LongHorizon-Harness 解決代理在長任務時的錯誤

2026 年 8 月 4 日 Share to X Copy link

代理能否跑足幾十小時，關鍵唔只在模型能力，仲在狀態有冇走樣。LongHorizon-Harness把驗證、執行同任務延續拆開處理。

當代理要橫跨桌面程式同 command line 連續做事，最易出問題唔係單步操作，而係中途記錯狀態、判斷錯進度，結果愈做愈偏。LongHorizon-Harness 針對屬於長時程代理執行與驗證工具，目標係令複雜任務可以被保存、核實，再一路推進到完成。

它唔係新模型，它主要協助 Claude Code、Codex、OpenClaw 之類 agent backend 上面處理 execution、state management 同 result verification。核心做法是 Manage-Execute-Audit (MEA) loop，把規劃、執行、審核拆成不同路徑，並把可信狀態獨立保存，減少單一長對話愈滾愈亂的問題。

• 支援 Claude Code、Codex、OpenClaw，亦可配 Gemini CLI 與 mini-SWE-agent
• 以獨立 audited state 推動下一步，而唔係只靠 session 內記憶
• 可用單一指令啟動，每次執行會獨立保留 audit trail
• 針對 WeaveBench、OSWorld 2.0、Terminal-Bench 2.1 這類長任務基準有公開成績

它在 WeaveBench 取得 80.7% PassRate、OSWorld 2.0 有 35.2% partial score，Terminal-Bench 2.1 success rate 為 77.2%。官方亦強調在相同 backbone 下，只換 harness，三個 benchmark 都向上走，反映改進點主要來自流程控制同驗證機制，而唔係模型突然變強。

呢種設計較適合需要長時間自動化處理、多步驟交接、又要追蹤結果可信度的團隊，例如研究、軟件測試、系統操作同複雜 office workflow。代價是流程比單純聊天式代理更重，審核與狀態管理會增加結構與成本，但換來的是更穩定的延續能力，同較容易追查每一步點樣做出來。

項目主頁 · GitHub

Categories: 開源, Agentic, Qwen, OpenAI, DeepSeek, Gemini, 框架, OpenClaw, Anthropic, Dataset 數據集, MiniMax, Skill 技能

---

beautify-github-readme：GitHub README 也可以做成精美首頁

2026 年 8 月 2 日 Share to X Copy link

beautify-github-readme 唔係交模板咁簡單，而係教你用項目本身嘅內容同視覺語言，重寫 README 第一眼體驗。

讀者未打開程式前，往往先被 README 決定去留；beautify-github-readme 正正針對呢一步，屬於一個 README 設計與寫作 Skill，重點唔係美化排版，而係令訪客一眼睇明項目做乜、成果去到邊、應該點開始理解。

佢同常見 README 範本最大分別，在於唔追求統一風格。呢個方法會由項目自身延伸出字體、配色、構圖同證據展示，連 opening screen 都強調真實輸出，而唔係抽象口號。README 入面列出八個公開儲存庫案例，涵蓋 AI 產品、設計資源、研究與開源庫，證明佢不只是概念展示。

• 重點唔係套版：每個 README hero 都按項目內容重新設計
• 強調真實證據：用實際 UI、圖示、地圖、角色圖或 dashboard 截圖說明能力
• 適合公開展示型項目：尤其係要吸引首次訪客、招募協作者或交代成果脈絡嘅團隊
• 門檻在內容整理：要先有清楚成果、流程同視覺素材，效果先會成立

部署方式比較似參考方法而唔係可直接安裝嘅工具套件；你應該將佢理解成一套可複用的表達框架，再按自己項目改寫。對獨立開發者、開源維護者同想提升 GitHub 展示面的團隊尤其有幫助，因為佢補強咗「功能存在，但讀者三秒內睇唔明」呢個常見卡位。

限制亦相當明顯：佢未提供量化成效、A/B 測試結果或者自動化生成流程，價值主要來自案例說服力，而唔係可驗證指標。當你已經有一定內容資產，同時希望 README 更似產品入口而不只是說明文件，呢個項目比一般範本更值得參考。

GitHub

Categories: 開源, 編程, Skill 技能

---

VideoCoCo 先用代碼演物理再出片

2026 年 8 月 1 日 Share to X Copy link

想要影片動得合理，又唔想一開始就靠像素生成碰運氣，VideoCoCo提供咗另一條路。它先把物理過程寫成可執行草稿，再交畀影像模型做寫實化。

一段影片要做到「似真」並不只靠畫面細緻，動作因果同物理變化站唔站得住腳更關鍵。VideoCoCo屬於視頻生成管線，處理的正是這個問題：先用 code as a chain-of-thought 寫出物理草稿，再把中性白模影片轉成寫實結果，減少模型直接由像素猜測運動時常見的失真。

VideoCoCo 不是一步生成最終影片，而是先由 code agent 產生 Blender 可執行模擬，輸出灰白、近似 clay render 的 proxy video，讓形狀、透明度、變形、遮擋與運動先承載物理意義，之後再檢查這段草稿是否符合 physical plan，最後才用編輯指令把 proxy restyle 成 photorealistic video。這種雙階段流程換來較強的可控性，但也代表整體鏈路比單段式生成更長，對中間草稿品質有依賴。

目前 GitHub 已放出五個 Agent Skills、batch inference 腳本、對上游 OmniWeaving 的 patch，以及 Hugging Face 上的 tuned transformer；另有 8 組 hand-checked 的 video-to-video triplets 可用來理解資料格式與輸入輸出關係。README 停在 Inference 章節開頭，未見完整安裝與執行細節，所以現階段較適合把它視為可檢查流程設計與推理組件的研究型項目，而不是即裝即用的成品。

• 先做物理草稿，再做寫實化，把運動因果同畫面風格拆開處理
• 以 Blender 可執行代碼承載 process-level CoT，重點不在文字解釋，而在可驗證的模擬結果
• toy dataset 只有 8 個案例，涵蓋 buoyancy、melting、surface tension、boiling 等現象，較像格式樣本
• 已提供 tuned transformer、inference 腳本與 OmniWeaving patch，但公開資訊未足以完整重建部署流程

受益最大的會是研究 Agentic video generation、多步驟 controllable generation，或者想把物理先驗帶入視頻模型工作流的團隊。現有資料未見完整量化指標或大規模評測結果，優勢主要來自方法設計與中介表示的可檢查性；想判斷生成穩定度與泛化能力，仍要等更完整實驗或自行測試。

項目主頁 · GitHub

Categories: 開源, Agentic, 視頻模型, Video, Dataset 數據集, Skill 技能

---

HumanCLAW 直指 VLM 身體感缺口

2026 年 8 月 1 日 Share to X Copy link

當 Vision-Language Models 真正要控制一個會碰撞、會受重力影響的人形身體，表現遠比畫面理解困難。HumanCLAW 把問題拆開來量度，直接揭開 VLM 行動判斷的弱點。

畫面睇得明，不等於身體識得郁得啱。HumanCLAW 把 Vision-Language Models（VLMs）放進一個閉環人形行動測試環境，集中量度模型每個瞬間應該做哪個動作，而不是把失敗全數歸咎於低層馬達控制。它屬於評測框架兼基準測試項目，處理的是 VLM 在具身場景中的行動決策能力，到底有沒有足夠「身體感」去完成找路、移動與互動。

呢個設計最值得留意的地方，是它把 action decision-making 與 low-level motor execution 分開。每 0.5 秒，凍結的 VLM 只需要根據第一身視角、指令、技能列表與歷史內容，提出一個 atomic whole-body skill；後面的 verifier、motion generator 同 half-physics simulator 再負責驗證、安全過濾與連續動作執行，令接觸、碰撞、重力等物理後果仍然保留下來，但平衡失誤與動作追蹤誤差會被盡量排除。

HumanCLAW-Bench 則在這個框架之上提供 1,218 個長時程 find–navigate–interact episodes，覆蓋 41 個室內場景。數字相當直接：九個最先進 VLM 全部未能解決這套基準，最佳成績只有 16.8% success rate，反映問題不在單次辨識，而在模型持續追蹤自身位置、判斷是否到達目標，以及理解自己有沒有撞上環境。

• 把高層決策同低層動作分離，較易睇清 VLM 真正弱點
• 保留真實物理後果，唔會因為純符號化環境而高估能力
• HumanCLAW-Bench 著重長時程、第一身視角、連續互動任務
• 目前公開資訊顯示程式碼與 benchmark 仍在準備釋出

對研究 embodied AI、Computer-use agents 延伸方向、VLM 評測方法的人來說，呢個項目有參考價值，尤其適合用來檢查模型是否具備 closed-loop spatial action intelligence，而不只是識描述畫面。現階段較大的限制也很清楚：GitHub 儲存庫尚未正式放出 harness、motion generator weights、half-physics simulation environment 與完整評測內容，暫時主要仍是透過 project page、paper 同 leaderboard 理解方法與結果。

項目主頁 · GitHub

Categories: 開源, Agentic, 視覺模型, 多模態模型, Meta, Dataset 數據集, Skill 技能

---

SkillRise 把技能文件變成可累積學習

2026 年 8 月 1 日 Share to X Copy link

同一個策略連續解幾類相關任務，邊做邊整理可轉移的技能文件，正是 SkillRise 想處理的學習斷層。它不是只追單次成功率，而是想讓經驗在下一題繼續生效。

做完一題就把經驗丟掉，往往是代理系統訓練最可惜的地方。SkillRise 屬於強化學習框架，焦點放在 cross-task skill learning：讓同一個 policy 按次序處理同一家族的任務，一邊解題，一邊把軌跡整理成會持續演化的 skill document，將前一題學到的做法帶去下一題。

它的取向不是把每個任務分開訓練到最好，而是刻意安排由淺入深的任務序列，讓 Solve 與 Curate 交替發生。這個設計針對的是跨任務遷移能力，而不是單一回合表現；代價是環境設定與資料組織較講究，ALFWorld、WebShop 要跟隨 verl-agent 的環境配置，ScienceWorld 則沿用 BEACON 的 setup，並且要先整理模型路徑、資料路徑與追蹤設定。

README 提供了可直接對照的執行方式：同一套 examples 結構下，既有 SkillRise，也有 GRPO baseline，方便把新方法與基線放在相近條件下比較。模型部分從腳本名稱可見已準備 Qwen3-4B 配置，底層也建立在 veRL、verl-agent、BEACON 等現成項目之上，所以它比較像研究與實驗工作流的延伸，而不是即裝即用的產品。

• 把「解任務」與「整理技能」拆成兩個交替角色
• 用同一家族、逐步變難的任務序列測試技能轉移
• 在 ALFWorld、WebShop、ScienceWorld 都有評估
• README 明確保留 GRPO baseline 方便做對照

成果描述指向一個清楚結論：SkillRise 在 ALFWorld、WebShop、ScienceWorld 的整體結果最好，勝過 prompting-based methods 與 RL baselines。較適合研究 Agentic workflow、長程技能累積、跨任務學習的團隊；想觀察 skill document 如何影響後續決策的人，也會比只看最終分數得到更多訊息。

GitHub

Categories: 開源, Agentic, Qwen, 提示詞, Skill 技能

---

Gemini Robotics 2 想令機械人動作更完整

2026 年 7 月 31 日 Share to X Copy link

重點唔止係識睇同識答，而係令機械人連身體控制都更連貫。Gemini Robotics 2 指向的是把感知、推理同動作放入同一條工作流。

機械人最難處理的，往往不是單一步驟，而是由看見環境、理解指令，到整個身體協調完成動作的連續過程。Gemini Robotics 2 聚焦的正是這個落差，嘗試把 whole body intelligence 帶入機械人，讓系統不只會辨識和規劃，還能更自然地連動身體控制。

Google DeepMind 把它放在 Gemini Robotics 這條 physical AI 路線之下，定位清楚偏向機械人操作與互動。相比只處理螢幕、語言或單一機械臂任務的做法，這個方向更重視整體行為是否連貫，包括感知、推理、用工具與跟環境互動能否接上同一套能力。

對研究機械人、embodied AI 同 VLA 工作流的人來說，這類項目最有參考價值的地方，在於它瞄準真實場景中的協調問題，而不是只展示單點能力。文章提供的內容仍屬簡介層面，未見完整評測細節、量化指標或部署條件，所以現階段較適合當成技術方向觀察，而不是直接當作可落地規格。

• 把機械人的感知、推理與身體動作放到同一條能力鏈
• 核心關注點是 whole body intelligence，而不只是語言或視覺理解
• 屬於 Gemini Robotics 系列，延伸 Google DeepMind 的 physical AI 佈局
• 現有公開資訊偏介紹性，性能與限制仍有待更多技術資料補充

整體來看，Gemini Robotics 2 反映出機械人模型正在由「識唔識做判斷」走向「能唔能夠完整做完一個動作」。對需要長步驟操作、工具使用與環境互動的場景，這種整合式能力會比單一模組升級更值得留意。

項目主頁

Categories: Agentic, 世界模型, Google, Gemini, NanoBanana, Video, VLA, Audio, Robotic, 安全, Skill 技能

---

Gemini Spark 登陸香港：AI 代你長時間跟進工作

2026 年 7 月 29 日 Share to X Copy link

想交低指示後由 AI 繼續處理雜務，Gemini Spark 就是朝這個方向而來。它把電郵、文件、搜尋與排程串連起來，減少你反覆催促。

最易理解 Gemini Spark 的方式，是把它看成一個會在背景持續運作的 Agentic AI 助手：你先交代目標，它再慢慢把零散工序接起來，處理那些花時間、又不想不停重複提示的工作。Google 已在香港推出這項服務，定位很清楚，就是幫用家把日常行政與資料整理自動化。

它接上的重點，不是單次問答，而是整段工作流。Gemini Spark 運行於 Google 的雲端基礎設施，能原生連接 Workspace 工具，例如 Gmail 和 Docs，毋須另外設定，就可以整理混亂的電郵往來、彙整行業消息、從舊文件抽資料做後續安排，甚至進行網上資料搜集、比較選項與完成預訂。

Google 提到，系統以 tasks、custom skills 和 schedules 這類機制去安排工作，讓用家用自然語言交代規則、例行事項與時間觸發條件，毋須寫程式。另一個分別在於，它不會因為你闔上手提電腦或鎖上手機就停下來，背景流程仍可繼續運作，較適合需要長時間跟進的文書與研究工作。

• 支援背景持續執行，不用反覆重新提示
• 可原生連接 Gmail、Docs 等 Workspace 工具
• 能處理資訊整理、排程準備、網上研究與預訂類工作
• 高風險動作前會先要求明確同意

控制權仍然留在用家手上。Google 表示，Gemini Spark 會按照用家指示運作，用家可決定何時啟用，以及容許它接觸哪些應用程式；遇到交易或發送電郵等高風險操作，系統亦會先徵求明確授權。現時香港由 Google AI Ultra 訂閱用家率先使用，Google AI Pro 用家的開放時間會在未來數星期逐步擴展。

項目主頁

Categories: Agentic, Google, Gemini, 提示詞, 框架, 香港, 工具, 編程, Skill 技能

---

Anthropic Opus 提示詞外流反映了什麼

2026 年 7 月 27 日 Share to X Copy link

一份放在 GitHub 的提示詞檔案，讓人更具體見到大型模型點樣被「定調」。它未必代表完整系統，但足以幫你理解模型回應背後的設計取向。

想知道大型語言模型點解會用某種語氣答你、點樣處理敏感內容，最直接的方法之一，就是看它背後的 system prompt。這個 GitHub 項目整理了疑似來自 Anthropic Opus 的提示詞內容，重點不在功能展示，而在於把模型行為規則攤開，讓人看到回應風格、安全邊界與工具使用指令可能如何被設定。

對開發者、提示詞研究者同內容工作者來說，這類資料最有價值的地方，在於它把平時只能靠輸出結果推測的設計思路，變成可以直接閱讀的文字線索。你可以更清楚理解模型點樣被要求保持語氣一致、避開高風險內容，或者在多步驟任務中遵守某些優先次序，但同時要留意這類「leaked prompts」未必完整，也未必反映最新版本。

• 幫助觀察 Anthropic 對模型人格、語氣與安全規則的安排
• 適合研究 system prompt、AI alignment 同提示詞工程的人參考
• 能作為分析模型輸出風格的輔助材料，而唔係正式技術文件
• 內容真確性、時效性與完整度都需要保留判斷

它和一般產品介紹最大的分別，是你見到的不是功能清單，而是控制模型行為的內部文字結構。這種資料未必能直接提升效果，卻很適合用來拆解 AI 產品點樣把品牌語氣、風險控制同任務規則包進同一套提示詞框架。

從使用角度看，這份內容較適合拿來做觀察、比對同研究，不應視為官方文件或穩定接口。對關心 Anthropic、AI 安全同提示詞設計的人而言，它提供了一個少見的切入口，去理解模型輸出背後不只是能力，仲有大量預先寫好的約束。

項目主頁

Categories: Agentic, 提示詞, 安全, Anthropic, Skill 技能

---

DocOps 直擊文件代理真功夫

2026 年 7 月 26 日 Share to X Copy link

文件代理唔止要答啱內容，仲要改得啱格式同結構。DocOps將評測焦點放回原生文件本身，較易看清代理係真識做事，定只係識講答案。

改 Excel、Word、PowerPoint 同 PDF，最難唔係生成一段合理回覆，而係交返一份可用、冇整爛結構的原生文件。DocOps屬於 benchmark 類型，針對 document-operation agents 而設，重點不是問答得分，而是檢查代理能否把文件改到指定狀態，同時保住公式、樣式、大綱、書籤與格式有效性。

現有評測常落在兩個範式：static document understanding 把文件當成唯讀材料做擷取或問答；workflow-oriented software evaluation 則把文件當成在應用程式之間流轉的附屬品。DocOps反過來把「文件本身」放回中心，用 Harbor 格式整理 210 個可執行任務，再用 deterministic artifact-level verifiers 直接驗最終檔案狀態，這種設計比只看可見文字更能捉到破壞性修改與狀態遺漏。

它的取向相當鮮明：不是追求聊天式流暢回覆，而是拆解 document manipulation 到 content、format、structure 三個維度，再按 L1 到 L4 拉開難度，涵蓋局部原子操作、同文件組合操作、單文件流程，到跨文件工作流程。對研究 agent 能否長步驟維持全局一致性的人來說，這個分層比單一總分更有診斷價值。

• 收錄 210 個 Harbor tasks，覆蓋四種常見文件格式
• 內建 deterministic verifiers，驗證原生檔案而非只看輸出文字
• 提供 DocumentTools、Terminus-2、Codex、Claude Code 等 execution harnesses
• 支援 skill-on / skill-off 評測，較易分辨工具能力與模型能力

這個 GitHub 項目已包 task、skills、harnesses 同 Docker base images，重點在重現 benchmark run，而不是單獨提供某個辦公自動化工具。現有結果亦說明門檻不低：例如 GPT-5.5 在不同 harness 的表現有明顯落差，Claude Sonnet 4.6、DeepSeek-V4-Pro 等模型亦未見接近滿分，反映文件操作代理距離穩定處理端到端工作仍有一段距離。對做 Agentic 評測、辦公自動化代理、或想比較 skill 與模型邊界的團隊而言，DocOps的參考價值很高。

項目主頁 · GitHub · Paper

Categories: 開源, Agentic, Qwen, OpenAI, DeepSeek, Gemini, Robotic, 軟件, Anthropic, Meta, Dataset 數據集, 百度, Skill 技能

---

Facial-Expression-Prompting：幫 AI 影片角色演得更可信的提示詞 Skill

2026 年 7 月 21 日 Share to X Copy link

想拍角色反應戲，但提示詞只寫到情緒名？這些 Skill 會把動機、微表情同鏡頭節拍補完整，令 AI 影片生成更似一場表演。

情緒寫得太粗，AI 影片角色往往只會交出一個「表情」，而唔係一段有起伏的反應。呢個 GitHub 項目定位好明確：它係一個為人物表演而設的提示詞 Skill，專門把模糊情緒拆成可拍、可生成、可放入文生視頻與圖生視頻模型的演出指令，處理的是角色點樣由看到事件、壓住反應，再慢慢洩露情緒。

最有用的地方不只是擴寫字數，而係先補足角色點解會有反應。它用五個問題建立因果鏈，再把眼神、眼瞼、眉間、嘴角、下顎、呼吸、姿態同聲音排成時間軸，連鏡頭、光線、時長同負面約束都一併整理。對 Seedance、Kling、Runway、Veo 呢類模型來講，呢種寫法比單一句「她很傷心」更容易生成連貫畫面。

同類做法常見是堆情緒形容詞，或者直接放大表情強度；呢個項目反而重視克制、遞進同角色自我控制，所以特別適合特寫、關係戲、對白反應同微表情場景。代價亦好清楚：它偏向劇情演出導向，唔係追求高速出稿的萬用提示詞模板，使用者最好本身知道角色處境，先能發揮得更準。

• 支援完整視頻模式同表演片段模式，前者補全整段提示詞，後者可插入既有腳本
• 適合 Seedance、Kling、Runway、Veo 等 AI 視頻模型
• 重點唔在誇張表情，而在可見的情緒轉折、微表情同鏡頭配合
• 會按表演節拍決定時長，而唔係固定把每段反應寫成同一秒數

這個 Repo 可理解成一個可直接複用的 Agent Skill／提示詞模板項目，而唔係獨立模型或推理服務。它較適合內容創作者、短片導演、角色動畫設計者，或者要反覆修改人物反應戲的團隊；當目標係令 AI 生成的角色「有心事」而不只是「有表情」，呢個項目的取向相當實用。

GitHub

Categories: 開源, Agentic, AI productions, Video, txt2img, 提示詞, Skill 技能

---