本文介绍了如何将WorkBuddy平台上的专家（由Agent角色配置、插件清单和多个Skill技能组成的安装包）打包成zip文件，并迁移到其他Agent软件（如Codex、Hermes、OpenClaw、豆包工作、千问办公等）中安装使用。操作步骤包括：在WorkBuddy中召唤专家、关闭引用并删除默认提示词、输入打包提示词让WorkBuddy查询并打包专家文件、将zip包上传至目标Agent并安装。同时建议定期清理不常用的专家以节省token消耗。
本文指出 Skill 的本质是将个人工作经验固化为 Agent 的操作手册。文章分析了为什么直接套用他人 Skill 往往失效，并提出了三种将个人经验转化为 Skill 的实用方法：拆解并改造他人 Skill、复盘成功的 AI 协作过程、利用 skill-creator 搭建骨架。作者强调通过持续迭代，Skill 能让 AI 越用越像自己，从而实现工作流的自动化和个人知识的资产化。
文章介绍了通过 magpie 本地网关与 Kiro 订阅，在 Claude Code 和 Claude Desktop 中使用 Claude Opus 5.5 的方案。Kiro 是亚马逊的 Coding Agent 产品，作者利用 magpie 插件将 Kiro 订阅中的 Claude 模型反代给 Claude Code，省去单独购买 Anthropic API 额度。文章详解了技术原理（请求经 magpie 网关和 Kiro Auth 插件转发）、安装配置步骤（Kiro 付费计划、插件安装、模型选择），并说明如何通过路由记录、订阅用量和工具调用验证模型真实性。最后提醒账号政策风险、额度消耗、数据安全和兼容性等注意事项。
文章介绍了豆包工作新上线的 AI 资产一键迁移功能，支持从 ChatGPT、Claude Code 导入对话、技能和记忆三类「默契资产」，将跨 Agent 迁移的损失降到最低。作者实测导入 240 项 Claude 和 682 项 ChatGPT 资产后，发现历史会话上下文可无缝衔接。文中解释了设计边界：只导入与工作绑定的工作记忆，不导入个人偏好；凭证暂不支持导入以防冲突。此外还介绍了对话分叉、消息注释、对话摘要侧栏等新功能，并分析了豆包打通飞书文档在分享协作形态上的优势。
作者作为设计师，探索让 Agent 理解个人审美偏好的方法。通过让 Agent 读取 Eagle 素材库，将收藏整理成可复用的“偏好证据”并生成个人审美档案。测试对比 Codex、Hermes、WorkBuddy 的 PPT 视觉提案，发现参考图比抽象形容词更能传递审美，但 Agent 能否学习取决于其识别与迁移规律的能力。针对海量素材检索问题，作者本地部署 SigLIP2 建立视觉索引，充当“视觉图书管理员”帮助 Agent 找图，最终形成收集、索引、检索、分析、确认、存档、反馈的完整流程，并封装为个人 Skill。
Artie 团队（17人）分享了如何将 Hermes——NousResearch 的开源 AI agent harness——部署为全团队共享的 AI 助手。文章讲述了从工程师个人 WhatsApp 使用的起步，到选择 Hermes 而非 OpenClaw 并加入护栏的决策；用每年 60 美元的 Hetzner 物理服务器承载全部运行。团队为每个部门设计了独立 profile：工程（Plan 分派任务、Code 执行开 PR）、销售、设计、BizOps 等，并强调人类始终在环节中审核。Skills 以代码形式版本化进 Git 仓库，严控数量以省 token。受人类 REM 睡眠启发，Hermes 每晚'做梦'复盘当日工作，将有价值内容晋升到长期记忆。
作者对 OpenAI 发布的 Agents API 公测版进行了端到端实测，通过两次 POST /v1/agents/sessions 调用，体验了托管沙箱中的文件读写和 Skill 任务执行。文章介绍了 Agents API 开放的 Codex 背后托管 Agent Harness 的能力，以及 Agent 的三个层次（模型与 Harness、沙箱执行环境、工具与工作流），并详细记录了 Session 创建、SSE 事件流、Agent 在沙箱中的真实执行过程，包括命令失败后的自主恢复、CSV 数据校验与 JSON 输出，以及通过 Artifacts API 取回任务产物的完整流程。
文章解释了 Agent 的自我学习不能依靠推理时实时微调参数，原因在于算力成本极高且会导致灾难性遗忘。真正的经验积累靠上下文工程搭建的外挂认知系统，分为三层：执行后的反思复盘提炼经验、经验的持久归档（如 Claude Code 写入 CLAUDE.md 和 memory 目录、Codex 写入 SQLite）、动态检索注入（Claude Code 的极简索引与 OpenClaw 的向量化混合检索）。此外介绍了 Claude Code 的 AutoDream 机制，模拟人类做梦时的记忆整合，在后台空闲时扫描会话日志、合并重复经验、淘汰过时策略，保持记忆库精炼，从而让 Agent 持续进化且不被冗余记录拖垮。
作者分享了使用 OpenAI GPT-6 Astra 的五点心得。Astra 能够操作各类桌面应用（如 BrickLink Studio 十分钟内完成乐高金门大桥模型），并能自然地结合代码与应用完成任务。它能承担更多产品层面的思考，例如自动补全快捷键、图层等交互设计，帮助作者快速构建个性化软件。Astra 在 Blender 3D 建模方面表现出色，无需旧版辅助 Skill 即可胜任任务。作者建议：给 Astra 开放实际工作所需的应用权限，先用原生能力尝试而非依赖旧 Skills，给出想法和参考即可，不必事无巨细地指定每个交互细节。
作者开源了用 Rust 和 GPUI 开发的 Skill 管理工具 Kitter，解决 AI Skill 全局安装污染上下文、多项目重复复制难维护的问题。Kitter 在本地维护统一 Skill 仓库，通过软链接将 Skill 安装到指定项目和 Agent（支持 Codex、Claude Code、Cursor、OpenCode 等），并可查看每个项目实际生效的 Skill 及 Token 占用。提供桌面客户端、CLI 和 Skill 三种使用入口，支持 macOS/Windows/Linux，采用 Apache 2.0 协议开源。
文章阐述了 Grok Bot 带来的人机协作范式转变：从编写提示词到定义岗位，从回答问题到交付可验收的结果，从人工在软件间搬运信息到 Bot 在云电脑上跨工具自主执行。作者对比了 Grok Bot、Codex、Claude Code 和 Hermes Agent 的职责分工：代码仓库工作优先编码 Agent，跨网站和业务应用的持续任务适合 Grok Bot，追求自主部署可选 Hermes。文章详细讲解了 Grok Bot 的安装注册流程、账户结构（共享云电脑、多个不同岗位的 Bot、Skill 与 Routine），并强调权限边界管理——Bot 分岗不等于安全隔离，高风险动作需人工审批。最后引导读者动手创建一个 AI 情报日报 Bot，学会管理数字员工。
文章从文件层完整拆解了 WorkBuddy 的 Skill 机制，回答四个核心问题：Skill 是什么、放在哪、从哪来、怎么维护。Skill 本质是一个文件夹，核心是写给 AI 读的方法论文档 SKILL.md（开放标准 agentskills.io 规范），依赖 description 实现按需加载。技能分用户级和项目级两级作用域，换项目后技能“消失”实为作用域混淆。‘我安装的’列表是聚合视图，来源包括自建、内置插件、技能市场、外部插件和连接器五类。作者还揭示了系统提示词中要求 AI 遇到能力缺口时先搜索技能市场的产品设计，并讲解了多 Agent 目录打通与软链接同步等维护实践。
文章梳理了 OpenAI Codex 中 Plugin、Skill、App/Connector 和 MCP 四个概念的区别与协作关系。Plugin 相当于安装包，可包含 Skills、Connector、MCP 工具、浏览器扩展和 Hooks；Skill 负责记住做事步骤和方法，不涉及外部账号权限；App/Connector 负责连接真实外部账号；MCP server 则提供连接背后的具体工具。作者以 Cloudflare 和 Canva 两个插件为例对比差异，并提醒用户安装后需新开任务才能加载，带外部连接的插件需单独配置账号权限，建议先用只读任务验证，再考虑创建和修改操作。
