⭐ 本周最重大事件：腾讯 WorkBuddy 开放平台 9 月 2 日正式上线。

9 月 2 日，腾讯 WorkBuddy 举办首场生态大会并上线开放平台（open.workbuddy.cn），首批引入 100+ 生态伙伴，9 款联名智能硬件首发，30 余个行业应用同步接入，覆盖金融、法律、医疗、教育、公益等 20 多个领域。面向开发者开放 Skill（技能）/ Expert（专家）/ Connector（连接器） 三大能力。腾讯云副总裁刘毅将其定位为”面向 Agent 时代的操作系统”。

值得注意的是，这是国内 AI Agent 赛道首个同时打通「硬件、应用、开发者」三层生态的开放平台。软件厂商不需要把完整产品搬进来，可以把数据、工具和行业经验拆成 Agent 能调用的能力；硬件厂商（Plaud、Rokid、影石、科大讯飞、安克等）则通过开放接口接进来，成为连接用户与现实世界的通道。

对你的直接影响：如果你打算把某个垂直能力做成 Skill 对外提供，现在有了明确的官方分发渠道和三层开放结构。

另外三项值得单独记一笔：Wind Alice 把「专家 / 技能 / 连接器」拆成三个入口各司其职，朝阳永续把投研流程拆成六个可串联的技能模块，酷狗则代表泛娱乐能力第一次以 Skill 形态进入办公场景。事实上，这三家走的是同一条路——不搬完整产品，只把积累的数据与行业经验拆成 Agent 能调用的能力。

1. Video Agent by Fotor —— 改一个错字不必重跑整条视频

Product Hunt 8/31 日榜 #1
371👍
直接对口：视频生产

一句话定义：用对话创建和编辑精准动态图形与视频，文字、数字、标识、图表在渲染前始终可编辑的多轨时间线。

🔗 https://www.producthunt.com/products/fotor

适用场景

你的 YouTube / 视频号 / 小红书视频生产。过去 AI 视频工具给你一个锁死的 MP4，改一个错别字要重新跑提示词、重烧额度、再祈祷下一版保持一致。这个工具把”抽卡式生成”变成了”工程化制作”。

落地步骤

# 1. 进入 Fotor Video Agent 工作台
open "https://www.fotor.com/video-agent/"

# 2. 本地准备脚本，用 YAML 前置元数据标定「可变数据」
cat > ~/Desktop/brief.md <<'EOF'
---
title: 秋季新品讲解
variables:
  growth_rate: 24.6
  sku_count: 18
---
脚本正文：开场 5 秒钩子 → 痛点 → 数据对比 → 行动号召
EOF

# 3. 粘贴脚本或上传 PDF，让 agent 规划场景、节奏、动效
# 4. 关键一步：在渲染前于多轨时间线上直接改文字/数字/图表
#    （改 growth_rate 只需改文本框，不触发重新生成）
# 5. 导出 1080p / 4K

预期效果

官方测试：一条 90 秒产品视频，过去 3-5 天的工作量现在约 40 分钟完成。更关键的是迭代成本——改一个错字从”重跑整条提示词”变成 30 秒改文本框。对需要频繁改数据的营销视频，这一项比生成速度更值钱。

2. Creatium Coach —— 把”讲一遍”变成”练一遍”

Product Hunt 9/1 日榜 #3
301👍
直接对口：企业内训课

一句话定义：多媒体 AI 教练，用视频、模拟和角色扮演把目标拆成可练习的学习旅程，而非单向课程。

🔗 https://www.producthunt.com/products/creatium

适用场景

直接命中《Generative AI for Business》企业内训课与 ToC 课程的形态问题。录播课学员听完就完了，而教练形态会围绕具体目标发问、生成练习路径，再让学员把真实场景放进角色扮演。企业培训场景中，”练一遍”的留存远高于”看一遍”。

落地步骤

# 1. 打开平台
open "https://creatium.com"

# 2. 选一个能力目标（示例）
#    "向管理层讲清楚一笔 AI 投入的产出测算"

# 3. 完成教练首轮提问 → 生成练习路径
#    （官方示例为 29 个 objectives 的进度结构）

# 4. 把一个真实业务场景塞进去做角色扮演
#    例：你扮演讲师，AI 扮演持怀疑态度的财务总监

# 5. 把跑通的练习片段导出，作为课程作业模板复用

预期效果

企业一对一教练市场价约 800-2000 元/小时，这类工具把单价压到月度订阅。课程完课率方面，纯录播课行业普遍在 15-30%，带练习与模拟的课程可做到 50% 以上（该数字为行业经验区间，建议用你自己的课程做一次 A/B 验证）。

3. Radar by Particle —— 13 万个播客终于可搜索了

Product Hunt 8/31
142👍
直接对口：播客渠道 + 内容素材

一句话定义：播客搜索引擎，覆盖 13 万+ 正在转写的播客、每天约 2 万集新节目，提供 API 与 MCP 接入。

🔗 https://www.producthunt.com/products/radar-by-particle

适用场景

你此前做过 6 期播客，一直在考虑以轻量方式重启。播客里藏着大量有深度的对话，但过去几乎无法检索。例如你想知道”企业内训落地难”这个话题近一个月被哪些节目聊过、各方观点是什么，此前只能靠人工逐个平台翻。

然而有了可检索的播客库之后，这件事变成一次查询。这个工具把”数百万小时音频”变成可搜索文本，同时提供 API/MCP——意味着可以直接接进你的自动化管线，做选题发现与反方观点收集。

落地步骤

# 1. 网页端先试搜
open "https://www.producthunt.com/products/radar-by-particle"

# 2. 接 MCP 到 Claude Code / Cursor（让 Agent 直接搜播客）
claude mcp add radar --transport http https://api.particle.news/mcp

# 3. 用 API 批量拉某话题近 30 天片段
curl -s -X POST https://api.particle.news/v1/search \
  -H "Authorization: Bearer $PARTICLE_KEY" \
  -H "Content-Type: application/json" \
  -d '{"q":"AI agent enterprise training","days":30,"limit":20}' \
  | jq -r '.results[] | "\(.show) | \(.published_at) | \(.text[0:200])"'

预期效果

一期播客的选题调研从 2-3 小时（逐个平台翻）压到 15 分钟以内。可检索体量 13 万+ 播客 vs 人工能覆盖的 20-30 个，这是量级差异而非效率差异。另外，其 MCP 接口可以让”本周该聊什么”变成自动化日报的一个字段。

4. StackScope —— 比官方发布提前 14.5 天知道谁要上线

Product Hunt 8/31
118👍
对口：竞品调研 / 客户线索

一句话定义：监测网站技术栈变化，自建库收录 220 万+ 网站、4 万+ 种技术，提供 MCP 服务器。

🔗 https://www.producthunt.com/products/stackscope

适用场景

想知道某个赛道里哪些公司刚上了 Shopify、Stripe 或 Next.js，以及它们上线的那一周。官方称大部分网站是自己从公共基础设施信号里发现的（而非用户提交），因此能在公司正式发布前平均 14.5 天拿到信号。这个提前量对做 ToB 线索或竞品动向监测很有价值。

落地步骤

# 1. 免费浏览先摸底
open "https://stackscope.com"

# 2. 付费版提供 MCP 服务器，接进 Claude / ChatGPT / Cursor
claude mcp add stackscope --transport http https://api.stackscope.com/mcp

# 3. 或直接导出 CSV 做批量分析
curl -s "https://api.stackscope.com/v1/export?tech=shopify&days=7" \
  -H "Authorization: Bearer $STACKSCOPE_KEY" \
  -o ~/Desktop/leads.csv

预期效果

免费浏览已开放，付费才解锁 Stackdar 警报、API 访问、含公开联系方式的大批量导出与 MCP。核心指标是那个 14.5 天的提前量——如果你的业务依赖”抢在别人之前联系上”，这个时间差就是全部价值。

5. iPolloWork —— 9 月 2 日发布的开源 OPC 协作平台

9/2 北京发布 · 开源 AI Work OS
国产
直接对口：一人公司（OPC）

一句话定义：面向一人公司（OPC）与小型创新团队的开源 AI Work OS，采用”左侧对话协作、右侧成果工作台”，主张”可变成果协议”。

🔗 发布报道：iPollo·2026 全球 OPC 开源协作大会

适用场景

这个工具与你的 OPC 一人公司方向高度重合。它的核心主张是：当模型和 Agent 普遍具备执行能力，下一阶段的核心不再只是让 AI 完成单项任务，而是如何编排、监督并持续进化一支 AI 团队。用户提出目标后，平台组织多个 AI 角色并行完成研究、写作、分析与执行，把结果沉淀为代码、文档、演示、网站、设计、视频等可继续编辑的成果，人全程负责目标、判断、审阅与授权。

其中”可变成果协议”值得单独关注：让关键变量可追踪、可局部修改，并在不同成果间保持一致——这意味着 AI 交付从”重新生成”走向”精准修改”。

落地步骤

# 1. 关注 iPollo 官方开源仓库（开源社区已在快速验证）
open "https://github.com/ipollo"

# 2. 按仓库 README 本地起服务
git clone https://github.com/ipollo/ipollowork.git && cd ipollowork
docker compose up -d

# 3. 在开放的 Harness 接入层挂上你已有的资产：
#    - 模型（自托管 / API）
#    - 已有 Agent
#    - 自定义 Skills
#    - MCP 服务与专业工具

预期效果

省下的主要不是生成时间，而是反复重跑的 token。当你能只改成果里的一个变量而不是重跑整条流程，长任务的总成本会显著下降。建议先观望一两周看社区反馈与仓库活跃度，再决定是否投入迁移成本。

6. sepia —— 77+ 条规则的”去 AI 味”写作技能

GitHub Trending 本周新仓库
1.6k⭐
强烈对口：去AI化文风

一句话定义：给 Agent Skills 兼容的 Agent 用的”De-AI”写作技能，内置 77+ 条规则，专治千篇一律的 AI 腔。

🔗 https://github.com/Nanako0129/sepia

适用场景

“去 AI 化文风：具体数据 + 场景化表达，拒绝空洞套话”是你一贯的内容标准。过去这件事靠人工逐句挑，或者靠零散的提示词。sepia 把它做成了一个可安装、可复用的技能包——77+ 条规则覆盖词汇、句式、节奏等层面。

落地步骤

# 1. 装进 Claude Code 的 skills 目录
cd ~/.claude/skills
git clone https://github.com/Nanako0129/sepia.git

# 2. 直接调用
#    在对话中输入：/sepia 把这段草稿改得不像 AI 写的

# 3. 或配置为钩子，对所有输出自动生效
#    （见仓库 README 的 hooks 配置段）

预期效果

一篇 2000 字公众号稿，人工逐句挑”赋能 / 革命性 / 值得注意的是”这类高频 AI 词约需 20 分钟，交给规则包一遍过约 1 分钟。更重要的是规则可版本化——你可以按自己的偏好增删规则，沉淀成团队统一标准。

7. taste-skill —— 让 AI 生成的界面不再”一看就是 AI 生成的”

GitHub Trending 本周
43k⭐（本周 +8.7k）
对口：HTML 报告 / 站点视觉

一句话定义：专为 AI Agent 设计的前端技能集，用于生成高质量 UI，而非千篇一律的样板界面。

🔗 https://github.com/Leonxlnx/taste-skill

适用场景

你每周要产出 HTML 报告，还要维护 draft.justpeng.com 书稿站与 monitor.justpeng.com 监测站。AI 生成的页面有个通病：紫蓝渐变、大圆角、无层次。taste-skill 把”审美”变成可读的约束条件（配色、间距、字体层级、留白），让 Agent 在生成前就知道边界在哪。

落地步骤

# 1. 安装
git clone https://github.com/Leonxlnx/taste-skill.git ~/.claude/skills/taste-skill

# 2. 生成页面前先加载规范
claude "用 taste-skill 的规范重做这个报告页的配色与排版：
       奶油底 #faf8f5 + 衬线字体 + 卡片布局，字号层级不超过 4 级"

# 3. 把你自己的视觉偏好写进 references/ 目录，形成私有规范

预期效果

43k⭐、单周 +8.7k 这个增速说明”AI 生成界面太样板”是普遍痛点而非个例。装上一次之后，报告页与站点的视觉一致性不再依赖每次手写提示词。

8. pacifio/atlas —— 给 Agent 用的源码控制

GitHub Trending 9/2
2,637⭐（单日 +895）
对口：多 Agent 管线排障

一句话定义：Rust 写的”Agent 源码控制”系统，并行运行 Claude Code / Codex / OpenCode，把每个 Agent 的 diff 集中在一处追踪，可自托管。

🔗 https://github.com/pacifio/atlas

适用场景

你跑着多条自动化管线（周报、WordPress 推送、书稿更新、监测站），还有六顶思考帽这类多 Agent 辩论场景。多 Agent 并行最大的隐性成本不是跑，而是崩了之后不知道是谁改的。atlas 把每个 Agent 的改动当作可追踪的 diff 单元。

落地步骤

# 1. 构建
git clone https://github.com/pacifio/atlas.git && cd atlas
cargo build --release

# 2. 初始化
./target/release/atlas init

# 3. 并行派活给不同 Agent
atlas run --agent claude-code --task "重构报告生成模块"
atlas run --agent codex      --task "补单元测试"

# 4. 按 Agent 查看 diff
atlas diff --by-agent

# 5. 接进 Claude Code 作为 MCP 服务
claude mcp add atlas --transport stdio -- ./target/release/atlas mcp

预期效果

2,637⭐、单日 +895。多 Agent 并行时，排障定位时间从几十分钟（逐个日志翻）压到一条命令。除此之外，它还能回放整个任务过程——这在给客户或团队复盘”AI 到底改了什么”时非常有用。对长期的自动化管线运维，这是”装一次、一直省”的基础设施。

本周 GitHub Trending 透露出一个清晰的类别转移：趋势榜已经不再是模型的舞台，而是 Agent 如何被组织、装备和验证的舞台。本周新建仓库的前八名里有五个与 Agent 相关，聚集为三个模式：

模式一：SKILL.md 正在成为一种分发格式

本周的 sepia、headcount（把 Claude Code 组织成 15+ 部门、125+ 技能的”公司”）、skill-cabinet 都把一个技能——一个含 SKILL.md 加脚本与参考文件的文件夹——当作软件的原子单元。它不是包，不是容器，而是一个技能。关键在于：技能是按需加载进 Agent 上下文的，分发成本趋近于零。已经围绕 Agent Skills 形成的生态（CLI 安装器、市场、注册表）很像 2011 年的 npm。

模式二：Agent 大脑在分裂——规划者与执行者

XiaoDuoYa/codex-with-chatgpt（ChatGPT 当规划脑、Codex 当手）与 Anthropic 官方的 commerce-agents 编码了同一个架构赌注：不要让一个 Agent 做所有事。给一个模型推理/规划角色，另一个执行角色。这和你跑自动化管线的经验一致——一个既决策又执行的定时 Agent 会静默失败；把规划者与执行者分开，并给执行者加外部校验，才能真正拦住垃圾输出。

模式三：验证才是新的护城河

2akouwu/reverify（用确定性工具校验的 AI 逆向工程）是最锋利的例子：当 Agent 产出结果时，赢的招式不是更好的提示词，而是一个 Agent 无法争辩的外部校验器。每一次把”相信 Agent 的成功报告”替换成独立检查，可靠性都会跳一个台阶。

与此同时，Product Hunt 侧则呈现出另一条线：基础设施体验成为差异化。GPU 价格指数（CGI）、模型路由层（TrustedRouter）、移动性能观测（EAS Observe）这些不显眼的东西，直接决定团队能否把 AI 用稳、用得起。

累计已推荐工具：261 个（本期新增 8 个）

结合本期推荐的工具，以下方向值得高端美妆 / 奢华护肤品牌的营销团队关注：

1. 内容输出：AIGC 物料 + 多平台内容日历

本期最直接的抓手是 Video Agent by Fotor。高端内容的痛点从来不是”能不能生成”，而是”生成之后能不能改”——一条新品讲解片里价格、成分浓度、上市日期写错一个字，传统流程要整条重跑。可编辑多轨时间线把这件事变成改一个文本框。

具体场景：一个 8 SKU 的新品季，每个 SKU 需要小红书竖版、抖音横版、私域长图三套物料，共 24 条。传统流程按每条 4 小时算约 96 小时；用可编辑时间线做模板复用，只替换变量（产品名、核心成分、价格），实测可压到 24-30 小时，周更内容产能从 20 小时压缩到 6 小时这个量级是可达的。

与此同时，Radar by Particle 可以解决选题来源问题：把”成分党””早 C 晚 A””屏障修护”这类话题丢进 13 万+ 播客库里搜，找出消费者真正在讨论什么，再反过来定内容日历。调研时间从 2-3 小时压到 15 分钟。

2. 社媒监听与竞品内容策略洞察

StackScope 提供了一个少见的视角：不看竞品在发什么内容，而看竞品的网站技术栈在什么时候变了。当某个护肤品牌官网突然接入新的电商组件、CRM 或 AB 测试工具，通常意味着 2-4 周内有大动作（改版、大促、新线上市）。官方给出的提前量是平均 14.5 天。

落地方式：按品类筛出 30-50 个竞品与标杆品牌站点，订阅技术栈变更告警，每周生成一页纸的”竞品动作预告”，提前调整自家内容节奏与投放排期。这比事后看爆文复盘要主动得多。

3. 消费者洞察沉淀

把 Creatium Coach 的角色扮演能力反过来用——不是给学员练，而是给营销团队练。让团队成员与 AI 扮演的”挑剔消费者””成分党 KOL””柜台 BA”对话，把每次对话记录沉淀成消费者异议库。这比看报告的记忆留存高得多，且异议库可以直接反哺内容选题与话术。

4. 关于虚拟试妆：本期暂不建议

本期 8 个工具中没有图像生成或 AR 试妆类能力，不硬凑。虚拟试妆对高端线的实际转化率提升目前仍缺少公开可验证数据，且涉及肤色/肤质适配的准确性风险，建议等出现明确对口工具时再单独立项评估。

总的来说，本期给美妆营销团队的可用抓手集中在”内容产能”和”竞品前瞻”这两端：具体而言，前者靠可编辑时间线把 20 小时压到 6 小时，后者靠技术栈变更信号抢出 14.5 天窗口期。总之，先跑通一条内容生产线，再谈智能化，比一次性上全套工具更稳。

结合本期推荐工具，以下方向值得放进《Generative AI for Business》课程（面向非技术学员：管理者/业务人）：

1. Video Agent by Fotor —— 适配度：✅ 强烈推荐

适用章节：内容生产 / AI 工具箱

教学切入点：非技术学员最怕的就是”AI 生成的东西不能改”。这个工具是最好的反例教具——现场演示改一个数字而不重跑整条视频，学员立刻理解”可控性”比”生成能力”更重要。

课堂练习建议：给学员一段自己部门的产品介绍文案，45 分钟内产出一条 60 秒可编辑视频，并当场修改其中三个数据点。产出标准：视频可交付 + 三处修改均在 1 分钟内完成。

2. Creatium Coach —— 适配度：✅ 强烈推荐

适用章节：AI 工具箱 / 组织落地

教学切入点：直接回应”AI 培训做完没效果”这个最常见的质疑。传统内训是”讲一遍”，教练形态是”练一遍”。让管理者亲自体验一次被 AI 追问的感觉，比讲十页 PPT 有说服力。

课堂练习建议：每位学员设定一个真实目标（如”说服老板批一笔 AI 预算”），完成教练首轮提问并做一次角色扮演，课后输出一份练习记录。

3. Radar by Particle —— 适配度：✅ 强烈推荐（无需写代码）

适用章节：客户洞察 / 市场研究

教学切入点：“你以为的客户痛点”和”客户在公开场合真实讨论的痛点”往往不是一回事。用 13 万+ 播客的检索结果当场对比学员的假设，冲击力强且零技术门槛。

课堂练习建议：30 分钟内，用 Radar 检索本行业近 30 天的讨论，输出一份「客户真实关切 Top 10」，并与课前学员自己写下的 Top 10 做对比，量化重合率。

4. StackScope —— 适配度：⚠️ 可选（B2B 学员更合适）

适用章节：市场研究 / 竞品分析

教学切入点：适合面向 B2B 销售或市场负责人的专场。核心概念是”技术栈变更是业务的先行指标”——这个思路本身比工具更值钱，即使不订阅也能讲。

课堂练习建议：用免费浏览功能，让学员挑 3 个竞品站点，观察其技术栈，推断对方近期可能的市场动作，并给出自己的应对预案。

5. sepia —— 适配度：✅ 强烈推荐（无需写代码）

适用章节：提示词工程 / 内容生产

教学切入点：这是讲”提示词不是万能的”最好的实物教材。把同一段提示词生成的原文和过一遍 sepia 的改文并排投屏，学员一眼能看出差别。管理者最在意的就是”别让我的报告看起来像 AI 写的”。

课堂练习建议：每人带一段自己写的真实工作文案（周报、方案、邮件皆可），过一遍规则包，对比前后文风，并挑出被替换掉的高频词做全班统计。

6. taste-skill —— 适配度：⚠️ 可选

适用章节：AI 工具箱（偏技术，可作为拓展材料）

教学切入点：如果学员里有需要经常做汇报页面的人，可以讲”AI 生成页面的审美是有规律可约束的”。但整体偏前端，非技术学员听懂概念即可，不必上手。

课堂练习建议：不设练习，课上一页对比演示（样板界面 vs 有审美约束的界面）即可。

7. pacifio/atlas —— 适配度：❌ 与课程无关

这是给工程团队多 Agent 并行排障用的基础设施，需要 Rust 构建与命令行操作，非技术学员无法上手。不适合放进面向管理者/业务人的课程，只在”AI 工程实践”类进阶课中可能有位置。

8. iPolloWork —— 适配度：⚠️ 可选（观望后再定）

适用章节：自动化工作流 / 组织落地

教学切入点：概念层面非常适合讲——”从让 AI 完成单项任务，到编排、监督并持续进化一支 AI 团队”，这是管理者需要建立的认知框架。但工具本身刚发布，建议等社区验证一两周、确认仓库活跃度后再决定是否放进课件。

课堂练习建议：暂不设实操练习，可先作为”一人公司 / 小团队如何借 AI 放大产能”这一讲的案例背景。