Hall of Fame
Hall of Fame
Track
Type
Source
9月12日
今日趋势综述
模型分数挤成一团、卷不动之际，价值正快速迁到『落地』这层——把 agent 排进日历、写成技能、送进农田和企业，谁能把能力交付出去谁就赢。
今天的信号：能力过剩，落地稀缺
今天翻遍榜单，一个反差越来越刺眼：模型这层已经卷到分不出高下——SWE-bench Pro 前四名挤在 79–81 分的两个百分点里，Artificial Analysis 智能指数榜首也只领先次席半分。但另一边，『怎么把这份能力真正用起来』的花样却在爆发式生长：oh-my-pi 把整个 IDE 塞进终端、Baton 和 Clockwork 干脆把编码 agent 当员工排进日历和并行工位、Corey Haines 把一整套营销打法写成 46 个即插即用的 skill、CORAL 让多个 agent 靠共享记忆自己进化。趋势很清楚：算力和智能正在变成水电一样的基础设施，稀缺的不再是『更聪明的模型』，而是『把它接进真实工作流的那段管道』。
今日新增 8
#02
Product Hunt
Product
NEW
Baton
一个『AI 编码 agent 的调度台』桌面应用：让你同时并行跑多个编码 agent，每个跑在自己 git 隔离的工作区里，兼容 Claude Code、Codex、OpenCode 等任意终端型 agent。核心解决的是『开一堆 IDE 和终端窗口盯 agent』的乱局——一个界面看全部 agent 状态，哪个需要你输入就亮徽标提醒，改动集中 review，还内置一个 MCP server 让 agent 能在对话里自己开新工作区。作者做它的原因很朴素：手动在多个窗口间切换管 Claude Code agent 太乱了。
另有 2 家信源报道
展开详情
- **并行隔离**：每个 agent 跑在独立 git 分支/工作区，互不干扰，一屏总览全部运行状态
- **免打扰**：智能徽标提醒哪个 agent 卡住需要你介入，不用一直盯着、来回切窗口
- **可自繁殖**：内置 MCP server，agent 能在会话中自己 spawn 新的 Baton 工作区，套娃式并行
推荐理由：对普通人的机会：AI 编码正在从『一个人指挥一个 agent』变成『一个人指挥一群 agent』，瓶颈从写代码转移到了『管理与验收』。早点习惯这种『AI 工头』的工作方式——学会拆任务、并行派活、集中 review——你的单人产能上限会被显著抬高。这也是个产品信号：凡是能降低『管理多 agent』摩擦的工具（调度、监控、验收、成本核算）现在都有需求，本身就是可切入的小工具机会。
#03
Product Hunt
Product
NEW
Clockwork
一个把编码 agent『排进日历当员工』的产品：你在真实日历上给 AI agent 订工时，它就在 macOS Seatbelt 沙箱 + 每次运行独立 git worktree 里无人值守地干活，遇到有风险的操作就暂停等你审批，干完交一份带真实美元成本的报告。理念一句话讲透：如果 agent 能干活，那就给它一个工作日——一个日历时段、一份预算、一套权限规则、一份完工报告。为防失控，循环任务在上一次还等审批时不会另起新 run，直接跳过而非排队。
展开详情
- **日历化**：把重复的仓库任务变成日历上的定时排班，agent 到点自动上工、无人值守
- **带账单**：每次运行跑在沙箱 + 独立 worktree，完工交报告并附真实美元成本，花了多少一目了然
- **防失控**：有风险操作暂停等审批；上一轮没批完就不开新 run，避免并发失控和重复工作区
推荐理由：对普通人的机会：Baton 和 Clockwork 指向同一个方向——把 AI 算力当『可调度的劳动力』来经营。当 agent 能定时、带预算、带审批地自己干活，个人开发者其实拥有了一支随叫随到、按次计费的『虚拟外包团队』。谁先学会把自己的重复工作（周报、依赖升级、巡检、数据抓取）编排成可托管的定时任务，谁就能把时间腾出来干更值钱的事。这是把『会用 AI』升级成『会经营一支 AI 劳动力』的关键一步。
#04
GitHub
Repo
NEW
coreyhaines31/marketingskills
这是『领域专家把 know-how 打包成技能资产』这条路的又一个标杆案例。以前一个顶级营销人的经验只能靠咨询、课程、一对一传递；现在他把它写成结构化 SKILL.md，任何人装上就能让自己的 AI agent 按他的方法论干活。它印证了今天的大主题：模型是通用的，真正稀缺、能沉淀成资产的是『某个领域怎么把事做对』的专门知识。会写代码的 agent 遍地都是，但知道『一个高转化落地页该怎么改』的 agent 需要有人把专业经验喂进去——这正是每个行业老手的机会窗口。
另有 1 家信源报道
展开详情
知名营销人 Corey Haines 把一整套营销打法做成 46+ 个可即插即用的 agent skill：覆盖 CRO（落地页/注册流/表单/弹窗/付费墙优化）、文案写作与润色、SEO 审计与程序化 SEO、埋点分析、邮件序列、定价策略、A/B 测试规划等。兼容 Claude Code、Codex、Cursor、Windsurf 等任意支持 Agent Skills 规范的 agent，`npx skills add coreyhaines31/marketingskills` 一键装，也能只装 cro、copywriting 等单个技能。v2.0 已把 17 个技能重命名、把 page-cro + form-cro 合并成一个 cro。
周增长：2026-09-10 前后由知名营销人 Corey Haines 发布，营销圈快速传播，v2.0 已迭代
- **成套**：46+ 个营销技能覆盖 CRO / 文案 / SEO / 分析 / 增长，不是零散提示词而是成体系的方法论
- **跨 agent**：兼容 Claude Code、Codex、Cursor、Windsurf，`npx skills add` 一键装，可只装单个技能
- **已迭代**：v2.0 重命名 17 个技能、合并 page-cro/form-cro，说明在被真实使用、持续打磨
推荐理由：对普通人的机会：这是最值得模仿的『轻资产变现』范式。你不需要有 Corey Haines 的名气——只要你在某个具体领域（你熟的行业流程、某个工种的固定套路、某类客户的常见需求）比一般 agent 懂，就能把这套经验写成高质量 skill 包。会写 prompt 的人很多，能把『一类专业工作怎么做对』结构化成别人装上就能用的技能资产的人稀缺。这既是自己的生产力杠杆，也能挂到 skills marketplace 上做成可分发、能立人设、进而接咨询/接单的入口。
商机信号（萌芽）：谁付钱：中小企业主和独立开发者——他们缺专职营销，愿意为『能按顶级方法论干活的 AI 营销助手』或据此提供的落地页/文案/SEO 代做服务付费 痛点：自己不懂 CRO/SEO/文案，请专业营销人太贵，用通用 AI 又产出平庸、不成体系 切入点：挑一个你最熟的垂直行业（如本地餐饮、独立电商、SaaS 官网），基于这类开源营销 skill 做行业定制版 + 代运营，按月收 fee；或把自己某工种的 know-how 写成 skill 包立人设、导流接单
#05
arXiv
Paper
NEW
CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery
CORAL 提出一种让多个 agent『自己进化』的架构：不再用一套死板的控制流指挥，而是让长时运行的 agent 通过共享持久记忆（结构化成 attempts/notes/skills 三个文件夹）、异步并行执行、以及心跳式干预来探索、反思、协作。配套还给了隔离工作区、评估器分离、资源管理、会话与健康管理等一整套工程护栏。结果很硬：在 10 个数学/算法/系统任务上刷新 SOTA，用远更少的评估次数拿到 3–10 倍的改进率；在 Anthropic 的内核工程任务上，四个协同进化的 agent 把最优分从 1363 提升到 1103（cycle 越低越好）。机制分析显示收益来自知识复用和多 agent 的探索与沟通。
首个面向开放式问题的自主多智能体进化框架，用长时运行 + 共享持久记忆替代僵硬的控制流
另有 2 家信源报道
展开详情
- **共享记忆**：attempts/notes/skills 三文件夹的持久记忆让 agent 跨轮次复用彼此经验，而非各自从零开始
- **对比**：10 个任务上 3–10 倍改进率、评估次数远少于固定进化搜索基线；内核任务四 agent 把 1363 优化到 1103
- **带护栏**：隔离工作区、评估器分离、资源与健康管理——是能真跑起来的工程方案，不只是概念
推荐理由：对普通人的机会：这篇论文把『多个 AI 靠共享记忆越干越强』从设想变成了有数据的方法。它给个人开发者的启示很直接——别再追求一个万能的超级 agent，而是学会搭『能积累经验的 agent 团队』：给它们一个持久的记忆区（把尝试、笔记、复用的技能沉淀下来），让它们并行探索、互相学。这套思路今天就能借鉴到你自己的自动化里：给你的 agent 建一个跨会话的记忆文件夹，产出会随时间越来越好，而不是每次推倒重来。
#06
codingfleet.com
Article
NEW
SWE-bench Pro 前四挤在 2 个点内：模型这层卷不动了，选型该看『每分成本』而非榜首
把本周几个主流榜单摞在一起看，一个结论越来越硬：顶级模型在编码这层已经分不出高下。在更难的 SWE-bench Pro 上，Claude Fable 5.1 以 81.2% 登顶，但 Mythos 5 / Fable 5 咬在 80.3%、Opus 5 也有 79.2%——前四名全挤在 2 个百分点内。综合智能这层同样胶着：Artificial Analysis 智能指数 Fable 5.1 领跑 53.4，GPT-6 Astra 52.8、Opus 5 50.7，榜首只领先半分到两分。而在已被『刷爆』的 SWE-bench Verified 上，Opus 5、Mythos 5、Fable 5、GPT-5.6 Sol 全部挤在 95–96% 一格里。差距小到这个程度，纯看榜首名次已经没意义。
另有 2 家信源报道
展开详情
- **对比**：SWE-bench Pro — Fable 5.1 81.2% vs Mythos 5/Fable 5 80.3% vs Opus 5 79.2%，前四差不到 2 分
- **对比**：Artificial Analysis 智能指数 — Fable 5.1 53.4 vs GPT-6 Astra 52.8 vs Opus 5 50.7，榜首只领先半分~2 分
- **已饱和**：SWE-bench Verified 上 Opus 5 96% / GPT-5.6 Sol 96.2% / Fable 5 95% 挤成一格，老基准基本刷爆
推荐理由：对开发者/普通人现在该怎么选：既然前几名分数差不多，就别再为『榜首』多付钱。日常编码/agent 任务优先按『每分成本 + 延迟 + 你工具链的适配度』来挑，能省一大截 API 费而效果几乎无差；只有真正长链条、高难度的工程任务（SWE-bench Pro 这类），才值得上榜首那一档。更深一层的判断是：模型这层的红利见顶了，接下来把钱和精力投在『怎么用好它』（编排、上下文、工具链）比追新模型回报高得多。
#07
digitaldefynd.com
Article
NEW
农业 AI 落地实测：FarmAgain 服务 3500 农户、单个椰农产量翻倍，Agripilot 甘蔗田增产 40%、省水 30%
轮到农业这个常被忽视的垂直，今年拿出了实打实的账本。印度泰米尔纳德邦的 FarmAgain 用『传感器 + 太阳能控制 + 手机管理』做中小农场的精准种植，按土壤墒情自动决定灌溉与施肥，已铺到 3500+ 农户、4000 英亩，有椰农采用后产量翻倍，平台一年省下 40 万立方米水和 17.5 万度电。Agripilot.ai 跑在 Azure 上，把 IoT 传感、卫星影像和历史田块记录实时合成灌溉/施肥/防虫/收割决策，用自然语言界面交付，商业规模上做到增产 40%、省水 30%。行业整体上，用 AI 精准农业的农户普遍报告增产 15–20%、省水最多 35%、农药投入最多降 90%。
另有 2 家信源报道
展开详情
- **FarmAgain**：3500+ 农户 / 4000 英亩，椰农产量翻倍，年省水 40 万 m³、省电 17.5 万度
- **Agripilot**：商业规模增产 40%、省水 30%，用自然语言界面把多源数据合成田间决策
- **行业面**：AI 精准农业普遍增产 15–20%、省水最多 35%、农药投入最多降 90%，30% 年复合增速
推荐理由：对普通人的机会：农业 AI 证明了一件事——最赚钱的 AI 落地往往不在硅谷，而在别人嫌『土』、嫌麻烦的传统行业里。这些方案技术上并不玄乎（传感器 + 现成模型 + 一个说人话的界面），难的是懂农户、懂当地作物、能把系统真正装到田里跑通。如果你身边就有农业、养殖、加工这类传统产业，把现成 AI 能力做本地化落地（选对作物、配好硬件、教会农户用）就是一门有真实付费的生意——门槛不在模型，在『你懂这个行业』。
商机信号（加速）：谁付钱：中小农场主与种植/养殖合作社——已有 FarmAgain 3500+ 农户付费采用、增产省水账本清晰，付费意愿被验证 痛点：凭经验灌溉施肥、水肥浪费、看天吃饭，请农业专家太贵、通用农业软件又不懂本地作物与地块 切入点：锁定一个地域 + 一种高价值作物（如某产区柑橘/葡萄/茶），做『传感器选型 + AI 灌溉施肥顾问 + 农户培训』的本地化落地服务，按季或按亩收费，先跑通一个村再复制
#08
getperspective.ai
Article
NEW
1500 位 FDE 大调查：落地能力成 AI 最稀缺岗位，企业最缺『能把模型送进业务』的人
Perspective AI 对 1500 位前向部署工程师（FDE）做了普查，把这个正在爆火的岗位画像讲清楚了：FDE 站在『AI 产品飞速迭代』和『客户环境一团乱麻』的交界处，负责把模型能力真正塞进客户的遗留系统、碎片化数据和高风险业务流里，交付可验证的结果。核心方法论是一条龙——工作流梳理、AI 工程、系统集成、安全、生产部署、上线后调优，全在客户现场完成。报告点出的关键判断是：企业 AI 的真正难点从来不是『证明模型行』，而是『让模型在真实业务系统里跑通』——成功的 POC 一遇到遗留应用、碎片数据和生产负载就容易卡死。OpenAI、Anthropic、Databricks 等如今几乎完全依赖 FDE 把基础模型安全地适配到客户的专有数据上；组织形态分化出 pod-per-account、垂直 pod、按产品矩阵三种。
另有 2 家信源报道
展开详情
- **真难点**：企业 AI 的瓶颈不是模型行不行，而是能否塞进遗留系统/碎片数据/生产负载——POC 死在这一步
- **方法论**：工作流梳理→AI 工程→系统集成→安全→生产部署→上线调优，全程在客户现场一条龙交付
- **谁在抢**：OpenAI/Anthropic/Databricks 几乎全靠 FDE 落地，组织分 pod-per-account/垂直 pod/产品矩阵三型
推荐理由：对普通人的机会：这是当下 AI 时代最被低估的高价值路径——不造模型，只做『最后一公里』的落地交付。它要的能力恰恰是很多资深工程师已有的：懂系统集成、会啃遗留代码、能跟业务方沟通、扛得住生产环境的脏活。你不必进大厂，凭这套能力就能给中小企业做 AI 落地的独立顾问/接单：帮客户把某个模型能力接进他们现有的 ERP/CRM/工单系统，按项目收费。模型越通用，这种『把它送进真实业务』的人越值钱。
商机信号（加速）：谁付钱：手握预算却卡在 POC 的中大型企业，以及一线 AI 厂商——都在高价抢能把模型落进真实业务系统的人 痛点：买了/试了 AI 但进不了生产：遗留系统对接不上、数据碎片化、安全合规过不了，内部团队又没人扛得动落地 切入点：以独立 FDE/落地顾问身份切一个你熟的行业，专做『把某类 AI 能力接进客户现有系统 + 上线调优』的项目制交付，先靠一两个标杆案例立口碑再复制
#09
indiehackers.com
Article
值得关注
NEW
单人做到 125 万美元年营收：Zigpoll 靠死磕『电商调研』一个细分跑通现金流
一个技术型单人创始人把 Zigpoll——一个嵌入电商网站的顾客调研/投票工具——做到了约 125K 美元月经常性收入、约 150 万美元年化，全程没有联合创始人、没有融资、没有销售团队，自己用代码编辑器（不是砸钱）写出第一版。2026 年初 ARR 约 103 万，半年内爬到 150 万 run rate。他复盘的核心不是产品多花哨，而是『死磕对的细分』：不贪大而全，把一个具体人群（电商店主的购后调研/流失洞察）服务到极致。这条路正是当下小微现金流最扎实的样板——不追爆款，把一个别人嫌小的垂直缝隙做深做透。
另有 1 家信源报道
展开详情
- **一个人**：无联合创始人/无融资/无销售，自己写第一版，做到约 125K 美元 MRR、150 万美元年化
- **做深不做宽**：锁定电商店主的购后调研这一个细分，服务到极致，而非追求大而全的通用工具
- **慢即是快**：从 103 万 ARR 到 150 万 run rate 用了半年，靠复利式深耕而非烧钱冲量
推荐理由：对想挣现金流的普通人意味着：单人靠一个细分微 SaaS 做到七位数年营收，今天完全可行，且门槛比想象中低（技术型创始人自己就能写出 MVP）。关键不是找一个大市场，而是找一个你能服务到极致的小人群——把一个别人嫌小的具体痛点（某类店主/某个工种/某条流程）做深，比什么都做一点强得多。AI 只会把这条路走得更快：MVP 更快出、支持/内容/运营都能交给 agent，让你能长期一个人扛住一门稳定生意。
My Take：评分（5=最优）：最快成交 3 / 最低成本 4 / 可复制 4 / 风险安全度 4。样板价值高：证明『单人 + 一个细分 + 深耕』能到七位数年营收，可复制性强但需要你自己找准那个能服务到极致的小人群。
商机信号（成熟）：谁付钱：中小电商/独立站店主——愿为『搞清顾客为什么不买/流失』的嵌入式调研工具按月付费（Zigpoll 已验证百万级年营收） 痛点：有流量没转化，却不知道顾客卡在哪、为什么走；通用问卷工具不贴电商场景、装起来麻烦 切入点：别正面刚 Zigpoll，切一个更窄的缝隙——如某电商平台（Shopify/某独立站建站商）专属、或某品类（美妆/家居/DTC 订阅）定制的购后调研微 SaaS，做深一个类目再横向复制
仍在热榜 1