万星GitHub项目拆解成垂直Agent的方法

AI Agent工具同质化趋势下的破局：360安全龙虾云端版深度体验

Agent工具正在经历一场同质化浪潮。

Skill合集、Agent社区、多Agent协作、云端与本地Agent结合——这四件套几乎成了标配。

坦白说，刚拿到360安全龙虾云端版的时候，我抱着相当谨慎的态度测了一圈：模型缓存、安全配置、云电脑，还有那个和OpenClaw同款的EvoMap Evolver自我进化引擎。每个模块都过了一遍之后，最让我上头的反而是“龙虾教练”——一个能把开源项目或工作流打包成垂直Agent的Agent。

听起来有点抽象？说人话就是：我们现在缺的从来不是Skill。

Skill实际使用率不足20%：问题根源在哪

GitHub上有堆成山的Skill，ClawHub里也塞满了，不少人本地电脑里更是攒了一堆。但实际使用率呢？大概20%左右。这话一点都不夸张，装了superpowers这个项目的朋友不妨回想一下，除了Brainstorming（头脑风暴）之外，其他Skill你主动触发过几次？大多数时候根本想不起来。

这种“大佬觉得好用所以放出来的Skill合集，结果我只好好用了一个”的现象，正在持续加剧。你随便数数就能发现：YC总裁Garry Tan的Office Hour，本质上也是用来头脑风暴的，它来自Agent团队gstack，说明书里写了23位专家，我实际用到的大概只有半个。还有经典的lenny-skills，这名字可能没那么眼熟，看这张图就知道了。

这位作者把自己300多集采访里提炼出的86个产品管理技能，做成了lenny-skills。

这列表每次看都让人眼馋，但结果呢？实际用到的不过一两个。

核心问题就摆在这里：为什么不直接做一个精通某一类技能的Agent出来？用多Agent的方式，遇到同类问题时触发对应的Agent就行，根本不需要刻意记住某个Skill的名字。

龙虾教练：如同GPTs的垂直Agent构建逻辑

龙虾教练的整体构建逻辑，跟当年GPTs的思路挺接近的。

一问一答就走通了。

先把lenny skill的GitHub项目扔给龙虾教练，然后提出需求：我想要一个能随时打断我的产品经理，专门用来弥补技术空白。

除了常规的名字、性格、能力边界之外，这里有个关键区分——龙虾教练会主动问：是要完整复制那86个技能，还是仅仅从中提取思路？还会进一步追问：既然目标是产品经理，那是不是要先了解项目所有进度？于是把自己的GitHub项目也丢给它，让它实时掌握进度。

经过大大小小十轮问答之后，这位“专业团队的专业产品经理张伟”就诞生了。来看看它的内部结构。

切换到对话界面，看龙虾后面的那个后缀，大概能猜出是哪个模型了吧？且用且珍惜。

实战验证：从Roadmap到v0.6版本迭代

为了对比开发过程，把上一版方案发给张伟，让它判断哪些地方值得改进。

它先读了我的Roadmap，然后给出了v0.6版本的北极星目标。

张伟的思路确实跟自己不太一样。

以前习惯用时间轴来组织信息，再通过标题和URL的文本相似度做合并。做出来的版本有打分、信息源和事件合并。

但没想到可以通过时间窗口来合并重复信息，以及用标签化和折叠来降低阅读压力。

通常到了这一步，下一步是把计划分发到一个新的执行Agent去完成。这次安全龙虾在云电脑里塞进了满血版的Claude Code和Codex——纯纯的执行代码工具人。

Dang, Dang, Dang, Dang——

于是AI News Radar的v0.6版本，加上了每个信息源的AI占比和信任打分。

每一条信息都附带具体时间线和来源标签。

按事件去重的逻辑也搞定了。标题虽然有点翻译腔，但胜在不费API。

Claude Code还顺手加上了滑动高亮浮动的特效，优化了加载速度。每日摘要会第一个出现，全量列表前30条轻量错峰入场，需要展开的筛选界面则留到最后。

全程没把自己的思考过程加进去——GPT 5.5，你懂我在说你吧？

动态Skill加载与缓存优化

张伟在执行过程中还能动态加载可用的Skill。

对话缓存也做出来了。同一段对话消耗的积分更少，原理是请求时把固定不变的部分——通常是系统提示语和TOOLS——设为缓存。接下来5分钟内，只要继续请求同一模型且固定内容没变，就不需要重新处理，模型可以直接复用缓存。

云端与本地结合的权限体系

一开始给安全龙虾的定位是“还不错的云端Agent”，但深入研究安全设置后发现，它更像是本地和云端Agent的结合体。

文件、网络、系统操作和技能权限都划分了不同等级，每个权限都可以单独设置是否能访问本地资源，甚至可以细化到限制某个Skill能否访问本地文件。

既能配置成本地的高权限Agent，也能当作一个高性能且有独立工作间的云Agent来使用。

当然，如果前期没有囤下GitHub项目，也可以试试这些现成的“专家虾”。

龙虾教练的价值：即用即开发，降低使用门槛

以前很多Agent产品，普通人一上手往往一脸茫然。让写Prompt，不知道怎么写；让配置工作流，不知道从哪一步开始。比如想训练一只专门做PPT的龙虾，除了Skills，它还应该懂什么？审美得懂吧，排版、追问、字体大小也得懂吧。这些问题如果一开始全让用户自己想清楚，基本上就卡住了。

龙虾教练的价值，恰恰在于发挥了云端Agent“即用即开发”的特点。以前看到好用的Skills工作流，只能发给Agent，让它根据对话通知什么时候用这个Skill，或者把触发条件写进Rules里被动触发。但现在可以直接告诉龙虾教练想做什么，它会反过来提问、拆解需求、补充背景、补充技能，最终把这只专家虾训练出来。

当然，它不是魔法大师。别指望点几个按钮就多出一个完美员工。Agent这东西，越强就越需要用户会给出明确任务、会验收、会调整能力边界。但至少龙虾教练让第一步变得简单了——不用一上来就记住每个Skill的使用步骤，不用强行把自己塞进大佬们的工作流里。

回想一下，同样是用Obsidian做知识管理，llm-wiki、GBrain和Obsidian-Wiki这三个项目，直接让我停摆了一周。因为它们在单个Agent上同时生效，同一个文件可以看到存了三份。而这些Skill又确实好用，想着怎么把四个Skill融合进自己的工作流里。

以前只能慢慢磨，然后淘汰掉一些子Skill。现在呢？把同类Skill丢进一个Agent里，用上一段时间后，这个Agent里每个Skill的使用频率，自然会给出真正的“版本答案”。