查理王的创作发射台 · MISSION CONTROL

Distilling
AI Wisdom

Public Distillation Submit

公网内容蒸馏入口

粘贴整段抖音分享文案、抖音/微信公众号链接，提交后进入 OPCX 内容池。本地 worker 会用 MiniMax-M3 处理并生成 item，处理完成后由站长选择是否上线。本入口仅入队，不调用任何官方 Anthropic API，不存储任何鉴权凭据。

当前任务总览

等待提交链接

Job- 类型- 更新时间- 来源- Worker- Heartbeat-

提交入队

排队

Claude 启动

校验

发现 item

进内容池

异常

实时事件流

preflight / claude_started / heartbeat / item_detected 等

提交后这里会出现 MiniMax-M3 的每一步动作。

成果面板

done 后展示 item_dir、summary、复制按钮

仍在处理中：完成后这里会出现成果路径与可复制入口。

内容池审核台

本地 worker 蒸馏完成的成果包都会进这里。点击条目可看详情、复制/下载 MD；勾选后复制上线清单给 Codex 走发布流程，本页面不直接改线上。

已选 0 条

加载中…

查理王 @OPCX · OPC创作者

把精品视频、成熟项目和实战经验拆成可复用的 SOP、Skill 与工作流。这里不是资料堆叠，而是一套持续进化的个人 AI 操作系统。

Timeline Core Projects Distillation Daily 02:30

Mission Architecture

Charlie Timeline

OPC成长日志 · 查理王创作轨迹 · 每日更新

2026-06-19 · MISSION DAY 10

OPCX 高质量视频拆解发布工作流确立

确立 OPCX 网站内容生产系统：每天把筛选出的高质量视频，拆解成可读、可学、可传播的文章，发布到 https://www.opcx.wang。覆盖 7 个核心模块（基本信息、一句话总结、核心问题、方法论、SOP、可复用 Prompt、业务迁移），并配套 16 项发布前验收清单。目标不是私人笔记，而是公开可读的内容资产。

OPCX WORKFLOW PUBLISH DAILY OUTPUT

2026-06-19 · MISSION DAY 10

2026-06-19 日报：3 个核心项目入库

今日 GitHub AI 精华：ECC（21.7万 Star · Agent OS 锚点）、Hermes Agent（19.7万 Star · 自进化 + 持久化记忆）、Open WebUI（14.2万 Star · 自托管 RAG 界面事实标准）。三方合计 55.7万 Star，全部接入 Core Projects 区块。

DAILY DIGEST CORE PROJECTS 3 CARDS

2026-06-18 · MISSION DAY 09

48 张卡片全部支持展开 + 4 个 GitHub 旗舰项目入库

完成全部 48 个抖音视频的完整拆解归档（涵盖量化交易、AI编程、设计工具、浏览器自动化、Agent框架、GitHub 热点、法律合规 7 大主题），并新增 Dify、n8n、Open WebUI、Hermes Agent 4 张核心项目卡。所有卡片均支持点击展开/收起，10 大 Flagship 全部高亮。

MAJOR UPDATE CONTENT 48 ARCHIVES

2026-06-17 · MISSION DAY 08

三大核心工作流落地OpenClaw

将Codex九大技巧、Open Design四阶段管道、Vibe Coding 2.0 APP开发全部落地为OpenClaw Skill + Workflow JSON，可在OpenClaw中直接加载运行。

OPENCLAW SKILL WORKFLOW

2026-06-15 · MISSION DAY 06

超级大国：Superpowers 7步工作流

Superpowers是15万Star的GitHub项目，它的7步强制工作流：Brainstorming → Workspace隔离 → 写计划 → Subagent驱动开发 → TDD → Code Review → Finish Branch。每个步骤都是强制铁律，不可跳过。

15万Star METHODOLOGY

2026-06-12 · MISSION DAY 03

ECC配置全家桶 — 21万Star的Claude Code配置

Everything Claude Code（ECC）GitHub配置全家桶，包含8大模块：自动加载的CLAUDE.md/Rules/Hooks/MCP，以及按需加载的48 Agents/183 Skills/Memory/Commands。这是目前最完整的Claude Code配置方案。

21万Star CONFIG

2026-06-10 · MISSION DAY 01

OPCX Portal 正式立项

决定做一个SpaceX风格的个人网站，域名OPCX.WANG，把AI大神蒸馏内容和我的小工具作品都放上去。

NEW PROJECT WEBSITE OPC

Mission Stats

项目拆解 68

主题分类 7

万Star总和 50+

Flagship 6

Navigation Layer

Core Projects

成熟 GitHub AI 项目 · ECC · Dify · n8n · Open WebUI · Hermes Agent

🚀

ECC 配置全家桶

affaan-m/ECC · Agent OS 锚点 · ⭐ 21.7万

★ 21.7万

Agent OS 锚点：21.7万 Star 的 Claude Code 配置全家桶。8 大模块：CLAUDE.md / Rules(9) / Hooks(3 档位) / MCP / 48 Agents / 183 Skills / Memory / Commands。

2026-06-19 日报更新：技能库增长、ecc-agentshield 安全扫描器、12+ 语言生态支持。点击展开完整SOP →

📋 8大模块速查

模块	作用	加载方式
CLAUDE.md	项目入职手册	自动加载
Rules (9)	编码/安全/Git 规范	自动加载
Hooks (3档)	Pre/Post/Stop 拦截	自动加载
MCP	外部工具集成	启动时加载
48 Agents	专业智能体	按需调用
183 Skills	领域技能	按需加载
Memory	持久化记忆	按需读写
Commands	斜杠命令	按需调用

🚀 快速上手 SOP

✅ 步骤1：npm install -g ecc-universal

✅ 步骤2：ecc@ecc 安装到目标项目根目录

✅ 步骤3：/ecc-init 初始化 Skills / Hooks / Memory

✅ 步骤4：选择档位 minimal / standard / strict

🚫 不要把全部 183 Skills 加载进 CLAUDE.md，只引需要的

🔄 迁移到 OPCX / OpenClaw

// 在 OpenClaw / Codex 中复用 ECC 配置： 1. 复制 ~/.claude/CLAUDE.md → OpenClaw rules/common/ 2. 复制 ~/.claude/agents/ → OpenClaw agents/ 3. 复制 ~/.claude/skills/ → OpenClaw skills/ 4. 保留 hooks 三档（PreTool/PostTool/Stop） 5. 用 /learn 把 Memory 同步到 OpenClaw memory/ OPCX 落地价值： - 项目入库时直接复用 ECC 的研究优先（research-first）规则 - 用 agentshield 在发布前自动检测 token / secret - 用 Token 优化策略把单项目配置控制在 200 行内

🧩

Dify.AI

langgenius/dify · Workflow + RAG 编排平台

★ GITHUB

LLM 工作流编排：可视化拖拽搭建 AI 应用，集成 RAG、Agent、工具调用，多模型支持（OpenAI、Anthropic、本地 Ollama），自带 Prompt IDE 与数据集管理。

生产级：用户管理、API 转发、计费、审计。开源可私有化部署。点击展开完整SOP →

📋 核心价值

// 解决什么问题 - 把 Prompt 工程 + 知识库检索 + 工具调用串成可视化工作流 - 让产品 / 运营 / 业务方无需写代码就能搭 AI 应用 - 提供生产级 API 转发、用户管理、计费、审计 // 适合谁 - 想要快速交付 AI 应用的中后台团队 - 不想从零搭 LangChain / LlamaIndex 的独立开发者 - 需要私有化部署 + 数据合规的企业

🚀 快速上手 SOP

✅ 步骤1：docker compose up -d 启动 Dify 社区版

✅ 步骤2：访问 localhost/install 完成初始化

✅ 步骤3：在「知识库」上传文档，自动向量化入库

✅ 步骤4：拖拽节点搭工作流（LLM / 知识检索 / 工具）

✅ 步骤5：发布为 API 或 WebApp，对接业务系统

🔄 迁移到 OPCX / OpenClaw

// OPCX 场景 - 把每日 AI 日报拆解流水线托管到 Dify：抖音链接 → 抓取节点 → 蒸馏节点 → 发布节点 - 用知识库存放 48 张卡片的归档，对外提供 RAG 检索 - 把 Dify API 嵌入 OPCX 侧边栏作为"问问查理"入口 // OpenClaw 场景 - OpenClaw Agent 负责调度，Dify 负责工作流执行 - OpenClaw Skills 调用 Dify API 完成多步任务 - 用 Dify 的工具节点调用 OpenClaw 的 Skills 反向扩展能力

⚙️

n8n 工作流自动化

n8n-io/n8n · 400+ 集成节点 · 自我托管

★ GITHUB

节点式自动化：400+ 集成（Slack、Notion、Sheets、Telegram、Airtable），可写自定义 JS/Python 节点。Fair-code 许可，可私有化部署。

AI Workflow：内置 OpenAI / Anthropic / Hugging Face 节点，原生支持 RAG、Tool Calling、多步 Agent。点击展开完整SOP →

📋 核心价值

// 解决什么问题 - 用可视化节点把 SaaS、数据库、AI 模型、API 串成自动化流程 - 替代部分 Zapier / Make，绕过订阅费 + 数据外流风险 - 支持自托管 + 自定义代码，扩展性极强 // 适合谁 - 需要把 AI 输出接到现有业务系统的团队 - 重度使用多 SaaS 工具的独立创业者 - 对数据合规 / 私有化有要求的场景

🚀 快速上手 SOP

✅ 步骤1：npx n8n 启动本地实例（默认 5678 端口）

✅ 步骤2：在画布拖入触发节点（如 Webhook / Schedule）

✅ 步骤3：接 AI 节点（OpenAI / Claude / Ollama）

✅ 步骤4：接输出节点（Slack / Notion / Telegram）

✅ 步骤5：保存并启用 workflow，监控执行日志

🔄 迁移到 OPCX / OpenClaw

// OPCX 自动化场景 - 抖音视频发布 → n8n 触发 → 抓取 → 调用 OpenClaw Agent → 生成 article.md → 推送到 GitHub → 自动部署 opcx.wang - 每天定时跑：抓 GitHub Trending → 蒸馏 → 写入 OPCX 数据库 - 把 n8n 作为 OPCX 后端的 ETL 引擎，替代手写爬虫 // 与 OpenClaw 协同 - OpenClaw Agent 决定做什么，n8n 负责执行（多 SaaS 串接） - 用 n8n 的 Code 节点调用 OpenClaw CLI / API - 用 n8n 的 Webhook 反向触发 OpenClaw 工作流

💬

Open WebUI

open-webui/open-webui · 自托管 LLM 界面事实标准 · ⭐ 14.2万

★ 14.2万

自托管 LLM UI：兼容 Ollama / OpenAI 协议 API，内置 RAG 推理引擎，支持 Markdown / LaTeX / 语音 / 视频通话。Docker / Kubernetes 一键安装。

细粒度 RBAC、模型构建器、Pipeline 插件机制、文档检索增强。点击展开完整SOP →

📋 核心价值

// 解决什么问题 - 给本地 Ollama / vLLM / LMStudio 一个好看的 Web 界面 - 提供 ChatGPT 风格交互，但数据完全本地 - 内置 RAG 引擎：上传 PDF / Word / 文档 → 自动索引 → 对话中检索 // 适合谁 - 想自建 ChatGPT 替代品的个人 / 团队 - 给本地 Ollama 模型做可视化调试与对话 - 需要在企业内网部署私有 AI 平台的 IT 团队

🚀 快速上手 SOP

✅ 步骤1：docker run -d -p 3000:8080 ghcr.io/open-webui/open-webui:main

✅ 步骤2：访问 http://localhost:3000 注册管理员

✅ 步骤3：设置 → 模型 → 连接 Ollama / OpenAI 兼容 API

✅ 步骤4：文档 → 上传 PDF / MD → 启用 RAG 检索

✅ 步骤5：创建用户 / 角色，配置细粒度权限

🔄 迁移到 OPCX / OpenClaw

// OPCX 自托管 - 用 Open WebUI 私有部署 OPCX 内部 AI 助手 - 知识库导入 48 张 Distillation 卡片 + OPCX 工作流文档 - 让团队成员用对话方式查询 OPCX 内容生产 SOP // OpenClaw 协同 - Open WebUI 作为 OPCX 内部统一 LLM 入口 - OpenClaw 通过 OpenAI 协议 API 调用 Open WebUI 后端的 Ollama - 用 Pipeline 插件把 OpenClaw Skills 注册为 Open WebUI 工具

🧠

Hermes Agent

NousResearch/hermes-agent · 自进化 + 持久化记忆 · ⭐ 19.7万

★ 19.7万

与你共同成长：自进化 AI 智能体，内置学习闭环，从执行经验中自动创建技能。Honcho 框架构建越来越深的用户画像，跨会话个性化。

任意模型兼容（OpenRouter 200+ / OpenAI / HF），5 美元 VPS / Serverless / GPU 集群均可部署，Telegram / Discord / Slack / Signal 多端接入。点击展开完整SOP →

📋 核心价值

// 解决什么问题 - 解决 AI Agent"用完即忘"的痛点：跨会话记忆 + 持续学习 - 通过 Honcho 框架构建用户画像，记住你说过的话、做过的项目 - 自进化循环：每次执行后自动反思 → 创建 / 优化技能 // 适合谁 - 追求长期个性化、跨平台部署的 AI 重度用户 - 想要"越用越懂你"的个人 AI 助手 - 自动化办公场景：定时报告、备份、审计等无人值守任务

🚀 快速上手 SOP

✅ 步骤1：git clone https://github.com/NousResearch/hermes-agent

✅ 步骤2：pip install -r requirements.txt 并配置 API Key

✅ 步骤3：hermes model 选择模型（OpenRouter / OpenAI / HF）

✅ 步骤4：hermes 启动 TUI 终端界面

✅ 步骤5：配置 Telegram / Discord 网关，多端协同

🔄 迁移到 OPCX / OpenClaw

// OPCX 价值 - 把 Hermes Agent 作为 OPCX 的"长记忆层" - 跨会话记住查理王的写作偏好、常用项目、复盘结论 - 在 Telegram 接入后，外出也能与 OPCX 知识库对话 // OpenClaw 协同 - Hermes Agent 负责"用户画像 + 长记忆" - OpenClaw Agent 负责"任务执行 + Skills 调用" - 用 OpenClaw Skills 扩展 Hermes 的工具集 - 双向记忆同步：OpenClaw 的 Memory 同步给 Hermes 索引

Publishing Rule

精品优先

通过质量门槛即发布，不为凑数也不限制数量。

Automation

Daily 02:30

Claude Code + MiniMax-M3 执行，Codex 验收并部署。

Deployment

opcx.wang

SSH 自动上传，固定真实网卡绕过本地代理干扰。

Coverage

68+ Cards

已上线知识卡片 · 7 大主题 · 持续更新中。

Distillation Line

大神蒸馏线 · Distillation

63 张大神思路卡 · 7大主题 · 思路库 + 结果作品

量化交易金融

AI编程开发

AI设计工具

浏览器自动化

Agent框架

GitHub热点

法律合规

📘

把 Claude Code 装进微信：Windows 完整接入教程

OPCX · 星河里的小黄鱼

ready · 27/30

一句话摘要：Windows 端把 Claude Code 接入微信的端到端教程。链路：微信 ClawBot 插件 → cc-wechat MCP Server（长轮询）→ Claude Code 原生 exe（tengu_harbor 灰控补丁）→ Anthropic 兼容 API。5 步完成：CLI 验证、npx cc-wechat install、claude.exe 二进制 patch、start.ps1 一键常驻（acceptEdits + 崩溃自启）、微信扫码登录。核心门槛是…

--- AI 编码 Agent 强在终端，弱在入口。所有桌面 IDE 都不天然随身——开发者一旦离开电脑，就与自己的 AI 助手失联。这篇文章给出了一种解法：**把命令行 Agent 嵌入即时通讯**。点击展开完整 SOP →

🧩 核心拆解

Windows 端把 Claude Code 接入微信的端到端教程。链路：微信 ClawBot 插件 → cc-wechat MCP Server（长轮询）→ Claude Code 原生 exe（tengu_harbor 灰控补丁）→ Anthropic 兼容 API。5 步完成：CLI 验证、npx cc-wechat install、claude.exe 二进制 patch、start.ps1 一键常驻（acceptEdits + 崩溃自启）、微信扫码登录。核心门槛是…

📋 落地 SOP

步骤	动作	输入 / 输出	验收
2	重装 CLI（可选）	`npm i -g @anthropic-ai/claude-code`	全局安装成功
3	安装微信通道	`npx -y cc-wechat@latest install`	终端弹出二维码，微信扫码确认
4	关闭 Claude Code 窗口	手动操作	进程全部退出
5	二进制 patch	`node patch-exe.cjs`	exe 就地修改或生成 `.patched` 文件
6	备份与回滚准备	确认 `claude.exe.bak` 存在	原始 exe 备份

🧠 可复用 Prompt

# 角色
你是 OPCX 系统中的「WeChat-ClawBot Bridge Agent」，负责在用户通过微信 ClawBot 插件发来消息时，
调度 Claude Code 完成编码、查询、文件处理等任务，并以微信消息形式回传结果。

# 输入契约
- user_id: 微信用户标识
- message: 用户消息文本 / 文件 / 图片
- channel: 固定为 "wechat"
- permission_mode: 固定为 "acceptEdits"

# 行为准则
1. 所有文件编辑类操作直接执行，不弹 confirm
2. 危险指令（rm -rf、删库、改系统配置）必须二次确认
3. 任务完成后用 Markdown 总结回传
4. 文件结果以 base64 / 链接形式回传，不要直接长字符串

# 错误处理
- 网络断连：cc-wechat 自动重连，Agent 状态保持
- Agent 崩溃：start.ps1 5 秒自愈，无需用户感知
- 模型超时：重试 3 次后回退到备用模型

📦 下载 / 来源 / 合规

下载包（仅 distillation/opcx/run-report，不含 raw）：

原始来源：https://mp.weixin.qq.com/s/lRZWV_G0o3-RqezWwlRpFQ

直链：

合规：仅用于个人学习与非商用，禁止任何形式的商业转载、二次销售、绕过平台风控或未授权抓取。

发布于 2026-06-19T22:30:13+08:00 · slug = claude-code-windows

📘

AI产品创业，出海还是做国内市场？分享我的看法。

抖音 · 刘小排

ready · 25/30

一句话摘要：AI产品创业同等付出海外收益至少是国内的30倍，核心差异是付费习惯与经济水平，配套出海决策SOP与OPCX复用价值。

--- title: "AI产品创业出海：刘小排的30倍收益差判断与决策SOP" author: "刘小排" date: "2026-06-19" tags: ["AI创业", "出海", "国内市场", "商业认知", "定价策略"] description: "AI产品创业同等付出海外收益至少是国内的30倍，核心差异是付费习惯与经济水平，配套出海决策SOP与OPCX复用价值。" cover_image: "" --- 刘小排在这条视频里给出了一个非常直接的判断：**AI产品创业，同等付出，海外收益至少是国内的30倍。** 这个结论不是凭感觉，而是基于他自己"做过国内、又看到海外"的实际体感。点击展开完整 SOP →

🧩 核心拆解

AI产品创业同等付出海外收益至少是国内的30倍，核心差异是付费习惯与经济水平，配套出海决策SOP与OPCX复用价值。

📋 落地 SOP

步骤	动作	输入 / 输出	验收
2	无	海外同类产品调研	竞品价格表
3	有调研结果	定价决策	月费/年费定价
4	有定价	海外平台注册	账号开通
5	渠道就绪	产品本地化	海外版上线

🧠 可复用 Prompt

[用户输入：产品信息] → [市场调研节点] → [收益对比节点] → [出海建议节点] → [输出建议]

📦 下载 / 来源 / 合规

下载包（仅 distillation/opcx/run-report，不含 raw）：

原始来源：https://v.douyin.com/7630410101953727784/

直链：https://www.douyin.com/video/7630410101953727784

合规：仅用于个人学习与非商用，禁止任何形式的商业转载、二次销售、绕过平台风控或未授权抓取。

发布于 2026-06-19T22:30:13+08:00 · slug = 7630410101953727784

📘

我总结了普通人《AI三部曲》，你目前在哪一步？

抖音 · 刘小排

ready · 24/30

一句话摘要：普通人变成AI高手的三步递进路径：万事不决问AI、万事问AI、万事用AI，配套可直接落地的SOP与OPCX复用价值。

--- title: "普通人《AI三部曲》：从问AI到用AI的进阶路径" author: "刘小排" date: "2026-06-19" tags: ["AI编程", "AI学习路径", "方法论", "认知升级"] description: "普通人变成AI高手的三步递进路径：万事不决问AI、万事问AI、万事用AI，配套可直接落地的SOP与OPCX复用价值。" cover_image: "" --- 刘小排在这条视频里把普通人进阶为AI高手的路径拆成三步——**万事不决问AI、万事问AI、万事用AI**。三步之间不是平行选项，而是递进式的能力阶梯，每一步都对应一个明确的认知跃迁。点击展开完整 SOP →

🧩 核心拆解

普通人变成AI高手的三步递进路径：万事不决问AI、万事问AI、万事用AI，配套可直接落地的SOP与OPCX复用价值。

📋 落地 SOP

步骤	动作	输入 / 输出	验收
2	拆解归档	transcript	拆解归档报告.md
3	网站发布版	拆解归档报告	网站发布版_article.md
4	OPCX 评分与发布包	网站发布版	opcx-card.md + run-report.md

🧠 可复用 Prompt

[用户问题] → [AI分析节点] → [建议生成节点] → [输出答案]

📦 下载 / 来源 / 合规

下载包（仅 distillation/opcx/run-report，不含 raw）：

原始来源：https://v.douyin.com/7611493524957187380/

直链：https://www.douyin.com/video/7611493524957187380

合规：仅用于个人学习与非商用，禁止任何形式的商业转载、二次销售、绕过平台风控或未授权抓取。

发布于 2026-06-19T22:30:13+08:00 · slug = 7611493524957187380

⚡

Superpowers 探究

GitHub · Claude Code方法论

★ 15万

7步强制工作流：Brainstorming → Workspace隔离 → Writing Plans → Subagent驱动 → TDD → Code Review → Finish。

14个Skills：brainstorming、writing_plans、subagent_driven_development、TDD、code review、verification等。点击展开完整SOP →

📋 7步强制工作流 SOP

步骤	输入	输出	校验标准
1. Brainstorming	用户原始需求	明确的问题定义	能回答"我们要解决什么问题"
2. Workspace隔离	问题定义	独立工作目录	不影响主分支，可随时废弃
3. Writing Plans	问题定义	完整实施计划文档	可执行的具体步骤列表
4. Subagent驱动	实施计划	分工Agent执行	每个子任务有明确负责人
5. TDD	子任务规格	先写测试，再写实现	测试覆盖率 ≥ 80%
6. Code Review	代码变更	审查意见列表	CRITICAL/HIGH全部修复
7. Finish	通过Review的代码	合并到主分支	无构建错误，测试全绿

🧠 14个Skills清单

brainstorming — 想法到设计的转化 writing_plans — 实施计划编写 subagent_driven_dev — 子Agent驱动开发 tdd_guide — 测试驱动开发 code_review — 代码审查 verification — 交付前验证 refactor_cleaner — 重构清理 doc_updater — 文档更新 architect — 架构设计 planner — 方案规划 security_reviewer — 安全审查 build_error_resolver — 构建错误修复 e2e_runner — 端到端测试 python_reviewer — Python专项审查

⚙️ Superpowers规则（铁律）

✅ 流程优先级大于速度 — 无论多赶，必须走完7步

✅ 铁律嵌入Skills — 每个Skill强制执行，不可跳过

✅ Workspace隔离 — 每个任务独立分支，干完可删

🚫 禁止：直接写代码不写测试、直接合并不Review、跳过Brainstorming直接动手

🔑 核心Prompt模板

你是Superpowers项目的AI助手。你的工作流铁律： 1. Brainstorming — 先理解问题，不急于动手 2. Plan First — 所有任务先写计划，获得批准后再执行 3. TDD强制 — 新功能必须先写测试 4. Review必过 — CRITICAL问题未修复不合并当用户提出需求时，先进行Brainstorming，明确问题边界，再制定计划。

🚀

ECC 配置全家桶

GitHub · Claude Code配置

★ 17万

8大模块：CLAUDE.md、Rules(9)、Hooks(3档位)、MCP、自动加载；按需加载：48 Agents、183 Skills、Memory、Commands。

Buffet式配置——按需取用。Token优化策略：裁剪不需要的组件。双层架构：系统级 + 项目级。点击展开完整SOP →

📋 8大模块详解

模块	内容	加载方式	适用场景
CLAUDE.md	项目入职手册	自动加载	所有项目
Rules (9)	编码风格/安全/Git/性能	自动加载	所有项目
Hooks (3档位)	PreTool/PostTool/Stop	自动加载	按档位启用
MCP	外部工具集成	启动时加载	按需配置
48 Agents	专业智能体	按需调用	复杂任务
183 Skills	领域技能	按需加载	专业任务
Memory	持久化记忆	按需读写	跨会话
Commands	斜杠命令	按需调用	日常工作

⚙️ 双层架构

✅ 系统级配置 — ~/.claude/ 全局生效，所有项目共享

✅ 项目级配置 — ./CLAUDE.md 当前项目生效，覆盖全局

✅ 档位控制 — minimal/standard/strict 三档，适应不同场景

🔑 Token优化策略

// 1. 清单精简：只保留使用的语言规则 // 2. 禁用不需要的MCP // 3. 定期 /learn 更新记忆 // 4. 配置精简到200行以内 // 档位选择建议： // minimal — 入门/简单任务 // standard — 日常开发（推荐） // strict — 生产/复杂任务

🛡️ Hooks安全规则

🚫 PreTool拦截：阻止非tmux环境的dev服务器启动

🚫 npm/pnpm安装提醒用tmux，避免权限问题

🚫 git push前强制检查，防止意外推送

📈

AI Hedge Fund

GitHub · 多Agent量化系统

★ 5.8万

19个AI Agent并行：13位传奇投资大师Agent（巴菲特、芒格、林奇、索罗斯等）+ 6个分析师Agent（基本面、技术面、增长、情绪、估值）。

三层决策链：19 Agent并行分析 → 风险控制Agent综合 → 投资组合决策Agent最终执行。点击展开完整架构 →

📋 三层决策链 SOP

层级	Agent组成	输入	输出
L1 并行分析	13大师Agent + 6分析师Agent	市场数据 + 新闻	各自投资建议
L2 风险综合	风险控制Agent	19份分析报告	风险调整后建议
L3 最终决策	投资组合决策Agent	风控综合结果	执行指令

🧠 13位投资大师Agent

价值投资派：巴菲特(护城河分析) · 芒格(心智模型) 成长投资派：林奇(成长股挖掘) · 费雪(成长股评估) 宏观派：索罗斯(反身性理论) · 达里奥(风险平价) 技术派：Livermore(趋势跟踪) · Williams(区间交易) 量化派：Simmons(统计套利) · Tudor(宏观对冲) 事件派：Ackman( activism) · Icahn( activist) 防御派：Graham(价值防御) · Fisher(成长防御)

📊 6个分析师Agent

基本面分析师 — 财报解读、估值模型、盈利预测技术分析师 — 图表模式、趋势线、支撑阻力位增长分析师 — 营收增速、市场份额、创新能力情绪分析师 — 新闻情感、社交媒体、分析师评级估值分析师 — DCF、相对估值、绝对估值模型风险分析师 — VaR、波动率、相关性分析

⚙️ OpenClaw落地要点

✅ 每个大师Agent独立配置：系统Prompt + 知识库 + 工具集

✅ L2风控Agent：设定仓位上限、单币种风险、集中度风险

✅ L3决策Agent：汇总风控结果，输出标准化的投资指令

🚫 风险提示：本内容仅供技术研究，不构成投资建议

🧬

AI蒸馏技巧大揭秘

内容方法论 · RAAATV五步萃取法

RAAATV五步萃取法：Read → Recognize → Archive → Template → Verify。

人机分工：30%人类判断 + 70%AI归纳。三层模式识别：认知层（3-5个核心信念）→ 策略层（2-3个操作规则）→ 内容层（3-5个爆款公式）。最佳数据量50-60条，最低30条。点击展开完整萃取SOP →

📋 RAAATV五步萃取法 SOP

步骤	动作	输出	人机分工
R Read	完整观看视频，1:1记录原文	原始笔记	人：100%
R Recognize	识别核心知识点/技能点	知识点清单	人：30% · AI：70%
A Archive	三层模式识别归档	结构化文档	人：30% · AI：70%
T Template	提炼可复用模板	Prompt/SOP模板	人：50% · AI：50%
V Verify	验证模板有效性	迭代优化	人：100%

🧠 三层模式识别结构

第一层：认知层（3-5个核心信念） → 这个大神最核心的底层逻辑是什么？ → 他对行业的根本性判断是什么？第二层：策略层（2-3个操作规则） → 基于核心信念，他怎么做决策？ → 他的标准化操作流程是什么？第三层：内容层（3-5个爆款公式） → 他如何包装/表达自己的内容？ → 哪些表达方式最吸引目标受众？

📊 数据量标准

✅ 最佳数据量：50-60条同类内容

⚠️ 最低数据量：30条（低于此质量显著下降）

📌 数据来源：同一博主/专家的连续内容，保持观点一致性

🔑 知识库归档模板

# 知识库归档 ## 元数据 - 来源：抖音视频 - 作者：XXX - 主题：XXX - 提取日期：XXXX-XX-XX ## 一、核心底层逻辑（第一层） [原文中核心信念的原文摘录] ## 二、操作规则（第二层） [可复用的操作流程/决策规则] ## 三、爆款公式（第三层） [内容包装/表达公式] ## 四、可复用素材 - Prompt模板：[...] - 代码片段：[...] - SOP流程：[...]

🐍

CodeX进阶教程

模型变强后开发流程重做

毒蛇产品经理5.0：11个Skills构成完整流程：需求收集 → 设计规范 → 开发计划 → 开发 → 发布。

GO系统：Goal（目标）+ Objective（完成程度）+ Acceptance（验收方式）。规则进化：信号→抽象→建议→用户确认。你写得越少，AI发挥越好。点击展开11个Skills →

📋 毒蛇产品经理5.0 — 11个Skills

#	Skill名称	输入	输出	顺序
1	需求收集Skill	用户原始需求	需求文档	需求收集
2	设计规范Skill	需求文档	设计规范	设计
3	开发计划Skill	设计规范	开发计划	计划
4	架构设计Skill	开发计划	架构方案	计划
5	代码实现Skill	架构方案	代码	开发
6	测试Skill	代码	测试报告	开发
7	代码审查Skill	代码	审查意见	开发
8	重构Skill	审查意见	优化代码	开发
9	部署Skill	优化代码	部署状态	发布
10	监控Skill	部署状态	监控数据	发布
11	反馈Skill	监控数据	优化建议	发布

🎯 GO系统（Goal + Objective + Acceptance）

G - Goal（目标） → 这个任务要解决什么根本问题？ → 为什么要做这件事？ O - Objective（完成程度） → 我们如何衡量"完成"？ → 进度如何量化？ A - Acceptance（验收方式） → 用户如何确认结果符合预期？ → 验收标准是什么？

⚙️ 规则进化机制

✅ 信号层：AI观察代码/环境变化

✅ 抽象层：AI将信号转化为理解

✅ 建议层：AI提出行动建议

✅ 确认层：用户确认后执行

🚫 核心原则：你写得越少，AI发挥越好——给AI空间而不是限制

🔑 OpenClaw Skill模板

# 毒蛇产品经理5.0 Skill模板 ## 系统Prompt 你是一个专业的产品经理，遵循GO系统工作法。 ## 工作流程 1. 收集需求 → 明确Goal 2. 制定设计规范 → 定义Objective 3. 制定开发计划 → 确认Acceptance标准 4. 执行开发 → 定期汇报Objective进度 5. 交付验收 → 对照Acceptance确认完成 ## 输出格式 - 需求文档：问题/背景/目标/范围 - 设计规范：功能/非功能/接口/约束 - 开发计划：任务分解/时间估算/风险识别

🔑

Codex 九大技巧

OpenAI官方团队

核心哲学：让Codex知道你要做什么（WHAT）、做到什么程度算完成（SUCCESS CRITERIA），让它帮你一路推进。

九大技巧：持久对话流 · 语音输入 · 任务干预+排队 · 工具触达 · 移动端操控 · 自动化任务 · 目标设定 · 侧边栏 · 共享记忆。点击展开完整技巧详解 →

📋 九大技巧详解

技巧	用法	核心价值
持久对话流	长线程保持上下文	复杂任务不丢失状态
语音输入	语音 → Codex → 代码	效率提升3倍
任务干预+排队	中断当前任务，插入优先级任务	灵活应对紧急需求
工具触达	API调用外部工具（搜索/数据库/文件）	扩展能力边界
移动端操控	手机远程控制Codex执行	随时随地掌控
自动化任务	设定目标，Codex自动推进	减少人工干预
目标设定	明确WHAT + SUCCESS CRITERIA	给AI清晰方向
侧边栏	文件树 + 代码导航	快速定位上下文
共享记忆	跨会话记忆用户偏好/项目结构	持续学习进化

⚙️ WHAT + SUCCESS CRITERIA 模板

## WHAT（做什么）用一句话描述你要完成的任务： "[具体任务描述]" ## SUCCESS CRITERIA（完成标准） 1. [第一个验收标准] 2. [第二个验收标准] 3. [第三个验收标准] ## 当前状态 [描述当前遇到的困难或需要的帮助]

🔄 长线程 vs 共享记忆

✅ 长线程：适合单次复杂任务，保持完整上下文

✅ 共享记忆：适合多任务协作，记住项目全局信息

📌 最佳实践：长线程处理单任务 + 共享记忆记录项目上下文

🛠 OpenClaw Skill: 目标设定

# goal_setting_skill.py SKILL_NAME = "目标设定" SKILL_VERSION = "1.0" def execute(context): """接收用户模糊需求，输出标准化WHAT + SC""" user_input = context.get("user_input") # 1. 理解用户要做什么 what = extract_what(user_input) # 2. 定义完成标准 success_criteria = define_sc(user_input) # 3. 输出结构化目标 return { "goal": what, "objective": "持续推进直到SC全部达成", "acceptance": success_criteria }

🎨

Open Design 四阶段管道

AI设计工具方法论

四阶段管道：Plan（需求拆解）→ Generate（逐步生成）→ Critique（自我审查）→ Hand Off（交付文件）。

AMR模型路由：每个阶段选最合适的模型——Plan用Claude、Generate用Gemini Fast、Critique用Gemini Detail。输入3要素决定Plan精度。点击展开完整管道 →

📋 四阶段管道 SOP

阶段	输入	输出	AI模型	关键动作
1. Plan	用户需求 + 约束条件	设计方案 + 组件清单	Claude	需求拆解 · 布局规划
2. Generate	设计方案	代码/设计稿	Gemini Fast	逐步生成 · 实时预览
3. Critique	生成结果	审查报告 + 改进建议	Gemini Detail	自我审查 · 对比原方案
4. Hand Off	通过审查的设计	交付文件 + 代码包	Claude	格式化输出 · 文档整理

🧠 AMR模型路由配置

AMR_ROUTING = { "Plan": { "model": "claude-sonnet-4-6", "strength": "复杂推理 · 需求理解 · 架构设计", "prompt_style": "详细、结构化、多轮对话" }, "Generate": { "model": "gemini-2.5-flash", "strength": "快速生成 · 代码补全 · 批量产出", "prompt_style": "简洁、指令式、单次完成" }, "Critique": { "model": "gemini-2.5-pro", "strength": "细节审查 · 视觉对比 · 问题发现", "prompt_style": "分析式、列举问题、提供修复" }, "HandOff": { "model": "claude-sonnet-4-6", "strength": "代码整理 · 文档生成 · 格式规范化", "prompt_style": "格式化、完整注释、交付清单" } }

📌 Plan阶段输入3要素

✅ 要素1：用户是谁（角色画像）— 决定设计风格

✅ 要素2：使用场景（移动/桌面/大屏）— 决定布局方式

✅ 要素3：核心功能优先级（1-3个）— 决定信息层级

🔄 Critique Loop实现

# 自我审查循环 def critique_loop(generated_output, original_plan): """最多迭代3次Critique，确保质量达标""" for i in range(3): issues = analyze_output(generated_output, original_plan) if len(issues) == 0: return "PASS", generated_output generated_output = fix_issues(generated_output, issues) return "MAX_ITERATIONS", generated_output

🚀

Vibe Coding 2.0

APP开发全流程

AI不光写代码：还会自己跑测试、截图找bug、操作电脑打包上架。

流程：Superpower产品经理确认需求 → 前端视觉先图片对齐 → 截图反馈快速修复 → Play Mode计划模式 → 上下文窗口及时优化 → Codex自动上架。点击展开完整开发SOP →

📋 Vibe Coding 2.0 全流程 SOP

步骤	动作	工具	输出
1. 需求确认	产品经理Skill确认需求	Superpower PM	PRD文档
2. 视觉对齐	AI生成参考图，前端先对齐	图片生成AI	UI参考图
3. 编码实现	AI根据UI图生成代码	Codex/Gemini	可运行代码
4. 截图反馈	运行截图 → AI分析 → 快速修复	截图 + AI	修复后代码
5. Play Mode	计划模式，AI自主规划执行	Codex	完整功能
6. 上下文优化	及时优化上下文窗口	Codex	精简上下文
7. 测试验收	AI自动跑测试、截图验证	测试框架	测试报告
8. 打包上架	AI操作电脑打包 → 自动上架	Codex	上架完成

📸 截图反馈修复循环

# 截图反馈循环 screenshot_loop: 1. 运行应用，截取当前界面 2. AI分析截图与设计图的差异 3. 列出具体差异点（颜色/布局/字体/间距） 4. AI生成修复代码 5. 重新截图，重复直到差异 < 5% # 差异评分标准 diff_score = analyze_screenshot(current, reference) if diff_score > 0.05: regenerate() else: proceed_to_next_phase()

🧠 Play Mode 计划模式

✅ 定义目标：WHAT + SUCCESS CRITERIA

✅ AI自主分解任务为子任务列表

✅ AI按依赖顺序执行，无需人工干预

📌 每完成一个子任务，报告进度 + 上下文大小

⚙️ OpenClaw Workflow JSON

{ "name": "Vibe Coding 2.0 Pipeline", "stages": [ {"name": "需求确认", "skill": "superpower_pm"}, {"name": "视觉对齐", "skill": "image_gen"}, {"name": "编码实现", "skill": "code_generate"}, {"name": "截图反馈", "skill": "screenshot_feedback"}, {"name": "Play Mode", "skill": "play_mode"}, {"name": "测试验收", "skill": "auto_test"}, {"name": "打包上架", "skill": "deploy"} ], "loop_until": {"screenshot_diff": "< 5%"}, "auto_proceed": true }

⏱

Kronos 金融K线大模型

AAAI 2026 · 时间序列预测

首个金融K线专用大模型，针对价格走势预测优化。传统时序模型 vs LLM在金融场景的深度对比分析。

研究意义：从股票到加密货币，K线图是全球金融市场的通用语言，专用模型正在突破通用模型的局限。点击展开技术架构 →

📋 核心创新：K线图专用架构

维度	通用LLM	Kronos专用模型
输入格式	文本/代码	K线图图像 + 技术指标
训练数据	互联网文本	历史K线 + 成交量
预测任务	语言理解	价格走势分类/回归
时间感知	弱	强（时序注意力机制）
金融先验	无	技术指标/形态模式

📊 传统时序 vs LLM 对比

传统时序模型（ARIMA/LSTM）： ✅ 可解释性强（白盒） ✅ 样本需求少 ✅ 训练速度快 ❌ 难以捕捉非线性关系 ❌ 需要手动特征工程 ❌ 对市场 regime change 敏感 Kronos LLM方案： ✅ 端到端学习，无需特征工程 ✅ 捕捉复杂市场模式 ✅ 跨市场知识迁移 ❌ 需大量训练数据 ❌ 计算资源要求高 ❌ 可解释性相对弱

🧠 K线图Token化策略

✅ 图像Token：将K线图切分为patch，类比ViT编码

✅ 技术指标Token：MACD/RSI/布林带数值离散化为Token

✅ 时序Token：加入时间位置编码，区分不同时间周期

🚫 研究性质：模型尚未在实盘验证，勿直接用于交易

🔬 AAAI 2026 研究启示

## 核心研究结论 1. **专用模型优于通用模型**：在价格预测任务上，专用模型显著优于通用LLM 2. **多模态融合关键**：K线图 + 技术指标 + 新闻情绪的融合效果最佳 3. **时序注意力机制**：解决K线时间依赖问题的关键架构创新 4. **市场适应性**：模型需要持续微调以适应市场regime变化 ## 应用前景 - 辅助决策：提供概率化预测区间，而非确定性的涨跌预测 - 风险控制：结合VaR模型，用于尾部风险管理 - 因子挖掘：从模型隐层表征中提取Alpha因子

🎯

QuantDinger 量化丁格

私有化量化操作系统

完整私有化量化操作系统：涵盖数据采集、回测验证、风控管理、实盘对接全链路。

关键洞察：量化交易的壁垒不在于策略，而在于系统的稳定性和风控能力。点击展开全链路架构 →

📋 全链路量化系统 SOP

模块	功能	关键技术	风险点
数据采集	实时/历史行情	Kafka + 行情API	数据延迟/丢失
因子计算	Alpha因子生成	NumPy/Pandas向量化	未来函数
回测验证	策略历史表现	Walk-forward验证	过拟合
风控管理	仓位/盈亏/流动性	实时风控引擎	极端行情
订单执行	对接券商API	异步订单队列	滑点/拒单
运维监控	系统健康监控	Prometheus + Grafana	宕机风险

⚙️ 风控管理核心指标

# 风控引擎核心参数 RISK_CONFIG = { # 仓位控制 "max_position_single": 0.05, # 单币种最大仓位5% "max_position_total": 0.80, # 总仓位不超过80% "max_drawdown_stop": 0.15, # 回撤15%强平 # 流动性控制 "min_volume_24h": 1000000, # 24h成交量下限 "max_slippage": 0.005, # 最大滑点0.5% # 杠杆控制 "max_leverage": 3, # 最大3倍杠杆 "margin_call_ratio": 0.30, # 保证金率30%预警 # 风险限额 "daily_loss_limit": 0.02, # 单日亏损2%停止 "monthly_loss_limit": 0.08, # 单月亏损8%停止 }

🛡️ 回测验证标准流程

✅ Walk-forward测试：滚动窗口验证，避免过拟合

✅ 样本外验证：留出30%数据作为样本外测试

✅ 事件驱动回测：模拟真实撮合，避免偷价

🚫 历史业绩不代表未来表现，实盘前必须小资金验证

📡 OpenClaw量化工作流

## QuantDinger 工作流 1. 数据采集 → Kafka消息队列 2. 因子计算 → NumPy向量化 3. 信号生成 → 策略逻辑 4. 风控审查 → 风控引擎 5. 订单执行 → 异步队列 6. 绩效归因 → 日志分析 ## 关键原则 - 稳定性 > 收益：系统宕机一次可能损失全年收益 - 风控第一：永远不要让单次亏损超过可承受范围 - 监控先行：上线前必须有完整的监控告警体系

🛒

AI"抄"别人商品30天狂赚

跨境电商变现实操

30天 18万USD实操SOP。选品5不卖：服装（尺码多退率高）、重物（运费贵）、低利润、时间敏感、安全隐患。

4要卖：解决真实问题、多推广角度、非同质化、单元利润≥$15。5天测品法：Day1验证可行性 → Day2稳定 → Day3复制 → Day4加预算 → Day5确认爆品。

🛒 选品 5 不卖 / 4 要卖标准

维度	类型	原因	判定指标
5 不卖	服装鞋帽	尺码多、退货率高	退货率 > 15%
	重物大件	运费贵、仓储贵	物流成本 > 单价 30%
	低利润商品	单价低、利润薄	毛利 < $5
	时间敏感	节日/季节性强	过季即滞销
	安全隐患	合规风险高	FDA/CE 认证不全
4 要卖	解决真实问题	有刚需、使用频次高	复购率 > 20%
	多推广角度	可多场景拍摄素材	至少 3 个使用场景
	非同质化	差异化、视觉冲击	评论区自发晒图
	高单元利润	广告投放有空间	单元利润 ≥ $15

📅 5 天测品法 SOP

天数	输入	动作	输出 / 校验
Day 1	候选商品 + 受众定位	小预算广告测试（$50-100）	曝光/点击率符合基线
Day 2	Day 1 数据	稳定流量、观察转化	转化率稳定在 1.5% 以上
Day 3	Day 2 数据	复制最佳素材、扩展受众	CPC 不显著上升
Day 4	Day 3 数据	加预算 2-3 倍	ROAS ≥ 2.0
Day 5	Day 4 数据	确认爆品或止损	ROI 达标即入大卖清单

📋 可复用选品清单模板

# 选品评估清单 ## 商品基础 - 商品名： - 采购成本：$___ - 售价：$___ - 物流成本：$___ - 单元利润：$___（≥ $15 ✅） ## 5 不卖自检 - [ ] 非服装鞋帽 - [ ] 非大件重物 - [ ] 毛利 ≥ $5 - [ ] 无强季节性 - [ ] 合规认证齐全 ## 4 要卖自检 - [ ] 解决明确痛点 - [ ] 至少 3 个推广角度 - [ ] 视觉差异化 - [ ] 单元利润 ≥ $15 ## 5 天测品结论 - Day1 曝光/点击：___/___ - Day3 CPC：$___ - Day5 ROAS：___ - 结论：☐ 爆品 ☐ 备选 ☐ 放弃

仅用于合法授权的数据处理和个人学习，遵守目标站点 robots、服务条款和当地法律。跨境商品需符合目的国合规要求（FDA/CE/FCC 等），合规风险自负。

🔧

Harness Engineering

AI工程师核心竞争力

AI工程师核心竞争力转型：从写代码，到定义问题、设定目标、评估结果、迭代优化。

核心转变：Harness是让AI帮你完成复杂工程任务的框架，关键在于你知道要什么（What）和怎么验收（How）。

🧠 Harness Engineering 核心定义

✅ Harness（驾驭框架）：让 AI 自主完成复杂工程任务的最小可行框架

✅ 核心能力：定义问题（What）+ 设定目标（Goal）+ 评估结果（Acceptance）+ 迭代优化

✅ 工程师角色转型：从「写代码」到「设计 Harness + 验收结果」

✅ 适用场景：代码生成、数据处理、报告生成、批量内容生产等可验收任务

📋 Harness 设计 5 步 SOP

步骤	输入	动作	输出 / 校验
1. 明确 Goal	业务诉求	用一句话写清要解决的根本问题	非技术语言描述的目标
2. 拆解 Objective	Goal	拆成可量化的子目标	每个子目标有明确数值指标
3. 设计 Acceptance	Objective	定义通过/不通过的验收标准	可自动化测试或人工复核
4. 配置 Harness	Acceptance	配置工具链、提示词、上下文	AI 可独立执行无需人介入
5. 迭代优化	执行结果 + 失败样例	基于失败模式调整 Harness	通过率持续提升

⚙️ Harness Prompt 模板

# Harness 工程模板 ## Goal（一句话目标） [用业务语言描述根本问题，不涉及技术实现] ## Objective（量化子目标） 1. [子目标 1] —— 指标：[数值 / 比例] 2. [子目标 2] —— 指标：[数值 / 比例] 3. [子目标 3] —— 指标：[数值 / 比例] ## Acceptance（验收标准） - [ ] 自动化测试全部通过 - [ ] 关键指标达到 Objective 定义 - [ ] 边界情况覆盖：___ ## 上下文（Context） - 工具链：[允许 AI 调用哪些工具] - 数据源：[可访问的数据] - 约束：[禁止事项 / 必须遵守的规则] ## 迭代日志 - 失败样例 1：[描述] → Harness 调整：[调整] - 失败样例 2：[描述] → Harness 调整：[调整]

🏢

55个AI Agent虚拟公司

GitHub 3万Star · 多Agent协作

多Agent协作系统：模拟真实公司架构，55个专业化AI Agent各司其职，从产品开发到市场营销全链路覆盖。

研究意义：探索AI Agent在企业级场景的分工协作模式，每个Agent都是独立的专业角色。

🏢 55 Agent 虚拟公司架构

✅ 公司部门：产品研发 / 市场销售 / 客户成功 / 财务法务 / 人事行政

✅ 协作模式：Agent 间通过消息总线（Message Bus）通信，类似真实公司邮件/Slack

✅ 核心价值：探索多 Agent 分工协作的企业级落地范式

✅ 适用场景：研究多 Agent 拓扑、消息协议、角色分工、故障级联

📋 五大部门 Agent 分工 SOP

部门	Agent 数量	核心职责	协作对象
产品研发	15+	需求分析、PRD、架构、代码、测试	接收市场反馈
市场销售	12+	用户研究、文案、投放、线索	向产品输入需求
客户成功	8+	客服、续费、工单、NPS 收集	销售移交客户
财务法务	8+	记账、合同、合规、税务	服务全公司
人事行政	8+	招聘、培训、文化、办公	服务全公司

⚙️ Agent 角色 Prompt 模板

# Agent 角色定义 ## 身份你是 [公司名] 的 [岗位名]，向 [汇报对象] 负责。 ## 核心职责 1. [职责 1] 2. [职责 2] 3. [职责 3] ## 输入 - 上游 Agent：[消息来源 / 数据源] - 数据源：[可访问的数据] ## 输出协议（给下游 Agent） TASK: [任务描述] CONTEXT: [必要上下文] DEADLINE: [时间要求] ACCEPTANCE: [验收标准] ## 决策权限 - 可自主决策：[范围] - 需上级确认：[范围] - 触发升级条件：[异常情况]

📊

MACD 全新用法

传统指标新解 · 量价共振

MACD传统指标的创新解读：突破金叉死叉的简单用法，探索量价共振、背离确认等高级技法。

实战价值：MACD是最广泛使用的趋势指标之一，深度理解其数学本质能发现更多交易信号。

📊 MACD 量价共振 4 大新用法

✅ 传统用法：金叉死叉 → 仅基础趋势判断

✅ 高级用法 1：底背离 + 放量 = 反转信号

✅ 高级用法 2：顶背离 + 缩量 = 见顶预警

✅ 高级用法 3：零轴上下穿 + 均线多头 = 强势确认

✅ 高级用法 4：DIF/DEA 柱状图连续 3 根放大 = 趋势加速

📋 MACD 实战信号 SOP

信号	输入条件	动作	输出 / 校验
底背离买入	价格新低 + MACD 未新低 + 成交量放大	分批建仓（首仓 30%）	3 日内反弹确认加仓
顶背离卖出	价格新高 + MACD 未新高 + 成交量萎缩	减仓 50%	跌破 5 日均线清仓
零轴金叉	DIF 上穿零轴 + DEA 上穿零轴	加仓至 70%	回踩零轴不破为加仓点
死叉止损	DIF 下穿 DEA + K 线跌破 20 日均线	全部清仓	次日反弹不破止损位

⚙️ MACD 参数配置代码

# MACD 参数推荐 SHORT_PERIOD = 12 # 快线 EMA 周期 LONG_PERIOD = 26 # 慢线 EMA 周期 SIGNAL_PERIOD = 9 # 信号线 EMA 周期 # 量价共振校验 VOLUME_RATIO = 1.5 # 量能放大倍数（当前 / 20 日均量） DIVERGENCE_BARS = 20 # 背离观察窗口 # 仓位控制 FIRST_POSITION = 0.30 # 底背离首仓比例 ADD_POSITION = 0.40 # 零轴金叉加仓 STOP_LOSS = 0.05 # 止损位 5%

仅用于研究和复盘，不构成投资建议；上线交易前必须回测、小资金验证、设置止损。

🔬

Qlib 量化研究

微软开源 · AI量化框架

微软开源AI量化研究框架：涵盖数据存储、回测引擎、因子库、模型库全流程。

核心价值：提供了完整的量化研究基础设施，从因子挖掘到模型训练到回测验证的闭环。

🔬 Qlib 框架核心模块

✅ 数据层：统一的行情/财务数据接口（支持 A 股、港股、美股）

✅ 因子库：内置 100+ Alpha 因子 + 自定义因子注册

✅ 模型库：LightGBM / XGBoost / LSTM / Transformer 等 ML 模型

✅ 回测引擎：事件驱动 + 滑点 / 手续费 / 冲击成本建模

✅ 适用场景：因子研究、策略回测、模型对比、组合优化

📋 Qlib 量化研究 5 步 SOP

步骤	输入	动作	输出 / 校验
1. 数据准备	原始行情/财务数据	Qlib 数据转换 + 字段标准化	数据完整性 > 99%
2. 因子构建	清洗后数据	Alpha158 因子 + 自定义因子	因子 IC > 0.03
3. 模型训练	因子 + 标签	LightGBM 模型 + 时间序列切分	样本外 AUC > 0.55
4. 回测验证	模型预测 + 历史数据	Walk-forward 回测 + 风控约束	年化夏普 > 1.5
5. 实盘评估	回测信号	模拟盘 1-3 个月	实盘 vs 回测偏差 < 20%

⚙️ Qlib 研究代码模板

import qlib from qlib.contrib.data.handler import Alpha158 from qlib.contrib.model.gbdt import LGBModel from qlib.contrib.strategy.signal_strategy import TopkDropoutStrategy from qlib.backtest import backtest, executor # 初始化 qlib.init(provider_uri="~/.qlib/qlib_data/cn_data") # 数据 + 因子 handler = Alpha158(instruments="csi300", start_time="2018-01-01", end_time="2024-12-31") # 模型训练 model = LGBModel({"loss": "binary", "learning_rate": 0.05}) model.fit(dataset) # 策略回测 strategy = TopkDropoutStrategy(topk=30, n_drop=5) executor = executor.SimulatorExecutor(time_per_step="day") portfolio_metric, indicator = backtest( strategy=strategy, executor=executor, account=1000000)

仅用于研究和复盘，不构成投资建议；上线交易前必须回测、小资金验证、设置止损。

💹

Claude Code 投研系列

7天1千Star · 大A数据源

7天1千Star的投研数据项目：用Claude Code快速搭建稳定的大A（A股）数据源。

方法论：Codex/Claude Code在金融数据采集、清洗、存储场景的高效应用示范。

💹 Claude Code 投研数据源 5 大核心机制

✅ 数据源选型：akshare / baostock / tushare 三选一，主备双链路保证稳定

✅ 本地落库：SQLite + Parquet 双格式，按日期分区存储，查询毫秒级

✅ 增量更新：每日 T+1 收盘后增量拉取，避开交易时段风控

✅ 异常校验：行数 / 字段 / 异常值三道关卡，错误自动告警

✅ 复用等级：7 天 1 千 Star，方法论已被社区验证可直接复用

📋 大A 数据源搭建 5 步 SOP

步骤	输入	动作	输出 / 校验
1. 数据源选型	akshare / baostock / tushare 账户	主备双源，自动切换	数据获取成功率 > 95%
2. 落库设计	原始行情/财务数据	SQLite + Parquet 增量分区	每日增量耗时 < 2s
3. 调度	cron / Windows 计划任务	工作日 16:30 自动增量	数据延迟 T+1
4. 校验	行数 / 字段 / 异常值	三道自动校验 + 告警	异常零容忍
5. 报告输出	清洗后数据	日报 / 周报 / 因子流水线	可复用 Markdown / CSV

⚙️ Claude Code 数据采集脚本模板

# pip install akshare baostock pandas pyarrow import akshare as ak import baostock as bs import pandas as pd from pathlib import Path DATA_DIR = Path("./data/a_share") DATA_DIR.mkdir(parents=True, exist_ok=True) def fetch_with_fallback(date_str: str) -> pd.DataFrame: try: df = ak.stock_zh_a_hist( symbol="000001", period="daily", start_date=date_str, end_date=date_str, adjust="qfq") if df.empty: raise ValueError("empty") return df except Exception: bs.login() rs = bs.query_history_k_data_plus( "sh.600000", "date,code,open,high,low,close,volume", start_date=date_str, end_date=date_str) return rs.get_data() def save_increment(df: pd.DataFrame, date_str: str) -> None: fp = DATA_DIR / f"{date_str}.parquet" df.to_parquet(fp, engine="pyarrow", index=False) if __name__ == "__main__": today = pd.Timestamp.today().strftime("%Y%m%d") df = fetch_with_fallback(today) assert len(df) > 0, "no rows fetched" save_increment(df, today) print(f"saved {len(df)} rows for {today}")

仅用于研究和复盘，不构成投资建议；上线交易前必须回测、小资金验证、设置止损。

☸️

Multica — AI Agent的K8s

Agent编排框架 · 基础设施

多Agent编排框架：类比Kubernetes对容器的作用，Multica解决多个AI Agent的协调、调度、通信问题。

核心价值：当Agent数量增多时，编排和协调成为瓶颈，Multica提供了系统化的解决方案。

☸️ Multica Agent 编排 5 大核心机制

✅ 声明式 Spec：Agent 角色/工具/上下文用 YAML 描述，像 K8s Pod 一样声明

✅ Master / Worker 架构：Master 负责任务调度，Worker 执行具体 Agent 任务

✅ Service Discovery：Agent 之间通过命名服务发现彼此，自动寻址

✅ Health Check + 自动重启：长任务失败自动迁移到健康节点

✅ 适用场景：多 Agent 流水线、跨服务工具调用、长时任务编排

📋 Multica 集群部署 5 步 SOP

步骤	输入	动作	输出 / 校验
1. 部署 Master	Multica 镜像 / 二进制	1 Master + N Worker 节点初始化	etcd 集群 Ready
2. 定义 Agent Spec	角色 / 工具 / 上下文	YAML 声明式注册到 Registry	Spec 校验通过
3. 任务下发	用户请求 / Cron 触发	Master 按资源调度到 Worker	任务分配延迟 < 1s
4. 执行追踪	Trace / Span ID	全链路日志聚合到 Grafana	可观测 100%
5. 容错恢复	Worker 故障 / 超时	自动迁移 + 重试 + 告警	任务零丢失

⚙️ Multica Agent Spec 模板

# multica-agent.yaml apiVersion: multica/v1 kind: Agent metadata: name: research-agent labels: role: analyst tier: gpu-l4 spec: replicas: 3 image: multica/agent-runtime:0.4 tools: - web-search - code-interpreter - file-reader context: max_tokens: 32000 memory: redis://memory.internal:6379 resources: cpu: "2" memory: "4Gi" healthCheck: httpGet: /healthz initialDelay: 5s period: 10s restartPolicy: OnFailure

📌 调度策略 JSON：按 label tier 匹配 Worker，避免 LLM 任务抢占 CPU 节点

🌐

AI浏览器技能探究

Browser Agent · 自动化

Browser Agent工作流：AI操控浏览器完成复杂任务，从数据采集到内容发布全自动化。

关键技术：网页交互、动态内容处理、反爬应对、多步骤任务编排。

🌐 AI 浏览器 Agent 5 大核心机制

✅ 主路径：Playwright / CDP + accessibility tree 作为稳定读取入口

✅ 回退策略：截图 + 多模态识别只在 accessibility 不可用时启用

✅ 自愈能力：Stagehand 处理不稳定页面，自动重试 + 重新定位

✅ 复用优先：先复用已有 profile / 会话，再开新窗口

✅ 敏感动作：登录 / 支付 / 下单 / 发布必须人工确认，禁止全自动

📋 Browser Agent 任务执行 5 步 SOP

步骤	输入	动作	输出 / 校验
1. 环境复用	已有 Profile / CDP 端口	检查调试端口与登录态	复用率 > 80%
2. 任务建模	用户自然语言指令	accessibility snapshot 拆解	任务列表 > 0
3. 执行循环	任务列表	点击 / 输入 / 滚动 + 等待	操作日志完整
4. 异常恢复	超时 / 选择器失效	重新 snapshot + 重试 3 次	恢复成功率 > 70%
5. 结果汇总	页面 DOM / 表格	结构化 JSON 输出	字段校验通过

⚙️ Browser Agent Prompt 模板

你是一个浏览器自动化助手。请遵循以下规则： 1. 优先使用 accessibility tree（role/name/value）定位元素，不要猜测 selector。 2. 每一步操作前先 snapshot，确认当前页面状态。 3. 遇到验证码、登录、支付、最终提交时立即停止并请求人工确认。 4. 失败时重新 snapshot，不要无限重试，最多 3 次。 5. 最终输出结构化 JSON：{success, data, steps, errors[]} 任务：{用户输入} 当前 URL：{url} 可用工具：playwright_click / playwright_type / playwright_navigate

📌 关键约束：登录态、验证码、支付动作必须人工兜底，不要试图全自动绕过

仅用于合法授权的数据处理和个人学习，遵守目标站点 robots、服务条款和当地法律。

🕷

爬虫逆向 AI工作流

反爬对抗 · 数据采集

AI辅助的反爬对抗策略：用AI分析网站防护机制，生成针对性绕过方案。

核心技能：请求特征模拟、验证码处理、IP代理池、行为轨迹模拟。

🕷 爬虫逆向 AI 工作流 5 大核心机制

✅ 抓包分析：mitmproxy + LLM 解析加密参数，还原接口签名算法

✅ 指纹伪装：浏览器指纹生成器，UA / Canvas / WebGL 真实感 > 0.8

✅ 行为模拟：随机延时 + 鼠标贝塞尔曲线轨迹，绕过行为风控

✅ 验证码处理：打码平台 + 自训练模型双通道，识别率 > 90%

✅ IP 代理池：住宅代理 + 失败熔断，避免单点 IP 被封

📋 反爬对抗 5 步 SOP

步骤	输入	动作	输出 / 校验
1. 抓包分析	目标站 URL	mitmproxy 抓包 + LLM 解析参数	接口文档 > 80% 字段
2. 指纹伪装	浏览器环境	指纹生成器 + Canvas 噪声	检测分数 < 0.3
3. 行为模拟	点击 / 滚动序列	随机延时 + 贝塞尔轨迹	通过率 > 70%
4. 验证码	验证码图片	打码平台 + 自训练模型	识别率 > 90%
5. 监控熔断	失败率 / 状态码	失败率 > 50% 自动暂停	零封号事故

⚙️ Playwright 反检测配置 + 抓包 Prompt

# playwright_stealth.py from playwright.sync_api import sync_playwright from playwright_stealth import stealth_sync with sync_playwright() as p: browser = p.chromium.launch( headless=True, args=[ "--disable-blink-features=AutomationControlled", "--disable-features=IsolateOrigins,site-per-process", ], ) ctx = browser.new_context( viewport={"width": 1440, "height": 900}, user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) " "AppleWebKit/537.36 (KHTML, like Gecko) " "Chrome/124.0.0.0 Safari/537.36", locale="zh-CN", timezone_id="Asia/Shanghai", ) stealth_sync(ctx) page = ctx.new_page() page.goto("https://target.example.com", wait_until="networkidle") print(page.title())

你是抓包分析专家。请解析以下 mitmproxy 抓包结果： 1. 列出所有 XHR / Fetch 请求，标注 URL、方法、入参、出参结构。 2. 识别加密参数：哪些字段是签名、时间戳、token？推测生成算法。 3. 还原最小可重放脚本：Python + requests 实现一次成功调用。 4. 标注风控点：哪些请求会触发验证码 / IP 封禁？抓包数据： {mitmproxy_dump}

仅用于合法授权的数据处理和个人学习，遵守目标站点 robots、服务条款和当地法律；禁止用于窃取隐私、绕过付费墙、刷量作弊。

🎨

Pixso MCP + Claude Code

设计图秒变代码 · AI生成UI

MCP协议在设计工具中的应用：Pixso通过MCP连接Claude Code，实现设计图到代码的自动化转换。

核心流程：设计图 → AI解析布局/组件 → 生成可用代码。设计到开发的最后一公里被AI打通。

🎨 Pixso MCP + Claude Code 5 大核心机制

✅ MCP 协议握手：Pixso 作为 MCP Server 暴露设计图读取能力

✅ 图层解析：自动抽取组件树、文字、颜色、间距、字号

✅ 组件识别：通过命名约定匹配项目已有组件库，优先复用

✅ 代码生成：Claude Code 输出 Vue / React / Taro 多框架代码

✅ 像素校验：设计稿 vs 渲染结果 diff，自动定位偏差 > 5%

📋 设计图转代码 5 步 SOP

步骤	输入	动作	输出 / 校验
1. 启动 MCP	Pixso API Key + 团队空间	启动 Pixso MCP Server	协议握手成功
2. 选择设计稿	Pixso 链接 / 文件 ID	拉取图层 + 样式 JSON	设计数据完整
3. 组件匹配	图层树	命名匹配项目组件库	复用率 > 60%
4. 代码生成	设计数据 + 模板	Claude Code 输出 .vue / .tsx	可编译通过
5. 像素校验	设计稿 + 截图	pixelmatch diff < 5%	视觉一致

⚙️ Pixso MCP 配置 + 转换 Prompt

# ~/.claude/mcp_servers.json { "mcpServers": { "pixso": { "command": "npx", "args": ["-y", "@pixso/mcp-server"], "env": { "PIXSO_API_KEY": "px-xxxxxxxxxxxxxxxx", "PIXSO_TEAM_ID": "1234567890" } } } } # 启动后 Claude Code 自动获得工具： # pixso_get_file / pixso_get_nodes / pixso_export_image

你是设计稿转代码专家。请使用 pixso_get_nodes 工具读取以下设计稿：链接：{pixso_file_url} 目标框架：{vue3 | react | taro} 要求： 1. 优先复用项目已有组件库 @/components/*，不要新建重复组件。 2. 使用 UnoCSS / Tailwind 完成样式，禁止内联 style。 3. 保持图层命名作为组件 props，便于二次维护。 4. 输出文件结构：src/views/{page}/index.vue + components/{sub}.vue 5. 完成后用 playwright 截图对比设计稿，像素差 > 5% 时自修正。

📌 关键技巧：在 CLAUDE.md 中声明项目组件库列表，让 Pixso MCP 自动对齐

🔍

AnySearch

GitHub宝藏 · 全能搜索工具

跨平台全能搜索工具：聚合多个搜索源，一次输入获得多平台结果。

应用场景：竞品分析、市场调研、内容聚合。AI增强后的搜索结果排序和摘要生成。

🔍 核心拆解

✅ 跨引擎聚合：一次输入自动覆盖 Google / Bing / DuckDuckGo / 百度 / 搜狗等多个搜索源

✅ 结果归并：URL 归一化 + 文本相似度去重 + 域权重二次排序

✅ AI 摘要：调用 LLM 对 Top-K 结果抽取 TL;DR 与立场判断

✅ 适用场景：竞品调研、舆情聚合、技术资料检索、学术对比、热点追踪

📋 落地 SOP

步骤	输入	动作	输出/校验
1. 需求定义	关键词 + 目标平台清单	明确搜索域与时间窗口	搜索任务单 JSON
2. 源引擎选择	任务单	配置 engines 列表与权重	engines.yaml
3. 并发抓取	engines.yaml	asyncio 并发抓取 top-K	原始结果集
4. 去重排序	原始结果集	URL 归一化 + 文本相似度合并	去重结果集
5. AI 摘要	去重结果集	LLM 抽取 TL;DR 与立场标签	摘要 JSON
6. 导出交付	摘要 JSON	导出 Markdown / Notion / CSV	交付物存档

🔑 可复用模板

# AnySearch 任务 Prompt 模板任务：根据以下关键词与平台清单，生成结构化搜索结果摘要。关键词：{{KEYWORDS}} 时间窗口：{{DATE_RANGE}} 平台权重：{{ENGINE_WEIGHTS}} 输出字段：title / url / source / snippet / tl_dr / stance 要求： 1. TL;DR 不超过 30 字 2. stance 取值：positive / neutral / negative / unknown 3. 同主题链接合并去重

# engines.yaml 示例 engines: - name: google weight: 1.0 top_k: 10 - name: bing weight: 0.8 top_k: 10 - name: duckduckgo weight: 0.6 top_k: 8 - name: baidu weight: 0.5 top_k: 8

仅用于合法授权的数据处理和个人学习，遵守目标站点 robots、服务条款和当地法律。

🚨

股票大涨前四大信号

技术分析 · 策略验证

技术分析核心策略：量价异动、均线排列、MACD背离、板块联动四大暴涨信号。

每个信号都有明确的技术指标定义和历史回测验证数据。

🚨 四大信号核心拆解

✅ 信号一·量价异动：成交量较 20 日均量放大 2 倍以上 + 收盘涨幅 > 5%，主力资金介入

✅ 信号二·均线排列：MA5 > MA10 > MA20 > MA60 多头排列，趋势已确立

✅ 信号三·MACD 底背离：股价新低但 DIF/DEA 未新低，量价背离见反转

✅ 信号四·板块联动：同板块 3 只以上个股同步出现买点，板块β共振

📋 落地 SOP

步骤	输入	动作	输出/校验
1. 数据准备	股票代码池	拉取日线 K 线 + 成交量 + 板块成分	原始数据 parquet
2. 信号一扫描	原始数据	量比 > 2 且涨幅 > 5% 标记	信号一候选集
3. 信号二扫描	原始数据	MA5>MA10>MA20>MA60 全条件判定	信号二候选集
4. 信号三扫描	原始数据	回溯 60 日低点 + MACD 背离检测	信号三候选集
5. 信号四扫描	板块成分	同板块 ≥3 只同步命中即触发	信号四候选集
6. 多信号加权	四个候选集	交集 + 加权打分 ≥ 3 即入选	最终买入候选

🔑 可复用模板

# 信号扫描伪代码 def scan_signals(df): df['vol_ratio'] = df['vol'] / df['vol'].rolling(20).mean() df['ma_bull'] = (df['ma5'] > df['ma10']) & (df['ma10'] > df['ma20']) & (df['ma20'] > df['ma60']) df['macd_div'] = detect_macd_bottom_divergence(df, window=60) return df[(df['vol_ratio'] > 2) & (df['close_pct'] > 0.05) & (df['ma_bull']) & (df['macd_div'])]

📌 加分项：北向资金净流入、龙虎榜机构买入、研报上调评级

📌 减分项：解禁压力、商誉占比 > 30%、近期高管减持

仅用于研究和复盘，不构成投资建议；上线交易前必须回测、小资金验证、设置止损。

🤖

解放双手 AI量化

自动回测 · 自动优化 · 自动生成策略

全自动量化策略流水线：从因子生成 → 回测验证 → 参数优化 → 策略筛选全流程自动化。

核心价值：减少人工干预，提高策略产出的效率和多样性。

🤖 AI 量化流水线核心拆解

✅ 因子工厂：LLM 阅读论文/研报 → 自动提炼 α 因子表达式

✅ 自动回测：Qlib / Backtrader 并行跑多标的 × 多因子组合

✅ 参数寻优：贝叶斯优化 + 网格扫描寻找稳健参数区

✅ 策略筛选：按夏普/最大回撤/ICIR 多维打分自动归档

✅ 核心价值：把研究员 80% 重复劳动交给机器，人专注 idea

📋 落地 SOP

步骤	输入	动作	输出/校验
1. 因子生成	研报 / 论文 / 自然语言描述	LLM 抽取因子公式与逻辑	因子候选池 JSON
2. 数据对齐	因子候选 + 历史行情	Qlib 数据集构建 + 缺失值填充	对齐后 HDF5
3. 单因子回测	对齐数据	分组回测 + IC / RankIC 计算	因子评估报告
4. 组合回测	通过初筛的因子	多因子合成 + 等权/IC 加权	组合净值曲线
5. 参数寻优	组合净值曲线	Optuna 贝叶斯寻参 + 滚动验证	稳健参数集
6. 策略归档	稳健参数集	写入策略库 + 飞书通知	策略 ID + 报告链接

🔑 可复用模板

# 因子提炼 Prompt 模板角色：你是顶级量化研究员。输入：一段研报或论文摘要。输出 JSON： { "factor_name": "动量反转复合", "formula": "(close - close.shift(20)) / atr(14)", "direction": "long_top", "expected_ic": 0.03, "risk_note": "高换手，注意冲击成本" }

# Qlib 流水线示例 import qlib from qlib.contrib.data.handler import Alpha158 from qlib.contrib.strategy import TopkDropoutStrategy from qlib.backtest import backtest qlib.init(provider_uri="~/.qlib/qlib_data/cn_data") dataset = Alpha158(instruments="csi300", start_time="2018-01-01") # ... 训练、回测、归档

仅用于研究和复盘，不构成投资建议；上线交易前必须回测、小资金验证、设置止损。

🏛

华尔街内部方法论

开源量化方法 · 机构级策略

华尔街机构级量化方法开源：涵盖风控模型、组合优化、收益归因等机构核心技能。

研究价值：以往只有机构内部能看到的方法论，现在已开源给社区。

🏛 机构级方法论核心拆解

✅ 风控模型：VaR / CVaR / 最大回撤约束 + 压力测试

✅ 组合优化：Black-Litterman、风险平价、最优传输 Mean-CVaR

✅ 收益归因：Brinson / Fama-French 多因子分解业绩贡献

✅ 执行算法：TWAP / VWAP / IS + 滑点模型控制冲击成本

✅ 研究价值：把只有 PM 才能看到的方法论，下放到独立研究者

📋 落地 SOP

步骤	输入	动作	输出/校验
1. 风控建模	组合持仓 + 收益率序列	计算 VaR/CVaR + 压力情景	风控报告
2. 组合优化	预期收益 + 协方差矩阵 + 观点	BL 模型求解最优权重	目标权重 + 偏离度
3. 收益归因	实际持仓收益 + 基准	Brinson 三因子拆解	配置/选股/交互贡献
4. 执行拆单	目标权重 + 成交量分布	TWAP/VWAP 拆单 + 滑点预估	执行计划 + 成本预算
5. 复盘归档	实际成交与归因	周报 + 月报对比预期/实际	复盘文档

🔑 可复用模板

# Black-Litterman 权重融合伪代码 def bl_weights(market_w, P, Q, omega, tau, sigma): pi = delta * sigma @ w_mkt # 隐含均衡收益 middle = inv(tau * sigma + P.T @ inv(omega) @ P) bl_mu = pi + tau * sigma @ P.T @ middle @ (Q - P @ pi) return optimal_weights(bl_mu, sigma)

# 周报归因 Prompt 模板输入：本周组合每日净值、基准净值、各持仓交易明细。输出 Markdown 报告： 1. 本周收益 + 超额收益 2. Brinson 归因（配置/选股/交互） 3. Top3 正负贡献个股 4. 滑点/冲击成本统计 5. 下周调仓建议

📌 推荐开源项目：qrisk（风控）、riskfolio（组合优化）、empyrical（绩效）

仅用于研究和复盘，不构成投资建议；上线交易前必须回测、小资金验证、设置止损。

🛡

绕过浏览器反爬

反爬技术 · 合规采集

浏览器反爬机制的深度解析：JS加密、行为检测、字体反爬、Cookie追踪的原理和应对。

合规提示：数据采集需要在合法合规的前提下进行，本内容仅供技术学习。

🛡 反爬机制核心拆解

✅ JS 加密：核心参数走 JS 动态生成，需补环境/逆向/调用原函数

✅ 行为检测：轨迹/停留/滚动/点击模式 → 用真实浏览器自动化降低识别

✅ 字体反爬：自定义字体映射关键数字 → 解析 ttf 还原真实字符

✅ Cookie 追踪：__cf_bm / acw_sc__v2 / sensor_data → 解析 + 重放

✅ IP 风控：高频 IP 拉黑 → 住宅代理 + 限速 + UA/时区对齐

📋 落地 SOP

步骤	输入	动作	输出/校验
1. 抓包分析	目标 URL	浏览器 DevTools 抓请求 + 看加密字段	请求清单 + 加密参数列表
2. 环境还原	加密参数	Node/PyExecJS 执行原 JS 或补浏览器环境	可调用函数
3. 行为拟真	采集脚本	Playwright + 真实轨迹 + 随机延迟	行为轨迹日志
4. 字体还原	ttf 文件	fontTools 解析 glyph → 映射表	字符映射字典
5. 代理池	采集 IP 列表	住宅代理 + 失败重试 + 限速	可用代理池
6. 集成验收	完整流水线	小流量灰度 + 比对真实浏览器结果	差异率 < 1%

🔑 可复用模板

# Playwright 拟真访问模板 from playwright.sync_api import sync_playwright import random, time with sync_playwright() as p: browser = p.chromium.launch(headless=False) ctx = browser.new_context( viewport={"width": 1440, "height": 900}, user_agent="Mozilla/5.0 ... Chrome/124", timezone_id="Asia/Shanghai", ) page = ctx.new_page() page.goto("https://target.example.com", wait_until="networkidle") # 模拟真人滚动 for y in range(0, 2400, random.randint(300, 700)): page.mouse.wheel(0, y); time.sleep(random.uniform(0.3, 1.1)) page.screenshot(path="result.png", full_page=True)

# JS 逆向助手 Prompt 你是一名资深前端逆向工程师。任务：还原下面这段 JS 的真实逻辑并输出可运行的 Python 等价实现。 JS 片段：{{JS_CODE}} 要求： 1. 列出每个变量与函数的作用 2. 给出 Python 等价代码（requests / execjs） 3. 标注依赖的浏览器 API 与处理方式

📌 工具推荐：Playwright / DrissionPage / undetected-playwright / Node execjs

📌 排错思路：先抓 5 条真实浏览器请求对比，再决定逆向 vs 补环境

仅用于合法授权的数据处理和个人学习，遵守目标站点 robots、服务条款和当地法律。

⚡

新一代浏览器自动化工具

比Playwright更强 · 更省Token

新一代浏览器自动化方案：更低的Token消耗、更稳定的执行、更强的反对抗能力。

对比Playwright：在大规模数据采集场景下，新工具的效率提升显著。

⚡ 5 大核心机制

✅ Token 压缩传输 — 仅回传 DOM 摘要 + 关键节点文本，跳过样式与脚本，单页可压到 800 tokens 以内

✅ 自适应元素定位 — 优先 CSS Selector，自动降级到 ARIA / Text / XPath，命中率 ≥ 95%

✅ 反对抗能力 — 内置反指纹、随机 UA、请求抖动、人类节奏模拟，应对常见反爬

✅ 智能重试 — 失败时自动重新 snapshot，按指数退避重试最多 5 次，避免无限循环

✅ 多框架兼容 — Playwright / Puppeteer / Selenium / CDP 全协议支持，无须切换运行时

📋 落地 5 步 SOP

步骤	输入	动作	输出 / 校验
1. 环境检测	目标站点 URL	安装扩展 + 配置 Token 预算	单页 ≤ 800 tokens
2. 元素建模	DOM 摘要	抽取关键交互节点清单	节点表 > 0
3. 任务编排	用户自然语言指令	拆解为 click / type / wait 序列	步骤列表完整
4. 执行循环	步骤序列	单步执行 + 校验	操作日志 100% 记录
5. 结果输出	页面状态	结构化 JSON 字段抽取	字段校验通过率 ≥ 95%

⚙️ 可复用模板

# 安装 npm i new-browser-automation # Token 预算配置 export MAX_PAGE_TOKENS=800 export ELEMENT_FALLBACK="css>aria>text>xpath" export RETRY_BACKOFF="100,300,900,2700,8100" # 一键运行 npx new-browser-automation --url "https://target" --goal "extract table"

你是新一代浏览器自动化助手。规则： 1. 每页只回传 DOM 摘要，禁止回传完整 HTML / CSS / 脚本 2. 元素定位优先级：CSS Selector > ARIA > Text > XPath 3. 失败时先重新 snapshot，最多重试 5 次，超限立即报告 4. 遇到验证码 / 支付 / 登录必须停下请求人工确认 5. 最终输出 JSON：{success, pageTokens, steps[], data, errors[]} 任务：{用户输入} 当前 URL：{url} 可用工具：click / type / scroll / wait / snapshot

仅用于合法授权的数据处理和个人学习，遵守目标站点 robots、服务条款和当地法律。

⚖️

Claude Legal Skill

GitHub开源 · 法律AI工具

法律从业者开源的GitHub项目：用Claude处理法律文档、合同审查、法规查询。

核心价值：法律是高度专业化的领域，专用Skill比通用AI效果更好。

⚖️ 5 大核心机制

✅ 法律条文精检 — RAG 检索现行法律法规 + 司法解释，覆盖民事 / 刑事 / 商事 / 行政

✅ 类案匹配 — 基于事实特征向量检索相似判例，输出裁判要旨摘要

✅ 合同审查流水线 — 条款拆解 → 风险标注 → 修改建议，输出 Markdown 结构化报告

✅ 法律意见书生成 — 案情分析 → 法律适用 → 结论建议，三段式标准化输出

✅ 知识库隔离 — 律师私有案源 + 公开判例双层索引，保护客户隐私

📋 落地 5 步 SOP

步骤	输入	动作	输出 / 校验
1. 案情建模	客户陈述 + 关键证据	事实要素抽取 + 时间线	要素清单完整
2. 条文检索	案情要素	RAG 检索法律 / 司法解释	命中条文 ≥ 3 条
3. 类案匹配	争议焦点	判例库向量检索 Top 10	相似度 ≥ 0.7
4. 风险评估	条文 + 类案	支持 / 反对 / 中性三档分类	风险评级明确
5. 意见书输出	评估结果	Markdown 三段式成稿	通过律师复核

⚙️ 可复用模板

# 安装 git clone https://github.com//claude-legal-skill cd claude-legal-skill && pip install -r requirements.txt # 知识库初始化 python ingest_laws.py --corpus ./data/laws --corpus ./data/cases # 启动服务 export ANTHROPIC_API_KEY=$CLAUDE_API_KEY python server.py --port 8080

你是 Claude Legal Skill 助手。规则： 1. 所有结论必须标注引用条文 / 类案编号，禁止凭空判断 2. 区分"明确法律"与"学理观点"，输出时显式标注置信度 3. 不替代律师执业，最终意见必须经持证律师签字 4. 涉及刑事案件须先确认当事人已委托辩护人 5. 输出格式：案情摘要 → 法律依据 → 类案参考 → 风险评级 → 建议案情：{user_input} 管辖：{jurisdiction} 争议类型：{dispute_type}

仅供学习研究，不构成法律意见。AI 输出未经持证律师复核不得用于实际案件。

📋

CRS 境外投资税务申报

合规申报 · 跨境金融

Common Reporting Standard税务信息交换机制：境外金融账户信息的自动交换标准。

实务要点：申报流程、豁免条件、违规处罚，以及AI在合规领域的应用。

📋 5 大核心机制

✅ CRS 协议识别 — 自动判断账户所在国是否属于 CRS 参与方（150+ 司法管辖区）

✅ 应申报账户分类 — 识别个人 / 实体账户、消极非金融实体穿透、控制人识别

✅ 申报表字段映射 — TIN / 姓名 / 地址 / 余额 / 利息 / 股息等字段标准化

✅ 豁免与例外处理 — 社保账户、退休账户、低于阈值账户的过滤逻辑

✅ 违规处罚预警 — 漏报 / 错报 / 迟报对应处罚条款自动匹配

📐 落地 5 步 SOP

步骤	输入	动作	输出 / 校验
1. 主体识别	纳税人基本信息	判定居民身份 + CRS 参与国	身份标签明确
2. 账户盘点	境外账户清单	扫描银行 / 券商 / 信托 / 保险	账户清单完整
3. 信息收集	账户详情	TIN / 余额 / 收入字段抽取	字段缺失率 < 5%
4. 申报表生成	收集结果	生成 XML / CRS 表格	格式校验通过
5. 提交与归档	申报表	本地税务机关提交 + 留档	回执完整保存

⚙️ 可复用模板

# AI 辅助 CRS 申报清单（自查模板） [ ] 居民纳税人身份证明 [ ] 境外账户开户行 + 账号 [ ] TIN（税务识别号） [ ] 报告年度 12.31 账户余额 [ ] 年度利息 / 股息 / 资本利得 [ ] 控制人穿透信息（实体账户） [ ] 豁免依据（如适用） [ ] CRS XML 格式校验

你是 CRS 税务申报助手。规则： 1. 仅基于用户提供的账户信息生成申报草稿，不做任何虚构 2. 输出字段必须与 OECD CRS 报告模板严格对齐 3. 涉及居民身份认定必须先确认税务居民国 4. 控制人识别按"消极非金融实体"穿透规则处理 5. 输出格式：主体信息表 + 账户明细表 + 豁免说明 + 风险提示纳税人信息：{user_input} 报告年度：{year} 申报国别：{country}

仅供学习研究，不构成税务意见。CRS 申报涉及具体税务责任，请以专业税务师 / 律师意见为准。

📝

一个人顶一个编辑部

7个GitHub项目 · 公众号写作流水线

AI写作工业化流程：选题 → 素材搜集 → 撰写 → 排版 → 发布，全链路自动化。

7个GitHub项目协同：从爆款分析到内容生成到多平台分发，每个环节都有专用工具。

📝 7 个 GitHub 项目协同架构

✅ 选题 Agent — 爆款分析 + 热点爬取 + 历史数据建模，输出选题候选清单

✅ 素材 Agent — 多源抓取（RSS / 论文 / Twitter / 公众号） + 去重 + 摘要

✅ 撰写 Agent — 基于素材 + 个人风格的初稿生成，支持改写到不同平台调性

✅ 排版 Agent — Markdown → 公众号 / 知乎 / 小红书多平台样式适配

✅ 发布 Agent — 定时多平台分发 + 封面图自动生成

✅ 运营 Agent — 评论聚合、舆情监控、互动话术建议

✅ 数据 Agent — 阅读 / 涨粉 / 转化数据回流到选题模型闭环

📋 落地 6 步 SOP

步骤	输入	动作	输出 / 校验
1. 选题	领域关键词	爆款分析 + 热度排序	Top 10 候选
2. 素材	选定选题	多源抓取 + 去重摘要	素材包 ≥ 20 条
3. 初稿	素材包 + 风格样本	LLM 生成 + 多版本	3 版草稿
4. 排版	选定版本	Markdown → 多平台样式	3 平台预览通过
5. 发布	排版结果	定时调度 + 封面生成	发布成功回执
6. 复盘	运营数据	回流到选题模型	模型权重更新

⚙️ 可复用模板

# 7 个项目协同配置（示例） projects: topic-miner: github.com/xxx/topic-miner # 选题 material-rss: github.com/xxx/material-rss # 素材 writer-bot: github.com/xxx/writer-bot # 撰写 md-multi: github.com/xxx/md-multi # 排版 cross-publish: github.com/xxx/cross-publish # 发布 ops-monitor: github.com/xxx/ops-monitor # 运营 data-loop: github.com/xxx/data-loop # 数据闭环 # 一键启动流水线 docker compose up -d curl -X POST http://localhost:8080/run -d '{"topic":"AI Agent"}'

你是公众号写作流水线的总编排 Agent。规则： 1. 每个阶段必须产出可校验的中间产物，禁止跳步 2. 风格一致性：所有稿件必须先注入作者风格样本（5-10 篇历史稿件） 3. 多平台分发前必须人工预览至少一次 4. 评论运营话术禁止刷量、禁止诱导关注 5. 数据回流：每篇稿件 7 天数据自动回写到选题模型今日任务：{user_input} 作者风格样本：./samples/ 目标平台：wechat / zhihu / xiaohongshu

🔓

大厂项目AI逆向Skill

逆向工程 · 代码克隆

AI辅助逆向工程技能：分析大厂项目实现原理，快速复刻核心功能。

方法论：从界面观察 → 行为分析 → 架构推测 → 自主实现，AI在这个循环中加速每个环节。

🔓 4 阶段逆向方法论

✅ 界面观察 — 用浏览器自动化录制完整交互流程，截图存档，标注关键 UI 组件

✅ 行为分析 — 抓包 + 反编译 JS Bundle，定位 API 端点、协议格式、加密签名

✅ 架构推测 — 根据资源加载图、模块依赖、路由表重建目录结构和数据流

✅ 自主实现 — 基于推测架构生成最小可运行复刻，再迭代逼近原版体验

📋 落地 6 步 SOP

步骤	输入	动作	输出 / 校验
1. 选目标	目标产品	评估可逆向范围 + 法律风险	授权清单 + 红线
2. 录交互	目标 URL	Playwright 录制 50+ 关键路径	操作日志完整
3. 抓包	浏览器会话	Charles / mitmproxy 全量抓包	HAR 文件归档
4. 反编译	JS Bundle	source-map 还原 + AST 解析	关键模块 ≥ 80% 还原
5. 推测架构	API + 模块图	目录树 + 数据流图	架构图可评审
6. 实现复刻	架构文档	LLM 生成骨架 + 人工补全	MVP 跑通核心流程

⚙️ 可复用模板

# 抓包 + 反编译一体化脚本 npx playwright codegen https://target.app --save-trace trace.zip mitmproxy --mode reverse:https://target.app --set block_global=false # 反编译 npx source-map-explorer bundle.js -m # AST 搜索关键函数 npx esquery 'AssignmentExpression[left.object.name="window"]'

你是大厂项目 AI 逆向助手。规则： 1. 严禁绕过授权、严禁绕过付费墙、严禁提取用户隐私数据 2. 仅复刻通用技术实现思路，禁止 1:1 复制 UI / 文案 / 商标 3. 每次推论必须标注证据来源（截图 / 抓包 / 反编译片段） 4. 不确定时明确写"推测"二字，禁止伪装确定 5. 最终输出：架构图 + 关键模块代码片段 + 复刻 MVP 目标：{target_app} 授权范围：{scope} 禁止项：{blacklist}

仅用于合法授权的数据处理和个人学习，遵守目标站点 robots、服务条款、版权法和当地法律。禁止用于绕过付费墙、窃取用户数据、商业侵权等用途。

🪄

世界顶级AI Skill一键克隆

网站复制 · AI自动化

World's Top AI Skill网站克隆：输入URL，AI自动分析结构、提取内容、生成克隆版本。

使用场景：竞品研究、灵感参考、页面结构学习。需遵守版权和合规要求。

🪄 5 步 Skill 克隆方法论

✅ 资源探测 — 抓取首页 + 二级页面，建立 DOM / 资源清单，确认无 robots 限制

✅ 结构解析 — LLM 阅读 HTML / CSS / JS，抽取组件树、配色、字体、布局规范

✅ 内容提取 — 分离文案 / 图片 / 视频资产，标注版权归属与可复用范围

✅ Skill 编码 — 把方法论封装为 prompt + 工具调用链，沉淀为可复用 Skill 包

✅ 本地复刻 — 在本地仓库从零重建，仅复刻结构与思路，不复制原始素材

📋 落地 6 步 SOP

步骤	输入	动作	输出 / 校验
1. 选目标	目标 URL	评估 robots / ToS / 版权	授权清单 + 红线
2. 全量抓取	授权清单	Playwright / wget 全站镜像	HTML/CSS/JS 完整
3. 结构解析	镜像文件	LLM 提取组件树 + 设计 token	组件清单 + 配色
4. Skill 封装	组件清单	写 prompt + tool schema	Skill 包可加载
5. 本地复刻	Skill 包	从零重建 + 替换素材	MVP 上线
6. 合规校验	MVP	版权扫描 + ToS 复核	合规报告

⚙️ 可复用模板

# 5 步克隆 Skill 配置 skill: name: web-skill-clone inputs: - target_url - scope: ["structure", "design", "copy"] tools: - playwright_navigate - html_extract - llm_summarize rules: - no_login_bypass - no_paid_wall_bypass - no_user_data_scrape - replace_original_assets # 调用示例 curl -X POST http://localhost:8080/skill/web-skill-clone \ -d '{"target_url":"https://example.com","scope":["structure"]}'

你是网站 Skill 克隆助手。规则： 1. 必须先评估 robots.txt、Terms of Service、版权声明，输出授权清单 2. 只复刻通用结构、设计 token、布局思路，禁止 1:1 复制文案 / 图片 / 视频 3. 涉及登录、付费墙、用户隐私的内容一律跳过并明确说明原因 4. 抓取规模限制：单站 ≤ 100 页，QPS ≤ 1，避免对目标站点造成压力 5. 最终输出：结构图 + 组件清单 + 设计 token + Skill 包 + 合规说明目标：{target_url} 授权范围：{scope} 禁止项：{blacklist}

仅用于合法授权的公开页面学习与个人研究。禁止绕过登录、付费墙、robots 限制；禁止抓取用户隐私、商业秘密、受版权保护的原创素材；禁止 1:1 复制原站文案 / 图片 / 视频作为再发布内容。

📺

60万人看过的股神SKILL

股票分析 · AI辅助决策

爆款股票分析SKILL：用AI辅助股票研究，从财报解读到趋势判断。

核心功能：多维度股票评分、新闻情绪分析、技术形态识别、风险预警。

📺 4 维股票分析框架

✅ 基本面 — 财报解读 + 估值模型 + 行业景气度，给出内在价值区间

✅ 资金面 — 主力资金流向、北向资金、融资融券、龙虎榜异动

✅ 技术面 — 形态识别、均线系统、量价背离、关键支撑压力位

✅ 情绪面 — 新闻情绪打分、舆情热度、社交媒体讨论情感倾向

📋 落地 6 步 SOP

步骤	输入	动作	输出 / 校验
1. 选标的	关注池	基本面初筛 + 行业过滤	候选 ≤ 20 只
2. 财报解读	候选清单	LLM 提取关键财务指标	三表摘要
3. 资金扫描	三表摘要	主力 + 北向 + 融资数据	资金画像
4. 技术打分	资金画像	形态 + 量价 + 关键位	技术评分
5. 情绪监测	技术评分	新闻 + 舆情 + 讨论热	情绪分数
6. 风险提示	综合画像	综合打分 + 风险标签	决策报告

⚙️ 可复用模板

# 股票分析 Skill 配置 skill: name: stock-analyzer inputs: - ticker - horizon: ["short", "mid", "long"] data_sources: - financial_report - fund_flow - kline - news_sentiment output: - fundamental_score: 0-100 - technical_score: 0-100 - sentiment_score: 0-100 - risk_flags: [] - disclaimer_required: true # 严禁输出 forbidden_outputs: - exact_buy_sell_price - guaranteed_return - insider_information

你是股票研究助手。规则： 1. 所有输出仅为信息整理与多维打分，禁止给出"必涨/必跌"等确定性结论 2. 必须附带风险提示与免责声明，禁止诱导用户做超出承受能力的交易 3. 严禁涉及内幕信息、非公开数据、未公开重大事件 4. 财报数据如有重大不确定事项必须明确标注 5. 最终输出：综合评分 + 风险标签 + 免责声明 + 仅供研究参考标的：{ticker} 周期：{horizon}

⚠️ 投资风险提示：本内容仅用于个人学习与研究方法演示，不构成任何投资建议。AI 输出可能存在错误或滞后，股票市场存在不确定性，过往业绩不代表未来表现。投资有风险，入市需谨慎，请独立判断并自行承担风险，必要时咨询持牌投顾。

⏰

3分钟掌握Vibe Coding

少走三年弯路 · 开发技巧

Vibe Coding核心避坑指南：3分钟告诉你怎么用Codex/AI Coding工具，节省3年摸索时间。

核心要点：如何写好Prompt、如何设置验收标准、如何迭代优化代码质量。

⏰ 5 条 Vibe Coding 核心原则

✅ Prompt 先行 — 把需求写成可验收的规格，明确输入 / 输出 / 边界条件

✅ 小步迭代 — 每轮只让 AI 改一处，跑通测试再继续，避免"长 diff 灾难"

✅ 上下文管理 — 关键文件、错误日志、约束条件显式喂入，不让 AI 瞎猜

✅ 验收标准 — 用 type-check + lint + 单测三件套兜底，不靠肉眼 review

✅ 留逃生通道 — AI 写不动的部分立刻切回手写，不要硬耗 token

📋 落地 6 步 SOP

步骤	输入	动作	输出 / 校验
1. 写规格	需求点	转成结构化 Prompt	含验收条件
2. 建分支	规格	新建 feature 分支	git branch 命名规范
3. 首版代码	Prompt + 上下文	让 AI 生成最小可运行版	MVP 跑通
4. 跑测试	MVP	vitest / pytest 兜底	用例全绿
5. 小步迭代	测试结果	按差异点逐个修复	每轮 diff ≤ 50 行
6. 人工复核	最终 diff	type-check + 安全 review	可合并

⚙️ 可复用模板

# Vibe Coding 通用 Prompt 结构 [任务] - 目标: {goal} - 范围: {scope} - 非目标: {out_of_scope} [上下文] - 相关文件: {files} - 已尝试: {previous_attempts} - 错误信息: {error_logs} [约束] - 语言/框架: {stack} - 编码规范: {style} - 必须通过的测试: {tests} [输出] - 改动文件列表 - 每个文件的 diff - 测试运行结果 - 已知遗留问题

你是 Vibe Coding 协作的代码助手。规则： 1. 收到 Prompt 后必须先复述验收标准，不清楚就反问，禁止凭空假设 2. 单轮 diff 控制在 ≤ 50 行，超出范围要先拆分子任务 3. 每次输出必须包含：改动文件 + diff + 跑了哪些测试 + 测试结果 4. 不确定的需求必须显式标注 "推测" 二字，禁止伪装确定 5. 遇到登录、支付、隐私、密钥等敏感逻辑必须停下来要求人工确认任务：{user_input} 上下文文件：{files}

🛠

普通人用Codex做视频

6个工具先搞清楚

Codex视频制作工具链：6个核心工具的组合用法，从内容策划到视频生成完整覆盖。

适合普通人的AI视频制作流程：不需要专业背景，也能做出高质量内容。

🛠 6 工具协同视频流水线

✅ 选题脚本 — Codex 写脚本 + 选题拆解，输出分镜大纲与口播稿

✅ 素材生成 — 图像 / 配乐 / 音效三类资产生成，统一命名规范

✅ 语音合成 — TTS 配音，支持多情绪、多语速，导出 mp3/wav

✅ 视频剪辑 — 字幕烧录 + 转场 + 关键帧对齐，输出竖屏 / 横屏双版本

✅ 封面标题 — 多版本封面 A/B + 标题候选，匹配平台算法偏好

✅ 数据复盘 — 完播率 / 互动率 / 涨粉回流到选题模型

📋 落地 6 步 SOP

步骤	输入	动作	输出 / 校验
1. 选题	领域 + 平台	热点分析 + 选题清单	Top 5 选题
2. 脚本	选定选题	Codex 写分镜 + 口播	脚本 ≥ 800 字
3. 素材	脚本	图像 / 音乐 / 音效生成	资产清单齐
4. 配音	口播稿	TTS 多版本	mp3 可用
5. 剪辑	资产 + 配音	字幕 + 转场 + 封面	成片可预览
6. 发布复盘	成片	多平台分发 + 数据回流	数据报告

⚙️ 可复用模板

# 6 工具流水线配置 pipeline: step1_script: tool: codex inputs: [topic, platform, duration] output: script.md step2_assets: tool: image-gen inputs: [storyboard] output: assets/img/ step3_voice: tool: tts inputs: [script] output: voice.mp3 step4_edit: tool: ffmpeg inputs: [voice, assets, subtitle] output: final.mp4 step5_cover: tool: codex-image inputs: [title, theme] output: cover_v1.png, cover_v2.png step6_publish: tool: multi-platform inputs: [final.mp4, cover, title] output: post_urls[]

你是 AI 视频生产流水线的总编排 Agent。规则： 1. 所有素材必须使用自有版权或 CC0 / 商用授权素材，严禁盗用他人原创 2. 配音 / 配乐 / 图像如涉及真人肖像，必须取得授权或使用授权虚拟形象 3. 字幕必须人工核对一遍，不允许把 AI 生成字幕直接发布 4. 视频标题与封面严禁夸大、误导、标题党 5. 数据复盘：每条视频 7 天数据自动回写到选题模型，权重按平台更新今日任务：{user_input} 目标平台：{platform} 素材库：./assets/

⚠️ 版权与素材合规提示：AI 生成视频涉及图像、音乐、人声、肖像、字体等多类素材，必须全部使用自制资产或已获商用授权的素材。禁止盗用他人原创视频片段、商用字体未授权使用、未授权真人肖像与配音。发布前必须人工核对字幕与画面，避免传播不实信息或侵权内容。

🌟

三个Codex神级Skill

拉开一个段位 · 效率提升

Codex高效使用技巧：三个神级Skill让工作效率提升数倍，直接拉开与普通用户的段位差距。

核心Skill：上下文管理、任务分解、结果验证。每个都是经过大量用户验证的最佳实践。

🌟 3 个神级 Skill 详解

✅ 上下文管理 — 把相关文件、约束、错误日志显式喂入，禁止让 AI 瞎猜；用 .ai/context.md 持久化项目级约束

✅ 任务分解 — 把大需求拆成 ≤ 50 行 diff 的小任务，每轮独立验收，避免长 diff 灾难与回滚困难

✅ 结果验证 — type-check + lint + 单测三件套兜底，不通过立刻回滚，禁止"看上去对就行"

📋 落地 6 步 SOP

步骤	输入	动作	输出 / 校验
1. 写约束	项目背景	沉淀到 .ai/context.md	约束文件可版本管理
2. 拆任务	大需求	拆成 5-8 个子任务	每子任务可独立验收
3. 配上下文	子任务	精选 3-5 个相关文件	token 不超限
4. 跑首版	Prompt + 上下文	让 AI 生成首版	diff ≤ 50 行
5. 三件套	首版 diff	type + lint + test	三项全绿
6. 沉淀	通过验收	回写 .ai/learned.md	下次复用

⚙️ 可复用模板

# Codex 3 个神级 Skill 配置 skills: context-manager: inputs: [project_root, constraint_files] outputs: [.ai/context.md] rules: - include_error_logs - include_relevant_files - exclude_secrets task-decomposer: inputs: [big_requirement] outputs: [sub_tasks.json] rules: - max_diff_per_round: 50 - each_subtask_has_acceptance result-verifier: inputs: [diff, project_root] outputs: [verification_report.md] checks: - type_check - lint - unit_tests - secret_scan # 一键启动 ./run-skill.sh context-manager, task-decomposer, result-verifier

你是 Codex 神级 Skill 调度助手。规则： 1. 上下文管理：禁止让 AI 自行猜测项目结构，必须基于 .ai/context.md 显式喂入 2. 任务分解：每个子任务必须含独立验收标准，禁止一锅炖 3. 结果验证：必须跑通 type-check + lint + 单测，不通过立刻回滚禁止继续 4. 所有 Skill 输出沉淀到 .ai/learned.md，下次任务自动加载 5. 涉及登录 / 支付 / 隐私 / 密钥的逻辑必须停下来要求人工确认，禁止 AI 独自处理当前任务：{user_input} 约束文件：{constraint_files}

⚠️ Skill 复用与版权合规提示：复用他人 Skill 时必须确认原作者授权协议（MIT / Apache / 商业授权等），禁止去除原作者署名后当作自研作品发布。二次封装他人 Skill 不得绕过其内置的安全约束与免责声明，发布前请完整阅读 Skill 源码与协议。

🏗

一个文件偷走大厂设计系统

GitHub开源 · 设计系统复刻

GitHub开源设计系统：用代码文件的方式存储和分享设计系统，一键导入到自己的项目。

方法论：大厂设计系统 → 代码化 → 开源分享 → 社区共建。

📌 核心拆解

✅ 主题：一份 design tokens 文件就能导入整套大厂设计系统

✅ Design Tokens 标准化 — W3C Design Tokens 规范 + Figma Variables 导出

✅ 单文件 Schema — colors / spacing / typography / shadow 集中描述

✅ 代码生成器 — 同一份 JSON 输出 CSS Variables / Tailwind / shadcn theme

✅ 跨团队复用 — 设计→工程交付格式统一，零 Figma 也能还原视觉

📋 落地 SOP

步骤	输入	动作	输出/校验
1. 选定参考源	Material / Polaris / Carbon / Arco	下载官方开源 tokens	获得一份 tokens.json / .json5
2. 校验 License	MIT / Apache-2.0 / BSD	登记来源与授权类型	留下 LICENSE 引用清单
3. 转换格式	tokens.json	用 Style Dictionary / Token Studio 转译	输出 CSS / SCSS / TS / Tailwind
4. 注入项目	生成的 CSS Variables	接入 design system 主题	全部组件颜色/间距一致
5. 视觉回归	改造前后页面截图	对比关键页面	差异 ≤ 5% 视为达标

🧩 可复用模板（tokens.json 示例）

{ "color": { "brand": { "primary": { "value": "#1677ff" } }, "text": { "primary": { "value": "#1f1f1f" }, "secondary": { "value": "#666666" } } }, "spacing": { "xs": { "value": "4px" }, "sm": { "value": "8px" }, "md": { "value": "16px" }, "lg": { "value": "24px" } }, "typography": { "heading-1": { "fontSize": "32px", "fontWeight": 600, "lineHeight": "40px" }, "body": { "fontSize": "14px", "fontWeight": 400, "lineHeight": "22px" } }, "radius": { "sm": { "value": "4px" }, "md": { "value": "8px" } } }

⚠️ License 红线：仅使用明确开源（MIT/Apache-2.0/BSD）的设计系统；闭源商业系统禁止反推 tokens 用于生产；保留原作者署名与 LICENSE 文件。

📰

GitHub一周热点116期

AI Agent的记忆系统

AI Agent的记忆系统专题：Agent如何记忆、检索、更新长期知识，决定了其在复杂任务中的表现。

热点项目：向量数据库、RAG架构、记忆压缩、选择性遗忘等前沿技术。

📌 核心拆解

✅ 主题：第 116 期 GitHub 热点聚焦 AI Agent 记忆系统

✅ 向量数据库 — pgvector / Qdrant / Milvus / Weaviate 选型对比

✅ RAG 架构 — chunk → embed → retrieve → rerank → generate

✅ 记忆压缩 — 重要性评分 + 滑动窗口 + 分层摘要

✅ 选择性遗忘 — TTL + 容量上限 + 主题衰减，避免上下文爆炸

📋 落地 SOP

步骤	输入	动作	输出/校验
1. 选向量库	数据量、QPS、部署环境	pgvector(轻) / Qdrant(中) / Milvus(重)	单库 P95 检索 < 200ms
2. 设计分块	原始文档	按章节/段落/语义切分，记录 offset	召回块长度 200–800 字
3. 嵌入与入库	chunk + 元数据	embed 后写入向量库 + 关键字索引	入库成功率 ≥ 99%
4. 检索与重排	query	先向量召回 → BM25 二次召回 → reranker	Top5 命中率 ≥ 80%
5. 记忆治理	会话上下文	短期 sliding window + 长期摘要库	单会话 token 控制在 8K 内

🧩 可复用模板（记忆读写 Prompt）

你是具备长期记忆的 AI Agent。请按以下规则管理记忆： 1. 写入前判断：是否对后续会话有用？是 → 写入；否 → 丢弃。 2. 写入格式：{ topic, summary, importance(1-5), tags[], ttl_days }。 3. 检索时：先按 query 计算语义相似度，再按 importance × 衰减因子重排。 4. 容量上限：长记忆最多保留 500 条；超出时淘汰 importance < 2 的条目。 5. 选择性遗忘：过期或重复条目合并压缩，不直接删除痕迹。

👁

开发没审美怎么做产品

GitHub神级项目 · 一键复刻UI

没有设计背景也能做高颜值产品：GitHub神级项目让AI帮你搞定UI设计，一键复刻顶级设计。

工具链：设计参考 → AI分析 → 代码生成 → 人工微调 → 完美产品。

📌 核心拆解

✅ 主题：零审美开发者也能交付高颜值产品

✅ 起步模板 — shadcn/ui / Radix / Tailwind / Ant Design Pro 拿来即用

✅ AI 生成 UI — v0.dev / Cursor / Bolt / Galileo AI 直接产出组件代码

✅ 设计参考 — Dribbble / Mobbin / Refero / Godly 仅作结构参考

✅ 配色与排版 — Coolors / Type Scale / Font Pair 即时生成

📋 落地 SOP

步骤	输入	动作	输出/校验
1. 选模板	产品形态（后台/SaaS/移动）	选 shadcn / Arco / TDesign 作为底座	脚手架可运行
2. 抄结构	1–2 个目标参考页	提取 section 顺序、栅格、留白	得到一份 wireframe
3. AI 出图	wireframe + 文案	v0 / Cursor 生成初版组件	得到可点 Next.js / React 代码
4. 配色排版	AI 输出	用 Coolors 调整 5 色 + Type Scale	对比度达 WCAG AA
5. 人工微调	集成后的页面	统一间距、阴影、圆角、动效	整站视觉一致性 ≥ 90%

🧩 可复用模板（v0.dev Prompt）

请基于以下需求生成 Next.js + Tailwind + shadcn/ui 页面：产品：AI 写作助手后台页面：Dashboard 首页必要组件：顶部导航、侧边栏、KPI 卡片(4)、近 7 日折线图、最新文章表格、暗色模式设计参考：Vercel Dashboard + Linear 约束：色板只用 #1677ff / #1f1f1f / #f5f5f5；圆角统一 8px；字体 Inter 输出：单个 app/dashboard/page.tsx 文件，含可运行代码与必要 import。

⚠️ 版权红线：参考页面仅用于学习版式与结构，禁止像素级复刻闭源商业产品；AI 生成的图标/插画须二次创作或使用 CC0/MIT 资源；上线前完成合规与品牌去标识。

📊

Claude Skills 麦肯锡级别调研

市场调研报告 · AI生成

用Claude Skills快速生成专业级市场调研报告：结构化分析框架 + AI生成能力 = 麦肯锡级别的报告输出。

方法论：行业分析 → 竞争格局 → 趋势判断 → 建议输出。

📌 核心拆解

✅ 主题：用 Claude Skills 输出麦肯锡级别的市场调研报告

✅ Skill = 结构化 Prompt + 工作流模板 + 引用规范

✅ 四层结构 — 行业总览 → 竞争格局 → 趋势判断 → 行动建议

✅ 多轮 Review — 自审 + 红队反驳 + 数据回填

✅ 交付格式 — Executive Summary + 图表占位 + 引用脚注

📋 落地 SOP

步骤	输入	动作	输出/校验
1. 定义命题	客户问题 + 决策场景	拆解成 3–5 个子问题	得到研究问题树
2. 资料扫描	公开数据/财报/论文	Skill 自动抓取+提炼关键事实	证据库 ≥ 50 条
3. 框架写作	证据库 + 问题树	按 MECE 原则分章节填充	每节都有引用编号
4. 红队挑战	初稿	Skill 模拟反方提问并修订	弱点与假设被显式标注
5. 摘要与建议	修订稿	提炼 1 页 Exec Summary + 3 条行动	能在 5 分钟内读完

🧩 可复用模板（Skill Prompt）

你是「麦肯锡级调研 Skill」。按以下规范产出报告： 1. 输入：客户问题、目标读者、决策时限、可用数据源。 2. 结构：执行摘要(200字) / 行业总览 / 竞争格局 / 趋势判断 / 行动建议 / 风险与假设 / 附录引用。 3. 每条结论必须带引用编号 [n]，并在附录给出数据来源 URL 与抓取日期。 4. 使用 MECE 原则，互不重叠且穷尽；超过 3 层以上不下钻。 5. 输出语气：客观、量化、不夸张；不确定时用「可能/初步/待验证」前缀。 6. 完成后自检：摘要是否回答了原始决策问题？未回答则补充。

🤯

ChatGPT炒股实验爆火

病毒传播 · AI+金融

ChatGPT炒股的病毒传播实验：用AI做投资决策的可行性探索，以及背后的传播学分析。

社会意义：AI民主化投资研究的浪潮，普通人也能用AI做量化分析。

📌 核心拆解

✅ 主题：用 ChatGPT 生成短线信号的病毒式实验

✅ 信号生成 — 新闻 + K 线 + 情绪 → LLM 输出多空判断

✅ 传播机制 — 短视频展示「AI 日内收益」→ 散户跟风

✅ 样本偏差 — 晒盈利不晒亏损，存在明显幸存者偏差

✅ 风控缺位 — 无止损、无仓位管理、无回测，纯演示性质

📋 落地 SOP（研究视角）

步骤	输入	动作	输出/校验
1. 数据接入	行情/新闻/财报	统一时间戳 + 中文分词 + 去重	干净的因子表
2. 信号生成	因子表 + 历史 K 线	LLM 输出方向/置信度/触发价位	每天 ≤ 5 条信号
3. 模拟回测	历史 3 年行情	按信号 ± 1 ATR 止损 / 仓位 5%	Sharpe ≥ 1.0 才继续
4. 样本外验证	最近 6 个月	滚动 walk-forward 测试	样本外胜率 ≥ 55%
5. 复盘报告	实盘交易日志	归因分析 + 滑点/手续费成本	扣除成本后仍正期望

🧩 可复用模板（信号 Prompt）

你是合规的 AI 投研助手。请按以下规则处理： 1. 仅输出研究/复盘结论，不直接给出买卖点位。 2. 每条结论附带：使用的数据范围、置信度(0–1)、关键假设。 3. 强制声明：本输出仅供学习与研究，不构成投资建议。 4. 任何操作建议必须配套止损位、仓位比例、最大回撤上限。 5. 当用户询问「实盘怎么买」时，默认先提示合规与风险，再展开方法论。

⚠️ 投资风险：仅用于研究和复盘，不构成投资建议；上线交易前必须回测、样本外验证、小资金实盘试错、设置硬止损；警惕幸存者偏差与过拟合。

🔮

Agent Memory System

长期记忆 · RAG架构

AI Agent的长期记忆系统设计：如何让Agent记住关键信息、跨会话学习。

关键技术：向量检索、记忆压缩、重要性评分、遗忘机制。点击展开完整记忆架构 →

🧠 核心拆解 · 长期记忆三大支柱

✅ 向量存储：语义级检索，处理模糊查询，主流方案 Chroma/Qdrant/Milvus

✅ 结构化记忆：实体-关系图谱，处理"谁-是什么-做过什么"类查询

✅ 重要性评分：每条记忆打 0-1 分，决定保留/压缩/丢弃

⚠️ RAG ≠ Memory：RAG 是查询时检索外部文档，Memory 是跨会话持续积累

⚠️ 遗忘机制：时间衰减 + 访问频率 + 重要性阈值三因子加权

📋 落地 SOP · 5层记忆架构

层级	存储	生命周期	用途
L1 工作记忆	Context Window	单次Turn	当前对话上下文
L2 会话记忆	Conversation Buffer	单次会话	会话内可回溯
L3 短期记忆	Redis/SQLite	数小时-数天	跨Turn上下文
L4 长期记忆	Vector DB + 元数据	永久	用户偏好/历史
L5 压缩归档	Summary存储	永久	超过窗口的摘要

🔑 可复用模板 · 重要性评分公式

def importance_score(memory): # 三因子加权：时间衰减 × 访问频率 × 显式标记 time_decay = 0.5 ** (hours_since_access / 24) # 24h半衰 access_freq = min(visit_count / 10, 1.0) # 10次封顶 explicit_flag = 1.0 if user_pinned else 0.5 # 用户标记加权 return time_decay * 0.4 + access_freq * 0.3 + explicit_flag * 0.3 # 混合检索权重 retrieval_weights = { 'semantic': 0.50, # 向量相似度 'keyword': 0.25, # BM25 'recency': 0.15, # 时间近因 'importance':0.10 # 重要性分

🧠

Multi-Agent Orchestration

多Agent协调 · 任务分配

多Agent任务分配与协调：如何高效地将复杂任务分解给多个专业Agent。

协调策略：树形结构、网状协作、主从模式的选择。点击展开完整协调框架 →

🧠 核心拆解 · 三种协调模式

✅ 主从模式（Master-Slave）：1个Orchestrator分配任务，N个Worker执行。简单可控，适合MVP

✅ 对等模式（Peer-to-Peer）：Agent之间直接通信，无中心。灵活但难调试

✅ 层级模式（Hierarchical）：多层Manager-Worker，匹配真实组织。适合复杂任务

⚠️ 通信协议：消息队列（异步）/ 共享内存（同步）/ 事件总线（解耦）

⚠️ 冲突解决：先到先得 / 优先级抢占 / 投票共识三种策略

📋 落地 SOP · 5步搭建多Agent系统

步骤	输入	输出	校验标准
1. 定义能力图谱	业务需求	Agent能力清单	每个Agent边界清晰
2. 选择协调模式	能力图谱	架构图	MVP推荐主从起步
3. 设计消息协议	架构图	JSON Schema	含trace_id便于调试
4. 实现任务分发	消息协议	Dispatcher代码	支持能力匹配+负载均衡
5. 监控与熔断	运行时数据	Dashboard+告警	超时/失败自动重试

🔑 可复用模板 · Agent通信协议

// 任务分发消息 (Master → Worker) { "trace_id": "uuid-v4", "task_id": "t-001", "agent_role": "code_reviewer", "input": { "files": [...], "context": "..." }, "constraints": { "max_tokens": 8000, "timeout_s": 120 }, "callback": { "type": "queue", "topic": "results" } } // Worker返回结果 { "trace_id": "uuid-v4", "task_id": "t-001", "status": "success|failure|timeout", "output": { "review": "...", "issues": [...] }, "metrics": { "tokens": 6500, "duration_ms": 8700 } }

🎯 异常处理流程

✅ 超时：超时 > 阈值 → 重试 1 次 → 失败转人工

✅ 死循环：连续 3 次相同输出 → 强制终止并告警

✅ 资源耗尽：Token 用尽 → 保存中间状态 → 拆分任务续跑

📜

AI合规检查清单

法律风险 · 合规框架

AI应用法律合规检查清单：数据隐私、版权合规、算法公平性的自检指南。

覆盖：GDPR、CCPA、算法推荐规定等主要合规框架。点击展开完整清单 →

🧠 核心拆解 · 三大合规域

✅ 数据隐私域：用户数据采集/存储/出境/删除全链路合规

✅ 算法公平域：训练数据偏差/输出歧视/可解释性

✅ 内容安全域：违规内容生成/版权侵权/虚假信息

⚠️ 主流框架：GDPR（欧盟）/ CCPA（加州）/ PIPL（中国）/ 生成式AI管理办法

⚠️ 风险等级：高（医疗/金融/未成年）/ 中（推荐/营销）/ 低（内部工具）

⚠️ 仅供流程检查，不替代专业合规/法律意见：本清单为流程化自查工具，最终合规判定需由执业律师/合规官结合具体业务场景确认。本站不承担因使用本清单导致的任何法律责任。

📋 落地 SOP · 5步合规自检

步骤	检查项	输出	责任方
1. 数据流审计	输入/输出/存储/出境	数据流图	技术+法务
2. 用户同意	隐私政策/勾选同意	同意率 ≥ 95%	产品+法务
3. 算法透明度	推荐说明/人工干预	透明度报告	算法+产品
4. 内容过滤	违规词库/人工审核	拦截率 ≥ 99%	运营+技术
5. 应急预案	用户申诉/数据删除	处理时长 ≤ 15天	客服+法务

🔑 可复用模板 · 自检Prompt

你是AI合规审查助手。请对以下AI应用做合规自检：【应用描述】：[填写你的AI应用场景] 【数据类型]：[个人身份/行为/生物/位置...] 【使用地区】：[中国/欧盟/美国...] 【目标用户】：[一般用户/未成年/特定行业] 请逐项检查： 1. 是否符合GDPR/PIPL数据最小化原则？ 2. 是否需要DPO（数据保护官）？ 3. 算法是否存在歧视风险？ 4. 内容生成是否有版权风险？ 5. 是否需要人工审核兜底？输出格式：风险等级（高/中/低）+ 具体整改建议 + 引用法条。

📉

量化策略回测陷阱

过拟合 · 未来函数 · 数据泄露

量化策略回测的常见陷阱：过拟合、未来函数、前视偏差、数据清洗不充分。

防御方法：Walk-forward测试、样本外验证、事件驱动回测。点击展开避坑指南 →

🧠 核心拆解 · 五大陷阱

🚫 过拟合（Overfitting）：参数在历史数据上完美，实盘失效。症状：参数多+数据少+夏普虚高

🚫 未来函数（Look-ahead）：回测用了未来才知道的数据。症状：信号精准但实盘永远慢一拍

🚫 前视偏差（Forward Bias）：决策时使用了当日收盘价。症状：策略表现完美但实盘无法成交

🚫 幸存者偏差（Survivorship）：用了已退市股票的历史数据。症状：剔除退市股后收益虚高

🚫 数据泄露（Data Leakage）：训练集包含测试集信息。症状：样本外表现远差于样本内

⚠️ 常见误判：高夏普≠真策略，回撤小≠风险低，胜率高≠期望为正

⚠️ 投资风险与过拟合警告：仅用于研究和策略复盘，不构成投资建议；上线交易前必须做 Walk-forward + 样本外盲测 + 至少 6 个月小资金实盘试错；警惕幸存者偏差；设置硬止损与最大回撤上限（如 -15%）；历史业绩不代表未来表现。

📋 落地 SOP · 5步防御性回测

步骤	动作	输出	校验标准
1. 数据清洗	复权/除权/停牌/退市	干净数据集	无未来信息泄露
2. 样本切分	70%训练 + 30%盲测	两套数据	测试集绝不参与调参
3. Walk-forward	滚动窗口回测	多段样本外表现	至少 5 个滚动周期
4. 参数敏感性	参数 ±20% 扫描	稳健性曲线	曲线不能陡峭
5. 蒙特卡洛	随机打乱交易序列	收益分布	95% 分位仍为正

🔑 可复用模板 · Walk-forward回测框架

def walk_forward_test(strategy, data, train_period=252*3, test_period=252): """滚动窗口回测：训练3年，测试1年""" results = [] for start in range(0, len(data) - train_period - test_period, test_period): train = data[start : start + train_period] test = data[start + train_period : start + train_period + test_period] # 在train上拟合参数 params = strategy.fit(train) # 在test上严格验证（不许再fit） perf = strategy.backtest(test, params) results.append({ 'period': f"{test.index[0]}~{test.index[-1]}", 'sharpe': perf.sharpe, 'max_dd': perf.max_drawdown, 'params': params, }) return results # 健康度检查 def is_robust(results): sharpes = [r['sharpe'] for r in results] return (np.std(sharpes) < 0.5 # 稳健 and min(sharpes) > 0.5 # 最差仍正 and np.mean(sharpes) > 1.0) # 平均优秀

🔄

AI编程工具集体冲榜

工具横评 · 选型指南

主流AI编程工具横评：Codex、Claude Code、Copilot、通义、智谱等工具的深度对比。

选型建议：不同场景下的最优工具选择，以及工具组合使用策略。点击展开完整横评 →

🧠 核心拆解 · 三梯队工具分阶

🥇 第一梯队（深度推理）：Claude Code / Codex CLI — 200K+上下文，支持多文件重构、Agent长任务

🥈 第二梯队（IDE集成）：Copilot / Cursor / 通义灵码 — 行内补全+Chat，适合日常编码

🥉 第三梯队（轻量补全）：Codeium / Tabnine / CodeGeeX — 免费/快速，适合补全与小改

⚠️ 核心差异维度：上下文窗口 / 工具调用能力 / 多模态 / 私有化部署 / 单价

⚠️ 选型三要素：场景适配（个人/团队/企业） + 团队能力曲线 + 成本预算

📋 落地 SOP · 5步工具选型

步骤	动作	输出	周期
1. 场景定义	明确使用模式	需求清单	1天
2. 试用3款	选头部3款各试2周	试用日志	2-3周
3. 评估打分	效率/质量/学习/成本	评估矩阵	1周
4. 组合策略	主力+辅助组合	工具矩阵	1周
5. 季度复评	每季度重新评估	迭代报告	持续

🔑 可复用模板 · 工具评估矩阵

# AI编程工具评估矩阵（示例） | 工具 | 上下文 | 工具调用 | 多模态 | 私有化 | $/月 | 综合分 | |--------------|--------|----------|--------|--------|------|--------| | Claude Code | 200K | ✅强 | ✅ | ❌ | 20$ | 9.2 | | Codex CLI | 200K | ✅强 | ✅ | ❌ | 20$ | 8.8 | | Copilot | 16K | ⚠️中 | ❌ | ✅ | 10$ | 8.0 | | Cursor | 128K | ✅强 | ✅ | ❌ | 20$ | 8.5 | | 通义灵码 | 32K | ⚠️中 | ❌ | ✅ | 免费 | 7.5 | | 智谱CodeGeeX | 16K | ⚠️中 | ❌ | ✅ | 免费 | 7.0 | # 推荐组合策略 # 个人开发者：Claude Code（主力）+ Copilot（行内补全） # 小团队：Codex CLI（主力）+ 通义灵码（中文补全） # 企业私有化：通义灵码/CodeGeeX + 自建LLM

🎯 团队推广要点

✅ 不要一刀切：让工程师自选主力工具，团队只规定规范

✅ 保留Coding能力：工具是加速器，不是替代品，新人必须能裸写

✅ 代码归属：明确AI生成代码的License、IP归属、Code Review标准

✅ 成本监控：设月度预算上限 + 单人Token用量看板

🎭

Agent Role Playing System

角色扮演 · 模拟专家

AI Agent角色扮演系统：让AI扮演特定角色（律师、医生、导师）提供专业建议。

技术要点：角色定义、知识注入、对话风格控制、边界设定。

🎭 Agent 角色扮演 5 大关键机制

✅ 角色定义 — 身份、背景、性格、价值观四要素缺一不可

✅ 知识注入 — RAG / 领域语料 / 工具调用形成专业知识底座

✅ 对话风格 — 语气、用词、句式、回应长度统一控制

✅ 边界设定 — 角色知道什么、不说什么、什么情况拒绝回答

✅ 适配场景：垂直顾问、陪练教练、模拟面试、心理咨询、教学辅导

📋 角色设计落地 SOP

步骤	输入	动作	输出 / 校验
1. 角色画像	目标岗位 / 行业 / 用户	列出身份、背景、专业领域	一份角色画像卡
2. 知识装配	领域文档 / FAQ / 案例	RAG 索引 + 工具清单	召回率 ≥ 80%
3. 风格校准	3-5 段真实对话样本	Few-shot Prompt 注入	风格一致率 ≥ 90%
4. 边界声明	合规与红线清单	System Prompt 加禁忌条款	越界率 ≤ 5%
5. 评估回归	50 条测试用例	红队 + 人工双盲评分	角色可信度 ≥ 4.5/5

⚙️ Agent 角色 Prompt 模板

# 角色定义：[角色名] ## 身份档案 - 姓名 / 头衔 / 从业年限 - 擅长领域：[3-5 个细分方向] - 价值观：[2-3 条原则] ## 知识边界 - 一定能答：[清单] - 只能建议不决策：[清单] - 必须拒绝回答：[清单] ## 对话风格 - 语气：专业 / 亲和 / 严谨 - 句式：先结论后解释，禁止模糊词 - 长度：单轮 ≤ 200 字 ## 工具清单 - 可调用：[工具名 + 用途] - 不可调用：[工具名 + 原因] ## 输出格式 1. 直接回答 2. 关键依据 3. 下一步建议

🎬

Design to Code Pipeline

设计图到代码 · 全自动

设计到代码的全自动流水线：Figma/Pixso设计图 → AI解析 → 框架代码 → 业务代码。

效率提升：设计到开发的周期从周级别压缩到小时级别。

🎬 Design to Code 5 阶段流水线

✅ 阶段 1 — 设计稿规范化：Figma / Pixso / Sketch 导出 + 切图命名规范

✅ 阶段 2 — 多模态解析：视觉模型识别组件、布局、间距、配色

✅ 阶段 3 — 框架代码生成：HTML / Vue / React / Taro 模板套用

✅ 阶段 4 — 业务代码填充：接口对接、状态管理、交互逻辑

✅ 阶段 5 — 视觉回归：Playwright 截图比对 + 像素级 Diff

📋 Design to Code 实施 SOP

步骤	输入	动作	输出 / 校验
1. 设计稿准备	Figma 链接 + Token 变量	导出图层 + 命名规范化	通过 linter 检查
2. 视觉解析	截图 + 设计稿 JSON	GPT-4V / Claude Vision 解析	组件识别率 ≥ 95%
3. 模板生成	解析结果 + 框架类型	套用组件库生成代码	TypeScript 编译通过
4. 业务接入	接口文档 + 状态机	填充 hooks / store / API	单测覆盖率 ≥ 80%
5. 视觉回归	渲染截图 + 基线	Playwright 像素比对	Diff 像素 ≤ 0.1%

⚙️ Pipeline 关键命令清单

# 1. Figma 设计稿导出 figma export --format json --tokens # 2. 视觉解析（多模态） python parse_design.py \ --input design.figma.json \ --image shots/*.png \ --output components.json # 3. 代码生成 pnpm gen:code \ --framework react \ --components components.json \ --template shadcn \ --output src/components/ # 4. 视觉回归 pnpm test:visual \ --baseline ./baseline \ --current ./screenshots \ --threshold 0.001

🏦

因子挖掘与机器学习

Alpha因子 · 量化特征

AI驱动因子挖掘：用机器学习从海量数据中发现有效Alpha因子。

方法论：遗传算法、深度学习、强化学习在因子发现中的应用。

仅用于研究和复盘，不构成投资建议；因子易过拟合，上线交易前必须做样本外回测、滚动窗口验证、设置止损与最大回撤上限。

🏦 AI 因子挖掘 5 大核心方法

✅ 遗传算法 — 在因子表达式空间中进化搜索 GP-tree 结构

✅ 深度学习 — LSTM / Transformer 自动提取时序与截面特征

✅ 强化学习 — 把因子合成建模为 Portfolio Allocation MDP

✅ 自动机器学习 — AutoML 自动化特征工程 + 模型选择 + 超参

✅ 适用场景：中低频量化选股、CTA 趋势、统计套利对冲

📋 因子挖掘 SOP（含防过拟合）

步骤	输入	动作	输出 / 校验
1. 数据准备	原始行情 + 财务 + 另类	清洗、对齐、缺失值处理	字段完整性 ≥ 99%
2. 因子生成	原始字段 N	GP / NN / 手工组合生成 M	IC 覆盖率 ≥ 30%
3. 因子筛选	候选因子 M	IC / IR / RankIC + 相关性剔除	留存 K 个独立因子
4. 样本内回测	选定因子 K	滚动训练 + 验证	年化 ≥ 基准 + 5%
5. 样本外验证	未参与训练数据	盲测 12 个月	样本外 IR ≥ 0.8
6. 风控上线	最终因子	小资金实盘 + 止损	回撤 ≤ 8%

⚙️ GP 因子挖掘示例代码

# 基于 gplearn 的 Alpha 因子挖掘 import gplearn.genetic as gp function_set = ['add','sub','mul','div', 'sqrt','log','abs', 'ts_rank','ts_mean','delta'] X = features_df.values y = forward_returns.values est = gp.SymbolicRegressor( population_size=2000, generations=30, function_set=function_set, parsimony_coefficient=0.001, # 防过拟合 metric='pearson', random_state=42) est.fit(X, y) print(est._program)

📄

Superpowers探究 · 完整拆解

7653473291260316979 · 6模块完整归档

★ 15万

6模块完整拆解：元数据档案 · 核心内容深度全拆解 · 可落地执行方案 · OpenClaw投喂包 · 延伸场景 · 知识库归档。

复用等级：高 — 7步强制工作流完整SOP，14个Skills代码可直接运行。

📄 Superpowers 6 模块归档说明

✅ 模块 1 — 元数据档案：标题 / 作者 / 主题 / 完整度 / 版权标注

✅ 模块 2 — 核心内容深度全拆解：底层逻辑 / 知识技能点 / 完整流程

✅ 模块 3 — 可直接落地执行方案：SOP / 素材包 / 工作流框架

✅ 模块 4 — OpenClaw 投喂包：Skill 调用 / 工作流节点 / 角色 Prompt

✅ 模块 5 — 可复用延伸场景：≥3 个不同场景的复用路径

✅ 模块 6 — 知识库归档：分类 / 标签 / 检索词 / 复用等级

📋 7 步强制工作流 SOP

步骤	输入	动作	输出 / 校验
1. brainstorming	用户需求描述	结构化提问 + 范围收敛	PRD 草稿
2. writing-plans	PRD	拆任务、列依赖、估风险	plan.md
3. TDD	plan.md	先写测试 RED → 实现 GREEN → 重构	覆盖率 ≥ 80%
4. systematic-debugging	失败测试 / Bug	定位根因再修，禁止乱试	根因报告
5. verification-before-completion	代码	逐项核对完成标准	checklist 全通过
6. code-review	完整 diff	CRITICAL / HIGH 必须修复	review 报告
7. subagent-driven	多模块任务	分派子智能体 + 独立验证	整合后通过

⚙️ 14 个 Skills 清单 + 调用入口

# 核心流程 Skills（铁律） brainstorming — 想法 → 设计 writing-plans — 设计 → 任务 test-driven-development— 任务 → 测试先行 systematic-debugging — Bug → 根因 verification-before-completion — 完成前自检 # 实现辅助 Skills code-reviewer — diff 审查 security-reviewer — 安全扫描 refactor-cleaner — 死代码清理 build-error-resolver — 构建失败修复 # 工作流 Skills subagent-driven-development — 多智能体编排 e2e-runner — 端到端验证 doc-updater — 文档同步 tdd-guide — TDD 教练 verification-before-completion — 完成前核对

📄

AIHedgeFund · 完整拆解

7637761282623540531 · 6模块完整归档

★ 5.8万

6模块完整拆解：19个Agent架构图 · 13位投资大师Agent提示词 · 三层决策链实现 · 风控逻辑 · OpenClaw Skill代码。

复用等级：高 — 多Agent量化系统的完整工程实现参考。

仅用于研究和复盘，不构成投资建议；AI Hedge Fund 的多 Agent 输出可能同向集中导致组合风险聚集，上线交易前必须做回测、小资金验证、设置硬止损与单笔最大敞口上限。

📄 AI Hedge Fund 6 模块归档说明

✅ 模块 1 — 元数据档案：GitHub 链接 / Star 数 / 技术栈 / 复用等级

✅ 模块 2 — 19 Agent 架构图：Ben Graham / Cathie Wood / Warren Buffett 等 13 位投资大师 Agent

✅ 模块 3 — 三层决策链实现：分析层 → 研究层 → 风控层

✅ 模块 4 — 风控逻辑：单笔止损、组合敞口、相关性约束、回撤熔断

✅ 模块 5 — OpenClaw Skill 代码：可直接加载运行的投资大师 Agent Python

✅ 模块 6 — 知识库归档信息：分类 / 标签 / 检索词

📋 多 Agent 投资决策 SOP

步骤	输入	动作	输出 / 校验
1. 数据接入	行情 / 财报 / 舆情	统一 schema 接入数据层	数据完整性 ≥ 99%
2. 投资大师 Agent	13 位风格化 Prompt	并行推理生成买卖观点	每位输出 JSON 观点
3. 研究层聚合	13 个观点	共识 / 分歧统计 + 加权	共识度评分
4. 风控层审核	聚合信号	敞口 / 回撤 / 相关性检查	通过才下单
5. 执行层下单	通过信号	拆单 + TWAP + 滑点监控	成交均价偏差 ≤ 0.1%
6. 复盘回流	成交与盈亏	归因到具体 Agent 贡献	每周复盘报告

⚙️ 投资大师 Agent Prompt 模板

# 角色：仿照 [投资大师姓名] # 风格：价值 / 成长 / 宏观 / 逆向等 ## 决策框架 1. 关注指标：[该大师最看重的 3-5 个指标] 2. 估值锚点：[DCF / 相对估值 / 资产价值] 3. 持仓周期：[长期 / 中期 / 短期] ## 输出格式（严格 JSON） { "symbol": "股票代码", "action": "buy | hold | sell", "confidence": 0.0-1.0, "thesis": "50 字以内核心逻辑", "risks": ["主要风险 1", "主要风险 2"], "target_price": 数字, "stop_loss": 数字 } ## 严格禁止 - 不允许在 prompt 中给出未来价格 - 不允许建议集中持仓超过 20% - 不允许忽视止损线

📄

ECC配置全家桶 · 完整拆解

7636381628536851752 · 6模块完整归档

★ 17万

6模块完整拆解：8大模块详解 · 48个Agents配置 · 183个Skills完整代码 · Hooks配置模板 · Memory策略 · Token优化方案。

复用等级：极高 — 拿来即用的Claude Code完整配置方案。

📄 ECC 8 大模块核心拆解

✅ 模块 1 — Rules（自动加载规则）：common 通用 + typescript/python 语言规则按需激活

✅ 模块 2 — Agents（14 个智能体）：architect / planner / tdd-guide / code-reviewer / security-reviewer / build-error-resolver / e2e-runner / refactor-cleaner / doc-updater 等按场景编排

✅ 模块 3 — Commands（斜杠命令）：/plan / /tdd / /e2e / /code-review / /build-fix / /learn / /refactor-clean

✅ 模块 4 — Skills（183+ 技能）：覆盖 API 设计、文章写作、自主循环、后端模式、编码标准、Django/React 框架

✅ 模块 5 — Hooks（强制执行）：PreToolUse / PreCompact / SessionStart 三阶段钩子

✅ 模块 6 — MCP（外部工具）：filesystem + memory 等按需加载

✅ 模块 7 — Token 优化：RTK 命令、清单精简、MCP 裁剪、配置档位（minimal/standard/strict）

✅ 模块 8 — Memory 持久化：user / feedback / project / reference 四类语义化记忆

📋 ECC 落地 SOP（5 步上手）

步骤	动作	输入	输出 / 校验
1. 项目初始化	创建项目 CLAUDE.md（项目入职手册）+ 选择语言规则	空项目目录	CLAUDE.md + rules/
2. Hooks 档位	按场景选 minimal / standard / strict	任务复杂度	settings.json 配置完成
3. Agent 编排	复杂需求先 /plan，规划后 /tdd，写完 /code-review	功能需求	三阶段产物齐全
4. Memory 建立	/learn 启动 → 持续沉淀 user/feedback/project/reference	会话上下文	MEMORY.md 索引 + 分文件
5. Token 监控	rtk gain 看压缩比；上下文剩余 20% 切小任务	命令输出	节省 ≥60% token

⚙️ 可复用模板：CLAUDE.md 骨架 + Settings 档位

# 项目 CLAUDE.md 最小骨架 ## 项目定位本项目是 XXX，目标用户是 XXX，核心价值是 XXX。 ## 工作目录 - 入口：src/index.ts - 测试：tests/ - 配置：config/ ## 工作流约定 - 所有新功能先 /plan → /tdd → /code-review - 提交前必须通过 pnpm check + pnpm test - 重大改动先开 issue 同步 ## 不允许 - 禁止直接 push main - 禁止跳过 hooks - 禁止硬编码密钥

# settings.json 档位（standard） { "hooks": { "PreToolUse": ["~/.claude/hooks/pre-tool-check.sh"], "PostToolUse": ["~/.claude/hooks/post-format.sh"], "SessionStart": ["~/.claude/hooks/init.sh"] }, "mcp": ["filesystem", "memory"], "rules": ["common/coding-style", "common/security", "common/testing"] }

📄

AI蒸馏技巧 · 完整拆解

7632686946951041258 · 6模块完整归档

6模块完整拆解：RAAATV五步萃取法详解 · 三层模式识别实操 · 人机分工原则 · 模板设计方法 · 验证清单。

复用等级：高 — 知识萃取完整方法论，适用于任何博主/专家内容的蒸馏。

📄 RAAATV 五步萃取法 · 核心拆解

✅ R — Record（记录）：原始素材全文落库，不删不改不总结，1:1 保留视频/播客/文章原文

✅ A — Abstract（抽象）：抽离底层方法论、思维模型、决策框架，剥离表层故事与情绪

✅ A — Apply（应用）：把抽象方法论映射到 3+ 真实场景，标注输入/输出/限制条件

✅ A — Adapt（适配）：根据本地工具栈（OpenClaw / Claude Code / Cursor）改造落地形态

✅ V — Verify（验证）：用反向题、迁移题、边界题校验蒸馏结果是否丢失关键信息

🎯 三层模式识别：表层（流程/步骤）→ 中层（原则/规则）→ 底层（价值观/世界观）

🎯 人机分工原则：AI 负责"广度扫描 + 模式提取"，人负责"价值判断 + 场景裁剪"

📋 蒸馏 SOP（5 步标准流程）

步骤	输入	动作	输出
1. 原文入库	视频/文章链接	douyin-mcp / webfetch 提取全文	原文 transcript.md
2. 结构化分段	原文 transcript	按"核心论点/操作步骤/案例数据"分段	段落卡片化
3. 抽象提取	段落卡片	逐段问"为什么这样做？底层原则是什么？"	方法论清单
4. 场景映射	方法论清单	每个方法找 3 个迁移场景并写 Prompt	可复用 Prompt 包
5. 验证回流	Prompt 包	实跑 1 次，对比原文覆盖度	校验报告 + 修订

⚙️ 可复用模板：蒸馏 Prompt + 校验清单

你是一名知识蒸馏专家。请对以下原文执行 RAAATV 五步萃取：【原文】 {{TRANSCRIPT}} 【输出格式】 1. R-Record：保留原文 3 个最具代表性的原句（不可改字） 2. A-Abstract：抽离出 3 条底层方法论（每条 ≤ 30 字） 3. A-Apply：列出 3 个迁移应用场景 4. A-Adapt：给出本地 OpenClaw 落地建议 5. V-Verify：列出 3 个反向校验问题

# 蒸馏结果验证清单 [ ] 原文 100% 保留，未做主观删减 [ ] 抽象方法论可独立于原文场景使用 [ ] 每个方法至少配 3 个迁移场景 [ ] 所有数据/参数/代码片段 1:1 复刻 [ ] 版权标注完整（仅个人学习、禁止商用） [ ] 输出覆盖 6 模块（拆解/落地/投喂/延伸/归档） [ ] 关键术语有原视频时间戳或上下文锚点

📄

Codex九大技巧 · 完整拆解

7650049682248305947 · 6模块完整归档

6模块完整拆解：九大技巧详解 · 长线程vs共享记忆 · 目标设定方法论 · Skill固化流程 · OpenClaw Skill代码。

复用等级：高 — Codex使用最佳实践，OpenClaw Skill可直接加载。

📄 Codex 九大技巧 · 核心拆解

① 持久对话线程：单次任务开一条长线程，所有上下文沉淀在线程里，便于回溯

② 任务排队：把多步骤任务写成有序队列，逐步执行 + 失败重试

③ 目标设定：每个任务必须明确"完成定义"，否则 AI 自由发挥会跑偏

④ 共享记忆：跨线程用 Memory MCP / project.md 共享关键决策

⑤ 工具组合：Codex CLI + MCP + Skill 三件套，避免单点依赖

⑥ 错误捕获：每次失败必须截图 + 日志 + 重试策略，禁止裸跑

⑦ 上下文压缩：长任务每 10 步做一次摘要，避免上下文爆炸

⑧ Skill 固化：高频动作写成 Skill，下次直接加载而非重新描述

⑨ 验证闭环：完成前必须自查（verification-before-completion）+ 用户验收

📋 Codex 任务执行 SOP

阶段	动作	工具	产出
1. 目标定义	明确"完成定义 + 验收标准"	PRD 模板	task.md
2. 上下文准备	加载相关 Skill + Memory + 项目文档	Skill tool	context-bundle
3. 排队执行	子任务按依赖排序，串行/并行标记	task_queue.json	执行序列
4. 错误捕获	try/catch + 日志落盘	try-catch-utils	error.log
5. 上下文压缩	每 10 步触发 summary	claude --compact	summary.md
6. Skill 固化	高频动作抽象成 Skill 代码	Skill generator	.py Skill 文件
7. 验证闭环	verification-before-completion 自检	checklist.md	通过/失败

⚙️ 可复用模板：Codex Skill 代码骨架

# codex_persistent_thread.py —— 持久对话线程 Skill from codex_sdk import Thread, Message class PersistentThread: def __init__(self, thread_id: str): self.thread = Thread(id=thread_id) self.history = [] def send(self, prompt: str) -> str: msg = self.thread.add_message(prompt) self.history.append({"role": "user", "content": prompt}) self.history.append({"role": "assistant", "content": msg.content}) return msg.content def compact(self) -> str: """每 10 步触发一次摘要压缩""" summary_prompt = "请将以上对话压缩为 200 字内的关键决策摘要" return self.send(summary_prompt) # 使用示例 t = PersistentThread("task-001") t.send("实现一个斐波那契函数") t.send("加上类型注解和单元测试") for i in range(10): t.send(f"迭代 {i}：补充边界用例") print(t.compact()) # 触发压缩

# task_queue.json —— 任务排队配置 { "tasks": [ {"id": "t1", "name": "初始化项目", "deps": [], "parallel": false}, {"id": "t2", "name": "写测试用例", "deps": ["t1"], "parallel": true}, {"id": "t3", "name": "实现核心逻辑", "deps": ["t2"], "parallel": false}, {"id": "t4", "name": "代码审查", "deps": ["t3"], "parallel": true}, {"id": "t5", "name": "部署上线", "deps": ["t4"], "parallel": false} ], "retry_policy": {"max_retries": 3, "backoff": "exponential"}, "context_compact_every": 10 }

📄

Open Design四阶段 · 完整拆解

7651954847511629091 · 6模块完整归档

6模块完整拆解：四阶段管道详解 · AMR模型路由配置 · 用户输入3要素 · 管道定制方法 · Critic Loop实现 · OpenClaw Workflow JSON。

复用等级：高 — 通用AI设计方法论，Workflow可直接导入OpenClaw。

📄 Open Design 四阶段管道 · 核心拆解

① 阶段 1 — Define（定义）：明确问题边界、目标用户、约束条件，输出 Brief 文档

② 阶段 2 — Design（设计）：生成 3+ 候选方案，附权衡说明，输出 Design Options

③ 阶段 3 — Develop（开发）：选定方案进入实现，含原型、评审、迭代

④ 阶段 4 — Deliver（交付）：打包文档、用户验收、效果追踪

🎯 AMR（Agent-Model-Router）模型路由：根据任务复杂度自动选 Haiku / Sonnet / Opus

🎯 用户输入 3 要素：目标 + 约束 + 验收标准（缺一就跑偏）

🎯 Critic Loop：每个阶段末尾必须有一个 Critic 节点审查输出，不通过则回流

🎯 管道定制：通过 YAML 配置节点依赖、变量传递、分支判断，零代码修改

📋 Open Design 落地 SOP

阶段	输入	关键动作	产出
1. Define	用户原始需求	追问 3 要素 + 写 Brief	brief.md
2. Design	brief.md	AMR 路由生成 3 方案 + Critic 评分	design-options.md
3. Develop	选定方案	原型实现 + 用户走查 + 迭代修复	prototype/ + iteration-log
4. Deliver	原型 + 走查报告	打包交付文档 + 验收签字 + 效果追踪	delivery-pkg.zip
Critic Loop	任一阶段输出	独立 Critic Agent 评估，对比验收标准	review.json（pass/fail + 修订建议）

⚙️ 可复用模板：OpenClaw Workflow JSON

{ "name": "Open Design 四阶段管道", "version": "1.0", "nodes": [ {"id": "define", "type": "agent", "model": "sonnet", "prompt": "{{BRIEF_TEMPLATE}}", "output": "brief.md"}, {"id": "design_gen", "type": "agent", "model": "opus", "prompt": "{{DESIGN_PROMPT}}", "deps": ["define"], "output": "design-options.md"}, {"id": "critic_design", "type": "critic", "model": "sonnet", "deps": ["design_gen"], "criteria": "novelty,feasibility,alignment"}, {"id": "develop", "type": "agent", "model": "sonnet", "prompt": "{{DEV_PROMPT}}", "deps": ["critic_design"], "output": "prototype/"}, {"id": "critic_dev", "type": "critic", "model": "sonnet", "deps": ["develop"], "criteria": "completeness,test_pass"}, {"id": "deliver", "type": "agent", "model": "haiku", "deps": ["critic_dev"], "output": "delivery-pkg.zip"} ], "router": { "simple_query": "haiku", "code_task": "sonnet", "design_creative": "opus" }, "user_input_schema": { "required": ["goal", "constraints", "acceptance_criteria"] } }

# BRIEF_TEMPLATE.md —— 阶段 1 定义模板 ## 目标（Goal） {{用户一句话目标}} ## 约束（Constraints） - 时间：{{deadline}} - 预算：{{budget}} - 技术栈：{{stack}} - 不允许：{{forbidden}} ## 验收标准（Acceptance Criteria） - [ ] {{criterion_1}} - [ ] {{criterion_2}} - [ ] {{criterion_3}}

📄

Vibe Coding 2.0 · 完整拆解

7651415364676439339 · 6模块完整归档

6模块完整拆解：Superpower产品经理流程 · 前端视觉对齐方法 · 截图反馈修复 · Play Mode计划模式 · 上下文优化技巧 · 自动上架SOP。

复用等级：高 — 完整APP开发到上架的实操指南。

📄 Vibe Coding 2.0 · 核心拆解

✅ Superpower 产品经理流程：用一句话定义需求 → AI 自动拆解 → 用户确认 → 进入开发

✅ 前端视觉对齐：Figma 截图 + 描述 + 期望效果三件套，AI 按像素级比对修复

✅ 截图反馈修复：浏览器截图 → 圈出问题区域 → AI 自动改 CSS/JSX

✅ Play Mode 计划模式：先把所有交互跑通一遍，标记问题点，再逐个修复

✅ 上下文优化：每完成 1 个模块立即 compact 一次，避免上下文爆炸

✅ 自动上架 SOP：构建 → 截图测试 → 商店元数据 → 一键发布

🎯 关键心法："先 vibe 后 code" —— 快速出可见效果，再补工程化

🎯 反模式：避免一开始就追求完美架构，先跑通再重构

📋 Vibe Coding 2.0 端到端 SOP

阶段	输入	动作	输出
1. 一句话需求	"做一个番茄钟 APP"	Superpower 拆解 + 用户确认	task-list.md
2. UI 初稿	task-list.md	Figma 截图 + AI 生成前端代码	v0.1 prototype
3. Play Mode	v0.1 prototype	手动跑通所有交互，截图标记问题	issue-list.png
4. 截图修复	issue-list.png	AI 逐项修复 + 自动回归测试	v1.0 build
5. 上下文压缩	累计上下文	每模块结束触发 compact	summary.md
6. 上架准备	v1.0 build	商店截图 + 描述 + 关键词优化	store-assets.zip
7. 一键发布	store-assets.zip	CI/CD 触发 App Store / Play Store 上传	live URL

⚙️ 可复用模板：截图反馈 Prompt + 上架清单

你是一名资深前端工程师。请根据以下截图和描述修复 React 组件：【截图】 {{SCREENSHOT_PATH}} 【问题描述】 {{USER_FEEDBACK}} 【期望效果】 {{EXPECTED_RESULT}} 【约束】 - 不修改其他无关代码 - 保持现有 CSS 变量体系 - 修复后输出 diff 和说明

# store_publish_checklist.md —— 自动上架 SOP ## 构建产物 - [ ] iOS: xcodebuild archive 通过 - [ ] Android: gradle bundleRelease 通过 - [ ] Web: pnpm build 产出 dist/ ## 商店元数据 - [ ] 应用名称（≤30 字符） - [ ] 副标题（≤30 字符） - [ ] 关键词（iOS 100 字符 / Play 商店无限制） - [ ] 应用描述（含 emoji + 卖点清单） - [ ] 截图（6.7" + 6.1" + iPad，至少 5 张） - [ ] 隐私政策 URL（线上有效） - [ ] 类别 + 副类别 ## 提交流程 - [ ] App Store Connect 上传 IPA + 提交审核 - [ ] Play Console 上传 AAB + 内部测试 → 生产 - [ ] 等待审核（iOS 24-48h，Play 数小时） - [ ] 上架后立即触发数据埋点上报

⚠️ 避坑红线：截图修复时不要扩大改动范围；Play Mode 必须完整跑通再进入下一阶段；上架前一定做真机回归而非模拟器。

📄

AI抄别人商品30天 · 完整拆解

7639312207993425204 · 完整SOP

5不卖4要卖选品法 · 5天测品法 · CBO广告设置 · 马斯洛需求角度 · AI生成主图 · 身体油案例（$45售价$7成本550%利润）。

复用等级：高 — 跨境电商变现实操SOP，30天18万USD方法论。

🛒 核心拆解：30天18万USD方法论

✅ 选品逻辑：5不卖4要卖过滤80%不合格品，锁定高利润爆品

✅ 测品节奏：CBO小预算快速验证，5天判定爆品/备选/放弃

✅ 内容生产：AI主图+马斯洛需求文案，批量产出广告素材

✅ 案例标杆：身体油$45售价$7成本，单元毛利550%，可复制

🎯 适合场景：有跨境电商基础，想用AI放大选品与素材效率的卖家

📅 落地 SOP：30天执行节奏

阶段	天数	动作	输出/校验
选品池	D1-D3	5不卖4要卖过滤100+候选	保留15-20款
测品期	D4-D8	5天测品法小预算验证	确认3-5款爆品
素材	D9-D15	AI生成主图+视频+文案	每款10+素材
放量	D16-D25	CBO广告加预算扩受众	ROAS ≥ 2.0
复盘	D26-D30	数据回收，优化爆品清单	下月选品迭代

📋 可复用模板：选品清单 + AI 主图 Prompt

# 选品评估清单 ## 商品基础 - 商品名：___ - 采购成本：$___ - 售价：$___ - 单元利润：$___（≥ $15 ✅） ## 5 不卖自检 - [ ] 非服装鞋帽 - [ ] 非大件重物 - [ ] 毛利 ≥ $5 - [ ] 无强季节性 - [ ] 合规认证齐全 ## 4 要卖自检 - [ ] 解决真实痛点 - [ ] 至少 3 个推广角度 - [ ] 视觉差异化 - [ ] 单元利润 ≥ $15 ## AI 主图 Prompt 你是一名跨境电商主图设计师。请根据以下商品生成 3 张高转化主图：【商品】{{PRODUCT_NAME}} 【卖点】{{USPs}} 【风格】{{STYLE_REF}} 要求：1) 突出卖点+价格锚点 2) 符合 Meta/TikTok 广告规范 3) 输出 1080x1080 PNG

仅用于合法授权的选品与广告创意，遵守目标平台政策、广告合规与目的国法律（FDA/CE/FCC 等），合规风险自负。

📄

量化交易全流程 · 完整拆解

7622984947430624548 · 自动化流水线

数据源搭建 → 因子挖掘 → 回测验证 → 参数优化 → 实盘对接完整流程。7天1千Star的大A数据源项目深度解析。

📊 核心拆解：五阶段量化流水线

✅ 数据源：自建A股数据仓库（7天1k Star开源项目），稳定可扩展

✅ 因子挖掘：技术+量价+另类多源因子，IC>0.05入选

✅ 回测验证：事件驱动+滑点模拟，避免未来函数

✅ 参数优化：Walk-forward滚动窗口，样本外验证

✅ 实盘对接：MiniQMT/Ptrade自动化下单+风控前置

🎯 适合场景：个人/团队搭建A股量化系统，完整闭环而非单点策略

⚙️ 落地 SOP：五阶段执行清单

阶段	输入	动作	输出/校验
1. 数据源	原始行情/财报	入库清洗+字段对齐	字段齐备无空值
2. 因子	清洗后数据	计算IC、分层回测	IC>0.05入选
3. 回测	因子+组合规则	事件驱动回测	夏普>1.5
4. 优化	回测报告	参数搜索+鲁棒性	样本外胜率稳定
5. 实盘	通过策略	小资金试跑+监控	实盘信号跟踪

📋 可复用模板：风控配置 + 工作流

# 量化风控参数样例 RISK_CONFIG = { "max_position_single": 0.10, # 单票最大10% "max_position_total": 0.80, # 总仓位≤80% "max_drawdown_stop": 0.15, # 回撤15%强平 "daily_loss_limit": 0.02, # 单日亏2%停 "min_volume_24h": 1000000, # 24h量能下限 "max_slippage": 0.005, # 最大滑点0.5% } # 工作流节点 1. DataIngest → 2. FactorCalc → 3. Backtest → 4. Optimize → 5. LiveOrder → 6. Monitor

⚠️ 避坑红线：避免未来函数、偷价、幸存者偏差；样本外验证不可省

仅用于研究和复盘，不构成投资建议；上线交易前必须回测、小资金验证、设置止损，历史业绩不代表未来表现。

📄

55个AI Agent虚拟公司 · 完整拆解

7616762900899794191 · 3万Star

多Agent协作系统的完整分析：Agent角色定义、通信协议、任务分配、协调机制，以及在企业级场景的应用。

🏢 核心拆解：55个 Agent 的虚拟公司架构

✅ 角色定义：每个 Agent 单一职责（CEO/CTO/CFO/市场/产品/工程/QA…）

✅ 通信协议：标准化消息队列（JSON Schema）+ 共享黑板机制

✅ 任务分配：Orchestrator 按能力路由 + 负载均衡

✅ 协调机制：计划-执行-评审循环 + 投票仲裁

✅ 企业场景：从产品研发到客服/营销全流程可拆解为 Agent 协同

🎯 适合场景：需要复杂多步决策的企业流程自动化、虚拟团队搭建

📅 落地 SOP：从单 Agent 到 55 Agent 公司

阶段	动作	输入	输出/校验
1. 流程拆解	梳理业务流程节点	现有 SOP 文档	15-30 个原子任务
2. 角色映射	任务 → Agent 角色	原子任务清单	角色定义 + 能力矩阵
3. 协议设计	消息格式 + 黑板	角色定义	JSON Schema + 共享存储
4. 单点验证	单 Agent 跑通闭环	真实业务样本	准确率 + 时延达标
5. 编排上线	Orchestrator 串接	单点验证报告	55 Agent 全链路联调

📋 可复用模板：Agent 角色定义 + 通信规范

# Agent 角色定义样例 AGENT_ROLE: name: "产品经理 Agent" capabilities: - 需求拆解 - 用户故事生成 - 验收标准定义 inputs: - business_goal: str - user_research: json outputs: - prd_doc: markdown - acceptance_criteria: list handoff_to: ["架构师 Agent", "UI Agent"] # 通信协议样例 MESSAGE_SCHEMA = { "from": "agent_id", "to": "agent_id", "intent": "ask|answer|handoff", "payload": {...}, "context_ref": "blackboard_key" }

⚠️ 避坑红线：不要让 Agent 之间互相覆盖状态；必须有 Orchestrator 单一调度源

📄

设计图秒变代码 · 完整拆解

7597041953800342822 · Pixso+MCP+Claude

Pixso MCP协议连接Claude Code，设计图自动解析、组件识别、代码生成的完整流程。设计到开发的最后一公里解决方案。

🎨 核心拆解：设计→代码最后一公里

✅ 协议连接：Pixso MCP Server 暴露设计稿结构化数据

✅ 自动解析：图层树+样式属性+约束关系还原为组件树

✅ 组件识别：复用现有 UI 库，避免无意义重复实现

✅ 代码生成：Claude Code 输出 React/Vue + Tailwind/CSS-in-JS

✅ 闭环验收：与原设计稿截图对比，差异点自动列出

🎯 适合场景：UI 设计稿高频迭代、前端人力紧张的小团队

⚙️ 落地 SOP：四步跑通设计→代码

阶段	输入	动作	输出/校验
1. MCP 配置	Pixso 项目链接	注册 MCP Server + 鉴权	Claude Code 可调用工具
2. 设计解析	选定设计稿	抓取组件树+样式	结构化 JSON 输出
3. 代码生成	组件树 JSON	Prompt 引导生成代码	页面代码 + 样式
4. 验收对比	生成页面截图	与原图 diff，标记差异	差异清单 ≤ 5%

📋 可复用模板：Pixso→代码 Prompt

你是一名资深前端工程师。请根据 Pixso 设计稿 MCP 数据生成页面代码：【MCP 工具】get_pixso_component_tree(frame_url) 【组件树】{{COMPONENT_TREE_JSON}} 【样式规范】{{STYLE_GUIDE}} 【技术栈】React + TypeScript + Tailwind 要求： 1. 复用现有组件库，不重复实现 2. 保留所有设计 token（颜色/间距/字号） 3. 输出完整可运行代码 + 关键注释 4. 标注与原稿可能的差异点

⚠️ 避坑红线：复杂交互动效需人工补充；图标/字体授权要先确认；样式 token 必须与设计系统一致

📄

爬虫逆向AI工作流 · 完整拆解

7622984947430624548 · 反爬对抗

AI辅助反爬对抗：JS加密分析、行为检测识别、验证码处理、代理池管理的AI辅助解决方案。

🕷️ 核心拆解：AI 辅助反爬对抗四件套

✅ JS 加密分析：LLM 解释混淆代码 + AST 还原关键变量

✅ 行为检测识别：人机特征对比，生成仿人操作轨迹

✅ 验证码处理：图标点选/滑块 OCR + 多模态模型辅助

✅ 代理池管理：住宅代理轮换 + 指纹随机化策略

🎯 适合场景：合规授权下的数据采集、价格监控、舆情分析

⚙️ 落地 SOP：五阶段执行清单

阶段	输入	动作	输出/校验
1. 资产梳理	目标站点 + URL	请求抓包 + DOM 分析	接口/参数清单
2. 加密破解	混淆 JS	AST 还原 + LLM 解释	签名生成函数
3. 行为仿真	检测点列表	Playwright + 人类轨迹	通过率 ≥ 95%
4. 代理轮换	代理池 + 指纹库	请求间隔 + UA 随机	封禁率 < 5%
5. 监控告警	采集成功率	异常自动切换策略	SLA ≥ 99%

📋 可复用模板：JS 解释 + 代理配置

你是一名资深前端逆向工程师。请帮我分析以下 JS 代码的加密逻辑： ```js {{OBFUSCATED_JS}} ``` 要求： 1. 识别加密算法（AES/DES/RSA/自定义） 2. 还原关键签名生成函数 3. 给出 Python/Node.js 等价实现 4. 标注输入输出参数

# 代理池配置样例 PROXY_CONFIG = { "providers": [ {"type": "residential", "country": "US", "count": 100}, {"type": "datacenter", "count": 20}, ], "rotate_interval": 50, # 每 50 请求换代理 "fail_threshold": 3, # 失败 3 次自动拉黑 "ua_random": true, # User-Agent 随机 "fingerprint_random": true, # 浏览器指纹随机 "request_delay": [1, 3], # 请求间隔 1-3 秒 }

⚠️ 避坑红线：高频请求会触发风控；验证码类型变化时要及时更新模型；代理质量比数量更重要

仅用于合法授权的数据处理和个人学习，遵守目标站点 robots、服务条款和当地法律。逆向与绕过技术控制措施可能违反《反不正当竞争法》《计算机信息系统安全保护条例》等，合规风险自负。

📄

CodeX进阶教程 · 完整拆解

7650213306375933184 · 毒蛇产品经理5.0

毒蛇产品经理5.0完整Skills：11个Skills详解 · GO系统（Goal+Objective+Acceptance）· 规则进化机制 · 2.85M tokens消耗案例分析。

点击展开 11 个 Skills 与规则进化机制 →

📋 毒蛇产品经理5.0 · 11个Skills 全景

#	Skill	输入	输出	阶段
1	需求收集	用户原始描述	结构化需求文档	需求
2	设计规范	需求文档	UI/交互规范	设计
3	开发计划	设计规范	排期与任务拆分	计划
4	架构设计	开发计划	模块/接口方案	计划
5	代码实现	架构方案	源代码	开发
6	单元测试	源代码	测试用例 + 报告	开发
7	代码审查	源代码	审查意见	开发
8	集成联调	模块代码	联调报告	开发
9	性能优化	联调报告	优化方案	优化
10	发布部署	优化后产物	线上版本	发布
11	复盘归档	全过程记录	知识库条目	归档

🧠 GO 系统 + 规则进化机制 SOP

环节	含义	关键动作	案例数据
Goal	目标	用一句话讲清要达成什么	上线 v2.0
Objective	完成程度	定义可量化的中间状态	P95 < 300ms
Acceptance	验收方式	谁、依据什么标准验收	PM + QA 双签
规则进化：信号	用户原始反馈	捕获报错/低质输出	—
规则进化：抽象	归类为通用规则	沉淀到 rule bank	—
规则进化：建议	写入 Skill 提示	让 AI 自迭代	2.85M tokens
规则进化：用户确认	人工 gate	防止规则漂移	—

✅ 核心心法：你写得越少，AI 发挥越好。把判断权交给 AI，只在关键 gate 介入。

📌 案例：单次项目 2.85M tokens 消耗 = 持续规则迭代 + 多次回滚试错的成本。

🔑 可复用 Prompt 模板

你正在执行「毒蛇产品经理 5.0」第 {n} 个 Skill：{skill_name}。【Goal】{goal} 【Objective】{objective} 【Acceptance】{acceptance} 【输入】{user_input} 【必须遵守的规则】 1. 先输出本 Skill 的产出模板 2. 引用前序 Skill 的输出（如果有） 3. 标注未确定项，触发规则进化信号 4. 不得跳步或合并多个 Skill 【输出格式】 - 关键结论 - 结构化产出 - 待确认问题清单

📄

Kronos金融K线大模型 · 完整拆解

7639872516161072122 · AAAI 2026

首个金融K线专用大模型的深度解析：时间序列预测 vs LLM架构创新、训练方法、评估指标、与传统量化模型的对比。

点击展开架构对比与评估 SOP →

📊 Kronos vs 传统时序模型架构对比

维度	ARIMA / LSTM	Kronos（K线专用 LLM）
输入	单变量数值序列	K线 patch + 技术指标 + 情绪
特征工程	人工设计	端到端学习
非线性	弱	强（注意力机制）
可解释性	高（白盒）	中（需 attention 可视化）
样本需求	少（数百条）	大（百万级 K 线）
regime 切换	敏感	鲁棒（多周期 token）
算力成本	低	高（GPU 集群）
输出	点预测	概率分布 / 区间预测

🛠 Kronos 落地 5 步 SOP

步骤	输入	动作	输出 / 校验
1. 数据准备	原始 OHLCV	清洗 + 复权 + 多周期对齐	干净数据集
2. Token 化	K线 + 指标	patch token + 指标 token + 位置编码	训练 token 流
3. 预训练	千万级 K线	自监督 next-token	base 模型
4. 微调	策略标签	SFT / RLHF / 量化奖励	任务模型
5. 评估	样本外数据	IC / Rank IC / 最大回撤 / Sharpe	上线决策报告

✅ 评估指标：IC、Rank IC、Calmar、换手率-adjusted Sharpe 必须同时看。

📌 多模态融合（K线 + 新闻情绪）通常比单模态 IC 提升 5-15%。

🚨 投资风险提示：Kronos 仍为研究性质模型，未在长周期实盘验证。直接用于真实交易可能因过拟合、市场 regime 切换、流动性枯竭等造成重大亏损。任何基于本模型的下单行为，风险完全由使用者承担。

🔑 Kronos 推理 Prompt 模板

你是 Kronos 金融 K 线推理助手。规则： 1. 仅基于用户给定的历史 K 线 + 技术指标数据作答，不做场外信息推断 2. 输出预测区间（5%/50%/95% 分位），不要输出单点价格 3. 必须给出置信度与潜在失效场景 4. 涉及具体标的或仓位建议时，必须附上风险提示【市场】{market} 【品种】{symbol} 【时间窗口】{window} 【技术指标】{indicators} 【任务】{task} 【输出格式】 - 区间预测 - 关键驱动因子 - 失效场景与风控建议

📄

CRS税务申报 · 完整拆解

7610863666615511803 · 合规指南

Common Reporting Standard境外投资税务申报完整指南：申报主体、申报范围、申报时限、违规处罚及AI合规应用。

点击展开 6 步申报 SOP 与 Prompt 模板 →

📋 CRS 申报主体 · 范围 · 时限核心

✅ 申报主体：金融机构（含存款机构、托管机构、投资实体、特定保险机构）

✅ 申报范围：境外税收居民在本地持有的金融账户（个人 + 实体）

✅ 穿透规则：消极非金融机构（NFE）需穿透至控制人

✅ 申报时限：通常为次年 5 月 31 日前向本地税务机关报送上一公历年度数据

✅ 参与国：150+ 司法管辖区已签署 CRS 主管当局协议

✅ 违规处罚：漏报/错报/迟报可触发罚款、滞纳金乃至刑事责任

🛠 CRS 申报 6 步 SOP

步骤	输入	动作	输出 / 校验
1. 居民身份判定	纳税人证件 + 国籍	判断税务居民国与 CRS 参与国	身份标签 + 参与国映射
2. 账户盘点	核心系统 + 业务台账	扫描存款/托管/股权/债权/保险账户	账户清单 + 余额快照
3. 字段抽取	账户详情	TIN/姓名/地址/余额/利息/股息/资产处置	字段缺失率 < 5%
4. 控制人穿透	实体账户	消极 NFE 穿透至自然人	控制人登记表
5. XML 生成	收集结果	按 OECD schema 生成 CRS XML	格式校验通过
6. 提交归档	XML 申报表	本地税务机关提交 + 留档 5+ 年	回执 + 留档清单

🔑 可复用 Prompt 模板

你是 CRS 税务申报助手。规则： 1. 仅基于用户提供的账户信息生成申报草稿，不做任何虚构 2. 输出字段必须与 OECD CRS 报告模板严格对齐 3. 居民身份认定需先确认税务居民国与 CRS 参与国状态 4. 实体账户按"消极非金融实体"穿透规则处理 5. 输出格式：主体信息表 + 账户明细表 + 豁免说明 + 风险提示 6. 涉及具体税务责任时，必须提示用户咨询专业税务师纳税人信息：{user_input} 报告年度：{year} 申报国别：{country}

⚠️ 仅供学习研究，不构成税务意见。CRS 申报涉及具体税务责任与法律后果，请以专业税务师 / 律师意见为准；本模板与本拆解不替代正式申报。

OPC 人物志 · Profile

OPC人物：刘小排

一人公司年入千万的 AI 创业者 · 方法论拆解 · Cloud Code 使用心法

🧑‍💻

刘小排

OPC 人物 AI 创业一人公司

87 年生，重庆大学 2009 年本科，前猎豹移动产品总监（10 年）。 2024 年 12 月 31 日离职创业，主攻 AI 画图 / 3D 模型 / 语音克隆 方向，无外部融资，约 1000 万年收。把 AI 编程当成"自己的延伸"， Cloud Code 月消耗约 5 万美金，长期占据全球 Token 消耗榜首。

内容整理自抖音 @刘小排公开视频，仅作个人学习与方法论归档，非商用。

~1000万 / 年

一人公司年收入（人民币）

1人 + AI 员工

团队结构（人类 + AI 员工）

~1周

MVP 从 0 到发布的平均周期

~5万 USD / 月

Cloud Code / AI 编程工具消耗

Methodology · 三大方法论锚点

核心方法论体系

AI 创业 11 步法

需求发现 → AI 市场调研 → 需求文档 → 原型图 → AI 实现 → MVP 发布 → 数据验证 → 商业验证 → 部署上线 → 迭代优化 → 规模化。

AI STARTUP SOP

真伪需求辨别四维度

① 有人愿意付代价吗？② 是具体问题吗？③ 能先做服务验证吗？④ 能 MVP 快速验证吗？

DEMAND CHECK

Cloud Code 使用心法

"Cloud Code is not for you, it is you"。先写需求文档 → 让 AI 复述 → 讨论方案 → 再让 AI 写代码 → 后台任务睡觉跑。

CLOUD CODE

Articles · 3 篇核心拆解

深度文章归档

🧭

年收入超 1000 万：AI 创业 11 步法

刘小排 · 光羽的平行世界 · 完整度 100% · 内容等级 A

★ FLAGSHIP

AI 编程让人人都能成为产品经理：87 年重庆人刘小排（非程序员出身）通过 AI 编程实现一人公司年入近千万。从需求发现到规模化变现的 11 步 SOP，以及商业逻辑验证的核心公式。

关键词：一人公司 · 年入千万 · 商业逻辑验证 · MVP 一周发布。点击展开完整 SOP →

📋 摘要

AI 编程让"一人公司年入百万"成为现实。真正的门槛不再是编程，而是洞察需求的能力。做软件生意的本质是低买高卖（获客成本 vs 单用户价值），AI 是比工业革命更重要的人类变革。

🎯 核心要点

#	能力点	说明
1	需求发现	找"供需失衡"的机会点
2	AI 市场调研	把 AI 当产品经理，验证想法
3	需求文档	标准化描述产品目标、用户、功能
4	手绘原型	纸笔快速画界面
5	AI 高保真原型	与正式 APP 一模一样
6	用户验证	确认设计是否解决问题
7	AI 实现	自然语言让 AI 写代码
8	MVP 发布	快速上线只含核心功能
9	数据监控	点击率 / 留存率 / 付费率
10	商业验证	付费率 ≥ 10% 是盈利线
11	规模化	加大获客 + 持续迭代

🚀 11 步完整 SOP

✅ Step 1 找问题：观察社会事件 / 找用户量大但评分低的产品 / 挖"希望有什么软件"帖子

✅ Step 2 AI 调研：把 AI 设定为产品经理角色，让它判断想法有没有前途

✅ Step 3 评估竞争：让 AI 联网搜索"是否已有人做？你有没有机会"

✅ Step 4 输出需求文档：产品需求 / 目标用户 / 核心功能 / 技术框架

✅ Step 5 手绘原型：纸笔快速画界面草图

✅ Step 6 AI 高保真：把手绘稿做成与正式 APP 一模一样的设计图

✅ Step 7 用户确认：把原型给目标用户看，确认是否解决问题

✅ Step 8 AI 实现：一个功能一个功能让 AI 写代码

✅ Step 9 MVP 发布：阿里云 / 腾讯云租服务器（月费 ~10 元），部署 + 数据埋点

✅ Step 10 验证两个逻辑：产品逻辑（CTR > 5% / 留存 > 30%）+ 商业逻辑（付费率 ≥ 10%）

✅ Step 11 规模化：商业验证通过后加大获客投入

⚠️ 付费率 < 5% 建议换方向；< 10% 不建议规模化投入

💬 可复用 Prompt

【AI 产品经理 Prompt】你是一个资深产品经理。我有个想法：[描述你的想法] 请帮我分析： 1. 这个需求是否真实存在 2. 目标用户是谁 3. 市场上现有解决方案有哪些 4. 我的机会在哪里 5. 如何验证这个想法是否可行

【变现点设计 Prompt】我计划设置以下变现点： 1. 免费用户需要排队等待 2. 付费用户可以插队 3. 付费用户画图质量更高请帮我分析这个变现策略的可行性，并给出建议的定价。

⚠️ 风险与限制

🚫 需求可能不存在：不是所有想法都能验证成功

🚫 变现难度高：很多产品有用户但没人付费

🚫 竞争激烈：好想法很快会被复制

🚫 AI 能力上限：复杂产品仍需技术团队

📎 来源 & 状态

字段	值
来源 URL	v.douyin.com/_Zo3TCMk60E/
作者	光羽的平行世界 / 刘小排
分类	AI 创业
内容等级	A（深度拆解）
状态	已整理为方法论 · 建议阅读

⚡

十字路口播客：Cloud Code 使用心法

刘小排 × Koji《十字路口》· 完整度 100% · 内容等级 A

★ CLOUD CODE

"Cloud Code is not for you, it is you"：刘小排（Cloud Code 全球 Token 消耗榜一大哥）分享 AI 编程工具的高效使用 SOP、产品简单哲学，以及"出来混最重要的是出来"的人生建议。

关键词：Cloud Code 心法 · 需求文档 · 后台任务 · 简单哲学。点击展开完整 SOP →

📋 摘要

Cloud Code 不是工具，而是你自己的延伸。不是问"它能帮我做什么"，而是问"我想做什么，然后看哪些可以分包给它"。掌握正确方法可以极大提升开发效率。

🎯 核心要点

要点	说明
身份定位	不是工具，是"你自己的延伸"
核心哲学	问"我想做什么"，再分包给 AI
关键 SOP	写需求文档 → AI 复述 → 讨论方案 → 写代码
高级功能	后台任务 / Subagent / Output Style / 多模态
产品哲学	做减法 · 单点击穿 · 三段论

🚀 Cloud Code 上手 SOP

✅ 阶段 1：看官方文档，了解后台任务 / Subagent 等高级功能

✅ 阶段 2：找一个具体任务，尝试用它完成一件工作

✅ 阶段 3：写完整需求文档（1-2000 字），越详细越好

✅ 阶段 4：让 AI 复述理解，歧义在这里暴露

✅ 阶段 5：讨论技术方案 3-5 轮，有风险决策点人来做决策

✅ 阶段 6：执行 + 后台任务，睡觉时让它跑

💬 可复用 Prompt / 模板

【需求文档模板】一、项目目标 [一句话描述要做什么] 二、目标用户 [谁会用？有什么特征？] 三、功能需求 [功能1]：[详细描述，包括输入输出] [功能2]：[详细描述] ... 四、交互要求 [界面细节、动画效果、异常处理] 五、技术约束 [性能要求、兼容性要求]

🎓 产品方法论（来自猎豹付盛）

简单哲学：做减法而非加法。猎豹 Clean Master 月活 6 亿，只有一个按钮

三段论：① 找相对早期的市场 ② 做预测（市场现在一般，以后会不一样）③ 单点击穿（只做一个功能站稳）

⚠️ 风险与限制

🚫 需要自控能力：不是全自动，需要人做决策

🚫 有学习曲线：官方文档和技巧需要时间学习

🚫 成本控制：5 万美金/月消耗，不注意可能跑飞

📎 来源 & 状态

字段	值
来源 URL	v.douyin.com/CssHJWiDcSk/
作者	刘小排 × Koji《十字路口》播客
分类	AI 编程
内容等级	A（深度拆解）
状态	已整理为方法论 · 建议阅读

🔍

真伪需求辨别：三个/四个维度判断需求

刘小排 · 完整度 ~60% · 内容等级 B（ASR 部分截断）

★ PARTIAL

太多人做了一堆没人用的产品，因为从一开始就没验证过需求真假。刘小排教你用四个维度辨别真伪需求，避免开发"伪需求"。

关键词：四维度 · 真需求 · 服务验证 · MVP。点击展开完整 SOP →

📋 摘要

想验证创业想法的创业者、产品经理和独立开发者，都需要这套方法论：用四个维度在动手前判断需求真假，避免开发"伪需求"。

🎯 核心要点 · 四维度

维度	核心问题	判断标准
第一维度	有人愿意付出代价吗？	代价越大，需求越真
第二维度	是具体问题吗？	手机已有的功能 = 伪需求
第三维度	能先做服务验证吗？	服务客户后迭代产品
第四维度	能 MVP 快速验证吗？	成本低则风险低

🚀 需求自检流程

[想法] ↓ [有人愿意付钱吗？] → 没有 → 伪需求 ❌ ↓ 是 [是具体问题吗？] → 手机已有 → 伪需求 ❌ ↓ 是 [先做服务验证] → 不能 → 风险高 ⚠️ ↓ 能 [MVP 快速验证] → 不能 → 成本高 ⚠️ ↓ 能 [继续迭代 → 产品化]

✅ 不要闭门造车，先验证需求再做产品

✅ 服务过程中验证 idea 值不值得做成产品

💬 可复用问题清单

【四维度自检问题】 1. 有人愿意为此付钱吗？ → 没有 = 伪需求 ❌ 2. 这是一个具体未解决的问题吗？ → 手机已有 = 伪需求 ❌ 3. 能否先做服务验证？ → 不能 = 风险高 ⚠️ 4. 能否快速 MVP 验证？ → 不能 = 成本高 ⚠️

⚠️ 风险与限制

🚫 视频字幕被截断约 40% 内容，第四维度可能不完整

🚫 用户可能说"愿意付费"但实际不付

🚫 知道和做到是两回事，需要执行力

📎 来源 & 状态

字段	值
来源 URL	v.douyin.com/7In1mf1GO_k/
作者	刘小排
分类	产品方法论
内容等级	B（部分截断）
状态	已整理 · 建议结合原视频补全

Tool Launchpad

My Tools Launchpad

查理王的工具作品集 · 全部开源可复用

🌐

Website

OPCX Portal

SpaceX风格的个人网站，集成 68+ 项目拆解（持续更新）、三条主线（Timeline / Core Projects / Distillation）、OPC 成长日志。opcx.wang

🎬

Python Script

Douyin Video Extractor

抖音视频转录Pipeline，集成SiliconFlow ASR API，自动生成字幕和拆解报告。支持批量处理。

🧠

OpenClaw Skill

Codex 九大技巧 Skill

Codex九大技巧的OpenClaw实现：持久对话、任务排队、目标设定、共享记忆。Python代码可直接加载。

🎯

OpenClaw Skill

Open Design 四阶段管道 Skill

Plan-Generate-Critique-Hand Off四阶段管道 + AMR模型路由。Workflow JSON可直接导入OpenClaw。

🚀

OpenClaw Skill

Vibe Coding 2.0 Skill

Vibe Coding APP开发全流程Skill，含产品经理流程、前端对齐、截图反馈、上架自动化。

⚡

OpenClaw Skill

Superpowers 7步工作流 Skill

Superpowers探究的OpenClaw实现：7步强制工作流 + 14个Skills代码，含TDD和Code Review模板。

🔮

Coming Soon

NEXT TOOL

下一个作品正在发射准备中...

🚀 发射倒计时

✦ 查理王专栏

关于查理王

OPC（Original Personal Creation）创作者，专注于AI工具的方法论蒸馏与实操应用。通过抖音视频深度拆解，提取AI大神的核心思路，转化为可复用的Skill和工作流。目前累计 67+ 个项目深度拆解（持续更新），覆盖三条主线： Charlie Timeline（个人成长时间线） · Core Projects（ECC / Dify / n8n / Open WebUI / Hermes Agent 等成熟项目） · Distillation（大神思路、经验、方法论蒸馏）。这里是创作日志，也是 OPCX 高质量视频拆解发布工作流的试验田。

Distilling AI Wisdom

当前任务总览

实时事件流

成果面板

最近任务

内容池审核台

Charlie Timeline

Core Projects

大神蒸馏线 · Distillation

OPC人物：刘小排

核心方法论体系

深度文章归档

My Tools Launchpad

关于查理王

Distilling
AI Wisdom