Paseo 是一个开源的本地 AI 编程 Agent 运行与多端编排监控平台，采用 Daemon-Client 架构，通过守护进程接管本机 30+ 种编程 Agent CLI（如 Claude Code、Codex、OpenCode 等）的子进程管理与协议适配，并提供桌面、Web、移动端等多客户端及端到端加密中继，实现跨设备远程监控与操作。其优势包括打破单一 Agent 绑定的统一工作台、口袋开发机式的移动端掌控、代码数据完全本地化隐私保护、基于 Git Worktrees 的多任务隔离，以及 MCP 服务、定时任务等编排自动化能力。同时提供 Docker 风格 CLI 与 TypeScript SDK 两种接入方式。
作者总结了 AI 开发中四个关键的二元选择：一是优先使用现成的开源能力（skill）而非从零开发，通过 GitHub star 数判断成熟度；二是 OpenClaw（龙虾）适合已搭好管道的日常自动化（BAU），而搭建复杂系统应使用 Claude Code、Codex、Jules 等开发工具；三是多 agent 并非越多越好，应先单 agent，确实不够用再逐个增加，复杂度是敌人；四是确定性逻辑用脚本执行，大模型只用于需要判断的环节，高风险决策需人工审批，最终形成脚本+大模型+human approval gate 的结构。正确选择可节省大量时间。
本文是对 2026 年主流 AI 编程框架 OpenCode、Claude Code 和 Codex 的深度横评。文章详细介绍了 OpenCode 旗下的 OMO 插件及其多 Agent 编排哲学，并犀利指出了 OpenCode 目前面临的稳定性与性能问题。同时，对比了 Claude Code 的云端重构与 Ultraplan 特性，以及 Codex 的移动端与 Symphony 框架优势。作者认为模型能力差距正在收敛，真正的竞争在于 Agent 的编排与工具链整合，并推荐新手根据稳定性与生态需求选择合适的工具。
本文对比了 Pi Durable 与 OpenCode 两种编程 Harness 架构。传统 Harness（如 Claude Code、Codex、OpenCode）采用会话式架构：运行中的 Agent Loop 驱动模型调用与工具执行。Pi Durable 则将模型生成、工具调用、压缩及应用工作全部建模为持久化任务，由调度器基于存储状态决定执行，实现崩溃恢复与进程解耦。文章从五个维度展开：Agent Loop 序列化到存储、工作可调度、应用状态与对话的原子绑定、压缩移出关键路径、以任务图形式实现委托协作，展示了持久化任务架构带来的全新 Harness 能力。
作者分享了不用背电脑、仅用手机远程控制Claude Code、Codex等Agent的工作流。通过UU远程低延迟连接，解决了SSH不稳定、切换慢的问题。新功能包括手机端终端与TUI完整支持、多终端并行会话、跨端接管、小窗口挂机看进度、文件传输和CLI脚本化管理多台设备，配合Herdr插件可视化管理Agent状态。作者认为电脑应是工具而非负重，远程桌面、终端、CLI各司其职，极大延伸了AI使用的场景。
作者基于十天高强度使用经验，分析 Omarchy 作为面向 Agent 的原生桌面 OS 的架构设计。文章指出 Omarchy 通过统一 CLI（436 条命令）、可替换的多 harness Agent、随 OS 版本发布的 Skills、三层状态分层，以及 Hyprland、Quickshell、mise 的协同，构建了一个适合人类监督、随时委托和快速接管的 Agent 工作台。UX 层面通过快捷键、平铺布局、workspace 隔离和普通终端运行降低调用摩擦并提供可接管性。作者认为 Omarchy 已是成熟的 agent-ready desktop OS，但距离 agent-safe OS 还差统一 capability policy、操作审计和事务式回滚。
文章帮助开发者厘清不同 Coding Agent 工具的选型思路，将需求分为三类：开箱即用的 Coding Agent 产品、可编程调用的 Agent SDK、以及用于定制自有 Agent 的 Agent Framework。预算充足可选 Claude Code 或 Codex，预算有限可用 OpenCode，追求极简与插件机制可选 Pi，想尝试递归自进化（RSI）可关注 DeepSeek Harness。作者认为 DSH 目标宏大但短期不会作为主力工具，会持续关注学习。
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。
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。
作者宣布其 AI 视频情报站正式开放 MCP 接口，支持 Claude Code、Codex 等 Agent 直接接入查询。文章介绍了接入方法（一条命令即可），并展示了几种典型用法：每天早上让 Agent 查询新起和升温的视频题材、查询某个题材的来源和时间线、追踪特定 AI 模型的动态，以及将情报站接入自己的工作流（如自动生成选题卡、晨会材料等）。情报站每天早上更新一期，提供题材归类、X 热议、开源项目、题材溯源等数据，同时说明了查询范围限制。不接 MCP 也可通过网页或开源版自行部署使用。
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。
文章介绍了用AI Agent（如Claude Code、Codex）逆向和改造现实电子设备的新玩法。作者通过实例展示了如何让AI清理公司会议室电视的开机广告并重做简洁桌面、逆向补光灯蓝牙协议开发统一灯光控制台、以及打造多机位相机控制台。只需把需求和设备信息交给Agent，跟着提示一步步操作，小白也能完成硬件改造。作者引用《设计心理学》理念，指出AI正在降低个性化改造设备的门槛，让普通人从产品使用者变成参与设计者，哪里不爽改哪里。
文章系统解释了 AI 领域中 harness（套件/执行框架）的概念。作者指出 LLM 默认只能生成文本，要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单，这一切组成了 harness。文中区分了界面（如 Claude Code 的 TUI/GUI）与底层 harness（如 Anthropic Agent SDK、Codex App Server），并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱'，让代码可以在外部运行，以及 agent 的定义：LLM 与 harness 的结合体。
