先把本期五件放进一张地图，你会发现它们集中在两个新楼层：
flowchart TD
A["工作流自动化新供给"] --> B["编排层"]
A --> C["自优化层"]
A --> D["行业层"]
A --> E["末梢层"]
B --> B1["fable-orchestrator"]
B --> B2["dream-loop"]
C --> C1["SoL-Pi"]
C --> C2["ECC"]
D --> D1["delivery-harness"]
E --> E1["moli"]
编排层的逻辑：既然一个 agent 干活会累（上下文会爆）、会贵（全用旗舰模型），那就让便宜模型干活、聪明模型派活。自优化层的逻辑更激进：流水线本身也该有流水线来调。行业层则是把“即时配送”这种具体业务流程做成可复用的 harness 模板。这个分布和五月的自动化新星普查结论一脉相承——供给持续挤向编排层——但本期的新信号是自优化层第一次出现成建制的产品。
| Skill | 仓库 | 星数 | 功能 25% | 设计 25% | 实战 20% | 上手 15% | 社区 15% | 加权 |
|---|---|---|---|---|---|---|---|---|
| fable-orchestrator | codejunkie99 | 605（新上架） | ★★★★ | ★★★★ | ★★★ | ★★★★ | ★★★ | 3.7 |
| SoL-Pi | NVlabs | 1897（45天内） | ★★★★ | ★★★★ | ★★★ | ★★ | ★★★★ | 3.5 |
| dream-loop | achimala | 993（新上架） | ★★★ | ★★★★ | ★★★ | ★★★★ | ★★★ | 3.4 |
| ECC | affaan-m | 258384（近3天活跃） | ★★★ | ★★★ | ★★★ | ★★ | ★★★★★ | 3.2 |
| delivery-harness | diudiu-tech | 1968（45天内） | ★★★ | ★★★ | ★★★ | ★★★ | ★★★ | 3.0 |
仓库描述只有两句话："Fable 5.1 orchestrates. GPT-5.6 Luna and DeepSeek V4 Flash implement."——一个编排者，两个实施者，拓扑在门牌上就画完了。这是本期唯一把“多模型分工”当全部卖点的纯 Skill 形态新件，也是多 Agent 协作赛道的新方言：上一代编排件（谁在指挥谁那轮盘过的六件）解决的是“一个 Claude 指挥多个 subagent”，这一件解决的是“一个 Claude 指挥别家模型”。亮点是成本叙事直白——把活派给便宜模型，旗舰模型只做拆解和汇总，这对跑批量任务的用户是实打实的账。短板也写在门牌上：两个实施模型的名字被硬编码进描述，模型一升级门牌就过期；描述里没有出现任何 review、verify 字样，质检位缺位。上架不足一周已攒 605 星，速度不慢，但成色需要等第一批实测反馈，目前无人佐证其编排质量。
# 方式一：skills CLI
npx skills add codejunkie99/fable-orchestrator
# 方式二：手动安装
git clone https://github.com/codejunkie99/fable-orchestrator ~/.claude/skills/fable-orchestrator
NVIDIA 实验室出品（NVlabs 组织名下），标题就叫《SoL-Pi: Scaling Auto-Research Loops for Efficient Agent Harnesses》。翻译过来：自动研究循环，规模化地用来造更高效的 agent harness。它不是装进 Claude Code 就能用的 Skill，而是一套研究系统——让“设计实验、跑 harness、分析结果、改进设计”这个循环本身自动化，相当于把本栏多轮写过的“工程纪律流水线”反过来用：不是用纪律约束 agent，而是让 agent 自动发现哪套纪律最好使。45 天内 1897 星，在研究向仓库里属于起量很快的。亮点是把“工作流优化”从手艺变成了可规模化的循环；短板是上手门槛——TypeScript 研究仓库，需要自己搭环境、自己出算力，对普通用户是围观件而非装机件。适合谁：正在维护自家 agent 流水线的团队，把它当“流水线的流水线”来抄思路。
git clone https://github.com/NVlabs/SoL-Pi
# 研究仓库，部署方式以官方 README 为准，非即插即用件
描述写着："The agent harness performance optimization system. Skills, instincts, memory, security, and research"——skills、本能、记忆、安全、研究，五个车间，试图做 agent 的整车厂。它和 SoL-Pi 同属自优化层，但路数更“产品化”：不是跑研究循环，而是把一套优化好的 harness 组件直接交付。问题在星数：258384 颗星，已超过 react（同期抓取 250443），跻身 GitHub 历史最头部区间——这个量级必须持保留态度。上一轮周报已对账过“压过 React”的星数通胀现象，本篇不重复展开，只提醒一句：星数与装机口碑之间，本期依然缺一环验证。设计上，“五车间”的名词堆砌是反面教材——把所有能力塞进一句描述，反而让触发边界模糊，这点后面写法观察里细说。近 3 天仍在活跃榜上，热度为真，成色存疑。
git clone https://github.com/affaan-m/ECC
# 组件型仓库，具体安装路径以官方 README 为准
Java 写的 "AI harness reference implementation for on-demand delivery workflows"——即时配送行业的工作流参考实现。它提醒我们一件常被忽略的事：工作流自动化不只有程序员场景。骑手派单、超时重派、高峰调度，这些流程高度结构化、异常路径丰富，恰好是 harness 最能吃的场景。45 天内 1968 星，在 Java 仓库里算受到关注。亮点是“参考实现”这个定位很诚实：不承诺开箱即用，只给一套可抄的行业答案。短板同样清楚：Java 技术栈与 Claude Code 用户的 Script 主流生态有距离，普通读者装不了也跑不动，它对绝大多数人的价值是读而不是装——把你行业里的流程抽象成“状态机 + 异常分支 + 验收点”这三件套，delivery-harness 是个现成的范本。对想给垂直行业写 Skill 的人，值得当字帖看一晚。
git clone https://github.com/diudiu-tech/delivery-harness
# Java 参考实现，按仓库文档构建，建议以阅读为目的
npx skills add achimala/dream-loop
# 或手动：git clone https://github.com/achimala/dream-loop ~/.claude/skills/dream-loop
本期网络材料受限，无法逐行核对 SKILL.md 全文，但 fable-orchestrator 那两句话本身值得当设计文本来拆。它声称的工作方式大致是：
flowchart TD
U["用户下达任务"] --> F["Fable 5.1 编排"]
F -->|拆解派活| L["Luna 实施"]
F -->|拆解派活| D["DeepSeek 实施"]
L --> R["回收结果"]
D --> R
R --> V["校验汇总"]
V --> O["交付产出"]
（图据仓库描述绘制，质检环节为推测，仓库未证实。）
第一句 "Fable 5.1 orchestrates."——主语是产品名，谓语只留一个动词。这是门牌写法的教科书：用户三秒内知道“它是干什么的”，没有第二个动词来稀释触发边界。第二句 "GPT-5.6 Luna and DeepSeek V4 Flash implement."——和第一句形成对仗，orchestrates 对 implement，一个老板对一群工人；更狠的是把具体型号写死在门牌里，等于把路由逻辑和成本结构都前置公开：贵的负责想，便宜的负责做。
对照反面是 ECC 的名词堆砌——五个能力名词挤一句，读者不知道它到底先触发哪件事。两相对照，本期给 Skill 作者的第一条写法结论：门牌上写动词，不写名词；写一个动词，不写两个。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。