我不太相信“装几个插件就拥有万能 Agent”这种说法。更靠谱的路径，是先让 Agent 在一个真实流程里跑起来。跑一次，记录一次错误；修一次，把规则写回 Skill。慢慢地，它才会从“会聊天的模型”，变成“知道我怎么做事的同事”。大模型只是大脑。Tools 是手脚。MCP 是接口。Skill，才是让它别乱来的工具箱。本文来自「维天说」，全平台同名。我会持续分享普通人能用上的 AI 工具、内容工作

用 GPT-Live 练英语口语，别一上来就自由聊天。先用 10—15 分钟测水平，再按真实场景练习，每轮只纠正三个问题并重新说一遍。本文附完整中英文 Prompt 和每天 15 分钟练习流程。

我不太相信“装几个插件就拥有万能 Agent”这种说法。更靠谱的路径，是先让 Agent 在一个真实流程里跑起来。跑一次，记录一次错误；修一次，把规则写回 Skill。慢慢地，它才会从“会聊天的模型”，变成“知道我怎么做事的同事”。大模型只是大脑。Tools 是手脚。MCP 是接口。Skill，才是让它别乱来的工具箱。本文来自「维天说」，全平台同名。我会持续分享普通人能用上的 AI 工具、内容工作

先说结论：逼自己做单选题，反而两头都做不好。上周同时跑 Hermes 和 OpenClaw，一周下来最大的感受——它们解决的根本不是同一个问题。我这里说的 Hermes，不是品牌梗，而是这类 Agent 工具的新路线：它更强调长期记忆、经验沉淀和自我改进。

特别粘人，去哪都要求抱抱，主打一个陪伴。：话痨一个，每天跟我喵喵喵对骂，从不停歇。：颜值担当，爱玩但不粘人，长得确实好看。

我有一个执念：让 OpenClaw 里的 Agent 真正用好 Claude Code、Codex 和 Gemini CLI。不是让它在聊天框里吐出 500 行代码，再等人复制粘贴；而是让它调用专业工具、创建文件、运行测试，失败后继续修。为了解决这个问题，我写了 CLI-Switch。先说明版本：这篇复盘的是 2026 年 3 月公开时的 CLI-Switch。后来的 v1.0 已经重构命令和执行

我最近看到一个项目叫 EvoMap。它试着用基因、自然选择和水平基因转移来解释一件很现实的事：为什么全世界的 AI Agent 总在重复踩同一批坑？这个类比不一定严谨，但问题是真的。

Mike 负责统筹和拆任务，使用响应快、成本低的模型；May 负责内容和运营，使用更适合中文表达的模型；Bob 负责代码和资料，必要时再调用 Claude Code 与 Codex 做实现和审查。具体模型会换，角色边界更重要。谁负责派活、谁能写文件、谁来审查、失败后交给谁，这些规则一清楚，系统才开始像团队。