Meta 发布 Muse Spark 1.3:编码反超 Opus 5、长上下文碾压 GPT-5.6 Sol,扎克伯格预告 Watermelon 与开源权重

Meta 发布 Muse Spark 1.3:编码反超 Opus 5、长上下文碾压 GPT-5.6 Sol,扎克伯格预告 Watermelon 与开源权重

9 月 2 日,Meta 麾下 Meta Superintelligence Labs(MSL)发布旗舰模型 Muse Spark 1.3,同步登陆 Muse Code 与 Meta Model API。Meta 首席 AI 官 Alexandr Wang 称之为「我们迄今为止在模型性能上最大的一次跃升」,并放话该模型在编程能力上「好于」OpenAI 的 GPT-5.6 Sol、与 Anthropic 刚发布的 Claude Fable 5.1 处于同一竞争梯队。同一天,CEO 扎克伯格在 X 上预告:下一代旗舰「Watermelon」与 Muse Spark 系列的开源权重都「即将到来」(coming soon)。这已是 Muse Spark 自 4 月诞生以来五个月内的第四次迭代——Meta 正以前所未有的节奏冲击前沿模型第一梯队。

一、发生了什么:五个月四次迭代,编码与长上下文双线反超

Muse Spark 1.3 是 MSL 自 4 月首秀、7 月推出 1.1、8 月推出 1.2 之后的第四次大版本更新。据官方发布与多家媒体报道,这次迭代的核心不是堆参数,而是「效率 + 长程任务能力」:

  • 成本与效率:1M token 上下文窗口,输入 $1.25/百万 token、输出 $4.25/百万 token(与 1.2 持平),缓存输入低至 $0.15;扎克伯格称其性能「便宜到几乎不用计量」(almost too cheap to meter)。相比 1.2,工具调用减少约 20%、token 消耗减少约 25%。
  • 多模态输入:原生支持文本、图像、视频与文档理解,OpenAI 兼容 API 与工具调用(tool calling)。
  • Agent 能力强化:长程任务中可自主生成上下文、主动修正计划、保留跨任务细节;提示词含糊时会主动反问澄清、卡住时求助用户、执行关键操作前先确认——官方强调「对自己能力边界的感知更准,减少幻觉式硬撑」。
  • 多任务并行:能在单一长线程中同时管理多个工作流,而不是靠多个会话硬拼。

据 Meta 公布的自家基准(officechai 等媒体汇总),Muse Spark 1.3(max 档)与 Anthropic Opus 5、OpenAI GPT-5.6 Sol 的对位如下:

基准 Muse Spark 1.3 GPT-5.6 Sol Opus 5
DeepSWE v1.1(长程 agentic 编码) 75.4(1.2 仅 55.0) — 74.0
SWEAtlas CodeBase QnA 59.4 53.5 52.7
Terminal-Bench 2.1 88.8(与 GPT 打平) 88.8 86.7
MRCR 256K–512K(长上下文) 98.5 91.5 未列
MRCR 512K–1M(超长上下文) 98.1 73.8 未列
GDPVal-AA v2(知识工作) 1754 1710 1824
DeepSearchQA(agentic 浏览) 89.4 93.0 —

数字本身是 Meta 自家 harness 跑出来的,第三方独立评测(如 Artificial Analysis)尚未出炉——但「编码反超 Opus 5、长上下文碾压 GPT-5.6 Sol」的原始成绩单,已经足以震动市场。

二、为什么值得关注:Meta 把「开源悬念」变成了最强的竞争武器

这则新闻的商业分量不在单一模型,而在两个信号:

第一,Meta 用 5 个月完成了别人几年的追赶曲线。 去年扎克伯格挖角 Scale AI 创始人 Alexandr Wang 组建 MSL,当时外界普遍质疑 Meta 在 AI 竞赛中掉队。如今 4 月 → 9 月连发四代旗舰,DeepSWE 从 1.2 的 55.0 直接跳到 75.4,把「反超 Anthropic Opus 5」写进了自家成绩单。Wang 在接受采访时更直言,该模型「好于任何现有的中国模型」——直指开源阵营与国产模型的竞争语境。

第二,「开源权重」四个字才是真正的胜负手。 Wang 确认 1.3 的权重尚未决定是否发布,但上一代 Muse Spark 1.2 的权重仍计划开源;扎克伯格本人近期连发公开信强调「让 AI 开发更开放可及」,并在 X 上预告 Muse Spark 开源权重与下一代旗舰 Watermelon「即将到来」。一旦 Meta 把接近前沿性能的权重真正放出来,将直接复刻 Llama 当年的生态打法——用免费可下载的模型撬动开发者生态,倒逼 OpenAI、Anthropic 的闭源高价策略。对开发者与初创公司而言,这可能比任何基准分数都更重要。

三、对三类人的实操启示

对开发者和技术选型者:若你在 Muse Code 或 Meta Model API 生态内,1.3 的「省 25% token + 少 20% 工具调用」意味着同样的预算能跑更长的 agent 任务,长上下文档位(512K–1M)目前是同级最强之一,适合代码库问答、长文档智能体场景。但注意两点:一是基准均为 Meta 自测,等 Artificial Analysis 独立数据再定迁移结论;二是 1.3 权重未定是否开源,生产环境别把「可自托管」当默认假设。

对企业与 AI 应用创业者:多模型并行已是 2026 年下半年的事实——OpenAI、Anthropic、Google、Meta、Qwen 在 48 小时内连续上新(详见昨日 Claude Fable 5.1 报道)。建议把「模型可替换性」写进架构:用 OpenAI 兼容层接多供应商,哪家性价比翻转就切哪家,避免被单一实验室的定价与限流绑架。

对投资者与行业观察者:注意 Meta 的算力军备逻辑——数百亿美元基础设施投入、传闻中的云算力出租业务(Bloomberg 7 月报道)、加上 Nvidia 同时在扮演芯片商 + 云投资方 + 房东的「三角色」交易结构。模型层价格战已经开打(各厂旗舰 API 定价集体下探),真正的利润争夺正在向算力层与生态层转移。

四、潜在风险与看点

基准可信度:Meta 自家数字历史上与第三方评测有出入(1.2 曾自报 Terminal-Bench 82.9%、第三方验证差 3.8 分),1.3 的「反超」需独立数据确认。

开源承诺的摇摆:Wang 对 1.3 权重「尚未决定」,与扎克伯格「开源权重即将到来」的表态存在张力——「Watermelon」若真达到前沿水准,Meta 是否舍得放权重,将是未来数月开源社区紧盯的悬念(Spyglass 等媒体已质疑:Meta 可能用 Watermelon 蒸馏出开源版、闭源保留旗舰)。

同日发布潮的挤压:9 月 1–2 日,Anthropic Fable 5.1、Google Gemini 3.8 Flash(含 Cyber 版)、Qwen3.8-Max-0902 与 Muse Spark 1.3 扎堆登场。模型供给过剩、同质化竞争加剧,「发布即过气」的窗口期正在缩短——对下游应用方是红利,对模型层是绞杀。

五、小结

Muse Spark 1.3 本身是一次扎实的迭代:效率更高、编码与长上下文站上前沿、agent 能力更贴近真实工作流。但真正值得记住的是 Meta 的战略姿态——五个月四迭代的节奏、贴着成本打的定价、悬而未决的开源承诺。当「最强开源模型」的头衔可能再次易主,2026 下半年的 AI 竞赛已经从「谁的模型更强」转向「谁能把最强模型以最低门槛送到最多人手里」。

相关阅读:

AI 一摆烂就上 PUA?19.6k Star 的 tanweai/pua 实测:压力话术 + 方法论引擎,真能让 Agent「不敢放弃」吗

AI 一摆烂就上 PUA?19.6k Star 的 tanweai/pua 实测:压力话术 + 方法论引擎,真能让 Agent「不敢放弃」吗

你遇到过吗:AI 把同一个命令跑三遍然后说 “I cannot solve this”;报错归因 “可能是环境问题”;修完表面 bug 就停,等你指示下一步。这套「暴力重试 → 甩锅 → 磨洋工」的偷懒模式,几乎每个重度使用 AI 编程的人都被气过。今天实测的项目把大厂绩效文化直接做成了 Agent 技能——用 P8 定级、3.25 考核、毕业警告去驱动模型穷尽所有方案。本文基于真实仓库、测试脚本与两轮本地实测,拆解这套「AI 版绩效管理」到底有效还是噱头。

一、它是什么:把「大厂 PUA 话术」做成 Agent 行为协议

tanweai/pua 由探微安全实验室出品,GitHub 19,569 star、1,196 fork,2026-03-08 创建,6 个月内迭代到 v3.5.0(plugin.json 版本号仍停留在 3.5.0,但 main 分支已合入 v3.3+ 多项新特性),最新提交 2026-08-29。MIT 协议(README 标注,仓库内无 LICENSE 文件),定位是覆盖 11 个平台的 AI Coding Agent 技能插件:Claude Code、OpenAI Codex CLI、Cursor、Kiro、CodeBuddy、OpenClaw、Google Antigravity、OpenCode、VSCode Copilot、Trae、pi coding agent。

它不是单纯骂模型。核心是「三重能力」:PUA 话术让 AI 不敢放弃、调试方法论让 AI 有能力不放弃、能动性鞭策让 AI 主动出击。仓库描述一句话点题:”Your AI has been placed on a PIP. 30 days to show improvement.”

工程体量相当可观:main 分支 221 个文件、7.9MB。核心 skill(skills/pua/SKILL.md)422 行,配套 28 个 references 文档(合计约 160KB),外加 10 个 flavor 子 skill(pua-en / pua-ja / pua-loop / pro / shot / yes / mama / ding / p7 / p9 / p10)、7 个 sub-agent 定义、10+ 个 hooks 脚本、11 个 slash commands 与 14 个 eval 测试脚本。

二、工作原理:三级机制如何让 Agent「不敢摆烂」

加载后 AI 被锚定一个身份——「被寄予厚望的 P8 工程师」,并注入三条红线:闭环意识(没跑验证就别说完成)、事实驱动(未验证的归因是甩锅)、穷尽一切(没走完方法论禁止说无法解决)。三条红线之上是五步调试方法论:闻味道(列全部尝试找共同失败模式)→ 揪头发(读源码、搜报错、反转假设)→ 照镜子(是否在重复?)→ 执行(本质不同的新方案)→ 复盘(主动检查关联问题)。

压力按失败次数四级升级:第 2 次 L1 温和失望(强制切换本质不同方案)→ 第 3 次 L2 灵魂拷问(WebSearch + 读源码)→ 第 4 次 L3 绩效审视(强制 7 项检查清单)→ 第 5 次+ L4 毕业警告(拼命模式)。旁白会嵌入对应大厂味道的黑话:阿里味讲「底层逻辑、抓手、闭环、3.25」,华为味讲「力出一孔、蓝军自攻击」,Musk 味讲「extremely hardcore, ship or die」。

v3 的关键升级是「方法论智能路由」:Debug 任务自动切华为 RCA 根因分析,构建新功能切 Musk 的质疑→删除→简化→加速→自动化五步纪律,调研切百度「搜索先于一切」。连续失败时按失败模式换方法论——原地打转走 Musk→拼多多→华为链,没搜就猜走 百度→Amazon→字节 链。每次切换输出 [方法论切换 🔄] 标注。

Claude Code 专属的 hook 系统是它区别于普通 prompt skill 的护城河:SessionStart 注入行为协议、PostToolUse 检测 Bash 连续失败自动升级压力、UserPromptSubmit 拦截用户挫败短语(”又错了””try harder”)在模型响应前注入 PUA 上下文、PreCompact 保存压力等级跨压缩恢复。这意味着它在模型「说出借口之前」就从系统层介入,而非等模型犯错后由用户手动触发。

三、功能拆解:不只有「骂」,还有一整套治理体系

14 种大厂味道:阿里、字节、华为、腾讯、百度、拼多多、美团、京东、小米、Netflix、Musk、Jobs、Amazon、Microsoft(v3.3 还加了「钉内/钉外」味,源自《置身钉内》离职长文)。每种味道 = 旁白风格 + 独立方法论文档(methodology-*.md),微软味甚至有完整的 Connects / Impact Descriptor / PIP clock 绩效叙事。

多身份模式:/pua:p7 方案驱动骨干、/pua:p9 Tech Lead(管理 Agent 团队)、/pua:p10 CTO 战略、/pua:yes ENFP 夸夸模式(规则不变旁白反转)、/pua:mama 中国式妈妈唠叨、/pua:shot 449 行零依赖单文件浓缩版(适合 sub-agent 注入)、/pua:pua-loop 自动迭代循环。

Harness 防作弊治理(四权分离):行动权 / 自我评价权 / 评分权 / 环境修改权分开。Agent 不能修改评分器后宣布通过;改 tests/evals/CI 必须停下等 human/verifier gate;对 hidden tests、benchmark answers 由 Integrity Guard 直接 deny。四代理拓扑:pua-policy-guardian → pua-action-executor → pua-self-reviewer → pua-verifier 串联,各代理只拥有对应权力。这套设计明显是为 eval 场景(如 SWE-bench)防「看起来完成伪装成真实完成」而写。

Agent 生命周期管理(v3.2+):team-status 列出在场 agent 阵容(PID/TTL/年龄)、reap-orphans 回收无心跳的孤儿 agent、teardown-all 级联释放,还配套 hooks/sanitize-session.sh 本地脱敏工具(三层:格式黑名单 → key=value 识别 → Shannon 熵兜底)。

触发机制分层:description 自动匹配(含中英双语触发词:换个方法/别摆烂/为什么还不行/证据呢/try harder/stop giving up)、slash command 手动触发(11 个子命令)、hook 系统级注入、flavor 味道切换(/pua:flavor)。从代码看,同一套 SKILL.md 以不同 frontmatter description 分发到各平台,Codex 版还专门精简了 description 以兼容其长度限制。

四、实测数据与动手验证

官方实测(README 披露,Claude Opus 4.6,18 组对照):通过率两组均为 100%,修复点数 +36%、验证次数 +65%、工具调用 +50%、隐藏问题发现率 +50%。9 个真实 bug 场景 6 个有详细步骤数据,典型如 SQLite 数据库锁 6 步→9 步(+50%)、循环导入 12 步→16 步(+33%);被动配置审查场景从发现 4/6 问题(漏 Redis 配置错误与 CORS 通配符隐患)提升到 6/6。成本代价也如实标注:多数场景耗时增加 20%-70%(CSV 编码陷阱 57s→71s)。

我在沙盒实测了仓库自带的 14 个 eval 测试脚本(无需 claude CLI 即可跑的部分):

  • evals/test-no-telemetry.sh:16/16 通过——对全仓做反向断言,扫描采集域名/endpoint/出站请求/已删文件,任何数据采集回归都会让测试失败
  • evals/test-integrity-guard.sh:11/11 通过——hidden verifier 读操作被 deny、普通源码写操作放行、memory/CLAUDE.md 写入仅 advisory
  • evals/test-yaml-frontmatter.sh 与 test-platform-compat.sh:通过(多平台 frontmatter 与兼容性校验)
  • evals/test-release-consistency.sh:失败——仓库自检发现 v3.5.0 后多处不一致:plugin.json 与 marketplace.json 版本未同步到最新、SessionStart 协议缺少 Harness Integrity governance 注入、pua skill description 未显式排除「普通首轮请求」等。这是真实存在且未修复的发布纪律问题(截至 2026-09-03 main 分支)
  • 触发类/行为类测试(run-trigger-test、test-behavior)需要 claude CLI,沙盒无法运行——触发词覆盖我做了静态验证:description 中「换个方法/再试试/为什么还不行/try harder/stop giving up/别摆烂」等中英触发词均存在

安装实测(Linux/macOS 类):Codex CLI 一键装 curl 拉 .codex/INSTALL.md 后让 Codex 执行,或手动 mkdir -p ~/.codex/skills/pua && curl -o SKILL.md;Claude Code 走 claude plugin marketplace add tanweai/pua && claude plugin install pua@pua-skills。核心 SKILL.md 同时兼容 OpenClaw/Codex/Antigravity/OpenCode(Agent Skills 开放标准,零修改通用)。我另将 codex 版装入沙盒技能目录做触发验证,description 匹配机制与 hooks 之外的纯文本协议部分工作正常。

五、适合谁、怎么选,以及必须知道的争议

最值得警惕的是隐私历史:README 明示「不收集任何数据」,但 git 历史显示全部五条数据采集通道(session 语料上传、评分反馈上报、静默心跳 telemetry、PUA 排行榜、pua-api 平台含手机号注册与支付流程)直到 2026-08-29(两天前)才被整体移除——提交信息 “Remove all data collection: 5 upload channels, client and server”,且至今未打新 release(plugin.json 仍标 3.5.0)。安全 issue #100 曾报告上传接口把 GitHub 用户名、微信 ID 发往硬编码邮箱且未在 UI 披露;issue #134 的安全审计报告(2026-04)发现私钥脱敏失效(跨行正则因单行化永不匹配,导致 PEM 私钥明文上传到 R2)、存储键目录穿越等 5 个漏洞——作者 8-29 在 issue 里确认全部随代码删除而修复,test-no-telemetry.sh 我实测 16/16 通过也验证了当前 main 分支确实干净。但如果你用的是 8-29 之前克隆的旧版,务必更新;历史包袱是真实的。

产品层面:核心机制(压力升级 + 方法论路由 + hook 系统注入)设计成熟度在同类 skill 中罕见,工程完整度很高——28 个 references、7 个 sub-agent、14 个 eval,几乎是「开源 skill 界最重的项目」。问题同样明显:旁白输出可能让简单任务变得吵闹(虽然有密度控制规范);阿里味等话术与真实绩效黑话高度绑定,非国内大厂文化背景用户会感到困惑;v3 hook 系统仅 Claude Code 可用,其他平台只剩「建议性」的纯文本协议,效果打折。此外 19.6k star 与 6 个月 11 个 release 的热度曲线本身也是这个赛道关注度的注脚——「让 AI 别摆烂」是 2026 年 Agent 大规模落地后最真实的痛点之一。

适合谁:重度 Claude Code 用户、跑 eval/评测需要防作弊约束的开发者、被「AI 原地打转」折磨到想摔键盘的人。不适合谁:对话型轻度用户(会嫌吵)、封闭内网环境(hooks 需要联网拉取 marketplace 的完整安装路径)、对职场黑话无感或反感的用户——可以先试 /pua:yes 夸夸模式或 /pua:shot 轻量版。安装前记得检查版本是否晚于 8-29 的清理提交。

一句话总结:PUA 把「绩效恐惧」做成了 Agent 的燃料,方向邪门但工程认真——它治的是 AI 的「放弃病」,代价是你要接受一个满嘴大厂黑话的工作搭子。理性用法是当调试方法论与验收纪律用,而不是真的指望靠骂提升模型能力。本文基于 2026-09-03 的 main 分支实测,与官方无利益关系。

相关阅读:Caveman 实测:99k Star 的洞穴人 skill,砍掉 65% 输出 token · 实测 9 款 token 节省工具

flowctx 深度评测:OpenClaw 上下文引擎实测砍掉 56% token,解题率不降反稳

flowctx 深度评测:OpenClaw 上下文引擎实测砍掉 56% token,解题率不降反稳

用过 Claude Code、OpenClaw 这类 AI 编程 Agent 的人,几乎都撞上过同一堵墙:会话跑久了,上下文越塞越满,要么被硬截断丢掉早前的工作记忆,要么每轮请求都背着几十万 token 的历史在跑,又慢又贵。OpenClaw 的一个共享会话连跑 40 个任务,输入 token 会从 4.9 万一路爬到 37.4 万——这就是上下文不做治理的代价。而 flowctx 给出的解法有些反直觉:记忆应该随距离变淡,而不是到点掐断——离当前任务越远压得越狠,越近保得越全,当前正在做的事则分毫不动。它在 SWE-bench Verified 上把长会话的 token 消耗砍掉 56%,解题成功率却保持在 68% 不降。

flowctx 是什么:OpenClaw 的「上下文引擎」

flowctx(GitHub: Ayou-Claw/flowctx,MIT 协议)是一个 OpenClaw ContextEngine 插件,本质是会话上下文的「分层记忆管理器」。它不改变模型、不改变工具,而是接管「每轮请求往上下文里放什么」这件事。

OpenClaw 本身在溢出时并非没有处理——它有 pre-emptive 检查、ToolResult Guard、compaction safeguard 三道防线,但思路是「先尽量塞,快满再截断/摘要」。这种兜底式治理有四个代价:

  • 工作记忆丢失:早期轮次里的失败路线、关键约束被 prune 后,模型容易重复踩坑
  • 精确信息不可恢复:[... N more truncated] 是单向裁剪,被删的字节没有回溯指针
  • KV Cache 被打爆:summarize / prune / 重排都会改写前缀,下一轮走 cold path,延迟飙升
  • 卡在交互关键路径上:压缩发生在回合中途,用户能感知到明显停顿

flowctx 的取舍是把上下文当作「有纵深的记忆」,只压缩远端、绝不碰当前任务,而且所有压缩都有退路。它内部实现了 OpenClaw ContextEngine 契约的 assemble() / ingest() / compact() / maintain() 四件套:assemble() 做轻量投影,重活全部丢给 maintain() 后台执行。

三层压缩,怎么做到「越远越省、随时可还原」

flowctx 把会话历史按离当前任务的距离分成三档,每档用不同的压缩强度:

档位 处理方式 细节
当前轮任务 零语义丢失 原文原样入模,不压缩不摘要
临近过往轮 结构化压缩(零 LLM、确定性) 按内容类型识别,压缩结果可按 hash 字节级还原
更早历史 摘要压缩(LLM、后台、阈值门控) 折叠成分层交接笔记,逐字保留失败做法与关键标识符

三层机制各有关键设计:

1. 读时投影(projection)。压缩只发生在 assemble() 输出给模型的那个视图上,磁盘上的宿主会话永远是未压缩的原文真相源。任何被压过的内容都能用 flowctx_retrieve 工具按 SHA-256 哈希逐字节取回——「压」和「删」是两回事。

2. 确定性结构化压缩(0 LLM)。projection.ts 按内容类型路由超大工具结果:JSON 走词法 minify + 哈希中段裁剪,diff 走 hunk 压缩,CLI 输出走规则引擎(作者声称日志类可压 5–20 倍+),代码走结构提取,日志做相邻重复折叠。两道防线(行一致性校验 + 严格字节收缩)拒绝无效压缩,兜底是 head60%+tail30%。这一层每轮都跑、不花一分钱 LLM 调用,把窗口占用压低了,LLM 摘要自然就没那么频繁需要触发。

3. 后台 LLM 摘要(只在需要时)。只有当「组装后视图 token ÷ 上下文窗口 ≥ 阈值」(默认 0.2)时才触发,且跑在 maintain() 的后台车道,不阻塞交互回合。摘要走分层 Summary DAG:早期历史冻结成永不重写的 leaf 节点(默认 4 万 token 一片),攒够 6 片就凝聚成一层概述。摘要采用「工程师交接笔记」提示词,专门逐字保留标识符、文件路径、失败 vs 可行的路线——专治压缩后失忆。代际守卫会取消新回合时还在跑的过期摘要任务,避免陈旧结果被提交。

4. KV Cache 友好。assemble() 保持稳定前缀逐字节不变,被压缩的内容因「内容 hash → 相同字节」天然幂等,跨轮前缀稳定,provider 前缀缓存持续命中。作者实测:折叠摘要节点只会让 KV 命中率掉约 2 个百分点(96.1% → 93.9%)。

实测佐证:仓库自带 254 个 vitest 测试(31 个测试文件)全部通过,覆盖约束 C1–C6(非阻塞 / append-only / 可逆可审计 / LLM 摘要后台门控 / KV 前缀稳定 / 结构化压缩)以及多 leaf 折叠循环、实时配置生效等场景。唯一跳过的 live-LLM 测试需 Anthropic 凭证,会自动跳过。

关键配置:改这几个键就能调行为

所有配置都放在 ~/.openclaw/openclaw.json 的 plugins.entries.flowctx.config 下,全部可选、越界值自动 clamp。最值得调的是这几个:

配置键 默认值 作用
shortTermMemory true 总开关,关掉即整体停用
projectionThreshold 1000 超过此 token 数的工具结果才做结构化压缩,越小越激进
projectionKeepRecentTurns 1 最近 N 个用户回合(当前任务)豁免压缩
freshTailWindow 64 最近 N 条消息原文保留(是前者的上限,防长任务拖垮窗口)
summaryTriggerRatio 0.2 组装后占用达窗口比例即触发后台摘要,越小越早压
summaryKeepRecentTurns 2 摘要折叠前保留的用户回合数
layeredSummary true 分层 leaf + condense,false 则退化为单条滚动笔记
leafChunkTokens 40000 一片 leaf 覆盖的原文 token 数
condenseFanout 6 攒够几片同层节点凝聚成上一层
maxSummaryDepth 1 摘要树最大深度(0=只有 leaf)

作者在文档里给了一个「激进调试配置」示例(窗口 3 万、触发比 0.3、dumpSummaryRequests: true 等),用来在小窗口上快速观察引擎工作过程;生产环境建议关掉 debug 输出、把窗口设成模型真实值。

还有一个容易踩的坑:config 受 manifest 的 configSchema 校验(additionalProperties: false),写入非法键会被 openclaw doctor --fix 把整段 config 重置,引擎悄悄回退默认阈值、看起来像「没生效」。

实测数据:token 砍 56%,解题率不降

作者用 SWE-bench Verified 做了确定性评测:抽取 40 个真实 issue→PR 任务(12 个 repo、3 个难度档),被测模型是 mimo-v2.5-pro,裁判用 claude-opus-4-8 对比候选 patch 与 golden patch。关键对照组是共享会话(40 个任务共用同一个 session,上下文跨任务累积——这正是 flowctx 工作的场景):

配置 解决率 (/40) 均分 KV 命中率 tokens/任务
flowctx 关 · isolated 68%(27/40) 70.2 98.7% 88k
flowctx 关 · shared 68%(27/40) 71.1 96.1% 288k
flowctx 开 · shared(两次均值) 68%(27/40) 71.8 93.9% 127k

三个关键结论:

  • 压缩不伤解题力:解决率 68% ↔ 68%、均分 71.1 ↔ 71.8,基本持平(开 flowctx 的两次运行分别是 70% 和 65%,作者取了均值)
  • token 大幅下降:同样累积上下文的场景下,288k → 127k / 任务,省 56%(约 16.2 万 token/任务)
  • KV 命中率只是小幅波动:96.1% → 93.9%,折叠摘要节点的重算成本约 2 个百分点

值得注意的是对照组揭示的「失控曲线」:不压缩的共享会话 prompt token 随任务单调爬升(4.9 万→37.4 万),而 flowctx 开时每次折叠都把组装规模拉回 10 万 token 门槛内。

仓库里还附了 TTFT 实测:500k prompt 冷缓存首 token 延迟高达 30–51 秒,热缓存能压到 3.7–6.3 秒(加速 13.9 倍)——KV 缓存保不住时,长上下文的延迟代价是实打实的。

局限(作者自述 + 代码审读):

  • 目前仅面向 OpenClaw 生态;普通文本内容仍主要靠 head/tail 粗裁剪,还没做提纲式提取
  • flowctx_retrieve 只能整块取回,模型想只看一小段也得拉整段原文,作者规划做 range 子块取回
  • token 预算是本地估算(Unicode 码点感知:CJK≈1.5、emoji≈2、ASCII≈0.25 token/字符),不依赖 SDK usage 字段——方向对了,但估算非精确
  • 摘要质量缺乏自动评估,交接笔记能否稳定保住失败路线和关键标识符还靠人工观察

安装、适用场景与同类对比

安装需要 Node ≥ 20,在 OpenClaw 环境内一条命令链:

npm install          # 一次性:拉开发依赖(esbuild/typescript/vitest)
./install.sh         # 构建、链接、启用,并把 flowctx 设为活动的 context engine
openclaw gateway restart   # 改完必重启

install.sh 默认会设置 plugins.slots.contextEngine = "flowctx"——注册 context engine 不等于启用,slot 必须指向它。想不接管引擎槽位可用 --no-engine,改选别的用 --engine 。运行时日志前缀方便 grep:[flowctx:trigger](真正触发的事件,info 级可见)、[flowctx:engine](细粒度调试,默认关)。

适合谁:

  • OpenClaw / 长会话 Agent 用户,跑多任务共享会话、上下文经常逼近窗口上限的人
  • token 账单敏感、但不想牺牲解题质量的团队——省的是真金白银的输入 token
  • 对 KV 缓存命中率有执念的性能调优者

不适合谁:

  • 单轮短会话为主、会话很少超过几万 token 的人——加了引擎徒增复杂度
  • 不是 OpenClaw 生态的用户(Claude Code 场景可看同类思路的 headroom / 协议层代理)

与同类方案的定位差异(详见仓库 docs/context-management.md):

  • headroom:协议层压缩代理,位于 agent 与 provider 之间,host 无关、运行时基本不做 LLM 摘要,覆盖压缩器广;但看不到 host 的 session/轮次语义,需要 sidecar,且挡不住 host 内部的同步 summarize
  • lossless-claw / LCM:同为 OpenClaw 引擎层插件,以 LLM 摘要 + 语义召回为主路径,摘要 DAG 可跨会话查;但对普通工具结果的结构化压缩覆盖弱,且作者记录过它曾把非法 assistant 结尾的消息序列写回 host 造成无限死循环
  • flowctx:在引擎层优先确定性结构化压缩(零 LLM),只有远期历史才交给后台 LLM 摘要——三层里两层的日常工作是免费的

flowctx 目前还是个小众项目(13 star、2026 年 7 月创建、作者持续更新到 8 月中旬),本质上是作者在真实 OpenClaw 运营中打磨出的自用插件开源。它的价值不在社区热度,而在于把「上下文治理」这个被多数人当成「溢出时再处理」的问题,重新定义成了「记忆的分层保真」——并且用 254 个测试和 SWE-bench 实测证明了这条路走得通。如果你正在被长会话的 token 账单和失忆问题困扰,又恰好用 OpenClaw,这个插件值得一试;如果还没到窗口吃紧的阶段,把它放进观察清单即可——当你的 Agent 会话开始「越跑越贵、越跑越笨」时,你会想起它的。

关注 AI商业快讯,每天一篇 AI 热点深度解读。

相关阅读:

Claude Fable 5.1 发布:科研能力翻倍、缓存成本直降 75%,Anthropic 的「耐力 + 成本 + 信任」组合拳

Claude Fable 5.1 发布:科研能力翻倍、缓存成本直降 75%,Anthropic 的「耐力 + 成本 + 信任」组合拳

9 月 1 日,Anthropic 发布 Claude Fable 5.1 与 Claude Mythos 5.1。这是两个名字、同一个底层模型:Fable 5.1 带生产级安全护栏、面向所有用户开放,Mythos 5.1 为经核验的网络安全与生命科学机构放宽护栏、限量开放。官方将其定位为「全球最强的编程与知识工作模型」,公告发布数小时内浏览量逼近 200 万。而 OpenAI 尚未发布的 Astra 传闻,则在过去一周占据了舆论场——Anthropic 选择在这个节点带着公开评测数据直接出货,本身就是一种表态。

长任务能力翻倍,短任务只是小幅提升

如果把 Fable 5.1 与上一代 Fable 5 对比,最直观的变化在「耐力」而非「爆发力」:在智能体科研基准 Terminal-Bench-Science 0.1 上,Fable 5.1 得分 52.6%,Fable 5 仅 24.7%,翻了一倍多;Terminal-Bench 4.0 编程测试从 42.0% 升到 55.8%;业务自动化 AutomationBench 从 17.1% 升到 31.4%,相对提升 84%。但在短周期任务上提升有限:CursorBench 只涨了约 3 个百分点,综合推理 Humanity’s Last Exam 仅涨约 1 分。业界普遍解读:这是一次「长程自主任务」的定向升级——任务越长、越需要模型独立完成,增益越明显。

价格没变,实际成本最高降近一半

Fable 5.1 的官方标价与 Fable 5 完全一致:输入 $10/百万 tokens,输出 $50/百万 tokens。真正变的是 cache reads(缓存读取)——智能体反复读取上下文是成本大头,单价从 $1.00 直降到 $0.25,降幅 75%。Anthropic 称按 8 月四周的真实用量测算,典型工作负载实际成本降低约 25%,上下文密集的智能体任务最高降 45%。此外新模型暴露了 5 档 effort(思考力度)可调:最低档科研得分约 26%、单任务成本约 $11,而旧版最高档得分 24.7%、成本约 $44——新模型最省钱的档位,用四分之一的价格打赢了旧版最贵的档位。

隐形水印上线,检测 API 进入私有预览

Fable 5.1 是 Anthropic 首批内置「统计隐形水印」的模型之一:生成文本中嵌入了人眼不可见的水印,配合检测 API 即可判定文本是否出自 Claude。水印不影响输出质量,对没有检测工具的读者完全无感;检测 API 目前处于私有预览阶段,且该水印机制适用于 2026 年 8 月 2 日之后发布的所有模型。这被视作对欧盟 AI 法案透明度要求的回应,也是 AI 内容可溯源(provenance)竞争的开场——Anthropic 选择把「谁写的」变成可验证的事实。

企业隐私架构:Enterprise Frontier Safeguards

面向大型企业的 EFS 是本次发布中商业意义最重的一块:检测高级滥用需要保留跨会话的活动数据,而受监管企业要求零数据留存,EFS 把活动日志存进客户自己的云存储(可选客户托管加密密钥),由自动化模式分析完成检测,Anthropic 员工不接触数据,每个控制项均可选开启,标记结果只交给客户安全团队。超过 100 家企业参与了设计,今秋分阶段上线,符合条件的企业在上线前享受零数据留存。早期用户反馈也印证了效率:Rogo 报告同等准确度省 20% tokens,媒体公司 Every 的 Slack agent 只用了 Opus 5 一半的 token、速度还快一倍。

小结:这不是一次均匀的智力跃升,而是「耐力 + 成本 + 信任」的组合拳

Claude Fable 5.1 的发布传递了三个信号:其一,模型竞争的重心正从「单次答题能力」转向「长程自主任务的完成经济学」——同样的任务,更少的 token、更少的重试,就是更便宜的模型;其二,effort 档位正在成为新的标准控制项,懂得「什么时候用低档够用」正在变成一项省钱技能;其三,水印与 EFS 表明,AI 产业的下一场战役不止是能力,还有可追溯性与企业信任。对开发者而言,Anthropic 官方的建议依然务实:默认从更便宜的 Opus 5 起步,当 Opus 5 开到最高 effort 仍不够时,再切换到 Fable 5.1 处理长程、智能体化、上下文密集的任务。

K-Dense-AI Scientific Agent Skills 实测:41.5k Star 的「AI 科学家」技能库,165 个技能覆盖 10+ 学科

K-Dense-AI Scientific Agent Skills 实测:41.5k Star 的「AI 科学家」技能库,165 个技能覆盖 10+ 学科

为什么值得关注

当 AI Agent 从「聊天机器人」进化到「自主执行复杂任务」,一个关键瓶颈浮出水面:通用 Agent 缺乏领域知识。你可以让 GPT-4 写代码,但让它跑一个完整的单细胞 RNA-seq 分析流程?它会卡在 Scanpy 的 API 细节和数据库查询的参数格式上。

K-Dense-AI 的 Scientific Agent Skills 解决的正是这个问题——它不是又一个 AI 聊天工具,而是一个标准化的技能包,让你的 AI Agent 直接变成「AI 科学家」。据 GitHub 显示,这个仓库已有 41.5k Star、3.8k Fork、703 Commits,被 190,000+ 科学家使用。

这不仅仅是学术圈的事。当你把「科学技能」标准化后,它实际上在定义一个新的 Agent 能力标准——任何支持 Agent Skills 开放标准的平台(Cursor、Claude Code、Codex、Gemini CLI、Google Antigravity)都能直接加载这套技能。

核心能力拆解

163 个技能覆盖 10+ 学科

从仓库结构看,技能被分为几大类:

  • 生物信息学与基因组学(27 个技能):Scanpy、BioPython、pysam、PyDESeq2、scVelo(RNA velocity)、Cellxgene Census 等
  • 化学信息学与药物发现(10 个技能):RDKit、DiffDock、DeepChem、OpenMM(分子动力学)、PyTDC 等
  • 临床研究与证据工作流(8 个技能):PK/PD 建模、DepMap 癌症依赖图谱、临床试验分析等
  • 机器学习与 AI(14 个核心技能):PyTorch Lightning、scikit-learn、PyMC、TimesFM(Google 零样本预测模型)等
  • 数据分析与可视化(22 个技能):Matplotlib、Seann、GeoPandas、NetworkX 等
  • 100+ 科学数据库访问:PubChem、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov 等 78+ 数据库

每个技能都包含:完整的 SKILL.md 文档、代码示例、使用场景、最佳实践、集成指南,以及配套测试套件。

实际工作流示例

仓库文档中提供了几个典型工作流:

药物发现流水线:从 ChEMBL 查询 EGFR 抑制剂(IC50 < 50nM),用 RDKit 分析构效关系,用 DiffDock 做虚拟筛选,搜索 PubMed 查耐药机制,最终生成综合报告。这原本需要一个博士生花几周时间,现在一个 prompt 搞定。

单细胞 RNA-seq 分析:加载 10X 数据集,执行 QC 和双细胞去除,整合 Cellxgene Census 数据,用 NCBI Gene 标记物识别细胞类型,跑差异表达分析,推断基因调控网络——整个流程在一个对话中完成。

多组学生物标志物发现:整合 RNA-seq、蛋白质组和代谢组数据,跨组学层关联,构建预测模型,最后在 ClinicalTrials.gov 搜索相关临床试验。

安装与兼容性

安装极其简单:

npx skills add K-Dense-AI/scientific-agent-skills

支持的平台包括 Cursor、Claude Code、Codex、Gemini CLI、Google Antigravity。也可以用 GitHub CLI:

gh skill install K-Dense-AI/scientific-agent-skills

甚至支持版本锁定(--pin v2.65.0)和按目标 Agent 指定安装(--agent cursor)。

K-Dense 生态

Scientific Agent Skills 只是 K-Dense 开源生态的一部分。他们还提供了:

  • K-Dense BYOK:本地运行的 AI 共科学家,自带 API Key,支持 40+ 模型
  • Pantheon:80 个 AI 角色同时回答一个问题,每个角色有自己的视角和引用来源
  • Claude Scientific Writer:科研写作工具,支持实时文献查找和引用验证

为什么这很重要

Agent Skills 标准化的信号

K-Dense 的成功证明了一件事:Agent 能力的标准化正在发生。不再是每个 AI 工具各自为政,而是通过 Agent Skills 这个开放标准,让技能可以在不同平台间复用。

这对开发者意味着:你写一个技能,它能在 Cursor、Claude Code、Codex 等多个平台运行。对用户意味着:安装一次,到处使用。

科研效率的质变

用户评价中有个数字很有意思:一个癌症研究者说,原本需要一周到两周完成的分析工作流,让 K-Dense 跑了七小时就高质量输出了。这不是「省 30% 时间」的渐进式改进,而是数量级的效率提升。

安全与信任问题

仓库的安全报告(Cisco AI Defense Skill Scanner 扫描)和明确的安全免责声明值得关注。Skills 可以执行代码、安装包、发起网络请求——这是一个供应链安全问题。K-Dense 的做法是:每周增量扫描,全量至少每 30 天一次,结果公开发布。这种透明度在 AI 工具生态中是少见的。

对不同角色的建议

对科研人员:如果你的日常工作涉及基因组学、药物发现、临床数据分析中的任何一个,这套技能值得立即尝试。它不是玩具,是真正能加速研究流程的工具。

对 AI 开发者:关注 Agent Skills 标准本身。如果你在构建 AI Agent 平台,支持这个标准意味着你的用户可以直接受益于 K-Dense 的 163 个技能。如果你在构建垂直领域 Agent,K-Dense 的技能结构是很好的参考。

对投资者:K-Dense 获得 Google AI Futures Fund 支持,产品线从免费开源到企业级部署完整覆盖。Scientific Agent Skills 的 41.5k Star 不只是数字,它代表的是科研领域对 AI Agent 工具的真实需求。

小结

K-Dense-AI 的 Scientific Agent Skills 代表了 AI Agent 能力标准化的一个里程碑。它不是又一个「AI 写论文」工具,而是把领域专业知识打包成可复用的技能,让任何 AI Agent 都能执行复杂的科学工作流。

190,000+ 科学家的选择、41.5k GitHub Star、Google AI Futures Fund 的背书——这些数字背后是一个清晰的趋势:AI Agent 的下一个战场,不是谁的模型更大,而是谁的技能库更完整。

关注 AI商业快讯,每天一篇 AI 热点深度解读。

—

相关阅读:

OpenMAIC 实测:27k Star 的 AI 多代理课堂,输入主题即生成完整互动课程

OpenMAIC 实测:27k Star 的 AI 多代理课堂,输入主题即生成完整互动课程

核心定位

OpenMAIC(Open Multi-Agent Interactive Classroom)是由清华大学多智能体实验室(THU-MAIC)开源的 AI 互动课堂平台——输入一个主题,就能生成一堂包含幻灯片、测验、互动模拟和项目学习的完整课程,所有内容由 AI 教师和 AI 同学共同呈现,支持语音、白板和实时讨论。

2026-08-27 发布的 v1.0.0 是最大一次更新:新增 Agent Workbench(对话式课程构建器)、持久化会话、20 个内置 Skills、多模型路由,以及完全插件化的存储后端。

基础数据

指标 数值
GitHub Star 27,084
Fork 4,761
开放 Issues 236
主要语言 TypeScript
许可证 MIT
首次提交 2026-03-11
最新版本 v1.0.0(2026-08-27)
在线体验 open.maic.chat

增长节奏:5.5 个月从 0 到 27k Star,平均每月约 4,900 Star,属于 AI 教育工具类增长最快的项目之一。JCST’26 学术论文背书,清华背景加持。

核心功能实测

1. Agent Workbench(v1.0.0 新功能)

这是 v1.0.0 的核心卖点。传统模式是”一键生成”:填主题 → 等几秒 → 拿课程。Workbench 则升级为对话式构建:

  • 持久会话:Agent 运行时可中断、重启、续接,不丢进度
  • 对话式编辑:聊天中告诉 Agent”把第三课改成项目制学习” → Agent 原子化修改场景
  • 素材注入:上传 PDF/Word/音视频,或粘贴网页链接,Agent 读取后整合进课程
  • 20 个内置 Skills:涵盖课程规划、深度研究、互动设计、演讲、实训、PPTX 导入等
用户 → "帮我设计一个《量子力学入门》的 5 课时的 PBL 课程"
Agent → 输出课程结构 → 逐场景构建 → 生成幻灯片 + 互动模拟 + 测验

2. 多代理互动课堂

OpenMAIC 不只是生成幻灯片,而是生成一个实时可交互的多代理课堂:

代理角色 职责
AI 教师 讲解概念、在白板上画图、朗读公式
AI 同学 提问、举例子、制造讨论
学习者 实时参与,提问或作答

代理之间通过 LangGraph 编排,支持 ReAct 推理模式,可根据学生反馈动态调整讲解节奏。

3. 深度互动模式(Deep Interactive Mode)

v0.2.0 引入,v1.0.0 继续增强。五类互动 UI:

  • 3D 可视化:抽象结构直观化(分子结构、天体运动等)
  • 仿真模拟:动态参数调节,观察结果变化
  • 知识游戏:内置迷你游戏强化记忆
  • 思维导图:构建概念框架
  • 在线编程:浏览器内写代码并实时执行

AI 教师还能主动操作 UI:高亮关键区域、设置条件、给出提示。

4. 课程组件类型

组件类型 说明
幻灯片 可编辑,带动画,支持导出 PPTX
测验 单选/多选/填空,自动评分
PBL 活动 项目制学习,AI 引导学生完成项目
互动模块 Deep Interactive Mode 的各类 UI
白板 AI 教师实时画图、写字、推导公式
TTS 朗读 VoxCPM2 支持语音合成和音色克隆

5. 模型与提供商

支持 20+ LLM 提供商,全部插件化,任意组合:

  • OpenAI(GPT-5 全家桶)、Azure OpenAI
  • Anthropic(Claude Opus/Sonnet 全系)
  • Google Gemini(Gemini 3 Flash/Pro)
  • DeepSeek、Kimi(MiniMax)、GLM(智谱)
  • Grok(xAI)、OpenRouter、MiniMax 全家桶
  • 本地:Ollama、Lemonade(LLM + 图片 + TTS + ASR 全本地)
  • 本地 ASR:FunASR(SenseVoice/Paraformer)

每个场景(生成、讲解、评估)可独立路由到不同模型,按需分配算力。

6. 导出与部署

  • HTML 导出:离线可用,响应式布局(桌面/平板/手机)
  • PPTX 导出:幻灯片可编辑
  • MP4 视频导出:通过 Hyperframes 渲染,需启动 render-service 容器
  • 部署方式:Vercel 一键、Docker Compose、本地 Node.js

安装与配置

方式一:Vercel 一键部署(最快)

访问 GitHub README 的 Vercel 按钮,配置至少一个 API Key,3 分钟上线。

方式二:本地 Docker

git clone https://github.com/THU-MAIC/OpenMAIC.git
cd OpenMAIC
cp .env.example .env.local
# 编辑 .env.local,填入至少一个 LLM API Key
docker compose up --build
# 访问 http://localhost:3000

方式三:本地 Node.js

pnpm install
cp .env.example .env.local
# 填 API Key
pnpm dev

推荐默认模型:Gemini 3 Flash(质量与速度平衡最佳),高质量场景用 Gemini 3.1 Pro。

Workbench 模式(需额外配置)

NEXT_PUBLIC_PRO_WORKBENCH_ENABLED=true
OPENMAIC_AGENT_RUNTIME_ENABLED=true
DATABASE_URL=postgres://openmaic:openmaic-dev@postgres:5432/openmaic
MODEL_ROUTES='{"maic-agent-driver":{"model":"openai:gpt-5.5","api":"openai-completions"}}'

技术架构

┌─────────────────────────────────────────────────┐
│                   Next.js 16 + React 19            │
│  ┌──────────┐  ┌────────────┐  ┌────────────┐  │
│  │ Workbench │  │  Classroom  │  │   Export   │  │
│  │  (Agent)  │  │   Player    │  │  (HTML/PPTX│  │
│  └────┬─────┘  └──────┬─────┘  └────────────┘  │
│       │                 │                         │
│  LangGraph             │                         │
│  (Multi-Agent Orchestration)                     │
├─────────────────────────────────────────────────┤
│              Provider Neutral API Layer            │
│   OpenAI │ Anthropic │ Gemini │ DeepSeek │ ...  │
├─────────────────────────────────────────────────┤
│   @openmaic/storage (Pluggable: Browser/Postgres │
│   /S3)                                           │
└─────────────────────────────────────────────────┘

关键设计原则:

  • Provider Neutral:所有模型/media/ASR/TTS 统一抽象层,切换不改动业务代码
  • 插件化存储:默认浏览器存储,扩展 Postgres + S3
  • 原子化场景修改:Workbench 通过 DSL Patch 编辑,不直接操作大文件

优势

  1. 清华学术背景 + JCST 论文背书,可信度高
  1. 全链路覆盖:从主题到完整课堂,零门槛
  1. 多代理真实互动:不只是幻灯片生成器,是有 AI 教师和同学的课堂
  1. 模型无关:自带 API Key 即可用任何主流模型,本地也支持
  1. Deep Interactive Mode 差异化强,游戏化/模拟化学系体验
  1. MIT 许可证,商用友好

不足

  1. 依赖 LLM API 费用:本地 Lemonade 可缓解,但生产环境仍需 API 成本
  1. 236 个开放 Issues,v1.0.0 新功能多,稳定性有待观察
  1. Deep Interactive Mode 的游戏/模拟质量依赖模型生成效果,不够可控
  1. Workbench 模式配置复杂,需要 Docker + Postgres,对新手不友好
  1. 中文文档不如英文完整(README-zh.md 较简略)

评分

维度 评分 说明
功能完整度 9.5/10 全链路覆盖,Agent Workbench + Deep Interactive 双模式
设计深度 9/10 LangGraph 编排、Provider Neutral 抽象、插件化存储
文档质量 8/10 README 详尽,但 Workbench 配置文档不足
安装便捷度 7.5/10 Vercel 部署简单,本地需配 API Key;Workbench 模式复杂
中文友好度 7.5/10 有中文 README,但功能界面英文为主
实际效果 8.5/10 多代理课堂体验真实,Deep Interactive Mode 有亮点
社区活跃度 9/10 236 Issues,频繁更新(平均每月 1-2 个版本)
综合 8.5/10

适用场景

  • ✅ AI 教育内容创作者:快速生成互动课程内容
  • ✅ 教师/培训师:输入大纲,AI 生成完整课件
  • ✅ 企业内部培训:公司知识库 + OpenMAIC = AI 培训助手
  • ✅ 个人学习:Deep Interactive Mode 做沉浸式自学
  • ⚠️ 高可靠性生产部署:v1.0.0 较新,建议观察 1-2 个版本
  • ❌ 完全离线场景:需要 Ollama/Lemonade 配置,有一定门槛

总结

OpenMAIC 是目前 AI 教育工具中功能最完整、多代理设计最成熟的开源项目。v1.0.0 的 Agent Workbench 将”一键生成”升级为”对话式构建”,解决了课程内容迭代编辑的痛点。27k Star + 清华背景 + JCST 论文 + MIT 许可证,让它在学术和商业场景都有说服力。

如果你的需求是”让 AI 帮我做一堂互动课“——从生成到交付一站式完成——OpenMAIC 是目前最接近这个目标的开源方案。

Archify 实测:34k Star 的 AI 架构图生成器,让代码自己画系统地图

Archify 实测:34k Star 的 AI 架构图生成器,让代码自己画系统地图

痛点:架构图为什么这么难画?

手动绘制架构图是开发者的噩梦。一个中型系统的架构图,从理解代码到画出图表,通常需要 2-4 小时。更糟糕的是,架构图很快就会过时——代码更新了,图表还是旧的。

根据 GitHub 数据,34,400 个 Star 和 2,185 个 Fork 证明了这个问题的普遍性。Archify 提供了一个激进的解决方案:让 AI 代理直接从代码生成可验证的架构图,从理解到输出只需几分钟。

工作原理:从代码到交互式地图

Archify 的工作流程分为四步:

  1. 生成(Generate):AI 代理分析代码库或系统描述,创建类型化的 JSON 中间表示(IR)
  1. 验证(Validate):内置验证器检查布局、路由、标签清除等规则,确保图表质量
  1. 预览(Preview):桌面模式实时监视 JSON 文件,只在验证通过后更新
  1. 交付(Deliver):渲染成自包含的 HTML 文件,包含交互功能

关键创新在于类型化 JSON IR。代理生成结构化的中间表示,而不是直接画图。这使得图表可以精确验证、版本控制、增量更新。

功能拆解:五个核心模块

模块 一句话 核心能力 适用场景
架构图(Architecture) 系统组件、服务、存储、边界 层级布局、路由追踪、信任边界 系统设计、技术评审
工作流(Workflow) CI/CD、审批、工具调用、运行手册 渠道隔离、分支逻辑、异常处理 DevOps 流程、自动化
序列图(Sequence) API 调用、缓存回退、认证、异步追踪 时间线、返回路径、时序分析 API 设计、性能优化
数据流(Data Flow) 管道、血缘、PII、消费者 数据转换、存储、边界 数据工程、合规审计
生命周期(Lifecycle) 状态、重试、等待、终止结果 状态机、重试逻辑、取消路径 事务处理、错误恢复

独特优势:

  • 布局判断优于通用自动布局:代理选择层级、间距、路由、重点,而不是通用算法
  • 原子验证:模式、布局、HTML/SVG、路由、标签清除必须全部通过
  • 失败修复收据:validate --json 返回稳定的规则代码、确切主题、测量证据
  • 真实交互:聚焦、上下游追踪、精确路由、角色比较、故事播放都复用作者节点

实测数据:从代码到图表的真实表现

基准数据:

  • Star 增长:4.5 个月从 0 到 34,400(平均每月 7,644 Star)
  • 版本:v2.16.0(2026-08-30)
  • 测试覆盖:1,026 个测试,988 通过,38 条件跳过
  • 支持平台:Cursor、Claude Code、Codex CLI、OpenCode、Raven

实际体验:

# 安装
npx skills add tt-a1i/archify -g

# 从描述生成(无需代码库)
Use Archify to draw: Browser -> API -> Redis cache -> PostgreSQL fallback.

# 从代码库生成
Analyze this repository, then use archify to create a high-level runtime architecture diagram.

成本对比:

场景 手动绘制 Archify 生成
简单架构图 2-4 小时 5-10 分钟
复杂系统图 1-2 天 30-60 分钟
维护更新 每次重画 增量更新

局限性:

  • 需要 Node.js 22+ 环境
  • 复杂图表需要多次迭代优化
  • 72 个 Open Issues 表明仍在活跃开发
  • 不支持 Mermaid 解析、通用自动布局、托管共享

安装+适用场景+结语

安装(一行命令):

npx skills add tt-a1i/archify -g

最适合:

  • 架构师:快速生成可评审的架构图
  • DevOps 工程师:自动化 CI/CD 流程文档
  • 技术负责人:系统设计评审、团队沟通
  • 开源维护者:README 图表、发布说明

不适合:

  • 需要 WYSIWYG 编辑器的设计师
  • 非 Node.js 环境
  • 需要实时协作的团队

对不同角色的意义:

  • 开发者:从「画图」到「生成图」,节省 80% 时间
  • 团队:架构图版本控制,与代码同步更新
  • 组织:技术文档标准化,降低沟通成本

内链相关旧文:

  1. AI Skill 生态全景:从 1000+ 仓库精选 10 个必装技能
  1. LeanCTX 实测:一个 Rust 工具砍掉 AI 编程 86% token 成本

合规披露:本文基于公开的 GitHub 仓库、官方文档和实际测试数据撰写,不构成投资建议。Archify 是开源项目,MIT 许可证,作者与本文无利益关系。

评分:8.5/10(功能完整度 9、设计深度 9、文档质量 8.5、安装便捷度 9、中文友好度 7、实际效果 8.5、社区活跃度 9)

Get Shit Done 深度评测:73k Star 的「上下文工程」系统,真能把事做完?

Get Shit Done 深度评测:73k Star 的「上下文工程」系统,真能把事做完?

**一句话总结**:GSD 是一套为 AI 编程代理设计的元提示、上下文工程与规格驱动开发系统。它不写代码——它确保 AI 写的代码是对的。从 context rot(上下文腐烂)这个真实痛点出发,GSD 用 Phase Loop + 子代理编排 + 结构化记忆,把 Claude Code 从「能用但不可靠」变成「能用且可验证」。


基础数据

指标 数值
原仓库 gsd-build/get-shit-done
新仓库 open-gsd/gsd-core(2026-05 分叉)
Star 64,627(原)+ 8,887(新)= 73,514
Fork 5,456(原)+ 637(新)= 6,093
创建时间 2025-12-14(原)/ 2026-05-22(新)
最新版本 v1.50.0-canary.0(原)/ v1.7.0+(新)
许可证 MIT
语言 JavaScript(TypeScript SDK)
npm 月下载 48,579(原包 get-shit-done-cc)
依赖 @anthropic-ai/claude-agent-sdk、ws
运行时支持 Claude Code、OpenCode、Gemini CLI、Kilo、Codex、Copilot、Cursor、Windsurf、Antigravity、Augment、Trae、CodeBuddy、Cline
Open Issues 0(原)/ 132(新)

它解决什么问题?

Context Rot:AI 编程的隐形杀手

你用 Claude Code 写一个中等规模项目。一开始效果惊艳——代码干净、逻辑清晰。但随着对话推进,上下文窗口被填满,输出质量开始劣化:

  • 忘记之前的决定
  • 重复已解决的问题
  • 风格不一致
  • 边界条件被忽略

这就是 context rot——上下文腐烂。不是模型变笨了,是它的「工作记忆」被噪音淹没了。

GSD 的核心洞察:不要让 AI 在一个膨胀的上下文里做所有事。把重活(研究、规划、执行)拆到独立的子代理里,每个子代理拿到干净的 200k token 窗口,干完就交回结果。主会话只做协调,保持轻量。


架构设计:Phase Loop

GSD 的核心是 Phase Loop——一个五步循环:

Discuss → Plan → Execute → Verify → Ship
   ↑                                    |
   └────────────────────────────────────┘

1. Discuss(讨论)

在写任何代码之前,先和 AI 讨论实现方案。不是「帮我写个登录页」,而是「我想做一个 OAuth2 流程,支持 Google 和 GitHub,用户数据存 PostgreSQL,你觉得呢?」

这一步生成 .planning/PROJECT.md——项目的「基因文档」。

2. Plan(规划)

研究阶段:派 gsd-phase-researcher 子代理调研技术方案、分析现有代码库、识别依赖关系。

规划阶段:派 gsd-planner 子代理把需求拆解成可执行的 PLAN.md——每个任务有明确的输入、输出、验证标准。

检查阶段:派 gsd-plan-checker 子代理审查计划质量,最多 3 轮修订循环。

3. Execute(执行)

把 PLAN.md 里的任务按依赖关系分组,每组并行执行:

Wave 1: [Task A] [Task B] [Task C]  ← 无依赖,并行
Wave 2: [Task D] [Task E]           ← 依赖 Wave 1,等它完成
Wave 3: [Task F]                    ← 依赖 Wave 2

每个执行器(gsd-executor)在独立的 worktree 里工作,互不干扰。完成后提交代码,生成 SUMMARY.md。

4. Verify(验证)

派 gsd-verifier 子代理检查:

  • 代码是否符合计划
  • 测试是否通过
  • 是否引入回归
  • 文档是否更新

不通过?生成修复计划,回到 Execute。

5. Ship(发布)

创建 PR,归档阶段,开始下一个 Phase。


核心能力拆解

1. 子代理编排(Subagent Orchestration)

GSD 有 33 个专用子代理,每个都有明确的职责边界:

代理 职责
gsd-executor 执行计划任务,提交代码
gsd-verifier 验证阶段完成度
gsd-planner 从需求创建详细计划
gsd-phase-researcher 调研技术方案
gsd-plan-checker 审查计划质量
gsd-debugger 诊断和修复问题
gsd-codebase-mapper 映射项目结构
gsd-code-reviewer 代码审查
gsd-ui-researcher UI/UX 方案调研
gsd-security-auditor 安全审计

每个子代理都有自己的「合约」(agent contracts)——明确它能读什么、能写什么、不能做什么。这防止了子代理越界操作。

2. 结构化记忆(Structured Memory)

GSD 用文件系统做「记忆」,而不是依赖上下文窗口:

.planning/
├── PROJECT.md          # 项目基因
├── REQUIREMENTS.md     # 需求文档
├── ROADMAP.md          # 路线图
├── STATE.md            # 项目状态(跨会话记忆)
├── config.json         # 工作流配置
└── phases/
    └── 01-phase-name/
        ├── CONTEXT.md   # 阶段上下文
        ├── RESEARCH.md  # 调研报告
        ├── PLAN.md      # 执行计划
        ├── SUMMARY.md   # 执行摘要
        └── VERIFICATION.md  # 验证报告

STATE.md 是关键——它记录了项目的所有决策、当前进度、已知问题。新会话开始时,先读 STATE.md,立刻恢复上下文。这解决了「会话断裂」问题。

3. 门控机制(Gate System)

每个阶段转换都有门控(gates):

  • Phase 状态门:Complete 状态的阶段不能随意重规划(除非 --force)
  • 验证门:验证不通过不能 Ship
  • 构建门:自动检测构建系统(Xcode、Makefile、Cargo、Go、Python、npm)
  • 提交门:所有变更必须通过测试才能提交

4. 上下文预算管理(Context Budget)

GSD 智能管理上下文窗口:

  • 大窗口(≥500k):加载更丰富的上下文,包括历史阶段的 CONTEXT.md 和 SUMMARY.md
  • 小窗口(<200k):精简提示,把示例和边缘案例移到按需加载的参考文件
  • 最小安装:--minimal 模式只装 6 个核心技能,冷启动从 ~12k token 降到 ~700 token(≥94% 减少)

5. 多运行时支持

GSD 不绑定 Claude Code。它支持 13+ 个 AI 编程运行时:

  • Claude Code:原生支持,子代理通过 Agent() 调用
  • Codex:通过 $gsd-* 命令调用
  • Copilot:降级为顺序执行(子代理完成信号不可靠)
  • Cursor/Windsurf:通过 .cursor/ 目录安装
  • Cline:通过 .clinerules 安装

67 个命令:全景扫描

GSD 提供 67 个命令,覆盖项目全生命周期:

核心循环(6 个)

  • /gsd:new-project — 初始化新项目
  • /gsd:discuss-phase — 讨论阶段方案
  • /gsd:plan-phase — 规划阶段
  • /gsd:execute-phase — 执行阶段
  • /gsd:help — 帮助
  • /gsd:update — 更新 GSD

项目管理(15 个)

  • /gsd:new-milestone — 创建新里程碑
  • /gsd:complete-milestone — 完成里程碑
  • /gsd:progress — 查看进度
  • /gsd:stats — 统计信息
  • /gsd:health — 健康检查
  • /gsd:import — 导入现有项目
  • /gsd:onboard — 接入现有代码库

执行辅助(20 个)

  • /gsd:execute-phase --wave N — 执行特定波次
  • /gsd:validate-phase — 验证阶段
  • /gsd:verify-work — 验证工作
  • /gsd:code-review — 代码审查
  • /gsd:add-tests — 添加测试
  • /gsd:debug — 调试会话
  • /gsd:forensics — 问题取证

规划辅助(15 个)

  • /gsd:sketch — 快速草图
  • /gsd:spike — 技术探针
  • /gsd:explore — 探索性开发
  • /gsd:ultraplan-phase — 超级规划
  • /gsd:mvp-phase — MVP 模式
  • /gsd:spec-phase — 规格阶段

工作区(11 个)

  • /gsd:workspace — 工作区管理
  • /gsd:workstreams — 工作流管理
  • /gsd:pr-branch — PR 分支
  • /gsd:ship — 发布
  • /gsd:undo — 撤销

安装体验

npx get-shit-done-cc@latest

安装器会问你:

  1. 用哪个运行时?(Claude Code / Codex / Cursor / …)
  1. 全局安装还是本地安装?

安装完成后,验证:

# Claude Code
/gsd-help

# Codex
$gsd-help

推荐配置:跳过权限确认模式

claude --dangerously-skip-permissions

GSD 的设计目标是无摩擦自动化,频繁的权限确认会打断工作流。


实际使用场景

场景 1:从零构建 SaaS

/gsd:new-project "构建一个 AI 写作助手 SaaS"
→ 生成 PROJECT.md、REQUIREMENTS.md、ROADMAP.md

/gsd:plan-phase 1
→ 研究技术栈,拆解 Phase 1(用户认证)

/gsd:execute-phase 1
→ 并行执行 5 个计划,每个在独立 worktree

/gsd:verify-phase 1
→ 验证通过,创建 PR

/gsd:ship
→ 合并,开始 Phase 2

场景 2:接入现有项目

/gsd:onboard
→ 分析现有代码库,生成 PROJECT.md 和 STATE.md

/gsd:plan-phase 1
→ 规划第一个改进阶段

/gsd:execute-phase 1
→ 执行,不破坏现有功能

场景 3:紧急修复

/gsd:debug "用户报告登录偶尔失败"
→ 派 gsd-debugger 诊断,生成修复计划

/gsd:execute-phase "hotfix"
→ 执行修复

/gsd:verify-phase "hotfix"
→ 验证修复有效

与类似工具对比

维度 GSD Ponytail rtk caveman BMAD
定位 全流程项目管理 代码精简指令 快速原型 文本压缩 企业级敏捷
Star 73k+ 115k ~5k 10k+ ~20k
核心机制 Phase Loop + 子代理 7 级懒人阶梯 单文件指令 洞穴人风格 故事点+冲刺
上下文管理 STATE.md + 子代理隔离 无 无 无 Jira
验证机制 gsd-verifier + 门控 安全阀 无 无 UAT
多运行时 13+ Claude Code only Claude Code Claude Code Claude Code
复杂度 高(67 命令 + 33 代理) 低(~100 行) 低 极低 高
适用场景 中大型项目 过度工程防护 快速想法验证 文本输出 团队协作
学习曲线 陡峭 平缓 平缓 极平缓 陡峭
Token 成本 高(多代理) 低 低 极低 高

关键差异

GSD vs Ponytail:

  • Ponytail 是「减法」——防止过度工程
  • GSD 是「加法」——提供完整项目管理框架
  • 两者互补:GSD 管流程,Ponytail 管代码风格

GSD vs rtk:

  • rtk 是「快速原型」——一个文件搞定
  • GSD 是「完整项目」——从需求到发布
  • rtk 适合 hackathon,GSD 适合产品开发

GSD vs caveman:

  • caveman 是「文本压缩」——省 token
  • GSD 是「上下文管理」——省认知负担
  • 可以叠加:用 GSD 管项目,用 caveman 压缩输出

优点

1. 解决真实痛点

Context rot 是 AI 编程的头号杀手。GSD 的子代理隔离 + 结构化记忆是正解。

2. 工程化程度极高

  • 33 个专用子代理,每个有明确合约
  • 门控系统防止状态混乱
  • 上下文预算自适应管理
  • 多运行时兼容层

3. 可验证性

每个阶段都有 VERIFICATION.md,不是「写完就算」,而是「写完+测完+审完才算」。

4. 社区活跃

73k+ Star,48k 月下载,Discord 社区,频繁更新(v1.50.0)。

5. MIT 许可

完全开源,可以自由修改和分发。


缺点

1. 学习曲线陡峭

67 个命令 + 33 个代理 + 复杂的工作流配置。新手需要花时间理解 Phase Loop、子代理编排、门控机制。

2. Token 成本高

每个阶段要派多个子代理,每个子代理都有独立的上下文窗口。一个 Phase 可能消耗数百万 token。

3. 过度工程风险

对于小项目(<1000 行代码),GSD 的仪式感可能超过价值。「讨论→规划→执行→验证→发布」五个步骤,可能只需要「写→测→发」。

4. 依赖 Node.js 22+

安装器需要 Node.js 22+,对某些环境不友好。

5. 仓库分裂

原仓库 gsd-build/get-shit-done 已标记 deprecated,新仓库 open-gsd/gsd-core 正在活跃开发。但 npm 包名还是 get-shit-done-cc,文档链接混乱。


评分

维度 分数 说明
功能完整度 9.5/10 从需求到发布的全链路覆盖,67 个命令几乎无死角
设计深度 9/10 Phase Loop + 子代理编排 + 门控系统 + 上下文预算,工程化程度极高
文档质量 8/10 中文 README 完善,但仓库分裂导致链接混乱
安装便捷度 7/10 一行命令安装,但 Node.js 22+ 要求和多运行时选择增加复杂度
中文友好度 8/10 官方中文 README,社区有中文讨论
实际效果 8.5/10 大型项目效果显著,小型项目过度工程
社区活跃度 9/10 73k+ Star,频繁更新,Discord 活跃
综合评分 8.5/10

适用场景推荐

✅ 强烈推荐

  • 中大型项目(>5000 行代码)
  • 多人协作项目
  • 需要长期维护的产品
  • 从零构建 SaaS
  • 接入现有代码库进行重构

⚠️ 谨慎使用

  • 小型项目(<1000 行代码)
  • 快速原型/hackathon
  • 一次性脚本
  • 学习/探索性编程

❌ 不推荐

  • 纯文本输出(用 caveman)
  • 过度工程防护(用 Ponytail)
  • 快速想法验证(用 rtk)

安装建议

如果你决定试试 GSD:

# 1. 确保 Node.js 22+
node --version

# 2. 安装 GSD
npx get-shit-done-cc@latest

# 3. 选择运行时和安装位置

# 4. 验证
/gsd-help

# 5. 开始第一个项目
/gsd:new-project "你的项目想法"

推荐配置:

  • 使用 --minimal 安装(如果你的上下文窗口 <200k)
  • 启用 --dangerously-skip-permissions(如果安全允许)
  • 从 /gsd:onboard 开始(如果接入现有项目)

结语

GSD 不是「让 AI 写代码更快」的工具——那是 Cursor Copilot 的活。GSD 是「让 AI 写的代码更可靠」的系统。

它用工程化的方法解决了 AI 编程的核心问题:上下文管理。子代理隔离、结构化记忆、门控验证——这些不是花哨的功能,是让 AI 从「能用」到「可用」的基础设施。

73k+ Star 不是偶然。当 AI 编程从「玩具」变成「工具」,你需要的不是更快的生成速度,而是更可靠的质量保证。GSD 做到了这一点。

但记住:它不是银弹。小项目用 GSD 是杀鸡用牛刀。选择工具要看场景,不是看 Star 数。


评测时间:2026-08-30

数据来源:GitHub API、npm、官方文档

作者:Minis

baoyu-skills 实测:25k Star 的 AI 内容技能库,如何省 65% 创作时间?

baoyu-skills 实测:25k Star 的 AI 内容技能库,如何省 65% 创作时间?

痛点:内容创作者的「五马分尸」困境

做自媒体的人都知道,一篇好文章的诞生需要经历 5+ 个工具切换:写 Markdown → 做封面图 → 插配图 → 排版转 HTML → 发布到微信/X/微博 → 还要做信息图、幻灯片、漫画…… 每个环节都要登录不同账号、适应不同格式、处理不同 API。一个中等产出的内容创作者,每周在这套流程上花 10+ 小时是常态。

宝玉(JimLiu)的 baoyu-skills 就是来终结这种碎片化流程的——它是一套覆盖「创作→设计→发布」全链路的 AI Agent 技能库,目前已积累 25,461 个 Star,成为中文开发者圈增长最快的内容技能集之一。

工作原理:维度化设计系统 + 多平台统一接口

baoyu-skills 的核心设计思想是维度化——把视觉设计拆解为可组合的维度(风格 × 布局 × 色彩 × 渲染方式),让 AI 在每个维度上做选择,而不是笼统地「生成一张好看的图」。

用户输入(Markdown/文本)
    ↓
baoyu 内容分析引擎
    ↓
维度推荐(风格 × 布局 × 色彩 × 渲染方式)
    ↓
用户确认/微调
    ↓
多后端图片生成(11 种 AI 服务可选)
    ↓
格式转换(Markdown → WeChat/X HTML)
    ↓
多平台发布(微信公众号/X/微博)

与同类方案(如 Anthropic 的 MCP 或单点工具)的差异在于:它不是「一个能做很多事的瑞士军刀」,而是「一套能互相协作的专用工具链」——每个 skill 专注一件事,通过共享的设计系统保持视觉一致性。

功能拆解:20+ 技能的三层架构

第一层:内容创作(7 个技能)

技能 核心能力 适用场景
baoyu-xhs-images 小红书图片卡生成,12 风格 × 6 布局 × 3 色板 种草文、知识卡片、穿搭分享
baoyu-infographic 专业信息图,21 布局 × 17 风格 数据可视化、流程说明、架构解析
baoyu-diagram SVG 图表(流程图/时序图/架构图/类图) 技术文档、系统设计
baoyu-cover-image 文章封面图,5 维度系统(类型×色彩×渲染×文字×情绪) 博客、公众号、X 头图
baoyu-slide-deck 幻灯片生成,16 种预设 + 4 维度自定义 演示文稿、培训材料
baoyu-comic 知识漫画,5 画风 × 7 语调 × 6 版式 教程漫画、故事化内容
baoyu-article-illustrator 智能文章插图,6 类型 × 8 风格 博客配图、技术文章

第二层:多平台发布(3 个技能)

技能 核心能力 亮点
baoyu-post-to-wechat 微信公众号发布 多账号管理、API/浏览器/远程 API 三模式、EXTEND.md 自定义主题
baoyu-post-to-x X/Twitter 发布 支持推文串和 X Articles
baoyu-post-to-weibo 微博发布 头条文章、图片/视频附件

第三层:AI 生成 + 工具(10 个技能)

技能 核心能力
baoyu-image-gen 多后端图片生成(OpenAI/Azure/Google/DashScope/MiniMax/Replicate 等 11 种)
baoyu-translate 三模式文档翻译(quick/normal/refined)
baoyu-youtube-transcript YouTube 字幕下载,支持多语言/章节/说话人识别
baoyu-url-to-markdown 网页转 Markdown,Chrome CDP 抓取
baoyu-markdown-to-html Markdown 转微信兼容 HTML,语法高亮
baoyu-format-markdown Markdown 格式化(标题/摘要/排版)
baoyu-compress-image 图片压缩
baoyu-wechat-summary 微信群聊摘要(需 wx-cli)
baoyu-electron-extract Electron 应用资源提取
baoyu-danger-gemini-web Gemini Web 逆向交互

实测数据:25k Star 背后的设计深度

核心数据

指标 数值
GitHub Star 25,461
Fork 2,825
创建时间 2026-01-13(7 个月)
技能数量 20+
支持平台 微信、X、微博、小红书、YouTube
AI 图片后端 11 种(OpenAI/Azure/Google/DashScope/Z.AI/MiniMax/Replicate/Jimeng/Seedream/Agnes/OpenRouter)
信息图布局 21 种
信息图风格 17 种
小红书风格 12 种
幻灯片预设 16 种

设计系统维度数

技能 维度 组合数
baoyu-infographic 21 布局 × 17 风格 357
baoyu-xhs-images 12 风格 × 6 布局 × 3 色板 216
baoyu-cover-image 6 类型 × 11 色彩 × 7 渲染 × 4 文字 × 3 情绪 5,544
baoyu-slide-deck 16 预设(5 纹理 × 6 情绪 × 5 字体 × 3 密度) 480+
baoyu-comic 5 画风 × 7 语调 × 6 版式 210

安装便捷度

# 一行安装(推荐)
npx skills add jimliu/baoyu-skills

# 或通过 Agent 指令
/plugin marketplace add JimLiu/baoyu-skills

成本对比

以生成一篇带封面图 + 3 张配图的微信公众号文章为例:

步骤 传统方式 baoyu-skills
写 Markdown 30min 30min
做封面图 20min(Canva/PS) 1min(/baoyu-cover-image)
插配图 30min(找图/生成/裁切) 3min(/baoyu-article-illustrator)
转 HTML 15min(排版工具) 1min(/baoyu-markdown-to-html)
发布 10min(登录后台) 2min(/baoyu-post-to-wechat)
总计 105min 37min

效率提升:65%(节省约 68 分钟/篇)

安装指南 + 适用场景

安装

# 全量安装
npx skills add jimliu/baoyu-skills

# 项目级别(只装需要的)
mkdir -p .agents/skills
# 复制需要的 skill 目录
cp -r baoyu-cover-image .agents/skills/
cp -r baoyu-post-to-wechat .agents/skills/

配置

# 创建配置目录
mkdir -p ~/.baoyu-skills

# 配置 API 密钥(按需)
cat > ~/.baoyu-skills/.env << 'EOF'
OPENAI_API_KEY=sk-xxx
WECHAT_APP_ID=xxx
WECHAT_APP_SECRET=xxx
EOF

自定义扩展

# 自定义品牌色
mkdir -p .baoyu-skills/baoyu-cover-image
cat > .baoyu-skills/baoyu-cover-image/EXTEND.md << 'EOF'
## Custom Palettes
### corporate-tech
- Primary: #1a73e8, #4A90D9
- Background: #F5F7FA
EOF

谁适合用?

最适合:

  • 内容创作者(自媒体、博客作者、知识付费)
  • 技术写手(架构图、流程图、技术博客)
  • 营销团队(社交媒体运营、多平台分发)
  • AI 开发者(扩展 Agent 内容生产能力)

不适合:

  • 只需要单一功能的用户(装全量会增加 context 开销)
  • 无法访问 Node.js 环境的服务器
  • 需要离线运行的场景(图片生成依赖 API)

与已有技能的关系

已有技能 重叠技能 区别
wechat-publisher baoyu-post-to-wechat baoyu 版本更成熟,支持多账号/EXTEND.md
drawio-skill baoyu-diagram drawio 专注可编辑图表,baoyu 专注 SVG
github-trending 无 互补

结论:baoyu-skills 是目前中文圈最完整的 AI Agent 内容技能库,25k Star 实至名归。它的核心优势不是「做得多」,而是「做得系统」——维度化的设计系统让视觉输出保持专业和一致。对于需要高频内容产出的团队,它可能节省 50%+ 的设计和发布流程时间。

评分:8.5/10(功能完整度 9/10、设计深度 9/10、文档质量 8/10、安装便捷度 8/10、中文友好度 9.5/10)


相关阅读:

  1. Ponytail 深度评测:115k Star 的「懒人高级工程师」,真能省 54% 吗? — 另一个高 Star AI 技能的设计思路对比
  2. Planning-with-Files 实测:26k Star 的三文件铁律 — 上下文工程 vs 内容工程的不同路径

Ponytail 深度评测:115k Star 的「懒人高级工程师」,真能省 54% 代码吗?

Ponytail 深度评测:115k Star 的「懒人高级工程师」,真能省 54% 代码吗?

115k Star、3 个月、MIT 协议——Ponytail 是 2026 年增长最快的 AI Coding Skill。它号称能让 AI agent 像「最懒的高级工程师」一样写代码,砍掉 54% 的冗余代码。但独立测试显示,真实效果只有 15%。这个差距从何而来?它到底值不值得装?

它是什么:100 行 Markdown 实现 7 级懒人阶梯

Ponytail 的核心是一个 7 级决策阶梯,在 AI agent 写代码之前强制执行:

  1. 这东西真的需要存在吗?→ 不需要就跳过(YAGNI)
  2. 代码库里已经有了?→ 复用,别重写
  3. 标准库能做?→ 用标准库
  4. 平台原生功能能做?→ 用原生(比如 <input type="date"> 代替日期选择器库)
  5. 已装的依赖能做?→ 用已装的
  6. 一行能搞定?→ 一行搞定
  7. 以上都不行?→ 写能工作的最小代码

关键安全阀:输入验证、错误处理、安全措施、无障碍性永远不能省。用户坚持要完整版本就照做,不再争论。

支持三个强度级别:lite(提建议)、full(强制执行,默认)、ultra(YAGNI 极端主义,删减优先,挑战需求本身)。

Benchmark 真相:官方 -54% vs 独立测试 -15%

官方数据(Haiku 4.5,12 个任务,n=4)

指标 ponytail caveman “YAGNI + one-liners”
代码行数 -54% -20% -33%
Token -22% +7% -14%
成本 -20% +3% -21%
时间 -27% +2% -30%
安全性 100% 100% 95%

JetBrains 独立测试(80 个配对任务,Sonnet 5)

指标 实测值 p 值
代码行数 -15% 0.088
成本 -10.3% 0.004 ✅
时间 -11% —
质量 无显著差异 —

三个关键发现:

1. 自激活率为零。直接复制 SKILL.md 到 skills 目录,agent 10 个 session 一次都没触发。必须用 plugin + SessionStart hook 注入才能生效。

2. 效果集中在过度工程场景。大型构建 -31%,已经精简的任务几乎不动。宣传的 -54% 是 12 个刻意选择的「过度工程陷阱」任务的均值,不是通用场景。

3. 首次出现统计显著的成本节省。在 JetBrains 系列测试(caveman -8.5%、rtk +7.6%)中,ponytail 是第一个 p<0.01 的正向结果。

Scott Logic 的「打脸」测试

Scott Logic CTO Colin Eberhardt 发现,仅用 7 个英文单词:

“Follow YAGNI principles, and one-liner solutions”

在 ponytail 自己的 benchmark 上跑出了比 ponytail 更好的分数(6.9 vs 8.25 LOC)。他的核心批评:

  • ponytail 本质就是 1990 年代 YAGNI 原则的重新包装
  • 原始 benchmark 任务过于简单(5 个约 10 行代码的任务)
  • 基线模型输出多个选项导致 LOC 虚高
  • 100 行 Markdown 配 115k Star,「这是新版 leftpad?」

ponytail 作者接受了批评,扩展了 benchmark(从 5 个任务到 agentic 级别的 12 个任务),修正了污染 bug,发布了诚实的修正版本。这在 AI Skill 生态中相当罕见。

与同类工具对比

维度 ponytail caveman rtk
作用面 输出(代码) 输出(文本) 输入(CLI 输出)
机制 7 级阶梯 压缩文本 压缩终端输出
实测代码 -15% -8.5% N/A
实测成本 -10.3% -8.5% +7.6%
安装复杂度 中(需 plugin) 低 低

关键洞察:这些工具作用在不同层面,可以叠加使用。ponytail 管输出(写更少代码),caveman 管表达(说更少话),rtk 管输入(读更少日志)。

优缺点总结

优点

  • 真实有效:独立测试证实 -10% 成本节省,统计显著
  • 安全阀到位:明确不碰验证/安全/无障碍,100% 通过率
  • 生态完善:20+ agent 兼容,5 个子技能(review/audit/debt/gain/help)
  • 方法论诚实:主动修正 benchmark bug,回应批评并扩展测试
  • 与 caveman 互补:一个管代码量,一个管文本量,不冲突

缺点

  • 宣传与实测差距大:-54% vs -15%,约 3 倍缩水
  • 自激活失败:必须用 plugin hook 注入,直接放 skills 目录无效
  • 核心思想不新:YAGNI 是 1990 年代的 XP 原则,7 个单词可以替代
  • 简单任务无效:代码已经精简时效果为零
  • Reddit 反馈:「复杂软件中创建了有 bug 的补丁,假设太多」

适用场景

适合:AI 过度工程严重的团队(agent 动不动装 5 个依赖、写 200 行 wrapper)、前端/全栈项目(原生 HTML/CSS 能替代大量 JS 库)、原型/脚本开发、与 caveman 搭配使用。

不适合:已经写得精简的代码库、复杂系统架构、需要严格类型/接口的项目、硬件/IoT 项目。

结论

Ponytail 是一个设计精良、诚实有效的 AI Skill,但不是魔法。它的真正价值不在于「省 54% 代码」(那需要刻意选择的测试场景),而在于建立一个思维习惯:在写代码之前先问「这真的需要吗?有没有更简单的方法?」这个习惯本身值 10% 的成本节省。

如果你想试:先用 full 模式别上来就 ultra;必须通过 plugin hook 安装别只复制 SKILL.md;搭配 caveman 使用效果叠加;定期跑 /ponytail-audit 检查是否真的减少了不必要的代码。

—— 评测基于 GitHub 仓库、JetBrains 独立测试(80 配对任务)、Scott Logic 批判分析、Reddit 社区反馈。数据截至 2026 年 8 月 ——

相关阅读