🛠️ 乔木 Goal + AI PRD Skills
一句话
一组面向 Codex/AI 编程助手的工作流 Skill：Goal 把模糊任务整理成带结果、验证、约束、边界和暂停条件的可执行目标，AI PRD 则把一句产品想法展开成 AI 可以落地的产品需求文档。
怎么玩
先在支持 Agent Skills 的 Codex、Claude Code 或兼容环境里打开两个仓库的 README，按说明安装；Goal 仓库明确提供 npx skills add joeseesun/qiaomu-goal-meta-skill。安装后先拿一个你平时会直接丢给 AI 的模糊需求，例如“做一个有导入、复习和统计的单词网站”，先让 Goal 生成带验证条件的 /goal，再把同一需求交给 AI PRD 生成速读卡、模块、数据模型、优先级和验收脚本，最后让编程助手按验收脚本实现，而不是直接凭感觉开写。
为什么值得关注
它把“提示词写得好不好”转成了更容易检查的任务合同，尤其强调验证证据、写入边界、迭代次数和暂停条件。对于 Vibe Coding 来说，这比再换一个模型更直接地减少跑偏、无限改稿和交付标准不清的问题，也便于把一次性经验沉淀成团队可复用的开发入口。
应用场景
- 把一句产品想法快速变成可交给 AI 执行的 MVP 任务书。
- 在修 bug、做重构或发布前，为 AI 补齐验证、边界和停止条件。
🛠️ OpenCut Classic：当前可用的开源剪辑线
一句话
OpenCut 是面向网页、桌面和移动端的开源视频编辑器；当前主仓库正在从头重写，官方 README 明确建议今天要试用时先用 classic 版本，官网仍运行旧版。
怎么玩
先打开官网，用一段不含敏感素材的短视频做小规模试用，重点观察导入、时间线编辑和导出是否满足你的最低需求；不要把主仓库的重写状态误当成已经完成的桌面产品。若想研究它的后续路线，再进入 OpenCut-app/OpenCut 阅读 README，关注 Editor API、插件架构、跨端 Rust 核心、MCP、无头模式和脚本标签等规划；如果要参与开发，按仓库当前的 proto 与本地开发说明启动，而不是直接照旧版教程判断新架构。
为什么值得关注
这个项目的关键价值不是“又一个 CapCut 平替”口号，而是把视频编辑器拆成编辑 API、插件、跨端核心、MCP 和批处理自动化等可组合层。更重要的是，官方主动标明重写仓库与今天可用的 classic 版本边界，降低了用户把路线图当现成功能的风险。
应用场景
- 先用 classic 版本验证个人短视频的基础剪辑需求。
- 研究 AI agent 如何通过 MCP、脚本和无头渲染进入视频编辑流程。
🛠️ CodexThemes
一句话
一个为 Codex 桌面应用收集、预览、分享和提交自定义主题的主题站，提供按颜色、氛围和风格浏览的可视化入口。
怎么玩
先打开 CodexThemes，从首页的主题集合里按视觉风格挑一个，进入详情页查看完整工作区预览；如果你已经在使用 Codex，再按页面或原推作者给出的 Agent-Native 流程，把主题管理提示词交给 Codex，让它协助创建、查找、安装或启用主题。想自己做主题时，先从站内的“创建主题”入口或 awesome-codex-themes 参考开始，准备主题配置和截图，确认桌面版 Codex 的主题格式后再提交，先在自己的工作区验证配色、可读性和代码高亮。
为什么值得关注
它把“给 AI 编程工具换皮肤”做成了可发现、可预览、可分享的目录，而不是散落在社交平台里的截图。对长时间使用 Codex 的人，主题不仅是装饰，也能成为个人工作区识别、团队风格和 Agent 生成主题工作流的低成本实验场；不过主题兼容性仍应以实际桌面版本为准。
应用场景
- 为不同项目或不同工作模式准备独立的 Codex 工作区视觉主题。
- 用主题配置测试 Agent 是否能完成从生成到启用的闭环操作。
🛠️ gemma-trainer
一句话
Google 生态中用于引导本地 Gemma 微调的 Agent Skill/教程路线，目标是让开发者用自己的数据把开放权重 Gemma 调整到特定任务或领域。
怎么玩
先阅读 gemma-trainer 的教程，确认本机显存、Python/训练框架和目标 Gemma 版本，再准备一小份脱敏、格式一致的任务数据；不要一开始就拿全部业务数据跑。按照 Google Gemma 微调文档选择训练方式与评估集，让 Agent 帮你检查模型类型、数据字段、训练参数和输出目录，完成一次小规模试跑后，用训练前后的固定测试集比较任务准确率、格式遵循和泛化情况。若本地资源不足，先把流程验证清楚，再考虑量化或云 GPU，而不是把“能启动训练”当成效果达标。
为什么值得关注
它把微调从一堆零散命令变成了更适合 Agent 协作的任务流程：模型选择、数据准备、硬件约束和结果检查都被放进同一条路径。Gemma 的官方文档也明确支持针对任务或领域调整模型，因此它的价值在于降低第一次本地适配的门槛；真正效果仍取决于数据质量、评估设计和硬件，不能只看训练成功。
应用场景
- 给客服分类、格式化抽取或内部术语任务做小规模领域适配。
- 在本地实验不同数据配方，再决定是否把模型推到更大规模服务。
🛠️ TrAIcer
一句话
一个开发者自托管的 AI 编程调用捕获工具：只记录主动经过它路由的支持提供商请求，做脱密、加密并把加密 trace 放到开发者自己控制的 S3 兼容存储，未来可用于受控的 trace 市场交付。
怎么玩
先读仓库的 Getting Started、Threat Model 和 preview limits，只用非敏感项目做试验；按 CLI 文档启动本地 capture 服务，把一个明确支持的 Anthropic 或 OpenAI 客户端通过 Traicer 网关路由，运行 traicer status 与 traicer traces list 确认服务、存储和待处理清单，再用 traicer explore 主动检查单条加密 trace。重点审阅脱密报告、存储权限、密钥管理和删除流程；不要把它当成覆盖所有流量的 DLP，也不要把生产仓库、真实客户提示词或长期凭证直接接入预览版。
为什么值得关注
它把 AI 编程过程的“可复盘数据”与“原始内容留在自己手里”放在同一设计里，强调本地脱密、开发者控制的存储和可追溯清单，而不是把完整会话直接上传平台。与此同时，README 明确提醒它仍是 operator preview、市场账户也未普遍开放，这种安全边界说明本身就是采用前必须看的工程证据。
应用场景
- 在脱敏环境中建立 AI 编程调用的本地审计与回放样本。
- 研究如何在不交出工作历史的前提下共享经过筛选的工程 trace。
🛠️ Scribe
一句话
一个单二进制、可自托管的 CLI，读取 Git 历史、Claude Code/Codex 会话和主动提交的 URL，经过 BM25 筛选与两阶段吸收后，把知识写成 Git 中的 Markdown wiki，供下一次 Agent 会话读取。
怎么玩
在 macOS 上先执行 brew install oliver-kriska/scribe/scribe，再运行 scribe init，让它建立知识库和 Agent handshake；确认生成的配置只指向你愿意处理的项目后，按站点说明安装 cron，让 Git、Claude Code、Codex 会话与自发 URL 进入采集。先用 scribe 的查看、搜索和项目范围命令检查输出，再决定是否开启周期任务；如果希望完全本地运行，按文档把 LLM 操作切换到 Ollama，观察 Markdown、反向链接和 Agent 读取结果是否真的比手写笔记更有用。
为什么值得关注
它没有把“记忆”包装成必须在线运行的复杂向量服务，而是先用密度过滤、实体化 Markdown、Git 版本和 BM25 检索解决开发者最常见的上下文断裂。跨项目、可审阅、可回滚和支持 Ollama 的设计，特别适合想让 Agent 记住决策原因、又不愿把知识锁进某个 SaaS 的个人开发者。
应用场景
- 把多个项目的编码决策、故障修复和链接自动沉淀为可检索知识库。
- 让新的 Claude Code 或 Codex 会话在动手前先读取历史约束与已验证方案。
🛠️ Forall
一句话
一个开源 AI coding agent，把规格驱动的代码生成与机器可检查证明放在同一工作流中，目前支持 TypeScript、Java 和 Rust，并可通过 MCP 只接入验证能力。
怎么玩
先在 GitHub Releases 查看可用版本，阅读 README 后运行仓库提供的安装脚本；安装完成用 forall --version 确认 CLI，再进入一个可回滚的测试 Git 仓库执行 forall init。先从小函数或明确规格开始，观察 Agent 生成的代码与证明报告，再逐步扩大范围。若不想安装完整 CLI，可按文档创建 Forall API key，把 @astrio/forall-mcp 接到 Cursor、Claude Code 或 Codex，先使用 verify-only 路径检查现有改动；务必把账号、模型 API、支持语言和证明失败的处理方式纳入评估。
为什么值得关注
多数 AI 编程工具把测试、审查和正确性留在生成之后，Forall 把规格与机器可检查证明前置到编码循环里，切中了“看起来能跑”与“可证明满足约束”的差距。它还提供 CLI 与 MCP 两种接入方式，既能完整替换工作流，也能作为现有 Agent 的验证层；但当前支持语言有限，适合从可形式化的小问题开始。
应用场景
- 为对边界条件敏感的 TypeScript、Java 或 Rust 代码生成验证证据。
- 在保留现有 Cursor、Claude Code 或 Codex 的情况下增加 MCP 验证环节。
🛠️ PixelUp
一句话
一个面向 Windows 的本地离线 AI 视频放大器，使用 FSRCNN 与 ESPCN 等轻量模型，把低分辨率视频放大到更高分辨率，并支持硬件加速、批处理和音频同步。
怎么玩
在官方页面先下载免费试用包，解压后在 Windows 机器上用一段可公开的短视频测试；把文件拖入队列，选择目标放大分辨率，观察 CUDA、Vulkan 或 CPU 回退是否正常，再比较处理速度、纹理细节和输出文件的音画同步。确认单个文件效果后再加入多个任务测试批处理。官方页面称它完全离线、无需账号，并提供一次性授权方案；因此适合先做本地画质和成本对比，不要把宣传页的“专业效果”直接等同于你的素材一定会提升。
为什么值得关注
它的卖点是把视频增强放在本地完成，而不是把素材上传云端；同时提供 CUDA、Vulkan、CPU 的回退链和 FFmpeg 音频处理，解决了“能放大但音画不同步”这类实际问题。对有隐私要求、又只需要偶尔处理素材的人，离线试用和一次性授权比订阅型云服务更值得比较。
应用场景
- 对家庭视频、课程录屏或旧素材做离线清晰度对比。
- 在不上传原片的前提下批量尝试不同放大目标和硬件路径。
📡 Kimi K3 把开放权重推进到前沿编程竞争区
事件
Moonshot AI 发布 Kimi K3，公开讨论集中在约 2.8T 总参数、百万级上下文、编程/Agent 任务表现与后续开放权重计划。
解读
这条信号值得看，但不能把单条 X 推文里的“击败某模型”当成独立评测结论。补充资料显示，K3 已通过 Kimi、Kimi Code 和 API 等入口提供服务，公开分析把它放在前沿模型竞争中，同时也指出它整体排名并非所有维度第一。真正的变化是开放权重模型开始同时争夺长上下文、多模态、长程编码和 Agent 交付体验，开发者可以把价格、可部署性和模型控制权一起纳入选型，而不只比较聊天榜单。
影响评估
闭源模型的高价与配额优势会受到更直接的压力，模型供应商可能进一步用订阅层级、API 价格和开放权重节奏争夺开发者。对应用团队而言，应把同一套真实仓库任务、token 消耗、工具调用稳定性和部署成本做成回归集；对个人开发者而言，先体验在线入口，再等权重与推理生态落地，比仅凭宣传参数迁移生产系统更稳妥。
📡 Claude Fable 5 的订阅权益从临时加量转成长期分层
事件
公开转述显示，自 7 月 20 日起 Fable 5 将纳入 Max 与 Team Premium，按 50% 限额提供；Pro 与 Team Standard 主要通过额度/积分访问，并获得一次性额度。
解读
这不是单纯的模型发布消息，而是高算力模型如何被产品化的定价实验。此前的临时延长和周限额加成让用户形成了持续使用预期，新的方案则把“模型可用性”拆成订阅档位、周限额和额外积分三层。它一方面给 Anthropic 更稳定的容量控制，另一方面也会让重度编程用户重新计算每周可完成的任务量、重试成本和切换模型的摩擦，尤其要区分网页聊天、Claude Code 与其他产品入口的真实额度。
影响评估
AI 编程订阅正在从“买一个套餐即可无限试”转向按模型能力和算力稀缺程度分层，用户的迁移成本会更多体现在上下文、工作流和额度管理上。团队采购时不应只看月费，而要记录一次完整任务的 token、重试、等待和人工验收成本；个人用户则应准备至少一个可替代模型或本地路径，避免某次权益调整直接打断交付。
📡 GUI 测试正从确定性 E2E 向 Computer Use 补位
事件
开发者讨论指出，Web GUI 测试仍应以 Playwright 等传统 E2E 为主，Computer Use 可覆盖传统脚本难以处理的视觉与真实交互流程，但成本更高、稳定性更差。
解读
这代表 Agent 在软件交付中的位置正在从“写代码”扩展到“像用户一样验收”，但并不意味着用视觉 Agent 替代全部自动化测试。确定性的 DOM、API 和回归测试适合做快速门禁，Computer Use 更适合补充跨应用、复杂状态、视觉布局和真实浏览器流程。工程上应先把可重复的断言留给 Playwright，再把少量高价值、传统脚本难覆盖的流程交给 Agent，并保存截图、日志和重放结果。
影响评估
测试团队的瓶颈可能从“有没有测试”转为“如何组合不同可靠性和成本的测试层”。如果把 Computer Use 直接放进每次提交门禁，延迟、模型波动和误报会迅速抬高维护成本；如果完全不用，又会错过跨界面验收的覆盖率。更现实的路线是分层：快速确定性回归、夜间 Agent 探索、人工复核高风险路径。
