作者是一名全栈工程师，为解决 XIAO nRF52840 缺少电池插座和物理开关的问题，尝试让 Codex 全程完成一块转接板的设计。Codex 直接创建和修改 KiCad 工程文件，完成了原理图、PCB 布局、器件选型和生产文件，最终生成 22mm×14mm 的 PCB 并交由嘉立创打板贴装。首版出现开关引脚判断错误和极性丝印标反的问题，作者通过万用表测量并将结果反馈给 Codex，用飞线修复成功。文章总结了 AI 与人在硬件设计中的分工边界，并宣布基于此经验开始做 Vibe Hardware 产品。
HeyPCB 发布 MCP 服务，让 AI Agent 具备硬件电路设计能力。文章演示了通过 Claude Code 使用 HeyPCB 完成从原理图绘制、145 个元器件布局、布线到地平面铺铜的全流程。首次布局不佳时，Agent 自主检查并要求将 64 个 LED 重新排成 8mm 网格、支撑件移至背面；针对 D3 LED 数据引脚方向问题，Agent 旋转 180 度后重新布线。最终实现 0 DRC/ERC 错误，并成功导出 KiCad 项目通过官方检查。HeyPCB MCP 兼容 Claude Code、Codex、Cursor、ChatGPT 等 MCP 客户端，实现电路设计到固件和外壳的一体化 AI 硬件开发。
BoardRepo 宣布为 PCB 设计推出版本控制功能。借助 KiCad 插件，用户可在 KiCad 内一键推送、拉取项目并添加变更说明，无需终端或 Git 命令。所有版本的原理图、布局及相关文件集中保存，可随时回溯到任意历史版本并查看谁在何时做了什么改动。其可视化 diff 功能支持并排对比两个版本，变更直接高亮显示在电路板布局上，解决了文本 diff 对 PCB 文件意义不大的问题。该工具已支持 Mac 和 Windows。文章指出，AI 正在加速 PCB 设计并降低门槛，硬件领域需要类似 GitHub 的版本管理方案。
作者分享玩自媒体三个月后总结的内容框架搭建方法。文章指出三个常见误区：把赛道并列当框架、把介质当定位、用日更加量代替结构。核心是先确立个人创作内核——「看见→拆开→替换→对照→沉淀」五步动作链，再分清主线（主菜，立信任攒资产）与支线（添头，轻量触达），最后让 AI 负责选题发散、长文拆条和草稿规整，人负责定内核、提供真实变量和终审取舍。文中还提供了一周工作流、通用内容框架卡模板及常见问答。
文章记录了 Manus 团队在研发 AI Agent 产品的过程中，用自家产品改造自身组织运作的实践。研发团队通过 Manus-mono 统一入口和给 AI 的说明书，让一个工程师能同时处理十几个需求，一人写完前后端和移动端；产品团队实现了端到端上线，所有产品经理都提交过代码，甚至用视频代替传统 PRD 表达需求；市场团队则引入'数字同事'参与工作流，自动跟踪发布、复盘数据、跨团队对齐。整体上，组织从 Human in the loop 走向 Human on the loop，减少人与人之间的打断损耗，人更多承担监督、判断和决策的角色。
作者复盘了如何一个人在一个月内批量生产2000多份PPT并完成变现的全流程。制作上，将PPT生产拆为五步：素材提取、页面规划、图片生成、逐字稿/教案、可编辑转换，并把流程封装成Skill在Codex中并发运行，每天跑2-3轮。推广素材通过自研软件实现文档导出、场景化排版、拼图排版批量化。分发上，一套内容同步铺到小红书、抖音、视频号、公众号，借助自研工具一键多平台发布。管理上用分类备份和飞书表格追踪生产与发布。变现靠小红书店铺卖成品跑量、私域卖套装和定制做复购，实现边际成本极低的持续收入。
作者面对 PCB 固件逆向 5000 元、全新设计 3-5 万的报价，决定用 AI 自己动手。投入约 1176 元购买 J-LINK、电烙铁等工具，在 Codex 的指导下先抄板逆向电路原理图（通过反馈测试结果让 AI 结合芯片数据手册还原设计），修复了原板 JTAG 布线的奇葩设计后成功读出固件，并完成 100% 原理图还原。整个复刻过程约 3 天，作者认为 AI 大幅降低了硬件逆向门槛，让个人可以完成过去团队数月的工作。
作者因GPT-6额度消耗过快，重新审视自己的AI内容创作工作流，发现最大的浪费不是Token，而是与AI做过的工作没有沉淀为可复用的资产。文章提出按任务分工使用Chat、Work、Codex三类工具，并系统总结了创作者值得长期积累的六类内容资产：个人母体、用户世界、生活和观察、同行与市场研究、解决方案库、选题系统，强调从对话驱动转向资产驱动，让AI基于积累的资产持续工作，实现真正的复利效应。
作者因在 X 上发布 Markdown 长文时格式丢失、编辑器选区混乱等问题，开发了开源工具 X Article Workbench。该工具将 Markdown 生成一个离线发布工作台，标题和正文分开处理，复制后以富文本形式保留层级、加粗、引用和链接格式，无需在 X 编辑器中重新排版。工具还会按发布顺序整理图片并标记插入位置，自动识别封面图，生成完整发布材料包，且只读取本地文件、拦截危险内容。安装一次即可全局使用，可通过 Codex 等 AI 工具以 Skill 形式调用。
这是一篇面向零基础读者的实战教程，教读者通过复制三段提示词，让具备本地文件读写能力的 AI（以 Codex 为例）依次创建内容分析、写作、审校三个 Skill，完成一篇文章的素材分析、大纲初稿和审校验收全流程。文章强调'先做出东西，再弄懂原理'，每段提示词后设有操作后检查清单，帮助读者验证 AI 是否真实创建文件、守住事实边界（如虚构案例性质、不把相关性写成因果）。教程把重复性的提示、纠错动作固化为可复用的工作流，实现长期复用，无需手写代码或安装软件。
作者在 Mac 上用 Codex 结合 srt-whiteboard-animation skill，将一段社保对比文稿完整制作成 2 分 17 秒、1080p、30 帧的手绘白板动画视频。文章逐步拆解了 14 个制作环节：准备项目并验证 skill、将文字稿转为 SRT 字幕、分幕规划、生成统一风格无字底图、区域标注与绘制顺序安排、预览台检查、渲染连续落笔动画、逐幕具体化修改、合并无声版，以及使用 edge-tts 配音和音乐混音。作者强调分步确认、说清具体要求、区分 skill 与工具能力边界等实践经验，并提供可复用的对话指令。
作者分享了一个名为 tweet-buffer-workflow 的 Skill，实现从原始素材到 X 推文的全自动化流程：素材输入后由 AI 完成润色、翻译、模型选择、配图和排期，但最终发布决定保留给人。文章详细介绍了 Skill 的安装方法、Telegram Bot 与 Buffer 的连接配置（Token、Owner ID、Channel ID 等）、五个可选模型的特点，以及润色与翻译两种处理方式。核心设计原则是：原意和事实不能改坏、外部发布需明确动作、不确定结果先核对。作者强调自动化的价值在于把重复劳动交给 AI，把发布责任和决策权留给人。
文章以一次 SEO 关键词调研为例，探讨 Codex 在实际业务中的人机分工边界。作者将调研拆为采集、整理、判断、规划四段，Codex 适合前两段及候选输出，但业务取舍必须由人来拍板。文中分享了实用工作流：先用只读沙箱生成研究计划、分离原始证据与工作判断、用 --json 结构化输出便于脚本接手、聚类候选需人工审核页面树。强调 AI 能查词搬数据，但不知道交付能力、不为错误页面负责，应固定 schema、来源 URL 和查询时间，让流程可复查、可追溯。
