日月小楚 ｜Building AI Agents
最近涌现了一类vibe coding增强的项目/工具，其中Superpowers，spec-kit、openSpec、BMAD最为有名，github上几个月就有万星。
我花了一些时间对他们进行了研究和测试。下面是我的建议
1 codex、claude code、open code等编程工具已经是非常强大了，记得第一步是先要善用他们，他们基本已经满足90%的需求场景。不要听信哪些自媒体的，为了凸显这些增强工具的好用，故意贬低他们。
2 如果是做一些自己用小工具，或者做一些修改。完全没有必要折腾这些。
3 如果你现在只是一些想法，并没有具体的细节。建议可以从superpowers开始，它会进行头脑风暴，并且一步步完善。
4 spec-kit和BMAD适合大型的比较复杂的项目。他们上来会书写比较复杂的文档规范。同时适合团队协作，项目的持久话运行和迭代。
5 OpenSpec是比较适合在已有的项目进行修改。但是如果是项目不大的小改动，用claude code这些就够了。但是很多人有个情况，是使用不同模型和ide。比如我写项目会让opus4.5写，修bug用codex。而且有时候antigravity抽风了，会用cursor。那么这时候他们的代码风格和写法可能差别比较大，这个时候，就要考虑使用openspec，或者找个skill。
1 Superpowers
Superpowers比较适合从0开始构建项目的场景。它是一个完整的软件开发工作流程，它更像是给现在 AI coding装上的“外挂大脑”和“多功能工具带”，或者更加通俗一点理解，就是组装了一个个专业的skills。
它可以安装在claude code、codex、open code。安装后，可以进行三个场景
1 第一步“头脑风暴
适合在项目的开始前的阶段，当你只有一个初步的想法，可以跟它进行讨论。它会问你一些问题，也是在满满将项目明确话
2 第二步：编写计划
根据上一步的设计方案。将工作分解成易于处理的小任务。而它的任务，比现在claude code，cursor等自己细分的任务往往更小，更细
3 第三步：执行计划
为每个任务派遣新的子代理，并进行两阶段审查（先检查规范符合性，再检查代码质量），或者分批执行，并设置人工检查点。
即使不适用superpowers，它github仓库里面的skills也值得来学习和借鉴。它里面有十几个精心设计的skills，覆盖一个开发的各个阶段。
2 spec-kit
spec-kit是github官方团队推出SDD（规范驱动开发），它是最具结构化、最像“工业级标准”的框架。它的特点，规范、详细。它适合比较复杂的项目、或者多人协作、或者需要长期维护的项目
而它的规范文档也是所有sdd中要求最高，数量最多的。简单来说，它认为在ai时代，由于代码将由ai来替代，所以最重要应该从ai代码的编写，转换为规范的定义。
spec-kit同样遵循，从定义规则，制定计划，执行计划并测试等过程。 spec-kit 区别于其他框架最大的亮点。它要求你在项目根目录维护一个 https://t.co/9m7C8CarC5（或者在 `.cursorrules` 中定义）。
--技术栈死规矩：比如“必须使用 Tailwind CSS，禁止使用 CSS Modules。”
-- *代码风格： “所有后端接口必须包含异常处理块，并返回标准的 JSON 格式。”
- 目录结构：“所有的业务逻辑必须写在 `services/` 目录下，Controller 层只负责转发。”
3 OpenSpec
openSpec 也是SSD，相对于spec-kit而言，它更轻量。它以“增量变更为核心，核心理念是：**既然项目是不断演进的，那么 AI 就不应该每次都去读几百行的完整文档，而应该只关注“这次改动了什么”。
除了更加轻量，它的另外一个有点极高的 Token 效率 (Token-Efficient):由于采用“增量（Delta）”模式，AI 只需要阅读和处理与本次改动相关的片段，而不是整个庞大的文档。这在处理大型老项目（Brownfield Projects）时能节省大量 API 开销，并减少 AI 的“幻觉”。
它更加适合边做边改的场景，并且**支持“倒推规范”：** 如果现在的项目还没有文档，OpenSpec 允许 AI 先阅读现有代码，反向生成（Reverse-engineer）出最初的规格文档。
4 BMAD
BMAD 是一套由 BMAD Code Org 推出的开源开发方法论。如果说 OpenSpec 和 spec-kit 是具体的“工具包”，那么 BMAD 更像是一本“现代 AI 软件工程教科书”。
实际上，BMAD跟上面的三个是不一样的，它更适合跟claude code等工程学的工具作为一类。他拥有12 位以上领域专家的agent，并且内部拥有34个工作流
它旨在解决一个核心矛盾：**如何在大规模、复杂的企业级项目中，让 AI 像一个成熟的开发团队一样工作，而不是像一个只会写代码片段的实习生。**
它的缺点也是太重，适合产生的代码极其稳健，适合金融、SaaS 等对安全性要求高的领域。并且不适合个人或者小型项目。
tweet
最近涌现了一类vibe coding增强的项目/工具，其中Superpowers，spec-kit、openSpec、BMAD最为有名，github上几个月就有万星。
我花了一些时间对他们进行了研究和测试。下面是我的建议
1 codex、claude code、open code等编程工具已经是非常强大了，记得第一步是先要善用他们，他们基本已经满足90%的需求场景。不要听信哪些自媒体的，为了凸显这些增强工具的好用，故意贬低他们。
2 如果是做一些自己用小工具，或者做一些修改。完全没有必要折腾这些。
3 如果你现在只是一些想法，并没有具体的细节。建议可以从superpowers开始，它会进行头脑风暴，并且一步步完善。
4 spec-kit和BMAD适合大型的比较复杂的项目。他们上来会书写比较复杂的文档规范。同时适合团队协作，项目的持久话运行和迭代。
5 OpenSpec是比较适合在已有的项目进行修改。但是如果是项目不大的小改动，用claude code这些就够了。但是很多人有个情况，是使用不同模型和ide。比如我写项目会让opus4.5写，修bug用codex。而且有时候antigravity抽风了，会用cursor。那么这时候他们的代码风格和写法可能差别比较大，这个时候，就要考虑使用openspec，或者找个skill。
1 Superpowers
Superpowers比较适合从0开始构建项目的场景。它是一个完整的软件开发工作流程，它更像是给现在 AI coding装上的“外挂大脑”和“多功能工具带”，或者更加通俗一点理解，就是组装了一个个专业的skills。
它可以安装在claude code、codex、open code。安装后，可以进行三个场景
1 第一步“头脑风暴
适合在项目的开始前的阶段，当你只有一个初步的想法，可以跟它进行讨论。它会问你一些问题，也是在满满将项目明确话
2 第二步：编写计划
根据上一步的设计方案。将工作分解成易于处理的小任务。而它的任务，比现在claude code，cursor等自己细分的任务往往更小，更细
3 第三步：执行计划
为每个任务派遣新的子代理，并进行两阶段审查（先检查规范符合性，再检查代码质量），或者分批执行，并设置人工检查点。
即使不适用superpowers，它github仓库里面的skills也值得来学习和借鉴。它里面有十几个精心设计的skills，覆盖一个开发的各个阶段。
2 spec-kit
spec-kit是github官方团队推出SDD（规范驱动开发），它是最具结构化、最像“工业级标准”的框架。它的特点，规范、详细。它适合比较复杂的项目、或者多人协作、或者需要长期维护的项目
而它的规范文档也是所有sdd中要求最高，数量最多的。简单来说，它认为在ai时代，由于代码将由ai来替代，所以最重要应该从ai代码的编写，转换为规范的定义。
spec-kit同样遵循，从定义规则，制定计划，执行计划并测试等过程。 spec-kit 区别于其他框架最大的亮点。它要求你在项目根目录维护一个 https://t.co/9m7C8CarC5（或者在 `.cursorrules` 中定义）。
--技术栈死规矩：比如“必须使用 Tailwind CSS，禁止使用 CSS Modules。”
-- *代码风格： “所有后端接口必须包含异常处理块，并返回标准的 JSON 格式。”
- 目录结构：“所有的业务逻辑必须写在 `services/` 目录下，Controller 层只负责转发。”
3 OpenSpec
openSpec 也是SSD，相对于spec-kit而言，它更轻量。它以“增量变更为核心，核心理念是：**既然项目是不断演进的，那么 AI 就不应该每次都去读几百行的完整文档，而应该只关注“这次改动了什么”。
除了更加轻量，它的另外一个有点极高的 Token 效率 (Token-Efficient):由于采用“增量（Delta）”模式，AI 只需要阅读和处理与本次改动相关的片段，而不是整个庞大的文档。这在处理大型老项目（Brownfield Projects）时能节省大量 API 开销，并减少 AI 的“幻觉”。
它更加适合边做边改的场景，并且**支持“倒推规范”：** 如果现在的项目还没有文档，OpenSpec 允许 AI 先阅读现有代码，反向生成（Reverse-engineer）出最初的规格文档。
4 BMAD
BMAD 是一套由 BMAD Code Org 推出的开源开发方法论。如果说 OpenSpec 和 spec-kit 是具体的“工具包”，那么 BMAD 更像是一本“现代 AI 软件工程教科书”。
实际上，BMAD跟上面的三个是不一样的，它更适合跟claude code等工程学的工具作为一类。他拥有12 位以上领域专家的agent，并且内部拥有34个工作流
它旨在解决一个核心矛盾：**如何在大规模、复杂的企业级项目中，让 AI 像一个成熟的开发团队一样工作，而不是像一个只会写代码片段的实习生。**
它的缺点也是太重，适合产生的代码极其稳健，适合金融、SaaS 等对安全性要求高的领域。并且不适合个人或者小型项目。
tweet
🔥3
日月小楚的投资交流空间（公告群）
Photo
日月小楚 ｜Building AI Agents
AI降智的实锤数据 claude Opus 4.5
这是Marginlab团队，每日使用claude code的Opus 4.5 对SWE-Bench-Pro 的50到题目进行通过性测试。
从数据看到，从1月初的60%，下降到现在54%。降智率为10%。 https://t.co/DhVXymg4ei
tweet
AI降智的实锤数据 claude Opus 4.5
这是Marginlab团队，每日使用claude code的Opus 4.5 对SWE-Bench-Pro 的50到题目进行通过性测试。
从数据看到，从1月初的60%，下降到现在54%。降智率为10%。 https://t.co/DhVXymg4ei
tweet
👍1
日月小楚的投资交流空间（公告群）
Photo
日月小楚 ｜Building AI Agents
今天上线了vibe coding的第二个产品：热点分析
让AI分析币圈热点，5分钟就可以掌握币圈的最热话题
这个功能现在很常见，那我花时间做的有何不同呢？
1 说人话的有趣AI
让AI写的报告有人味，文字的可读性更强。这是我精心调教的结果，经历了三次版本的迭代。第一版是在刚开始做AI分析的时候，我像大部分人一样，重心在功能的实现。
完工后我发现，AI写的报告平平无奇，并且带有很多晦涩难懂的专业名词。于是我进行改进，开始测试十几个不同的大模型，以及不同的Prompt工程。
因为我发现模型拥有不同的性格，有的输出文字细腻，有的严谨，有的喜欢自由发挥。在这个过程中，我自己也改变了想法，将原先追求专业深度的报告，转变为注重阅读体验的报告。
在我打算完工的时候，读着第二版的报告，总觉得内容不错但是表现力不够。于是，我开始调试temperature等参数，以及Prompt的微调，这是一次小心翼翼的尝试。需要允许AI有自己的个性，但是要防止它过于放飞。
因为AI的分析需要基于提供的数据，而不是它自己的知识库。同时允许它表达推文数据中的情感。比如当市场弥漫着恐惧情绪时，AI的文字就不能写得仿佛大家都很高兴。
最终的效果还可以，AI具有人情味，比如它昨天的分析，最后会开玩笑的说：
别想着什么“别人恐惧我贪婪”，搞不好是“别人恐惧你破产”。
2 精心挑选的Top 1000 kol
我们都知道，数据的质量决定了结果。对于信息总结，KOL的选择也至关重要。这个时候KOL-Lens就发挥了它的价值。根据它的数据，我们挑选了币圈有影响力、战绩好、数据表现优异的KOL。
3 分析策略
当分析的推文数量达到几千条时，就无法一次性投喂给AI了。一方面涉及输入token超过最大限制；另一方面，由于几千条推文是非常凌乱的信息，AI对其信息的整合处理能力较弱。实测下来，准确度并不高。所以，我采用了一种新的分析方法。具体步骤如下：
第一步：数据清洗，去除无用的垃圾数据，提高AI的准确度
第二步：对每条推文进行实体命名分析，用于分类
第三步：对未命中实体的推文进行主题分类
第四步：分类报告分析
第五步：综合性去重
经过5步处理的方案，可以在大量数据的情况下，实现综合的分析。
网站：https://t.co/48vs0pf5xq
注册账户需要邀请码，请在此留言。（注，kol-lens的账号通用，不需要另外注册）
tweet
今天上线了vibe coding的第二个产品：热点分析
让AI分析币圈热点，5分钟就可以掌握币圈的最热话题
这个功能现在很常见，那我花时间做的有何不同呢？
1 说人话的有趣AI
让AI写的报告有人味，文字的可读性更强。这是我精心调教的结果，经历了三次版本的迭代。第一版是在刚开始做AI分析的时候，我像大部分人一样，重心在功能的实现。
完工后我发现，AI写的报告平平无奇，并且带有很多晦涩难懂的专业名词。于是我进行改进，开始测试十几个不同的大模型，以及不同的Prompt工程。
因为我发现模型拥有不同的性格，有的输出文字细腻，有的严谨，有的喜欢自由发挥。在这个过程中，我自己也改变了想法，将原先追求专业深度的报告，转变为注重阅读体验的报告。
在我打算完工的时候，读着第二版的报告，总觉得内容不错但是表现力不够。于是，我开始调试temperature等参数，以及Prompt的微调，这是一次小心翼翼的尝试。需要允许AI有自己的个性，但是要防止它过于放飞。
因为AI的分析需要基于提供的数据，而不是它自己的知识库。同时允许它表达推文数据中的情感。比如当市场弥漫着恐惧情绪时，AI的文字就不能写得仿佛大家都很高兴。
最终的效果还可以，AI具有人情味，比如它昨天的分析，最后会开玩笑的说：
别想着什么“别人恐惧我贪婪”，搞不好是“别人恐惧你破产”。
2 精心挑选的Top 1000 kol
我们都知道，数据的质量决定了结果。对于信息总结，KOL的选择也至关重要。这个时候KOL-Lens就发挥了它的价值。根据它的数据，我们挑选了币圈有影响力、战绩好、数据表现优异的KOL。
3 分析策略
当分析的推文数量达到几千条时，就无法一次性投喂给AI了。一方面涉及输入token超过最大限制；另一方面，由于几千条推文是非常凌乱的信息，AI对其信息的整合处理能力较弱。实测下来，准确度并不高。所以，我采用了一种新的分析方法。具体步骤如下：
第一步：数据清洗，去除无用的垃圾数据，提高AI的准确度
第二步：对每条推文进行实体命名分析，用于分类
第三步：对未命中实体的推文进行主题分类
第四步：分类报告分析
第五步：综合性去重
经过5步处理的方案，可以在大量数据的情况下，实现综合的分析。
网站：https://t.co/48vs0pf5xq
注册账户需要邀请码，请在此留言。（注，kol-lens的账号通用，不需要另外注册）
号外号外，今天上线了今年的第一个vibe coding项目：KOL Lens。
1 我为什么要做？
推特是币圈最重要的信息来源。所以，今年我的计划是找到一批优质的KOL列表，再结合AI进行深度分析。
这些目标主要包括：
1）擅长分析BTC走势的KOL
2）擅长挖掘早期Alpha的KOL
3）擅长链上数据分析的KOL
但我遇到了一个最大的问题：如何来评判KOL的“擅长”？
现在的KOL多如牛毛，而我要识别其中真正优质的账号。我研究了Kaito、Xhunt、Cookie等工具，发现都无法完全满足我的需求。如果人工查看，不仅费时费力，准确度也难以保证。
于是，数据分析出身的我，加上vibe coding的加持，决定亲手做这个KOL的综合数据分析工具。
这次我一共分析了3万多个KOL，基于将近900万条推文。好在我前段时间花大力气微调了一个专门分析币圈的模型，否则如果直接使用Gemini-3的API分析，光是做一轮实体命名识别，成本就要将近10万刀。
下面是各个数据维度的介绍：
2 推特的基本情况
挑选KOL，第一眼可以看的数据，是平均每日发推文的数量。
如果数量太高，比如每日超过8条，那么有很大的概率是AI写作在不停地发文。即使是人在写，如此高频的内容，有效信息的占比往往也不大。反之，如果数字太小，说明不怎么活跃，也没有关注的必要。
其次是推文字数分布。如果长篇和超长篇占比多，说明博主喜欢输出深度内容。而在截图中，短篇占比很大，文字较少。
再结合浏览量分布来看，截图中的账号推文浏览量基本在1K~5K之间。
所以，这个KOL的基本画像已经勾勒出来了：这是一个每天发很多推文（5条以上），但内容都很短，且浏览量不高的账号。如果是我，第一时间就会Pass了。
另外，通过各时段的发推时间，可以看到它的活跃规律。比如截图显示在0时区（UTC）的早上7点数量最多，大概率是定时发布的。而发推数量非常低的时段，应该是睡觉时间。
可以看出，这个账号并不在美国，睡觉时间大概是北京时间的早上7点左右。
3 区块链方面的分析
首先，我设置了两个指标，来分析KOL推文中“含币量”的成分：
推文平均字数：在上图中可以看到，涉及区块链的文字字数（444）远大于非区块链内容（142），说明这个KOL在写币圈内容时，篇幅更长，更用心。
区块链推文占比：截图显示为57%。这意味着，57%的推文是写区块链的。这个数据太低，在我这里是一票否决的。如果它小于10%，这意味着90%的推文都不是讲区块链的，那我觉得这个人的主要精力不在币圈。
其次，从图中还可以挖掘出更重要的信息：
讨论过的币的数量：截图中有393个。很明显太多了，这是一个喊单非常多项目的KOL。即使某些币涨幅很高，跟着他赚钱的概率也不大。
代币的市值分布：这可以很容易看出这个KOL的偏好成色。是喜欢大市值的，还是小市值的？在寻找不同类型的KOL时，这是极其重要的指标。如果是找BTC趋势大牛，那么一定要大市值占比高；如果是找早期Alpha的KOL，那么小市值的占比要非常高。
擅长的赛道分布：一眼就能看出这个KOL聊的项目的领域。比如图中的x402赛道都有11个项目，说明它是紧跟热点的。
从截图中可以看到，这个KOL追求早期Alpha，紧跟热点。但问题是分析的项目数量太多，并不是最理想的人选，只能放在待定列表吧。
4 PNL（盈亏分析）
KOL的战绩，是最直观体现其水平的指标。
看截图中的KOL，在过去的3个月，能有2个20倍的币，一个10多倍的币，战绩确实不错。我已经将其放入精选KOL列表了，哈哈哈哈
除了看直接的数据，还有一些角度也能看出门道：
上榜的代币：如果都是小市值的，说明这个KOL比较擅长抓早期Alpha项目。
7天最大ROI vs 30天最大ROI：如果两个数值一样，说明这个KOL推荐后的7天内收益达到最大，适合短平快操作。如果7天最大ROI较小，到了30天突然变大，说明这个KOL推荐的项目适合长期埋伏。
当然，PNL还能挖掘更多信息，我打算后面继续完善。
5 网站信息
目前 https://t.co/7dHl1TjRtt 已经可以访问。在网站的搜索栏里可以查看各类KOL的数据。
考虑到早期的网站功能可能还不完整，所以先进行限额测试，需要邀请码才能注册并使用。
需要邀请码的朋友，可以在这里留言。 tweet
👍2
日月小楚的投资交流空间（公告群）
Photo
日月小楚 ｜Building AI Agents
看来Opus 4.5降智是在为4.6准备的。
先说 一下，Opus4.6牛逼，。我决定给它授权"AI老中医"称号。
我的项目中有一个疑难杂症，就是在程序启动时候会打印很多检测信息。程序是完成正常运行的，就是每次打印长长的内容，看着心烦。
从sonnet3.7开始，各种选手包括gpt5.1-2-3，gemini，还用各种工具cc、antigravity、opencode等等都不能解决。
今天尝试了一下opus4.6，结果找对老中医了，哈哈哈
tweet
看来Opus 4.5降智是在为4.6准备的。
先说 一下，Opus4.6牛逼，。我决定给它授权"AI老中医"称号。
我的项目中有一个疑难杂症，就是在程序启动时候会打印很多检测信息。程序是完成正常运行的，就是每次打印长长的内容，看着心烦。
从sonnet3.7开始，各种选手包括gpt5.1-2-3，gemini，还用各种工具cc、antigravity、opencode等等都不能解决。
今天尝试了一下opus4.6，结果找对老中医了，哈哈哈
AI降智的实锤数据 claude Opus 4.5
这是Marginlab团队，每日使用claude code的Opus 4.5 对SWE-Bench-Pro 的50到题目进行通过性测试。
从数据看到，从1月初的60%，下降到现在54%。降智率为10%。 https://t.co/DhVXymg4ei tweet
日月小楚 ｜Building AI Agents
打开网站，看见了AI分析的头条，笑喷了：
【MegaETH主网虽至但代币难产，撸毛党心碎一地】
MegaETH这次的操作，在现在的行情下简直是“头铁”的代表。
大家原本期待的是主网一上，空投到账，大家开开心心过个肥年。结果呢？项目方直接摊牌了。根据 stacy_muur 的总结，MegaETH虽然宣称压力测试处理了107亿笔交易，比以太坊十年加起来还多，但他们决定暂不发币。为啥？因为他们设定了三个硬性指标：USDM流通量要达到5亿且25%在应用里、或者有10个应用达到10万+交易量、或者有3个应用连续30天日赚5万美金。只有达到其中之一，才会启动TGE（代币生成）。
这招真的是绝了。对于此时此刻急需回血的散户和工作室来说，这简直是“画饼充饥”。正如 munchPRMR 吐槽的那样，等了几个月，结果等到个寂寞。但从行业角度看，我不得不给项目方点个赞。现在的市场全是“波一波流”的垃圾项目，上线即巅峰，随后一路阴跌。MegaETH这种倒逼生态建设、拒绝过早被吸血的做法，虽然得罪了现在的空投猎人，但对于项目的长期生命力来说，绝对是负责任的表现。就像 TrustlessState 说的，在糟糕的市场环境下发布，反而是一种优势，因为这能过滤掉投机者。不过，对于那些指望靠它翻身的兄弟们，只能说一声：惨。
tweet
打开网站，看见了AI分析的头条，笑喷了：
【MegaETH主网虽至但代币难产，撸毛党心碎一地】
MegaETH这次的操作，在现在的行情下简直是“头铁”的代表。
大家原本期待的是主网一上，空投到账，大家开开心心过个肥年。结果呢？项目方直接摊牌了。根据 stacy_muur 的总结，MegaETH虽然宣称压力测试处理了107亿笔交易，比以太坊十年加起来还多，但他们决定暂不发币。为啥？因为他们设定了三个硬性指标：USDM流通量要达到5亿且25%在应用里、或者有10个应用达到10万+交易量、或者有3个应用连续30天日赚5万美金。只有达到其中之一，才会启动TGE（代币生成）。
这招真的是绝了。对于此时此刻急需回血的散户和工作室来说，这简直是“画饼充饥”。正如 munchPRMR 吐槽的那样，等了几个月，结果等到个寂寞。但从行业角度看，我不得不给项目方点个赞。现在的市场全是“波一波流”的垃圾项目，上线即巅峰，随后一路阴跌。MegaETH这种倒逼生态建设、拒绝过早被吸血的做法，虽然得罪了现在的空投猎人，但对于项目的长期生命力来说，绝对是负责任的表现。就像 TrustlessState 说的，在糟糕的市场环境下发布，反而是一种优势，因为这能过滤掉投机者。不过，对于那些指望靠它翻身的兄弟们，只能说一声：惨。
tweet
❤1
日月小楚 ｜Building AI Agents
ai时代，能感受一种奇妙的现象
一方面，一批人致力于使用ai能够收集各类平台的热门文章，自动总结，给主人一起床就能看到每日10大热门大事件。
另一方面，一批人致力于每天用ai写爆款文章，一键可以写文、配图、发文到各个平台，让主人一起床就能看到成为高阅读量的成果。
总感觉这里有些怪怪的
tweet
ai时代，能感受一种奇妙的现象
一方面，一批人致力于使用ai能够收集各类平台的热门文章，自动总结，给主人一起床就能看到每日10大热门大事件。
另一方面，一批人致力于每天用ai写爆款文章，一键可以写文、配图、发文到各个平台，让主人一起床就能看到成为高阅读量的成果。
总感觉这里有些怪怪的
tweet
🤣2
日月小楚的投资交流空间（公告群）
Photo
日月小楚 ｜Building AI Agents
github是一个大宝藏，里面有大量好用的工具
但是官网的search功能，需要非常精确的关键词，早就无法满足了。
于是我研究了如何大白话（自然语言）找到想要功能，经过多次实战测试，得到了下面的结果。
为了说明情况，我使用的案例的功能是：
在github上帮我找个能帮我ai写作，能够给我写出爆款，带我飞的项目
1 github copilot
推荐指数：2星
github copilot是官方的ai聊天工具，在官方search旁边，点击一个把眼镜带脑壳顶上的小人图标，就可以进入。
本来我是期望最大的，因为这个官方自己的，应该对自家非常熟悉。但是实际结果却非常的差。
而且免费版只能用gpt 5 mini的模型，我特别搞了账号弄了个pro，可以使用sonnet4.6.
结果它推荐的第一个是推荐了novel项目，这是一个notion风格的开源的文本编辑器，然后可以用AI写作。
2 github mcp
推荐指数：3星
我将这个问题请教ai（gemini，cladue，gpt），他们最推荐的就是github mcp，它是官方github开发的mcp，它的功能比较多。搜索项目也是其中一个。mcp返回的结果还不错。
比如带我飞的工具，它给我推荐AiToEarn
但是我的推荐指数只要3星，就因为它的效果跟后面两个差不多，但是它非常的繁琐。因为它需要
1）配置部分功能的mcp，因为github mcp功能非常多，如果直接安装，一共有二十多个工具，注入的prompt里面大约后59k，非常的不合算。所以需要只安装mcp的查找的功能。
2）需要配置github的授权token
总的来说，效果还行，但是比较麻烦
3 claude code
推荐指数：5星
直接使用claude code是一个意外之喜。原本我以为，总归专门的工具或者skill会比较好用。但是在尝试过程中，claude code每次都会贴心的问，要不要我来帮你做？于是我就干脆让它做一下。
结果发现结果非常的好，应该是几个方案里最好的。
4 gemini网页
推荐指数：4星
既然claude code能直接搜索，那么就想到gemini网页版本是不是也可以直接搜索。结果感觉也还不错，但是整体会比claude code稍微差一些。
比如写作的项目结果，
第一位同样推荐了AiToEarn，但是后面的几个推荐的项目，总体质量并不如claude code
5 perplexity
推荐指数：2星
perplexity也是ai推荐的工具，推荐指数蛮高。但是实际使用下来结果并不好。给我找的项目，可以说是几个方法里面最差的。
6 其他网站
在研究中，我也测试了一些ai推荐的网站，专门用于搜索github上的功能的。但是效果比较差，我就不一一列举了。
tweet
github是一个大宝藏，里面有大量好用的工具
但是官网的search功能，需要非常精确的关键词，早就无法满足了。
于是我研究了如何大白话（自然语言）找到想要功能，经过多次实战测试，得到了下面的结果。
为了说明情况，我使用的案例的功能是：
在github上帮我找个能帮我ai写作，能够给我写出爆款，带我飞的项目
1 github copilot
推荐指数：2星
github copilot是官方的ai聊天工具，在官方search旁边，点击一个把眼镜带脑壳顶上的小人图标，就可以进入。
本来我是期望最大的，因为这个官方自己的，应该对自家非常熟悉。但是实际结果却非常的差。
而且免费版只能用gpt 5 mini的模型，我特别搞了账号弄了个pro，可以使用sonnet4.6.
结果它推荐的第一个是推荐了novel项目，这是一个notion风格的开源的文本编辑器，然后可以用AI写作。
2 github mcp
推荐指数：3星
我将这个问题请教ai（gemini，cladue，gpt），他们最推荐的就是github mcp，它是官方github开发的mcp，它的功能比较多。搜索项目也是其中一个。mcp返回的结果还不错。
比如带我飞的工具，它给我推荐AiToEarn
但是我的推荐指数只要3星，就因为它的效果跟后面两个差不多，但是它非常的繁琐。因为它需要
1）配置部分功能的mcp，因为github mcp功能非常多，如果直接安装，一共有二十多个工具，注入的prompt里面大约后59k，非常的不合算。所以需要只安装mcp的查找的功能。
2）需要配置github的授权token
总的来说，效果还行，但是比较麻烦
3 claude code
推荐指数：5星
直接使用claude code是一个意外之喜。原本我以为，总归专门的工具或者skill会比较好用。但是在尝试过程中，claude code每次都会贴心的问，要不要我来帮你做？于是我就干脆让它做一下。
结果发现结果非常的好，应该是几个方案里最好的。
4 gemini网页
推荐指数：4星
既然claude code能直接搜索，那么就想到gemini网页版本是不是也可以直接搜索。结果感觉也还不错，但是整体会比claude code稍微差一些。
比如写作的项目结果，
第一位同样推荐了AiToEarn，但是后面的几个推荐的项目，总体质量并不如claude code
5 perplexity
推荐指数：2星
perplexity也是ai推荐的工具，推荐指数蛮高。但是实际使用下来结果并不好。给我找的项目，可以说是几个方法里面最差的。
6 其他网站
在研究中，我也测试了一些ai推荐的网站，专门用于搜索github上的功能的。但是效果比较差，我就不一一列举了。
tweet
日月小楚的投资交流空间（公告群）
Photo
日月小楚 ｜Building AI Agents
这个工具，可以让vibe coding效率提高10倍
为了发挥cc、codex、opencode各自的特长，每次vibe coding的时候，我都要开很多窗口，窗口一多后就很头疼。
直到我看到Superset，让我眼前一亮。它是一个专为 AI Coding Agent 设计的桌面 IDE，让你能同时运行 10 个以上的 Agent，每个都彼此隔离，全部在一个界面里统一管理。它不是在旧工具上打补丁，而是从头重新设计了"和 AI Agent 一起工作"这件事应该是什么样子。
✅ 并行执行，真正的并行
你可以同时跑超过 10 个 Coding Agent，每个负责不同的任务，彼此完全独立。不是"开着等"，而是"全部在跑"。以前一个下午只能做一件事，现在可以同时推进十件事，等你去喝杯水回来，它们都已经有进展了。这是用 AI
提效的正确姿势——不是更快地等，而是根本不需要等。
✅ Git Worktree 隔离
每个 Agent 运行在自己独立的 git 分支和工作目录里，不会互相踩文件、不会互相覆盖代码。这听起来是个小细节，但实际上是并行运行的基础保障。没有这个，10 个 Agent 同时改代码就是一场灾难。有了这个，10 个 Agent 同时改代码就是真正的生产力。
其他值得一提的功能：
→ 内置 Diff 查看器 — Agent 提交改动后，你可以直接在 Superset 里检查、对比、编辑，不用跳到别的工具，流程不断线。
→ 状态监控与通知 — 实时追踪每个 Agent 的运行状态，它做完了会通知你。不用盯着终端，可以去做别的事。
→ 工作区预设 — 把你常用的多 Agent 配置保存下来，一键恢复，自动完成环境初始化和依赖安装。换台电脑、新建项目，全套流程秒级重现。
现在 AI Coding Agent 越来越强，但大多数开发者还在用最原始的方式使用它们——一个终端、一个任务、等它跑完、再开下一个。这就像有了一支团队，却让他们排队干活。Superset 给了你真正的"指挥中台"，让你能同时调度所有 Agent，把 AI
的并行能力真正用起来。目前 GitHub 已经有 3300+ star，还在持续更新。
👉 https://t.co/Q9FQEEJPDs
如果你也在用 Claude Code、Codex、Gemini CLI 这些工具，强烈建议试试。觉得有用的话，帮忙转发给身边的开发者朋友，一起提效。
tweet
这个工具，可以让vibe coding效率提高10倍
为了发挥cc、codex、opencode各自的特长，每次vibe coding的时候，我都要开很多窗口，窗口一多后就很头疼。
直到我看到Superset，让我眼前一亮。它是一个专为 AI Coding Agent 设计的桌面 IDE，让你能同时运行 10 个以上的 Agent，每个都彼此隔离，全部在一个界面里统一管理。它不是在旧工具上打补丁，而是从头重新设计了"和 AI Agent 一起工作"这件事应该是什么样子。
✅ 并行执行，真正的并行
你可以同时跑超过 10 个 Coding Agent，每个负责不同的任务，彼此完全独立。不是"开着等"，而是"全部在跑"。以前一个下午只能做一件事，现在可以同时推进十件事，等你去喝杯水回来，它们都已经有进展了。这是用 AI
提效的正确姿势——不是更快地等，而是根本不需要等。
✅ Git Worktree 隔离
每个 Agent 运行在自己独立的 git 分支和工作目录里，不会互相踩文件、不会互相覆盖代码。这听起来是个小细节，但实际上是并行运行的基础保障。没有这个，10 个 Agent 同时改代码就是一场灾难。有了这个，10 个 Agent 同时改代码就是真正的生产力。
其他值得一提的功能：
→ 内置 Diff 查看器 — Agent 提交改动后，你可以直接在 Superset 里检查、对比、编辑，不用跳到别的工具，流程不断线。
→ 状态监控与通知 — 实时追踪每个 Agent 的运行状态，它做完了会通知你。不用盯着终端，可以去做别的事。
→ 工作区预设 — 把你常用的多 Agent 配置保存下来，一键恢复，自动完成环境初始化和依赖安装。换台电脑、新建项目，全套流程秒级重现。
现在 AI Coding Agent 越来越强，但大多数开发者还在用最原始的方式使用它们——一个终端、一个任务、等它跑完、再开下一个。这就像有了一支团队，却让他们排队干活。Superset 给了你真正的"指挥中台"，让你能同时调度所有 Agent，把 AI
的并行能力真正用起来。目前 GitHub 已经有 3300+ star，还在持续更新。
👉 https://t.co/Q9FQEEJPDs
如果你也在用 Claude Code、Codex、Gemini CLI 这些工具，强烈建议试试。觉得有用的话，帮忙转发给身边的开发者朋友，一起提效。
tweet
👍2