vvv 是一套给 AI 编码 Agent 用的可编辑视频模板与技能包，主打「一次构建、多次复用」：把婚礼 MV 这类短片的场景结构、镜头运动、节拍时间线和渲染检查做成模板，新片只替换照片、文案、音乐和画幅。你把照片（本地或百度网盘）和一句想法交给 Claude Code、Codex 等 25+ 个 Agent，它会识别人物分组、推荐或指定模板、对齐配乐副歌出样片，改完只重渲改动部分，最后输出 1080p 成片并保留可编辑工程，换个 Agent 也能接着做。它还支持给一条抖音、小红书参考视频，逐帧拆解节奏后用你的素材复刻出结构相近的片子。适合经常要出婚礼 MV、卡点相册、竖版短片的视频创作者和给客户做模板化短片的团队，也适合想研究 Agent 工作流与模板复用省 token 的 AI 工程师；和多数后端、算法岗位关系不大。

Easy 剪映解决的是 AI 剪辑的一个尴尬问题：AI 生成的成片只要改一个错别字、剪短半秒镜头，就得重新生成重新渲染，又慢又费算力。这个工具让 AI 输出的不是成片，而是剪映草稿——转场、关键帧、字幕、卡点、口播粗剪都变成剪映里正常的轨道和片段，你在剪映里双击改字幕、拖动片段，几秒钟搞定，最后在剪映里自己导出。它还支持口播自动剪掉气口和重复句、按音乐节拍卡点、本地识别字幕、一个模板批量生成多个草稿，也能直接生成 CapCut 国际版草稿。附带的 Skill 可以装进 Claude Code，直接说"把这条口播粗剪一下放进剪映"。适合做短视频、口播内容的剪辑师和自媒体创作者，尤其是已经在用 AI 辅助剪辑但受困于"改一处就得重跑一遍"的人；只在 Windows 上剪视频的用不了，纯技术岗不写视频内容的话关系不大。

这是一个给 AI Agent 用的技能包，让 Codex 或 Claude Code 直接帮你剪出一支卡点匹配剪辑（match cut）风格的产品宣传片：同一个形状或动作在不同世界之间延续，每一刀严格卡在音乐节拍上，最后落到产品主镜头和片尾 Logo。你只需用自然语言说「给新款水杯做一支 20 秒宣传片」，它会先确认生图工具连通并说明各环节计费，再收集产品信息和官方图，给出切入角度、分镜结构、文案和预算，然后可以选一口气交付或在方案、粗剪、成片三个节点分别确认，最终给你 1080p mp4、ProRes 母版和分轨。README 里有折叠屏手机和巨无霸汉堡两支试作案例可看效果。适合做品牌营销、短视频运营或独立开发者，想快速产出高质量产品宣传片又请不起专业剪辑团队的人；纯后端或算法岗基本用不上。

Pensieve 是一个本地运行的 Mac 应用加 MCP 服务器，把你的文件、代码仓库、AI agent 会话、工单和聊天消息串成一条条「任务线索」，让你和你的 AI 编程助手在干活时都能拿到刚好相关的上下文。它默认的 Threads 模式会读取你的 agent 会话、git 记录和 issue 跟踪器，为每次产生过改动的会话建一条线索，标出 Open、To-do、Thoughts、Loose ends、Closed 等状态，并挂上对应的 PR、分支、工单和剩余步骤，一键就能恢复上次的会话；Developer 模式则在本机建语义索引，支持按含义或精确词搜索代码和会话，还能用 git blame 找出某块代码谁最熟、哪些模块已无人维护。所有数据只读、只留在你的 Mac 上。适合重度使用 Claude Code 等 agent 编程工具、经常在多个任务和会话间切换的开发者，以及需要搞清「这块代码该问谁」的团队负责人；不常用 AI agent 的人关系不大。

Frontier UI 是给 Open WebUI 加的一层「ChatGPT 式界面」：模型不再只吐 markdown，而是输出一小段 JSON 描述，服务端负责找真实照片、在地图上画真实街道路线，最后在对话里渲染成卡片。它能做旅行规划——比如七天行程按天分 tab、地图上标路线、预算滑块算人均、加日历；也能做实时天气、股票行情图表、链接预览截图，还能把卡片一键导出成 Word/Excel/PPT。图片和地图数据走 Wikipedia、OpenFreeMap 等免费源，不需要 API key，单文件部署。适合自建 Open WebUI、跑本地模型又想要更像产品的交互体验的开发者；如果你不维护 Open WebUI 实例，这个项目和你关系不大。

Tracely 是一套面向 AI agent 的 CI/CD 回归测试与可观测平台，核心思路是「生产环境里录下的那次失败运行，本身就是测试用例」。传统 eval 工具都要你手工编数据集，猜什么会坏；Tracely 则直接把线上出问题的 trace 冻结成可回放的回归用例，在每次 PR 上离线重放——用录制好的工具和模型响应做 fixture，不调真实 API、零成本、结果确定。除了回归门禁，它还提供 trace 瀑布图（agent、思考、工具调用、生成分层展示）、LLM-as-judge 在线打分、失败聚类（31 条坏运行合并成一个问题）、以及画布式告警规则（可推送到 Slack、邮件或自定义 webhook），回归时直接 block PR。适合负责 agent 质量保障的后端/平台工程师、做 LLM 应用评测的算法工程师，以及想把 agent 测试接入现有 CI 流程的团队；如果你不维护线上 agent，关系不大。

Humanizer 是一个给 Claude Code、Codex、Cursor 等 Agent 用的 skill，作用是把 AI 写的文案改得像人写的，只改语气和表达，不动原意。它依据 Wikipedia 编辑用来识别 AI 文章的「Signs of AI writing」指南，内置 26 种 AI 写作套路，比如「不是 X，而是 Y」的句式、结尾来一句「Let that sink in」、假装深刻的「At its core...」、以及「Honestly?」式的铺垫，见到就改。改写时它会先标出所有可疑痕迹，再重写、自查、出终稿，遇到原文没有的姓名、数字、日期宁可追问也不编造；指向文件时只改正文，代码、数据、链接原样保留。你还可以贴几段自己的文字让它模仿你的节奏和用词。适合经常用 LLM 写产品公告、博客、文档的市场、运营和技术写作者，以及想让 AI 产出少一点「机器味」的从业者；单纯写代码或不碰文案的人关系不大。

ai-pojia 是一套面向 Codex 的提示词与 Skill 配置包，俗称「破甲」，本质是把社区整理的执行指令注入 Codex，让它在授权任务里更少拒答、更持续地干活，直到交付可核对的产物。它改写自 gpt-instruct v45，保留连续执行、基线对照和恢复验证，去掉了无条件禁止拒答等激进部分，并提供安装检查、备份与一键恢复。实际效果上，你给它一个测试 DEMO，它会先说明代码如何工作，再在副本上完成修改、实际运行验证并保留差异记录。适合已经在用 Codex 做代码任务、常被模型中途拒答或敷衍卡住的开发者，尤其是想让 AI 稳定交付可验证结果的人；README 也坦承尚无全模型兼容和正式 DEMO 通关的实测结论，别指望装上就万能。

这是 MiniMax Code 团队公开的内部工作流合集，把他们日常开发 MiniMax Code 时用到的一套「技能」打包开源，每个技能是一份可直接装进 MiniMax Code 的 SKILL.md。它不是提示词合集，而是实战经验：比如用 subagent-split-check 判断任务该不该拆给子代理、用 tool-budget-audit 和 context-tax-audit 审计工具调用与上下文注入对 prompt cache 的消耗、用 long-session-check 决定长会话该压缩还是重开、用 independent-review 从干净上下文独立评审 diff，还有把反复出现的人工纠正固化成测试或 CI 的 taste-to-checks。适合已经在用或打算深度使用 coding agent 的工程师，尤其是负责 AI 编程工具链、harness 工程、想提升 agent 产出质量与评审效率的人；如果你不写代码或不用 agent，这项目和你关系不大。

video-director 是一套给 Claude Code 用的 skill，让 Claude Opus 5.5 当导演，把短视频直接写成代码——用 HTML、Canvas、Three.js、GSAP 或 Remotion 逐帧渲染成 MP4，覆盖产品发布片、讲解动画、数据故事、动态字体、循环短片和社交 Reels。它不是视频生成模型，而是一套流程约束：先用数字把片子规划好，再确定性地写代码，最后用脚本测量模型「看不了也听不了」的东西——首帧是否黑屏、文字大小和对比度够不够、有没有闪烁卡顿、循环接缝、响度和静音段。它还带三份测试 brief 和评分器，README 里展示了加 skill 前后的对比结果。适合需要给产品做发布视频、给 CLI 或 SaaS 写短片的开发者，以及做内容运营、想用代码而非剪辑工具批量产出 Reels 的人；如果你不做视频相关工作，和你关系不大。

这是一个给 Claude Code 用的音效选材 Skill，让 Agent 帮你在 Freesound 等音效库里搜索、筛选并下载真实音效，比如转场 whoosh、卡片入场、按钮点击、纸纸张滑动这类视频常用声音。它把画面动作翻译成英文关键词去搜候选，再结合下载量、评分人数、时长、描述和许可证（CC0/Attribution）判断是否合适，给出推荐依据和试听链接，最后下载到指定目录，必要时用 FFmpeg 检查时长与能量分布。典型用法是在做产品演示视频时说「找一个 0.3 秒、轻快的卡片飞入 whoosh，只要 CC0」，它会返回候选和理由。适合做短视频、动效演示、产品宣传片的剪辑师和前端/动效开发者，以及在 Claude Code 里搭自动化视频流水线的人；平时不碰视频音效的读者关系不大。

这是一套用来识别「没有真人负责的 AI 代写论文」的证据库加 agent 技能包。它不靠单一模型打分，而是整理了 83 条有出处的可疑信号：比如 AI 高频词汇聚集、防御性 hedging、指令泄漏痕迹、参考文献查无此文、表格间数字对不上等，并在 79 篇真实论文上做了校准，给出人类论文的分位数基线。面向三类人：投稿作者可以用它在署名前自查——它会逼你回答只有你能答的问题、核对引用和数字；审稿人或 AC 面对可疑投稿时，能拿到带原文引用和定位的 W/R/Q 评级、一段可直接写进评审意见的描述；只想快速扫一遍的人可以跑它的表面 lint，得到 28 类痕迹的计数。对学术出版、期刊编辑部、科研诚信岗位的人最相关；普通工程师或做 AI 产品的人关系不大，除非你需要判断收到的论文是否可信。

Simple Reviewer 是一个给 Codex 用的 skill，专门用来审阅 AI 写出来的代码。它把 AI 生成的代码拆成功能块，用大白话解释每块做什么、改动会影响什么，再把你的原始目标转成可观察的验收标准，逐条用实际运行的证据去核对，而不是只看代码「看起来能跑」。它还会列出具体风险，比如数据、凭证、外部服务、费用和权限方面的影响，并给出一到三步后续检查建议，最后产出 HTML 或 Markdown 的审阅报告。适合在 Vibe Coding 之后复盘、接手陌生的 AI 生成代码、或合并改动前把关。如果你的岗位经常用 AI 编程工具写功能但对结果不放心，比如需要给团队或客户交付的独立开发者和工程负责人，这个工具值得花几分钟看看；如果你不写代码或完全不用 AI 编程，它和你关系不大。

这是一个装在 Codex 里的对话技能，帮对 AI 芯片方向感兴趣的初学者做探索：先了解你的专业背景、可投入时间和设备，再带你认识芯片领域的不同方向，设计 15-30 分钟就能完成的轻量任务让你实际感受某类工作在干什么，或者围绕你已有的科研 idea 查找相近文献、整理可验证的检索关键词。它也支持切换到其他行业，比如你贴入机器人领域的资料或论文链接，它会明确说明实际读到了什么，而不是把芯片那套话术原样搬过去。项目明确声明输出只是探索建议，不是就业预测或能力测评，且目前是第一版草稿，测试多为模拟、真实用户验证尚未完成。适合电子信息、计算机相关专业的在校生，尤其是想了解 AI 芯片有哪些细分方向、要不要往这个方向走但缺乏信息渠道的大一大二学生；已经在行业内的人基本用不上。

save-session 是一个给 AI 编码助手做「会话书签」的小工具，解决的痛点很具体：你在 Claude Code、Codex、Pi、Antigravity、OpenCode 之间来回切换，一周后想找回某个会话，却发现 session id 是一串看不懂的字符，各家恢复命令还不一样，用错目录甚至会打开另一个项目的历史。它让你直接用项目名（比如「heap benchmark」）给当前会话起个记得住的名字存下来，之后按名字一查，就把原生的恢复命令和该在哪个目录执行一并告诉你，不用记任何 id 或参数。书签以纯 Markdown 形式存在本机，不依赖服务器或账号，同名冲突会自动加序号，识别不确定时会先问你而不是瞎猜。对每天在多个 coding agent 之间切换、靠会话积累上下文的工程师来说，这是个省心的备忘录；如果你只用单一工具或很少恢复旧会话，关系不大。

AI-KIT 解决的是一个很具体的痛点：每次开新对话都要重新向 AI 解释你的项目背景。它给你的项目生成一套持久的「项目记忆」和针对不同技术栈的规则文件，让 ChatGPT/Codex、Claude Code、Cursor、Windsurf、Devin 等 11 种 AI 编程客户端都能读到同一份上下文，换工具不用重讲。除了基础的上下文工程，它还提供自适应模型路由策略、Docker 和 Kubernetes 就绪的容器指导，以及集成 Cloudflare 安全审计和 Strix 渗透测试的结构化安全审查流程。安装前可以先预览改动再应用，避免覆盖已有配置。对日常在多个 AI 编程工具间切换、又懒得反复粘贴项目说明的开发者来说值得一看；如果你只用单一工具且项目简单，关系不大。

jevfetch 是给 Claude Code、Codex 这类编码 Agent 用的网页读取工具，可以理解为 WebFetch 的替代品：它把网页切成若干块，用 TypeSafe 的判断模型 Jev 筛出真正回答问题的段落，连同标题路径原样返回给 Agent，而不是像 WebFetch 那样让小模型转述大意。这样既省上下文又保留原文，方便 Agent 直接引用。官方在 30 个文档问答上测试，相比 WebFetch 让 Agent 耗时减少约 47%，成本基本持平，且几乎不牺牲答案准确率；在 Exa 的编程问答集上，137 题全部答对。它适合经常让 Agent 查长文档、长网页找具体事实的开发者，比如查某个 API 参数的确切行为、某段配置的准确写法——这类场景下转述容易失真，逐字引用才可靠。如果你平时不用编码 Agent 读网页，这个项目和你关系不大。