Codex
Headroom 教程:给 Coding Agent 加一层上下文压缩,少花 token 还要不掉准
Coding Agent 的 token 浪费,很多时候不是模型太贵,而是上下文太脏。终端输出、测试日志、重复文件、RAG 片段、工具结果,全都原样塞回去,模型不但花钱,还更容易被噪音带偏。 Headroom 做的是上下文优化层。它可以包装常见 coding agent,也可以作为代理放在应用和模型之间,对消息、工具输
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
Lunel:手机不是跑代码的机器,而是 AI Coding 的遥控台
Lunel 用移动端 App、本地 CLI 和中继网关,让手机成为 AI Coding 的遥控台。文章介绍它的架构与使用方式,代码任务仍在开发机上运行。
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
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
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
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
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
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