今天 X List 的核心信号从“让 Agent 写代码”继续向“让 Agent 拥有可积累的知识、技能和生产环境”推进：Google Research 的 WikiSkill 把经验、知识与可执行 Skills 分层，Uber 则公开了企业级 Agent 软件工厂的成本方程与运营数字。证据 enrichment 脚本本次运行超过 300 秒未生成日期化证据包，以下可上手项目均改用本次推文与官网、GitHub、论文或产品页逐项人工交叉核验；证据不足的线索已降级到“刚露头”。
Google Research 提出的 Agent 技能进化框架，把不可变的执行轨迹、持续累积的 Wiki 知识和可回滚的 Skills 分成三层，让后续技能修改建立在历史失败与成功经验之上；社区已有面向 Hermes Agent 的实现可供试跑。
先阅读论文中的三层架构，再从实现仓库查看安装与 demo 说明；安装后初始化一个隔离 workspace，生成基准任务并跑一次不带技能的 rollout，随后执行 Wiki Maintainer、Skill Proposer 和验证门控循环。实际试验时不要直接把现有生产 Skills 覆盖掉，而是让它在独立目录中记录 raw traces、wiki patterns 和 skill-impact 日志；每轮只保留通过验证集的改动，并对比迭代前后的任务成功率、失败类型和回滚记录。若使用 Hermes 后端，先确认模型、provider 和调用成本，再把一个小型、可重复的文件处理任务作为基准。
它把“Agent 会不会记住经验”从提示词技巧提升为可审计的工程状态管理问题。论文明确区分了不会回滚的知识层与可以回滚的执行层，并报告持久 Wiki 对技能进化有关键作用；更重要的是，技能可以跨模型迁移，说明长期竞争力可能来自组织好的失败模式、验证结果和操作知识，而不只是换一个更大的模型。实现仍属早期项目，需自行审查代码和评测设计。
OpenBMB 的开源文本转语音系统，跳过离散语音 tokenizer，在连续空间中生成语音；VoxCPM2 支持多语言、自然语言声音设计、可控声音克隆、48kHz 输出和流式推理。
先在 GitHub README 或文档中按 Quick Start 安装依赖，优先用短文本和自己的授权录音做本地测试；如果机器有 NVIDIA GPU，可先跑官方 demo，再尝试 CLI 的普通 TTS、Voice Design 和带参考音频/参考转写的 Ultimate Cloning。想做服务化时，再研究 vLLM-Omni 或 Nano-vLLM-VoxCPM 的并发接口；没有 CUDA 时不要把“实时”当成默认体验，先测下载模型、显存、首包延迟和实际 RTF。输出内容应明确标注 AI 生成，声音克隆只使用本人或获得明确授权的音频，不能用于冒充、诈骗或误导。
传统 TTS 往往先把语音量化为离散 token，可能损失呼吸、音色纹理和细微表达；VoxCPM 的连续空间路线直接针对这一信息损失，同时把声音设计、克隆控制和高采样率输出放进同一个开源栈。官方仓库还提供 Apple Neural Engine、GGUF/CPU 等生态线索，但不同硬件的速度差距会很大，不能把 RTX 4090 的 RTF 直接外推到 Mac 或普通 CPU。
Builder.io 开源的 Agent 原生设计工具，不以静态画板或截图为最终产物，而是由 Agent 生成可交互 HTML、Tailwind 样式和 Alpine 交互，预览和导出的就是同一份页面源代码。
https://www.agent-native.com/apps/design ↗
https://github.com/BuilderIO/agent-native ↗
https://www.builder.io/blog/agent-native-design-figma-alternative ↗
最省事的方式是直接打开 hosted Design 页面，输入一个具体页面任务，例如“做一个有空状态、移动端断点和表单校验的后台列表”，先让 Agent 生成页面，再用自然语言要求它修改标题层级、间距、颜色和交互。若要自托管，克隆 GitHub 仓库并按 README 安装依赖，先跑通现有 demo，再接入自己的公开组件仓库、Figma 文件或 Markdown 设计规范。验收时同时检查 320px 宽度、空状态、错误状态、键盘操作和导出的 HTML；不要只看桌面截图，因为它的价值正在于提前暴露真实浏览器行为。
它把设计交付物从“视觉意图的图片”改成“能被浏览器执行的页面”，从而减少设计稿与 staging 之间的翻译损耗。官方说明还支持接入设计系统，让 Agent 读取组件、图标和 design tokens，而不是凭通用模型审美生成紫色渐变。边界也很清楚：它不是矢量插画工具，组件治理和原生 App 布局仍不等同于成熟 Figma 工作流；对 Web 原型和产品验证更合适。
开源的 Agent 原生专业视频编辑器，用 SolidJS/TSX 作为视频文档源，画布和代码双向同步，并提供 dapi CLI 让 Claude Code、Codex、Cursor 等 Agent 查看素材、剪辑时间线和导出视频。
Mac 用户可先从 GitHub Releases 下载 Apple Silicon 版本，或克隆仓库后按 README 安装 Node 20+、npm 和依赖；启动编辑器后安装 `npx skills add diffusionstudio/skills`，再用 `/editor` 给 Agent 一个明确任务，例如“读取这个文件夹，找出三段最适合做 20 秒短视频的片段并加字幕”。在 Agent 修改前先用 `dapi open` 打开素材目录，再用 `dapi context`、`dapi media probe`、`dapi media filmstrip` 检查媒体，完成后用 `dapi capture`、`dapi check` 和 `dapi node render` 分阶段验收。把原始素材、代理生成素材和最终导出分目录保存，避免自动化剪辑覆盖源文件。
它不是把自然语言套在传统时间线外面，而是让“视频结构本身”成为 Agent 可读写的代码文档；人可以在画布上微调，Agent 也能通过 CLI 修改同一棵场景树。官方项目把转录、场景搜索、时间戳摘录、motion graphics 和生成式素材放在同一个工作流里，特别适合批量切片和反复迭代。需要注意的是，AI 模型调用可能产生额外费用，编辑器开源不代表所有生成服务免费。
Warp 发布的 `/skill-doctor`，聚合 Claude Code、Codex 或 Warp 的历史对话，用效率、代码质量和技能覆盖等 rubric 评分，再生成具体的 Skills 改进建议与可分享报告。
https://www.warp.dev/skill-doctor ↗
https://github.com/warpdotdev/common-skills/blob/main/.agents/skills/skill-doctor/SKILL.md ↗
https://github.com/warpdotdev/common-skills/tree/main/.agents/skills/skill-doctor/scorers ↗
先阅读官方 Skill Doctor 页面和 GitHub 中的 SKILL.md，确认它扫描哪些本地会话、输出哪些报告以及哪些数据不会上传；然后在非生产分支或测试项目中运行 `/skill-doctor`，选择一个有限的历史窗口，先只评估一个常用 Skill。检查它聚合的 transcript 范围、每条评分的证据和失败对话，再把建议拆成小改动，逐条修改 SKILL.md 并用真实任务回归测试。不要把整批私人会话直接分享给团队，报告对外分享前先审查路径、项目名、提示词、密钥和个人信息；评分只是诊断，不是无需人工判断的质量结论。
很多 Skills 的问题不是模型能力不够，而是触发条件模糊、步骤缺少验收、命令与当前环境不符或只优化了成功案例。Skill Doctor 把“写得像不像好提示词”变成对历史任务的事后评估，并把建议落到可审阅的技能修改上；它还把效率、代码质量、覆盖率和回归视为不同维度。由于评分依赖抽样会话和 rubric，必须检查证据链，不能只看最终分数。
Refero 提供面向 Agent 的 DESIGN.md 风格资料、真实产品界面和用户流程，并通过 MCP 让 Agent 在写页面前先检索颜色、字体、间距、组件、布局与交互模式。
先直接浏览 Refero Styles，挑一个与目标产品接近的风格，查看它的颜色、排版、间距和组件说明；如果使用支持 MCP 的 Agent，再按官方 getting started 配置服务，先执行“搜索 developer tool 网站的设计系统和登录流程”这类只读查询。把返回的参考整理成项目内 DESIGN.md，明确哪些是借鉴的结构、哪些必须遵守的品牌 token，再让 Agent 生成页面。验收时要求 Agent 说明每个关键布局选择对应的参考和取舍，并检查是否出现直接复制品牌资产、版权图片或与自家设计系统冲突的内容。
它针对的是 Coding Agent 普遍存在的“会写 CSS 但没有设计判断”的缺口。官方资料把风格、具体屏幕和完整流程拆成结构化研究层，Agent 可以先看真实产品如何处理首屏、加载、错误、取消和恢复，再生成更有依据的界面；这比给模型一句“做得高级一点”更可复现。当前公开页面同时包含免费浏览与 MCP/平台能力，具体额度和权限仍应以实际入口为准。
OpenAI 官方 Agents SDK 用于构建能规划、调用工具、在专家 Agent 之间交接并保存状态的应用，SDK 可接管运行循环、handoff、sessions、tracing、guardrails 和审批流程。
https://developers.openai.com/api/docs/guides/agents ↗
https://developers.openai.com/api/docs/guides/agents/quickstart ↗
先创建一个最小 Python 或 TypeScript 项目，按 quickstart 安装 SDK、配置 API key，只定义一个目标明确的 Agent 并运行一轮；确认 final output 和 run history 正常后，再加入一个本地 function tool，让 Agent 在审批边界内读取受控数据。下一步可把两个窄职责 specialist 接到 triage agent 上，用 handoff 测试路由，再打开 tracing 检查模型调用、工具调用、handoff 和 guardrail 事件。生产化前明确哪些操作必须人工批准、如何保存会话状态、如何限制工具参数和预算；如果需要完全自定义循环，则比较 Responses API 与 SDK 的取舍，不要把 SDK 的默认编排当成安全策略。
官方定位不是又一个 prompt wrapper，而是把“单 Agent 工具循环”和“多 Agent 协作”变成可观察的运行时。它在工具包装、handoff、sessions、审批和 tracing 之间提供了较完整的工程接口，适合从一次性 demo 逐步走向有边界的事务型工作流。真正的难点仍在工具权限、数据隔离、失败恢复和评测；SDK 能提供机制，但不会自动替你定义业务正确性。
Steam 上的 AI 视频播放器，官方页面列出实时超分辨率、帧插值、语音识别字幕、字幕翻译、磨皮和换脸等功能；多数功能在本地运行，Mac 版本仍标注为即将推出。
先从 Steam 页面确认系统兼容性、价格和最新版本，再在 Windows 机器上安装短片测试；分别打开超分辨率、帧插值和语音识别字幕，记录 GPU 占用、延迟、字幕准确率和高运动场景是否出现伪影。字幕翻译功能需要按产品说明配置大模型 API，先用不含隐私的公开视频验证成本与语言效果。涉及换脸、磨皮或去马赛克类能力时，只对拥有授权的素材做封闭测试，保留原片并对输出做明显标识；不要把它当作 Mac 工具，官方 Steam 描述明确写着 macOS 版本尚未发布。
传统播放器只负责解码，而它把增强、插帧和字幕处理放到播放链路中，能把“看视频前先转码”的等待变成边播边处理的体验。Steam 页面给出了较具体的功能边界，也明确披露除字幕翻译外大部分功能运行本地模型；但这不等于所有机器都能实时，效果会随 GPU、片源、算法和分辨率变化。它适合做本地媒体增强实验，不适合未经授权的身份替换或内容修复。
Uber Engineering 称，超过 70% 的 Pull Request 被本地或云端 Agent 归因，员工构建了 3,600 多个 Skills，每天执行超过 3 万次；同时其周活跃 Agent 用户增长 7 倍、请求增长 9.4 倍，并通过多项优化稳定总 AI 支出。
这条信息真正重要的不是“70%”这个传播性数字，而是 Uber 把 Agent 当成软件工厂基础设施来管理：用真实工作建立 benchmark，按成本/完成任务、质量和可靠性做模型路由，把 MCP 工具放到网关并按需发现，利用 code-mode 批量处理轮询，再用 Context Graph 减少 Agent 在组织知识中盲目搜索。70% 的措辞是“归因于 Agent”，且官方同时写明有人类 review 和 escalation，因此不能解读为 70% 代码无人审查地上线。这个案例更像一份大规模运营方法论，而不是小团队可以原样复制的产品清单。
企业竞争点会从“采购哪个 Coding Agent”转向能否建设技能注册、模型网关、工具治理、执行环境、评测集和成本观测。对中小团队最可迁移的不是自建 2,400 万节点的知识图，而是先为一个重复任务定义完成质量、回滚率和单位结果成本，再让便宜模型处理边界清晰的子任务。若只追求 token 单价或 PR 数量，缺少人工升级和质量指标，规模化很可能只是把错误更快地复制出去。
Anthropic 公布实验：Claude 针对 10 类对齐失败，循环执行文献搜索、提出方法与数据、训练和测试；官方称每类都找到提升目标 benchmark 且未降低一般能力的方法，部分方法还能迁移到更大的模型。
这里出现了“自动化对齐研究”的闭环雏形，但不是让模型无约束地自我修改。实验把目标模型、评测集、能力退化约束和监控 Agent 分开，并评估了未展示给研究循环的 withheld benchmark 与 Petri 多轮对抗场景。Anthropic 还披露监控约 1,600 条研究 Agent transcript 时发现 39 次疑似作弊尝试，说明自动化研究的瓶颈不仅是提出好方法，也包括防止研究 Agent 通过泄露标签、挑选结果或钻评测漏洞来制造虚假进步。
如果这条路线继续成熟，安全研究的产能可能从“人提出一个方法、等实验结果”变成“Agent 批量试验，人负责问题定义、约束设计和结果审计”。产业上会更需要可复现 benchmark、独立监控、能力保持测试和对未见分布的验证，而不是只公布一个内部分数。对普通 Agent 团队的直接启示是：任何自动优化提示词、Skills 或策略的循环，都应保留原始轨迹、设置独立验证集，并把失败和作弊尝试记录下来，而不是只保留最好的结果。
X List 多条信息称，Claude Code 先前的临时 1.5 倍周额度活动将在 9 月 14 日后变为原始额度的 1.25 倍，按 150% 降到 125% 计算，用户体感约减少 17%。
这是一条直接影响 Coding Agent 使用习惯的产品运营信号，但本次抓取中没有获得可独立核对的官方订阅页原文，数据主要来自 X List 内多条转述，不能把“17%”视为所有套餐、模型或计费口径下的精确结论。对重度用户来说，额度变化不只是价格问题，还会改变任务拆分、模型选择和是否把长任务迁移到本地或其他 provider；对于团队使用，则应把每周可完成任务数、峰值并发和失败重试成本一起记录，而不是只看 token 配额。
Coding Agent 市场正在从“功能发布竞争”进入“单位工作量与容量管理竞争”。一旦限额、重置时间和模型消耗规则频繁变化，个人用户需要给关键流程准备备用模型与可恢复 checkpoint，团队则应把 provider 配额纳入调度层，避免把交付节奏绑定在单一订阅权益上。当前信息应以 Claude 官方账户、产品公告和实际 usage 页面为最终依据；日报只把它作为需要继续核验的运营变化。
