在知识工作里运用Agent¶

整理自 2026/06/27 客座课程《知识工作Agent技巧》讲座内容讲者：老梅（四大审计 → 财务 BP → vibe coder）视频：https://www.bilibili.com/video/BV1bWTj6jEhj/

这门课有一个很重要的背景：讲者不是程序员出身，最早做审计和财务 BP，真正开始用 AI 是从 chatbot 开始的。他走过的路——从"用 AI 聊天"到"让 AI 替自己工作"再到"把经验固化成可复用的技能"——恰好构成了一条完整的工具栈进化线。

下面的清单就按这条线来走。不是分类列举，而是一个从痛点出发、一路向上生长的叙事。

一、从痛点出发：先把基础设施搭起来¶

讲者在一线工作中遇到三个具体痛点，每一个都催生了对应的工具选择。

痛点 1：API 太多，供应商不稳定¶

同时接了很多 API 供应商，要管理不同模型的响应和稳定性。家里有一台 Mac mini 做后端机器，既要跑后台服务，也要做 AI 路由。

解决方案是一套三层组网：

1. Tailscale——把设备连成一张网¶

官网： https://tailscale.com/
一句话： 内网组网工具，让 Mac mini、VPS、笔记本之间像在同一个局域网里互相访问。
讲座位置： 00:22:18–00:24:02
为什么重要： 讲者强调的不是组网本身，而是它的 fallback 能力——某个供应商断联、余额不足或波动时，系统可以自动切到别的供应商，前台 AI 不掉线。

2. sub2api——统一 API 路由¶

GitHub： https://github.com/Wei-Shaw/sub2api
一句话： 把 Claude、OpenAI、Gemini、Antigravity 等订阅统一成单一路由端点的开源中继平台。
讲座位置： 00:22:17–00:24:02
为什么重要： 讲者自己的方案是 Tailscale + sub2api + Mac mini（VPS 可替代），相当于一个个人 AI 网关。不需要每个工具各自对接不同的 API，统一走 sub2api 做路由和负载均衡。

讲者方案示意（可画图）：

笔记本/手机 → Tailscale → Mac mini（后端）
                                ↓
                         sub2api（路由层）
                         ├── Claude
                         ├── OpenAI
                         ├── Gemini
                         └── 其他供应商

痛点 2：打字太慢，想法还没记下来就忘了¶

3. 豆包输入法——语音输入效率工具¶

官网： https://shurufa.doubao.com/pc
一句话： 当前体验最好的 PC 端语音输入工具，适合先把想法快速落成文字。
讲座位置： 00:27:49–00:29:37
为什么重要： 讲者把输入效率当成基础设施的一部分。他不是在推荐某个输入法，而是在强调"想法还热着的时候就要记下来"。

痛点 3：每次新任务都要重新解释背景¶

4. Nowledge Mem——商业化记忆系统¶

官网： https://mem.nowledge.co/zh/changelog
一句话： 带知识图谱的记忆系统，工具切换时上下文保持稳定。买断制（20 美元），最好自己有一台 VPS 或闲置电脑做后端。
讲座位置： 00:25:36–00:33:35
为什么重要： 不是简单存文本，而是把实体、关系、对话、线程、历史项目连起来做多跳检索。跟 Claude Code 自带的 memory（本质是 Markdown + grep）完全不同。

5. EverOS——开源替代方案¶

GitHub： https://github.com/EverMind-AI/EverOS
一句话： Nowledge Mem 的开源替代。本地优先、Markdown 原生、用户拥有数据，可在不同 agent 和工具之间共享记忆层。
讲座位置： 00:25:36–00:27:50
为什么重要： 讲座听众之前学过 LLM Wiki，对分层记忆（raw sources → wiki → schema）已经有概念。EverOS 是同一个思路的工程实现，可以不花钱自己搭。

记忆系统分层（讲座原话）： - raw sources：放 Obsidian 文章或其他原始材料 - wiki 层：生成实体页和概念页 - schema 层：约定工作流、结构和调用方式核心价值是多跳查询：一个长问题可以从多个相关点一起被回答。

二、日常工具入口（轻量提及）¶

以下三个工具讲者在讲座中没有深入展开，因为大家基本都用过或听说过：

Codex —— OpenAI 出品的 coding agent，终端内交互
Claude Code —— Anthropic 出品的 coding agent，终端内交互
Workbuddy —— 腾讯出品的类 Codex 产品，国内用户的 coding agent 选择

它们的定位是"日常干活的主力"，但不算讲者自己工具栈的特色部分，所以只提一嘴。

三、从任务到 skill：把经验固化下来¶

解决了基础设施之后，讲者开始思考一个更深的问题：每次跑任务的经验能不能沉淀下来，下次直接复用？

6. mattpocock/skills——Grill / Teach 系列¶

GitHub： https://github.com/mattpocock/skills
包含： grill、grill-with-docs、teach
讲座位置： 00:43:35–00:48:27
每个 skill 的用途：
Grill（烧烤模式）： 不停向你提问，沿着一棵树往下追，直到把计划各个分支都问清楚。每个问题带推荐答案，一次只问一个，不会一口气抛好几个。如果某信息能从知识库或代码库查到，就不问用户。
Grill with docs： 跟 plan-tree 连起来用，针对计划树文档当前的状态提问，逼你把边界、依赖和决策说清楚。
Teach： 把项目或资料丢进去，生成交互式 HTML 页面，把重要信息分成不同课时展示出来，适合学习项目或快速上手新东西。
为什么重要： 技能不是"再写一段 prompt"，而是把一次成功经验沉淀下来，让模型后续复用。

7. plan-tree——项目跟踪与决策文档¶

GitHub： https://github.com/SeemSeam/plan-tree
一句话： 管理项目生命周期里的各种决策文档、设计文档、进展和未解决问题的"项目知识库"。
讲座位置： 00:40:26–00:45:43
为什么重要： 跟 Grill 配合使用效果最佳。如果让 AI 自己自动化地跑长任务，最后给出的方案大概率会偏得远——问题不在于模型不聪明，而在于你对过程没有把握。plan-tree 让你在开发之前先把要什么弄清楚。

8. ponytail——给模型加刹车¶

GitHub： https://github.com/DietrichGebert/ponytail
一句话： 写代码前先问几个问题——这功能真的需要吗？现有代码库里有没有？标准库能不能做？能不能不用新依赖？——以此克制模型乱写代码的冲动。
讲座位置： 01:21:57–01:23:42
为什么重要： 讲者把它定位为省钱策略的一部分。思路是"最好的代码是你没写的那行代码"——少造轮子，节省 token。

9. GenericAgent——分层记忆 + 自我进化的主力 Agent¶

GitHub： https://github.com/lsdefine/GenericAgent#-%E4%B8%AD%E6%96%87
一句话： 讲者最常用的通用本地 Agent。核心特色是 L0–L4 分层记忆设计、自我进化机制（新任务先自我探索 → 执行 → 固化为 skill 写入记忆层），核心种子代码只有 ~3K 行，上下文需求极低。
讲座位置： 00:48:48–01:06:28
记忆分层（L0–L4）：
L0（元规则）： 记忆管理规则、宪法
L1（极简索引）： 简短索引，模型快速检索对应 SOP
L2（全局事实）： 系统环境、固定配置
L3（SOP 层）： 可执行的标准操作流程
L4（原始会话）： 完整对话和原始记录
配套教程（Datawhale hello-generic-agent）：
教程站： https://datawhalechina.github.io/hello-generic-agent/
一句话： Datawhale 出品的 GenericAgent 开源教程，覆盖从运行地图到分层记忆架构的完整学习路径。
讲座位置： 00:48:48–00:49:47
为什么： 讲座现场讲者就打开这个教程，让 GenericAgent 带着自己学 GenericAgent——"让它带着我学习一下 generic agent 项目，那么他就会首先给我搞第一课，学习 generic agent 的一个运行地图。"
为什么重要： 讲者的本地 GenericAgent 已经有四百多个跟上游不一样的 commit。它的激进假设是：Agent 不需要 100 万上下文，~3K 行种子代码就足够。上下文一长，注意力会失效，中间段内容尤其容易丢。关键信息压缩到合适层级，按需取用。

四、工具套件与技能生态¶

讲者日常还使用一批围绕 Agent 的辅助工具，它们不一定是主线，但在各自场景里很能打。

11. claude_codex_bridge——多 Agent 工作台¶

GitHub： https://github.com/SeemSeam/claude_codex_bridge
一句话： 让 Claude Code、Codex、Gemini、Kimi、Qwen、Cursor 等不同 CLI/TUI 互相协作的可见多 Agent 工作区。
讲座位置： 01:17:37–01:21:55
核心特性： 一个 agent 负责发号施令，另一个负责干活或做 reviewer。内置预设角色（架构设计、Git 管理、mother 元角色），角色可复用，工作风格更一致。
为什么重要： "让 AI 指挥另一些 AI"——每个 agent 都可以作为一个完整 role 保存下来，包含自己的上下文、提示词、hook 和脚本。

12. Waza——工程习惯转技能¶

GitHub： https://github.com/tw93/Waza
一句话： 把工程师日常习惯（如代码审查、项目初始化、文档生成等）转化成 Claude 可直接运行的 skills。
讲座位置： 相关术语在技能讨论部分出现
标签页证据： 浏览器标签页打开中

13. Kami——内容排版与交付¶

GitHub： https://github.com/tw93/Kami/tree/main
一句话： "Good content deserves good paper." —— 内容排版辅助项目，适合做简历、报告、PPT、推荐信甚至网页开发。
讲座位置： 01:13:16–01:17:32（模板类 skill 部分）
为什么重要： 不是纯前端，而是模板 + 脚本 + skill 的组合，出品稳定，对模型要求也没那么高。

14. gbrain——YC CEO 的生产级 Agent 大脑¶

GitHub： https://github.com/garrytan/gbrain
一句话： Y Combinator CEO Garry Tan 的日常生产级 Agent 大脑，已处理 146,000+ 网页页面。
讲座位置： 01:04:56（GenericAgent 机制讨论中关联提及）
为什么重要： gbrain 不是"参考实现"——它是 YC CEO 每天都在用的真实 Agent 大脑，已经过数十万页实际工作负载验证。它展示了在生产环境中 Agent 系统如何运作，对理解"怎样的架构才能在日常真实工作中存活"有极高参考价值。仓库包含实际的记忆层实现、工具定义和系统提示模板，是可以直接借鉴的生产级实例。

15. Proma——本地优先的 AI 桌面工作台¶

GitHub： https://github.com/proma-ai/Proma
一句话： 本地优先的 AI 桌面工作台，支持多模型 Chat（Groq/Anthropic/OpenAI/Google/Ollama/OpenRouter）、Agent 模式（工具调用）、工作区系统、200+ 内置 Skills、MCP 支持和语音输入。
来源： 浏览器标签页记录
为什么重要： Proma 远不止"Agent 记忆项目"——它是一个完整的本地 AI 桌面工作台，覆盖了从日常对话到 Agent 自动化、从 Skills 库到 MCP 集成的全套能力。对于想在不离开桌面的情况下使用多种 AI 模型和 Agent 能力的用户，Proma 提供了一个开箱即用的方案。

16. Maka——本地优先的 AI 桌面助手¶

GitHub： https://github.com/maka-agent/maka-agent
一句话： "Maka — local-first AI desktop assistant"，本地优先的 AI 桌面助手。
来源： 浏览器标签页记录
为什么重要： 轻量级桌面 Agent 的代表，适合不想折腾 CLI 的用户。

17. larksuite/cli——飞书 CLI 工具¶

GitHub： https://github.com/larksuite/cli
一句话： 飞书官方 CLI，包含 200+ 命令和 26 Agent Skill，覆盖 Messenger、Docs、Base、Sheets、Calendar 等核心业务域。
讲座位置： 01:11:13–01:15:53
为什么重要： 如果你平时办公大量用飞书，这个 CLI 里已经包含了大量 skill，可以教 AI 怎么在飞书里做多维表格、搭机器人、发消息、处理文档。skill 不需要单独装到本地，CLI 里已经自带命令。

五、社区与信息源¶

18. Linux Do——AI 折腾者社区¶

网址： https://linux.do/
一句话： 国内活跃的 AI 开发者/折腾者社区，可以找到中转站搭建、工具评测、项目讨论等内容。
讲座位置： 01:29:19–01:31:42
为什么重要： 讲者提到注册门槛较高（需五年以上 GitHub 账号或特定渠道），但内容密度不错。中转站搭建等实操经验在社区里能找到。

附：信息获取建议¶

讲者在讲座结尾特别强调——AI 工具迭代太快，信息源要跟上。他的建议：

X（Twitter）： 直接搜 AI，能看到很多博主和开发者动态
保持信息输入： 不要只盯着一个工具或者一个群
先从强模型开始用： 建立直觉后，再往便宜模型迁移
都装一个类似 GenericAgent 的东西玩一玩： 先感受系统带来的想象空间

整理时间：2026年7月 基于腾讯会议逐字稿 + 浏览器标签页记录 + GitHub 项目页面交叉核实