AI Skills on 拾光集

Agent-Reach：给 AI Agent 增加 Twitter、B站、小红书等联网能力

Thu, 13 Aug 2026 22:29:00 +0800

很多 AI Agent 本身可以调用工具，但真正需要它去搜索 Twitter/X、Reddit、B站、小红书等平台时，往往会遇到 API 收费、登录限制、反爬或工具配置复杂的问题。

Agent-Reach 做的事情，就是把这些分散的网络访问能力统一起来，让 Claude Code、Cursor 等支持 Agent/Skill 的工具，通过一套入口读取和搜索多个网站。

Agent-Reach 是什么？

Agent-Reach 是一个 MIT 协议开源项目。官方目前将它定位为 AI Agent 的互联网访问工具，可以统一安装、路由并检查不同平台所依赖的上游工具。

目前项目说明中涉及的平台包括：

Twitter / X
Reddit
YouTube
GitHub
Bilibili
小红书
LinkedIn
V2EX
雪球
小宇宙
RSS
普通网页
Web 搜索
Facebook、Instagram 等

并不是所有平台都能真正做到“安装后直接使用”。部分网站仍可能需要 Cookie、登录状态或者额外依赖。

它解决的主要问题

Agent-Reach 最有价值的地方，并不是单独提供一个“网页爬虫”，而是把不同的信息渠道统一成 Agent 可以调用的工具。

例如以前让 AI：

搜一下 GitHub 上这个项目最近的讨论，再看看 Reddit 和 Twitter 上有没有用户反馈。

可能需要分别配置 GitHub、Twitter、Reddit 的工具。

Agent-Reach 希望把这些访问方式统一管理，让 Agent 根据任务选择对应渠道。

这对于需要进行资料搜索、开源项目调研、社交平台信息收集、舆情查询的 Agent 会更加方便。

`agent-reach doctor` 检查配置

项目提供了一个比较实用的诊断命令：

`1`	`agent-reach doctor`

它主要用于检查各个平台对应的工具、配置和连接状态，方便判断哪些渠道已经可用、哪些仍缺少配置。

对于需要同时配置多个平台的用户来说，这比逐个平台排查方便不少。

它并不等于“真正无限制访问全网”

“让 AI 拥有全网视野”更适合作为项目定位，而不能理解成所有网站都可以无限制访问。

实际使用仍然受到几个因素影响：

1. 平台规则随时可能变化

Twitter、小红书、B站等平台可能调整登录验证、反爬机制或者接口规则。

今天可以工作的方式，并不代表以后一定继续有效。

2. 部分平台需要登录信息

涉及 Cookie 或账号授权时，需要特别注意账号安全，不建议直接把重要账号的完整凭证交给来源不明的脚本。

3. “零 API 费用”不代表完全没有成本

官方强调可以避免很多官方 API 费用，但使用过程中仍可能产生：

AI 模型 Token 费用；
搜索服务费用；
VPS 或服务器费用；
第三方工具服务费用。

因此更准确的理解应该是：尽量减少对付费平台 API 的依赖，而不是所有使用成本都为零。

Agent-Reach 适合谁？

比较适合：

使用 Claude Code、Cursor 等 Agent 工具的人；
经常让 AI 搜索 GitHub 和技术资料的人；
需要同时查询多个社区的信息；
想给自己的 AI Agent 增加联网搜索能力；
不希望分别维护大量平台工具的人。

如果只是偶尔搜索几个网页，直接使用浏览器或 AI 自带的 Web Search 反而更加简单，没有必要专门安装一套工具。

是否值得安装？

Agent-Reach 真正值得关注的地方，是它尝试解决一个越来越常见的问题：

模型本身已经足够聪明，但 Agent 能看到什么，很大程度取决于给它接入了哪些工具和信息源。

Agent-Reach 相当于在模型和互联网之间增加了一层统一的“渠道管理”。

对于经常使用 AI Agent 做资料调查、项目研究和跨平台搜索的人，它有一定实际价值。

但如果准备长期使用，建议重点观察项目维护状态，以及 Twitter、小红书、B站等第三方渠道在规则变化后的可用性，不要把当前支持列表理解成永久保证。

总结

Agent-Reach 是一个给 AI Agent 扩展互联网访问能力的开源工具，目前支持 Twitter/X、Reddit、YouTube、GitHub、B站、小红书等多个渠道，并通过统一 CLI 和 agent-reach doctor 降低多平台工具的配置和维护成本。

它比较适合需要让 Claude Code、Cursor 等 Agent 持续进行网络资料搜索的人。

不过，涉及登录 Cookie、第三方抓取以及平台反爬的网站，长期稳定性仍取决于平台规则和项目维护情况。这一点比“支持多少个平台”更值得关注。

Caveman Skill 是什么？让 Claude Code、Codex 少说废话并减少输出 Token

Thu, 13 Aug 2026 22:13:00 +0800

用 Claude Code、Codex 这类 AI 编程 Agent 时，经常会遇到一个问题：明明只需要代码、命令或结论，AI 却先解释一大段，执行完还要再总结一次。

Caveman 就是为这种场景准备的 Skill。它不会让模型变聪明，也不会减少模型内部推理，而是尽量压缩最终回复，只保留代码、命令、结果和必要说明。

Caveman 能减少多少 Token？

Caveman 官方 Benchmark 对 10 个编程任务进行了对比，项目给出的结果是：

普通回复平均约 1214 Token，启用 Caveman 后约 294 Token，平均减少约 65%。

但这里需要注意两点：

这是项目方测试结果，不是本站实测；
它主要减少的是 Output Token，不是模型内部的 Reasoning / Thinking Token。

因此，更准确的理解是：

Caveman 让 AI “少说话”，而不是让 AI “少思考”。

它主要删掉哪些内容？

Caveman 会尽量减少：

客套和铺垫；
重复解释；
执行过程复述；
已完成内容的再次总结；
“如果需要我还可以……”之类的结尾。

例如你问：

`1`	`查询 Ollama 已安装模型`

普通 AI 可能先解释 Ollama 是什么，而 Caveman 模式更倾向直接给出：

`1`	`ollama list`

对于频繁使用 Codex、Claude Code 的人，这种交互方式会更干脆。

Caveman 怎么安装？

Windows

在 PowerShell 中运行：

`1`	`irm https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.ps1 \| iex`

macOS / Linux / WSL

`1`	`curl -fsSL https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.sh \| bash`

以上属于“下载脚本后直接执行”的安装方式。比较在意安全的话，建议先到 GitHub 查看 install.ps1 或 install.sh 内容，再决定是否运行。

安装后可使用：

`1`	`/caveman`

项目还提供不同压缩程度，例如：

1
2
3

/caveman lite
/caveman full
/caveman ultra

哪些场景适合使用？

Caveman 更适合目标明确的任务，例如：

查询命令；
修复报错；
修改代码；
运行测试；
查看执行结果；
让 Agent 完成重复性编程任务。

例如让 Codex：

`1`	`修复这个 Bug，运行测试，只告诉我修改内容和测试结果。`

这种任务本身并不需要大量解释，Caveman 的价值比较明显。

哪些情况不适合？

如果你正在：

学习陌生技术；
分析复杂架构；
排查安全问题；
比较多个方案；
希望理解 AI 的判断过程；

就不建议把输出压缩得太狠。

因为有些“解释”并不是废话，而是理解问题的重要信息。

因此比较合理的用法是：

执行任务时开启，学习和分析时关闭。

Caveman 值不值得装？

如果你经常使用 Claude Code、Codex、Cursor 等 AI Agent，而且已经受够每次执行完任务后的“小作文”，Caveman 值得尝试。

它最大的价值不是让模型能力变强，而是让回复更接近终端工具：

问命令就给命令，问报错就给原因，任务完成就告诉结果。

至于能省多少 Token，要看具体模型和任务。官方“平均约 65%”可以作为参考，但不能直接理解成安装后固定节省 65%。

总结

Caveman Skill 的作用很简单：减少 AI Agent 回复中的客套、复述和过度解释，提高有效信息密度。

它主要减少输出 Token，不会直接减少模型内部推理 Token。

如果你希望 Codex、Claude Code 少写“小作文”，它是一个值得关注的轻量 Skill；如果你的目标是大幅降低模型推理成本，那 Caveman 并不能解决这个问题。