Agent、Skill、插件与 Codex 实践

这本小册是一份面向 AI 工程的资源导航和实践指南。它不追求收集最多链接，而是帮助你区分 Package、CLI、Skill、Plugin、MCP server、单 Agent 与多 Agent，找到可信资源，并把它们组合成可验证、可维护、可撤销的工作流。

小册结构

部分	核心问题	实践产物
扩展系统与资源选型	应该用包、Skill、Plugin、MCP 还是 Agent？	候选资源评分卡与权限清单
Skill 资源与工程	如何编写、触发、测试和迭代 Skill？	一个仓库级 Skill
插件与 MCP	如何连接工具并分发稳定能力？	一个只读 MCP 工具与 Plugin 骨架
Agent 框架与工具	如何选择框架、编程 Agent 和浏览器 Agent？	一个有预算的最小 Agent
多 Agent 协作	什么时候值得拆分，如何控制状态和冲突？	一个可恢复的并行工作流
Codex 工程实践	如何让 Codex 从需求走到验证和交付？	AGENTS.md 与证据化交付回路
场景化 Skill 资源	设计、幻灯片、知识、媒体有哪些优质资源？	一条场景化生产流水线
评测安全与进阶	如何度量、红队和发布 Agent 能力？	一个可审计的团队工程插件

阅读第1部分建立能力地图，然后直接进入第6部分。为当前仓库补齐 AGENTS.md、任务边界、验证证据，再按需回到 Skill 或 MCP 章节。

依次阅读第2、3部分。先用一个真实任务做仓库级 Skill，经过正负样本测试后，再打包成 Plugin；只有确实需要外部工具或数据时才加入 MCP。

依次阅读第4、5、8部分。从单 Agent、窄工具和明确停止条件开始，建立 trace 与评测集，再判断多 Agent 是否真的缩短关键路径。

资源卡链接到官方文档或原始 GitHub 仓库。标签描述的是资源形态或主要技术栈，不代表质量评级。开源项目的维护状态、许可证、权限与兼容性会变化，接入前应按第1部分的评分卡重新核验。

不要直接运行陌生仓库的一键安装脚本，也不要把云密钥、模型密钥或登录凭证写进 Skill、Plugin manifest、AGENTS.md 和示例代码。先静态审计，再在隔离环境试用。