude Code 的讨论继续升温，社区开始把重点从 prompt 技巧转向 loop engineering、长期运行和 verifier/quality gate 设计。
解读
这条线说明 coding agent 竞争正在越过“谁回答更聪明”的阶段，进入“谁能稳定接管更长工作链路”。所谓 loop，不只是多跑几轮，而是把触发条件、停止条件、工件、验证、预算和人工接管点都设计进系统里。对于开发者来说，这意味着以后真正的门槛不只是在聊天框里写一句话，而是能否像搭 CI 一样搭 agent 流程。相关工具、技能仓库、meta-harness、操作台最近同时冒头，也正是这个范式变化的外显。
影响评估
一旦 loop 成为主流，新的入口会落在 orchestration、verifier、成本控制、审计与协作层，而不是单一模型 UI。未来几个月最值得追的，可能就是谁先把“可长期运行的 agent 工作流”做成默认体验。
