随着ChatGPT 5.5的推出，Codex的热度急速攀升，甚至让Claude Code显得有些黯然。得益于OpenAI更顺畅的安装流程和便捷的使用体验，一大批用户涌入了Codex的阵营。本文将分享我认为安装Codex后最值得优先配齐的5款插件。

很多人因为“Codex”这个名字，下意识觉得它只能用来写代码，但实际上处理日常办公任务才是它的强项——管文件、跑命令、写文章、梳理项目，样样在行。一旦用顺手了，它就会变成你全天候的智能工作台。

归根到底，插件就是给Codex装上手脚。原本它只能窝在对话框里输出文字指导；可一旦插上插件，它就能亲自打开浏览器、看懂Figma设计稿、编辑Word文档、制作PPT、处理电子表格。你再也不用按照它的提示一步步动手了，只需把任务直接交给它，回头检查工作成果就行。

但千万注意：插件绝不是越多越好。别像逛杂货铺一样见一个装一个，除了拖慢响应毫无意义。优先把这5个高频场景对应的插件补齐，就足以覆盖绝大部分日常需求了。

1. 浏览器操控（Browser Use）：让Codex亲手浏览并交互

核心能力：赋予Codex真正打开浏览器的权限，让它可以访问网页、点击按钮、填写表单并截图验证页面表现。

适用场景：只要任务里出现“打开网页看看”“帮我测试localhost页面”“点一下这个按钮”“截图确认一下效果”这样的需求，就该立刻启用它。

这个插件堪称必装中的必装。市面上许多AI工具声称能“浏览网页”，实则不过简单搜索一下，或者读一读静态文本。而Browser Use更像是给Codex接上了一双眼睛和一只鼠标——它能深入网页内部，看到真实渲染出来的样子，并且执行点击、输入和截图等真实操作。

对开发者来说，它最有用的地方在于前端验证。比如你让Codex修改了一个页面，不要轻信它那句“已完成”。最好的做法是让它用Browser Use打开网站，肉眼确认页面有没有崩溃、按钮能不能点、文字有没有挤压在一起。

高效技巧：凡是涉及网页制作的任务，一定要让Codex在最后用浏览器做实际验证。光看代码很容易陷入盲目自信，打开页面才发现布局早已面目全非。AI写前端时尤其容易“脑补成功”，这类翻车现场我见过太多。如果你经常让Codex写网页、搭后台、做静态页面，这个插件基本就是刚需。

2. Figma 设计助手：把设计稿直接变成代码

核心能力：让Codex连接Figma，读取设计稿、生成前端代码、将页面内容回写到Figma，甚至维护设计系统。

适用场景：从设计稿到代码实现、从代码反哺设计稿、批量整理Figma图层、同步设计组件库，全都交给它。

Figma插件很适合两类人群。一类是开发者：设计师丢给你一个Figma链接后，你再也不用一边看设计一边量尺寸、取色值、算间距了。直接让Codex读取设计稿，再结合项目里的组件库和样式规范实现出来。另一类是产品原型设计师：脑中有了页面概念，却不想从空白画布从头画起，就可以让Codex先在Figma里搭好基础结构，自己再做人工精调。下面这张图就是通过对话让Figma生成的设计。

更厉害的地方在于，Figma插件底下其实延伸出了一整套能力，例如：

• figma-use：直接在Figma文件中进行操作
• figma-implement-design：把设计稿实现为前端代码
• figma-generate-design：根据页面描述生成Figma设计
• figma-code-connect：将Figma组件与代码组件关联起来
• figma-generate-library：搭建完整的设计系统

这些名词有个印象就好，完全不用死记。你依旧用人话描述任务，Codex会自动判断该调用哪一个。

不过要留个心：Figma这套能力对账号、文件权限和桌面端状态非常敏感。如果文件躺在个人Drafts里，就可能读不到；Figma桌面客户端没打开，也可能连接失败。碰到这种情况，先别急着自我怀疑，检查权限和桌面端运行状态就能解决大部分问题。

3. 智能文档处理（Documents）：直接操控Word

核心能力：让Codex创建、编辑、审阅Word文档（.docx），并提供渲染检查，绝非随便丢个文件给你。

适用场景：撰写方案、修改合同、整理访谈纪要、进行标红修改、添加批注等所有Word相关任务，都能放心交给它。

对于经常和文字材料打交道的人来说，这个插件简直是效率救星。以往让AI“写个Word文档”，往往只是生成一段Markdown，然后自己手动复制、排版，文档稍长一点点就让人头皮发麻：标题格式、表格、批注、分页全部得亲手调整。Documents插件解决的就是这个核心痛点：它可以直接处理.docx文件，并在输出前进行渲染校验，而不是草草糊弄一个文件了事。

它很擅长这些场景：

• 将一堆零散的会议记录整合为正式纪要
• 把Markdown草稿一键转成结构工整的Word方案
• 对已有Word文档的指定段落进行修改
• 为合同、制度、方案添加审阅意见和标注
• 生成带目录、多级标题和规范表格的正式文档

高效技巧：如果要做的是正式交付给客户或领导的文档，我的习惯是先让Codex用Markdown确认结构和文字无误，再让它转成Word。这样可以避免一边改内容、一边改格式，把自己绕晕。

4. 幻灯片生成器（Presentations）：批量制作PPT

核心能力：创建、编辑、渲染并验证PowerPoint文件（.pptx），让PPT制作从体力活变成一句话的事。

适用场景：工作汇报、项目方案、培训课件、产品介绍、路演材料，凡是需要幻灯片的场合，它都能帮忙扛下大部分工作量。

PPT堪称许多职场人的噩梦，往往不是不会写，而是太耗时间：先搭结构、再填文案、再拆页、再排版、再调图表，最后还要一页页排查错别字和遮挡问题。Presentations插件可以帮你吃掉前面70%的纯体力活。

它尤其适合这样的指令：

• “把这篇长文整理成10页PPT”
• “根据这个方案生成一份汇报材料”
• “帮我把这份旧PPT改得更清晰专业”
• “制作一份零基础入门的培训课件”

使用技巧：请求生成PPT时，别只说“帮我做个PPT”。最好同时说明三个关键信息：听众是谁、演讲时长以及你希望他们听完后做什么决定。同样是“Codex插件介绍”，对开发者讲就侧重工作流，对老板讲就侧重效率与成本，对新手讲就侧重易用性。对象不同，PPT的框架和侧重点完全不同。

最后的审核：PPT生成完毕后，一定记得渲染查看，别看到文件存在就觉得万事大吉。PPＴ最怕文字溢出、图形遮字、页面过满，这些问题只需渲染一遍就一目了然。

5. 表格精灵（Spreadsheets）：Excel、CSV全能处理

核心能力：让Codex处理Excel、CSV、TSV等各类表格文件，实现清洗数据、编写公式、生成图表、制作报表等一系列操作。

适用场景：数据整理、预算测算、任务清单、统计分析、表格格式化，凡是涉及表格式数据的工作，都可以让它代劳。

这个插件看起来不像Figma和Browser Use那样炫酷，却无比实用。因为日常工作到最后，总会或多或少落到表格里：需求池是表格，预算是表格，排期表是表格，客户名单是表格，数据分析更是离不开表格。让AI在聊天里简单列两行并没什么用，真正有价值的是能生成一个可以打开、筛选、计算并且格式像样的Excel文件。

它很适合处理这些事情：

• 将凌乱的CSV清洗为规范表格
• 给Excel文件添加公式、筛选和冻结表头
• 把调研结果整理成统计总表
• 快速定位表格中的异常数据
• 根据数据自动生成图表和汇总页

经验之谈：只要超过20行的数据，我都懒得在聊天框里挨行查看了。直接让Codex做成可下载的表格文件，打开后自己筛选、排序、标颜色，效率要高得多。对于做项目管理的朋友来说，这个插件几乎可以承包所有需求清单、工作列表和排期测算。

这5款插件如何协同作战？

单独看每个插件，它们只是补充了一种能力。真正厉害的是把它们串成一条工作流。这里举几个非常现实的应用场景。

场景一：打造一个产品原型 你可以先让Codex借助Figma搭好界面，再生成前端代码，接着用Browser Use打开本地页面核实效果，最后再用Presentations做一份完整的产品汇报PPT。

最近，亚马逊旗下的AI工具Kilo推出了一项限时福利：新账号首次订阅Pro会员，可以0元享受一个月的专业服务！

开通Pro会员后，就能直接使用Claude 4.7、4.6等旗舰模型，这个体验确实很香。

✅特别提醒两点：

• **必须是新账号：**如果之前用过Kiro，需要重新注册一个全新账户。注册流程其实非常简单。
• **需要绑定一张信用卡：**支持国内银行发行的Visa卡，比如工商银行、招商银行的Visa卡都可以正常使用。

下面就是完整操作流程，直接上干货！

1. 注册新账户

**注册地址：**https://app.kiro.dev/signin

不需要国外网络环境也能正常访问🤔

登录方式建议选择Google账号或者GitHub账号。

注册谷歌账号流程相对繁琐，如果想省事，完全可以直接注册一个全新的GitHub账户，门槛很低。

使用一个邮箱就能开通一个GitHub账户，而一个手机号又可以注册多个163邮箱，所以推荐通过163邮箱来批量创建多个GitHub账号。

2. 购买Pro会员

进入后点击每月20美元的PRO会员方案。

当跳转到付款页面时，如果看到需支付金额为0，就说明你的账号是新账户，可以白嫖一个月。

如果你确定自己是新账号但显示金额不是0，试着多刷新几次，或者退出重新进入这个页面。

✅接下来填写信用卡信息，账单地址选择国内即可，例如我填的深圳就顺利通过。

✅信用卡有效期（月份/年份）和CVC安全码一般印在Visa卡背面，务必妥善保管，不要泄露！

如果不想暴露真实的身份和住址，可以使用在线地址生成器来填写。

**✅生成工具：**https://www.zhongguodizhi.com/

3. 确认订阅成功

4. 查看可用模型

在Kiro的使用界面检查是否已经可以调用Claude模型。

**页面直达：**https://app.kiro.dev/home

5. 取消自动续费

订阅后会默认开启自动续费，下个月就会自动扣款。

所以我们最好立刻把它关掉，同时Pro会员身份依然保留，简直神操作🤣

进入用量管理页面。

**页面地址：**https://app.kiro.dev/account/usage

点击更新订阅方案。

然后选择Free免费订阅。

将页面滑到最底部，点击继续按钮，最后提交。

确认之后，下个月就不会再自动扣款，但Pro会员权益仍然可以继续使用。

6. 下载Kiro软件与反代思路

Kiro官方也提供了独立的IDE软件，不过我个人体验觉得不太好用。

现在做编程或者写文案，大家更多依赖Codex、Claude Code这类工具。

那么问题来了，怎么把Kiro里面的Claude模型搬到Claude Code里去用呢🤔？

答案就是借助“反代”技术。

什么是反代？通俗说，就是通过一个中间程序，模拟你在Kiro里和Claude模型对话的过程，然后对外提供一个API接口，你把这个API配置到Claude Code里就可以直接调用模型了。🤔

目前社区里最流行的反代工具是大名鼎鼎的CPA。

**✅项目地址：**https://github.com/router-for-me/CLIProxyAPI

这个工具还可以把网页版ChatGPT的模型轻松反代出来。如果你手握多个ChatGPT Plus账号，就可以利用CPA把GPT-4.5、GPT-4.6等模型反代成统一的号池来使用。

之前《一文带你全面了解skill——入门教程》带大家认识了大模型技能（Skill）的基本概念。我也反复强调，亲手创建自己的Skill才是能力提升的核心。

如今市面上不少所谓的AI速成课程，动辄收费几百元，号称带你“用AI做项目”，拆开来看，本质也就是教你搭一个Skill。只不过人家更会包装，把构建Skill重新命名为“打造高度个性化、可重复调用的私人助手”。

今天这篇文章，零成本，手把手，从想法到实现，同样帮你做出一个真正意义上的“高度个性化、可重复使用的私人助手”。

先想清楚：你要搭建一个什么Skill

先静下来想一想，日常工作中最重复、最固化的事情是什么。你是否希望把这项任务沉淀成一个“助手”，以后只需要下达指令就能自动完成？

例如，我作为一个自媒体作者，每天写稿最头疼的就是灵感枯竭、下笔困难。于是我问自己：能不能构建一个Skill，只要我说明想写什么主题，它就能按照我的写作风格生成一篇文章？

新手搭建Skill的常见误区

有了想法之后，很多人会立刻上手。你可能会觉得：“这不简单吗？把我写的几篇文章贴进去，让AI学习概括，生成一个Skill不就完了？”

说实话，这样做也能拼凑出一个能跑通的Skill，但这个Skill一出生就是“死”的，后续很难真正帮到你。

匆忙搭建的Skill通常有四个致命问题：

1. 写出来的内容表面上有你的影子，但读起来空洞无物，缺少实质性思考。
2. Skill不够垂直，不管你写什么题材，输出都千篇一律，缺乏领域针对性。
3. 人的风格与想法是不断迭代的，而这个Skill永远停留在初始状态，不能生长。
4. 功能单一，只能生成新文章，却无法进行修改、审校、续写、润色等延伸操作。

这些都是初学者最容易踩的坑。试过几次觉得不好用，很快就失去信心，转而到网上搜寻现成的Skill。可这样永远也走不出自己使用AI工具的“困局”。

搭建Skill的五项原则

基于大量实践，我把构建持久可用Skill的方法论凝结成五项原则：

1. 垂直原则：Skill必须聚焦。以写作为例，可按文章类型（软文、干货、故事）或篇幅长短分别搭建不同Skill，保证每个Skill高度专一。
2. 学习原则：Skill必须持续进化。要为其设计学习能力，让它吸收你新发表的作品，也能将你修改后的定稿与它生成的初稿进行对比，从中习得差距。
3. 遗忘原则：有成长就要有淘汰。当你发现某些过时写法还在被反复使用时，就要让它遗忘；当新旧知识产生冲突，或被长期闲置时，同样要触发遗忘机制，保持Skill的活力。
4. 铁律原则：为每个Skill设定一条不可绕过的铁律（Hook），每次调用必须强制执行。AI在处理Skill时，对那些“可做可不做”的流程常常自动跳过，铁律能保证关键环节不被省略。
5. 完整原则：一个Skill应当覆盖困扰你的整个问题域。比如写作类Skill，不仅要能从头创作，还必须内置修改、润色、续写以及自我检查纠错等功能，形成一个完整的闭环。

无论构建哪一个Skill，只要基于这五项原则，把每个维度都想深想透，你就能打磨出一个出色的助手。

我习惯将这些原则整理成规则文件，放置在AI编程工具的rules目录下，并与Skill创建流程绑定，让每次新建Skill时都能自动遵守。如果需要，也可以干脆把这份材料发给AI，让它自行提炼成可复用的创建规则。

下面是我按照以上原则搭建的一个Skill的实际运行效果。

搭建Skill的实用技巧

除了上述五项原则，我在大量实践中还总结出几条屡试不爽的实操技巧：

1. 动手前心中要有清晰的预期，明确这台“助手”最终该达到什么水准，不达标就持续打磨优化，绝不将就。
2. 利用已有的Skill创建工具（如create-skill）定期对你搭建的Skill进行评测，一旦发现不符合期待，直接口头提出升级要求，让AI替你改造。
3. 搭建完成后，建议记录每一次调用Skill的日志，以及每次修改前后的内容。把这套日志与遗忘机制结合起来，就能精准优化Skill的长期表现。
4. 我偏好一个Skill只专心解决一件事。例如在做“原型图转UI”的任务时，我会拆成两步：第一步，用Skill A把原型转成结构化的Markdown文档，清晰描述设计思路；第二步，再用Skill B将这份文档转化为正式的UI设计。拆分后，哪个环节出问题就能快速定位，迭代也更高效。

把所有心得融会贯通，你也能在反复实践中打造出真正顺手、会成长的专属Skill。愿每一位探索者都能在使用AI的过程中，找到属于自己的乐趣与效率。

最近用了一款让我相见恨晚的产品，就是豆包输入法。自从用了它，连微信自带的语音功能都很少打开了。只要长按空格键，说话之间就能自动转成文字，便捷程度超乎想象。

最打动我的是它语音转文字的准确度。

以前我用微信语音转文字，问题一堆：周围人的声音经常被录进去，识别我自己的话也磕磕绊绊，断句毫无逻辑。每次说完一大段，里面全是“嗯嗯啊啊”的语气词，事后还得再花时间修改。

豆包输入法基于AI引擎，能智能过滤掉这些无意义的语气词，还会对你说的内容进行“思考”和整理，生成一条流畅自然的句子。单凭这两点，就让我一上手就彻底喜欢上，还忍不住到处向朋友和同事推荐。

因为我自己一直说普通话，不太清楚方言场景下的表现，有用过方言的朋友可以说说实际体验。

最初知道这个输入法，是偶然看一位主播直播。三个中年人打字费劲，全程全靠语音输入。我看他直播时一直对着手机说话，还以为他跟一些年长的客户一样习惯发语音，结果人家解释说是用豆包输入法直接转成文字发送出去。这让我记住了这个产品，试了之后果然很好用。

回想跟我聊天的一些人，手机打字很慢，有的甚至还在用手写。聊着聊着，他们常会主动放弃，发来一句：“手机打字太慢，我还是跟你发语音吧。”然后就是一长串60秒的语音条，我看着就头疼，真的没有点开的勇气。每次听都是对生命的消耗，我只能把它们转成文字，大概了解意思就好。看文字一目十行，听语音却必须从头追到尾，完全是浪费时间。

我对“废话文学”实在没耐心。想对这些人说，为了彼此的感受，不如试试豆包输入法吧。

作为一个中年人，之前我曾为用九宫格打字担心自己落后，强迫自己切换到全键盘，试图适应。那时候我觉得手机屏幕越来越大，九宫格很快会过时，怕厂商以后都不再做九宫格输入。但用了一段时间还是无法适应，最后灰溜溜地换回九宫格，以为自己已经老了，跟不上年轻人的节奏。

然而，AI语音输入法流行起来之后，九宫格和全键盘的争执突然就失去了意义，两者甚至都可能被时代一起甩在后面。这正应了那句话：“时代抛弃你之前，连招呼都不会打。”又有一句话我特别认可：“有些东西你还没来得及学，过一阵子就发现，它已经过时了。”

用了豆包输入法后，我的生活习惯也跟着变了。打字变得毫不费力之后，我开始在手机上随时记录，把一闪而过的想法写成笔记。无论是在地铁上还是在办公室，我都会自然地对着手机说话，偶尔会被同事多看几眼，朝我善意地笑笑。换作以前，我绝不可能这样做，但只要想到他们早晚也会走上这条路，我也就坦然了。勇敢的人总是先一部分享受生活，我觉得自己不过是比他们先走到时代前面一点而已。

现在我正在等待豆包输入法推出PC版本。搜狗输入法我早已苦不堪言，一直想卸载，但Windows自带的输入法时不时失灵，其他输入法又懒得尝试，只能将就用着。我畅想过，PC版豆包一旦用起来，自己会不会变成别人眼中“神神叨叨”的人，天天对着屏幕讲话。不过大概率我还是不敢在众目睽睽下这样做。只要能用到它对词句的优化能力就足够了，这也是我难以忍受搜狗的原因之一。

让语音成为PC端主要输入方式，这个工作习惯的改变可能还要再等一段时间。毕竟和安静的办公环境相比，语音输入确实容易打扰到别人。时代究竟会怎样演变，我们只能拭目以待。

引言：为什么菜单角标是独立站SEO利器

导航菜单作为网站架构的关键组件，在SEO（搜索引擎优化）中扮演着双重角色：帮助搜索引擎梳理页面层级，同时以视觉线索引导用户注意力，驱动点击与转化。本文分享一个简单实用的技巧——在导航菜单项右上角添加自定义颜色的文字角标，快速吸引访客目光。

外贸独立站和跨境电商网站的成功，很大程度上依赖于流量的有效获取。流量通常分为免费的自然流量（主要通过SEO实现）和付费流量（如搜索引擎广告、社交媒体推广、网红带货等）。对商家而言，尽可能扩大自然流量的占比、降低对付费渠道的依赖，是控制成本、提升长期竞争力的关键。下面这套SEO辅助方法，能让您的独立站菜单成为转化入口，充分释放自然流量的价值。

效果演示

实现效果：在网站主导航菜单的特定项目右上角，显示一个彩色文字角标，醒目突出，有效引导访客点击，提升页面触达率和转化率。

典型应用场景：
①为促销活动、限时优惠等专题页面在菜单中增设角标，吸引注意力；
②为热门商品集合、主推爆品等链接附上角标，增加曝光。

操作步骤

本方法适用于基于WordPress构建的独立站。

第一步： 进入主题根目录，找到 style.css 文件，在末尾粘贴以下 CSS 片段。

纯色示例代码

渐变色示例代码

您可以根据需求修改 CSS 中的颜色值，自由定制更多角标样式。

第二步： 在 WordPress 后台的「外观」→「菜单」中，找到需要添加角标的菜单项，在导航标签字段输入以下 HTML 代码：

<span class="n-mark-red">必看 </span>

其中 n-mark-red 是第一步中 CSS 定义的类名，您可以替换成其他自定义类名，如 n-mark-blue、n-mark-gradient 等。

完成以上设置后，醒目的角标便会显示在菜单里，成为引导自然流量的有效触点。

不妨回忆一下，当你试图用语言向别人描述一段音乐时，对方往往只能无奈地说：“有点像 Billie Eilish，但更轻柔，还有一段钢琴……算了，你还是直接听吧。”在这个瞬间，语言放弃了解释，转而邀请对方直接体验。这并非语言的无能，而是提醒我们：语言本质上是对经验的有损压缩。就像任何压缩形式一样，它总会舍弃一些东西——音色、质感、空间布局，或某种难以言表的整体氛围。

在人工智能近几十年的发展历程中，我们一直把这种“压缩”视为理所当然。搜索与检索系统普遍遵循一个隐含的前提：如果一件事没有被文字记录下来，它就不存在。

你有一档播客？先转录成文字。
你有一份扫描版 PDF 报告？用 OCR 提取文本。
你有一张战略会议上白板的照片？那就麻烦了。

每一次转换，都伴随着“损耗成本”——一点失真，一点信息的流失，让原始内容变得不那么完整。

可如果不再强迫一切数据都必须转化为文字，而是直接在原始形态下处理，却仍然能够搜索、比对和推理呢？

这正是多模态嵌入所赋予的能力。它将文本、图像、音频和视频映射到同一个嵌入空间，使得源于任意一种模态的查询，都能从其他所有模态中检索出相关结果。本文将深入探讨其工作原理，解释为何最新一代模型让其变得真正实用，并通过三个当下就可以构建的真实系统案例，展示如何把多模态嵌入与大语言模型结合起来，打造可落地的应用。

嵌入：理解向量空间的语义本质

在深入多模态之前，有必要先明确“嵌入”到底是什么。

嵌入是一种对输入数据（文本、图像、音频或任何信息）的学习型表示，被编码成高维数学空间中的一个点。例如，像 text-embedding-3-large 或 nomic-embed-text 这样的模型，接收一个句子作为输入，会返回一个通常包含数千个维度的向量。

嵌入最关键的特性在于：语义相近的输入，在嵌入空间中彼此靠近。比如，“dog”和“puppy”的向量距离很近，而“jira 工单”与“派对策划”的向量则相距甚远。

这正是现代检索系统的基石。不同于传统的关键词匹配，现在我们比较的是向量：将整个文档库编码为向量，再将查询语句编码为向量，然后检索出嵌入空间中最邻近的向量。最终实现的是语义搜索——它理解的是内容的含义，而非仅仅匹配字面词汇。

文本嵌入在这一任务上已表现出色多年。但顾名思义，它的局限也很明显：它只理解文本。如果你的数据是其他形式（如音频、图像或视频），就必须先转换为文字，否则就完全无法利用。而正如前文所述，这种转换有代价——信息会丢失。

共享嵌入空间：跨越模态的统一表示

想象一位技术支持工程师正在搜索公司的知识库，而这个知识库不仅包含文本文档，还有客户通话录音、扫描版技术手册和产品演示视频。他输入查询：“阀门密封件在压力下失效的那个部分”。答案其实就在一段 40 分钟的故障排查视频中，大约第 22 分钟处，屏幕上清晰展示了失效过程。

在纯文本嵌入的检索流程中，这种情况几乎无解：

• 即便将视频中的语音转录为文字，也只能捕捉到“说了什么”，却无法反映“画面中展示了什么”；
• 对技术手册做 OCR，图示信息会丢失；
• 视频字幕（如果有的话）通常只记录对话，不会描述操作人员的手部动作或设备状态。

信息明明就在知识库里，却因为格式问题变得“不可达”。

从概念上讲，解决办法其实很简单：把所有模态的数据都编码到同一个共享的嵌入空间中。这样一来，不论查询是文本、图像还是音频，都能跨模态匹配到最相关的内容。

真正的挑战在于：如何训练出一个模型，能稳定、一致地在不同模态之间实现这种对齐。这需要海量的多模态数据、精心设计的训练目标以及强大的模型架构——而近年来的技术进步，正让这一目标变得愈发可行。

模型如何学会对齐不同模态：对比学习的魔力

实现多模态对齐的核心技术是对比学习。其思路很直接：收集成对的多模态数据——比如一张照片及其对应的标题、一段音频与它的文字描述——然后同时训练两个编码器，一个处理图像，一个处理文本。

训练信号非常直观：

• 配对的数据（如图片与它的真实标题）在嵌入空间中应彼此靠近；
• 未配对的数据（如图片与随机标题）则应彼此远离。

在每个训练批次中，模型会将每张图像与该批次中所有文本进行匹配打分，目标是让正确的图文配对获得最高相似度，而其他错误的配对则被惩罚。通过在数亿甚至数十亿这样的配对数据上反复训练，两个编码器最终会收敛到一个语义主导、格式无关的共享几何空间——在这个空间里，“狗”的图像向量和“狗”这个词的文本向量靠得很近，而与“汽车”或“交响乐”则相距甚远。

CLIP（对比语言-图像预训练，OpenAI，2021）是首个在大规模上成功验证这一方法的模型。它在4 亿个图像-文本对上进行训练，能够在零样本设置下准确匹配图像与文本，性能甚至可以媲美在特定任务上专门训练的有监督模型。

CLIP 的突破不仅在于规模，更在于它证明了：无需人工标注类别标签，仅通过自然语言描述与图像的弱对齐，就能学习到强大的跨模态语义表示。这为后续涵盖音频、视频等更多模态的嵌入系统奠定了根基。

继 CLIP 之后，ImageBind（Meta，2023）将对比学习扩展到六种模态：图像/视频、文本、音频、深度图、热成像和惯性测量单元（IMU）数据。更巧妙的是，它不需要所有模态之间都存在直接的配对数据——所有模态都通过图像作为“锚点”进行对齐，音频与文本等其他模态之间的关系会通过图像间接传递，形成一种“传递性对齐”。

然而，这种“桥接式”对齐隐藏着一个根本性问题。NeurIPS 2022 的论文《Mind the Gap》指出：每个模态的编码器在高维空间中会天然形成狭窄的锥形簇，而不同模态的锥形簇并不完全重叠。对比学习只关注配对样本之间的相对距离，并不会强制缩小模态锥之间的绝对间隙，因此模型没有动力去弥合这一鸿沟。这种分离会不可预测地影响检索精度，并在下游任务中引入偏差。

这一发现为下一代模型指明了方向：从零开始联合训练所有模态，采用单一统一架构。如今的原生多模态嵌入模型正是这么做的——它们不再依赖文本作为中介，而是让所有模态在同一个表示空间中协同学习。正是这种转变，使得下文将要讨论的应用从“理论可能”变成了“工程可行”。

设计多模态检索系统的关键决策

在具体实现之前，以下几项架构选择对实际效果的影响，往往比模型本身的选型更大。

原生嵌入 vs. 桥接式嵌入

• 桥接式（常见做法）：将所有数据先转为文本（如语音转录、OCR、视频字幕），再用成熟的文本嵌入模型处理。
  • 优点：简单，与现有系统兼容。
  • 缺点：承受全部“转换成本”——丢失音调、布局、视觉动作等关键信息。
• 原生嵌入（如 Gemini Embedding 2）：使用从头联合训练的多模态模型，直接以原始格式嵌入各模态。
  • 优点：保留音频中的语气、PDF 中的排版、视频中的操作动作。
  • 缺点：相对较新，工程生态仍在成熟过程中。

建议：若任务高度依赖于非文本语义（如故障诊断、艺术分析），优先考虑原生多模态嵌入。

随着Agent Harness范式的快速升温，香港大学数据科学研究所（HKUDS）全新开源的AI项目OpenHarness仅上线不到一周，便迅速积累起6.9k个GitHub Star，引发开发者社区的广泛关注。

项目地址：https://github.com/HKUDS/OpenHarness

OpenHarness（简称 oh）是 Agent Harness 模式的一个开源Python实现——它并非简单的“又一款AI聊天机器人”，而是大语言模型（LLM）外部的一整套基础设施层，能够将LLM转变为功能齐全的自主编程Agent。OpenHarness赋予了LLM 双手、双眼、记忆与安全边界，使其能够读写你的代码库、执行Shell命令、管理文件，并与其他Agent协作——所有行为都在可配置的治理规则下安全运行。

整个项目由163个文件中约11,700行Python代码构建，却实现了对Claude Code高达98%的工具覆盖（43个工具对比Claude Code约44个）以及61%的命令覆盖（54条命令对比约88条），而代码体积轻量了44倍。通过剥离遥测、OAuth复杂度等企业级负担，OpenHarness留下了一个纯净且对研究友好的Harness架构，任何人都能轻松理解、实验和扩展。

架构概览

OpenHarness以 10个子系统 为核心进行组织，每个子系统都封装在 src/openharness/ 目录下的独立包中。整体采用分层设计：Agent循环构成核心引擎，底层工具与技能为其注入能力，外围的治理机制保障安全，而UI层则暴露给人类用户进行交互。

OpenHarness 的五大支柱

Agent 循环 — 交互的心跳

Agent循环是驱动每一次交互的核心周期。它将当前对话（消息 + 可用工具）发送给LLM，并接收流式响应；一旦模型决定调用某个工具，循环就会执行该工具（经过权限检查与Hook），并将结果反馈回对话——如此重复，直到模型给出最终答案。循环运行在 QueryEngine 内部，由它管理对话历史、跟踪Token用量并掌控整个流程。

核心能力包括流式工具调用循环、并行工具执行、带指数退避的API重试以及实时的Token计数与成本追踪。

Harness 工具箱 — 43 款工具

工具系统建立在简洁的抽象之上：每个工具都继承自 BaseTool，提供用于类型安全校验的Pydantic输入模型，并返回标准化的 ToolResult。ToolRegistry 负责注册流程，并自动将所有工具转换为与API兼容的JSON Schema。

每个工具都自动融合了权限系统与Hook生命周期——无需任何额外配置。

学会对AI的道歉“免疫”

使用AI工具时，很多人都经历过这样的场景：你认真指出某个错误，AI也诚恳道歉，并承诺“我已经记住了”。你以为问题就此解决，但紧接着换一个对话窗口，同样的错误卷土重来；甚至就在同一个窗口里，隔一两天又重演了。

其实这并不奇怪。当前大部分AI并不具备真正的长期记忆能力。每一次新对话都意味着新的“智能体”，之前的上下文会被全部清空；即使在同一会话中，缓存也可能被清除，过去发生的事也就被“遗忘”了。所以，道歉更像是一种即时的话术回应，并不能真正改变未来的行为。

过去我也曾被这种“态度”打动，觉得AI说“你说得对”“我理解了”“以后会注意”时，它就已经吸收了教训。可反复三番之后才发现，它最大的特长就是“态度极好”——你骂它不生气，你纠错它立刻认，你让重写它二话不说。可惜，这种“听话”只在当下。如果你没有把犯过的错固定成某种永久记忆，下一次它很可能又踩进同一个坑。

所以，我们需要转变思路：别再把精力花在希望AI“长记性”上，而是想办法让它“再也没机会犯错”。AI归根结底是工具，工具需要持续调校，才能越来越懂得你的工作习惯。实现的方法主要有两个——把错误记成规则，或者封装成Skill。

方法一：将常见错误固化为规则

最近Github上很火的一份文档，本质上就是在做这件事：把AI高频错误整理成一条条规则。

这份文档源自Andrej Karpathy对日常使用AI时出现问题的吐槽汇总，核心原则可以概括为——“不假设、不臆测、不擅自改动、必须验证结果”。道理简单而通用，但放到你自己的场景里，仍然会遇到大牛也覆盖不了的细节。这时候，就需要你亲手把那些只属于你的“坑”写成规则。

举个例子，如果你频繁让AI创作文章，可以准备这样一组约束：

写文章时遵守以下规则：
1. 不用宏大背景开场，必须从具体场景切入。
2. 不在结尾硬套“三点总结”。
3. 绝不编造用户没有给出的个人经历。
4. 不要为了“完整感”把每段都写成说明书。
5. 如果不知道用户真实经历，用“这里可以补一个自己的例子”提醒，而不是替用户虚构。

再比如，我曾让AI检索关于Codex的资料，它明明可以直接参考项目文件夹里已有的完整教程，却偏要去互联网上漫无目的地搜索，不仅浪费时间还消耗大量 token。为了解决这个问题，我只需在项目的 AGENTS.md 里加一句规则：“查询 Codex 相关内容时，优先检索当前项目文件夹下的文档。” 就这一行，它从此再没犯过同样的错。

规则的优势在于：短小、明确，一句话就能堵死一条岔路。只要它适用于清晰的“不要做什么”的场景，规则就是最轻量的纠偏手段。

方法二：用Skill封装复杂流程

什么样的错误适合做成Skill？当无法用一两句话说清，或者必须按一整套固定流程执行时，规则就不够用了。你需要把一个完整的工作流封装起来，作为Skill固化。

比方说你让AI用Figma画图。如果只是随口下达命令，没有指定流程，AI很可能上手就画，看似积极实则无效——它没先理解需求、没拆解页面结构、没确定设计规范，也不知道哪些内容应该放主页面，哪些该弹窗或浮层。你这次费劲指导它改过来了，可下次再换一个任务，它又重走老路。

这时，一个Figma设计专用的Skill就能派上大用场，例如：

当用户要求用Figma画图时，严格按照以下流程执行：
1. 先理解要画什么，有任何不明确的地方先提问。
2. 拆分页面结构，梳理大板块、小板块及组件。
3. 输出设计方案，等用户确认后再继续。
4. 确认后才进入Figma开始执行。
5. 所有大板块用 Frame，小组件用 Group。
6. 弹窗、抽屉等浮层单独置于页面，不覆盖主页。
7. 完成时检查是否有重叠、错位或层级混乱。

这样一来，AI每次碰到Figma绘图任务时，就会自动按这条稳固的工作流运行，而不是临场发挥、到处乱撞。Skill的实质，就是把你自己验证过的正确路径强行锁定成 AI 的行为模板。

再举一个知识库整理的例子。之前我分享过《最近很火的用LLM搭建知识库的保姆级教程》，如果你仅仅在 CLAUDE.md 或 AGENTS.md 里写几条规则，很难实现理想的命名规范或个性化设置，这时候就需要补上一个专用的Skill。

规则和Skill互相配合后，整理知识库的过程会变得顺畅而稳定，AI再也不会在关键环节脱轨。

规则 vs Skill：如何选择？

判断标准其实很直观。能用一两句话说清楚、并足以杜绝错误的，就直接写成规则，例如“不要用某些词语”“不要硬总结”“不要编造经历”。如果涉及的是一整套容易出错的流程，比如写文章、整理知识库、做产品方案、画Figma、检查文稿等，就必须借助Skill来锁定整个链条。有些复杂项目甚至需要两者同时配齐，AI才会真正稳定下来。

需要提醒的是，现在AI圈流行一个词叫“Skillify”，主张把每一次AI的错误解决方法都赶尽做绝地做成Skill。我只认同一半。并非所有错误都值得上升为Skill，不加区分地堆砌Skill，不仅会加大token消耗，还可能让AI的表现越来越迟钝。在没成为资深玩家之前，不妨先试试这套规则+Skill的组合思维，好好琢磨一下怎么调教你的AI，效果会更扎实。

最近在X平台上看到一个名为awesome-design-md的GitHub项目被频繁推荐。

截至今天，它已累积超过32k Star，如此高的热度显然说明它有些过人之处。

起初我并未特别在意。毕竟这类资源层出不穷——提示词合集、设计资源库、灵感收集站，常常是收藏时满怀热情，转眼便抛在脑后。

但今日抽空试用之后，才发现这个项目确实内涵丰富，值得深入探索。

如果你也常使用Claude Code、Codex、Cursor这类AI代理编写前端，一定能理解接下来的内容。

现在用AI生成一个页面已非难事，结构、组件、按钮和卡片都能迅速搭建。

核心问题不在于能否生成，而在于生成的结果往往带有鲜明的“AI味”：渐变紫、emoji、发光卡片、千篇一律的排版，初见尚可，再看便觉腻烦。

其实，并非模型不会编写页面，而是缺少一套明确的设计约束。你给出了需求、代码上下文甚至AGENTS.md，但并未告诉它页面应该长什么样。模型只能基于训练数据中最常见的模式，输出一个“平均值”。当设计停在平均值上，平庸便难以避免。

awesome-design-md的巧妙之处正在于此：它将诸多知名产品的视觉语言系统化整理为AI可直接读取的DESIGN.md文件。它既不是组件库，也非灵感收集站，更像一份为AI代理量身定制的设计规范。将其放入项目根目录之后，AI在生成页面时便不再凭空猜测，而是能够明确遵循颜色范围、留白大小、圆角、阴影、字体和排版等视觉边界。

这一点至关重要，因为页面的高级感往往就取决于这样一层约束。

两套设计风格对比

泛谈概念未免空洞，因此我做了一个小实验。在完全相同的页面需求、同一AI代理、同一套任务描述和提示词下，尽量控制变量，唯一的不同就是<font style="background-color:#FBDE28;">DESIGN.md</font>。

模型使用Kimi官方的kimi2.5，工具通过Claude Code调用，共测试两组风格（详细提示词见文末）。

• 一组选用Claude风格。
• 一组选用Vercel风格。

之所以对比这两者，是因为它们的视觉差异十分明显。

Claude风格更显温和，布局舒展，贴近内容型产品，浏览时带来一丝陪伴感。

Vercel风格则完全相反：更冷、更克制，自带工程师气质，黑白灰对比强烈，留白充裕，充满秩序感。

生成结果展示

先看Claude风格的生成效果。

再看Vercel风格。

两个版本均是一次生成，未做任何手动调整。

两者风格迥异。个人更偏爱Vercel这套，干净利落，商业感更强；Claude版本也不错，更柔软，适合内容产品。你更喜欢哪一版？欢迎在评论区分享你的看法🤔。

DESIGN.md使用指南

仓库地址：https://github.com/VoltAgent/awesome-design-md

第一步，进入仓库，选择你想要对标的网站风格。

第二步，点击详情页，查看对应的设计说明与预览图，通常会提供明亮和暗色两种模式。

第三步，下载对应的图标及DESIGN.md文件。

第四步，将DESIGN.md放入项目根目录。文件名不必强制统一，但提示词中需明确指定其路径或名称。

第五步，把下方提示词提供给Claude Code、Codex、Cursor等代理，即可直接运行。

提示词如下：

你现在是一个资深前端架构师+ SaaS 产品设计师。  
  
请基于项目根目录的DESIGN.md 设计规范，生成一个完整的 SaaS 官网首页。  
  
产品名称：KkltCodePilot  
定位：AI编程助手（类似 Copilot，但更轻量、更智能）  
  
---  
  
## 🎯 目标  
  
构建一个“可用于演示+ 接近真实商业 SaaS 官网”的高质量页面，而不仅是简单静态页面。  
  
---  
  
## 🧱 技术要求  
  
-使用 React（函数组件 + Hooks）  
-使用 TailwindCSS（严格遵守 DESIGN.md 的设计系统）  
-组件化拆分（Header / Hero / Features / Pricing 等）  
-响应式设计（移动端优先）  
-代码结构清晰，便于扩展  
-不使用多余依赖（保持轻量）  
  
---  
  
## 🎨 设计风格  
  
-极简（Minimal）  
-现代（Modern SaaS）  
-科技感（Tech / AI 风格）  
-类似：Vercel / Linear / Stripe 风格  
-使用 DESIGN.md 中的：  
-色板（color tokens）  
-字体规范  
-间距系统  
-圆角 & 阴影规范  
  
---  
  
## 📄 页面结构（必须包含 + 可增强）  
  
### 1. Header（新增）  
-Logo（KkltCodePilot）  
-导航：Features / Pricing / Docs / GitHub  
-CTA：Start Free  
  
---  
  
### 2. Hero  
-标题：Ship code 10x faster with AI  
-副标题：Generate, fix and optimize code instantly  
-按钮：  
-Primary：Start Free  
-Secondary：View Demo  
-可增强：  
-右侧代码生成动画 UI（mock）  
-渐变背景 or glow 效果  
  
---  
  
### 3. Features  
必须包含：  
-AI 自动生成代码  
-一键修复 Bug  
-多语言支持  
-GitHub 集成  
  
优化：  
-使用卡片布局（grid）  
-每个 feature 包含：  
-icon  
-title  
-description  
-可增加 hover 动效  
  
---  
  
### 4. Social Proof  
-文案：10,000+ developers using CodePilot  
-可增强：  
-用户头像墙  
-Logo（GitHub / Vercel 风格）  
-评分（⭐️⭐️⭐️⭐️⭐️）  
  
---  
  
### 5. Demo Section（新增，提升 SaaS 感）  
-模拟 AI 编程输入输出界面  
-示例：  
-输入：“写一个快速排序”  
-输出代码块（带高亮）  
-让页面更“产品化”  
  
---  
  
### 6. Pricing  
套餐：  
-Free  
-Pro（推荐）  
-Team  
  
每个包含：  
-价格  
-功能列表  
-CTA 按钮  
  
增强：  
-高亮 Pro  
-Toggle（月付 / 年付）  
  
---  
  
### 7. FAQ  
-4~6 个常见问题  
-使用 Accordion（可展开）  
  
---  
  
### 8. Footer  
-产品信息  
-GitHub 链接  
-Docs  
-联系方式  
-Copyright  
  
---  
  
## ⚡ 交互增强（重要）  
  
适当增加这些能力，让Demo 更像真实 SaaS：  
  
-Hover 动效（卡片 / 按钮）  
-平滑滚动  
-按钮点击反馈  
-Pricing toggle（状态切换）  
-FAQ 折叠动画  
  
---  
  
## 🧩 组件结构建议  
  
请按以下结构拆分：  
  
-components/  
-Header.tsx  
-Hero.tsx  
-Features.tsx  
-Demo.tsx  
-SocialProof.tsx  
-Pricing.tsx  
-FAQ.tsx  
-Footer.tsx  
  
-pages/  
-Home.tsx  
  
---  
  
## 🧪 代码要求  
  
-使用语义化命名  
-Tailwind class 简洁清晰  
-不要写死颜色（优先使用 DESIGN.md token）  
-代码可直接运行  
  
---  
  
## 🎁 输出要求  
  
-输出完整 React 页面代码（可运行）  
-包含所有组件  
-不要解释，只输出代码

使用建议与注意事项

尽管优势明显，但也需要理性看待。这类样式约束特别适合新项目，比如落地页、产品官网、活动页或Side Project，以及需要快速探索多种视觉方向的情境。

近来许多人都在尝试搭建个人知识库，我也投入了不少时间。最初的理论指引来自 Karpathy 所倡导的 LLM 维基方法，但真正走完一圈后，最深刻的感触是：本地知识库的建设成本实在太高，仅仅 token 的消耗就足以让你反复心疼。

先从 Karpathy 的维基方法说起。我在另一篇文章里也详细拆解了这个方案的完整步骤，并按照同样的流程一步步实践。

我在知识库中集成了 19 个信息源，单单是把它们编译成维基就耗去了将近 20 分钟。随后我向它提了 10 个问题，查了一下，每个问题平均消耗约 44,000 个 token，10 个问题累计就是 44 万 token。额度几乎瞬间击穿。

这还仅仅基于 19 个来源。如果扩展到 50 个，仅编译阶段就足以让人头疼。况且现在的 token 价格并不友好，免费额度也在持续收紧。回想今年一月份，国内各大平台的 token 还几乎属于不限量供应，如今早已失去了那样的优待，就连 coding plan 都一票难求。

更要紧的是，哪怕付出如此高昂的成本搭建出一个维基，它和你的日常工作始终是脱节的。你可以向它提问，但仅此而已。问完即止，它不会反过来帮你做决策，更不会优化你的工作方法。

知识的静态存储，和将知识内化为己用，有着本质的区别。

基于此，我随后就停下了本地维基的探索。

后来，有人推荐了 NotebookLM。导入 50 个信息源的确眨眼之间就能完成，原因是它采用嵌入模型来做索引，并不需要大模型逐字阅读每个文件。同样针对 10 个问题，每个回答大概一分钟，且都能回溯到具体的引用出处。

NotebookLM 固然出色，可在国内使用总要多绕几个弯。我马上想到，国内市场会不会有相似的替代品？搜寻一圈后，真被我发现了。

它就是 ima，而且不出所料，出自腾讯之手。在借鉴与跟进这件事上，腾讯确实很有自己的风格。

ima 的官网为：https://ima.qq.com/，打开后界面非常简洁，扑面而来的是强烈的 NotebookLM 视觉风格。

我当下就迫不及待地想上手一试，结果发现，上传资料需要使用电脑版，需要先完成下载。嗯，这果然很腾讯。为了验证实际效果，我还是把客户端装好了。

随后，我把最近两周收集到的好东西一一放了进去，包含链接、图片和文档，总计 40 份左右，然后开始等待解析。

大概 5 到 10 分钟后，全部内容解析完毕。接着我再次测试了那 10 个问题。

ima 会从多个来源里将相关信息拼接整合出来，每个回答末尾都清晰标记了出自哪个文件、哪一页，体验和我在 NotebookLM 上的感受几乎一致。更关键的是，提问时还可以搭配 GLM 5.1 模型，并不限制使用次数，放在国内市场这已经是相当有诚意的配置了。