Hall of Fame
Hall of Fame
Track
Type
Source
9月15日
今日趋势综述
模型这层在肉眼可见地收敛——顶级编码 agent 挤在两三分内、开源模型逼近前沿；真正拉开差距的，是把 skills/上下文工程好、把 agent 送进真实工作流的能力。
今天的信号：模型在收敛，价值往'skills + 落地'上迁移
把今天几条串起来看，会发现一个清晰的方向：模型能力这一层正在快速收敛。Terminal-Bench 4.0 上顶级编码 agent（GPT-6 Astra、Claude Fable 5.1、Opus 5）挤在 6 分之内，开源侧 Qwen3.8 Max、GLM-5.3、DeepSeek V4 Pro 也一路追到前沿身后、还能自托管。当'谁的模型更强'越来越难分高下，竞争就整体上移到了另外两层：一是怎么把能力组织好，二是怎么把它送进真实工作流。
今日新增 7
#02
GitHub
Repo
★ 2.3K
NEW
mgechev/skills-best-practices
如果说上周 UC Irvine 那篇『99% 的 SKILL.md 至少带一个缺陷』暴露了问题，这个仓库给的是解法。它把写 skill 这件事从『随手写段说明』提升成一门有规范、能校验的工程：名字和描述要为 agent 路由而优化、主文档要瘦、步骤要可执行、脏活要沉进脚本、写完还要用 LLM 跑一遍验证。渐进披露这套做法据实测能把初始上下文占用砍掉约 94%，直接决定 skill 能不能被 agent 正确发现和调用。当 skills 生态从『能用』卷向『好用』，这类方法论仓库就是普通人上手的最短路径。
另有 2 家信源报道
展开详情
一份系统的『怎么写专业级 agent skill』的方法论仓库：规定 SKILL.md 元数据结构，强调用『渐进披露』控制上下文（主文档控制在 500 行内，只在需要时加载细节），主张用『第三人称祈使 + 步骤编号』而非散文式描述，把重复操作固化成经过测试的确定性脚本（Python/Bash/Node）防止 agent 乱编逻辑，并给出一套用 LLM 自己做四步校验（发现→逻辑→边界→架构）的评测流程。是一份把 skill 当代码来工程化、而不是当文档随手写的指南。
周增长：本周在 claude-code-skills / agent-skills 话题下热度靠前；作者 Minko Gechev（前 Angular 核心团队、Google 工程师）背书，社区认可度高
- **渐进披露**：主文档控制在 500 行内、按需加载细节，实测可把初始上下文占用砍掉约 94%——这是 skill 能否被正确路由的关键
- **脏活沉进脚本**：把重复/易错的操作固化成经过测试的 Python/Bash/Node 脚本，避免 agent 每次现编复杂逻辑而出错
- **LLM 自校验**：给出四步（发现→逻辑→边界→架构）用 LLM 自己评测 skill 的方法，写完就能验，而不是上线才踩坑
推荐理由：对普通人的机会：会写 skill 正在变成一项可迁移的硬技能，而写好 skill 是有明确套路的。把这份方法论吃透——描述为路由优化、上下文做减法、逻辑沉进脚本、写完用 LLM 验一遍——你就能把自己某个工种的 know-how 打包成高质量 skill：既能自用提效，也能作为作品立人设、甚至做成行业定制 skill 包对外接单。在人人都会用 AI 的时代，『会把专业知识工程化成 skill』是拉开身位的元技能。
#03
GitHub
Product
NEW
Switch（把任意 AI agent 接进团队聊天）
Switch 是 SandboxAQ 开源的一层『协作基础设施』：把用 Claude Code、Google ADK、LangChain、OpenAI 工具等各种框架做的 agent，直接接进 Slack、Teams、Discord、Telegram、Mattermost 这些团队本来就在用的聊天工具里。agent 以『具名参与者』身份进频道，和人共享同一份上下文、资源和历史，SandboxAQ 把这种共享空间叫『room』——参与者进出、任务交接时上下文都不丢。约 617 星、Product Hunt 512 票，Apache 2.0 + Commons Clause、可自托管、模型与框架无关。它押的是：企业不缺 agent，缺的是让 agent 和人在同一个地方协作的通道。
另有 2 家信源报道
展开详情
- **接进现有工具**：不逼团队换工具，把 agent 塞进 Slack/Teams/Discord/Telegram/Mattermost，agent 作为具名成员和人同处一个频道
- **框架/模型无关**：Claude Code、Google ADK、LangChain、OpenAI 工具做的 agent 都能接，开源可自托管，避免绑死某家
- **共享上下文的 room**：把频道变成人和 agent 共享上下文、资源、历史的工作空间，参与者进出/交接时上下文不丢
推荐理由：对普通人的机会：agent 的『最后一公里』不是造更强的 agent，而是把它接到人真正干活的地方。Switch 这种『协作层』开源出来，意味着你不必自建集成，就能围绕它给具体行业做落地——比如给某类中小团队把他们的客服/运营/研发 agent 接进他们的 Slack 工作流，配好权限、话术和交接规则，按项目或月费收钱。真正稀缺的从来不是 agent 本身，而是懂业务、能把 agent 缝进团队日常协作的人。
#04
codingfleet.com
Article
NEW
Terminal-Bench 4.0 独立榜单：顶级编码 agent 挤在 6 分内，选型早该看『任务×成本』而非榜首
Terminal-Bench 换到更难的 4.0 大版本后（专测 agent 端到端驱动终端干活，与 SWE-bench 的『修 bug』角度不同），最新榜单是：GPT-6 Astra 58.2%、Claude Fable 5.1 57.9%、Claude Opus 5 51.8%、GLM-5.3 41.8%。头两名只差 0.3 分，前三名也就 6 分出头的差距——这和之前 SWE-bench Verified、SWE-bench Pro 上『前几名挤成一团』的读数完全一致。注意 TB 4.0 的分数与旧版 2.1（当时 GPT-5.6 Sol 91.9%）不可直接比较，是难度重构后的新标尺。结论不是『谁第一』，而是顶端选手的能力差已经小到，选型该回到你的具体任务类型和单位成本上。
另有 2 家信源报道
展开详情
- **对比**：Terminal-Bench 4.0 上 GPT-6 Astra 58.2% vs Claude Fable 5.1 57.9% vs Claude Opus 5 51.8% vs GLM-5.3 41.8%——前两名只差 0.3 分
- **版本不可比**：TB 4.0 是难度重构后的新标尺，分数不能和旧版 2.1（GPT-5.6 Sol 91.9%）直接对比，看榜先看版本号
- **开源在追**：闭源第一梯队挤在 58 分附近，开源的 GLM-5.3 已到 41.8%，差距在缩小、且能自托管——成本敏感场景多了真选项
推荐理由：对普通人/开发者的机会：别被『谁刷新榜首』牵着走。TB 4.0、SWE-bench 等多个独立榜单都指向同一件事——顶级编码 agent 的能力差已被压到几分之内。真正该练的是『分层选型』：把大量常规编码任务交给便宜够用的模型（含开源自托管），只在真正难的长链路任务上切到最贵的旗舰。会按『任务难度×单位成本』给模型分档路由，比死磕某个榜首模型能省出一个数量级的账单。
#05
ifactoryapp.com
Article
NEW
制造业 AI 落地实测：Intel 一个视觉质检站年省 200 万美元、BMW OEE 提升 22%，行业中位回本约 14 个月
制造业的 AI 已经从『试点』走到『投产』，而且开始有可核对的数字。几个具体案例：Intel 公开披露单个 AI 晶圆视觉质检站一年省约 200 万美元（一个站、一条产线）；一家电子厂把缺陷漏检率从 2.3% 压到 0.1%，一年砍掉约 180 万美元质保成本；BMW 记录到 AI 产线站点 OEE（整体设备效率）提升 22%、缺陷下降 30–40%。行业侧的汇总读数是：AI 投资平均 ROI 约 200%，光预测性维护就把非计划停机降 30–50%，视觉质检缺陷识别率做到 99%+，遵循分阶段实施的工厂中位回本期约 14 个月。领先厂商靠的正是这套已投产的量化结果，把自己和还在用被动摄像头+人工巡检的同行拉开商业身位。
另有 2 家信源报道
展开详情
- **单点即回本**：Intel 一个 AI 晶圆视觉质检站年省约 200 万美元；某电子厂缺陷漏检 2.3%→0.1%、年省约 180 万美元质保
- **整线提效**：BMW 记录 AI 站点 OEE 提升 22%、缺陷降 30–40%；预测性维护普遍把非计划停机降 30–50%
- **回本可算**：行业汇总 AI 投资平均 ROI 约 200%、视觉质检缺陷识别 99%+，分阶段实施的工厂中位回本期约 14 个月
推荐理由：对普通人的机会：制造业 AI 的红利集中在『看得见摸得着的单点』——视觉质检、预测性维护、缺陷追溯，每一个都能算出省了多少钱、几个月回本。中小工厂普遍看到了大厂的数字却没有内部团队落地。如果你能把某一个环节（比如某类产品的视觉质检）用现成模型+摄像头跑通，做出一个可复述的降本数字，就能按『建置费+月费』复制给同城同类工厂。切口越窄、ROI 越好算，越容易成交。
#06
mindstudio.ai
Article
直接可用
NEW
把一个 AI 工作流做成包月服务：给会计所做『文档分拣』，$500→$800/客户，跑通再复制
这篇复盘记录了一批从 2.5 万美元 ARR 副业到 270 万美元 ARR 公司的 AI 自动化生意，共同套路是『把一个具体工作流产品化成包月服务』。最典型的是 Marcus：他只做一件事——给小型会计师事务所做『AI 文档收单+自动分类』的工作流，起步不收建置费、按每客户 $500/月，服务满前 5 家后涨到 $800/月。更普适的定价结构被反复验证：冲前 2–3 万美元月收入时，用『一次性 $1.5–5K 建置费 + $500–2K/月维护费』的组合，先签下同行业头几个客户，再横向复制。关键不在技术多先进，而在于选一个『卡钱又费人』的窄环节，做成开箱即用、不用销售电话就能买的产品化服务。
另有 2 家信源报道
展开详情
- **窄环节切入**：Marcus 只做会计所的『AI 文档收单+分类』一个动作，按客户 $500/月起步，满 5 家后涨到 $800/月
- **可复制定价**：冲前 2–3 万美元月收入用『一次性 $1.5–5K 建置费 + $500–2K/月维护』组合，先签同行头几家再横向复制
- **产品化交付**：做成不用销售电话、下单即用的包月服务，而不是卖工具账号——把 AI 的结果打包卖，而非把工具转售
推荐理由：对想挣现金流的普通人意味着：不用发明技术，选一个你熟悉行业里『既卡钱又费人』的重复文书环节（收单、分类、对账、初审），用现成 AI+无代码拼成一个工作流，做成包月的『代劳服务』。先服务 3–5 家同行、跑出一个可复述的省钱/省时数字，再照抄给同类客户。Marcus 的关键教训有两条：一是切口要窄到能一句话说清、ROI 能算，二是卖『做好的结果』而不是『工具使用权』。
My Take：评分（5=最优）：最快成交 4 / 最低成本 5 / 可复制 4 / 风险安全度 4。选一个熟悉行业的窄文书环节做成包月代劳服务，现成 AI+无代码即可起步，先跑 3-5 家再复制。
商机信号（加速）：谁付钱：被重复文书拖住、又养不起专职技术的小微机构：小型会计所/律所/诊所、地区电商、本地服务商——他们已看到 AI 能省人，但没人能把它接进自己的流程 痛点：收单/分类/对账/初审这类环节每天吃掉大量人工却又必须做，请全职太贵、通用 AI 工具他们自己又不会配、配不到自家业务里 切入点：锁定一个你熟的垂直，把其中一个『卡钱又费人』的文书环节用现成 AI+无代码做成开箱即用的工作流，以一次性建置费 + 月度维护费签下同行头 3-5 家，跑出可复述的降本数字再横向复制
#07
arXiv
Paper
NEW
Meta Context Engineering via Agentic Skill Evolution
论文指出，现在的上下文工程（CE）大多依赖人手工搭的固定套路——僵化的『生成-反思』流程、写死的上下文模板——这些结构性偏见把优化空间限制得很窄。MCE（Meta Context Engineering）的做法是引入一个『元层 agent』，通过对历史 skill、它们的执行与评测结果做『agentic 交叉』（一种在技能历史上做的深思熟虑式搜索），自动进化出更好的上下文工程 skill；底层 agent 再执行这些 skill 去优化上下文（以文件和代码的形式）。实测相对最强的现有 agentic CE 方法，平均相对提升 16.9%、最高到 53.8%，同时在上下文使用效率、可迁移性上都更好。它把『怎么喂模型』本身也变成了可以被 agent 自动优化的对象。
把『上下文工程』从人手写死的固定流程，升级成让 meta-agent 自己进化 skill 的可搜索空间，相对现有 SOTA 的 agentic 上下文工程方法平均提升 16.9%（最高 53.8%）——ICML 2026 收录。
另有 2 家信源报道
展开详情
- **问题**：现有上下文工程靠人手写死的流程和模板，结构性偏见大、优化空间窄，做不动更复杂的任务
- **方法**：引入 meta-agent，通过对历史 skill/执行/评测做『agentic 交叉』自动进化上下文工程技能，底层 agent 负责执行
- **结果**：相对最强现有 agentic CE 方法平均提升 16.9%、最高 53.8%，且上下文效率与可迁移性更优（ICML 2026）
推荐理由：对普通人的机会：这篇论文的信号是——『上下文工程』正在从一门手艺变成可被自动化的对象，但恰恰因此，理解它底层规律的人更值钱。短期看，手写高质量 skill、会做上下文工程仍是稀缺技能（参见今天 mgechev 那份方法论）；长期看，谁能把『让 agent 自己优化 skill/上下文』这套 meta 能力用起来，谁就能把一个人的产能再放大一档。值得把它当成 skills 工程的下一站来跟。
#08
morphllm.com
Article
NEW
开源权重模型逼近前沿：Qwen3.8 Max 71.6 领跑开源、DeepSeek V4 Pro 拿下 SWE-bench Verified 80.6%（还能自托管）
把几张开源权重榜单放一起看，前沿和开源的差距正在被填平：按当前开源权重综合分，Qwen3.8 Max 以 71.6 领跑，GLM-5.3 68.4、GLM-5.2 68.1 紧随；编码上，DeepSeek-V4-Pro 在 MIT 许可下把 SWE-bench Verified 做到 80.6%，GLM-5.2 是最强 MIT 模型（SWE-bench Pro 62.1%），Qwen3.6-27B 用 27B 稠密体量拿到 77.2%；Kimi K3 则在 Terminal-Bench 2.1 上到 88.3、编码指数 76.2。在 Artificial Analysis 智力指数上，GLM-5.3（最大算力档）以 45 分居开源权重之首。这些模型大多可下载自托管，许可从自定义到 MIT/Apache 2.0 不等。对成本敏感、或有数据合规要求、不想被 API 绑死的团队，第一次有了『够用又能自己掌控』的真选项。
另有 2 家信源报道
展开详情
- **对比**：开源权重综合分 Qwen3.8 Max 71.6 vs GLM-5.3 68.4 vs GLM-5.2 68.1；编码上 DeepSeek-V4-Pro（MIT）SWE-bench Verified 80.6%
- **小体量也能打**：Qwen3.6-27B 用 27B 稠密拿到 77.2%，意味着更低显存/成本也能跑出接近前沿的编码能力
- **自托管+许可友好**：多数可下载自托管，GLM-5.2 为最强 MIT 模型、DeepSeek V4 Pro 也走 MIT——数据合规/成本敏感场景有了真选项
推荐理由：对普通人的机会：闭源旗舰和开源权重的差距缩到几分之内，且开源可自托管、许可越来越宽松。这打开两条路：一是成本——把大量常规任务放到自托管的 GLM/Qwen/DeepSeek 上，边际成本趋近于电费；二是合规——医疗/法律/金融这类不能把数据发给外部 API 的场景，现在有了能私有部署又够强的模型。会挑开源模型、会本地/私有部署、会按任务在开源与闭源之间分流，是这轮降价里普通开发者能吃到的直接红利。
仍在热榜 1