JitHub程序员

最近遇到的两个神级 skills：
1. github.com
2. impeccable.style
一个负责驱动 AI 写项目，一个改样式

看到很多朋友问过一个问题，为什么给我的 Claude Code 安排任务，它都不会一口气执行完，而是跑最多几十分钟就停下来，然后问我要不要继续。例如让它把项目中的单测全部补全（大概 1k 个），它跑了大概 200 个就停下来了。

cc 并不是对一句话任务抗拒，如果不理解它的执行机制，很难设计出能跑长程任务的 harness 流程。

在执行一个超大任务的时候，单 agent 的执行流程大概是这样的：1）刚开始是高效模式，指令遵循效果特别棒；2）跑了大概 80k tokens 的时候，context 开始逼近 compact 阈值；3）紧接着，对话历史被压缩为摘要，模型开始忘记刚才修复单测的细节；4）再经过一两轮 auto-compact，它甚至会开始重复检查已修复的测试，当触发 maxTurns 并且 response 没有 ToolUse 指令时，模型会退出任务，然后开始询问用户："我已经修复了约 200 个测试，要继续吗？"

如果你在当前 session，回复继续，接下来的工作，它会做的更加不符合预期，并且退出得更快。

任何试图在一个 agent session 内完成海量工作的方案，最终都会碰到 context 膨胀 → compact → 信息丢失 → 效率下降的问题。

其实优化方向也特别简单，设计一个主-子 Agent 的运行模式（任务调度器），同时将任务进度写到 file system 中（进度持久化），每个子 agent 有独立 context、独立退出逻辑，主 agent 只负责调度和进度追踪，从而绕过单一 agent 的所有瓶颈。

因此给 cc 的指令需要包含至少这三部分：

1）任务分解。不要给一个无边界的指令（如修复所有单测），而是先扫描出所有失败测试，按目录或模块分组，每组 15-30 个，作为一个独立子任务。关键是每个子任务的 prompt 必须自包含——写清楚文件路径、错误现象、期望行为，不能写"根据之前的分析来修复"，因为子 agent 看不到父 agent 的历史。

2）进度持久化。在项目根目录维护一个 progress.json，记录 completed / failed / pending 三个列表。主 agent 每轮调度前读这个文件决定下一批任务，子 agent 完成后更新对应条目。这样即使主 agent 自己被 compact，重读文件就能恢复全部状态。

3）失败策略。子 agent 报错时，如果错误可修复，用 SendMessage 继续同一个子 agent（保留错误上下文更高效）；如果方向完全错了，启动新的子 agent 避免锚定在错误路径上；多次失败则上报用户，不要无限重试烧 token。

Claude Code 其实已经内建了这套能力。最直接的方式是启用 Coordinator Mode（输入 /coordinator），主 agent 自动变成纯调度者：它不执行任何实际工具调用，只负责理解子 agent 的返回结果、合成下一步的具体指令、并行派发独立任务；而每个子 agent 会通过 AgentTool 启动，它们有独立 context。

记住一句话就行了：设计多个 agents，各司其职、快进快出，把进度交给文件系统来记忆。

开源了个 网站SEO 长尾关键词挖掘的 Skill，
可用于定期挖掘新出的词，给给到AI 自动更新内页。

直接输入网站URL，
skill先分析网站产品逻辑，提取核心关键词，
然后谷歌搜索结合趋势挖掘最新的长尾关键词。
最后会生成一份8个章节的网站关键词分析报告。
以前做关键词研究，要么通过谷歌搜索种子词挖掘衍生和联想的词，或者通过ahrefs 主题聚集挖掘衍生的子词，但AHREFS又贵，关键是手工能挖到的词非常有限。

现在借助openclaw强大的代理和爬虫能力，
这套方法是：种子词 → Google 搜索 → 提取 Related Searches + PASF + PAA → 每个新词继续搜索 → 持续分叉 → 直到词库收敛或达到 100 词上限。

大概分三层：
depth=1 的词直接从种子词扩展，最相关
depth=2 的词从 depth=1 再扩展，覆盖更广
depth=3+ 可能发现意外的低竞争词——竞品没注意到的角落
100 词候选库 → 20 词分层 → 10 词 SERP 详析 → 3 词定方向。
每个词都有标注来源可信度 + 扩展深度，不是黑盒 AI 猜测。

skill内只有MD文档，没有脚本，所以适合装了openclaw和hermes，调用这个Agent内部的浏览器和爬虫工具。
已开源：github.com

Firecrawl 把他们底层的 Web Agent 框架开源了。

专门用来做带搜索、爬虫和网页交互的智能体。完全开源，大模型随便换（OpenAI / Claude / 你自己的都行）。

敲 firecrawl create agent 就能直接生成 Next.js 或 Express 项目脚手架，支持并行子 agent 和自定义 Skill。

最近想做 web agent 的可以去 fork 一下，能少造点轮子

🔗 github.com

因为在新加坡招程序员太难，我们已经放开不要求会中文了。已经帮兄弟们试过了，除了新加坡那两所学校的，什么日本，马来西亚，印度，菲律宾，印尼这些地方的程序员，基本等于3个月夜校速成的水平。

这个技能画出来的架构图的质量是真的太高了！

github.com

下面是OpenHarness的架构图，配色很舒服

兄弟们，意外发现啊

同一个域名可以同时绑定 resend 和 cloudflare email，而且都可以发邮件，每月额度就这么 double 了 🐶

另外，cloudflare email 支持 2 种集成方式，worker binding 和 rest api，如果你要接入，推荐后者，因为前者运行环境受限，后者只要能发请求就能用，就和用 resend 一样

程序员群体技术赚钱🫡👍

喵的
hermes 要逆天，一句话就跟我把一个 H5 游戏的游戏资源搞到本地并部署到 r2了。。。。
还是防护最难的 itch 的 H5游戏，真能玩起来。

模型都是同样的minimax2.7
hermes 真的强，看来真有必要慢慢切到 hermes 了。

本来刚开始我是让他操作 codex ，抓取这个游戏，然后他调起 codex ，跑了几分钟，就告诉我跑完了。
很是好奇，怎么这么快，游戏还真能跑起来，就问他：
你太棒了 你总结下这次是如何抓取这个游戏的到本地的？是调用的 codex 还是你自己？哪些是你自己的做的 哪些是 codex 做的 输出详细的思考和控制 codex的过程。

然后他给出了下面的回答，太牛逼了。

还我那个听话好用的 Claude