夜雨聆风
一个真实的场景
你现在做开发，至少同时用三个AI工具。
Claude Code写复杂架构，Cursor做日常编码，Copilot补全零碎代码。有时候还切一下Gemini CLI做测试。
每个工具都有自己的插件生态。Claude Code用Skills，Cursor用Rules，Copilot用Extensions。格式不同，语法不同，安装方式不同。
你花了两小时写了一套Python开发规范。想复用到Cursor？重写。想同步到Copilot？再写一遍。Gemini CLI？格式又不一样。
你不是在工作，你在做翻译。
把同一套知识，翻译给6个不同的AI工具听。
碎片化的真实代价
不只是浪费时间。
每个工具的AI助手，装的都是不同格式的插件。Claude Code里装了94个插件，Cursor里可能只有12条Rules，Copilot里又是不一样的东西。
知识在不同工具之间是断裂的。
你在Claude Code里调教出来的最佳实践，换到Cursor就消失了。你在Copilot里积累的编码习惯，切到Gemini CLI又是一张白纸。
更扎心的是，你根本不知道自己哪个工具里的AI"更聪明"。
同样是代码审查任务，Claude Code可能用的是Opus级别模型，Cursor用的是通用模型，Copilot用的又是另一套。你不知道哪个更靠谱，只能全看一遍。
这不是效率问题。这是混乱。
一个人的解法：38000 Star的插件市场
Seth Hobson，一个开发者，做了一个项目叫 wshobson/agents。
38.8k Stars。MIT协议。
核心思路简单到粗暴：写一份Markdown，自动生成6个平台的原生格式。
不是做"最低公约数"的翻译。每个平台拿到的是自己的原生格式——Claude Code用marketplace.json，Cursor用.cursor-plugin加rules，Gemini用TOML，Copilot用SKILL.md。
一套知识，六种表达。装一次，到处用。
这个数字很说明问题：
- 91个插件
：每个插件是单一职责的安装单元，装一个只加载一个的上下文 - 202个Agent
：覆盖架构、语言、基础设施、安全、数据、机器学习、文档、业务、SEO九大领域 - 180个Skills
：渐进式披露，激活时才加载详细知识 - 105个Commands
：脚手架、安全扫描、测试生成、基础设施配置的快捷命令 - 16个Orchestrators
：多Agent协作编排，全栈开发、安全加固、ML管道、事故响应
一个插件市场，管六个AI工具。
精妙在哪
三件事值得拆开看。
第一，按需加载。
安装一个插件，只加载这个插件的Agent、Command和Skill。不是把整个市场91个插件都塞进上下文。
举个例子：装python-development，加载3个Python Agent、1个脚手架命令、16个专项Skill。大约300个token的开销。不是几万个。
这对成本敏感的用户来说，是天大的好事。token就是钱。
第二，分层模型策略。
不是所有任务都用最贵的模型。项目分了5个tier：
Tier 0：Fable 5，长周期自主任务（大迁移、跑几小时的活） Tier 1：Opus，架构、安全、代码审查、生产关键 Tier 2：继承用户选择的模型 Tier 3：Sonnet，文档、测试、调试 Tier 4：Haiku，快速操作、SEO、部署
简单活用小模型，关键活用大模型。钱花在刀刃上。
第三，质量评估框架。
不是"我写了个插件，你自己用"。项目内置了plugin-eval三层评估：
静态分析：2秒内完成结构检查，免费 LLM评判：4个维度语义评估，约30秒 蒙特卡洛模拟：50-100次模拟运行，验证稳定性
每个插件都有质量分数。你能知道自己装的东西靠不靠谱。
跟你做AI剧有什么关系
你可能会说，这是给程序员用的，跟我做AI剧有什么关系。
关系在于架构思维。
你做AI短剧，要管理角色设定、风格偏好、项目上下文。你用扣子、用可灵、用各种AI工具。每个工具都有自己的"技能"和"记忆"格式。
你也在做翻译。
把同一个角色的性格描述，翻译成不同工具的prompt。把同一套视觉风格，翻译成不同平台的参数。
wshobson/agents的"一份源文件+多适配器"模式，完全可以借鉴。
你维护一份角色设定源文件。每个AI工具需要时，自动转换成对应格式。角色设定只写一次，到处用。
这不是程序员专属的方法论。这是所有做多工具协作的人都该学的思路。
局限性，也得说清楚
38.8k Stars不代表完美。
第一，生态绑定Anthropic模型。 分层策略里Tier 0-4全部是Claude系列（Fable 5/Opus/Sonnet/Haiku）。如果你主力用GPT或Gemini做核心推理，模型策略需要自己调整。
第二，学习曲线。 91个插件、202个Agent、180个Skills。光搞清楚自己需要装哪些，就得花不少时间。对新手不友好。
第三，插件质量参差。 虽然有plugin-eval评估框架，但社区贡献的插件质量不一定都经过严格测试。蒙特卡洛模拟跑50-100次才出结果，不是每个插件都有。
第四，更新速度。 项目最后更新是8月5日。AI编码工具的API和格式变化很快，适配器能不能跟上是个问题。
项目信息
- 项目名
：wshobson/agents - GitHub
：github.com/wshobson/agents - Stars
：38.8k - License
：MIT - 作者
：Seth Hobson - 技术栈
：Python / Markdown - 支持平台
：Claude Code、Codex CLI、Cursor、OpenCode、Gemini CLI、GitHub Copilot - 关联项目
：Pensyve（跨session记忆系统）
快速上手：
# Claude Code/plugin marketplace add wshobson/agents/plugin install python-development# Codex CLInpx codex-marketplace add wshobson/agents一句话总结： AI工具的碎片化正在吃掉你的效率。一个插件市场统一六个平台，不是让你少用工具，是让你少做翻译。
我是AI剧-阿丙，记录转型创作的真实探索