产品工具 - AI商业快讯

ECC（Everything Claude Code）深度评测：25.5 万 Star 的开源 Agent 操作系统，让 AI 编码工具自带工程纪律

2026-09-10 作者 AI_Admin

你的 AI 编码工具很强，但它不像一个团队：每次新任务都要你重新叮嘱上下文、流程和规矩，写代码行，可「先想清楚再动手、写完自己测、改完自己审」这套工程纪律它不记得。于是有人把整个「工程操作系统」打包成了技能库——8 个月拿下 25.5 万星。

ECC 是什么：给 Agent 装的「操作系统」，不是又一个工具

ECC（Everything Claude Code）是 affaan-m（Affaan Mustafa，纽约，AI 算力交易平台 Itô Markets 创始人）自 2026-01-18 起单人维护的开源项目，MIT 协议。它的自我定位是「agent harness operating system」——不写一行模型代码，而是给 Claude Code、Codex、Cursor、OpenCode、Gemini、Zed 等 10 个 AI 编码工具套上一层工程方法论：技能（Skills）、专职 Agent、钩子门禁（Hooks）、记忆与安全扫描。

核心循环一句话：plan → test → implement → review → verify → remember → improve（规划→测试→实现→评审→验证→记忆→改进），口号是「优化上下文窗口，其余全部持久化」。装一次，agent 从此自带团队纪律，不用每次把流程写进 prompt。

仓库当前规模（2026-09-10 实测 clone 全量核实）：68 个专职 Agent、286 个技能、94 个命令、22 种语言规则集、4 组钩子，外加实验性的 ecc2/——Rust 写的「跨 harness 统一控制面」（终端面板 + SQLite 会话库 + 守护进程，仍为 alpha）。

暴涨曲线：21 天 4 万星，8 个月 25.5 万

时间	星数	事件
2026-01-18	1	仓库创建
01-21（第 4 天）	6,400	病毒式传播启动
01-26（第 9 天）	28,800
02-07（第 21 天）	40,000	官方 star-history 曲线（仓库内嵌数据）
03-23	100,000	augmentcode.com 报道破 10 万
05 月底	~200,000	多个第三方评测时点
2026-09-10	255,150	GitHub API 实测；fork 38,224

星数已达 GitHub 全站头部级别，且今日仍在合 PR（编号 #2907+）。增速从单日数千星回落到月均约 3 万——非刷量式瞬时爆发，是持续近 8 个月的稳定增长。npm 侧：ecc-universal 月下载约 1.9 万次、ecc-agentshield 约 2.9 万次，最新 2.2.1（2026-08-25 发 v2.2.0，单次迭代 108 commits / 530 文件 / 4 万行增改）。

拆解：68 个 Agent 和 286 个技能，质量如何？

Agent（68 个，每个约 5KB 角色文档）：architect（架构师）等角色在 frontmatter 里直接指定 model: opus 和工具白名单，正文开头是完整的「Prompt Defense Baseline」反提示注入基线——unicode 同形字、零宽字符、上下文窗口溢出攻击、第三方抓取内容一律按不可信处理。把安全基线写进每个 Agent 的，在开源技能库里不多见。

技能（286 个，实测 0 空壳）：90%（258 个）是约 12KB 的扎实单文件 SKILL.md，10% 带 scripts/examples/references 五件套（如 agent-self-evaluation 含评分脚本 + 高低分对照例）。内容质量抽样很高：article-writing 技能直接内置禁语清单——game-changer、cutting-edge、「In today’s rapidly evolving landscape」这类 AI 套话全部拉黑，要求「用证据不用形容词」；benchmark 技能给出 LCP/CLS/INP 等 Core Web Vitals 可执行测量流程。覆盖从 accessibility、android-clean-architecture 到 kubernetes-patterns、agent-payment-x402 的广度。

钩子与治理：Bash 前置钩子在每次命令执行前跑质量/tmux/推送/GateGuard 检查，可阻断（exit 2）；SessionStart 自动恢复上次会话上下文。2026 年 6 月做过一次 MCP 审计：默认连接器从 6 个砍到 1 个（github/context7/exa/memory 等全部退役，改由技能包 CLI 直连）——与「MCP 收紧」行业趋势同步。

数字之外：三处必须泼的冷水

①星多、装少：25.5 万星 vs 双 npm 包合计月下载不足 5 万。配置型仓库本就 clone 即用、无需反复安装，比例合理，但「收藏 > 实际部署」的现实要认清——155MB 全家桶装进日常 workflow 是另一回事。

②「免费」的分层：README 功能表把 AgentShield 标为 Included，但完整扫描（私仓、PR 触发审计、AgentShield 扫描服务）实际在 ECC Pro，$19/席/月；免费层 = OSS 本体 + GitHub App 公开仓每月 10 次分析。核心方法论免费，深度自动化要订阅——与同类「开源引流、SaaS 收费」模式一致，但宣传口径值得留意。

③单点风险：25.5 万星项目由单人维护（赞助商列表含其自家公司 Itô Markets，利益需自行判断）；中文社区流传的「Anthropic 黑客松一等奖」头衔在官方 README/CHANGELOG 中未见佐证；HN 等圈外社区几乎没有高热度讨论——热度高度集中在 GitHub 生态内部。

安装、适合谁、值不值

# Claude Code 内两行装（二选一，勿叠加）
/plugin marketplace add https://github.com/affaan-m/ECC
/plugin install ecc@ecc
# 或终端引导安装
npx ecc-universal setup

适合：重度 Claude Code/Codex 用户，尤其想给多个 Agent 会话统一纪律、要安全基线和审计的企业开发者——68 个专职 Agent + 反注入基线 + 记忆系统是实打实的工程资产。不适合：轻度用户——286 个技能默认全装进上下文管理面，对「偶尔用一次 AI 写代码」的人是负担。

坐标系里看：若说 context-mode 深度评测（21k★ MCP 沙箱）管的是「上下文输入」、Caveman 实测（99k★ 输出纪律）管的是「输出纪律」，ECC 管的是整条工程流水线——它是目前这个品类里体量最大、方法论最完整的一个。结论：值得一试，但先想清楚你是要「收藏一套方法论」还是「真的把工程队纪律装进日常」——后者需要投入，不是 npx 一下就能白得。

本文基于 2026-09-10 全量 clone（3,538 文件）静态实证 + GitHub API/npm 官方数据交叉核验；沙盒环境无 Claude Code，未做安装后运行态实测。ECC 含 $19/席/月的 Pro 商业层，评测立场独立。

微软管着数千万个 AI Agent，你的系统敢让 Agent 操作业务数据吗？

2026-09-09 作者 AI_Admin

一、Agent 正在大规模进企业，但「敢不敢让它碰系统」成了刹车

产业数据已经不再抽象：微软披露数以万计的企业在管理数千万个 AI Agent，法国 IT 服务商 Atos 一家就在管 1.9 万个；Salesforce 的 Agentforce 累计完成了 24 亿个「agentic work units」——AI 真正替企业完成一件工作的次数。

但与此同时，安全案例也在刷新认知。36氪 2026 年 9 月 8 日转载的一篇文章讲了几个实验：骗子把指令藏在网页屏幕外 -9999 像素的位置，人类看不见、Agent 读得到；研究人员拿 26 个模型测一个假网站，GPT-5.4、Claude Sonnet 4.5 在只看到假站时都把它当成了可信入口；还有人伪造 Python 库诱导 Agent 付 3 美元买「软件许可证」，Llama、Gemini 共 4 个模型真的执行了付款。安全公司披露的 EchoLeak 漏洞更直接：员工不用点击任何链接，Copilot 处理邮件时，藏在邮件里的指令就能诱导它把内部信息带出去——「有了 Agent 帮忙，钓鱼邮件都不用你点击了」。

安全圈与产业界正在形成一个共识：Agent 越接近真实业务，治理越要前置。网易智企 6 月给 CEO 们发了一份检查清单，把内容边界、权限边界、数据边界、操作边界、审计记录和责任归属列为上线前必须回答的问题（出处：网易智企《安全合规治理不应等问题发生后再补》2026-06-17）。落到自己公司，问题会浓缩成一句很具体的话：让 AI Agent 操作业务系统之前，你怎么保证它不会乱建乱改数据？出了事，查得到是哪次操作、哪个账号干的吗？

二、为什么多数系统接不住 Agent

想让 Agent 干活，先得有接口。但大部分企业系统天生不是给 AI 用的：

契约靠人写人读的文档：接口文档由人维护，版本一升级就漂移，Agent 按旧文档调新接口必然出错。有厂商吐槽过这个现状：「AI 不知道有什么内部系统、如何接入」（出处：火山引擎开发者社区 2025-06-12）。

开放裸 API 却没有校验：Agent 的幻觉会直接变成脏数据——字段名拼错一个字母，一张坏表单就进了库。AI 接入的协议层（如 MCP）解决了「怎么连」，但正如一篇治理文章提醒的：它同时扩大了攻击面，企业必须配套认证机制和治理可见性，否则「连得上」不等于「敢让它操作」（出处：知乎《当MCP成为AI Agent的”企业接口”》2026-07-22）。

审计缺失：AI 做了什么只能靠猜。行业对 AI 审计的要求是能回答四个问题：什么数据进来了、输出了什么、系统做了什么、谁批准的（出处：Collibra 2026-06-24）——多数系统一条都答不上。

三、GTS 的做法：把 AI native 做成机制，而不是口号

GTS 是一个多租户、元数据驱动的「表单+审批流」平台，走的是另一条路：既然 AI Agent 要进业务流程，那就从系统层面回答好三个问题——看得懂、改不坏、赖不掉。

① 看得懂：机器可读契约，Agent 自己拉取，永不漂移

GTS 提供两个公开只读端点，无需登录，任何 Agent 启动时都能自己拉取：

/discovery/routes：当前全部 58 个 API 端点自动导出。后端每加一个路由，列表自动多一条——写作当天实测已是 58 条，任何静态文档都追不上这个更新速度。

/discovery/contract：配置域契约——认证方式、响应信封、多租户纪律、12 种字段类型及其附加属性、流程节点属性、单据状态机、审批动作枚举、字典用法。

因为契约从系统实现自动导出、与代码同源，它不会像人手维护的文档那样过时。AI 学的是系统自己的配置语言，不是一份翻译稿。（浏览器打开 https://www.geeyo.com/s/gts/api.php?route=/discovery/contract 当场可验。）

② 改不坏：服务端强校验，幻觉写不进数据库

表单 schema、流程 nodes 在落库前全部经服务端校验：字段类型必须在白名单内、字段 key 唯一且合法、select 必须有选项、流程节点名唯一、审批人规则必须合法。非法配置直接返回 400，并带精确到位置的报错——比如把 required 拼成 requred，会收到 schema_json[0] has unknown key(s): requred。Agent 收到报错可以自己修正重发；非法内容根本不落库。模型幻觉再离谱，也污染不了数据库。这正对应治理清单里那条底线：「系统接口返回异常时，不能反复提交或绕过校验」——GTS 把这条做死在了服务端。

③ 赖不掉：全操作审计，人与 Agent 一视同仁

每一次管理/变更写操作都记入审计日志：租户、操作者账号、动作、对象、IP、User-Agent、摘要，操作者自动从 token 解析。无论是人还是 Agent、用的是哪个账号、做了什么，全部可回看。前面说的四个问题（什么进来了、输出了什么、系统做了什么、谁批准的），在这里逐条有答案。

④ 官方直接把「Agent 上岗说明书」做成了可下载的技能包

GTS 把「AI 怎么操作这套系统」打包成一个官方技能包 gts-operator，下载地址：https://www.geeyo.com/s/gts/dist/skills/gts-operator.zip 。支持 skills 机制的 Agent（Claude Code / Codex 类）装上之后，用自然语言就能完成整套管理操作：帮客户开通租户并配管理员、维护组织架构与人员、配置表单与审批流（字段类型 / 条件分支 / 审批人规则）、发起业务单据、执行审批（同意 / 驳回 / 转办 / 加急）、查询与导出。它采用「动态发现」模式——先拉取 discovery 契约再动手，后端演进时技能无需手改。关键设计：Agent 与人类走的是同一套 API、同一份校验、同一份审计，系统没有给 AI 开任何后门。官方已用它跑通「注册租户→建组织→配表单/流程→发起单据→审批」的全链路验证。

四、三个值得展开的设计取舍

为什么「校验+审计+隔离」三件套缺一不可？ GTS 的设计哲学是「安全是前提，不是功能」：校验保证非法内容不落库，审计保证每个操作可追溯，行级多租户保证跨租户访问一律 404。三件事同时存在，才敢把写操作开放给 AI——缺了任何一件，开放 API 给 Agent 都是在裸奔。

为什么契约能精确到字段级？ 因为 GTS 本身是元数据驱动的：表单、流程、字典都是数据、都是配置。契约描述的正是系统实际运行的语言——字段类型、校验规则、状态机与实现同源，不存在「说明书和实物是两回事」。这是 AI native 能落地的地基，也是它和「事后补文档」式集成的根本区别。

边界在哪里？ GTS 的 AI 能力覆盖表单+审批这类配置化业务域。它不是通用 BPM 重引擎，也不是 Agent 托管平台——它解决的是企业接 Agent 最前面那道坎：接得进、改不坏、赖不掉。

五、十分钟自己验证

三步就能验证上面说的每一句：浏览器打开 https://www.geeyo.com/s/gts/api.php?route=/discovery/contract 看契约长什么样；下载 gts-operator.zip 装给手边的 Agent，用自然语言让它开一个租户、配一张报销单；再到演示站 https://www.geeyo.com/s/gts/ 注册、走完一张单的审批。AI native 是真机制还是噱头，动手十分钟就有答案。

context-mode 深度评测：21k Star 的 MCP 沙箱把 315KB 工具输出压成 5.4KB，AI 编程终于不用怕上下文爆了

2026-09-08 作者 AI_Admin

用过 Claude Code、Cursor 这类 AI 编程工具的人，大概都撞过同一堵墙：会话跑着跑着，AI 开始「失忆」——忘了在改哪个文件、忘了进行到哪一步。不是模型笨，是上下文被工具输出吃光了。一次 Playwright 页面快照 56 KB，20 条 GitHub issue 59 KB，一条访问日志 45 KB，官方说半小时就能烧掉 40% 的窗口。今天评的这个项目反着来：不压缩数据，干脆别让脏数据进门。mksglu/context-mode，21k★，官方基准把 315 KB 工具输出压成 5.4 KB（省 98%），npm 累计下载 51.5 万，登过 Hacker News 榜首（570+ 分）。

它做了什么：在工具输出和上下文之间，加一道沙箱闸门

context-mode 是一个 MCP server + 插件套件，支持 18 个客户端——Claude Code、Cursor、VS Code Copilot、Codex CLI、Gemini CLI、Kimi、Qwen Code 等全在列，还挂 OpenClaw 网关。核心免费（ELv2 source-available），作者是伦敦 MKSF LTD 的 Mert Köseoğlu，2026-02-23 创建仓库。

它的思路和「压缩派」相反：LeanCTX 那类工具是等上下文满了再压缩重写，context-mode 是在源头拦截——模型每次调工具，钩子先截住，把命令丢进独立子进程沙箱执行，只有 stdout 进窗口。四个板斧：

板斧	机制	效果（官方口径）
沙箱路由	ctx_execute/ctx_execute_file 隔离执行，12 种语言运行时，>100KB 输出自动入索引只回指针	56 KB 快照 → 299 B
会话记忆	编辑/git/错误/用户决定实时写 SQLite FTS5，compact 后按 BM25 检索回填	治「压缩后失忆」
Think in Code	让模型写脚本算完再 console.log，而不是读 47 个文件进窗口	700 KB → 3.6 KB
不强制话术	不逼模型说人话，引 Moonshot 研究指 aggressive brevity 会降 benchmark	与输出纪律派划界

工具设计上有个反直觉点值得单独说：它把「分析」和「读」拆开了。以前模型要 grep、要 Read 一堆文件进上下文自己数，context-mode 逼它写段脚本在沙箱里数完只报结果——一次调用顶十次工具调用。hooks 能程序化拦截的平台（Claude Code 等）实测合规率约 98%；没 hooks 的 Zed 之类只能靠指令文件，作者自标约 60%。

仓库实证：6.5 个月、169 个版本、51.5 万下载

我 clone 了仓库全量核实（599 个文件）：创建于 2026-02-23，6.5 个月冲到 21,024★ / 1,524 fork；HEAD 提交停在 2026-09-07 中午（写稿前一天还在推），版本号 v1.0.169。npm 侧数据能对上徽章：累计下载 515,145，5 月冲到单月 12.3 万的峰值，9 月第一周仍有 1.6 万。发布节奏极快——223 个 npm 发布记录，6.5 个月 169 个版本，约每天一个。

它的流量故事也清楚：2 月 25 日 Show HN 拿了 84 分，三天后作者博客长文直接登 HN 榜首 570+ 分、30 条讨论，之后 5 月下载量二次冲高。官方 BENCHMARK.md 给了可复现的 fixture 基准（21 个真实工具输出场景，非合成数据）：总计 376 KB → 16.5 KB（省 96%），其中结构化数据处理那组 315 KB → 5.5 KB（省 98%），代码示例 100% 保真——文档类内容是精确检索不是摘要，125 个测试全过。

必须说明口径：以上基准是官方自测，我没有装进真实 Claude Code 会话复测（评测基于仓库 clone、官方 benchmark 与公开数据）；Insight 付费分析层（$20/座/月）也未购买，不评。

争议与边界：五个要自己掂量的坑

① npm 渠道已停更约 10 周。 最新版 1.0.169 在 npm 上停在 6 月 29 日，但仓库日更——分发明显迁到了 Claude Code 插件市场 + 自带的 ctx_upgrade 直拉 GitHub。从 npm 直接装可能拿到旧版，装完记得跑 ctx_upgrade。

② 用户数口径混乱。 GitHub 徽章自称 54.6 万用户，Insight 官网却写「331,200+ 开发者」——两处自报数字对不上；npm 累计 51.5 万下载可核实，量级可信，但「用户」的定义存疑（下载≠活跃）。

③ ELv2 不是 OSI 开源。 能 fork 能改能内部用，但禁止打包成托管 SaaS 转售、禁止删许可声明。作者明说选它就是为了防 MIT 被套壳——个人和公司内部用无碍，想基于它做生意的绕道。

④ 沙箱是进程边界，不是 OS 隔离。 作者自己在文档里承认：ctx_execute 跑的是任意代码且继承进程文件系统权限，「批准执行 = 批准任意代码」，#852 号 issue 就修过借 MCP 沙箱逃逸宿主读文件限制的漏洞。要配宿主层沙箱双保险，别裸奔。

⑤ 上手摩擦不小。 它激进地拦截 curl、裸 Read、grep 等常规操作逼你走沙箱——CLAUDE.md 里一长串「BLOCKED」清单。习惯「先想再写代码」的老手觉得爽，新手会觉得被管头管脚。另 214 个 open issues、无 hooks 平台只有 ~60% 合规、Codex 的 PreToolUse 只能拒绝不能改写参数（上游限制）。

坐标系与结论：省 token 正在从「压缩」走向「拦截」

站内评过这条赛道的几个代表：LeanCTX（压缩派，Rust 重写省 86% token）、Caveman（输出纪律派，砍 65% 输出 token）、flowctx（OpenClaw 上下文引擎，砍 56%）。context-mode 站在输入侧——它不动你的输出风格，甚至引用研究反对 Caveman 式的激进话术压缩，只管「什么数据能进窗口」。三种思路其实互补：输入拦截 + 输出克制 + 事后压缩，叠起来才是完整解。

适合：接了 Context7 / GitHub / Playwright 一堆 MCP 工具的重度用户、长会话多任务协作、被 compact 失忆反复折磨的人——尤其 Claude Code 用户，插件市场一条命令装完，10 分钟能见效果。不适合：轻度用户、不想改变工具习惯的人、必须在无 hooks 平台上要强约束的团队。

我的判断：上下文治理从「压缩」走向「源头拦截」是个真趋势，context-mode 是这条路上工程化最完整的选手——6.5 个月 169 个版本、18 客户端、HN 榜首、安全文档写得比多数商业软件诚实。免费层功能完整，值得装来试试；想省钱先看懂它的路由哲学，比装十个省 token skill 都值。相关阅读：LeanCTX 实测（压缩派）｜ Caveman 实测（输出纪律派）｜ flowctx（OpenClaw 上下文引擎）

关注「AI商业快讯」，每天一篇 AI 热点深度解读。（本文基于 2026-09-08 仓库快照与公开数据独立评测，与项目方无利益关系；Insight 付费层未购买、不构成推荐。）

Cloudflare 免费 AI 服务升级全景拆解：Vectorize 与 Workers AI 免费额度算清账，「免费 500 万向量」误读纠正

2026-09-08 作者 AI_Admin

白嫖党关心的问题永远只有一个：Cloudflare 的免费额度，到底够干什么？中文圈给出的答案相当诱人——掘金上流传最广的教程写着，Vectorize 免费额度”支持 500 万向量、每月 300 万次查询”。这个数字让很多人以为捡到了宝。但翻开 Cloudflare 官方定价文档一算，完全是另一回事：免费层只够存 6,500 条 768 维向量（约等于 5M 维度 ÷ 768），和”500 万”差了三个数量级。这篇不吹不黑，把 Vectorize 与 Workers AI 两个免费服务的真实额度算清账，顺便盘点它们最近一年到底”升级”了什么。

免费额度两年没动，动的是”上限”和”模型目录”

先说结论，可能和你的体感相反：两个核心免费额度，两年多没涨过一分钱。

Vectorize 免费层（每月 3000 万查询维度 + 500 万存储维度）2024-09 定下至今未变；Workers AI 每天 10,000 Neurons（神经元，Cloudflare 的 AI 算力计费单位）更是 2024-04 上线时就是这个数，2026-08 的最新定价文档依旧如此。

真正的升级发生在别处（额度单位不变，但同样的钱能买到更多）：

索引容量上限：单索引最多 500 万向量 → 2026-01 翻倍到 1000 万 → 2026-08 的 limits 文档已显示 2000 万向量（架构上限，与免费存储额度是两码事，后面细说）

模型目录：从早期几十个小模型扩到 50+，2026 年密集上新——Kimi K2.6/K2.7 Code（1 万亿参数级）、GLM-5.2/5.3、DeepSeek-V4、Gemma 4 26B、NVIDIA Nemotron-3、FLUX.2 生图全家桶

工程体验：2026-02 起 OpenAI 兼容 API 的 tool calling 全面修 bug（多轮函数调用终于不抽风）；2026-03 上线 prompt caching（缓存输入价格仅为原价 1/30-1/90）与异步批量 API

周边额度：KV 免费层 2026-02 提升（读 10 万次/天 + 1GB）；Workers 代码包体积 2026-09 从 3MB 放宽到 64MB——之前塞不进 Worker 的大依赖，现在可以了

一句话：Cloudflare 走的是”额度冻结、内容升值”路线——每天同样的 10,000 Neurons，2024 年只能玩 7B 小模型，2026 年能碰 1T 级开源前沿。但坏消息是，额度没涨的同时纪律在收紧（见第四节）。

Vectorize：额度按”维度”算，不是按”条数”算

Vectorize 免费额度难懂，是因为它的计量单位不是”向量条数”，而是向量维度数（stored dimensions / queried dimensions）。一个 768 维的向量，就消耗 768 个存储维度。

免费账本：5,000,000 存储维度/月 + 30,000,000 查询维度/月（官方定价文档，2026-04 更新，链接）。除以维度，真实容量如下：

嵌入模型（维度）	免费可存向量数	备注
bge-small（384 维）	≈ 13,000 条	英文轻量场景
bge-base / base-zh（768 维）	≈ 6,500 条	中文常用档
bge-m3 / qwen3-embedding（1024 维）	≈ 4,880 条	多语言/长文本
OpenAI text-embedding-3（1536 维）	≈ 3,255 条	外部模型需自调 API

查询侧公式是（月查询次数 + 存量向量数）× 维度 ≤ 3000 万。存 5,000 条 768 维向量的索引，每月约可查 3.4 万次，折合每天 1,100 次左右——个人博客语义搜索、几百页文档的私有知识库、MVP 验证，完全够用。这也是 Cloudflare 官方明说的定位：免费层永远支持”原型和实验”。

超了也不贵（这才是 Vectorize 真正的杀手锏）：官方示例，5 万条 768 维向量 + 每月 20 万次查询，约 $1.94/月，前 10M 存储维度与前 50M 查询维度甚至直接包含在 $5/月的 Workers Paid 里。对比 Pinecone 最低 $50/月起步，差距是数量级的。

Workers AI：10,000 Neurons/天到底能干什么

Neurons 按 GPU 算力成本折算——模型越强，单价越贵，免费额度能跑的次数越少。这也是”有人说够用、有人说一小时烧光 12%”吵翻天的原因：两人用的是不同模型。按 2026-08 官方模型价格表换算：

模型/用途	单价（输出）	每天 10,000 Neurons ≈
Embedding（bge-m3 等）	~1,075 Neurons/M tokens	近千万 token，建库不是瓶颈
Whisper 语音转写	~41-47 Neurons/分钟	约 4 小时音频
FLUX.1-schnell 生图	~10 Neurons/步	200+ 张图
llama-3.2-1b（小模型）	~18,252 Neurons/M tokens	500-1,000 次对话（每次 500 输出 token）
gemma-4-26b / qwen3-30b	~27,000-30,000/M tokens	约 700 次
gpt-oss-20b	~27,273/M tokens	约 700 次
Kimi K2.6 / K2.7 Code / GLM-5.3	~360,000-400,000/M tokens	只有 50-70 次

看懂这张表，就知道正确用法是分层：批量分类、改写、embedding 全部走小模型；Kimi K2.6 这类前沿模型只留给关键推理步；多轮 agent 会话加 x-session-affinity 头吃 prompt cache（缓存输入单价只有原来的 1/30-1/90，Neurons 直接省一个量级）。纯免费栈跑通一个带 AI 检索的个人应用，Reddit 上 2026-06 已有人验证可行。

三个真实的坑

① 模型目录滚动淘汰：2026-05-30 一次性下架 17 个旧模型——gemma-3-12b、llama-3.1-8b 全系、mistral-7b、phi-2 都在列；kimi-k2.5 被自动别名到价格更高的 k2.6。代码里写死的模型 ID 会直接 404，dashboard 用量也可能莫名上涨。

② 免费层超限即停：免费额度打满后请求直接失败（Free 无自动计费），要超用必须升 $5/月 Workers Paid。2026-09-01 起 D1（SQLite 数据库）免费层已改为超限直接失败——以前”超一点还能跑”的宽松时代结束了，Vectorize 同理。

③ 前沿模型限流很紧：Kimi K2.6/GLM-5.2 等只有 20 rpm（充值 AI Gateway credits 可到 50 rpm）；另外免费额度 UTC 0 点重置后偶发 error 4006 误报超限（2026-09 社区仍有人中招），遇到重试即可。embedding 模型选型时也注意：索引维度定死后中途不能换模型，否则要重建索引重灌数据。

与同类对比：免费向量库中 Vectorize 的 5M 维度 ≈ 6,500 条（768 维）比 Pinecone 免费层（单索引 100 向量级）慷慨得多；但要存几十万条以上还是得上付费云或自建。Workers AI 免费额度做 demo 富余、做生产不足，定位是”Workers 生态的拼图”——它的真正价值不是省钱，而是向量库、embedding、推理、对象存储（R2 10GB 免流量费）全部在同一生态内，零 API key 管理，全球 300 城边缘分发。适合：个人站语义搜索、私有知识库 MVP、已在 Cloudflare 部署的全栈应用。不适合：亿级向量生产库、要求 10ms 级延迟的实时推荐、以及重度依赖前沿模型每日推理的业务。

总评：免费层是当下个人开发者做 AI 应用性价比最高的起点——额度对”几千条文档、每天千次查询、混合使用小模型”的量级绰绰有余，超出后的付费价格又便宜到可以忽略。真正的成本是维护：模型下架要跟进、额度上限要按维度盯着算。别信”免费 500 万向量”的教程，信自己的除法。

（额度与价格截至 2026-09-08，以 Cloudflare 官方定价文档为准。本文为独立评测，与 Cloudflare 无利益关系，未接受任何形式的赞助或免费额度；文中核算基于官方公开文档，未自购套餐跑真实负载。）

关注 AI商业快讯，每天一篇 AI 热点深度解读。

oh-my-openagent 深度评测：68.8k Star 的 OmO 把多个 AI 组队成开发团队，被 Anthropic 封禁反而更火

2026-09-08 作者 AI_Admin

同时订阅着 Claude Code、Codex、Kimi 的人，多半撞过同一堵墙：订阅费交着，真正干活的却只有一个模型；想换模型得手动切配置，调 Agent 的时间比写代码还长。

开源圈有个项目专治这个。装上它敲一个命令，Claude、GPT、Kimi、GLM 会自己组队把活干完——任务不结束不撒手。它叫 oh-my-openagent（社区简称 OmO），9 个月冲到 68.8k Star、npm 下载 380 万次，还因为太「越狱」，成了被 Anthropic 点名封禁的导火索。

OmO 是什么：把「一个 AI」升级成「一支开发团队」

一句话定位：OmO 是跑在开源编码工具 OpenCode 之上的多模型 Agent 编排系统，把单个 AI 助手变成一支能并行协作、彼此通信的开发团队。

它原本叫 oh-my-opencode，2025 年 12 月创建后一路暴涨；今年 5 月改名 oh-my-openagent，从「OpenCode 专用插件」重构为多 harness 体系——Codex CLI（Light 版，npx lazycodex-ai install）、Senpi 都已接入，路线图还排着 Pi 和 Claude Code。装上后你会得到：

Agent	角色	干的活	反差点
Sisyphus	主指挥官	拆解任务、派活给专家、盯到完成	默认可跑 Claude/Kimi/GPT/GLM 任选
Hephaestus	深度执行者	领了任务自己探索代码库干完，不回头要你当保姆	故意用「被大厂封杀后」的模型
Prometheus	战略规划师	动代码前先访谈式提问、定范围写计划	先问后写，防「理解错就开干」
后台专家群	Oracle/Librarian/Explore	并行调研、查资料、探代码库	5+ 个同时跑，上下文互不污染

核心反直觉点：Sisyphus 派活时不指定模型，只指定工种——前端、深度调研、快速修 bug、硬核架构。系统自动把工种路由到最合适的模型，比如「ultrabrain」类硬骨头任务默认交给 GPT-6 Astra max。作者的原话是：模型每个月都在变便宜变聪明，没有任何一个供应商该成为天花板。

实测证据：9 个月 68.8k★，两周发 30 个版本

先看硬数据（截至 2026-09-08）：仓库 68,796★ / 5,650 fork / 955 open issues，2025-12-03 创建，9 个月涨到 6.9 万星；最新版本 v5.0.0-beta.48 于 9 月 7 日发布——而 8 月 24 日的文档快照还停留在 beta.18，两周发了 30 个 beta；我克隆仓库时（今天上午），它还在合并当天的新 PR。npm 官方 badge 显示累计下载 3.8M。

OmO 有个罕见的「奇观」：它的维护者本身是一个 AI——跑在 OpenClaw 深度定制版上的助手 Jobdori，开发全程在 Discord 直播（Building in Public）。仓库根目录的 CLAUDE.md 用全大写写着铁律：任何触碰 OpenCode/Codex 组件的改动必须跑 QA 并把证据写入 .omo/evidence/，「没有证据文件 = 没有 QA = 不许提交」。一个 AI 维护的仓库，对「自己人」的纪律要求比大多数人类团队还狠——仓库里 64 个 SKILL.md、近 14 万行文档就是这么攒出来的。

再说它最出圈的「封禁事件」，时间线如下：

2026 年 1 月 9 日深夜，Anthropic 更新政策：Claude Code 订阅（$100–200/月）不得用于第三方 harness，OpenCode 用户大量中招，有人账号直接被 ban；

Hacker News 当天炸出 625 分、513 条评论；DHH 公开炮轰：「Anthropic 故意屏蔽 OpenCode 和其他第三方 harness，偏执地想把开发者锁进 Claude Code」；

OmO 自认是导火索，README 直接写「Anthropic 因为我们屏蔽了 OpenCode」，还把自家深度执行 Agent 命名为 Hephaestus（希腊神话里被众神抛弃的瘸腿铁匠）——故意的反讽；

今年 5 月 TheNewStack 以「为什么 15.7 万开发者用 OpenCode 对冲 Anthropic」为题做了报道，生态裂痕已成明牌。

社区反馈（转述自 README 与 X，未经本站实测）：有人用它一天清掉 8000 条 eslint 警告；有人一夜把 4.5 万行的 Tauri 桌面应用改造成 SaaS 网站；也有人直接取消了 Cursor 订阅。这类「多模型组队」叙事真实度如何，建议装 Light 版亲自跑一个任务验证。

局限也摆出来：① 许可证是 SUL-1.0（可持续使用许可），不是 OSI 认证的开源协议，商用场景先读 LICENSE 再部署；② 匿名遥测默认开启（可用环境变量关闭）；③ v5 多 harness 重构进行中，CLAUDE.md 自己都警告「结构不稳」，beta 高频迭代意味着升级可能破坏配置；④ 955 个 open issues 挂着，主力生态是 OpenCode，想配 Claude Code 原生还得绕路。

同类怎么选：它跟官方、跟 OpenClaw 派的区别

Claude Code 官方：$200/月全家桶，Agent Teams 也已上线，但模型被 Anthropic 一家锁死；OmO 的路子是——订阅便宜的 ChatGPT $20、Kimi Code $19 或 GLM $10，让它们组队跑，总成本远低于一个 Max 订阅；

Codex CLI：OmO 的 Light 版就是把 rules、ultrawork 等组件移植进 Codex 插件体系，Claude 党与 OpenAI 党都能用；

OpenClaw 系（站内评过的 flowctx 上下文引擎是它的组件）：另一派开源 harness，主打模型自由与本地化；OmO 更强调「多供应商编排 + 团队协作 + 玩法激进」；

deer-flow 等长任务 SuperAgent：学术研究向的长时任务，跟 OmO 的「日常开发加速」定位不同。

适合谁：多模型党、被订阅墙卡住的 Claude Code 重度用户、喜欢围观 AI 组队干活的尝鲜派。不适合谁：要开箱即用绝对稳定的人、公司合规敏感的团队（SUL 协议 + 遥测默认开都要评估）。

结论：值得一试，但把它当「风向标」看

我的判断：值得一试——先从 Codex Light 版（或 OpenCode 版）装起，跑一个小任务感受「组队干活」和单 Agent 的差别，再决定要不要上 Team Mode。不必把它神化：它本质是把「多模型编排」这个趋势做成产品的先行者，beta 血统决定了它适合玩，不适合当生产环境的唯一依赖。

OmO 真正的信号意义在于：当开源社区开始用「编排」绕过「订阅墙」，AI 编程工具的竞争就从模型参数转向了生态开放度。这事跟 OpenAI 切断 Cursor 合作（站内旧文）是同一条主线，而比纯上下文优化（flowctx 实测）又往前迈了一步——Agent 不再是单打独斗的工具，而是一支可以自由组队的队伍。

关注 AI商业快讯，每天一篇 AI 热点深度解读。

mattpocock/skills 深度评测：254k Star 的「反 GSD」技能库，37 个小工具拒绝流程绑架

2026-09-07 作者 AI_Admin

给 AI 装了一堆「流程大师」技能包后，你有没有一种失控感：Spec-Kit 让你写规格、GSD 让你跑仪式、BMAD 让你建矩阵——活还没干，先被流程绑架了？

TypeScript 圈顶流 Matt Pocock 看不下去，9 月初把自己天天在用的 .agents 目录直接开源：mattpocock/skills 两天内刷到 24 万 Star，如今 254k★、全球 GitHub 排名第 15。它不教 Agent 走流程，而是塞给你 37 把「小工具」——你挑着用，改着用，用完还能扔。

这套被中文圈称为「反 GSD」的技能库，凭什么成为 2026 年 9 月最炸的开源项目？我把它 clone 下来逐个拆了一遍。

它是什么：一个拒绝「拥有你」的技能军械库

一句话定位：给 Claude Code / Codex 等编码 Agent 用的 37 个工程技能，全部来自 Matt Pocock 日常真实工作流——「real engineering, not vibe coding」。

作者是谁？Matt Pocock 是 TypeScript 教育头牌 Total TypeScript 的创始人，newsletter 订阅 6 万人，在编码圈属于「老师傅」级别。他把 Agent 时代自己踩过的坑，沉淀成一套可组合的斜杠命令。

核心理念在 README 第一段就开炮：

GSD、BMAD、Spec-Kit 这些方案试图「拥有」流程（owning the process），但代价是夺走你的控制权，让流程里的 bug 难以修复。我的 skills 设计成**小而精、易改写、可组合**，适配任何模型。

37 个技能分四桶，按「谁可以触发」双轨制管理：

桶	数量	定位	代表技能
engineering	18	代码日常	`/grill-with-docs` `/tdd` `/code-review` `/diagnosing-bugs`
productivity	8	通用工作流	`/grill-me` `/teach` `/to-questionnaire`
misc	4	环境工具	`git-guardrails` `scaffold-exercises`
in-progress	7	实验区	`retro` `loop-me` 写作类×3（未进正式版）

用户触发（/grill-me）负责编排，模型触发（grilling）负责纪律——前者只有你主动敲才运行，后者 Agent 觉得合适可自动调用，互不越权。

最出圈的三个技能，拆开看

1. `/grill-me` — 动手前先被「拷问」

这是 Matt 最受欢迎的技能。核心逻辑反直觉：写代码前，先让 AI 连环追问你，把需求里每个分支问到死。

「没人确切知道自己想要什么」（《程序员修炼之道》），AI 时代的最大失败模式是「你以为说清了，Agent 根本没懂」。grill-me 就是把这段对齐期强制拉长：答不上来的问题不许瞎编，必须停下来问人。第三方实测最常引用的效果是——它把「我以为我说了」变成「我真的说清了」。

注意：Matt 自己提醒，grill-me 别直接拿去 coding，代码场景用升级版 `/grill-with-docs`（拷问同时帮你建 CONTEXT.md 领域词典 + ADR，详见下文）。

2. `/tdd` — 收缩成「参考型」的纪律

v1.2.0 大更新里，tdd 被刻意收缩为参考型 skill：核心只留 Red → Green 循环 + 测试 seam（接缝），重构职责被移去 code-review——「实现阶段别同时背太多目标」。

最狠的规则叫「只在预先商定的 seam 上测试」：写测试前先列出要测的公共接口边界，跟用户确认。不许测私有方法、不许 mock 内部协作者、不许水平切分（先写完所有测试再写实现=在验证想象中的行为）。

3. `/wizard` — 让 AI 生成「引导人类」的脚本

很妙的一个：当有步骤只有人类能做（配 CI secrets、登第三方后台、跑一次性迁移），wizard 会生成一个交互式 bash 向导——每步打开对应 URL、精确说要点哪里复制什么、隐藏输入密钥、幂等写 .env、显示还剩几步。把「教 AI 做事」反转成「AI 教你点按钮」。

实测验证：文档工程做到什么程度

我把仓库 clone 下来跑了硬核检查：

37/37 个 skill 全部带双 harness 元数据：每个 SKILL.md 旁都有 agents/openai.yaml（Codex 专用 UI 元数据），Claude Code 用 frontmatter、Codex 用 yaml，一套源码两处跑，无生成副本——v1.2.0 起刻意这么设计

结构极干净：37 SKILL.md 共 2465 行正文 + 37 个 yaml + 零冗余。单个 skill 最短 7 行（grill-me 本体是薄壳，逻辑在 grilling 里），最长 140 行（teach）——没有一个是「大礼包式」的巨型 prompt

严谨到变态的治理：.out-of-scope/ 目录公开拒绝了三类需求并写清理由——「不给 grilling 加提问数量上限」（#44 有人抱怨 Codex 问了 200 个问题，Matt 说：那是计划真没定清楚）、「不接小众 issue tracker」（#99 要求接 dex，3 个月 300 star 的工具不接）、「不加 verify 模式」。拒绝清单本身就是设计哲学

CONTEXT.md 领域词典：把「issue tracker / issue / decision ticket」等术语精确定义并标注已消歧义的历史（backlog 曾同时指工具和积压工作，现已废除）

版本节奏：v1.2.3（8/6）→ 9/4 还在提交（#1025 合并），changesets 规范化发版。contributors 4 人，mattpocock 本人 422 次提交占绝对主导——这是一个活人在维护的真实工作流，不是营销仓。

同类对比：GSD/BMAD/Spec-Kit 与它的路线之争

方案	路线	规模	哲学
GSD（73k★）	上下文工程系统	大而全	流程拥有你，按仪式走
BMAD	全流程矩阵	大而全	每步都要产出物
Spec-Kit	spec 驱动	中	先规格后实现
mattpocock/skills（254k★）	个人工作流开源	37 个小工具	你拥有流程，随手改写

站内 8/30 评测过 GSD——那套「上下文工程系统」确实能把事做完，但 Matt 指出的代价真实存在：流程越重，出错越难排查，Agent 越像在表演流程而不是写代码。

他的替代路线是「薄壳 + 引用」：编排型技能（grill-me）只有 7 行，真正纪律放在模型可自动调用的 grilling/tdd 里，实现与重构职责分离。适合谁：有工程判断力、不想被框架绑架、愿意花 10 分钟改 skill 的中高级开发者。不适合谁：想要「一键全自动」的新手——这套东西要求你理解每个技能在干嘛，且 setup 时得选 issue tracker（GitHub/Linear/本地文件）。

安装两条路（二选一，别都装否则技能翻倍）：Claude Code 官方 marketplace 直接 /plugin install mattpocock-skills（只读托管、自动更新）；想自己改就 npx skills@latest add mattpocock/skills（文件落入仓库，随你 hack）。装完跑一次 /setup-matt-pocock-skills 选 tracker 和标签即用。

我的判断

值得一试，且建议只挑 3-5 个装（什么值得买 15 小时前的热帖也是这结论）。254k★ 的含金量不在「多」，而在 Matt 把 20 年工程直觉压缩进了可组合的小单元——这是目前中文圈最缺的「反过程派」样本。先试 /grill-me 感受拷问式对齐，再加 /tdd 和 /code-review 形成闭环，你会回来删掉那些大而全的流程包。

想先看同路线的对照组？本站拆过 GSD 的上下文工程系统（73k★ 真能把事做完），也实测过 darwin.skill 这种「教 Agent 自我进化」的思路。关注 AI商业快讯，每天一篇 AI 热点深度解读。

Corey Haines 的 50 个营销技能实测：47k Star 的 marketingskills 把营销部装进 Agent，赞助商墙背后藏着什么

2026-09-06 作者 AI_Admin

用过 Claude Code 写营销文案的人，多半撞上过同一堵墙：让 AI 写落地页，它交回来的是一堆「革命性解决方案」「一站式赋能」的空话套话。但换个角度想——如果 AI 的文案水平取决于喂给它的方法论，那为什么不直接喂它一套专业营销框架？

这就是 Corey Haines 的 marketingskills 想干的事：把一套完整的营销知识体系做成 50 个 Agent Skills，塞给 Claude Code / Codex / Cursor。这个仓库 2026 年 1 月创建，8 个月冲到 47k star，GitHub 上专为营销做的技能包里几乎找不到对手。作者不是工程师——是 CRO（转化率优化）领域的老兵、Swipe Files 通讯（2 万+ 订阅）的创办人。

但它也不是没有争议：README 顶部的赞助商墙、每月最高 1500 美元的「品类独占」赞助档位，让不少人质疑这到底是开源技能库还是引流工具。这篇实测把 50 个技能全拆开看了一遍。

它是什么：一个「营销部」装进 .agents/skills

marketingskills 不是单个技能，是 50 个技能的完整体系，覆盖从获客到留存的整条链路：文案（copywriting / copy-editing）、转化（cro / offers / pricing / paywalls / signup / onboarding）、SEO（seo-audit / ai-seo / programmatic-seo / schema / site-architecture）、增长（referrals / churn-prevention / attribution）、冷启动（cold-email / prospecting / lead-magnets）、内容（content-strategy / video / social / events / public-relations）……基本把一家 SaaS 公司市场部做的事全列了一遍。

规模数字很实在：50 个 SKILL.md 共 15,196 行，外加 165 个 references 参考文件、64 个零依赖 Node.js CLI 工具（接 Apollo、Clearbit、Mailchimp、Meta Ads 等平台）、95 份工具集成指南。整个仓库 5MB，装进 .agents/skills/ 就能用。

它有个很聪明的地基设计：第一个要跑的是 product-marketing 技能，它会引导你生成一份 .agents/product-marketing.md——把产品定位、目标人群、核心卖点、客户原话全部沉淀成一个档案。之后你调用任何一个营销技能，AI 都会先读这份档案再动笔。这解决了 agent 写营销最大的毛病：不问背景就开写，写出来全是正确的废话。

内部长什么样：拆开 4 个代表性技能

光看数量没说服力，抽几个看含金量。

seo-audit（499 行，最大号之一）——完整审计框架：可爬取性、索引、Core Web Vitals、移动端、HTTPS、URL 结构，到 On-Page 的标题/描述/H 标签/内链，再到国际 SEO 的 hreflang 与多语言站点地图。这不是「给我优化下 SEO」的敷衍提示词，是一份能照着执行的审计 SOP。

copywriting（457 行）——先查 product-marketing 档案，再按页面类型（首页/落地页/定价页/功能页）给不同框架；写完附 CTA 层级、价值主张、反对意见处理建议。它甚至知道何时该转场：要写邮件去 emails、写弹窗去 popups、改稿去 copy-editing、设计 offer 去 offers——技能之间会互相路由。

cold-email（159 行，最小号之一）——短而务实：像同行而非推销员地写、每句话都要挣得存在的位置、个性化必须连到对方的痛点（「删掉个性化开头邮件依然成立 = 个性化失败」）、一次只提一个低摩擦请求。附 4 级个性化体系参考文件。

marketing-psychology（455 行）——把第一性原理、JTBD、80/20、二阶思维、杠铃策略等 14 个思维模型 + 消费者心理机制编译成 agent 可调用的决策框架。

50/50 全部通过官方校验脚本（Agent Skills spec 的 frontmatter / name 匹配 / 描述 / 500 行红线），165 个引用文件零缺失。就工程严谨度而言，这是我见过最干净的大型技能库之一。

实测结论：方法论是真的，但先看清楚赞助商墙

先说反差点。README 开头就是赞助商名单（◆ Converly、◆ Ploy），GitHub Sponsors 每档 $1–199 到 $200，往上还有 $500/月的 Skill Partner、$1,500/月的 Category Partner——后者买的是某个技能品类里的「官方合作伙伴」独占位。

不过这个项目罕见地写了一整份治理文档（PARTNERS.md）说清楚边界：赞助买的是「带披露的展示位 + 集成指南」，永远买不到的是推荐——技能不会因为谁付钱就改推荐；合作伙伴的集成指南和普通工具的集成指南是同一套中立模板，只多一个披露头；作者自己的工具（Truelist）反而标注更严格，不能占「品类最佳」的位置。披露随文件走，fork 出去也保留。

这个设计是真诚的还是公关话术，我持保留态度——但它至少把「钱能买到什么」写成了白纸黑字，比绝大多数开源项目的隐性恰饭透明得多。

质量上，Reddit 4 个月前（20k star 时期）就有人评价：这不是那种「帮我写点文案」的泛泛提示词，是真正把营销框架塞了进去。8 个月从 20k 涨到 47k，靠的是内容而非炒作。

适合谁 / 不适合谁

适合：技术创始人 / 独立开发者——自己写 landing page、发 cold email、调定价页，但没预算请营销团队；SaaS 小团队想把 CRO/SEO 方法论固化进日常 agent 工作流；想研究「如何把专业领域知识做成技能包」的 agent 开发者（这个仓库的架构值得抄）。

不适合：想要「一键生成爆款文案」的人——它给的是框架和纪律，不是魔法；非技术背景、不碰 Claude Code / Cursor 的纯营销人——门槛在 agent 工具链这一侧；已经养着成熟营销团队的大公司——方法论对你们是常识。

局限也要说清：50 个技能全装会占不少上下文额度，建议按需挑 5–10 个核心的装（npx skills add coreyhaines31/marketingskills --skill cro copywriting 支持单装）；技能给的是专业判断框架，最终转化效果仍取决于你的产品和流量质量——它不会替你变出用户。

值得放进观察清单

我的判断：marketingskills 是目前开源 agent 技能生态里「专业领域知识编译」做得最完整的一个。它验证了一件事——2026 年的 agent 技能竞争，正在从「提示词技巧」升级到「把某个职业的完整方法论编译成可执行框架」。50 个技能、165 份参考、带治理文档的赞助模式，是这套打法目前最完整的样本。

值得一试：装 5 个最贴近你痛点的技能（cro / copywriting / cold-email / seo-audit / product-marketing），跑一次让 AI 生成你的 product-marketing 档案，再让它写一版落地页——对比一下和你之前直接问 AI 的差别。

相关阅读：Agent 的「方法论纪律」不止营销——taste-skill 把审美纪律编译进前端、tanweai/pua 用压力话术防 AI 摆烂。想看「去 AI 味」的写作规则，可以翻 Humanizer-zh 实测。关注 AI商业快讯，每天一篇 AI 热点深度解读。

last30days 深度评测：61k Star 的「搜真人」技能实测——免配置只能搜到 HN，12+ 平台源全要钥匙

2026-09-05 作者 AI_Admin

一、你搜「真实的人」，Google 搜不到

明天要见一个 AI 圈大佬，你 Google 一下他——大概率看到 2023 年的 LinkedIn 简介。但过去 30 天他到底在做什么？跳槽去了哪家、发过什么暴论、代码提交频率如何、Reddit 上大家怎么撕他——这些 Google 全都没有。

这正是 mvanhorn/last30days-skill 想解决的痛点：它不搜「编辑精选」的内容，而是并行搜 Reddit、X、YouTube、Hacker News、Polymarket 等十几个平台，按真实用户的点赞、转发、真金白银的赌注来排序，再由 AI 综合成一份「过去 30 天，真正关注这事的人在聊什么」的简报。61k Star、拿过 GitHub Trending 单日第一，2026 年 1 月才建仓、9 月还在更新——它把这层能力装进任何 AI Agent（Claude Code、Codex、Cursor、Gemini CLI 等 50+ 宿主），一句话触发。

二、本质：一个 240KB 的「跨平台近 30 天研究引擎」

先说清楚：这不是一个普通 skill，它是一套完整产品。skill 目录 141 个文件，光主引擎 last30days.py 就有 166KB，SKILL.md 指令契约 2307 行（240KB），CHANGELOG 128KB。

它的核心设计是「把模型当规划器，把脚本当执行器」：你输入 /last30days <主题>，托管它的 AI 先解析意图（普通查询/对比/发现模式），生成查询计划；Python 引擎并行抓各平台近 30 天数据，跑多信号综合评分——文本相关性、互动量、传播速度、来源权重、跨平台收敛、时间衰减，Polymarket 还看 24h 交易量和流动性；最后 AI 按严格输出契约（文件里叫 LAW 1-8）综合成简报，禁止发明标题、禁止堆 URL 列表、每条结论带来源。

维度	细节
默认免 key 源	Reddit（公共通道）、Hacker News、Polymarket、GitHub
需配置源	X/Twitter、YouTube、TikTok、Instagram、LinkedIn、Threads、Bluesky、Pinterest 等 12+
输出	带徽章+分簇证据的简报；自动存档到 `~/Documents/Last30Days/`
模式	普通查询 / 对比（A vs B）/ 发现（–discover 找爆发话题）/ 找人 / 招聘信号
时间	完整跑 2-8 分钟，–quick 约 2-4 分钟

版本节奏夸张：v3.3 到 v3.11.1 五个月合并 175 个 PR，其中 122 个来自 52 位社区贡献者；9 月 1 日刚发 v3.23.0，9 月 2 日还有提交。小红书的源已经在 issue 里排队加入。

三、实测：免配置状态，和 README 说的差很远

我把它 clone 下来真跑了一遍（沙盒 Python 3.12.13，正满足它要求的 ≥3.12）。先说结论——「开箱即用」要打折扣。

跑 last30days.py doctor 健康检查，四个状态一目了然：

doctor 状态	源
✅ WORKING	hackernews、github、library
❌ NOT WORKING	reddit（公共通道实际超时）、web（keyless 降级不可达）、polymarket
○ COULD BE ON（需配 key/CLI）	x、youtube（要装 yt-dlp）、tiktok、instagram、threads、bluesky、linkedin、digg、techmeme、arxiv、perplexity 等 12+
⚠️ 依赖下载	yt-dlp、gh、digg-pp-cli、techmeme-pp-cli、arxiv-pp-cli、brightdata 全缺失

实测跑 --quick 查「AI agent skills trend」：跑了 230 秒，只有 Hacker News 一个源出了 6 条结果（1257 分/918 评论）；Reddit 超时 0 条、Web keyless 不可达 0 条。原始存档里 Source Coverage 白纸黑字：Reddit: 0 items (timeout)、Web: 0 items (unreachable)。

而 README 中文版明明白白写着「Reddit、Hacker News、Polymarket 和 GitHub 无需配置即可搜索」——实测只有 HN 稳定可用。Reddit 公共 RSS 通道时通时断，Polymarket 直连基本不通，web 必须自己配 Brave/Serper key。

想解锁完整能力，配置向导宣称「30 秒搞定」，实际是按平台逐个来：X 要么给 cookies、要么 ScrapeCreators key、要么 xAI/Grok CLI；YouTube 要装 yt-dlp；TikTok/Instagram 要 ScrapeCreators key（GitHub device flow 免费 1 万次调用）。每个围墙花园都有自己的钥匙——这正是它产品逻辑的一部分，但对只想「装上就用」的人，门槛比 README 暗示的高。

值得肯定的翻车防护：SKILL.md 开头就有一段「stale-clone 自查」防加载到旧版本文档，还内置 doctor --postmortem 复盘上次运行哪个源真断了。这种工程自律在 skill 生态里罕见。

四、同类对比：为什么不用 Google/Perplexity？

它的卖点不是「更强的搜索」，而是「AI 原生地桥接围墙花园」。用一张小表看清生态位：Google 搜不到 Reddit 评论、X、YouTube 字幕，也不按互动排序；ChatGPT 虽有 Reddit 合作却搜不了 X 和 TikTok；Gemini 有 YouTube 但没有 Reddit；而 last30days 的目标是全部覆盖、统一按真实互动排序——当然，X 和 YouTube 要配置后才通。

用它的典型姿势：开会前查人（/last30days Peter Steinberger 这种，能挖出「本月加入 OpenAI、23 个 PR 合并率 85%」）；选题前找爆发话题（–discover 模式）；产品决策前看社区真实口碑而非 SEO 文章；连预测市场 Polymarket 的赔率也当信号——「不是谁声音大，而是谁愿意下注」。

适合谁：内容创作者（找社区已验证的叙事方向）、产品经理/创业者（赛道冷热、口碑走向）、投资人（共识是否形成）。不适合谁：只想「快查一个事实」的人——2-8 分钟等不起，普通搜索更快；不愿折腾 API key 的轻度用户——装完不配置，体验只有 HN 一个源。

五、安装与判断

安装三选一：

# Claude Code（官方推荐，自动更新）
/plugin marketplace add mvanhorn/last30days-skill
/plugin install last30days

# Codex/Cursor/Copilot/Gemini CLI 等 50+ 宿主
npx skills add mvanhorn/last30days-skill -g

# 手动（开发者，软链随仓库实时同步）
git clone https://github.com/mvanhorn/last30days-skill.git
ln -s "$(pwd)/last30days-skill/skills/last30days" ~/.claude/skills/last30days

我的判断：值得装进观察清单，主力使用前先想清楚配置成本。如果你是重度 AI 使用者、研究/选题/尽调是日常，它解决的是真问题——训练数据永远落后社区几个月，而它能给你「此刻真实的人在讨论什么」。装完务必先跑一遍 doctor 看哪些源真的通了，别信 README 的「零配置」。61k Star 和 52 位贡献者证明了需求是真的，但「能不能发挥全力」取决于你愿意配几把钥匙。

关注 AI商业快讯，每天一篇 AI 热点深度解读。

评测基于 2026-09-05 实测（last30days v3.23.0，沙盒 Python 3.12.13）；星数 61,257 截至 2026-09-05。

10 美元买 70 美元额度？CommandCode GOAT 订阅实测：7 倍额度是真的，DeepSeek V4 Flash 还比 OpenCode Go 快

2026-09-04 作者 AI_Admin

过去两个月，AI 编程订阅市场打起了「倍率战」：OpenCode Go 用 $10 卖 $60 额度，CommandCode 的 GOAT 直接喊出 $10 买 $70——7 倍，还声称带优惠能到 10 倍以上。对每月在编码模型上花真金白银的开发者，这不是噱头，是实打实的月账单问题。

我买了 GOAT 用了一周多，主力跑 DeepSeek V4 Flash。先说结论：同样 $10，GOAT 给的额度比 OpenCode Go 多 17%，DeepSeek V4 Flash 的月请求量约为后者的 2 倍，限流更松，实测速度还更快。下面把数学和体验都摊开。

一、GOAT 是什么：$10 买 $70 额度的开源模型订阅

Command Code（commandcode.ai）是开源模型向的编码 agent，创始人 Ahmad Awais，主推「会学习你编程品味」的 taste-1。今年 8 月初上线 GOAT 计划，定位是「重度开源模型用户」这一档：$10/月换 $70 月度额度（官方口径 7x 倍率），官方估算约 7.5 万次请求/月。

它不是「一个模型一个价」的共享池，而是额度按模型独立分配——每个模型各有一笔额度，你在 30+ 模型间随便切，互不挤占：

模型	月度额度	官方估算请求量/月
GPT-5.6 Sol	$70	~2,070
GLM-5.2	$70	~4,740
Tencent Hy3	$70	~35,400
Qwen 3.8 27B	$70	~24,000
DeepSeek V4 Flash	$60	~91,200*
MiMo V2.5（另有 -98% deal）	$30	~97,400
新模型（无 deal 期）	$20 起步	—

*注：GOAT 文档给出的估算口径与 OpenCode 不同（缓存假设差异大），该数字来自 GOAT 官方估算；OpenCode Go 对同模型的官方估算为 37,800/月——差异来自估算假设而非额度，正文第三节会细拆。

「7 倍怎么来的」：CommandCode 说自己直接跟模型厂商谈容量、跑 ~95-98% 缓存命中率，把省下的推理成本折回成额度。所以额度高低 = 它跟厂商 deal 谈得怎么样：谈成的（GPT-5.6 Sol、GLM-5.2、Hy3）给满 $70，没 deal 的新模型只给 2x（$20）。

二、限流窗口：比 OpenCode Go 松一档

订阅真正要看的不是「月总额度」，是短窗限制——决定了你一天内能不能猛干。两家的滚动窗口对比：

限流窗	CommandCode GOAT	OpenCode Go
5 小时	$14	$12
周	$35	$30
月	$70	$60

每个窗口独立刷新。GOAT 每个窗都比 OpenCode Go 高约 17%。代价是额度花完（且没开自动充值）时付费模型会暂停到窗口结束——免费模型（Laguna S 2.1、LongCat 2.0 等）不停。

三、纸面数学：DeepSeek V4 Flash 一档能跑多少

我这周主力是 DeepSeek V4 Flash，拿它做核心对比。先对齐口径：两家的官方「月请求量估算」用的缓存假设差很多——CommandCode 按 ~50K cache-read/请求算，OpenCode 按 ~71K 算，所以直接比官方估算数字会得出「GOAT 是 OpenCode 2.4 倍」这种虚高结论。

用两家各自的官方 calculator（同样按典型 agent 请求：~800 fresh input + ~50K cache read + ~180-200 output token）重算更公平。DeepSeek V4 Flash 在 CommandCode 的单价是 off-peak $0.22/$0.66/$0.007（cache read），OpenCode Go 上同模型按 $0.28/M 输入级报价走——CommandCode 这个 off-peak 价本身就更低，且每天 17 小时生效。

结果：GOAT 的 $60 DeepSeek V4 Flash 额度 ÷ 官方约 $0.0006/请求 ≈ 6-9 万次/月（CommandCode 自己给 91,200 的口径，含重度缓存命中）；OpenCode Go 官方口径 37,800 次/月。量级差接近 2 倍——因为 GOAT 给这模型的额度更高（$60 vs $60 之外的缓存单价更低）。

我一周多的实际消耗：正常 agent 干活（读库、改 bug、写测试），DeepSeek V4 Flash 单次请求成本大多在 $0.001-0.003 区间（视缓存命中率），按 $60 额度粗算一个月能跑 2-5 万次真实任务，重度用也够呛能花完。

四、实测：比 OpenCode Go 便宜、还更快

速度是这次最意外的点。DeepSeek V4 Flash 在 CommandCode 上标称输出 129 tok/s，我体感生成流畅不卡顿，多文件改动时响应比 OpenCode Go 上同模型更跟手。官方把这归功于自建推理 + 全球节点（美/欧/新加坡），我这边（国内网络）实测连通稳定，没遇到 OpenCode Go 偶尔的限速感。

价格感知：同样干一周活，OpenCode Go 的 DeepSeek V4 Flash 档（$60 月额、官方估 37,800 次）让我月底要盯着额度；换 GOAT 后同款模型额度 $60 + 更低单价，同样的活用量感明显更宽裕——「比 OpenCode Go 便宜」不是营销话术，是同一模型同额度下单价更低带来的真实感受。

功能细节：GOAT 含 Provider API（OpenAI/Anthropic 兼容端点 api.commandcode.ai/provider/v1，除 $1 Go 档外全套餐可用）——意味着不只用它家 CLI，OpenCode、Claude Code 等任何兼容客户端都能接，额度共享。免费模型（Laguna S 2.1、LongCat 2.0、Ling 3.0 Flash）不计额度，适合给 agent 当「不要钱的高速档」垫底。

翻车点也如实说：

新模型额度只有 2x（$20）：刚上的模型（Muse Spark 1.3、GLM-5.3、Qwen 3.8 Max 等）在谈成 deal 前只有 $20/月，想猛跑新模型会很快见底

DeepSeek V4 Flash 有 peak/off-peak 差价：每天 01-04 与 06-10 UTC 高峰价翻倍（$0.44/$1.32），国内晚高峰正好踩部分 peak 窗，重度用户要注意时段

额度按模型独立：看似慷慨，但每个模型的额度是固定的，你不能把 GPT-5.6 Sol 用不完的 $70 挪给 DeepSeek——灵活性不如共享池

「~100K 开发者」是官方口径：社区规模没到 OpenCode 那个量级，生态（插件/教程）还薄

五、同类怎么选 + 我的判断

$10 档开源模型订阅三巨头速览（截至 2026-09-04）：

CommandCode GOAT：$10 → $70，DeepSeek V4 Flash 额度 $60、单价最低、129 tok/s，含 API、限流最松 —— 开源模型重度用户首选

OpenCode Go：$10 → $60，模型池最全（含 Grok 4.6、GLM-5.3 新档），生态大，但同模型额度与单价都逊 GOAT 一档

各模型官方 API 自充：单价透明、无短窗，但没倍率，重度使用月账单轻松 $50+

适合谁：主力开源模型（DeepSeek/Qwen/GLM/MiMo）+ 日均几十次 agent 任务的重度用户——GOAT 是 $10 档目前纸面+实测都最值的；轻度用户（每周几次）$1 Go 档就够，别多花。

不适合谁：非要用 Claude/GPT 闭源旗舰的（那些在 Pro/Max 档）、要企业级 SLA/合规的（走 Teams/Enterprise）、对「额度按模型锁死」介意的。

判断：GOAT 不是「10 倍神话」，但 $10 档里它现在是综合最值——额度最高、限流最松、DeepSeek 系单价最低还更快。适合先订一个月实测，重度开源用户基本回不去。

（价格与额度截至 2026-09-04，套餐内容官方随时会调，下单前以 commandcode.ai 为准。本文为独立评测，与 CommandCode 无利益关系，订阅费用为作者自购。）

taste-skill 深度评测：84k Star 的「反 AI 味」前端框架，把审美纪律编译进 Agent

2026-09-04 作者 AI_Admin

用 Claude Code 或 Cursor 生成过落地页的人，几乎都撞过同一堵墙：AI 交出来的页面「能用但丑」——按钮全是圆角、卡片全带阴影、标题一律紫蓝渐变，设计师一眼就能认出是 AI 出的。这个问题的解法，过去只能靠人肉在 prompt 里反复强调「别用模板」，直到一个叫 taste-skill 的项目 6 个月冲到 84k star，把「审美纪律」直接编译进 Agent 的指令文件里。

Taste-Skill 给自己的定位是 The Anti-Slop Frontend Framework for AI Agents：它把字体、间距、配色、动效、组件状态的「好品味」写成一组可移植的 SKILL.md，AI 加载后就像多了一个「设计偏见包」。截至 2026-09-04，仓库 Leonxlnx/taste-skill 已获 84,044 star、5,745 fork，MIT 协议，作者是慕尼黑的独立开发者 Leon Lin。

它是什么：13 个技能组成的「反模板武器库」

taste-skill 不是一个单一技能，而是一套 13 个 SKILL.md 的组合（默认主技能 design-taste-frontend 就有 1206 行）。按用途分成两类：

实现类（输出代码）

Skill	定位
taste-skill（v2 实验版）	默认主技能。先读需求推断设计语言，再调三个旋钮（DESIGN_VARIANCE 布局实验度 / MOTION_INTENSITY 动效强度 / VISUAL_DENSITY 信息密度）
taste-skill-v1	原版 v1 的冻结存档，行为与 v2 有差异，可回退
gpt-taste	更激进的 GPT/Codex 变体：Python 模拟随机数强制布局多样性 + GSAP 滚动动效
image-to-code	图片优先流水线：先出参考图 → 分析 → 再实现代码
redesign-skill	改造现有项目：先审计 UI，再动手改
soft / minimalist / brutalist	三套视觉方向预设：昂贵柔和风 / 极简编辑风（Notion/Linear）/ 粗野机械风
stitch-skill	兼容 Google Stitch 语义设计规则
output-skill	治「AI 偷懒截断输出」：禁 placeholder、禁 `// ...`

生图类（只出图，不出代码）：imagegen-frontend-web（网站构图）、imagegen-frontend-mobile（移动端界面）、brandkit（品牌套件），配合 ChatGPT Images / Codex 出参考帧，再喂给编码 Agent。

核心机制：把「AI 味」拆成一张禁令清单

taste-skill 最值钱的部分，是把「AI 生成的页面为什么一眼假」拆成了可执行、可检查的硬规则（v2 的 Section 9「AI Tells」），而不是空泛的「请设计得好看些」。几个代表性规则：

em-dash（——）全面禁令：整页不允许出现一个破折号，标题、正文、按钮、alt 文本全禁。作者实测这是 AI 最常犯的文体指纹，v2 里写「如果输出里出现一个 —，Pre-Flight 检查直接失败重写」。

「三张等宽特性卡」是罪：AI 默认的三列等宽 feature 卡片被点名禁止，改用 2 列之字形、不对称网格、横向滚动等替代布局。

中心对称 Hero 是罪：当 DESIGN_VARIANCE > 4 时，居中大标题 + 居中 CTA 的 Hero 是默认输出，属于「无设计」信号，强制改分屏/左文右图/不对称留白。

禁止 AI 紫蓝渐变、禁止纯黑 #000000、禁止 Inter + slate-900 默认组合：这些是 LLM 的训练数据里最常见的「看起来像设计」的偷懒答案。

假数据禁令：不写 “John Doe”、不用 “Acme” 这种假公司名、不写 “99.99%” 这种假完美数字——AI 默认生成的这些内容会让页面「假味」扑面而来。

div 拼出来的假产品截图是头号 AI 指纹：用 styled div 模拟的任务列表、终端、仪表盘被点名是 LLM 设计 Tell 第一名，要求用真实截图或真实组件。

这套规则的执行方式也很有工程感：v2 里定义了 §0 Brief Inference（动手前先输出一行「Design Read」声明你读懂了什么需求）、§2 设计系统地图（像 Fluent/Carbon/shadcn 这种有官方包的，必须用官方包，不许手搓）、§14 Final Pre-Flight Check（发布前跑一份 50+ 项的硬检查清单，任何一项不过就不许交付）。

实测：装得上、规则真能查、但也有打脸处

我在 Alpine Linux 沙盒里做了几项可复现的验证：

安装链路：npx skills add https://github.com/Leonxlnx/taste-skill --skill "design-taste-frontend" --yes 实测成功，CLI 正确发现仓库里 13 个技能、识别为 universal 格式（声称覆盖 Amp、Antigravity、Cline、Codex 等 17 个平台），安装到 ./.agents/skills/ 后与仓库源文件逐字节一致。Claude Code 生态则通过 .claude-plugin/ 的 marketplace 清单接入。

规则一致性审计：我对全部 13 个 SKILL.md 做了 frontmatter 校验（name + description 字段齐全 = 可被 npx skills 正常发现安装），13/13 通过，无缺失。但有意思的是「自己打脸」的地方：v2 声称「em-dash 全禁」，它自己的 SKILL.md 里确实 5 处 em-dash 全是规则说明本身（禁用它就得写出它），这是严谨不是违规；但 v1 的 SKILL.md 里有一处真违规——all interactive elements—no linear easing 这个句子自己在用 em-dash 解释规则。README 和 CHANGELOG 则干净（0 处）。

翻车点 1：v2 还是「实验版」，且没有 release。仓库 2026-02-19 创建至今 0 个正式 release，tag 都没有。v2 重写在 CHANGELOG 里明确写着 “This is a pre-release”、”Actively iterating toward v2.0.0 stable”——装默认版等于在追一个还在快速变动的文档，行为可能随版本漂移。旧版用户只能靠 design-taste-frontend-v1 这个名字钉住行为。

翻车点 2：规则再硬，Agent 不遵守就白搭。GitHub issue #106 是 2026-09-03（昨天）刚开的，标题就是 “How to force agent 100% obey the skill?”——这是 SKILL.md 模式的通病：它是「指令」不是「代码」，长上下文里 Agent 可能淡化它。官方自己也承认这点，只给了「v2 用 Brief Inference + Pre-Flight 双保险」这种软约束，没有技术性强制手段。

翻车点 3：文档里埋了商业赞助。README 顶部一整块是 Kimi（月之暗面）的推广横幅，正文有 “Get a Kimi API key – Taste-skill users get 10% bonus API credits”，赞助商墙列了 interfaces.dev、React Bits、animations.dev、IMG.LY 等一堆。这在开源项目里不违规（README 本身也声明了这些是赞助），但说明 84k star 的流量已经被商业化变现，README 约 41% 的 commit 是 sponsor/README 调整——评估项目时要清楚 star 里有营销成分。

同类对比：taste-skill vs Impeccable vs 官方 frontend-design

反 AI 味前端这个赛道，taste-skill 不是唯一玩家，中文圈也常把它和另一个 49.9k star 的项目 Impeccable（pbakaus）对比：

维度	taste-skill	Impeccable	Anthropic 官方 frontend-design
理念	预设风格库 + 旋钮调节	23 个斜杠命令按需调用	官方基线
用法	装一次，生成时自动生效	生成后敲 `/audit` `/polish` 渐进打磨	基础规则
风格	多套视觉语言（Apple/Linear/Awwwards…）	7 大模块知识库，不预设风格	通用
star	84k	49.9k	–
协议	MIT	Apache 2.0	–

两者可叠加：taste-skill 管「生成阶段别出模板」，Impeccable 管「生成后帮我挑毛病」，且都溯源到 Anthropic 的官方 frontend-design skill。适合谁：vibe coding 重度用户、用 Cursor/Claude Code 做落地页/作品集/官网的人、被 AI 模板页面反复折磨的独立开发者。不适合谁：做数据密集后台/复杂表单的人——v2 的 Out of Scope 明确写了 dashboard、数据表格、多步表单不在服务范围；以及期待「装了就 100% 有效」的人，它是概率性约束不是硬保证。

判断

84k star、6 个月爆发、v2 重写把「反 AI 味」做成了 1206 行可执行规则——taste-skill 是 2026 年 Agent 技能生态里工程完成度最高的一档，值得放进必装清单。但别神化它：它是实验版、无 release、规则靠 Agent 自觉遵守（issue #106 还挂着），而且 README 商业化气息明显。我的建议是装上、把它的 Pre-Flight 检查清单当参考、但别把「装了就高级」当信仰——AI 生成页面的终极解法，可能还是要靠你亲自看一眼。

如果你也被「AI 味」困扰，可以配合 Humanizer-zh 实测：24 条规则去除 AI 痕迹去文本的 AI 味，配 Caveman 实测：99k Star 的洞穴人 skill，砍掉 65% 输出 token 治代码输出的啰嗦。关注 AI商业快讯，每天一篇 AI 热点深度解读。