米家设备控制，官方路子是 APP 或云 API——都要绕一圈云端，响应慢半拍，还依赖账号体系。 " ClawHub 上的 xiaomi-home skill 换了条路：让 AI Agent 直接在局域网里通过 miiocli 硬控设备。你说"打开热水器"，它翻译成一条 MIOT 协议指令直接打到设备的 IP 上。3.4k 下载量，纯本地通信，响应是毫秒级的。
但这个 skill 的安全扫描页上挂着一个显眼的 Suspicious 标记。它怎么工作的、token 从哪来、为什么被标记，这篇一起讲清楚。
" 上周写过仓颉 Skill（cangjie-skill）的整体架构。这个项目最近更新到 v2.5.0，README 里专门开了一个"视频蒸馏区"——吴恩达《AI for Everyone》视频课程蒸出了 25 个 skill，Loop Engineering 长视频合集蒸出 8 个。
这篇单独拆一件事：一个两三个小时的 B 站/YouTube 长视频，是怎么变成一套能在 Agent 里调用的 skill 的。
先给结论：整个过程里，"视频"其实只出现在第一步。仓颉 Skill 的聪明之处在于，它根本不去理解视频——先把视频降维成文本，再把文本里的方法论榨出来。
OpenAI 开发者博客发了一篇文章，标题很直白：Rethinking skills and prompts for GPT-6 Astra——为新模型重新审视你的 Skill 和 Prompt。
核心论点一句话：为旧模型写的指令，正在拖累新模型。 " 过去一年你为了"掰"住旧模型，在 skills、AGENTS.md、任务提示里堆了大量约束。模型越强，这些脚手架越多余——而 Astra 更进一步：这些约束不仅多余，还会帮倒忙。
" Matt Pocock（就是写 TS 教程那位）搞了一个 Agent Skills 库，里面有个 skill 名字起得挺凶：grill-with-docs——grill 是"拷问"的意思。
它干的事：你的计划还很模糊、措辞还没定下来的时候，Agent 开始轮番面试你，问一轮、等你答、再问下一轮，直到你和它对这件事的理解完全一致。而且它不是聊完就完——每敲定一个术语，当场写进仓库；每个硬决策，落成 ADR。
有意思的是，这篇文档没有吹这个 skill，反而花了大量篇幅讲它的坑：依赖装不全会静默失败、在编排层里文件写入会消失、大多数决策根本不配写 ADR。这种"官方吐槽"反而让它可信。
你肯定有这种感觉：书看了不少，播客听了不少，B 站收藏了一堆长视频。 " 然后呢？什么都没变。知识停在"看过、听过、收藏过"，真到做决策的时候，脑子里什么都调不出来。
最近火起来的另一个思路是"把人蒸馏成 skill"——nuwa-skill 做马斯克 skill、巴菲特 skill，人走了经验还在。
袋鼠帝（kangarooking）做的 cangjie-skill（仓颉 Skill） 走了另一条路：蒸馏人系统性表达过的内容。一本书、一期播客、一个两小时的长视频，里面沉淀的方法论，拆出来变成 AI Agent 能调用的 Skill 工具包。
2026-08-26 09:03 GMT+8
沟通的本质是什么？
不是你说了什么，而是对方听懂了什么。
问题是：
今天介绍 ELI5——一个 Claude Code Skill，让 AI 自动调整解释风格，适应不同受众。
2026-08-21 17:40 GMT+8
每个品牌都需要一个 IP 吉祥物。
但问题来了：
今天介绍 IP as Logo——一个 Agent Skill，让你的 AI Agent 自动生成极简、可爱、公司级的 IP 吉祥物。
2026-08-12 16:38 GMT+8 " AI 写的东西，总有一股子"AI 味"。
结构太整齐，用词太标准，语气太平衡。
读起来像说明书，不像人写的。
市面上各种去 AI 味的工具：
但都没有解决根本问题：AI 的结构感太强。
用过 AI 的人都遇到过这种情况：
你问了一个问题，AI 回了一大段。你看了半天，没看懂它到底想说什么。
你让它解释一下，它又来了一大段，还是没说到点子上。
核心问题：AI 的表达方式不符合你的理解习惯，信息没有有效传达。
今天介绍一个极简但高效的 AI 技能——wait-what，只有几行配置，却能显著改善 AI 的沟通质量。
wait-what 是一个开源的 AI 技能（Skill），来自 mattpocock/skills 仓库。
每个开发者都遇到过这种情况：
核心问题：你的工作经验，没有被真正沉淀下来。
如果有一种方式，让你做一次任务，AI 就能学会并无限复用呢？
今天介绍微软开源的 Skill Recorder——一个让你录制一次工作会话，AI 就能学会并重用的桌面应用。
