整理一些我平时常用的 Vibe Coding 利器：
Cuelume 给网页添加交互音效的轻量声音库，内置 14 种实时合成的提示音
Paper Shaders React Shader 组件库，可以直接使用纸张纹理、液态金属、网点、渐变和噪声等效果
21st.dev 收录 12,000 多个 React 组件、模板和 shadcn 主题，复制 Prompt 就能让 Agent 写入项目
Deck Gallery 演示文稿灵感图库，涵盖 Pitch、品牌规范、报告和作品集等类型
Brand Archive 历史与当代品牌视觉资料库，可以查找 Logo、字体、配色和应用案例
The Index 收录全球设计工作室、设计师和字体厂牌，适合寻找合作对象和视觉参考
Refero Styles 收录 2,000 多套产品网站的设计系统，并整理成 AI 可读的 DESIGN.md
Taste Lab 可以从任意网站反向提取设计品味的 Skill，并生成 Design Map 和 Taste DNA
「工具是一个过程：用大小形状都合适的物体，以最有效的方式完成工作。」
🤖
Access to Tools
26
26分享值得使用和关注的有用工具
Claude 封号是一件非常让人头疼的事情，所以我几乎没用过它。
我是通过 Codex 自建了一套 Personal Agent Harness，来实现了强于标准版 Claude Code 非常多倍的效果。
分享一下我的配置：
1️⃣ 客户端用 Codex，大部分任务模型用 gpt-5.5，和朋友一起共用 200 美金/月的会员。
2️⃣ 不得不说 Claude 的模型确实好，所以把中转站的 API 接口封装成了一个 Skill，调用 Claude 模型写在 Script 那个部分。
这样，就可以部分任务让 Codex 调用 Claude 的模型来完成，比如写作和前端设计类的任务。
Token 消耗费用可控，同时没有啥封号风险。
3️⃣ 自己研究发现 Kimi-Code 的视频分析与处理能力明显强于 Codex，所以用 Kimi-Code 来处理视频。
但是我的所有 Harness 都在 Codex 上，并不想迁移，所以把 Kimi-Code 封装成了 Codex 上的一个 Agent Skill，需要调用的时候直接在 Codex 客户端调用。
发现并不会多花多少 Token，还在 0 迁移成本的情况下用上了 Kimi-Code 的视频分析能力。
4️⃣ 记忆引擎用的是 OpenViking，也是把这个开源项目封装成了一个 Agent Skill，这样记忆也是在第三方的库里存着，不会和 Codex 绑死。
5️⃣ 在 Codex 上装了飞书 CLI，所有重要的产出、需要协同的产出必出一份飞书文档，并沉淀在对应的飞书知识库中。
同时，通过定时任务的方式，主动更新和维护项目管理表格，并且帮我排好飞书日历，让我在对应时间干对应的工作。
属于是 AI 摁着我的头干活了。
6️⃣ 定期更新 Agent.md（Codex 的自定义指令），明确告诉它写内容的时候遵循什么规则，有哪些 Skill 可以用；写代码的时候遵循什么规则，有哪些 Skill 可以用；
以及当我给出反馈时，需要怎么用@Alchian花生 做的「达尔文 Skill」来完成自我迭代迭代；
当有重要产出时，自动沉淀到飞书的某个对应知识库下。
这些规则写得清清楚楚明明白白。
7️⃣ 在 Codex 上配了一堆定时任务，其中比较有用的是，每天晚上十一点半，自动查看我当天开的所有会议。
如果会议里有关键信息，写进记忆；
如果会议里有新的项目要立项，或者已有项目下有待办，写进《项目 & 任务管理表》；
如果会议中有精彩的洞察，自动调用我的内容生产 Skill（用我自己的即刻的内容风格训练出来的），写成初稿，我第二天安排排期发布。
这么一套配置下，相当于以 Codex 客户端为中心，把其它有用的一切都作为 Codex 的插件，就不怎么需要动不动折腾新的 Agent 产品了。
同时，保留了很强的主体性，把 Agent 客户端、记忆引擎、知识库与日常效率工具、模型、Agent Harness 在能丝滑互相调用的同时，让其又相对独立。
但凡 Codex 不行了，或者有明显好于 Codex 的产品出现，我的知识库、记忆、Skill、Session（对话记录）全都能一键迁移，不会被任何产品绑死。
有没有朋友对其中哪部分细节感兴趣？
我可以单独起一篇文章 & 录一个视频来展开写写。
很喜欢最近下载的 VibeIsland！
作用是在 CC 完成 Coding 后会在顶部提醒，是很有灵气的小应用！
https://vibeisland.app/
今天推荐一个我高强度使用而且一定离不开的好工具。
https://surge.sh/，一个部署静态网页的工具，有几个值得说的优点。
1. 无限且免费
2. 自定义 domain
3. 是命令行工具所有可以直接让claude code或类似工具直接帮你使用
4. 其部署的网页不需要科学上网就可以访问
5. 不依赖github账号，即使纯粹的小白不掌握git也可以使用
@Ulshké 刚好问到在用什么 blog 平台，也发一下社区推荐！是做「沉浸式翻译」的 Owen 捣鼓的新平台 Jant：https://jant.me
以下来自 Owen 的分享：
介绍：https://www.owenyoung.com/jant
示例：
Owen 的博客： https://www.owenyoung.com
朋友的：
https://mlyz.me/
https://sauman.jant.blog/
https://luxi.blog
https://notes.darylam.com
https://thread.yitianyigexiangfa.com
https://www.afan.wiki
https://jopuslee.com
https://createmyself.jant.blog/
Hello，朋友们，在多 LLM 供应商环境下，API 格式差异带来的维护成本让人头疼。
我希望有一个统一的基础设施，让开发者和普通用户可以轻松地切换不同的 LLM 供应商，而无需关心 API 格式差异，但很可惜无论 AI SDK 这种开源产品还是 openrouter 这种商业产品，他们都只是做了统一出口，并不提供自由转换。
于是我花了 3 周时间开源了一个叫 Amux 的项目，它包含两个核心部分。
对于开发者，你可以使用 LLM Bridge，它是一个双向 API 适配器 NodeJS Package，可以在不同的 LLM 提供商格式之间进行双向、无缝转换。
它建立在三个核心概念之上：适配器（Adapters）、IR（中间表示） 和 桥接（Bridge）。目前我做了 OpenAI、Anthropic、DeepSeek、Gemini、Moonshot、Zhipu、Qwen 等 7 个主流大模型供应商的适配器，更多厂商适配器还在开发中。
你可以用这个核心 Package 来帮助你的 AI Agent 项目进行 LLM 供应商的切换，无需关心 API 格式差异，IR层做了丰富的处理，你也可以在这里接入统一的网关进行管理，方便我们的开发。
对于普通用户，你可以使用 Amux Desktop，它是一个开源桌面应用，使用 Electron 构建，它可以让用户轻松地配置、切换不同的 LLM 供应商，当你有一个供应商 API Key，你可以使用 Amux Desktop 来本地代理你的请求，并且可以将它转为任何主流厂商的 API 格式，从而一个厂商的 API Key 构建多个桥接双向代理，接入你的不同 Agent 产品。
我在 Amux Desktop 中集成了 CF Tunnel，你可以使用它来代理你的本地请求（内网穿透），从而实现跨设备、分享给朋友使用。
同时 Amux Desktop 还集成了 Antigravity、Codex 的多账号 Oauth 登录+代理池，你可以使用它来登录你的多个 Antigravity、Codex 账号，并将他们转出任何厂商格式的 API（即2API）。
你也可以在 Amux Desktop 中统一管理所有厂商的 API Key，监控他们的使用。
更多功能大家可以自行体验。
官网及 LLM Bridge 文档：https://amux.ai，欢迎大家查看，官网写的比较仓促，LLM Bridge 文档写的比较详细，但还没有仔细校对，有任何问题欢迎大家提出。
仓库地址：https://github.com/isboyjc/amux
Amux Desktop 下载地址：https://github.com/isboyjc/amux/releases
由于项目还在早期阶段，并且我个人业余时间有限，所以项目可能还存在很多问题点，欢迎大家使用和 star，也欢迎大家提出建议和反馈（Issues 或私聊都可以），如果有开发能力和兴趣也可以参与进来，添加更多的厂商适配器 Package，或者参与 Amux Desktop 的开发（PR 或者 Issues），从而一起完善这个项目。
注：客户端我只测试了 MacOS，Windows、Linux 版本大家可以自行安装测试，欢迎反馈。
感谢大家的支持！
一篇最新的论文通过大量实验来验证什么时候多智能体系统（MAS）比单智能体（SAS）更好。
文章对比了 SAS 基线以及四种 MAS 架构：
- 中心式：由一个中心 agent 进行任务协调；
- 去中心式：agent 之间直接通信；
- 独立式：多个 agent 独立解决任务，最后统一结果；
- 混合式：同时有中心 agent 和 p2p 通信。
并在 6 个 benchmark 上进行实验：
- Finance Agent：金融分析；
- BrowseComp-Plus：网页搜索；
- WorkBench：现实工作场景任务；
- SWE-bench Verified：软件工程任务；
- Terminal-Bench：终端任务；
- PlanCraft：游戏规划。
主要结论如下：
1. MAS 没有普遍优势，在不同 benchmark 上的结果极其分化，在 Finance Agent 上可以达到 80.8% 的提升，而 PlanCraft 上会导致 -70%～-39% 的负收益。
2. SAS 基线的表现是判断是否应该使用 MAS 的最有用的标准，当 SAS 已经足够强时，继续加入 agent 很可能带来零收益甚至负收益，而实验得出的成功率阈值是 45%。
3. 任务的可拆解性和复杂性共同影响 MAS 效率。MAS 在可拆解的任务中可以获得很大收益，但在高复杂度的线性任务中往往会导致退化。
4. MAS 会导致错误信息的传播进而影响表现，不同 MAS 架构对于错误传播的阻断效果不同，中心式架构最能阻断错误传播，而独立式架构最难阻断错误传播。
这篇论文还有很多有意思的结论，我就不一一列举了，感兴趣的小伙伴可以去看原文，原文做了大量的实验和严谨的检验。
原文链接：https://www.nature.com/articles/s42256-026-01268-y
第一次做这种内容感觉很粗糙，后续我会再发布一些多智能体系统以及智能体自进化相关的内容。
被封的原因找到了
https://fuck-claude.vercel.app/
《当我用reverse engineer了200家AI startup之后》
medium上一个作者深入调查了200家AI创业公司发现: 73%拥有“自研 AI 模型”的公司其实都是在调用第三方API，aka套壳。
被研究的公司的成立时间均大于6个月以上，拿到外部融资，来自YC, product Hunt, 以及领英上正在招人的公司。
结果belike:
1. 73%宣称自有模型的公司都是chatGPT和claude的换壳包装
2. 42家公司用的技术栈几乎一样
3. 只有7%的公司真正训练了自己的模型
快速剥壳一家公司：
1. 检测网络流量：例如：api.openai.com 或者 api.anthropic.com
2. 看响应延迟：200-350ms 是 OpenAI 的典型响应模式
3. 查javascript bundle： “openai”、“claude”、“sk-proj-” 等关键字
4. 看营销：模糊的“先进 AI”描述约等于redflag
之前在海外获客的时候，一天能评论20条。高度依赖chatgpt复制粘贴，我说中文，然后它帮我翻译，我再复制过去。
这样搞下去，英文能力还是原地踏步，相当于在做机械的重复劳动。于是，我就想到，这种每天都需要完成的工作任务本身就是绝佳的练习英文表达的好机会。反正我每天都要输出英文，为什么不试着自己用英文想呢，不会的地方直接敲中文。只要有足够多的do-feedback反馈循环，基础再差也能很快练出来。
于是这个inlinecoach诞生了，帮你完成工作的同时，让你真的自己掌握英文能力。任意输入框内写英文，中英混杂也ok。敲一下ctrl \，弹出完整的地道英文版本，点一下可以复制，底下是对你错误的指导。
https://inlinecoach.brady-zhang.com/ 永久免费，每月100次。愿意加我微信填一个用户访谈问卷的，我会赠送一个月pro。
Mobbin 发布 MCP 了！
https://mobbin.com/settings/mcp