-
Ip-as-logo：给图像模型上复杂度预算
你让 AI 画个品牌吉祥物，它大概率还你一个居中的对称玩意儿，带点图标味。圆脸，正面，端端正正摆在画面中间，四周留一圈等宽留白。这不是模型笨，是 logo 这个词自带一坨强先验：要居中，要对称，要徽章化，最好再来点文字。模型读到这个词，就把默认答案搬出来了。 ip-as-logo 是 GitHub 用户 s1dashu 放出来的紧凑 Agent Skill，专治这件事。全部家当是一个 SKILL.…- 3.1k
-
Vercel-Deplo：一个禁止 Agent 复查部署结果的 Skill
你让 Agent 部署一下，它回你一个链接。这句指令里藏了一堆没说出口的前提。人有账号，人清楚自己在哪个仓库，人默认部署出来的东西挂在预览环境而不是线上。Agent 一个都不知道，它手上只有一句指令和一堆工具。 vercel-deploy 是 openai/skills 仓库 curated 目录下的一个 Skill，在 Smithery 上归到 DevOps 分类，页面显示 7,309 星、17…- 3.4k
-
Render-deploy：OpenAI 官方给部署这件事装了三道闸门
部署类任务里，Agent 最贵的失败模式不是敲错命令，是在前提根本不成立的时候一路往下跑。它不知道你的仓库有没有 Git remote，不知道你要的是单服务还是带数据库的一整套，也不知道 Render 的 MCP 有没有配好，就开始生成配置或者调 API。跑到一半才发现前面少了个东西，前面所有产出全部作废。 OpenAI 在 openai/skills 仓库的 .curated/render-de…- 3.6k
-
cloudflare-deploy ：决策树才是产品
前几篇拆过 OpenAI 在 Smithery 上放出的几个小技能，都是几百行脚本配一份契约文档的路子。这次点开 openai/cloudflare-deploy，第一反应是尺寸不对。一份七百三十多词的 SKILL.md，背后挂着六十来个参考目录，比例失衡得有点离谱。 Cloudflare 的产品线是出了名的散。光"运行代码"这一个需求，无服务器函数就有 Workers 和 P…- 1.4k
-
openai-docs ：OpenAI 给 Codex 装了个文档路由器，查不到就让它闭嘴
Agent 回答 API 问题最典型的翻车方式不是答错，是答得特别流畅。参数名、必填字段、默认值全都编得像真的，你照着改半天才发现在某个版本早就变了。模型的记忆是一张快照，OpenAI 的接口是按周在动的，这两个时间尺度对不上，出错是必然的。 OpenAI 自己放了个 skill 专门治这件事，叫 openai-docs，位置在 openai/skills 仓库的 curated 目录下。名字看着…- 1.4k
-
yeet ：一句命令跑完提交到开 PR，OpenAI 是怎么收口的
改完一堆代码，你跟 Agent 说帮我提交一下再开个 PR。它回你一句已提交，你打开 GitHub 才发现分支直接建在了 main 上，commit message 写成 update files，PR 描述是把 diff 原样复述一遍，而这已经是同一天里它开的第三个 PR。 问题不在模型能力。你给的是一个意图，中间那串状态判断全靠它猜，猜错一步整条链路就歪了。openai/skills 这个仓库…- 1.3k
-
pr-draft-summary ：OpenAI 是怎么让 Codex 写 PR 描述的
改完两百行代码，你跟 AI 说帮我写个 PR 描述。它回你三段话，第一段复述你刚做的事，第二段写这次改动提升了代码质量与可维护性，第三段列了一串你根本没跑过的测试。你想改，又不知道从哪一句改起。 问题不在模型。你给的是一句话的意图，它只能靠猜去补上下文，猜不出来就用最安全最空洞的模板填满。openai/openai-agents-python 这个仓库里有个叫 pr-draft-summary 的…- 1.3k
-
nuget-manager：凭什么管住 AI 改 NuGet 包
你让 AI 把 Newtonsoft.Json 升到安全版，它回你一句改好了。打开 csproj 一看，版本号写成了 13.0.4，NuGet 上根本没这个版本。这种事我遇到过不止一次，而且每次都发生得很自然：模型对版本号没有真值概念，它只是在预测一串看起来合理的数字。 依赖管理恰好是 LLM 最容易翻车的角落。包名叫错一个字母、版本跳到不存在的号、PackageReference 写进了错误的 …- 1.3k
-
code-change-verification ：OpenAI 如何用四条命令重新定义“改完了”
AI 编码 Agent 最贵的失败模式，不是写错代码，是它在没跑过任何验证的情况下告诉你改动已经完成。根源在于“完成”对模型来说只是一个可以输出的词，跟文件系统里那几条命令有没有真的被执行，没有任何强制绑定。 OpenAI Agents Python 仓库里有个东西专门盯这件事。它叫 code-change-verification，放在 .agents/skills/ 目录下，内容是一份给 Ag…- 1.2k
-
examples-auto-run ：OpenAI 把执行权从 Agent 手里收走了
Smithery 上挂着一条叫 openai/examples-auto-run 的技能，一句话描述是“用自动模式跑 Python 示例，带日志、重跑助手和后台控制”。抓取时它的热度是 18,848，安装数只有 24。这个比例本身就说明问题：围观的人多，真装的人几乎没有，因为它压根不是给外部用户准备的，它是 OpenAI 用来维护自家 Agents SDK 仓库的内部工具，只是被放到了公开目录里。…- 1.2k
-
video-use ：把浏览器那套搬到了视频上
让 AI 剪视频，正常人的第一想法是让它把画面看一遍。browser-use 团队做的 video-use 没走这条路。它的核心设计就一句话：模型从不看视频，它读视频。 具体做法是，把原始素材丢进一个文件夹，打开 Claude Code 或者 Codex，说一句把这些剪成发布视频，剩下的交给 agent。清点素材、挑 take、去填充词、调色、烧字幕、加动画，最后吐出 edit/final.mp4…- 1.2k
-
azure-devops-cli：给 Agent 配一本 Azure DevOps CLI 全量手册
我带团队用 Azure DevOps 的几年里，最常被模型坑的地方不是它不会写命令，而是它记混了命令。Azure DevOps 的对象域比 GitHub 宽得多，覆盖八类资源： 项目与仓库 流水线、构建、发布 拉取请求与工作项 制品与服务连接 八个领域各自一套子命令，模型面对这张大网，幻觉率明显高于只跟 GitHub 打交道的场景。 更麻烦的是，Azure DevOps 的命令层次深，子命令嵌套好…- 1.2k
-
powerbi-modeling ：微软官方 MCP 的”说明书”
Power BI 建模是很多人的噩梦。你写 DAX、配关系、管行级安全，辛辛苦苦搭完一个模型，过两个月自己都看不懂。命名用的是 CUST_NM 这种缩写，几百个度量值没有一句描述，关系乱成一团。想规范一下，翻官方文档像翻字典，效率低到想放弃。 所以看到 Smithery 上挂着一个叫 powerbi-modeling 的技能，第一眼你会以为它是个"能自己帮你建模的 AI"。我一…- 1.3k
-
azure-resource-visualizer：让 Azure 资源组自己画出架构图
你接手过一个跑了两年、换过三拨人的 Azure 资源组吗？我接过。打开门户那一刻的感觉很具体：三十多个资源摊在列表里，名字一个比一个抽象，谁连着谁全靠猜。Wiki 里那张架构图是半年前画的，图上还有两个已经被删掉的存储账户。 这种"看得到资源、看不清关系"的状态，是云上最常见的盲区。资源组本身是平的，它只记录"有哪些东西"，不记录"这些东西怎么咬合…- 1.2k
-
plantuml-ascii ：在终端和 PR 里也能画的 PlantUML 文本图
你在 README 里想画个调用时序图，第一反应是截图贴进去。结果下一个同事提了 PR，图没变，但 diff 里永远只有一张二进制，谁也看不出改了哪根线。这种事我踩过太多次，后来干脆能不配图就不配。 更尴尬的是图片在很多渠道根本渲染不出来。Slack 里贴的图有时被拦，邮件网关把附件当垃圾，提交信息里的截图直接变成一串不可读的引用。图本来是为了让人秒懂，最后反而制造了信息断层。 还有个隐性成本常被…- 1.4k
-
legacy-circuit-mockups ：把面包板搬进了浏览器
想动手搭一台 6502 计算机，第一道坎往往不是焊接，而是怎么把脑子里那张电路图落到面包板上。Ben Eater 的系列教程火了之后，卡在同一个地方的人特别多：线该怎么走，芯片该插哪一行，地址总线和数据总线会不会交叉打架。 这几年复古计算明显在回潮。Ben Eater 把 6502 从教科书里带进了客厅，越来越多人想亲手点亮第一颗 LED，而不是只在模拟器里跑程序。但网上能找到的图要么是仿真软件截…- 1.2k
-
Snowflake Semantic Views：给 Agent 配一张语义层施工图纸
给 Snowflake 接一套语义层，听着像 DBA 的细活，实际现在多半是 AI Agent 在干。Cortex Analyst 这类自然语言转 SQL 的服务，吃的就是语义视图（Semantic View）这张图：它把事实表、维度列、指标算法乃至同义词映射全部显式声明出来。模型答得准不准，一半系在这张视图的写法上。更隐蔽的是，语义层一旦写错，错误会被 Cortex Analyst 放大成每一个…- 1.2k
-
microsoft-code-reference：让 AI 写 Microsoft SDK 代码前先查官方文档
你让 AI 帮你写一个上传文件到 Azure Blob Storage 的函数，它唰地给你一段代码。你跑起来，报错了。方法名不对，命名空间错了，SDK 版本还混了。这种事在跟 AI 写 Microsoft 技术栈代码时太常见了。 根子不在模型笨，在于模型对 Microsoft 这套庞大 SDK 没有一手信息。Azure 的包命名是 azure-*，.NET 那边是 Azure.*，每个服务十几个 …- 1.2k
-
github-issues：让 Agent 用对方式管 GitHub Issue
给 Agent 配管理 GitHub Issue 的能力，翻车点往往不在能不能连上，而在写出来的东西像不像人管的。模型很擅长把 issue 标题写得又长又空，把 type 和 label 混成一团，再把 assignee 漏掉，最后还给你一个没上下文的标题党。github/github-issues 这个 Smithery 技能干的事，就是把这套活儿标准化，让模型少出这些低级错。 它不重新发明轮子…- 1k
-
markdown-to-html：给 AI Agent 装一个 Markdown 翻译官
你大概攒了不少 .md 文件。文档、笔记、README、博客草稿，几乎所有文字产物最后都得变成 HTML 才能被人真正看到。问题来了：让 AI Agent 帮你做这件事时，它真的知道怎么转吗，还是当场给你编一套错漏百出的正则？ Smithery 上的 github/markdown-to-html 这个 skill 就是专门解决这件事的。它不教你怎么写 Markdown，而是把"怎么把 …- 1.4k
-
image-manipulation-image-magick ：把命令行老炮塞进 Agent 的工具箱
你大概率用过那些花哨的 AI 修图工具，一键换脸、智能扩图、风格迁移，演示视频看得人热血沸腾。可惜真到干活的时候，需求往往是另一副面孔。把 500 张截图统一压成 427x240 的缩略图，或者从一整个文件夹里读出每张图的宽高，又或者把一批 PNG 转成 WebP。 这类活儿要的不是创造力，是确定性。你希望输入 A 永远得到输出 B，不希望模型临场发挥。顺带说一句，现在那些扩散模型做图，同样一张提…- 1.3k
-
make-repo-contribution：让 Agent 老老实实给开源项目提 PR
你让 AI agent 给一个开源仓库提 PR，最怕的不是它改错了代码，而是它压根不按项目的规矩来。直接往 main 上提交、无视 CONTRIBUTING.md、甚至运行仓库文档里写好的命令，这类翻车我见过不止一次。 make-repo-contribution 是 Smithery 平台上的一个 github 类 Skill，专治上面的毛病。Smithery 本身是个 Agent 技能分发平台…- 1.1k
-
meeting-minutes ：把会议纪要从“聊天记录”变成“可执行工单”
你开完会，录音转成文字，丢给 AI，出来一段流畅的总结。然后呢？没人看，没人跟进，下周又开同样的会重复同样的讨论。会议纪要最大的痛点从来不是写不出来，而是写出来之后就死在文档里。 Smithery 上的 github/meeting-minutes 这个 Skill，瞄准的正是这个断层。它不把自己定位成“会议总结生成器”，而是“可执行的会议纪要在内部短会中的标准化生产流程”。这个定位差别，决定了它…- 1.3k
-
winapp CLI ：把 12 步 Windows 打包压成 4 步的官方 CLI
你用 Electron 或者 Rust 写了个跨平台应用，想在 Windows 上加个原生通知，或者做个开机自启。结果一查文档，发现自己被 Windows 那套打包和身份体系挡在了门外。这是大多数跨平台开发者都会撞上的真实困境。 Windows 底下其实藏着一整套很能打的能力，光我熟悉的就有几类： 系统通知与 Toast 资源管理器、任务栏这类外壳集成 本地大模型这类 on-device AI y…- 1.3k