flag 立不住了，感觉比起坚持手写，不如发之前检查一下有没有狗屁不通的地方。介意的取关吧。

I think this is the problem with "skills." In a field I'm even slightly familiar with, like software engineering, there are only so many core principles. That’s why using someone else's "skills" feels a bit off. Their skills are essentially those principles with their own personal preferences layered on top. Using them as-is might actually be counterproductive. In that case, it's better not to use "skills" at all. After all, the principles of software development are already deeply ingrained during the model's training phase.

我觉得 AI 之间是有自己的语言的，所以尽量，让主 Agent 转述我的需求，让他们用自己的语言进行沟通。

用 computer use 把百度网盘整理一下，还挺爽

我用 DeepSeek 的一个感受是：在不少具体任务里，模型本身没有那么聪明，其实也没那么要紧。

如果用的人能把任务和验收标准写清楚，把工具、资料和运行环境准备好，再让 harness 把执行、验证和反馈串起来，一个能力没那么强的模型，也可能已经够用了。尤其是那些结果能明确验证的任务，它不必一次就做对，能根据反馈继续修正就行。

这里面有一部分工作，其实已经被人提前做掉了。目标是什么、什么算完成、出错了怎么判断，都被放进了任务定义和运行环境。模型需要自己猜、自己判断的东西，自然就少了。

当然，验收标准清楚，不代表问题就一定容易。碰到超出模型能力范围的任务，harness 也不能保证它做得出来。

而前沿模型做得好的一个地方，是让整个过程更接近开箱即用。用户不需要一开始就把问题想得那么完整，也不用把所有细节交代周全。模型能帮你补上下文、拆任务，发现一些你自己都没意识到的遗漏。

这不完全是表达能力的问题。有时候你知道自己想要什么，只是说不清楚；有时候你连该考虑什么都不知道。前沿模型的一部分价值，就在于用它的智能，补上这段鸿沟。

对用户来说，省下来的除了写 prompt 的工夫，还有前期梳理需求、拆解任务，以及做到一半才发现漏了重要条件的反复折腾。

这个角度我觉得就很对！

F**k around, and find out.

让我分享一下我是如何使用 AI 的。我有一个主智能体（Agent）叫 hermes。因为它是开源的，所以给了我更大的控制权。当我有一个感兴趣并想问 AI 的问题时，我不会立刻去问 hermes。相反，我会先去问 ChatGPT 和 Claude。在与它们进行了各种讨论之后，我最终会生成一份我觉得质量相对较高的文档。带着这份 context.md，我再去和 hermes 交流。之后，我就可以在那里继续对话了。此外，我还做了配置，可以将所有讨论保存并上传到 GitHub。这样做的好处是，可以让其他的智能体立刻获取我所有的上下文并继续讨论。这真的就像是“左脚踩右脚梯子登天”一样。哈哈哈哈。

未来很重要的一项能力我觉得是，如果说有了无限 token, 无限云机器。一个人有没有能力，把这些资源给调度起来，进行有价值的产出。

AI 真是救了我这种喜欢问“为什么”的人的命了