OpenAI 上 AWS：模型独家时代开始松动了
OpenAI 模型、Codex 和 Managed Agents 进入 AWS，表面看是一次渠道扩展；往深一点看，这是 AI 云生态的一次松动。 过去两年，大模型公司和云厂商的关系很像“强绑定”：谁投钱、谁给算力、谁拿优先分发权。企业采购时也被这种绑定影响，想用某个模型，往往要进入某个云的生态。 现在 OpenAI 出
2 min
#Codex
共 28 篇文章
Lunel：手机不是跑代码的机器，而是 AI Coding 的遥控台
手机上写代码这件事，听起来一直有点别扭。屏幕小、键盘慢、上下文看不全，真让人把一台手机当开发机，多少有点遭罪。 `Lunel` 的有趣之处在于，它没有把手机伪装成开发机，而是把手机变成 AI Coding 的遥控台。 仓库地址：lunel-dev/lunel ## 三层架构，比远程桌面克制 Lunel 大致分三层：移动
2 min
Entire CLI：AI 写代码，也该留下可追溯的工程账本
AI 编程现在有个越来越明显的断层：代码最后进了 Git，但代码是怎么被 AI 写出来的，往往不在 Git 里。 你能看到 commit diff，能看到谁合了 PR，却很难回答几个更关键的问题：当时给 Agent 的任务是什么？它读过哪些文件？中间跑过哪些命令？为什么放弃了第一版方案？有没有把一个错误假设带进最终代码
4 min
Awesome Codex Skills：Codex 真要进工作流，靠的不是神提示词，是可安装技能
“让 AI 帮我做事”这句话，听起来已经不新鲜了。真正麻烦的是，每次都得重新解释：这个仓库怎么跑，邮件怎么发，Issue 怎么建，PDF 怎么处理，团队规矩是什么。 Awesome Codex Skills 的价值，不是收集了一堆酷炫提示词，而是把这些重复解释，整理成 Codex 可以安装、识别、触发的技能包。 Com
3 min
Deep Researcher Agent 教程：让 AI 替你盯训练，但别把科学判断也外包
Deep Researcher Agent 火，不是因为它又包装了一个“AI 科研助手”的概念，而是它盯准了研究里最磨人的一层：实验运营。 改超参、跑训练、看日志、整理结果、再改。真正有价值的是 idea 和判断，但研究者大量时间耗在等待和机械复盘上。Deep Researcher Agent 想接过去的，正是这段重复
6 min
RTK 上手：别让 Coding Agent 把 token 烧在 ls、cat 和重复命令上
RTK 的定位很直接：CLI proxy，减少 LLM 在常见开发命令上的 token 消耗。它不是让模型更会写代码，而是让 Agent 别把钱和上下文窗口浪费在 `ls`、`cat`、`grep`、重复日志和巨长输出上。README 里提到在常见开发命令上能减少 60% 到 90% 的 token 消耗，这个数字先别
5 min
CC Switch 上手：五套 Coding CLI 太乱，用一个面板管 Provider、MCP 和 Skills
现在认真用 Coding Agent 的人，桌面上很容易堆出一把工具：Claude Code、Codex、Gemini CLI、OpenCode、OpenClaw。每个都有自己的 provider、MCP、prompt、skills、session。刚开始还新鲜，过几天就乱成一锅粥。 CC Switch 这个项目解决的
4 min
别让 Codex 直接写页面：先把 UI 生产线拆成三段
很多人用 Codex 做页面，第一句话就是：帮我写一个后台、帮我写一个落地页、帮我做一个管理界面。 它确实能写，而且很快。但第一版经常有一种熟悉的味儿：功能都在，页面也能跑，就是像一张被组件库拼出来的表格。按钮、卡片、筛选框都有，可信息主次不清楚，用户进来不知道先看哪儿。 问题不一定在 Codex 的代码能力，而在你把
4 min