WorkBuddy技能评测 #249 | AI/ML 与开发工作流：15 条，把开发流程压成几个斜杠命令
基本信息
- 组内条数：15 条，热度 2,023 – 2,112
- 第一部分（2,112）：一套斜杠命令式的开发工作流 —— dev（极轻量端到端流程）、do（结构化功能开发）、omo（多智能体编排）、sparv（Specify→Plan→Act→Review→Vault 五段式）、test-cases（从 PRD 生成测试用例）、product-requirements（交互式 PRD 生成）、codeagent（多后端代码任务）、skill-install（从 GitHub 装技能并做安全扫描）
- 第二部分（2,023）：ML 训练工具 —— pytorch-fsdp2、instructor、sentence-transformers、huggingface-accelerate、llama-factory
它解决了什么痛点
第一部分解决的是「每次开新功能都要重新组织一遍对话」。把「澄清需求 → 写规格 → 实现 → 自测 → 记笔记」固化成命令，好处不是快，是不会漏步骤。sparv 那个五段式最典型：它在实现前强制过一道「10 点规格闸门」，没过不许写代码。
第二部分是另一回事：它把几个主流训练框架的用法固化成技能，解决的是「换个框架就要重读一遍文档」。llama-factory 和 fsdp2 这两条对做微调的人有用。
对我有没有用（技术 / 自媒体 / AI / 读书）
AI：本档最对口的一组。sentence-transformers 和 instructor 是构建 RAG 和结构化输出的常用件；llama-factory 是做本地微调的标准入口。如果你在搭自己的知识库或做小模型实验，这 5 条能省掉不少查文档时间。技术：中等，sparv 的规格闸门思路值得抄，但那一整套命令需要你接受它的工作方式。自媒体：弱。读书：间接有用，配合 #250 的 notebooklm 可以搭出「资料 → 结构化笔记」的链路。
典型场景
你要给自己的文章库做语义检索。做法：用 sentence-transformers 生成 embeddings（技能里给了模型选择和批量处理参数），用 instructor 约束模型输出成固定的 JSON 结构（标签、摘要、关联文章）。成果：一个能跑的最小可用检索系统，而不是「研究了三天框架还在选型」。
一句话结论
两半内容，两种用途：想改开发习惯的看 sparv，想做 AI 应用的看后 5 条。都不算惊艳，但都能省时间。
📊 完整对比数据见在线总表：WorkBuddy 技能市场全量调研总表（腾讯文档）
发表评论: