AI

AI 100% 接管了我的 NAS 和 K8s 测试集群，我现在只做验收人——研发、测试也在被一起改写 做研发之前，我做过几年测试，留下一个后遗症：对"bug 在哪个环境才能复现"特别敏感。每一份提测我都问"在哪台机器跑过、依赖哪个版本、网络怎么开"——这些后来成了我愿意把环境交给 AI 的原因。 过去这一年让我意外的不是 AI 把活干完了，是两件事： AI 在我家 NAS 和公司 K8s 测试集群里扮演的角色已经是 100% 重要——从识别问题、判断分线点，到自动修复故障，全程不需要我介入； 但最后把关和负责，一定是人——AI 能超越我所有的运维和测试开发经验，但最终签字的那道关、最终负责的那个人，必须是我。 AI 干活，人把关——这是我这一年的核心结论。 说出来你可能不信。我家 NAS 跑 Jellyfin（影视）+ Immich（相册）+ SnapRAID 备份；公司 10 台 R&D 服务器主要是 K8s，加上 KVM/QEMU 虚拟化承载的多台虚拟机。这两套环境里从初始化到日常运维——镜像构建、依赖升级、备份校验、日志巡检、故障自愈、节点维护、虚拟机快照、转码调度、相册索引——全部由 AI 自己识别、自己判断、自己修复。我打开 dashboard 看一眼，只是确认它做对了——而不是我亲手做对。 我不怀念过去那种凌晨三点盯 CI、盯转码、盯 Pod 重启的日子。我感激 AI 把我从这些重复劳动里解放出来，让我的时间和精力真正聚焦在核心业务上——产品方向、架构决策、关键问题 review。省下来的时间，我在设计 Agent 的规则、写 SKILL.md、写 Eval 流水线。我从"亲自动手的人"，变成了"设计 Agent 操作 + 做最后验收的人"。 01｜从"我亲手搭好的"到"我没动它就跑通了" 有一晚我提了一段新代码的 PR，第二天 CI 全部 pass。我没动手——Agent 自己跑完、自己验证。 更早之前一次，我的 NAS 上 Jellyfin 突然多了一个新转码任务——AI 在后台悄悄重新转码了一段新加入的影片。第二天我打开播放器看到画面流畅了，才意识到 AI 在我睡觉的时候把活干完了。 ...

硅谷大厂正在模糊 QA 和研发的边界——AI Agent 推动岗位融合 最近半年我一直在断断续续想一件事：硅谷大厂对工程师的招聘要求、团队的分工方式，这一年里悄悄变了不少。我翻了二十多家公司的招聘数据和工程团队调整的公开信息，最让我意外的，不是 AI 工具变强，而是"QA 和研发"那条线越来越难划清楚。【关键词：#AI 编程 #岗位融合 #职业规划】 这篇文章是我梳理完数据和自己的思考后写下来的笔记，不求全，只求我能讲明白一件事：这件事对我们这些研发岗位意味着什么，以及我自己会怎么调整职业规划。 01｜硅谷正在发生的几件事 我最近看到的几个具体动作： Salesforce 的 CEO Benioff 公开说过，2025 年起不再招新的软件工程师（Times of India 报道）；客服从 9,000 砍到 5,000，把省下来的人力预算换成 1,000–2,000 个卖 AI 产品的销售岗。 Cognition（Devin 母公司） 整个工程团队 15 个人，每人同时带 5 个 Devin 跑任务；2026 年初他们自家代码库 89% 的提交来自 agent（agentmarketcap.ai 报道）。 GitLab 2025 年裁掉 14% 员工、退出 22 个国家（LinkedIn 报道）；研发团队从 30 个重组为 60 个跨职能 pod，把原本独立的 DevSecOps 收编进 agent 工作流。 Anthropic 2025-12 内部研究：60% 的工程师工作有 Claude 参与，27% 的任务原本不会做（Anthropic 研究页）——agent 不只是替代人，还创造了新的工作量。 更让我在意的是组织层面的合并。Skai 砍掉中间管理层、把团队改成跨职能 pod，效率从 7–12% 跳到 500%；HaxiTAG 33 个工程师只配 1 个 team lead；Jahnel Group 4 个人做原本需要 2 倍人力的活，靠 6 个并行 review agent 替代了原本由不同岗位承担的审核分工。 ...

WorkBuddy 专家完全指南：从角色锚定原理，到按目标挑人、正确发任务、避开代价，一篇讲透 封面由 AI 辅助生成；按平台规则发布时保留 AI 生成内容标识。 原文：专家｜WorkBuddy 功能说明 作者：腾讯 WorkBuddy 官方（产品帮助文档） 来源：WorkBuddy 帮助中心，发布日期未查到可靠信息；本文核对于 2026 年 09 月 16 日 我把 WorkBuddy 5.5.2 客户端的专家中心、本机角色卡片、推荐任务和官方帮助文档全部翻了一遍，又把官方"AI 专家团 全场景办公"的设计哲学和自己用通用 LLM 的体感对照过，最终把'为什么 WorkBuddy 要给 AI 指定专家身份 + 怎么挑、怎么用、什么时候别用'这件事拆成一篇讲透。 【关键词：#腾讯WorkBuddy #专家团 #角色锚定 #AI协作】 01｜先把概念掰开：Skill / 专家 / 专家团 的关系 进 WorkBuddy 之前，我建议先把这三个词的关系理清。我自己的理解是：Skill 是一件具体工具；专家是带着方法和工具链的岗位角色；专家团则由多个专家一起做，团长先拆任务、分配工作，最后把成员结果收回来。 任务特征 优先选择 判断例子 缺少一种具体工具能力 Skill 或连接器 读取表格、调用外部服务、生成某种文件 一个岗位可以独立完成 专家 改一篇文案、评审一版 UI、分析一份销售表 两个以上岗位必须接力 专家团 研究→撰写→审稿，或需求→架构→开发→测试 这是看交付链——不是看名字。下面所有判断都从这张表开始。 02｜为什么给 AI 指定身份更靠谱：角色锚定机制 WorkBuddy 给 AI 指定专家身份这件事，不是营销话术，是有底层机制的。我把它翻译成大白话： ...

我用 WorkBuddy 给股票做作业：从看好一只票到心里有底，一份散户能复制的完整 SOP 【关键词：#腾讯 WorkBuddy #股票分析 #散户工具】 原文：[怎么用 workbuddy 分析理财投资的目标公司？完整教程] 作者：猫咪不吃愚（科技从业者 / 程序员 / 运动爱好者 / 业余理财党） 来源：Cindy 会话实录，2026 年 9 月 买股票踩过的最大坑——复盘才发现：连这家公司是干什么的、卖什么产品、赚不赚钱、跟同行比怎么样，全都没搞清楚。那次之后我给自己立了个规矩——任何一只股票在买入之前，必须先做一份"作业 PPT"，看不懂的票不下手。 这篇文章把我用本地版 WorkBuddy（v5.5.2，2026-09-08 发布）给目标公司做作业的完整流程全公开。从"看好一只票"的念头，到"心里有底敢下单"的 PPT，每一步给你拆开讲，你照着做就能给任何一家公司做出一份 18 页的深度调研——总耗时 2 小时出头，比你刷一天雪球帖子有用得多。 01｜先讲结论：WorkBuddy 给股票做作业 PPT 真的有用吗？ 我的回答：有用，但有一个前提——你自己得先有"想搞清楚的问题"。 AI 不是股神，它不能告诉你"这只票会涨还是会跌"，但它能帮你把一家公司从里到外梳理清楚： 这家公司到底是干什么的？卖什么产品？赚谁的钱？ 最近几年赚不赚钱？收入是在涨还是在跌？ 行业里排第几？跟同行比是强还是弱？ 老板和团队靠不靠谱？有没有什么负面新闻？ 现在买入贵不贵？最近为什么涨 / 跌？ 最坏的情况会怎样？万一亏了能承受多少？ WorkBuddy 在这里最合适的角色不是"算命先生"，而是"陪你看资料的助手"——你说要看哪家公司，它帮你把财报、新闻、雪球帖子、年报全整理一遍，最后出一份你看得懂的报告。 我这次跑的完整流程是：选定公司 → 收集资料 → 一句话指令 → AI 出大纲 → 选模板 → 生成 .pptx → 迭代优化 → 自己精修 → 决定是否买入。下面一步步拆给你看。 ...

腾讯 WorkBuddy 我用了一周，从跑数据到写广告：终于搞懂它到底牛在哪、哪些坑别踩 【关键词：#腾讯 WorkBuddy #AI 办公自动化 #专家与连接器】 最近一周我几乎把所有"重复劳动"都丢给了一个叫 WorkBuddy（腾讯出品的桌面 AI 助手）——它是装在 Mac 上的客户端，v5.5.2（2026-09-08 发布），背后挂着腾讯混元 + 一整套"专家/技能/连接器"体系。这篇文章不是软文，是我自己真用了一周之后的复盘：哪些功能是真香、哪些是噱头、数据分析和写广告两个真实任务的完整产出、还有我踩过的坑。你看完整篇文章，至少能省下你"摸索 WorkBuddy 到底能干嘛"的 3 小时。 一、先一句话讲清楚：WorkBuddy 是什么、不是什么 很多人把它当成"国产版 Cursor"或者"另一个 ChatGPT 桌面客户端"，都不太对。我自己的理解是——WorkBuddy 不是聊天工具，它是"AI 员工"：你招进来一群虚拟岗位（专家），给它们配 SOP（技能）和外接系统（连接器），然后让它们 7×24 替你干活。 它做的事可以压缩成一句话：把"AI + 工作流 + 外部数据"打包在一起，让你不用自己造轮子。和 ChatGPT/Claude/Gemini 的纯对话不一样，WorkBuddy 一上来就预设了 12 大领域、100+ 个虚拟专家（产品经理、数据分析师、抖音策略师、HR、法务……），还内置了 50+ 个官方连接器（飞书、企微、腾讯文档、GitHub、自选股、企查查……）。它不是要你"学会 prompt"，而是要你"指挥一群 AI 员工"。 一句话总结：WorkBuddy = 100 个 AI 员工 + 一堆工具 + 自动化调度，本地客户端 + 云端托管，关掉电脑任务也在跑。**** 我一开始也是抱着试试看的心态装的，毕竟腾讯自家出品、又有"AI 全家桶"的背景，但用了一周之后老实说——它不是完美的，有些功能很糙（配图质量、配图审美、长文逻辑偶尔抽风），但它的"自动化 + 真实接外部系统"这个组合拳，确实是当下国产桌面 AI 里最完整的一套。 二、日常办公 8 大功能：这张图我建议你先存下来 我先把 WorkBuddy 能干的活分成 8 大类，这是我自己用了一周摸出来的，不是抄官网： ...

OpenAI 把 Agents API 全部开放了——这是 AI 调度时代的第一声发令枪，我决定这么用 【关键词：#OpenAI Agents #AI 调度 #指数级生产力】 最近 OpenAI 把全新的 Agents API 公测版放出来了——只用一次 API 调用，就能在云端启动一个直接能上生产环境的 AI 智能体。消息刚出来那会儿我正在改一个 bug，看完发布会回放之后，那个 bug 我突然不太想改了——因为这件事比改任何一段代码都更值得我停下来想清楚。我不是被惊艳到了，我是被提醒到了：这件事如果只是当新闻看，那就白看了。 我想先说说我看到的真正信号。 这一波更新里最值钱的，不是 "Agents" 这个词，是它背后那整套「基础设施」。OpenAI 这次一口气放出来的是：长上下文管理、工具调用路由、子智能体协调、代码沙箱、文件读写、状态持久化、checkpoint 回滚——这一整套原本只在 Codex 内部和 ChatGPT 企业版里流转的东西，被原封不动地搬到了普通开发者面前。它等于正式宣布了一件事：造一个能稳定跑几天几夜的生产级智能体，从今天起不再是工程活，而是产品活。 对开发者来说，这个变化不是「又一波 AI 升级」，是底层假设换了——智能体的"长任务、异步、持久化"从 hack 变成了 first-class。这件事如果只是当新闻看，那 6 个月后你回头看，会发现自己错过了这一波最大的「复利」窗口期。 一、OpenAI 这次到底放出了什么，为什么我说它值钱 我反复看了三遍官方博客，重点不是"agent 能干什么"，是"什么样的事情，从今天起不再需要你自己造轮子"。 第一层：长期上下文管理。一个 agent 跑几天几夜，最难的不是它能不能思考，是它能不能在几百万 token 里准确找回自己之前放下的那个细节。以前这件事要么靠你自己做摘要、要么靠模型自己挣扎、要么干脆任务跑到一半崩了重来。现在基础设施层把这个事接走了，开发者第一次不用再为「长任务的记忆」发愁。 第二层：工具调用 + 子智能体调度。一个 agent 不是孤岛，它要调用工具、要拆子任务、要让多个子 agent 协作完成一件事。这个能力以前每个团队都在自己造——造出来的水平参差不齐，bug 多到让人怀疑人生。现在 OpenAI 把 Codex 内部跑了一年多的那一套原样开放，等于定了一个事实标准。你不需要自己发明调度协议，按它的方式接入就行。 第三层：沙箱 + 持久化。一个能跑代码、能读写文件、能保存中间结果的智能体，没有安全沙箱就是定时炸弹。这次更新把这层基建也包进去了，等于告诉所有开发者："你放心让 agent 写代码、跑脚本、写文件，出问题算我的"。 ...

🤖 【具身智能日报】2026-09-10 17:10 📡 新华网：走向实用，具身智能机器人还要闯几关？ （摘要）2026世界机器人大会集中展出373家企业3000余款前沿产品，首发新品311件。宇树科技、智元、傅利叶等企业展示人形机器人快递分拣、煮面打包等作业能力。展台上机器人从"能跑会跳"迈向真实场景作业演示。产业正进入规模化应用关键期。 💡 亮点：由中国兵器工业集团牵头的"中央企业机器人创新联合体"集结48家央企，展示从基础材料到数据底座、智能模型的全链条自主攻关成果。 📡 2026杭州国际人工智能应用与机器人创新博览会 （摘要）博览会今日（9月10日）至12日在杭州国际博览中心举行。杭州已集聚机器人整机及零部件相关企业超200家，2025年具身智能机器人产业集群规上工业总产值达1068.3亿元，四足机器人市场份额超80%，人形机器人市场份额超50%。 💡 亮点：全国首部具身智能机器人领域地方性法规《杭州市促进具身智能机器人产业发展条例》已于2025年12月获批施行。 📡 新华网：两部门联合开展人形机器人与具身智能实景实训专项行动 （摘要）工业和信息化部、国务院国资委印发通知，明确到2026年底人形机器人等重点产品在代表性场景中率先完成应用验证和常态部署，开启"作业模式"。凝练形成百个以上高价值场景。 💡 亮点：专项行动以"以场练机，实训迭代"为方向，依托实景实训体系为产业化铺路。 今日观察：元年已至，三道坎待跨 2026年被行业公认为"具身智能规模化应用元年"。然而数据揭示现实差距：中国人形机器人累计交付约1.5万台，市场规模20余亿元，而传统工业机器人出口额早已突破百亿元。中关村智友研究院院长王田苗指出，产业跨越规模化临界点仍需迈过三道坎： 其一，大脑不够可靠。 99%的任务成功率看似不低，但意味着机器人走出去100次有1次"掉链子"。具身大模型技术路线尚未收敛，暂不具备量产工程化前提。宇树科技创始人王兴兴认为，具身智能的"ChatGPT时刻"——在80%陌生场景中通过自然指令完成80%任务——快则2-3年，慢则5-10年。 其二，身体硬件拖后腿。 在设备自重受限前提下，机器人需同时满足负重、高低温适配、持续工作时长等客户底线性能要求，硬件性能指标难以达标仍是场景落地的核心障碍。 其三，大规模生产不易。 缺乏统一工艺和检测标准，企业难以单纯依靠增加人力提升制造效率，行业尚缺体系保证产品一致性。 商业化路线图初步浮现： 优先切入巡检安防、应急消防等高刚需场景完成商业验证；再拓展至通用工业与商业服务；最后进军家庭市场。京东推出三年产业计划，目标扶持100个具身智能品牌各实现十亿元营收，并启动大规模数据采集项目为技术落地构建数据底座。 来源：新华网、杭州市政府官网 | 时间：2026-09-10

WorkBuddy 一周实测：个人工作和小团队，到底能用它做什么？ 实测环境：macOS，WorkBuddy 5.2.7，连续使用一周。 信息复核：2026 年 9 月 9 日。官方更新日志显示，桌面端最新版本为 5.5.3。本文中的耗时、资源占用和识别效果，都是我在 5.2.7 上的单次或少量测试记录，不代表官方承诺。版本与价格以 WorkBuddy 更新日志 和 腾讯云计费说明 为准。 我把 WorkBuddy 装到 Mac 上时，没打算拿它“颠覆工作”。我只是受够了来回搬东西：飞书里翻聊天记录，复制到文档，再把表格数据塞进 PPT，还要单独写一封邮件。WorkBuddy 和普通聊天工具最不一样的地方，不是它更会说，而是它能在我授权后读文件、跑工具、生成文档，再把结果交到下一个应用里。官方把它叫“全场景职场 AI 智能体桌面工作台”，我用了一周后的说法更土：它像一个坐在我电脑里的执行型实习生。任务说清楚，它能省掉不少机械操作；任务说含糊，它也会一本正经地跑偏。【关键词：#WorkBuddy #AI智能体 #个人效率 #小团队协作】 我最先跑通的是周报。 周一早上，我把一周的会议纪要、零散待办和几份项目文档放进同一个工作区，要求它按“已完成、风险、下周计划”整理，不准碰两个敏感项目。那次三分钟出了初稿，我又花五分钟改人名和优先级。省下来的不是写字时间，而是从十几个窗口里捞信息的烦躁。可我第一次下指令时只写了“帮我整理本周工作”，它把私人备忘也扫进去了。这个翻车让我定下一条规矩：先圈目录，再说任务；先写禁区，再点运行。后来我把个人任务收成五类，效果稳定了不少： 长文档压缩。 我拿一份 80 页产品白皮书，让它输出 300 字摘要、关键参数表和三条待确认问题。普通文本版约 90 秒就完成，够我拿去开内部会。换成扫描 PDF 后，表格和页脚开始串行。原稿里我写过“识别率掉到 60%”，这个数字只来自那一份样本，不该当成产品能力。我的处理办法很简单：先做 OCR，再让它摘要；关键参数回到原页核一遍。 PPT 起稿。 我先给客户类型、演示时长、听众最关心的问题，再让它出 12 页结构和视觉草稿。那次从空白页到可讨论版本，比我自己从零搭快很多。没有客户画像时，它默认按中小企业写，整套方案方向都偏了。AI 能补页面，补不了我没说出口的业务背景。 批量整理邮件。 我让它给 200 封未读邮件做“客户、同事、订阅、待删除”分类，并把涉及付款、合同、交付日期的邮件单独列出。五分钟左右分完，少数客户群发信被扔进订阅类。我没有让它自动删除，也没有让它直接回信。发邮件、删邮件这类动作，我都保留临门一脚的人工确认。 代码和表格杂活。 一份约 200 行的 Python 脚本，它两分钟找出两个真问题，也塞给我五条偏风格的建议。我只修能复现的错误。把客户资料从一个表搬到另一个表时，它能做字段映射，但“公司简称”和“客户名称”猜错过一次。批量写入前先拿五行试跑，比事后清两百行脏数据轻松得多。 公众号初稿。 我给主题、读者、真实案例和禁用词，让它先搭草稿。十分钟能有一版，但“过渡词加升华收尾”的味道还是会冒出来。现在我只让它整理材料和找结构，真正的判断、情绪和具体经历自己写。能交付文件，不等于能替我表达。 小团队场景比个人场景更考验边界。 我和两个同事把它当“团队实习生”用了三天。最顺的一次，是把三份 Word 会议纪要拆成待办，再写进协作表格。我们事先约定四个字段：负责人、截止日期、动作、优先级；没有负责人就标“待认领”，不让它猜。十二分钟后表格能直接发群。最糟的一次，是让它“自行选择合适工具”，它连续调了一串 Skill，任务做完了，积分也掉得肉疼。官方技能文档建议只启用当前任务需要的 Skill，我很认同。Skill 本质上是脚本和工作流，会在授权范围内读写文件、调用第三方服务；部分 Skill 还会把输入发给第三方。别把“装得多”当成“能力强”，闲置 Skill 该关就关。连接器也一样。官方连接器文档列出了邮箱、腾讯文档、腾讯会议、TAPD 等接入场景，飞书、钉钉等也有单独的助理接入指引，但每个连接器能读什么、能写什么，要看实际授权。我的做法是把团队任务拆成下面这条链： ...

Trae、WorkBuddy 和 Agent:搞懂这三者,非程序员也能玩转 AI 我电脑里同时装着 Trae 和 WorkBuddy。一个长得像 VS Code,打开就是一整屏代码;一个长得像微信,打开就是个对话框。同一个"AI 助手"的名号,干的活差着十万八千里。关键词:#workbuddy #trae #agent 而 Agent 是另一回事儿。它不是一个产品,是个概念。你可以把它想成"汽车"这个品类——Trae 和 WorkBuddy 都是车,但一辆是越野车,一辆是家用 SUV。 先说最重要的一句话:Agent 是一个概念,Trae 和 WorkBuddy 是两个产品。 我用个不太恰当但好懂的比喻:Agent 相当于"汽车"这个品类,而 Trae 是"越野车"、WorkBuddy 是"家用 SUV"。都是车,但干不同的活儿。 那 Agent 到底是什么? Agent 直译过来是"智能体"。它和咱们平时聊的 ChatGPT、豆包、文心一言这类聊天机器人(Chatbot)不一样。 聊天机器人,你问一句它答一句,本质是"问答"。 而 Agent 是"干活"。你说"帮我订明天北京到上海的高铁,上午十点左右,二等座",它会自己拆任务、自己查车次、自己下单、自己填地址。整个过程你不用一步一步指挥。 一个能真正干活的 Agent,需要三样东西: 大脑:大模型(比如 DeepSeek、豆包、混元),负责理解和决策; 记忆:能记住你之前说过啥、做过啥,不会聊两句就忘; 工具:能调浏览器、调表格、调你电脑上的软件,这是干活的"手脚"。 缺任何一样,它就只能"陪聊",干不了正事。 那 Trae 和 WorkBuddy 又是啥? 懂了 Agent 是"汽车品类"之后,Trae 和 WorkBuddy 就好理解了——它们都是 Agent 的具体实现,但定位完全不同。 Trae 是字节跳动在 2025 年初推出的 AI 原生 IDE。所谓 IDE,就是程序员写代码用的"大本营"。它底层基于 VS Code,打开就能用,内置了 Claude、GPT、豆包等多个大模型,主打"中文体验最好、对开发者最友好"。 ...

我现在的「AI 工作台」：codex + Cindy + openclaw + kilo 最近被朋友反复问同一个问题：你这四个 AI 工具到底是怎么分工的？codex、Cindy、openclaw、kilo，光听名字确实都像"AI 助手"，凭什么不全用同一个？我自己也花了不少时间才把这套组合理顺。这篇文章只讲一件小事：在我手里，这四个工具分别占住了不同的工作位，缺谁我都会别扭。 我写代码的"主驾"是 codex。这里的"主驾"很具体：跨多文件、需要持续迭代、上下文一旦断了就接不回去的那一类项目。我把 codex 一直挂着，它不像一个"一次性问答工具"，更像一个能跟项目同呼吸的搭档——它看过的文件、改过的 diff、跑过的命令，会变成下一轮决策的依据。规矩只有三条：把 codex 当"项目主驾"而不是"问答工具"，给它持续的事实而不是一次性的提示；用里程碑切会话，长会话里它会慢慢漂移，里程碑一过就 reset，让它从干净的事实开始；看 diff 而不是看回答，它给的"通过"只是参考，最终那一下"合不合"必须人来定。 Cindy 站的是另一个位。她不只是"另一个 AI"，更像是四个工具之间的调度位。一半的时间我在做办公——写周报、整会议纪要、做汇报材料、起草对外的邮件——这摊事她是我的主力。但更让我离不开的，是她无缝衔接 Pi、codex、Claude的能力。我经常是这样跑工作流的：先用 Cindy 把需求讲清楚、列好要点；遇到需要长链路推理的，把上下文接力给 Pi；进入真正的工程实施阶段，再接力给 codex；想换一个视角听反馈或做对照，再回到 Cindy 或转 Claude 跑一遍。整条链路的纪律是：办公是基本盘，周报、会议纪要、对外邮件这一摊她是主力；调度是放大器，她和 Pi / codex / Claude 接力，让上下文在工具之间流动，我不用复制粘贴、不用重新解释背景；接力链路过长是陷阱，两到三跳最舒服，再多，信息的损耗就会显出来，必须切回 Cindy 重整。 再往下是 openclaw。它在我这里干的是"不入主线"的杂活。什么叫杂活？一次性脚本、临时数据清洗、批量改个文件名、跑个不痛不痒的小爬虫、把一段音频转成文字、给一张图换个尺寸、临时翻译一段不要求精度的文字——这些事不会上 GitHub、不会进生产、也不会被任何会议引用，但不做又会卡住主线进度。openclaw 就是这种"轻骑兵"，打开就能用、用完就走。规矩是：任务的边界是"不入主线"，都是它的活；价值在"快"和"不打断心流"，不在"严谨"和"可追溯"，别把它的输出直接当交付物；用完就走，它不占心智位，也不抢主线位。 kilo 的角色最简单：在 VSCode 里用的那个。很多写代码的时间是碎片化的——我在 IDE 里写到一个函数、卡住、想问一下；改到一半想确认某个 API 的用法；review 一段刚写的逻辑想找人挑刺。这时候我不想切窗口、不想开新 tab、不想跳出当前文件，kilo 就在侧栏里直接接住。规矩也很简单：位置在 VSCode 侧栏，随手就能用，不切窗口；任务是碎片化的"边写边问"，卡住的函数、API 用法、刚写完的逻辑想挑刺，kilo 就在手边；不要在 kilo 里跑长链路任务，它的定位是"边写边问"，不是"项目级搭档"，那个位是 codex 的。