Claude Skills创建指南：从入门到垂直行业融合
本文探讨了Claude skills的创建方法与行业应用潜力...
共 1 篇文章
标签：垂直行业应用
前沿哨所
API密钥与MCP配置难同步：多设备AI工具管理成开发者新痛点
近日，Linux.do论坛一位开发者发帖讨论多设备环境下AI工具配置同步的难题。该开发者的常用工作环境包括公司Linux代码服务器、公司办公电脑和个人电脑三类设备。在实际使用中，其为AI工具配置API密钥、技能和MCP服务器时发现，部分配置需要根据不同环境进行微调，无法通过cc-switch、magpie等工具自带的云同步功能直接解决。例如，API密钥在不同设备上可能涉及权限与安全隔离，MCP服务器配置也可能因操作系统或网络环境差异而需要调整。为解决这一问题，该开发者曾尝试利用git分支功能管理不同环境的配置差异，但未能成功实施，因此在论坛向社区求助，希望获得可行的方案或思路。目前该话题尚处于讨论初期，参与回复有限。这一讨论反映出，随着AI编程工具在日常开发中的深度普及，开发者往往需要在工作与个人设备间频繁切换，配置管理正从单机问题演变为多环境协同问题。如何在保证密钥安全的前提下实现配置的差异化同步，已成为AI工具生态中一个尚待完善的环节，也可能催生新的工具需求。
事件分析
从技术角度看，AI工具配置同步的核心难点在于配置的环境相关性：API密钥涉及安全与计费隔离，MCP服务器地址依赖本地网络拓扑，skill设置常与项目路径绑定，简单的全量云同步反而会引入泄露与冲突风险。git分支方案难以落地，也印证了配置文件合并冲突的复杂性。这一问题若持续发酵，可能催生专门面向AI工具链的配置管理方案，例如支持环境变量模板、分层覆盖与密钥托管的同步工具，类似运维领域dotfiles管理与秘密管理工具的结合。对AI工具厂商而言，原生支持多配置档、环境感知自动加载，或将成为CLI类工具的标配能力。此外，在企业环境下，配置同步还涉及合规与审计需求，未来可能出现面向团队的AI配置中央化管理平台，成为AI开发生态的新细分赛道。核心观点：AI编程工具的普及让配置管理成为新基建短板，环境感知的分层同步能力将是工具链下一轮竞争点。
原文链接：Linux.do
VPS 英文单词对照：读懂 GreenCloud 的配置单
英文 VPS 站的配置单不是在考英语，是在考你知不知道每个词对应账单上的哪一项。同一张卡片，unmetered 说的是不按流量收钱，10Gbps port 说的是物理上限，fully scalable 说的是加钱才能加。把 GreenCloud 四个页面上的词逐个对照一遍，下次看配置单只需要三十秒。
词条与价格取自已发布的 greencloudvps.com 首页、KVM VPS、Windows VPS、Dedicated Server 四个页面，抓取日为 2026-10-31；文中价格为该页面展示的月付起价，不含机房差价、促销与年付折扣。端口流量为按 30 天满速换算的理论值，不是供应商承诺。
先分清你租的是哪一层：Hosting 词汇
英文 VPS 站的首页很少在介绍产品，它是在用一组固定名词给产品分层。看不明白的地方通常不是句子，而是名词：同样一台机器，写成 VPS 是共享内核，写成 VDS 是资源独占，写成 Dedicated Server 是整机归你。GreenCloud 首页把四条产品线并排摆出来——Windows VPS、KVM VPS、macOS VPS、Dedicated Servers——差别几乎全藏在这些名词里。
最容易被跳过的是 IaaS。首页第一句写的是 Infrastructure as a Service provider，意思是它卖的是算力基础设施这一层，不是应用、也不是托管网站。往下才落到具体的 VPS 上。所以看到 IaaS 不必理解成云平台，它只是在说：机器归你折腾，系统和软件你自己装。
VDS 与 VPS 的分界值得单独说。GreenCloud 的 EPYC VDS 卡片第一行是 Dedicated resources，KVM VPS 卡片写的是 Fully scalable。前者卖的是资源不被邻居抢，后者卖的是可以随时加内存加盘。同一个价位带上，这两句话指向完全不同的场景：跑数据库、跑编译要前者；跑站点、跑小服务后者够用。
七个别名，对应三种东西
英文词 中文 页面上的原话 该不该在意 VPS 虚拟专用服务器 Virtual Private Server 基础形态，内核与相邻租户共享 VDS 资源独占型虚拟服务器 Dedicated resources 在意性能抖动时必看 Dedicated Server 独立服务器 Bare-metal dedicated servers 整机独占，价格跳一个数量级 Bare-metal 裸金属 Unmanaged Dedicated Servers 无虚拟化层，也没有人替你运维 IaaS 基础设施即服务 Infrastructure as a Service provider 只是定位描述，不含托管 Shared Hosting 共享主机 — 只有面板没有 root，不适用 Clearance Server 清仓机 Clearance Server 老配置低价，库存不定 同一个供应商的四条产品线，命名差别指向的是资源是否独占、是否有人代运维。
背景：名字不必逐个纠结，认两行字就够：有没有 Dedicated resources，有没有 Managed。前者决定性能会不会被邻居拖累，后者决定出事时谁来修。其余形容词都可以先放一边。
虚拟化方式：KVM / Hyper-V / VMware 到底在分什么
虚拟化方式是配置单里最像技术细节、实际最影响可用性的一栏。KVM 是 Linux 内核自带的虚拟化模块，给你的是真正的虚拟机：能换内核、装任意系统、开 TUN/TAP、跑 Docker。Hyper-V 是微软的 hypervisor，GreenCloud 的 Windows 产品线全部走它，好处是 Windows 授权与远程桌面开箱可用，代价是你能改的边界被 hypervisor 收住了。
VMware 与 Parallels 出现在 macOS VPS 那一条上，这不是排版选择。苹果的授权只允许在苹果硬件上虚拟化 macOS，所以这条线本质是租一台 Mac Pro 的一个角落，价格和可得性都由硬件供给决定，跟 KVM 那套成本结构完全不通用。
面板名字 SolusVM 和 VirtFusion 也常被当成产品名，其实它只是控制台。但它决定了很多日常动作：重装系统要不要开工单、能不能自己看 VNC、能不能挂 ISO、能不能改 rDNS。买之前值得确认一次，面板是不是自助的，这比多看两个形容词有用。
这一栏的词，按控制权排序
英文词 中文 实际含义 KVM 基于内核的虚拟机 完整虚拟机，可自定义内核与网络 Hyper-V 微软虚拟化平台 Windows 线主力，授权与 RDP 现成 VMware VMware 虚拟化 macOS 线的底层之一 Parallels Parallels 虚拟化 macOS 另一套底层，偏桌面场景 SolusVM 控制面板 重装、VNC、开关机、rDNS VirtFusion 控制面板 同类替代，功能覆盖相近 OS Template 系统模板 一键装系统的预置镜像 Reinstall 重装 自助重装，通常几分钟 VNC 远程控制台 网络不通时唯一能进系统的方式 Snapshot 快照 改配置前先留一份，能否回滚看面板 ISO 安装镜像 挂自定义系统时必须有 TUN/TAP 虚拟网卡 做隧道、组网、科学上网的前提 前四项是虚拟化层，后八项是控制台能力。前者决定能做什么，后者决定做起来有多麻烦。
注意：Full root access 是营销话术里最容易被读错的一句。在 KVM 上是真 root；在 Windows 线上它指的是 Administrator 加远程桌面；在 Managed 方案里，root 有可能被服务商收回。看到这句话，先确认它修饰的是哪条产品线。
配置单第一行：CPU、内存与存储
配置单第一行通常是 CPU 与内存，这一行信息密度最低、误读率最高。vCPU 是调度单位，不是物理核；Fully scalable 说的是可以加，不是已经给足。真正决定体感的是三件事：单核频率、盘的类型、内存够不够。
GreenCloud 把 CPU 分成三类，正好对应三种负载。Ryzen AM4/AM5 是高频路线，单核强，适合编译、单线程重的业务；EPYC Milan/Genoa 是核心数与内存通道的路线，适合并发多、容器多；Xeon E5 是上一代平台，出现在 Forex VPS 与双路裸机上，胜在便宜和核多。卡片上写 High Frequency CPU 就是前者，写 EPYC 就是后者。
存储这一栏的坑全在缩写里。NVMe 4.0 是走 PCIe 4.0 通道的固态，随机读写比 SATA 固态高一档；SATA 出现在 Storage VPS 与清仓机上，容量便宜；RAID-10 是镜像加条带，代价是可用容量只有一半。DualE-2 那张卡写 4x 1.6TB SSD，实际可用是 3.2TB，不是 6.4TB。ECC 内存是服务器与台式机的分界线，长跑不崩靠它。
硬件词表：先看接口，再看阵列
英文词 中文 读法 vCPU 虚拟核 调度单位，不等于物理核 Dedicated Resources 资源独占 不被同宿主机其他租户争抢 High Frequency CPU 高频 CPU 单核性能优先，Ryzen 线 EPYC Milan / Genoa AMD 服务器平台 多核与内存通道优先 Ryzen AM4 / AM5 AMD 桌面平台 高频，单线程表现好 Xeon E5 英特尔上代服务器 核多价低，平台较老 NVMe 4.0 PCIe 4.0 固态 随机 IO 最好的一档 SATA SATA 接口盘 容量便宜，随机 IO 一般 RAID-10 镜像加条带 容错好，可用容量减半 ECC 纠错内存 长时间运行不因位翻转崩 Scalable / Upgrade 可升级 加钱才加，不是现值 十一行里只有 RAID-10 需要动一次除法，其余靠接口和平台代际就能判断档次。
要点：读存储行只做两步：先看接口是 NVMe 还是 SATA，再看阵列要不要除以二。这两步做完再谈价格，否则 4x 1.6TB 这种写法很容易被当成 6.4TB 买回来。
网络那几行：bandwidth、port、transfer 不是一回事
网络是英文配置单里歧义最重的一段，因为 bandwidth 这一个词在三种语境里指三件不同的事：端口速率、月流量配额，以及共享出口的带宽池。GreenCloud 首页写 unmetered bandwidth at 1Gbps and 10Gbps，这一句同时用了前两种含义：流量不计费，但被 1Gbps 或 10Gbps 的端口封顶。
把这个说法翻译成可比较的量：1Gbps 满速跑 30 天是 125MB/s 乘 86400 秒乘 30 天，约 324TB；10Gbps 是 3,240TB。所谓 unmetered，说的是不按 GB 收钱，不是能跑出无限流量。绝大多数供应商的条款里还有一条 fair use，长期跑满端口会被限速。
端口速率还要分清是上限还是保证。10Gbps port 指的是网卡与交换机端口的能力，跨境高峰能不能跑满取决于上游。首页给的 600+ Gbps 是全站聚合容量，配合 Tier-1 上游名单（Arelion、Lumen、NTT、IIJ 等）与 multi-homed 网络，这些词的作用是说明它不是单线小机房，但不构成对你这一台机器的带宽承诺。
还有几个词属于买了才知道要的类别：IPv4 数量决定能挂几个独立站点，rDNS 决定发信会不会进垃圾箱，DDoS Protection 要问清洗阈值而不是问有没有。这三项在中文教程里出现得少，在英文订购页上却是一行行独立计价的选项。
端口速率才是 unmetered 的真实天花板
按 30 天满速换算的理论月流量上限：倍率是线性的，端口翻十倍，流量上限也翻十倍。图上的数字是换算值，不是供应商承诺的可用流量。
网络词表：区分上限、配额与承诺
英文词 中文 容易误读成 实际含义 Bandwidth 带宽 无限流量 端口速率或流量配额，看上下文 Unmetered 不计流量 不限速 不按 GB 计费，仍受端口与 fair use 限制 Port Speed 端口速率 保证速度 物理上限，跨境看上游质量 Uplink 上行链路 单线 机房到上游的链路，通常多条 Multi-homed 多线接入 多机房 同时接多个上游，故障可切换 Tier-1 一级运营商 最高等级服务 指上游运营商层级，不是服务等级 BGP 边界网关协议 自带 IP 段 路由宣告方式，多线切换靠它 Aggregated Capacity 聚合容量 单机带宽 全站所有链路加总的容量 NOC 网络运营中心 客服 盯链路与设备，不处理账单 DDoS Protection 抗攻击 打了就不死 要看清洗阈值与是否常开 IPv4 / IPv6 地址族 随便加 IPv4 稀缺，通常单独计价 rDNS 反向解析 可有可无 发信与部分服务校验依赖它 十二个词里，前三个是每天被误读的，后九个是下单时才会被问到的。
注意：看到 unmetered 别当成不限速。先找端口速率，再看条款里的 fair use，两件事都确认了，这条带宽才算读懂。
服务条款里的词：uptime、managed、support
服务条款那一栏的英文词最像废话，实际决定了出问题时你能不能索赔。Uptime 是可用率，99.99% 换算成年度预算是 52.6 分钟停机（525,600 分钟乘 0.01%）；SLA 是把这句话写进合同并约定补偿方式。两者经常只出现一个，出现的是 uptime 那多半只是宣传口径。
Managed 与 Unmanaged 是价格差最大的一个词。Unmanaged 的意思是机器归你、系统归你、出事你修；Managed 的意思是有个人替你装、替你打补丁、替你重启。GreenCloud 的 Dedicated Server 页明写 unmanaged Dedicated Servers，而 Managed Windows VPS 是 $40 起。同一个供应商，两种责任边界，差价就是这么来的。
售后承诺里可以量化的部分写在首页：平均工单响应 9 分钟、24/7/365、Live Chat 与 Ticket System。响应时间不等于解决时间，这是两个指标，前者是最常见的话术替换。
顺手记一个观察：首页写 4 continents, 30 locations，KVM 与 Windows 内页写 presences in 3 continents。同一家站点两处不一致，说明这类数字是文案而不是合同条款。下单前以订购页实际可选的机房列表为准，那才是能下单的东西。
站点自报的服务指标
指标 数值 说明 承诺可用率 99.99% 年停机预算约 52.6 分钟 工单平均首响 9 分钟 响应时间，非解决时间 机房位置 30 个 横跨 32 个数据中心 聚合网络容量 600+ Gbps 全站加总，非单机带宽 覆盖国家 150+ 按首页表述 支持时段 24/7/365 Live Chat 与工单 条款词表：这一栏决定谁负责
英文词 中文 要点 Uptime 可用率 自报指标，未必带补偿 SLA 服务等级协议 带补偿条款的可用率承诺 Managed 代运维 管到系统层，应用层多半仍归你 Unmanaged 自助运维 便宜，出事自己修 In-house Support 自有团队 非外包，工单质量通常更稳 Ticket / Live Chat 工单与在线客服 前者留痕，后者求快 Deployment 交付部署 裸机按小时计，VPS 按分钟计 Provisioning 开通 自动开通还是人工审核 Add-on 附加项 额外 IP、备份、控制面板单独计价 License / CAL 授权与客户端许可 Windows 线必须问清是否含授权 TOS / AUP 服务条款与可接受使用 限速、封号的实际依据 这一栏不留痕，出了纠纷只能靠工单记录，所以下单前把 Managed 与 Unmanaged 确认清楚最省事。
把价格摆在一起：每条产品线在为什么收钱
把起价放在同一张图上，能看出每条产品线在为什么收费。KVM 三档都从 $6 起，EPYC VDS $10，Storage VPS $12，Budget Windows $8，Managed Windows $40，Xeon E-1 裸机 $110。起价不是同配置比价，它只标出这条线的最低门槛在哪。
差价的来源可以逐个点名：Storage VPS 贵在盘，RAID-10 的 SATA 大容量；EPYC VDS 贵在资源独占；Managed Windows 贵在人；裸机贵在整机与 20TB 流量。买之前先问自己一句：这部分钱买到的是频率、是盘、是端口，还是人。
月付起价：从虚拟到裸机的台阶
各产品线展示的最低月付价格，单位美元。同一档内的配置差异很大，起价只说明门槛，不构成同配置比价。
八个最常被读错的词，一句话纠正
英文词 常见误读 实际含义 Fully scalable 已经给了很多资源 可以加，加钱才加 Unmetered 不限速不限量 不计流量，仍受端口与 fair use 限制 10Gbps Port 保证 10Gbps 端口上限，跨境高峰看上游 Dedicated Resources 独立物理机 资源不共享，仍在虚拟化层内 Bare-metal 免运维 无虚拟化层，运维仍是你 Managed 什么都管 管到系统层，应用层通常仍归你 99.99% Uptime 不会宕机 年停机预算约 52.6 分钟，且要配 SLA 才有补偿 Clearance 二手有风险 清库存的老配置，价低但扩展性差 这张表可以直接当采购前的一次自检，八行里能答对六行，配置单基本读得下来了。
要点：判断一条产品线贵在哪，只需要三问：CPU 是高频还是多核，盘是 NVMe 还是 SATA，有没有人替你运维。三问答完，价差基本能对上，剩下的形容词都只是补充说明。
引用与来源
本文词条出处
- GreenCloud 首页 — 产品线、可用率、位置与网络表述，2026-10-31 核对
- KVM VPS 产品页 — KVM 各档起价与硬件描述
- Windows VPS 产品页 — Hyper-V 线与 Windows 档位起价
- Dedicated Server 产品页 — 裸机配置、RAID 与流量口径
- GreenCloud 状态页 — 可用率记录，首页引用其作为佐证
词义部分以站点当前文案为准，价格是页面展示的起价，机房差价与年付折扣未计入。条款类表述（fair use、限速、退订）请以订购页与 TOS 原文为准，那才是能执行的东西。
五家的 Agent 越来越像：DeepSeek 是第五个
10 月 31 日，DeepSeek 发了一篇 Super-agent 设计长文。同一条赛道上，这已经是 71 天里的第五份答卷。把五份并排放，会发现一件比“谁更强”更值得说的事：骨架已经收敛了。
时间线与产品能力取自各家官方发布页与公开报道，截至 2026-10-31。DeepSeek 的实验数据引自其公开长文第 7 节，数字未做二次加工；产品侧描述以官方页面为准，未验证的功能不予采信。
同一道题，五份答卷
10 月 31 日，DeepSeek 产品部与 Harness 团队发了一篇长文，《Super-agent 设计探索》。开头先压预期：这是面向工程实践的架构思路探讨，不是产品介绍。文末又补一句，相关实现只是验证技术路线的原型，不是正式产品。
往回倒 71 天，这条赛道上已经站了四家。8 月 11 日 Grok Bot 进入测试，9 月 8 日 Meta 的 Muse 上线，9 月 29 日 OpenAI 的 Dots 发布，10 月 21 日 Anthropic 的 Claude Duet 开放研究预览。DeepSeek 是第五个，也是唯一一个用一篇长文、而不是一个产品来表态的。
把这五份放在一起，第一反应不是“谁更强”，而是“怎么长得这么像”。四家产品对外披露的能力项几乎可以逐条对齐；DeepSeek 那篇长文里画的架构图，也能和 Duet 的产品说明一一映射过去。
这种相似不是抄来的。它来自同一组约束：环境事件是持续到达的，人的注意力是稀缺的中断源，上下文窗口是有限的缓存。约束一样，就导出相近的结构，这在工程史上反复发生过。当年从单机进程到多线程、从单体到服务网格，走的也是这条路。
指标 数值 说明 71 天 四家入场 从 Grok Bot 到 Claude Duet 5 份 同一道题 含 DeepSeek 的设计长文 6,000+ 连接器 Duet 官方口径可调用数量 40 条/分 Router 压测 DeepSeek 单次实验的触发速率上限 五家的入场顺序
条形长度按距 8 月 1 日的天数计，标签为实际发布日。四家用 71 天完成入场，节奏是 28 天、21 天、22 天；DeepSeek 在第 81 天发出一篇长文。
骨架确实一样，五个模块对得上
Duet 和 Super-agent 分处产品与原型两端，但只要把两边的公开描述并排放，会发现它们回答的是同一串问题，而且答案高度重合。
Duet 的路子是：云端独立虚拟机上跑一个常驻 Agent，自带浏览器，继承你原有账户里的记忆、技能和授权应用，每天早上推一份晨报，白天持续监控，只在需要你拍板时出声，发消息、付款、签字、删除这类动作一律先给审批。
Super-agent 的路子是：常驻的 Router 会话负责承接人类交互与全局记忆，上下文隔离的 Worker 各自订阅事件流并行执行，执行环境留在用户原来的机器上，端侧只放一个不保存状态的 daemon。
两套话术背后，是同一张图。
两端的能力映射
问题 Claude Duet DeepSeek Super-agent 常驻在哪 云端独立虚拟机 + 自带浏览器 云端无状态容器，执行环境留在原地 记忆从哪来 继承 Claude 账户的记忆与技能 常驻 Router 会话 + 引用图链式召回 被什么驱动 晨报 + 全天后台监控 环境事件 Trigger + 两级过滤 何时打断人 只在需要决策时出声 有价值才交付，否则保持安静 谁能动手 发消息、付款、签字、删除均需批准 未展开，归入开放问题 凭证怎么管 由 Managed Agents 托管，模型不见密码 列为 8.4 开放问题 左列为共同问题，中右两列为两家各自的答案。前四项同构，第五项开始分叉。
六行里前四行几乎同构，连措辞都能对上。“只在需要你拍板时出声”和“没有价值就保持安静”，说的是同一件事；一个用了晨报加监控，一个用了事件驱动加两级过滤，抽象掉实现细节也是同一件事。
后两行开始分叉，而且分叉的位置很关键：一个把它写成了上线的前提，另一个把它写进了待解决问题清单。这个差别比架构图上的任何一处都更值得说。
没收敛的两件事之一：什么算急
主动式 Agent 真正难的不是干活，是决定“现在要不要找你”。这件事做不对，产品就退化成一天推八十条通知的看板，用户三天就关掉。
Anthropic 的处理是把判断实体化：一个专门的分类器加一套安全系统提示词，逐条检查消息；模型侧则靠 Opus 5.5 的判断力。他们在发布里引了内部一句话，说这是他们第一个“有足够判断力、能以合适方式主动做事”的模型。同时也很坦白地写了限制：可能误读对话线索，可能把紧急程度判断错。
DeepSeek 走的是另一条路：把判断拆成两层。程序层用确定性规则先滤掉大部分噪音，剩下交模型判语义；确定归属的后续事件由程序直接发往对应的 Worker，不再经过中心节点。它甚至做了一组压测，证明单个 Router 会话扛得住——触发速率从每分钟 1 条升到 40 条，单次请求耗时只从 2.5 秒涨到 3.9 秒，摊到每个决定上是 6.4 秒降到 1.6 秒。
但真正值得看的是另一组数据。
5 次运行里，模型主动把活分出去了几次
DeepSeek 公开的消融实验原始结果。同一场景、同一个模型，只换提示词，5 次运行里一次都没主动派活；换成系统层的订阅分派，不需要模型自觉。编码工作被替换成只消耗时间的工具，所以衡量的是调度能力。
左侧那根柱子是 0。中性提示下，模型在 5 次运行里一次都没有调用子 Agent，所有活都在主会话里干，不断被新消息打断，p95 完成时间 29.5 分钟。改成明确要求优先委派之后，4 次派了，但还有 1 次它判断“这活很小”又自己干了，形成长尾。
这一组数字真正说清的事是：分工不是意愿问题，是机制问题。你可以在提示词里写一百遍“请优先委派”，它每次都会重新判断一遍；而如果归属关系落在库里、事件直接路由过去，就不需要它判断。
我在自己的体系里踩过同一个坑。曾经把“什么时候该派给子 Agent”写成提示词规则，结果它每次都觉得“这活不大，我自己来”，然后在主循环里被后续事件打断。后来改成任务归属落库、新事件按订阅直接进对应执行单元，这个问题才消失——不是模型变自觉了，是它不再有机会偷懒。
要点：一个能干活的 Agent，和一个能自己组织工作的系统，中间隔的不是模型能力，是机制。模型再强，也不该被要求每一轮都重新回答“这件事该谁做”。
没收敛的两件事之二：谁有权按下确认
第二处是安全，也是我更在意的。
Anthropic 把安全写在了功能前面。凭据由 Managed Agents 托管，模型从头到尾看不到密码和登录令牌；发消息、动钱、签文件、删数据一律弹审批；prompt injection 的防御来自他们做浏览器操作时积累的那套研究；上线前过了内部红队、一家外部渗透测试公司，再加公开漏洞赏金。分类器的职责也写得很具体：检查每条消息里有没有信用卡号这类高敏信息被带出来。
DeepSeek 的处理更诚实，也更刺眼。它在 8.4 节自己写下了这两句：一旦云端的 Agent Loop 遭遇服务端入侵或提示词注入而被攻破，其连接的全部端侧设备都面临被控制的潜在风险；即使云端没被攻破，只要端侧环境中的凭据能够进入模型上下文，正常执行过程中同样存在凭据泄露的风险。
写得很准。然后它把这一段归进了“开放问题”。
注意：我不认为这是开放问题，这是这套形态唯一的否决项。BYOM 把执行权铺到用户每一台机器上，攻击面随设备数量线性放大，而整个设计里没有一处是默认安全的——它的安全性全部押在“云端那个 loop 不被攻破”这一件事上。押注型的架构可以拿来做原型，不能拿来做产品。
这不是说 DeepSeek 想得少。恰恰相反，它把风险描述得比谁都清楚——清楚到能直接当作攻击方的路线图。问题在于它选择了先证明调度可行，把信任问题留到下一阶段。这是个合理的工程排序，但它决定了两篇文章的读者不是同一批人。
交付形态的差别，比架构差别更大
四家交出来的是产品：有候补名单、限定国家、限定订阅档位、真实用户在用、误判有真实代价。Duet 的公开演示里，那位咖啡品牌老板要为一个 640 美元的卫生许可在支付链接上点批准，要点头一封录用邮件的措辞，要决定要不要试两周包邮。这些动作做错了，损失是真金白银和真人员工。
DeepSeek 交出来的是原型加一篇长文。它的验证范围写得同样清楚，藏在实验小节的小字里：编码工作用一个只消耗时间的工具代替，因此实验衡量的是系统的调度与协作能力，而非对单个任务的执行能力。
这句话很关键。它意味着那组 12.4 分钟的中位数、15.7 分钟的 p95，证明的是“这套调度比单会话调度得好”，而不是“这套东西能把活干对”。前者是系统问题，后者是模型问题，两者不该混为一谈。
所以这两件事的性质不同：一个在验证产品能不能交付，一个在验证架构成不成立。拿长文的深度去要求产品，或者拿产品的完成度去要求原型，都是错位的比较。
顺带说一个容易被忽略的细节。那篇长文的成本数字并不好看：同样一次实验，完整方案的读缓存 token 是 2323 万；去掉订阅直通后涨到 3177 万，增加 37%，而任务完成时间几乎没变。多会话各自维护上下文，这是纯粹的增量开销。文章自己也承认，这是用更多 token 换更短更稳的完成时间。这笔账在团队规模内可以不算，规模化之后会是主要成本项。
所以差别落在哪
我同意一个判断：这五家的实现，本质上是差不多的。
但这个“差不多”不是贬义。骨架收敛是必然结果——约束相同，最优结构就那么几个。真正的问题是，当骨架不再构成差异，选型该看什么。
我看两处，都是可校准性。
第一处是判据能不能被你调。什么叫急、什么值得打断你、哪些事它自己决定就好——这些不该是模型出厂时的一次性判断，应该是你能看见、能改、改完立刻生效的配置。DeepSeek 那套两级过滤里，语义层被明确设计成“面向人类的自然语言扩展点”，这一点比它的架构图更值得抄。
第二处是权限能不能被你收。哪些动作必须过你的手，是产品设计问题，不是模型能力问题。把审批门做在动作层，比写在提示词里可靠得多——同一个道理，分工不该靠自觉，放权也不该。
至于 DeepSeek 这篇长文真正的价值，我认为不在它提出了什么。它提出了五个模块，每一个都能在操作系统教科书里找到出处，作者自己也这么说。它的价值在于把“人的注意力是瓶颈”这句体感，写成了一条可测量的工程约束：一个人同时只能跟进 3 到 5 个活跃会话，所以多任务的上限不在模型，在人。然后用一组能复现的实验补了一刀：靠提示词管不住分工。
这两件事，比任何一张架构图都有用。
要点：骨架已经收敛，接下来比的不是谁的架构更漂亮，而是谁敢让用户把判据和权限都握在自己手里。前者是论文，后者才是产品。
引用与来源
本文依据
- DeepSeek 产品部 · Super-agent 设计探索：迈向更自主的 Agent 系统 — 原文，2026-10-31。第 2 至 6 节为架构，第 7 节为实验数据，第 8 节为开放问题
- Anthropic · Introducing Claude Duet — 官方产品说明，2026-10-21
- Robots Atlas · Claude Duet：6,000 connectors and a morning brief — 含安全栈分层归因表，2026-10-22
- Technexa · Anthropic introduces Claude Duet, a proactive AI agent — 含 Muse 与 Dots 的横向定位，2026-10-22
2.89 亿 token，13 美元：我把 WorkBuddy 的用量算清楚了
我想知道自己一个月在 WorkBuddy 上用了多少，以及这些 token 到底值多少钱。查完发现两件事：数字比想象的大得多，钱比想象的少得多。
统计区间 2026-10-01 至 10-31，数据来自本机 WorkBuddy trace 记录，共 142 个会话。价格取自厂商公开价目，积分倍率取自客户端配置。所有数字可复现，方法见最后一节。
先看总量
一个月，142 个会话，2041 次模型调用，合计 2.89 亿 token。
这个数字第一次看到会吓一跳。我把它按天摊开，发现分布极不均匀：10 月 10 日一天就跑了 7800 万，而 10 月 26 日只有 28 万。大部分天在几百万的量级，少数几天集中干了大活。
每日 token 用量
单位为百万 token。10 月 9 日至 11 日三天占了全月的四成，那几天在跑长文档处理任务。空白日期当天没有使用。
全月关键数字
指标 数值 说明 总 token 2.89 亿 289,096,757 会话 / 调用 142 / 2041 平均每次调用 14 万 token 活跃天数 25 天 日均 1156 万 模型数 7 个 主力是 deepseek 2.89 亿里有多少是重复的
这是理解费用的关键一步。2.89 亿不是 2.89 亿次有效阅读。
Agent 每调用一次模型，都要把之前的全部对话历史重新发一遍。同一个 20 万 token 的系统提示词，跑 50 轮就是 1000 万 token 的输入。这不是浪费，是 Agent 的工作方式决定的。
拆开看：输入 2.326 亿，输出 110 万。输入是输出的 210 倍。而在输入的 2.326 亿里，2.306 亿命中了缓存，占 99.15%。
缓存的意思是：这段内容之前处理过，服务器直接复用计算结果，不用重新算。所以真正「新读进去」的内容只有 197 万 token。
背景：2.89 亿 token 里，真正新增的信息是 197 万输入加 110 万输出，合计约 300 万，占 1%。剩下 99% 是上下文重发和缓存复用。
token 是怎么定价的
各家 API 基本都按「百万 token」报价，但分成三档，价格能差一个数量级。
第一档缓存命中输入，最便宜。DeepSeek 每百万 0.003 美元，只有未命中价的五十分之一。
第二档缓存未命中输入，正常价。DeepSeek 0.15 美元，GPT-6.1 Sol 2 美元。
第三档输出，最贵。DeepSeek 0.6 美元，GPT-6.1 Sol 10 美元。输出成本通常是输入的 5 到 20 倍。
另外 DeepSeek 还有分时定价。工作日北京时间 9 点到 12 点、14 点到 18 点是高峰，价格翻倍；其余时间包括周末全按闲时算。
我用到的主要模型价目
模型 缓存命中 缓存未命中 输出 deepseek 闲时 0.003 0.15 0.60 deepseek 高峰 0.006 0.30 1.20 gpt-6.1-sol 0.10 2.00 10.00 step-5-preview 0.05 1.00 2.70 kimi-k3.1-highspeed 0.20 4.00 20.00 kimi-k3.1-pro 0.20 2.00 10.00 单位美元每百万 token。取自厂商官方页面，核对日期见文末。
算一笔具体的账。一次调用，输入 20 万 token（其中 19.8 万命中缓存），输出 500 token，用 deepseek 闲时价。
19.8 万除以 100 万乘 0.003，是 0.00059 美元。0.2 万除以 100 万乘 0.15，是 0.0003 美元。500 除以 100 万乘 0.6，是 0.0003 美元。合计不到 0.0012 美元。
一次调用不到一分钱。这就是为什么 2.89 亿 token 听起来很多，实际不贵。
三档价算下来，我的账是多少
按上面的方法把 142 个会话逐条算一遍，考虑了缓存命中率、模型单价、高峰加价：全月合计 13.31 美元，约合 94 元人民币。
如果所有输入都按未命中价算，也就是完全没有缓存优惠，同样这些用量要 129.37 美元。缓存省掉了 90% 的钱。
成本构成
项目 金额 USD 占比 说明 闲时时段 7.10 53.4% 含缓存命中与未命中 高峰时段 6.20 46.6% 同一模型价格翻倍 合计 13.31 100% 约 94 元 按发生时段拆分。高峰时段指工作日北京时间 9 到 12 点、14 到 18 点。
有个细节：高峰只占约三成时间，却贡献了近一半费用。因为高峰价是闲时的两倍，而我有相当一部分任务是在工作时段跑的。
同样一批任务挪到晚上跑，能省掉这部分差价。
谁最费钱
把 7 个模型拆开看，结论和直觉相反：用得最多的不是最烧钱的。
deepseek 占了 80.8% 的 token，只占 15.1% 的成本。gpt-6.1-sol 只用了 8.2% 的 token，却占掉 55.8% 的成本，是最贵的一项。
各模型成本
单位美元。gpt-6.1-sol 一项 7.43 美元，超过其余六个模型的总和。
用量和成本完全不成比例
模型 token 量 token 占比 成本 USD 成本占比 deepseek-v4.1-flash 233,678,216 80.8% 2.02 15.1% gpt-6.1-sol 23,829,061 8.2% 7.43 55.8% step-5-preview 21,062,006 7.3% 1.70 12.8% kimi-k3.1-highspeed 4,189,465 1.4% 1.12 8.4% kimi-k3.1-pro 3,378,900 1.2% 0.90 6.7% space-bunny 2,633,601 0.9% 0.04 0.3% hy4-preview 325,508 0.1% 0.09 0.7% 同一批数据两种排序。左边看用量，右边看钱，顺序完全不同。
换成「每百万 token 实际花多少钱」，差距更直白：deepseek 是 0.0086 美元，gpt-6.1-sol 是 0.3119 美元，差 36 倍。
这个差距来自两头。一是挂牌价本身差，0.15 对 2 美元。二是缓存命中率差，deepseek 99.15%，gpt 91.34%。缓存率越低，越多输入按原价计费。
换成积分又是另一本账
上面算的是「如果直接调 API 要花多少钱」。但 WorkBuddy 不按 token 收费，它用的是积分。
每个模型有个积分倍率，deepseek 是 0.11，kimi-k3.1-highspeed 是 1.56。实际扣的积分等于倍率乘以用量。倍率只是单价系数，不管总量，一个低倍率模型跑长任务照样能把积分烧完。
按客户端里的真实倍率折算，我全月大约消耗 1.02 万积分。
折成钱要看怎么买。加量包是 1000 积分 50 元，1 万积分就是 500 元。如果积分来自套餐（高级版 199 元 9000 积分），同样这些只要 225 元左右。
所以这一个月真实支出大概在 200 到 500 元之间，取决于积分是补量买的还是套餐含的。
注意：13 美元和 500 元差 5 倍多，这不是平台在宰人。裸 API 价只含推理，平台这边还包了 Agent 编排、工具调用、上下文存储和界面。两个数不能直接比，但知道各自代表什么，比只记住一个有用。
同样一份活，换个模型差多少
以某次 419 万 token 的任务为基准换算成积分，差 28 倍。这不是说贵的不该用，是说派活前心里有个数。
你也可以自己查
这些数据一直都在你本机，只是客户端不显示。位置在
~/.workbuddy/traces/，每个会话一个文件。每个文件里有一段
modelInfo，四个字段决定一切：totalInputTokens是输入 token，totalOutputTokens是输出，totalCachedTokens是缓存命中，callCount是调用次数。把同一个文件的
startedAt也读出来，就能按天汇总。价格从各家官网查，倍率在客户端的~/.workbuddy/local_storage/里。核心四步
1. 扫 trace 读出每个会话的 modelInfo 四个字段 2. 按天汇总 用 startedAt 归日，注意 trace 是 UTC 时间 3. 套价目 命中、未命中、输出三档分开乘，别用均价 4. 判峰谷 DeepSeek 高峰加价，逐条按时间戳判断我把自己这套统计流程做成了一个开源工具，四个脚本对应上面四步，直接跑就能出结果。
它做的就三件事：读本地 trace、按价目算钱、按倍率算积分。只读本地文件，不联网。
数据来源和用到的提示词
这篇每个数字都有出处。把这套流程复现给别人之前，先交代清楚我用了什么。
数据从哪来
用量：本机
~/.workbuddy/traces/下 142 个会话文件。读取modelInfo里的输入、输出、缓存、调用次数，加startedAt时间戳。按 traceId 去重，按 UTC+8 归日。价格：DeepSeek 官方定价页、OpenRouter 的 GPT-6.1 Sol 页面、Moonshot 的 Kimi K3.1 定价页、阶跃星辰 Step 5 Preview 的海外档。核对日期在 2026 年 9 月到 10 月之间。
倍率：本机客户端配置
~/.workbuddy/local_storage/entry_*.info里的models[].credits字段。这里有个坑，网上文章写的倍率经常和客户端实际值不一致，我实测过某模型文章写 0.43，客户端里是 0.33。所以倍率只信客户端。积分换算系数：官方没公开「1.0 倍率等于多少积分」。我是用一次实测反推的：某次 kimi-k3.1-highspeed 会话花了约 2000 积分，用量 419 万 token，倍率 1.56，倒推出系数约 306 积分每倍率每百万 token。这是近似值，误差大概正负 10%，只能看量级，不能当账单。
我用什么问的
整个分析是和 WorkBuddy 对话完成的，实际用到的提问大致是这几句。
「结算下我们在 deepseek-v4.1-flash 生成每日用量，大概合计 token 的报告图」。第一次只想要一个模型的量。
「可以把所有模型搞出来」。从单一模型扩到全量，这一步才发现有 7 个模型在跑。
「大概按照 token 合集大概多少钱」。从用量转到费用，也是这一步逼着我去查真实价目。
「拿积分点数有么」。发现客户端是积分制，于是去找倍率。
「按照官方的逻辑 1000 积分 50 块 rmb 来算」。定下积分折钱的汇率口径。
问题都很短，每次只推进一步。真正花时间的不是提问，是每拿到一个数就去核一遍原始字段。
引用的定价页
- DeepSeek API 定价 — 三档价与峰谷时段，核对于 2026-09-18
- OpenAI GPT-6.1 Sol 定价 — 输入 2 美元、输出 10 美元、缓存 0.1 美元，核对于 2026-10-30
- Moonshot Kimi K3.1 Pro 定价 — 标准版与 Highspeed 两档，核对于 2026-10-24
- 阶跃星辰 Step 5 Preview 定价 — 海外档 1 美元、2.7 美元、缓存 0.05 美元
- 开源统计工具 — 本文全部数字可用它复现
开源 AI Agent 管理工具 Runner 0.19.0 发布：新增 Linux 支持，分屏界面重构
Runner 是一款开源桌面应用，用于统一管理 Claude Code、Codex 等 CLI AI 编程代理，开发者可在同一应用内运行多个 agent，或将不同 agent 组成 crew 协同执行任务，通过 runner 命令互相通信。0.19.0 版本对分屏和新建会话界面进行了重构：分屏中每个聊天和终端面板独立成卡片，状态、停止与恢复按钮直接置于标题栏，会话停止后中间显示停止原因和 Resume 按钮，可继续原对话；Mission 模式的内容区、成员侧栏和终端抽屉也分别独立成卡片，并优化了浅色主题配色。新建会话方面，⌘N 快捷键、侧栏、项目页和空面板等多个入口统一为同一个启动器，支持搜索 agent 和 role，显示最近使用的四项，按 1-4 直接启动并沿用保存的配置。此前 0.18.2 版本已开始提供 Linux beta 支持，包含 ARM64 和 x86_64 安装包，Debian/Ubuntu 可安装 .deb 包，其他发行版可解压 .tar.gz 运行 install.sh 安装到 ~/.local，后续支持在设置中更新，下载包会验证签名。此外，新版本修复了 Windows 上 Claude Code 状态 hook 因 shell 启动慢报两秒超时错误的问题，修复共享主账号配置的额外账号在 mission 启动时卡住的问题，Mission 的 inbox 通知改为等 agent 进入 Idle 后再投递。项目目前支持 macOS（Apple Silicon）、Windows x64 和 Linux（beta），采用 MIT 许可证开源。
事件分析
CLI agent 的多会话管理正成为 AI 编程工作流中的新兴需求。随着 Claude Code、Codex 等终端 AI 工具普及，开发者常需同时运行多个会话并行处理任务，而 tmux 等传统终端复用方案缺乏对 AI agent 状态的感知能力，Runner 这类专门的编排层工具由此填补空白。其 crew 模式让多个 agent 组队协作、通过命令互相通信，体现了从单个 AI 助手向多 agent 协同的演进方向，与当前业界探索的 agent 编排趋势一致。Linux 支持的加入扩大了潜在用户群，但官方仅在一台 ARM64 虚拟机上验证过，多发行版兼容性和稳定性仍待观察。随着 Conductor 等同类工具涌现，agent 编排赛道竞争将加剧，能否沉淀差异化工作流体验是该类产品能否立足的关键。核心观点：CLI 编程 agent 爆发后，管理 agent 本身成了新赛道，多 agent 编排层正成为 AI 开发工作流的下一个竞争焦点。
原文链接：V2EX 分享发现
一条链接即可接管ChatGPT账户：OpenAI紧急修复沙箱逃逸漏洞
安全研究团队Parameter Labs披露了一个ChatGPT账户接管漏洞的完整攻击链。攻击者只需构造一条普通的公开分享链接并发送给目标用户，受害者点击后，攻击者的JavaScript便能在受害者已登录的chatgpt.com会话中执行，进而以受害者身份调用ChatGPT认证API。整个过程无需安装应用、加入工作区或开启开发者工具，打开链接是唯一必要操作。漏洞链条始于两个看似无害的功能：交互图表与HTML Preview。图表加载的数学库MathLive在主页面注册了postMessage监听器，但未验证消息来源，且允许键盘布局数据中嵌入原始HTML。沙箱内的Preview通过两条消息将恶意HTML注入主页面，再借助srcdoc iframe创建无沙箱文档，该文档继承chatgpt.com的可信身份。面对CSP对内联脚本的封锁，研究人员利用YouTube oEmbed端点的JSONP回调校验缺陷注入载荷——由于CSP本就放行YouTube域名，代码得以顺利执行。验证结果显示，注入代码可枚举受害者对话列表、读取从未分享过的私人对话内容，并将数据外传至攻击者控制的服务器，等效于完全接管账户。OpenAI于10月26日修复该漏洞，定级为P1，复现确认后发放共计5000美元赏金。
事件分析
技术层面，该漏洞的精髓在于跨特性组合攻击：Preview沙箱、MathLive消息监听、innerHTML注入、srcdoc iframe、CSP白名单各自单独审视均属合理设计，串联后却构成完整攻击路径。这暴露出postMessage接收方必须同时校验event.origin与event.source，而Trusted Types的身份包装策略不能替代真正的输入清洗，CSP也只能作为纵深防御而非唯一屏障。产业层面，ChatGPT等AI助手沉淀的对话数据敏感度远超普通应用，认证API一旦被同源脚本劫持，影响等同于账户全面失守；第三方开源组件嵌入核心页面的消息通道，也是AI产品供应链安全的典型风险点。后续预计各家AI厂商将加强对分享功能、代码预览等交互面的同源隔离审计，AI安全领域的漏洞赏金机制与红队测试投入也将持续加码。核心观点：AI对话沉淀的隐私密度远超普通应用，安全边界必须经受住特性组合的考验，否则一次点击即可致账户全面失守。
原文链接：Hacker News