今天的信号集中在“Agent 不只是会写代码，而是开始拥有可复用的工作流、审美和验证环节”：一边是 huashu-art-motion、Waza、Pi Harness 这类可以马上装起来的技能与工具，另一边是图像编辑、层次化世界模型和 AI 数学成果公开，说明模型能力正在从单次生成走向可重复的生产系统。本次 Agent Reach/HNRSS 补充抓取超过执行时限，以下判断以 X List 与已实际核验的 GitHub、官网、arXiv、Google 官方文档为主；证据不足的候选已降级到早期信号或值得关注。
一个开源艺术动画 skill，把 35 种艺术风格、9 种解说语法和参数化片段组织成可复用的代码创作流程，适合用 Claude 等 coding agent 做风格化短片、白板解释和口播动画。
先准备 Node.js、uv、ffmpeg 和 Playwright Chromium，在终端执行 `npx skills add alchaincyf/huashu-art-motion`；第一次运行按 README 执行 `uv run --with playwright playwright install chromium`。随后让 coding agent 读取 skill，先从仓库里的示范场景选一种风格，再把主题、角色、旁白和镜头节奏替换成自己的内容，运行脚本生成帧或动画。白板、Vox、讲解员等语法要先看对应参考代码；第九种讲解员语法需要自备角色素材，完整口播示例是代码快照，不要误认为下载后即可一键渲染。
它的价值不只是“换滤镜”，而是把画面风格、镜头运动、角色动作和口播结构拆成可重复的工程资产。README 同时给出样片、风格配方和许可证边界，适合拿来研究如何把一次性提示词沉淀成 agent skill；但仓库目前规模仍小，真实项目应先跑通一个短片，再评估素材和渲染成本。
一个面向网页与移动端界面学习的 Obsidian 插件，提供设计图库、UI 组件词典、风格图鉴、审美测验以及 Prompt 复制入口，目标是让描述界面时有更具体的视觉词汇。
先打开仓库 README，按当前说明把插件安装进 Obsidian，再在设置里启用 qiaomu-ui-learn。第一次不要急着复制 Prompt，可以先浏览设计图库，挑一个组件或页面，记录布局、间距、字体、颜色和交互特点；接着用组件词典和风格图鉴把“好看”改写成可执行描述，完成审美测验后，再复制 Prompt 到自己的 coding agent，让它生成一个小页面。建议每次只改一个变量，并把结果截图与原参考并排对照，逐渐建立个人风格词表；插件上架状态以仓库和 Obsidian 当前页面为准。
Vibe Coding 的瓶颈经常不是模型不会写 CSS，而是使用者说不清想要什么。这个项目把审美训练、组件知识和 Prompt 复用放进同一条学习路径，据项目 README 记录包含 13,500+ 设计图库、62 个 UI 组件词典和 44 种风格图鉴，并支持本地保存；它更像一个可持续积累的设计训练场，而不是又一个生成器。
tw93 开源的工程技能合集，把思考、界面设计、检查、调试、写作、学习、阅读和健康审计等习惯包装成 Claude、Codex、Cursor 等 Agent 可以调用的技能。
在已安装 Node.js 的环境执行 `npx skills add tw93/Waza -a claude-code codex cursor -g -y`，让共享技能目录被目标 Agent 读取；进入项目后，可以在动手前调用 `/think`，做完后调用 `/check`，遇到回归调用 `/hunt`，读 URL 或 PDF 时调用 `/read`。如果你使用 Pi，也可以按 README 执行 `pi install npm:@tw93/waza`。建议先只装一套到自己的真实项目，观察它是否会改变任务拆解、验证和交付记录，再决定是否启用全部技能；更新时使用 README 给出的 `npx skills update -g -y`。
Waza 的亮点是把“会做事”拆成了可复用的工程协议，而不是继续堆一个万能系统提示词。仓库有持续提交、测试和完整规则目录，且明确覆盖 Claude Code、Codex、Cursor 与 Pi 等入口；对个人开发者来说，最直接的收益是把设计、调试和发布前检查固定成 Agent 的工作节奏，降低只生成代码却没有验证的风险。
一个公开的 Pi 配置、工具和提示词集合，用来组合多模型 Agent 编程工作流；作者也提醒它偏个人化、可能并不适合所有人直接照搬。
先克隆仓库并阅读 README、AGENTS.md、`.pi` 相关目录和 `docs`，不要一上来把全部配置覆盖到自己的环境。确认 Pi 的安装方式和模型凭据配置后，先挑一个独立任务运行，观察 commands、hooks、tools 和 skills 如何协作；再根据自己的项目路径、代码审查方式和模型偏好，逐项迁移提示词与工具。可以从“一个模型负责实现、另一个模型负责 review”的小流程开始，并为每个步骤保留可回滚配置。仓库内容较多，适合当作架构样本研究，不宜把作者的个人目录假设成通用最佳实践。
它把个人 Agent 的关键组成——模型切换、工具调用、命令、hooks、技能和审查提示——放进一个可阅读的仓库里。公开页面显示项目持续提交，说明这不是一段孤立的演示配置；更重要的是，它体现了 Agent 工程正在从“选哪个模型”转向“如何编排多个模型和验证环节”，适合作为个人自动化工作台的参考。
一个公开的研究代码库，实现层次化 Joint-Embedding Predictive Architecture，覆盖 masked-patch 自监督学习、SIGReg-only 训练和动作条件世界模型，并支持 CUDA、Apple Silicon MPS 与 CPU。
准备 Python 3.11+、PyTorch 2.0+，克隆仓库后按 README 建立虚拟环境并安装依赖；先运行安装验证代码，确认设备被识别为 CUDA、MPS 或 CPU，再从 `configs/default.yaml` 的经典 masked-patch SSL 配置开始做小规模 smoke test。随后再尝试 `lewm_tier1.yaml` 或 world-model 配置，比较 SIGReg-only 与动作条件预测的差异，记录显存、训练速度和 loss。它目前没有发布预训练权重，定位是从头训练的研究代码，不适合把“下载即体验”当作产品；想快速理解方法，先读论文的层次表征和规划部分，再看配置如何映射到实现。
H-JEPA 把表征学习、世界模型和控制规划放到一个共享编码器框架里，技术路线比单纯图像分类更接近机器人和具身 Agent 的需求。仓库明确列出 Feature Pyramid、RoPE、SIGReg、AdaLN-Zero、CEM planner、混合精度和梯度检查点等组件，并报告 1400+ 测试；即使暂时不训练，也值得观察它如何把视觉抽象与可行动预测连接起来。
X List 今日高频讨论的 Google 图像模型更新；Google AI 官方文档可核验 Nano Banana 在 Gemini API 中支持文本/图像对话式生成与编辑、多轮修改，并提供不同速度与能力档位的模型入口。
先进入 Google AI Studio 或 Gemini API 文档创建自己的开发项目和 API key，不要把 key 写进公开仓库。最小实验可以用官方 Python 示例调用 `gemini-3.1-flash-image`，给一条明确的文本提示生成图像；第二步上传一张参考图，要求只修改局部元素，第三步在同一交互中继续提出尺寸、文字或构图修改。再用一个需要实时资料的海报题目测试 Google Search grounding，并分别记录生成质量、延迟、分辨率和费用。官方文档当前列出 1K/更高分辨率等能力与 SynthID 说明，具体模型 ID、价格和可用地区应以控制台实时状态为准。
图像模型的竞争已经从“能不能生成”转向局部编辑、主体一致性、文字排版、工具调用和 API 工作流能否稳定落地。官方文档把生成、输入图编辑、多轮交互和搜索工具放在同一套接口下，开发者可以把一次海报尝试扩展成可复用的内容生产链；但 X 上的横评带有主观样本，不能只凭几张对比图断言全面领先。
一个以 Claude Opus 5.5 制作的 motion 视频为主题的案例库，页面同时提供部分 Prompt/Skill 入口，适合把“看效果”快速转成可复现实验。
打开 Prompt Motion，先按缩略图挑一个与自己目标接近的动画案例，进入详情页确认作者、视频和是否有 Prompt 入口；把提示词复制到自己的 Claude 环境后，先只替换主题、品牌色和文字，不要同时改变镜头语言。生成第一版后，对照原案例记录动效节奏、层级、转场和素材差异，再把有效约束整理成自己的 Skill 或项目说明。遇到没有公开 Prompt 的案例，只把它当视觉参考，不要假设背后的制作步骤；还要注意案例库来自社区投稿，实际效果会受模型版本、上下文和额度影响。
它把散落在 X 上的炫技视频变成了可检索的案例—提示词关系，降低了从灵感到复现的门槛。对 Agent 产品设计尤其有帮助：你能观察复杂动画如何被自然语言描述，再反推哪些约束应该写进组件规范或验证清单。它不是官方模型基准，价值在于快速发现交互和视觉表达的可能性，而不是证明某个模型在所有任务上都更强。
推文称 OpenAI 将一次性公开 722 篇 AI 生成数学论文、归为 372 组结果，并放入 openai/math；仓库 README 已确认其中包含内部模型产出的数学手稿和配套证明材料。
这件事的关键不只是数量，而是公开方式从一篇新闻稿变成可浏览的 preprints、reasoning traces、Lean 文件和目录索引。仓库同时提醒不同结果处于不同验证阶段，并非所有材料都有 Lean 形式化，部分未形式化稿件可能存在问题，因此“模型写出来”与“数学界接受”之间仍有很长的审查链。对研究者而言，价值在于可以把模型产出当作候选问题空间和可复核工件来研究，而不是把仓库标题直接当成定理已被证明。
如果这种发布方式持续，AI 数学评测会更重视可复现、可形式化和独立检查，而不是只看一次性 benchmark 分数。它也会推动模型团队公开更多中间产物，让社区能够定位错误、补齐证明和比较不同推理策略；与此同时，海量未筛选结果会增加阅读和验证成本，研究机构需要更强的 provenance、版本管理与人类审稿机制。
X List 上的连续推文转述 SemiAnalysis 测试，讨论 Claude/OpenAI 不同订阅档位的 token 价值与算力消耗，并称高价套餐正在重新定价。
这是一个值得跟踪但本次证据等级较低的行业信号：原始素材是社交平台对分析机构内容的二次转述，不能直接当作完整财务结论。它真正提出的问题是，固定月费、重度用户、长上下文和 Agent 循环之间是否还能共用同一套套餐逻辑。当用户让模型持续调用工具、反复重试并保留大量上下文时，单位用户的推理成本会显著不同，平台最终可能按速度、上下文、并发、模型等级或任务类型分层收费，而不只是按“会员/非会员”区分。
对个人用户，重点是比较单位有效产出而不是只看每月 token 宣传；对开发者产品，订阅成本会直接影响 Agent 的默认循环次数、缓存策略、模型路由和失败重试上限。若该趋势延续，能够把简单任务下沉到便宜模型、把关键步骤交给强模型，并且记录每个工作流真实成本的团队，会比单纯追逐最大上下文更容易建立可持续的 AI 产品毛利。
