标签: 开发者工具

  • herdr:住在终端里的 AI 智能体复用器,像 tmux 一样并行调度多个编程 Agent

    herdr:住在终端里的 AI 智能体复用器,像 tmux 一样并行调度多个编程 Agent

    herdr 终端演示

    herdr 是一个「住在你终端里的智能体复用器(agent multiplexer)」——它让你像 tmux 管理多窗口那样,在同一个终端里同时监督、调度和并行运行 Claude Code、Codex、Copilot、Gemini CLI 等多个 AI 编程智能体,全部以真实终端视图呈现,随时脱离(detach)与重新接入(reattach)。

    项目简介

    herdr 是用 Rust 写的单文件二进制工具,定位是「AI 编程智能体的终端调度台」。当你的工作流里同时跑着好几个编码 Agent,herdr 帮你把它们收进一个分屏会话里统一管理:谁在干活、谁卡住了、谁完成了,一眼看清;你离开后智能体继续跑,回来在任意终端(甚至 ssh)重新接入就能接着看。

    安装要求和过程

    环境要求

    • 任意现代终端(macOS / Linux 已稳定,Windows 为 beta 版);
    • 无需运行时依赖,单个 Rust 二进制,无 Electron,不占内存;
    • 可选:Homebrew、mise 等包管理器;源码编译需 Rust 工具链(cargo)。

    快速安装

    一行安装脚本(推荐):

    curl -fsSL https://herdr.dev/install.sh | sh

    其他安装方式:

    # Homebrew
    brew install herdr
    
    # mise
    mise use -g herdr
    
    # Windows (beta)
    powershell -ExecutionPolicy Bypass -c "irm https://herdr.dev/install.ps1 | iex"
    
    # 源码编译
    git clone https://github.com/ogulcancelik/herdr
    cd herdr
    cargo build --release

    在代码目录直接启动:

    herdr          # 启动,在代码所在目录运行
    ctrl+b q       # 脱离会话(agents 继续跑)
    herdr          # 任意终端重新接入

    核心功能

    1. 一眼掌控所有智能体:每个 Agent 的状态(blocked / working / done)一目了然,呈现的是真实终端视图,而不是被二次包装过的「解读」。
    2. 脱离后智能体继续跑:会话 detach 后进程不中断,可在任意终端或 ssh 上重新接入,甚至终端/机器重启后会话依然存活。
    3. 智能体也能用 herdr:提供纯 socket API,Agent 可以自己创建 pane、读取输出、互相等待,官方还给了 agent skill,让多智能体流水线成为可能。
    4. 键鼠都是一等公民:既支持 tmux 式前缀键(ctrl+b),也支持鼠标点击、拖拽、分屏,按当下场景自由切换,不被工具绑架。
    5. 插件可扩展:通过插件扩展 pane 与工作流,官方有插件市场,可按需装配能力。
    6. 单 Rust 二进制、无 Electron:跑在你已有的终端里,启动飞快、资源占用极低。

    典型使用场景

    1. 并行跑多个编程智能体
    同时开 Claude Code、Codex、Gemini CLI,分屏对照各自进度,省去在多个窗口之间反复切换、对不上上下文的麻烦。

    2. 远程 / 无人值守跑长任务
    在本地 detach,ssh 到服务器后执行 herdr 重新接入看结果,CI 长任务、 overnight 构建不占用本地终端,进程也不怕断线。

    3. 智能体互相编排
    让一个 Agent 通过 socket API 拉起子 Agent、等它产出再继续,把多智能体协作沉淀成可复用的流水线,而不是手动粘贴上下文。

    推荐理由

    现在工程师同时用两三个 AI 编程助手已是常态,但窗口一多就乱、上下文对不上、离开后任务状态无从追踪。herdr 把「多智能体并行调度」做成了一个趁手的终端工具——不像套壳 IDE 那样笨重,Rust 单二进制启动飞快,detach/reattach + ssh 重新接入这个能力对经常远程看进度的人尤其实用。项目 AGPL-3.0 开源、文档齐全(quick start / concepts / agents / plugins / socket api 一应俱全),如果你已经在 tmux 和多个编码 Agent 之间反复横跳,值得一试。

    下载地址

  • Matt Pocock’s Skills:给真工程师用的 AI 编程 Skill 合集(167K★,MIT)

    Matt Pocock’s Skills:给真工程师用的 AI 编程 Skill 合集(167K★,MIT)

    Matt Pocock Skills

    AI 编程助手很强,但常常「生成很强、理解很弱」——需求没对齐就开干、跑不通就乱试、代码越写越乱。Matt Pocock’s Skills 是 Total TypeScript 作者、TypeScript 圈大佬 Matt Pocock 把自己 .claude 目录里每天在用的工程技能开源出来的合集:不接管你的流程,而是把真实工程纪律封装成一组足够小、可改造、可组合的 Skill。

    一、项目简介

    Matt Pocock’s Skills 是一套面向「真工程师」的 AI 编程 Agent 技能库(Skills for Real Engineers),源自作者每天都在用的 .claude 配置,用几十个可组合的小技能把需求对齐、TDD、结构化调试、架构治理等工程纪律固化下来,而不是像 GSD/BMAD/Spec-Kit 那样「接管整个开发流程」。

    二、安装要求和过程

    环境要求

    • 任意支持 Agent Skills 标准的编程智能体:Claude Code、Codex、Gemini CLI、Cursor 等(skills.sh 安装器可覆盖 70+ Agent)
    • Node.js 环境(用于 npx 一键安装)
    • 零运行时依赖:纯 Markdown + Shell 技能,MIT 协议

    快速安装

    # 一行安装(从 skills.sh 拉取并按提示选择技能)
    npx skills@latest add mattpocock/skills
    
    # 或在 Claude Code 中使用 plugin marketplace 添加
    # 安装后即可用 /ask-matt 跳转开始

    三、核心功能

    1. 小而可组合的设计哲学:每个 Skill 都小到能读懂、能改、能删;不接管流程,把决策权留给人,避免重型框架的“流程自身出 bug 难查”。
    2. Grilling 柚问式访谈:动手前先对齐需求(/grill-me/grill-with-docs 会更新 CONTEXT.md 与 ADR),根治“Agent 没做你想要的事”。
    3. TDD + 结构化调试:把红绿重构和诊断纪律封装成可复用技能(/tdd/diagnose),让代码做出来就能跑。
    4. 共享语言与架构治理:通过 CONTEXT.md / ADR 建立团队共享术语,/improve-codebase-architecture 生成可视化 HTML 架构报告。
    5. 标准化、跨工具:遵循开放的 Agent Skills 标准,技能按调用方式分为 User-invoked(人工触发)与 Model-invoked(Agent 自动调用),通用于各编程智能体。

    四、典型使用场景

    • 新功能前需求对齐:用 /grill-me 把模糊想法柚问成清晰需求,再用 /to-issues 拆成工单、/to-prd 产出产品需氛文档,防止 Agent 跑偏。
    • 遇到诡异 Bug:不让 Agent 乱试,用 /diagnose 走结构化调试法,逐步定位根因。
    • 持续保持代码健康:编码时让 Agent 自动调用 /tdd 保持测试驱动,随时用 /improve-codebase-architecture 给代码层做体检并生成可视化报告。

    五、推荐理由

    我个人非常吃这套“真工程”路线。现在大量 Agent 框架走的是“接管流程”,一上来就把你的控制权收走,流程本身出了 bug 还难查。mattpocock/skills 反道而行:技能够小、够透明,你能读懂、能改、能删,把理解的过程交还给人和 Agent 之间的对话。对于已经有本地 Skill 体系的团队,它最适合的定位不是“替换”,而是“增强”。尤其推荐给被 Vibe Coding 耗到的同学——它是真正的 Real Engineering 和随便写代码之间的分野。

    六、下载地址

    文章配图来源:项目官方仓库 / Total TypeScript Cloudinary。本文由自动化任务采集整理,转载请注明出处。

  • AI Job Search:跑在你机器上的 AI 求职申请框架,让 Claude 帮你写简历、求职信、备战面试(21.2K⭐)

    AI Job Search:跑在你机器上的 AI 求职申请框架,让 Claude 帮你写简历、求职信、备战面试(21.2K⭐)

    AI Job Search

    AI Job Search 是一个完全跑在你自己机器上的 AI 求职申请框架,基于 Claude Code 构建。Fork 仓库、填好个人资料,Claude 就能帮你评估职位匹配度、定制简历、撰写求职信、准备面试——把最耗时的求职苦差事彻底工程化。

    📌 项目简介

    「The job search that runs on your machine.」作者 Mads Lorentzen 把 Claude Code 变成了一位全栈求职助理:核心工作流(自我画像 → 适配度评估 → 起草-评审申请管道)与语言、国家无关;内置的招聘门户搜索技能默认面向丹麦市场(Jobindex / Jobnet / Akademikernes Jobbank 等),但模式可被替换成你本地的招聘网站。项目没有任何加密货币、代币或付费赞助,仅通过 Ko-fi 捐赠支持,隐私与安全取向明确。

    💻 安装要求与过程

    环境要求

    • Claude Code CLI(需订阅 Anthropic)
    • Python 3.10+(薪资基准等脚本)
    • Bun(用于职位搜索 CLI 工具,bun.sh
    • LaTeX 发行版,需含 lualatexxelatex:TeX Live / MacTeX / TinyTeX / MiKTeX(简历用 lualatex 编译,求职信用 xelatex 编译)
    • 可选:pdftotext(来自 poppler)——用于 /apply 的 ATS 文本层校验;缺失时自动降级为视觉检查

    快速安装

    ① Fork 并克隆

    gh repo fork MadsLorentzen/ai-job-search --clone
    cd ai-job-search

    ② 安装职位搜索 CLI 工具(Bash / zsh / Git Bash)

    for tool in jobbank-search jobdanmark-search jobindex-search jobnet-search linkedin-search freehire-search; do
      cd .agents/skills/$tool/cli && bun install && cd ../../../..
    done

    ③ 进入 Claude Code 填写个人资料

    claude
    # 在 Claude Code 内执行:
    /setup

    ④ 搜索职位

    /scrape

    ⑤ 申请职位

    /apply https://jobindex.dk/job/1234567
    # 或粘贴完整 JD:
    /apply <粘贴完整职位描述>

    ⚡ 核心功能

    • 本地运行、可分叉自有:框架在你的机器上跑,Fork 后填入资料即可,无外部服务绑定,求职数据完全私有。
    • Drafter-Reviewer 双代理申请流:起草者用 LaTeX 写草稿,再由一个带全新上下文的独立 reviewer 代理调研公司、批判草稿,最后修订——避免单遍生成留下的套话与遗漏。
    • PDF 编译与视觉校验循环:自动把简历编译成精确的 2 页、求职信 1 页,并读取渲染页迭代修复版式错误(孤行标题、字体回退、溢页等),每次申请自动执行。
    • ATS 文本层校验:用 pdftotext 抽取简历文本层,按 ATS 解析器视角验证联系方式、阅读顺序与关键词覆盖;诚实规则——简历不支持的关键词绝不硬塞。
    • 相关性加权裁切 + 丰富命令生态:超页时按「与目标职位的相关度 / 文档内独特性 / 求职信依赖度」打分裁线,而非机械删旧;提供 /setup /scrape /apply /rank /interview /outcome /expand /upskill /add-template /add-portal /reset 等 10+ 命令。

    🎯 典型使用场景

    • 主动靶向申请/scrape 抓取丹麦/跨国职位板 → /rank 批量打分排序 → 选定目标 /apply <url> 一键产出定制简历与求职信。
    • 面试准备:某个申请进入面试后,对其归档记录跑 /interview,基于「面试官实际读到的简历/求职信 + 往轮反馈」生成阶段化准备包与模拟面试。
    • 职业差距规划:两次投递之间用 /upskill <URL>/upskill 分析个人画像与职位的差距,输出优先学习热图与带时间估计的学习计划。

    💡 推荐理由(个人心得)

    市面上「AI 帮你写简历」的工具不少,但大多只做一次性文本生成,排版一塌糊涂。AI Job Search 最打动我的是它把求职这件事当成一个严肃的软件工程问题:双代理互相挑刺、强制 PDF 编译校验、ATS 文本层检查,几乎杜绝了「.tex 看起来没问题、渲染出来全崩」的经典翻车。而且它真正跑在本地、Fork 即拥有,可深度定制(自定义 LaTeX 模板、自定义招聘门户 /add-portal),隐私与可控性拉满。

    当然也有门槛:依赖 LaTeX 环境 + Claude Code 订阅,初次搭建略繁琐;默认招聘门户偏丹麦市场(但 linkedin-search / freehire-search 是跨国、零依赖的,开箱即用)。如果你正在换工作、且本就有 Claude Code,这个项目能实打实省下大量写简历、改求职信的周日。

    📥 下载地址

    标签:AI · 开源 · AI Agent · Claude Code · 求职助手 · 简历优化 · 职业规划|许可证:MIT|语言:TypeScript / Python / LaTeX

  • Page Agent:阿里巴巴开源的“住在网页里的”GUI 智能体,一行脚本让网页自己动起来

    Page Agent:阿里巴巴开源的“住在网页里的”GUI 智能体,一行脚本让网页自己动起来

    Page Agent 项目横幅

    项目简介

    Page Agent 是阿里巴巴开源的一个运行在网页内部的 JavaScript GUI 智能体。只需一行脚本,就能让任意网页拥有自己的 AI 代理,用自然语言直接控制 Web 界面——点击按钮、填写表单、跳转页面,全部交给 AI 完成。项目当前已收获约 2.6 万 Star,采用 MIT 协议,主要使用 TypeScript 编写,运行时以纯前端 JavaScript 注入。

    “The GUI Agent Living in Your Webpage. One script gives any web page its own AI agent.”

    安装要求和过程

    环境要求

    • 任意支持 <script> 标签或 npm 的网页环境即可;
    • 无需浏览器扩展、Python 或无头浏览器,纯前端运行;
    • 如需自托管大模型,需一个可访问的模型 API(如通义千问 Qwen、本地模型等);
    • 使用 npm 安装 / 二次构建时需要 Node.js 环境。

    快速安装(三种方式)

    方式一:CDN 一行接入

    <script
        src="https://cdn.jsdelivr.net/npm/page-agent@1.12.1/dist/iife/page-agent.demo.js"
        crossorigin="anonymous"
    ></script>

    国内镜像:https://registry.npmmirror.com/page-agent/1.12.1/files/dist/iife/page-agent.demo.js

    方式二:NPM 安装

    npm install page-agent
    import { PageAgent } from 'page-agent'
    
    const agent = new PageAgent({
        model: 'qwen3.5-plus',
        baseURL: 'https://dashscope.aliyuncs.com/compatible-mode/v1',
        apiKey: 'YOUR_API_KEY',
        language: 'en-US',
    })
    
    await agent.execute('Click the login button')

    方式三:Chrome 扩展 —— 从 Chrome 网上应用店安装 Page Agent 扩展,用于跨多标签页的多页面任务。

    核心功能

    • 🎯 极简集成:纯页面内 JavaScript,不需要浏览器扩展、Python 或无头浏览器,几行代码即可嵌入。
    • 📖 基于文本的 DOM 操作:无需截图、不依赖多模态大模型或特殊权限,通过结构化 DOM 文本理解页面并执行操作。
    • 🧠 自带 LLM(BYO):支持绝大多数主流模型(含本地部署),模型选择完全自由。
    • 🐙 可选 Chrome 扩展:支持跨标签页的多页面任务编排。
    • 🔌 MCP Server(Beta):允许外部 Agent 客户端(如 Claude Code / Cursor)从外部控制你的浏览器。

    典型使用场景

    • SaaS AI Copilot:几行代码为自家产品嵌入 AI 助手,无需重写后端,立刻获得“对话式操作界面”能力。
    • 智能表单填充:把原本需要 20 步点击的流程压缩成一句话,特别适合 ERP / CRM / 后台管理系统等高频重复操作。
    • 无障碍访问:通过自然语言让任何 Web 应用变得可操作,配合语音 / 读屏为行动不便的用户打开大门。
    • 多页面自动化 / MCP 控制:借助 Chrome 扩展或 MCP Server,让 AI 跨页面完成复杂工作流(如比价、数据搬运)。

    推荐理由

    我第一次看到 Page Agent 时最直接的感受是:它把“浏览器自动化”这件事做得太轻了。传统方案(如 Playwright / Puppeteer 脚本、或无头浏览器方案)要么要写一堆选择器、要么要吃截图走多模态,门槛和成本都不低。Page Agent 反其道而行——它就活在页面里,用文本化的 DOM 理解来“读懂”界面,再用自然语言驱动操作,心智负担几乎为零。

    对前端 / 产品同学尤其友好:你想给后台加个“AI 帮我导这份报表”的入口,挂一段脚本就行,不用动架构。再加上它支持 BYO 模型、可接本地大模型,数据不出内网也能玩。如果你正琢磨怎么给产品接一个“会自己点页面”的 AI,Page Agent 是目前最省心、最贴近生产的选择之一。

    下载地址

  • Superpowers:让 AI 编程智能体「先想清楚再做」的开源方法论

    Superpowers:让 AI 编程智能体「先想清楚再做」的开源方法论

    Superpowers 是一套面向 AI 编程智能体(Claude Code、Cursor、Codex、Copilot CLI 等)的开源「方法论 + 技能框架」。它不写业务代码,而是把资深工程师的开发纪律——先脑暴、出设计、写计划,再以测试驱动与代码评审推进——固化成一组「强制触发」的技能(skills),让 Agent 不跳过任何关键步骤。一句话:它给 AI 编程助手外挂了一套工程纪律

    安装要求和过程

    环境要求

    • 任意支持「插件市场」的 AI 编程客户端:Claude Code、Cursor、Codex App/CLI、GitHub Copilot CLI、Kimi Code、OpenCode 等;
    • 无需额外运行时依赖——技能本身是纯 Markdown,零代码、零安装负担;
    • 最新版本 v6.1.1(2026-07-03),MIT 协议,可商用。

    快速安装

    以最常用的 Claude Code 为例,一条命令装好:

    plugin install superpowers@claude-plugins-official

    其他宿主的安装入口:

    • Cursor:在 Agent 聊天里执行 /add-plugin superpowers
    • Codex CLI/plugins 搜索 superpowers 安装;
    • Copilot CLI:注册市场后 copilot plugin install superpowers@superpowers-marketplace
    • OpenCode:读取并执行 https://raw.githubusercontent.com/obra/superpowers/refs/heads/main/.opencode/INSTALL.md

    装好后,正常对话提需求即可——智能体会自动激活内置技能链,无需你手动调用。

    核心功能

    • 自动触发的技能库:20+ 技能覆盖测试(TDD 红-绿-重构)、调试(系统化排查、完成前验证)、协作(脑暴、写计划、派发并行 Agent、请求/接收代码评审)等,全部「强制工作流」而非可选建议。
    • 「先想后做」工作流:脑暴出规格 → Git worktree 隔离 → 设计文档 → 细粒度实施计划 → 子智能体并行开发 → TDD → 代码评审 → 收尾分支,每一步都有验证门禁。
    • 跨宿主通用:一套技能同时兼容 Claude Code、Cursor、Codex、Copilot CLI、Kimi Code、OpenCode 等,换工具不丢方法论。
    • 子智能体驱动开发(Subagent-driven Development):把任务拆给并行子 Agent,主 Agent 只做编排与评审,效率和质量双升。
    • 可扩展元技能writing-skills 让你把自己的工作流封装成新技能,using-superpowers 教 Agent 怎么用这套框架——团队规范可沉淀复用。

    典型使用场景

    • 从一句话需求到可运行功能:让 Agent 先脑暴出规格文档、确认后再生成计划,最后自主开发并自测,避免「上来就写代码」导致的返工灾难。
    • 大型功能并行开发:用 worktree 隔离 + 派发多个子 Agent 同时推进不同模块,主 Agent 汇总与评审,单人也能扛起一个小组的吞吐。
    • 团队统一研发规范:把团队最佳实践写成技能,所有人(和人)用同一套流程,新人也能稳定产出老手质量的代码。

    推荐理由

    用过一堆「vibe coding」工具后,我的结论很朴素:最大的问题不是模型不够聪明,而是 Agent 没有纪律——直接上手写、不写测试、不评审。Superpowers 把「工程纪律」外挂给 Agent,强制它先脑暴、再计划、再 TDD,质量肉眼可见地提升。它不替你做判断,只是不让 Agent 跳过关键步骤。25 万+ star、今天还挂在 GitHub 热榜第一,MIT 协议,值得每个用 AI 写代码的人装一下。

    下载地址

  • chrome-devtools-mcp:Chrome 官方出品,让 AI 编程助手直接操控与调试浏览器

    chrome-devtools-mcp:Chrome 官方出品,让 AI 编程助手直接操控与调试浏览器

    Chrome DevTools MCP

    chrome-devtools-mcp 是 Chrome DevTools 官方团队推出的一个 MCP(Model Context Protocol)服务器,它把整个 Chrome 开发者工具的能力开放给 AI 编程助手——让 Claude、Cursor、Copilot、Gemini CLI 等智能体能够直接控制并检视一个真实运行的 Chrome 浏览器,实现可靠的自动化、深度调试和性能分析。截至目前该项目在 GitHub 已收获约 46,700+ Stars

    项目简介

    一句话说明:chrome-devtools-mcp 让你的 AI 编程助手拥有一双”眼睛”和一双”手”,可以打开网页、点击操作、查看网络请求与控制台报错、录制性能 trace,从而真正”看见”自己写的代码在浏览器里跑成什么样。它基于 Puppeteer 驱动 Chrome,并会自动等待操作结果,让智能体的浏览器操作变得稳定可靠。

    安装要求和过程

    环境要求

    • Node.js —— LTS 版本
    • Chrome —— 当前稳定版或更新版本
    • npm

    快速安装

    无需手动安装,直接在 MCP 客户端配置中通过 npx 拉起即可。以标准配置为例,在客户端的 MCP 配置文件中加入:

    {
      "mcpServers": {
        "chrome-devtools": {
          "command": "npx",
          "args": ["-y", "chrome-devtools-mcp@latest"]
        }
      }
    }

    使用 Claude Code CLI 的用户可以一行命令完成添加:

    claude mcp add chrome-devtools --scope user npx chrome-devtools-mcp@latest

    如果只需要基础的导航、执行脚本与截图,可以用精简 + 无头模式降低开销:

    "args": ["-y", "chrome-devtools-mcp@latest", "--slim", "--headless"]

    核心功能

    • 性能洞察:调用 Chrome DevTools 录制性能 trace,并提取可执行的优化建议(如”检查 https://developers.chrome.com 的性能”)。
    • 高级浏览器调试:分析网络请求、抓取截图、读取控制台消息,并附带经过 source map 还原的堆栈信息。
    • 可靠自动化:底层由 Puppeteer 驱动,自动等待动作完成,避免因时序问题导致的操作失败。
    • 丰富的工具集:涵盖输入自动化、页面导航、设备模拟、性能、网络、调试、内存、扩展等 10 大类共 50 余个工具。
    • 灵活的连接方式:支持无头/有头、隔离实例、指定 Chrome 通道,还能通过 --autoConnect / --browser-url 连接已经在运行的 Chrome,与人工共享登录状态。

    典型使用场景

    • 前端性能诊断:让 AI 助手打开你的站点自动录制性能 trace,指出 LCP、长任务、渲染阻塞等瓶颈并给出改进方案,把”性能优化”从玄学变成可量化的闭环。
    • 自动化调 Bug:当页面报错或接口异常时,智能体可直接查看控制台报错和网络请求详情(含还原后的堆栈),定位问题后再改代码,减少来回复制粘贴。
    • 沙箱内安全调试:在沙箱里运行 MCP,连接沙箱外带远程调试端口的 Chrome,既保证隔离又能复用真实浏览器环境,适合 Agent 产品集成浏览器能力。

    推荐理由

    用下来最大的感受是:它补齐了 AI 编程助手最缺的一环——“看得见运行结果”。过去让 AI 改前端,它只能凭代码想象效果;接入之后,它能真正打开页面、看到报错、量到性能数据,再回头改代码,闭环体验明显更靠谱。作为 Chrome DevTools 官方出品的项目,工具设计规范、更新及时,且用 npx 零安装接入、Apache-2.0 开源,几乎没有上手门槛。如果你已经在用 Claude Code、Cursor 或 Copilot 做前端开发,非常值得加上这一个 MCP。

    下载地址

    项目信息:ChromeDevTools 官方出品 · TypeScript 开发 · Apache-2.0 许可 · 约 46,700+ GitHub Stars。

  • addyosmani/agent-skills:给 AI 编程助手装上 24 套「资深工程师技能」的开源技能库(76.9K⭐)

    addyosmani/agent-skills:给 AI 编程助手装上 24 套「资深工程师技能」的开源技能库(76.9K⭐)

    Addy's Agent Skills

    agent-skills 是 Google Chrome 团队工程师 Addy Osmani 维护的一套「生产级工程技能库」——把资深工程师在定义、规划、构建、验证、评审、发布软件时遵循的工作流、质量门禁与最佳实践,封装成 AI 编程 Agent 可以直接调用的结构化技能(Skills)。目前 76.9K Stars、MIT 许可,是当下 GitHub 上最热门的 AI 工程实践项目之一。

    一、安装要求和过程

    环境要求:

    • 任意支持 Skills / 系统提示 / 指令文件的 AI 编程客户端(Claude Code、Cursor、Codex、Copilot、Cline、Gemini CLI、Windsurf、Kiro、OpenCode 等 70+ 款);
    • 一键安装需 Node.js(提供 npx skills 命令);
    • 本地克隆方式需 Git。

    快速安装:

    方式一:skills CLI 一行装全部(推荐,覆盖 70+ Agent)

    npx skills add addyosmani/agent-skills            # 安装全部 24 套技能
    npx skills add addyosmani/agent-skills --list     # 安装前先浏览
    npx skills add addyosmani/agent-skills --skill test-driven-development  # 只装单个技能

    方式二:Claude Code 原生插件市场

    /plugin marketplace add addyosmani/agent-skills
    /plugin install agent-skills@addy-agent-skills

    方式三:本地克隆后挂载

    git clone https://github.com/addyosmani/agent-skills.git
    claude --plugin-dir /path/to/agent-skills

    二、核心功能

    • 8 条贯穿开发生命周期的斜杠命令:/spec(定规格)、/plan(拆任务)、/build(增量实现)、/test(验证)、/review(评审)、/webperf(性能)、/code-simplify(简化)、/ship(发布),每条命令自动激活对应技能。
    • 24 套覆盖全流程的工程技能:interview-me(需求澄清)、spec-driven-development(写 PRD),到 test-driven-developmentcode-review-and-quality(五轴评审)、security-and-hardening(OWASP 防护)、shipping-and-launch(上线清单)。
    • 技能即结构化工作流:每个 Skill 都带步骤、验证门禁(verification gates)和「反合理化」对照表,让 Agent 跨任务稳定遵守同一套标准,而不是凭心情发挥。
    • 上下文自动触发:设计 API 自动触发 api-and-interface-design,写 UI 自动触发 frontend-ui-engineering,无需手动指定。
    • /build auto 半自治模式:审批一次计划后,Agent 自动逐任务实现、测试驱动、单独提交,遇出错或高风险步骤自动暂停。

    三、典型使用场景

    1. 新功能从 0 到上线:/spec 先写规格、/plan 拆任务、/build 增量实现、/test 验证、/review 评审、/ship 发布——把「想到哪写到哪」变成可重复的流水线。
    2. 代码评审质量门禁:合并前调用 code-review-and-quality 做五轴评审(可读性 / 正确性 / 复杂度 / 测试 / 安全),以「Staff Engineer 会不会 merge」为标准,避免 AI 生成的 PR 带病合并。
    3. 安全敏感改动:涉及用户输入、鉴权、外部集成时触发 security-and-hardening,按 OWASP Top 10 检查、管理密钥、审计依赖,降低生产事故概率。

    四、推荐理由

    我自己的使用感受:这套技能库最打动人的地方,是它把「资深工程师的肌肉记忆」显式化了。平时让 AI 写代码,最容易翻车的是「需求没问清就开干」「改完不写测试」「PR 质量没把关」。agent-skills 用 /spec/test/review 把这些容易偷懒的环节变成默认流程,相当于给 Agent 配了个不会疲倦的 Tech Lead。它是纯 Markdown、零运行时依赖,装到任何 Agent 里都不增加包袱,值得每个用 AI 写代码的人试一试。

    五、下载地址

  • 14个人服务890万开发者:Ollama拿下6500万美元B轮,押注开源模型随处跑

    先说个数字:14个人,撑起890万开发者每月都在用的工具。这不是哪家巨头的内部团队,而是开源AI工具Ollama的全部家当。就在这周,这家公司拿到了6500万美元的B轮融资,领投方是Theory Ventures。

    Ollama开源AI工具融资示意图
    Ollama让开源模型在任何地方都能跑起来

    算上之前Benchmark领投的1500万美元A轮,Ollama目前累计融资8800万美元。当年领投A轮的Peter Fenton这次也进了董事会。创始人兼CEO的Jeff Morgan把话说得很直白:开源模型就该好跑、好用、随处可用——你自己的电脑上、云端,或者两头都用。

    从Docker到开源模型,这俩人干的是同一件事

    Ollama是2023年上线的,干的活很简单:帮开发者在自己的PC上跑开源权重模型,几分钟就能装好用起来。GitHub上攒了17.6万颗星、近1.7万个fork,各种教程、视频、博客里都在夸它。

    这种”把复杂的东西变简单”的路数,Morgan和联合创始人Michael Chiang早就玩过一遍。他们之前做的Kitematic被Docker收购,两人随后帮着做出了Docker Desktop——那个如今每天有一千多万开发者在用的工具。Docker当年把云应用从繁琐的硬件配置里解放出来,Ollama现在对开源AI做的是同一件事。

    “2023年开源模型开始冒出来,但真的很难用。它们当时是给研究员准备的,不是给程序员的,想跑起来特别费劲。”——Jeff Morgan

    免费工具怎么变成生意

    现在Ollama每月有890万开发者在用,比今年1月翻了差不多一倍,每周还新增将近100万次安装,社区做出来的集成超过6.7万个,覆盖了《财富》500强里85%的公司,连医疗、金融、政府这些强监管行业都在用。而这一切,团队只有14个人。

    光靠免费的本地工具当然赚不了钱。Ollama的商业化藏在云端:本地机器扛不住更大的模型时,可以直接切到它的云上跑,同一套操作,按GPU时长计费而不是按token。这套逻辑跟主流按token收费的做法明显不一样。

    • 免费版:本地运行 + 一定的云端GPU时长
    • Pro版:每月20美元,可同时跑3个云端模型,云用量是免费版的50倍
    • Max版:每月100美元,可同时跑10个云端模型

    Morgan说,Ollama作为一门生意的转折点大概在今年1月,OpenClaw火起来那阵子——更大的开源模型突然能干agentic的活了,比如写代码。这也踩中了整个行业的大趋势:据Grand View Research,AI推理市场2024年约970亿美元,到2030年预计冲到2540亿美元,年复合增速约17.5%。随着Meta、Mistral、DeepSeek这些开源模型和闭源系统的差距越缩越小,越来越多的钱正流向”开发者选择在哪里跑模型”这件事上,而这正是Ollama想占的位置。


    当然,这条赛道并不空。Hugging Face融了超过3.95亿美元,主要做模型仓库;Together AI最近以83亿美元估值拿了8亿美元,扩云端训练和推理。Ollama和Morgan都没透露这轮的估值和收入。但14个人对890万开发者这个比例本身,可能才是这轮融资背后最值得琢磨的故事。