数据显示，90%的用户仅停留在启动层进行即时问答，而Hermes Agent真正的价值在于支持全天候后台值守（24/7）和自动化调度，每周能为你节约超过15小时。

1. 你的Hermes用法可能只触及表层

很多人对Hermes的使用仅仅停留在“打开对话窗口—输入问题—等待回复—关闭会话”这四个步骤。这样一来，只有模型被直接调用，而那些不太显眼却极具价值的特性——Cron调度、Webhook触发、并行子代理、后台持久会话、状态看板以及技能脚本——全被晾在一旁。真正的分水岭不在于提示词的好坏，而在于运行架构的差异。常见问题包括频繁手动检查导致的人力消耗、信息延迟以及上下文的碎片化。破解之道是充分利用Hermes内置的调度、事件触发、任务隔离和持久化机制，将“人工踩油门”的模式转变为系统自动值守。

2. 用 /goal 指令取代孤立提问，驱动自主任务执行

普通提示往往只求一次答案，而 /goal 命令则为任务划定完整边界，推动代理自驱动地完成目标。该命令包含四要素：结果、来源、约束和可交付物。在“结果”中要说清任务完成的标准，防止目标漂移；“来源”应指定工具、文件路径、目录或URL，切勿依赖代理记忆；“约束”可以限定文件格式、调用次数、风格规则或成本上限；“可交付物”则定义最终产出，比如文件名、JSON schema 或提交位置。如果你还不懂如何设计目标结构，可以先让Hermes向你提三个问题，再依据回答生成最强版的 /goal。

3. 把重复工作自动化：利用时间触发器实现定时任务

Cron 是 Hermes 在后台释放效率的引擎，用以取代人工定时轮询。你无需记忆繁琐的 crontab 表达式，直接用日常语言描述周期即可。典型场景包括每日早晨汇总简报、每小时检查 GitHub 通知、每周归档线上会议纪要；这些任务全不用点“开始”。要让 Cron 真正见效，需注意两点：任务本身应短小且可中断，输出必须指向固定落点，例如发送到 Telegram、写入文件或推入特定看板列。避免将 Cron 任务设计成巨无霸，否则失败一次就需要从头重跑整个批次。

4. 借助 Webhook 将外部事件转化为内部执行流程

Cron 依赖时间推进，而 Webhook 靠事件驱动。无论是 Notion 卡片、GitHub PR、表单提交还是第三方告警，只要它们能在状态变更时发出 HTTP 请求，Hermes 网关就能接收并立即启动 /goal。这特别适合“一旦发生就必须处理”的动作，如产品缺陷自动收集上下文、新 PR 执行检查清单、客户工单自动生成摘要。一个有效的工作模式是：事件触发后，Hermes 先根据卡片或工单的元数据提炼要点，经过格式校验后发送结果。其实质是将人工的“看到再处理”变成系统化的“到达即分流”。

5. 用多话题与隔离空间化解并行任务冲突

在同一个会话中塞入过多任务，首当其冲的代价是上下文冲突。Hermes 支持多种隔离手段：Telegram 不同话题、指定目录作为工作区、多组配置文件以及看板列结构。每一条隔离通道都将“外来上下文”拒之门外，防止任务之间相互污染变量、路径或模板。如果你常常并行处理内容策划、代码审查和竞品跟踪，至少应分出两条职责链；每条链内部可再细化，但绝不可共用同一上下文。越早隔离，后续重排、监控与复盘的成本就越低。

6. 利用看板将任务推向可追踪状态流

Hermes 内部的每项任务均可映射至看板，经历“待处理”、“进行中”直至“关闭”的状态流转。这样你便无需靠记忆追踪任务状态，也不必翻找聊天记录，只用一个固定视图便能掌握全局。看板尤其适用于多用户协作或自身拥有多个代理实例的场景。它还能帮你揪出两类隐疾：卡了太久的僵尸任务，以及看似未被阻塞却停滞不前的任务。前者需要重新指派，后者则要明确写入预期。

7. 启用 Dashboard 与统一设置入口，削减频繁切换的摩擦

Hermes 自带的 Dashboard 能够在一个页面内呈现配置文件、定时任务、技能与看板状态；统一设置入口则通过 OAuth 授权同时接通模型、工具网关与聊天连接。这些集成会省去逐项核查配置的繁琐，也让你在出现故障时能迅速定位是权限、模型还是网关的问题。别小看初期的摩擦：多花十分钟对齐 Dashboard 与 Provider，此后每一次新任务都能避免一个易漏的检查点。

8. 用并行子代理分担多源头信息收集

让一个主代理同时啃下多份数据集，结果多半是注意力稀释和上下文负载飙升。此时最佳方案是采用“调度器加工人”架构：将主代理拆分为多条子代理，各自在隔离上下文中搜索、汇总、生成摘要，最后将精简结果回传主线程。常见的例子是：一条子代理抓取社交媒体热度，一条分析历史表现，一条追踪竞品动态，主代理再将三份摘要合成为一份建议。将这种结构固化为模板技能，远比每次重新搭建来得快。

9. 把流程固化为可执行 Skills，一次编写到处复用

Skills 是存放在 ~/.hermes/skills/ 下的可执行 SOP。定义好触发词、核心规则与步骤后，只要有同类请求，代理便自动加载执行，你无需每次都重复切分数据、检验格式、写入文件等相同操作。Skills 的好处在于可复现、可审查、可升级。如果团队共享同一个“内容发布 Skill”，风格与质量管控就能一次维护、全员受益。验证闸门、保护区与版本迭代正是 Skills 长期可用的关键。

今天参加了飞书举办的线上AI Builder分享会，收获颇丰。最近我一直在探索如何用Hermes与飞书CLI搭建一套专属于X平台的内容运营系统。简而言之，就是让智能助手帮我完成选题挖掘、账号分析、爆款内容整理、改写建议生成，并自动将结果同步到飞书多维表格中。我只需要专注于三件事：审核、调整、发布。跑通这套流程后，我才真正体会到飞书CLI的强悍之处——它能让普通人毫不费力地把AI助手接入自己的日常工作流。

我的飞书CLI实践：三步搭建内容运营流程

目前我将主要精力放在X平台的内容运营上，想看看自己能用多长时间把它做起来。得益于Grok与Hermes的打通，现在通过Agent直接在X上搜索帖子、分析账号、梳理互动策略，都变得非常顺手。

我的常规操作流程只有三步：

1. 先用Grok在X平台检索爆款内容和高价值账号。
2. 再用Hermes对这些内容进行深度分析。
3. 最后通过飞书CLI，将有价值的数据写入飞书多维表格。

这样一套下来，选题方向、目标账号、爆款样本、改写思路、最佳发布时间……这些关键信息全部都能沉淀在表格里。所有内容都有记录，所有判断都有依据，所有复盘都有抓手。

这才是飞书文档真正适合作为内容中台发挥作用的地方。

Agent操控飞书文档：复盘自动化与画板可视化

更令人惊喜的是，飞书CLI现在可以让Agent以极顺畅的方式读写飞书文档和多维表格。例如，我可以直接让Hermes分析某个X账号近期的表现，并把结果自动回写到飞书文档里，甚至直接生成一份完整的复盘报告。

我只需要给出一个指令，后面的结构框架、内容总结、数据表格、行动建议，它都可以自动整理出来。这一点实在太实用了。很多时候，我们并不是真的缺数据，而是缺一个能持续复盘的习惯。现在Agent自动把数据拉回来，再生成一份结构化报告，复盘这件事立刻变得轻松了许多。

这次飞书CLI还有一个我特别喜欢的功能——画板。利用画板，Agent可以直接在文档中插入可视化图示，把原本密密麻麻的文字流程瞬间变成清晰的结构图。比如，将整个内容飞轮的运转逻辑用画板呈现出来，就直观多了。

还有内容整改建议，用画板分类展示后，执行起来也更条理分明。

如果只是一堆文字，理解起来难免会绕来绕去，但换成画板之后，整个执行链路一下就通了。画板的核心价值，就是把复杂的流程变成一张任何人一眼就能看懂的图。

Claude Code集成飞书：远程操控AI编程的新姿势

分享会中还有一个让我非常兴奋的项目——张咋啦老师开源了一个能把Claude Code接入飞书的方案。对我而言，日常使用最多的两类AI工具就是Hermes和Claude Code/Codex。Hermes本身自带APP接入渠道，我早已通过飞书机器人进行各种操作，但对于Claude Code，之前仍然得老老实实坐在电脑前才能使用。没想到这次竟然有了意外收获，找到了可以在任何地方指挥Claude Code写代码的方法。

安装过程极其简单，只需一条命令，再绑定一个飞书机器人即可：

npm i -g lark-channel-bridge

安装完成后，执行以下命令启动，会弹出二维码，扫码后根据指引完成配置：

lark-channel-bridge start

然后就可以愉快地通过飞书和Claude Code对话了。

这种躺在床上随手指挥CC干活的感觉，终于我也体验到了。

结语：AI工作流的关键在于稳定承接

过去我们使用Agent，很多时候像是在体验一个新玩具：它会写东西、会查资料、会跑任务，看起来很酷炫。但真正要把它落到日常工作中，还差一个稳定、可靠的承接系统。飞书CLI补上的，恰好就是这一环。

• IM负责接收和分发任务。
• 云文档负责沉淀内容资产。
• 多维表格负责结构化数据管理。
• 画板负责流程可视化。
• Agent负责具体执行与持续优化。

这套组合拳下来，任何一个普通人都可以慢慢搭建起属于自己的AI工作中台。所以我越来越清晰地感受到，接下来真正有价值的能力，不是你会不会用某个AI工具，而是你能不能把它无缝嵌入到自己的工作流里，让它每天稳定地帮你干活。AI的真正终点，从来不是陪你聊两句；真正厉害的AI，是能一步步把你的生活和工作串联起来，稳稳地向前推进。

每天早上打开 Hacker News，没刷几页就感到倦怠。Reddit 里关注的 subreddit 堆了几十条未读，Telegram 频道的消息更是直奔 99+。信息源不断膨胀，可真正值得细看的内容却越来越难寻。

Horizon就是来解决这个难题的。它是一款用 Python 构建的开源工具，能够从多个信息源自动采集新闻，完成去重、AI 打分与过滤，最终产出结构清晰的中英双语日报。

简单讲：你只需要关注结果，中间的苦活累活都由它包揽。

数据透视：热度惊人

这个项目目前在 GitHub 上已揽获超过 4000 Star、500 多条 Fork。主编程语言为 Python，采用 MIT 开源协议。

覆盖哪些信息源

Horizon 当前支持 7 类信息源，基本包揽了技术人员每日必刷的渠道：

看得出，从技术社区到社交平台再到金融资讯，技术人员“日常必逛”的阵地几乎一网打尽。而且每个信源的抓取范围与评论条数都可以单独设定。

AI 智能评分：从筛选到精华

这正是 Horizon 与普通 RSS 阅读器的本质区别。

采集回来的内容不会一股脑儿全抛给你。Horizon 会依靠你指定的 AI 模型给每条内容打出 0–10 的分数，然后仅保留超过阈值的条目（默认 7.0）。拿到 9 分以上的内容会自动归入“Today’s Highlights”重点板块。

评分不止看标题热度。AI 会综合判断：这是否属于重大突破？有没有技术深度？对某个领域是否真正有价值？还是纯粹噪音与广告推广？

可接入的模型阵容很广：Claude、GPT、Gemini、DeepSeek、豆包、MiniMax，以及任何兼容 OpenAI 的 API。甚至还能自行指定 base_url，接入本地模型。

去重与背景加持

不同平台常常重复报道同一件事。在生成日报前，Horizon 会自动将指向同一故事或同一 URL 的内容合并，你不会看到三条重复的“GPT-5 发布”。此外，遇到不熟悉的术语、公司或项目，Horizon 会通过网络搜索补上背景解释。比如某条新闻提到一个冷门开源项目，日报中会自动附上一段“它是什么”的说明。

社区讨论也不落下

对于 Hacker News 和 Reddit 这类带有评论功能的信源，Horizon 不只是抓取正文，还会拉取热门评论并生成摘要。很多时候，一条高赞回复比原文更有价值——如果丢掉这些信息就太可惜了。

#Ideogram4 #开源图生模型 #DiT

凭借 9.3B 参数，Ideogram 4.0 展现出顶级设计生成实力，其图像内文字渲染能力甚至超越了某些 80B 参数的大模型，并且通过 JSON 结构化提示词，设计师能够精细调整构图、色彩与排版。经过 NF4 量化后，该模型仅需 24GB 显存即可在本地运行。

• 9.3B 参数量 | #1 开源设计模型 | 24GB 最低显存

Ideogram 4.0 是多伦多 AI 初创公司 Ideogram 推出的首个开源权重文生图模型，于 6 月 3 日正式上线。因其在文字渲染、版面精度和设计品质方面的出色表现，被社区公认为当前最强大的开源图生设计模型。

该模型并非基于任何现有模型的微调，而是完整的 Flow-Matching Diffusion Transformer（DiT），拥有 9.3B 参数、34 层 Transformer 结构，文本与图像 token 共享同一序列空间。正是这一架构选择，使其以仅 9.3B 的参数量，在文案渲染和排版控制等设计关键指标上超越了某些 80B MoE 架构的大模型。

整个管线分为四层：冻结的视觉语言编码器、处于训练状态的 DiT 主干、运行时的流匹配采样器以及同样冻结的 KL VAE 解码器。实际接受训练的仅有中间这 9.3B 参数的 DiT 模块，编码器与解码器则复用已有的预训练组件。

在文本编码方面，模型并未采用 CLIP 或 T5 等传统选项，而是选择了 Qwen3-VL-8B-Instruct 视觉语言模型。Ideogram 从该 VLM 的 13 个中间层抽取隐状态，并将它们拼接后送入 DiT，从而获得了远比单层 CLIP embedding 更丰富的语义理解。这也是它能够出色处理复杂排版指令的关键所在。

前阵子组里来了个新人，我分配给他一个看起来非常简单的任务。
我们团队固定在每周四上线发版，按照惯例，上线前两天会进行集体代码评审。那次评审也顺利通过了——功能本身很直接，大家都没有太细看。

但从业这么多年，我一直保持着上线前再做一次独立代码审查的习惯，这个习惯确实救过不少次场。
就在最后一遍过代码的时候，IDEA 突然弹出一个智能提示，我当时心里就“咯噔”一下：

我心里很清楚，如果这次二次复查没有发现这个问题，后续的麻烦绝不是小事。正是这次经历促成了这篇文章的整理。

一个“简单”代码段的反直觉表现

各位 Java 开发者不妨先停下想一想：执行下面这段代码后，控制台会输出“不相等”吗？

public static void main(String[] args) {
    Integer total = 168;
    Integer count = 168;

    if (total != count) {
        System.out.println("不相等！！！");
    } else {
        System.out.println("相等！");
    }
}

很多人第一反应就是：两个变量的值都是 168，那结果肯定是“相等！”才对。
然而真实的运行结果却是：

它直接打印了“不相等”。

这种现象背后的根本原因

这个问题其实反映了 Java 中一个常见的认知模糊点，不只是新手，一些有几年经验的开发者也可能会掉进去：

• int 是基本数据类型，使用 == 比较的是数值本身；
• Integer 是包装类，属于引用类型，== 比较的是对象的内存地址。

也就是说，即便两个 Integer 对象里面保存的数值一模一样，只要它们不是同一个实例，== 就会返回 false。
这个坑正好解释了上面代码中 total != count 成立的原因——两个 168 的 Integer 对象在内存里指向不同的地址。

更让人困惑的“相等”情况

再来看另一段看似几乎一样的代码：

Integer total2 = 100;
Integer count2 = 100;

if (total2 != count2) {
    System.out.println("不相等！");
} else {
    System.out.println("相等！");
}

猜猜这次会打印什么？

6月1日，MiniMax官方发布公告，正式推出新模型M3，同步启动了M3按量API限时7天的5折优惠活动。同时，平台还对Token Plan订阅套餐价格体系进行了全面升级，将原来的6种套餐精简为3种主流订阅方案。

MiniMax M3模型核心能力一览

M3是一款集前沿编程能力、1M超长上下文窗口以及原生多模态处理能力于一身的大模型，MiniMax官方宣称，它是目前市面上唯一能同时满足这三项要求的开源模型。

在编程能力方面，M3在SWE-Bench Pro测试中斩获59.0%的成绩，超越了GPT-5.5和Gemini 3.1 Pro，逼近Opus 4.7；在SVG-Bench上甚至反超Opus 4.7；在Agent评测Claw-Eval中同样拔得头筹。

单从跑分数据看，M3的进步毋庸置疑。但关键问题在于：在如今竞争激烈的市场格局下，这样的性能提升是否对得起它的定价？

国产模型竞品能力横向对比

把MiniMax M3放在国内顶级模型里，究竟处于什么水平？

对比结果表明，M3的59.0%得分虽然很有竞争力，但Qwen3.7-Max已在开发者社区投票的Code Arena中取得了1541分，超越了GPT-5.5和GLM-5.1；GLM-5.1则稳坐全球开源模型编程榜第一。M3在能力上并未明显甩开国内顶尖对手，价格反而上涨了不少。

新旧套餐对比：品种精简，价值升了吗？

将原来的六种套餐精简为三种，显著降低了用户的选择难度。Plus、Max、Ultra三档定位明确，分别面向个人开发者、日常专业用户以及重度高频使用场景，方便按需选择。

但核心问题来了：同样是¥49/月，用户要接受的改变是什么？

旧版Plus套餐（¥49）提供“每5小时1500次调用”，按照编程场景估算约合3.6亿Token/月。新版Plus套餐（¥49）则直接提供6亿Token/月。计费口径从调用次数转变为Token总量，但实际价值是否提升，还要结合具体使用场景来看。

M3 API限时5折：窗口期与长期性价比分析

5折体验真香，原价可能劝退：5折活动期是尝鲜M3的理想时机，一旦恢复原价，性价比将大幅缩水。

🔹 M3五折后价格与M2.7完全一致（2.10元/百万输入，8.40元/百万输出）
🔹 原价恢复后，M3比M2.7贵一倍（4.20 vs 2.10）
🔹 超过512k上下文目前限量供应，价格翻倍（8.40/33.60）

全新Token Plan与市场竞品一览

下图展示了全新Token Plan与市场上主要竞品的套餐对比：

到底值不值？分场景购买指南

最终建议：
🔹 日常重度AI编程（月消耗超2000万Token）：首选MiniMax M3 Plus套餐，性价比碾压。
🔹 无限制生产环境需求：推荐小米或DeepSeek API，缓存命中价格低至0.025元/百万Token。
🔹 仅想尝鲜M3：利用7天5折API窗口，灵活试水。

Apache Tomcat 是一款开源、免费的轻量级 Java Web 应用服务器，主要用于运行 Servlet 和 JSP 程序，常被用来部署 Java 网站和接口服务。简单来说，别人用 Java 开发并打包好的程序，放到 Tomcat 里就能直接在服务器上跑起来。

利用 Docker Compose 快速安装 Tomcat

以下是推荐的 Compose 配置：

services:  
  tomcat:  
    image: tomcat:9.0  
    container_name: tomcat  
    volumes:  
      - ./webapps:/usr/local/tomcat/webapps  
    ports:  
      - 8080:8080  
    restart: unless-stopped

几个关键参数说明（更多细节建议查阅官方文档）：

• 镜像标签 9.0：适配 Java 8，大多数企业项目和旧系统都采用这一版本。
• 容器内路径 /usr/local/tomcat/webapps：默认的应用部署目录，所有要运行的项目文件最终都要放到这里。

初次访问与 404 现象

服务启动后，在浏览器输入 http://NAS的IP:8080 就能打开 Tomcat 页面。

如果看到 404 错误，这是正常情况。因为此时 webapps 路径下还没有 ROOT 目录，Tomcat 找不到默认页面，所以返回 404。

如何恢复官方演示 Demo

Tomcat 镜像里其实内置了一个演示应用，如果想让首页出现熟悉的欢迎画面，可以按下面的步骤操作。

首先进入 Tomcat 容器的终端。

为什么你的NAS Docker应用总是连不上？

在NAS上运行Docker时，常常会碰到这些让人头疼的问题：

• 拉取镜像如同蜗牛，甚至直接失败；
• 需要访问海外API的容器，时不时断线；
• 服务看起来在正常运行，但更新、同步、订阅以及对外接口调用的速度与稳定性都大打折扣。

过去我曾分享过Mihomo的部署方案，它适合做全局的代理管理和规则分流。但对于大多数NAS用户来说，需求远没有这么复杂——只是想让某几个特定的Docker应用能够顺畅地下载镜像、更新订阅或访问外部API，而不是改变整台NAS的网络架构。

有没有更轻量的办法？今天要介绍的MicroWARP，就是这样一个方案：通过Docker在NAS上运行一个WARP SOCKS5代理，按需为特定的容器提供干净的出口网络。简单说，它不搞复杂的分流规则，只专心做好“落地出口”。

⚠️ 安全提醒：此代理服务默认仅供本地使用。如果必须开放到公网，请务必设置复杂的用户名和密码，避免被他人滥用。

为什么选择MicroWARP？

完整项目仓库为 ccbkkb/MicroWARP，可通过GitHub搜索获取。如果你需要其他平台的版本，可以切换到仓库的next分支自行构建，但记得准确指定镜像Tag。

市面上常见的WARP镜像（比如 caomingjun/warp）大多依赖Cloudflare官方的 warp-cli 守护进程，这通常会带来约150MB以上的内存占用，且在高并发场景下容易出现性能瓶颈。

MicroWARP 则采用了完全不同的底层设计：

• 内核级WireGuard：直接利用Linux原生内核态的 wg0 接口处理流量，CPU损耗几乎为零。
• 轻量服务组件：核心部分由小型C语言程序构成，长时间运行资源消耗极低。
• 极低内存占用：高并发下内存用量依旧控制在5MB以内（实测常驻仅800KB左右），特别适合资源受限的设备。
• 原生兼容Tailscale：智能保留回程路由，避免全局接管造成的非对称路由黑洞，与异地组网直连完全兼容。
• 多架构支持：原生支持 amd64 和 arm64，完美覆盖各类ARM平台的NAS。

部署流程

下面以威联通NAS为例，通过Docker Compose的方式完成MicroWARP的部署。

完整的 docker-compose.yml 配置如下：

services:
  microwarp:
    image: ghcr.io/ccbkkb/microwarp:latest
    container_name: microwarp
    restart: always
    ports:
      - "0.0.0.0:1080:1080" # 监听所有IP
    cap_add:
      - NET_ADMIN
      - SYS_MODULE
    sysctls:
      - net.ipv4.conf.all.src_valid_mark=1
    environment:
      - SOCKS_USER=ydxian          # 如果监听任意IP，建议设置用户名
      - SOCKS_PASS=qnap1234        # 务必配置强密码
    volumes:
      - /share/Container/microwarp/warp-data:/etc/wireguard
    logging:
      driver: "json-file"
      options:
        max-size: "3m"
        max-file: "3"

作者还提供了一些进阶环境变量，可按需添加，例如用于自定义WARP端口或开启调试日志等。

4 月 17 号，Anthropic 推出了 Claude Design——只需一句需求描述，就能直接生成可交互的 HTML 设计稿。无需 Figma，不用 Photoshop，甚至不需要任何设计基础。

设计圈瞬间沸腾。

但热度过后，现实泼了一盆冷水：闭源、仅限付费用户、数据必须上传 Anthropic 云端、模型锁定为 Opus 4.7、不支持自托管、不能更换模型。

仅仅十一天之后，nexu.io 创始人 Tom Huang 在 GitHub 上发布了 Open Design。五天冲到 18K Stars，目前已经来到 40.8K Stars、4.6K Forks。采用 Apache-2.0 协议，完全免费。

它没有重新造一个 Agent，而是巧妙地把你电脑上现有的编码 Agent，直接转化为设计引擎。

Open Design 是什么

简单来说：给 Claude Code、Codex、Cursor、Gemini 这类 CLI 工具包上一层设计工作流，让它们像专业设计师一样输出网页原型、PPT、移动端界面和视觉物料。

可以把它看作“Claude Design 的开源复刻”，但架构迥异。Claude Design 是一个封闭的 SaaS 产品，Open Design 则运行于本地，以 daemon + web 应用的形式，使用你自己的 API Key，驱动你自己的 Agent，数据始终不离开硬盘。

技术栈基于 Next.js 16 + Express + SQLite，既可以部署到 Vercel，也能完全在本地运行。

2026年6月2日深夜，OpenAI的一场直播完全打破了外界的预期。没有新模型发布，也没有花哨的PPT，唯一的主角是Codex——可这一次，它已不再是程序员的专属玩具。

一、500万周活背后，一个反直觉的信号

先来看一组 OpenAI 官方公布的数字：

最后两行让我愣了一下。

五分之一的Codex用户根本不写代码。 他们来自分析师、营销、运营、设计、研究、投资和投行等岗位。更令人吃惊的是，这群非开发者用户的增速是开发者的3倍还多。

这意味着什么？

Codex早已不是“程序员专用工具”。它正快速蜕变成一台全员AI工作台。

而这，恰恰就是6月2日直播中 OpenAI 一口气放出三大更新的底层逻辑。

二、三大更新，一次性补齐关键短板

更新一：六大角色专属插件——零代码打造“AI员工”

OpenAI一次发布了六款角色插件，每一款都打包了该岗位日常工作所需的应用、技能、指令和工作流：

关键数据：6大插件、62款应用、110项技能，全部无需编写代码即可使用。