ANTIMERIDIAN
目录 →
研究与项目 / 研究文库 / Codex 技能 Primer
The Codex Skills Catalog Primer · 06

05 · 工具与媒体件 Primer

八件工具与媒体技能:playwright×2(浏览器自动化)、jupyter、pdf、screenshot、speech(语音合成)、transcribe(语音转写)、imagegen(图像生成)、cli-creator(从 API 文档造 CLI)——Codex 的「手和眼」。

Chapter 6/8字符 1287结构标题 4表格 0
English library directory → · 正文保留原文语言
PLATE 01 / CHAPTER STRUCTURE05 · 工具与媒体件 Primer01一句话定位02八件精要03方法论精华04编者注CHAPTER6/8CHARACTERS1287PARAGRAPHS14TABLES0
按原文章节顺序展示前五个结构节点;不足三个标题时补入原文句子。箭头表示阅读顺序,不表示因果关系。
BOOK SKYLINE & CHAPTER POSITION · 06 / 08Codex 技能 PrimerCURRENT CHARS1287SECTIONS4POSITION6/8
Plate 02 · 全集 8 篇的字符数;黄色为当前篇。高度按全集最长篇归一化。
PLATE 03 / SECTIONS 1–5段落结构与篇幅 / 字符数导言 · 05 · 工具与媒…140一句话定位150八件精要544方法论精华326编者注127
按标题至下一标题的独占区间统计非空白字符(含 Markdown 标记)。每幅图独立归一化;篇幅不代表重要性或证据强度。
核心命题结构拆解边界条件原文核验
八件工具与媒体技能:playwright×2(浏览器自动化)、jupyter、pdf、screenshot、speech(语音合成)、transcribe(语音转写)、imagegen(图像生成)、cli-creator(从 API 文档造 CLI)——Codex 的「手和眼」。一句话定位 → 八件精要 → 方法论精华 → 编者注原文《05 · 工具与媒体件 Primer》未单列边界标题;请在正文核对假设、时间与适用范围。回到下方原文核对“一句话定位”;本章 4 个结构标题、0 张表。

八件工具与媒体技能:playwright×2(浏览器自动化)、jupyter、pdf、screenshot、speech(语音合成)、transcribe(语音转写)、imagegen(图像生成)、cli-creator(从 API 文档造 CLI)——Codex 的「手和眼」。


一句话定位

感知与执行的末端全部技能化:看浏览器(playwright)、看屏幕(screenshot)、读论文(pdf)、算数据(jupyter)、听与说(transcribe/speech)、画图(imagegen)——外加一件元工具:从任何 API 文档给 Codex 造一个 CLI。

八件精要

playwright / playwright-interactive —— 浏览器自动化双件:终端驱动的真实浏览器(导航/填表/快照)+ js_repl 里的持久浏览器会话(快速迭代式 UI 调试)——一次性任务与长会话调试两种形态

screenshot —— 桌面/系统级截图:全屏、特定应用/窗口、区域——「用户明确要求时」触发(屏幕访问的严格门槛)

jupyter-notebook —— 创建/脚手架/编辑 .ipynb:实验与探索的载体技能

pdf —— 「渲染与排版要紧时」的 PDF 读取/创建/审查——优先视觉保真路径(与 Anthropic pdf 的「全操作」定位差异在侧重点)

speech —— 文本转语音:旁白/配音/无障碍朗读/音频提示,批量合成

transcribe —— 语音转写:可选说话人分离(diarization)与已知说话人提示——会议与访谈的入口技能

imagegen —— 位图生成/编辑:照片、插画类视觉任务

cli-creator ·(本组最有趣) —— 从 API 文档/OpenAPI spec/curl 示例/SDK/Web 应用,为 Codex 组装一个可组合 CLI——把「读文档拼命令」变成「造工具再用」

方法论精华

1. 「手眼」分类法:八件按感知(screenshot/playwright/pdf/transcribe)与执行(speech/imagegen/jupyter)分——agent 的能力清单就该按「能感知什么、能做什么」两轴列。

2. cli-creator 的元工具价值:不为每个 API 写技能,而是造一个把 API 变成工具的工具——一次投入,N 个 API 受益,是「造工具的工具」在集成层的镜像(对照 Anthropic 的 mcp-builder)。

3. 触发门槛的分级:screenshot「用户明确要求才触发」vs playwright「任务需要就触发」——权限越敏感,触发越严格,安全意识藏在触发条件里。

编者注

对照 Anthropic 的文档四件套(docx/pdf/pptx/xlsx):OpenAI 的媒体件偏「输入侧感知」(听/看/读),Anthropic 偏「输出侧工艺」(做文档)——两家的「手」长在不同的胳膊上,这行观察会在 07 的对比篇展开。