这份清单回溯原始开源仓库，只保留能嵌入 AI 工作流、解决具体问题的工具，剔除观点文、教程、新闻、模型和提示词合集。共 15 个，覆盖 AI 编程 Agent 配置、上下文压缩与成本控制、科研/写作/交易技能及数据采集，每个说明场景、问题与官方地址。其共同点是把 AI 从“会答题”推向“能干活”：Skills 封装能力，MCP 连接工具，压缩与规范控制质量。但工具只降低重复劳动和门槛，判断力、合规性与最终把关仍靠人；选工具前先明确要解决的具体事项。
文章把“封神提示词”、去套话和自动优化统一为提示词工程：模型并非直接答题，而是在猜测需求，需补齐目标、上下文、格式与失败态。核心七技包括反问澄清、去套话、结构化框架、少样本示例、显性推理与自检、输出契约、上下文工程，并形成定标到归档的闭环 SOP，要求同提示词至少跑三次，用完成率、格式合规、首次可用率、返工、幻觉率、稳定性评估，沉淀资产库。工具能提升规范性，但质量上限取决于对问题的理解深度。读者可据此减少返工与幻觉，把个人技巧变成稳定产出。
文章提出“半个产品经理”应用AI落地项目的核心思维转变：目标是成为“懂行的包工头”，掌握架构与环境认知，将具体编码细节外包给AI。需把握三个核心概念：一是环境隔离（Python需管理虚拟环境，Next.js依赖node_modules）；二是区分构建时与运行时错误；三是明确客户端与服务端边界，安全和重型计算须在服务端执行。可放心交给AI的包括安装命令参数、配置文件写法、语法样板及CSS属性。最终只需掌握整体控制面板——Python作为计算引擎，Next.js作为界面与连接器，API作为传输带，明确组件间连接方式即可。
