与其由我自己来维护记忆，不如让Agent记住更多
作者分享了为Agent做知识管理的痛点：Skill无法跨项目迁移，知识库虽大但Agent无法自主利用，导致作者需要人工替Agent维护记忆。作者介绍了Alloomi产品，其通过三层架构（记得住、学得会、实践）实现Agent的自进化，并开源了OpenContext工具。作者希望未来的Agent产品能具备自进化能力，帮助用户组织底层记忆。
相关文档
每个人都有 AI 助手之后，团队还需要一个团队助理
文章探讨个人 AI 助手普及后团队协作面临的新问题：每人拥有 AI 不等于团队更聪明，因为各自 AI 上下文分散。作者引入 Team OS（团队操作系统）概念，将其抽象为 Context、Instructions、Skills、Connections、Governance 五类能力，并以 DoorDash 等团队实践为例，说明如何用共享 Repo、PR 审核机制建设团队助理。文章强调团队知识不再必须经由 PM 中转，AI 能力正在从个人资产转变为团队资产，建议从真实场景小范围起步，让团队助理从实际工作中生长出来。
如何为知识工作构建 Agentic 系统
文章探讨如何为智能体（Agent）构建知识工作系统。作者认为需要三点：持久化的知识与工作上下文、契合个人工作方式的系统、可复用的基础。提出“知识系统”概念，整合领域对象、证据、工作方法、进行中的工作和界面。介绍其开发的本地优先框架 ars umbris：agent repo 将类型化 Markdown 知识、Agent 能力（skills、MCP 工具）和界面捆绑在一起，仓库间可像代码包一样相互依赖。核心思想是让知识库像代码库一样工作，具备类型系统、诊断、包管理等机制，让编码 Agent 将其代码能力迁移到研究和企业经营等知识工作领域。
ima 知识库内置 Agent 与 Skills 功能完全使用指南
本文详细介绍了腾讯 ima 知识库的完整使用教程，涵盖界面概览、知识库创建（个人库/共享库）、8种资料导入方式（本地文件、网页、公众号、微信文件、录音转写等）、基于知识库的 AI 问答与多模型选择、文档解读翻译、笔记创作与双向链接、Copilot 智能体记忆配置、算力购买，以及知识号开通、Skill 创建与 Skills 广场、MCP 外部服务连接等功能，是一份面向教师和知识工作者的保姆级操作手册。
Alloomi｜客户已经改到 V4，AI 还在执行 V1：Agent 需要的不只是上下文
本文通过一个广告片修改的实例，指出当前AI Agent在长期工作中的一个关键缺陷：无法区分旧要求与当前状态，导致执行过时指令。作者认为Agent的下一轮竞争不在于工具数量，而在于记忆、学习与执行三层能力。文章介绍了Alloomi的两份技术报告，分别对应Holistic Context（全域上下文）和Self-Evolving Agent（自进化智能体），并给出了多个基准测试结果，证明其在长期记忆、持续学习和真实任务交付上的优势。最终，作者强调AI应像人类同事一样，从项目经验中成长。
「自进化数字员工」是怎样炼成的？拆解 Alloomi 的三层技术路线
本文深入探讨了AI Agent从“记忆”到“学习”的进化路径，指出传统RAG方案在长周期业务中的局限性，并详细拆解了Alloomi提出的三层技术路线：任务层（Holistic Context）、脚手架层（MAPE控制环）和模型层（Self-Evolving Agent）。通过九项Benchmark验证，展示了该方案在长期记忆、持续学习和真实任务交付上的显著提升，提出了数字员工应具备“记得住、学得会、做得成”三类能力的观点。
利用 Auto-research 提升 Agent Harness 技能
本文介绍了 AI Agent 自我优化的新趋势：通过优化 Harness 层（即 Skills）而非模型本身来提升性能。作者详细介绍了名为 evo 的开源优化工具，它利用并行探索、树搜索和门控机制，自动对 Skills 进行实验和迭代。文章展示了在 SealQA 基准测试中，evo 将准确率从 5/20 提升至 11/20 的实战案例，强调了“模型能力 x 优秀的 Harness x 紧密的验证循环”这一杠杆公式的重要性。
Agent Skills 复利工程：你的烂笔记比代码值钱
文章介绍了“复利工程”的理念，即利用 Claude Code 等 AI Agent 审计个人技术笔记，自动提取出可复用的 Agent Skills。作者通过实战演示，将 200 多篇零散笔记转化为 4 个高优先级的自动化技能，从而将一次性解决问题的经验固化为系统永久能力，实现知识的指数级复利积累。
你可能不再需要 workflow，大部分场景 skills 足矣——五步框架把 Workflow 变成可进化的 Skill
文章通过对比传统 Workflow 编排与 AI Agent + Skills 架构，提出大部分场景下后者可以取代前者。作者提出了五步框架（拆分、编排、存储、分摊、迭代），并结合自身写作工作流演示了如何利用 Claude Code 的 Skills 功能构建可进化的自动化系统。文章还回应了关于稳定性、成本和门槛的三大质疑，指出 Skills 在灵活性、可维护性和自我迭代方面的显著优势。
我评估了 369 个 Claude/CodeX AI 视频与自动化剪辑开源项目
作者系统整理了 369 个开源仓库清单，聚焦于能让 Claude Code、Codex 等编程 Agent 实现视频生成、自动化剪辑与代码动效渲染的工具、Skill 和提示词库。文章收录规则强调视频/动效产出、专供 Agent 调用、完整文档三大标准，并打破高星滤镜。重点介绍了四大现象级框架：lemo-opuscar（59 种风格引擎）、huashu-art-motion（艺术动画）、huashu-motion（商业发布片）、sweety-handdraw-video（手绘口播流水线），以及自动化剪辑、代码直出成片、数字人与音乐 MV 等垂直领域的硬核项目，最后给出 2026 年 AI 视频生产工具选型决策表。
My AI Board of Advisors Make My Decisions
作者在 Claude Code 中构建了一个'Roast Room'，用基于 Jeff Bezos、Warren Buffett、Alex Hormozi 等知名企业家公开资料塑造的 AI 顾问委员会来辅助商业决策。每位顾问拥有独立的 agent 文件和'大脑'资料库（包含决策规则、框架、立场和故事），各有不同的审视视角。用户给出决策、备选方案和背景，顾问们相互辩论并输出可下载的结论 PDF。作者还开发了 New Roaster 技能来快速添加新顾问（如 Elon Musk），会话记录保留在本地文件中便于事后审查。最终决策仍由作者本人做出。
My chief of SEO, claude code opus 5.5
作者分享了如何用 Claude Code 配合 Opus 5.5 将整个 SEO 部门自动化运营的实践经验。通过 ChatSEO MCP 提供数据智能层（Search Console、关键词量、实时 SERP、竞品分析），Claude Code 充当 SEO 总监负责规划与执行，人工只审批涉及线上页面的改动。文章给出了 6 个可直接安装的 Skill 文件，涵盖：聚焦商业意图的关键词模式挖掘、一关键词一页面避免自相蚕食、对标 SERP 前三名构建页面等内容，并强调了防止 AI 编造数据等实操细节。
很多提示词和 Skill，其实都已经过时了
作者基于 Anthropic 工程师删除 Claude Code 80% 系统提示词却无性能损失的事实，反思提示词与 Agent Skill 的实践方法。提出提示词不是八股文，应聚焦任务三要素（目标、规则、完成标准），减少角色铺垫和冗余规则，多给思考方向而非僵硬示例，并设定明确验收标准。关于 Skill 沉淀，强调只有高频且流程稳定的任务才值得做成 Skill，要写入独特经验而非通识废话，严格控制单一职责与边界，主文件精简并渐进式加载，且必须内置自检环节形成质检闭环。
