dbskill 更新：/dbs-goal 把模糊愿望审计成可检查的目标
文章指出 AI 时代下，明确的目标优于技术工程。作者介绍了 dbskill 的新功能 /dbs-goal，旨在通过三道关卡（可指物性、可否证性、真终点）将模糊的愿望审计为可执行、可检查的具体目标，从而提升 AI Agent 的执行效率。
🔗 相关文档
10万 Star开源库 agency-agents 详解：给AI装上专家团队
文章深入解读了 GitHub 上的热门开源库 agency-agents。它并非独立的 AI 应用或平台，而是一套“AI 专家角色模板库”（Prompt 模板）。其核心价值在于将 AI 的角色标准化，通过定义前端、后端、产品经理等不同“工牌”，解决通用 AI 角色不稳定的问题。该库支持 Claude Code、Cursor 等多种工具，将 AI 从“泛泛聊天”转变为“专业干活”，是理解 Agent 工作流设计的优秀案例。
从 Claude Code 迁到 Codex，要关心的不止是配置
本文记录了从 Claude Code 迁移到 Codex 的过程。虽然 Codex 能自动识别并导入配置，但 Command 需手动改为 Skill，CLAUDE.local.md 也需单独处理。作者建议保留 Claude Code 用于深度推理，Codex 用于项目开发，无需二选一。
Claude 官方关于 Loop Engineer 的入门解读
文章介绍了 Claude 官方提出的 Loop Engineer 概念，该概念将现有的 Agent 工作流程进行了系统化梳理。文中详细讲解了四种 Loop 类型：回合制循环、基于目标的循环（GOAL 模式）、基于时间的循环以及主动循环。此外，作者还分享了关于代码库质量维护和 Token 消耗管理的优化建议，并提及了 Codex、Skills 和 Hooks 等相关工具。
别再乱装 Codex Skills 了，真正值得先装的是这几类
文章指出，使用 Codex Skills 不应像逛插件商店一样盲目安装，而应围绕核心工作流进行选择。作者推荐了三个安装阶段：第一阶段优先安装前端设计类（如 frontend-design）和浏览器验收类 Skill，以实现从“写页面”到“审页面”的闭环；第二阶段安装研究类（如 last30days）和内容类 Skill，用于产出高质量长文；第三阶段按需补全 Figma 和销售类 Skill。此外，作者建议通过自定义 AGENTS.md 来固化工作流程，提升 Agent 的执行稳定性。
万物皆可 Skill：如何基于 Codex 把任何内容变成可复用 AI 能力
文章提出了“万物皆可 Skill”的理念，指出高阶的 AI 使用方式应从临时性的提示词升级为可复用的 Skill（能力包）。文章详细阐述了 Skill 的本质（任务边界、流程、标准及失败处理）、与 Prompt 及 Workflow 的区别，并介绍了基于 Codex 构建 Skill 的标准结构、设计原则（如渐进披露）以及通过“元编程”视角实现 Skill 递归进化的方法。
Loop Engineering: 定义 AI 编程代理的未来
本文提出了“Loop Engineering（循环工程）”的概念，即从手动提示 Agent 转向设计自动执行的系统。文章探讨了构建循环的五个核心模块（自动化、Worktree、Skills、插件、子代理），并结合 Claude Code 和 Codex 两大工具，分析了如何实现 AI 编程任务的自主迭代与质量控制。
个人 Agent 搭建完整合集：从 Vibe Coding 到每天都在用的个人工作系统
本文是作者关于个人 Agent 搭建方法的完整合集。文章主张从零开始搭建个人系统（而非依赖现成框架）以掌握数据主权和进化主动权。作者详细介绍了从选择基座、配置环境，到运用“Vibe Coding”模式生成清晰 Spec、编写测试，再到通过双模型互审保证代码质量的完整工作流，并分享了具体的工具配置和实战经验。