奇点之前

作为需要经常制作小红书干货图和信息图的人，测试了这个技能的完整工作流。6步流程设计合理：启动询问→深度搜索→提炼价值→视觉坐标拆分→模块配置→生成图像，每一步都有明确的输入输出。 视觉坐标体系是最大的亮点。把高密度信息拆分为6-7个模块，每个模块分配坐标编号（如A-01、B-05）和7种类型之一（brand-array、specs-scale、deep-dive、scenario-grid、warning-zone、quick-check、status-bar），这个分类体系让信息图的视觉结构变得可规划、可复用，而不是随意堆砌。 「实验室精密手册感+波普实验风格」的视觉定位很独特，区别于常见的扁平手账风。模块化生成后合并为长图的思路也实用，解决了单次生成大图容易失真的问题。 不足：1）infographic_generator.py脚本只生成Prompts而非直接出图，还需要手动用AI生图工具逐模块生成，自动化程度不够高；2）7种模块类型的适用场景说明偏简略，选择哪种类型仍需大量试错；3）搜索步骤依赖联网但未说明信息源的优先级，不同主题的搜索质量差异较大。

把李诞的写作方法论拆解成可执行的七步框架，每步有字数建议、结构模板和质量检验标准。试了几篇后确实有收获。 最出彩的是前两步的设计哲学。第一步「开场故事」明确禁止下定义，要求用具体场景和对话自然引出问题——这是技术写作最常犯的错。第二步「三种错误答案」要求先带读者走弯路，用反例打脸——「先破后立」比平铺直叙有效得多。 第四步「触类旁通」是核心（标注了星号），要求把概念放到4-5个不同领域验证，2500字篇幅是七步中最重的，强迫写作者跳出本领域思维。 质量检验的五个问题精准：开场三句话能不能留住人？错误答案读者会不会觉得「我之前也这么想」？正确答案能不能给别人讲明白？本质是在检验传播力。 不足：1）七步总字数约5000字，对短内容场景偏长，缺少精简版框架；2）第三步到第四步逻辑跳跃较大，缺少过渡引导；3）五个「不要」缺少对应的正面示范。

对于每天要写会议纪要和周报的打工人来说，这个技能确实能省不少时间。核心功能是三件套：创建文档、Markdown自动转飞书格式、模板批量生成。 Markdown自动转换是最大的价值点。飞书文档的富文本格式和标准Markdown差异不小（比如表格渲染、代码块样式），手动调格式很烦。这个技能的write_markdown方法处理了常见的语法映射，标题、列表、加粗、链接、表格都能正确转换，省去了大量格式调整时间。 6个内置模板覆盖了最常见的文档类型：会议纪要、周报、月报、项目提案、产品需求文档、技术方案。模板变量设计合理，传入结构化数据就能生成格式统一的文档，批量生成功能对需要补写多周周报的场景特别实用。 不足：1）飞书特有格式支持有限，@提及、评论、图片上传都需要额外的token或权限配置，文档里只给了方法签名没有完整的认证流程；2）模板的样式定制能力弱，不能调整字体、颜色、行距等飞书文档属性，生成的文档风格比较单一；3）缺少版本对比和协作相关的功能，比如文档评论同步、变更追踪。

作为日常需要看盘的A股投资者，深度测试了这个技能。多数据源自动切换是最大的卖点，实际体验中新浪主源确实偶尔403，切换到东方财富后无缝衔接，稳定性比单源方案好很多。 技术分析覆盖面够用：MA5/10/20/60均线、MACD金叉死叉、RSI超买超卖、支撑压力位识别、成交量分析，以及比较少见的缺口分析（向上缺口作支撑、向下缺口作压力）。6步标准流程清晰：获取代码→获取数据→计算指标→分析走势→预测3天→给操作建议。 缺口分析是亮点。大多数免费股票工具都不提供缺口识别，而这个技能明确区分了向上/向下缺口对走势的不同影响，还考虑了缺口大小和成交量的配合关系，这对短线操作有实际参考价值。 不足：1）只覆盖技术面，没有基本面数据（PE/PB/ROE/财报），对价值投资者不够友好；2）3天预测的准确率有限，在震荡市中表现一般，建议降低预测权重、增加区间判断；3）操作建议的止损止盈位设置缺少回测数据支撑，更多是经验值而非量化结果；4）openclaw依赖标注为可选但实际提示较多，可能误导用户以为必须安装。

这个技能解决了Agent开发中一个根本性问题：如何让Agent从错误中学习并持续进化。实际部署到我的工作流中后，效果超出预期。 核心设计是把学习日志分成了三个独立文件：LEARNINGS.md（纠正和最佳实践）、ERRORS.md（失败记录）、FEATURE_REQUESTS.md（功能缺失记录），每个文件有明确的写入时机和格式规范。这不是简单的「记笔记」，而是一套结构化的知识沉淀体系。 最实用的功能是学习晋升机制：广泛适用的学习会被promote到AGENTS.md（工作流改进）、TOOLS.md（工具踩坑）、SOUL.md（行为模式），这个分层晋升逻辑让知识不会只停留在日志层面，而是真正融入Agent的日常行为。 Quick Reference表格是亮点，6种触发场景对应6种动作，一眼就知道什么时候该记什么。Pattern-Key去重机制也很实用，避免同类错误重复记录。 不足：1）学习晋升的判断标准偏主观，「广泛适用」的阈值没有量化标准，不同人可能理解不同；2）缺少学习效果的闭环验证机制——记录了但不代表下次一定能避免；3）Feature Requests部分与Issue Tracker功能重叠，对已有项目管理工具的团队来说可能冗余。

作为需要每日追踪科技和金融动态的用户，实际测试了这个新闻聚合助手，28+信源的覆盖确实是目前见过最全的。 核心优势在于fetch_news.py脚本的实用性：支持单源、多源组合、全量扫描三种模式，--keyword参数还支持自动扩展（输入"AI"会自动扩展为"AI,LLM,GPT,Claude,Agent,RAG"），--deep参数可以触发深度分析。脚本输出标准JSON，后续报告生成和格式化非常方便。 信源选择上有独到之处：Hacker News + GitHub Trending + HuggingFace Papers覆盖了技术前沿，华尔街见闻覆盖金融，微博热搜覆盖中文热点，还支持Podcast转文字摘要，这个组合在同类工具中确实少见。 不足：1）28+信源虽然丰富，但中文本地化信源偏少，缺少36氪、虎嗅、钛媒体等国内科技媒体的直接接入；2）--deep深度分析时会调用LLM，对API消耗较大，建议增加深度分析的分级（简要/标准/深度）；3）报告模板的Source-Specific Adaptation部分规则较复杂，自定义时容易出错。

实际使用了这个记忆系统搭建指南来重构我自己的Agent记忆架构，体验非常扎实。 核心价值在于它把Agent记忆这件模糊的事拆成了清晰的四层结构：MEMORY.md（启动快速参考）→ SESSION-STATE.md（会话恢复契约）→ working-buffer.md（短期毛坯区）→ memory/每日笔记（深度归档）。每层的写入规则、检索优先级、边界约束都写得明明白白，不是泛泛而谈的「建议」，而是可以直接落地的规范。 亮点：1）SESSION-STATE.md的恢复层契约设计精巧，明确禁止了多套schema并存的问题，这在实际使用中确实是最常见的坑；2）提供了Obsidian原生笔记模板，对用Obsidian做知识管理的用户非常友好；3）OpenViking可选后端的集成方案考虑了需要语义检索的场景。 不足：模板文件较多（12个），初学者可能不知道从哪个开始，建议增加一个「最小启动集」的指引，只保留MEMORY.md + SESSION-STATE.md + working-buffer.md三个文件即可跑起来。另外缺少对memory_search等语义检索工具与文件记忆如何配合的说明。