现在市面上AI工具很多，skills也遍地都是。似乎构建一个AI自动化工作流已经非常简单了。但是，真正动手才知道，这里面的坑非常多：
*很多skills看似很厉害，但不能完成我的个性化的需求。AI时代，真正属于自己的、个性化的工作流才是重点。
* 下载了skills，好容易配置起来了，但运行就是不稳定，有时候好使，有时候又不好使。修起来也不知道从何下手。
* 使用OpenClaw极费token。
* 有些skills要求注册api key，或者调用频率有限制。本来只是想完成自己的一个小需求，没想到还得付个订阅费。
这个视频演示如何使用Claude Code + AmphiLoop免费制作一个真正属于自己的AI工作流：自动浏览+汇总YouTube上指定的视频频道，并把汇总信息定时发送到手机。
*很多skills看似很厉害，但不能完成我的个性化的需求。AI时代，真正属于自己的、个性化的工作流才是重点。
* 下载了skills，好容易配置起来了，但运行就是不稳定，有时候好使，有时候又不好使。修起来也不知道从何下手。
* 使用OpenClaw极费token。
* 有些skills要求注册api key，或者调用频率有限制。本来只是想完成自己的一个小需求，没想到还得付个订阅费。
这个视频演示如何使用Claude Code + AmphiLoop免费制作一个真正属于自己的AI工作流：自动浏览+汇总YouTube上指定的视频频道，并把汇总信息定时发送到手机。
文章配套有开源项目 addyosmani/agent-skills ，把里面这些高级工程实践封装成了 skills 。
这篇文章认为，要像管理初级开发者一样管理编码agent。| blog
单个 agent 在一个目录里工作还勉强可行，但多个 agent 并行写代码时，很快会因为 Git 分支、文件系统缓存、Docker Compose 容器、端口和数据库等共享资源互相干扰。
解决办法是给每个 agent 一套独立的开发者环境：自己的项目副本、运行时、Compose 命名空间、本地 URL 和独立分支。这样 agent 的工作流就更接近真人开发者：各自开发、提交分支、接受 review、能随时丢弃实验环境。
提升 agent 生产力的关键不只是模型能力，而是给它们配套人类团队早已习惯的工程协作基础设施。
