鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长：程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
13
6
22

有了 web-access，Codex 才真正开始 "会上网"

花萍雨呀
花萍雨呀
2026-06-02 19:34
阅读 4185
花萍雨呀
2026-06-02 19:34
阅读 4185

你在用 Codex、Claude Code 等 AI Agent 时，是不是也会遇到这样的情况：

想访问很多网站的信息却无法访问，显示权限有限，比如公众号、知乎、推特、小红书等平台的数据都是无法访问的

这对于信息收集效率产生了很大的影响，需要花费额外的精力来解决这些事情，比如写爬虫去爬取数据，但一些平台是有很强的反爬虫机制的，花时间写了爬虫，最后的抓取的结果也无法得到保障，这实在是太难受了

那么有没有一个工具可以解决这些问题呢？

有的，这就是本期要介绍的工具——web-access

仓库地址如下： https://github.com/eze-is/web-access

功能 & 安装

这个 skill 可以实现什么功能呢？

简单来说，你通过 Chrome 可以访问什么内容，那么 AI Agent 通过这个 skill 就能够访问什么内容

比如上面所访问不到的公众号，B站上的内容，以及需要需要登录访问、付费访问的内容就都可以访问了

安装的话，也是极其的简单，只需要和 Codex 这样说就可以了

▼
text
复制代码
帮我安装这个 skill：https://github.com/eze-is/web-access

支持 Chrome 和 Edge，在你想用的浏览器地址栏打开对应 inspect 页面，然后勾选上 "允许远程调试就可以了"，在设置完毕之后推荐重启一下浏览器

Chrome：

▼
text
复制代码
chrome://inspect/#remote-debugging

Edge：

▼
text
复制代码
edge://inspect/#remote-debugging

image.png

之后在调用的时候在 Chrome 会有这样一个弹窗，点击允许就可以正常调用这个 skill 了

image.png

在可以正常调用这个 skill 之后，和大家分享一下我的几个使用场景来抛砖引玉哈，我们现在开始

更为广泛的信息搜集

通过 web-access 可以让 Codex 的信息搜集范围得到一个极大的扩展，所以这时如果你有什么想要搜索的信息，又觉得单纯使用大模型的搜索结果不是很理想，那么就可以来试一试

比如我最近在做自己的作品集网站，想找设计感的网站，就直接和这样和 Codex 说即可：

▼
text
复制代码
请你调用 web-access 来调研有设计感的网站，最好是贴近于程序员个人作品集的那种，筛选出 20 个给我，以表格的形式输出

这个提示词只是一个参考，关于 "设计感" 是完全可以更加详细的展开的，限定更清晰的话，检索的结果一般也是越好的

最终我选择的是这个网站作为主要的参考： https://jackiezhang.co.za/

（这个网站有很多精彩的小交互，从一张图片当中是体现不出来，所以很推荐亲自去访问一下这个网站体验一下）

image.png

GitHub 仓库快速扫盲

我是一个 「每周 GitHub 精选」系列的，这意味着我需要去体验大量的 GitHub 仓库，经过筛选之后才能将我觉得不错的仓库推荐给大家

在没有这个 skill 之后我，我是需要自己去浏览一个仓库的 README.md 来有一个大致的认知，然后按照 README.md 的指导进行操作的，这样就很花时间

现在我只需要这样和 Codex 说就可以了：

▼
text
复制代码
请你调用 web-access 来访问这个仓库，并输出如下的内容：

1.这个仓库的大致功能是什么
2.这个仓鼠属于哪一种类型，是一个 skill、还是一个在线访问的网站、还是一个教程文档，亦或者是一个 CLI、巴拉巴拉（不同的类型我后续会有不同的处理方式，在这里就不展开了，总之就是让达到一个快速扫盲并体验的效果）
3.如果仓库需要安装环境，那么你直接来完成环境的安装
4.跑通这个仓库的最小闭环的步骤是什么

后续我应该会出一期如何快速扫盲 GitHub 仓库的内容，但目前还是在打磨当中，目前的版本还是很粗糙的

阅读官方文档

作为一名合格的程序员，几乎是一定要和官方文档打交道的，但很多官方文档都是英文的，当然可以通过一些浏览器助手，比如豆包浏览器的豆包来对文档进行翻译，和内容的提问，但效果嘛，我是觉得有些不尽人意的

我的做法依然是会用豆包浏览器的翻译功能，这点我确实觉得做的很好，比使用免费版本的沉浸式翻译插件是要好用的

然后把对应官方文档的网址提供给 Codex，让其作为自己的小助手，是比直接用豆包好上不少的，一方面是因为豆包的幻觉是比较强的，Codex 我用的是 GPT 5.5 的模型，幻觉要低很多；

另一方面，豆包在内容检索上基本就会局限于单一网页的内容，而 Codex 会根据需要检索更多的内容以此来更好的回答问题

如果有小伙伴是做学术方向的，我想是是可以作为参考的

邪修

前面是有提到有了 web-access 之后就可以访问已经付费的网站了嘛，所以如果你需要完成一个项目，且这个项目是有教程的，最好是文字教程哈，那么你就可以实现半天就完成简历上的项目板块，至少是在看起来还算是有模有样的

来具体举个例子，这里我们拿编程某航作为例子，其他的知识付费的平台也都是可以的，比如某马程序员、尚某谷

我们可以这样和 Codex 说：

▼
text
复制代码
请你调用 web-access 来访问这个网站，这个网站是一个项目的文字教程，请你按照这个文字教程来完成这个项目的这一小节，网址：××

我实测过，一个文字教程当中除了部署上线的部分，其他的基本都可以让 Codex 来直接完成，所以如果时间确实紧张，且需要有项目的话，就可以采用这个邪修法子

更加建议的还是把网址告诉 Codex 之后，在自己做项目的时候遇到不会的内容让其作为辅导

毕竟单纯的项目有了，但是一个项目到底是怎么做出来的，为什么要这样做，取舍在哪里等等这些内容都是需要自己亲身做过项目才能回答出来的，通过这个邪修的方法并不能提高你的实际能力，所以大家谨慎使用

image.png

以上我自己使用 web-access 的常用场景基本就分享完了，相信肯定还有很多场景是我没有挖掘出来的，如果可以的话，欢迎大家分享一下是如何 web-access 的~

最后：

AI 工具很多。

但真正能进入日常工作流、 并且长期留下来的， 其实很少。

这个系列会继续记录：

那些真正进入我工作流的 AI 工具、Skill 与自动化方案。

GitHub
工具
AI
13
22
分享
操作
评论
相关内容
0个评论
全部评论
点击登录，快来和大家讨论吧～
表情
图片

目录

🔥 热门文章
1
手把手教你设计一个成熟的 Agent Harness
2500
2
我用 REA 逆向了付费颜色 APP，结果很意外！
570
3
离谱，DeepSeek 崩了 5 小时，大家却喊：梁圣恩情还不完？？
420
4
DeepSeek 全新模型发布，性价比最高的一集！
380
5
B 站上 DeepSeek 闹鱼灾了，我发起《大肥鱼清除计划》！
370
6
自己学习ai，直接买cursor 的套餐，还是买gpt 或者claude 的套餐?
360
7
又一个国产版 Codex 神器，也来卷办公了！
330
8
AI 越强，被它拒绝的代价就越大 我有时候会想：AI 越来越厉害之后，有些事情，会不会反而越来越难做？ 这个想法看起来有点矛盾。AI 明明在降低门槛，让不会写代码的人做出软件，让不会画画的人生成图片，让一个人完成过去需要整支团队才能完成的工作。但今天用 Codex 的时候，AI 拒绝帮我编写 SQL 注入的请求体，而那还是我有源码、在本地跑测试的情况。那么，往后是否只会更难？ 我们假设某一天，AI 说：「这个请求违规，我不能帮助你。」到那个时候，你还有多少能力，能绕过它，把事情做完？ 这里的「违规」需要打个引号。平台的规则、模型的判断、法律的要求，以及一件事实际有没有造成伤害，彼此之间并不总是画得上等号。一个请求可能确实危险，也可能只是缺少上下文被误判，或者恰好落在某家公司的限制范围里。 无论是哪种情况，随着我们越来越依赖 AI，这句拒绝都可能变得越来越贵。 今天，一个程序员让 AI 帮忙写代码，AI 拒绝了，他大概率还有别的办法：查文档、找开源项目、问同行，或者自己写。麻烦一点，慢一点，但路还在。 可如果十年之后，大部分程序都由 AI 完成，情况就不一样了。 很多人从接触编程的第一天起，就习惯了描述需求、等待生成、运行结果、继续迭代。他们能做出相当复杂的产品，却未必经历过独立处理底层问题的训练。平时，这种能力结构完全够用，效率甚至更高。只有 AI 拒绝的时候，他们才会发现：平常被省掉的那段学习过程，恰好是此刻最需要的东西。 到那时，一次拒绝的成本，可能就从「今晚多花两个小时」，变成「先花半年学会这门技术」。 拿 SQL 注入举个稍显极端的例子：往后，连真正理解这类攻击如何发生、能够独立构造测试的人，会不会也越来越少？ 这里也包括那些有正当需求的人。一个开发者想检查自己的旧系统，一个经过授权的安全研究员想复现漏洞，假如 AI 识别到危险模式就拒绝，而使用者又只熟悉「让 AI 帮我检查」，这项原本可以独立完成的工作，就这样卡住了。 但是安全专家不会因此消失，但这类技能可能越来越集中在少数人手里。你仍然可以找专家，只是要付出更多的钱、更多的时间，以及更高的沟通成本。 类似的困境，未必只发生在网络安全领域。 你想从一个停止维护的软件里取回自己的数据，需要解析它的旧文件格式。AI 判断这涉及规避保护措施，拒绝继续。你拥有这些数据，却没有能力把它们读出来。 你买了一台设备，厂商停止提供服务。你想修改程序让它继续运转，过程中需要处理某种访问限制。AI 不愿协助，而你所掌握的维修方式，早已只剩下「把报错发给 AI」。 你想给常用的网站写一个辅助工具，减少重复操作。平台将此归入自动化限制，AI 也据此拒绝。过去会写脚本的人可以自己判断、自己处理；未来的使用者，可能连从哪里开始都不知道。 这些例子有一个共同点：当工具同时承担了「执行工作」和「传授知识」的角色，它的拒绝就不只是挡住了一次任务，也挡住了获得这种能力的机会。 更麻烦的是，这种依赖往往是我们主动选择的，而且每一步都很合理。 既然 AI 几秒钟就能做好，为什么还要花几个月学习？既然公司可以采购成熟的 AI 服务，为什么还要养一支负责基础工作的团队？既然市场上已经很少有人手写这些东西，学校为什么还要花大量时间教？ 对个人、公司和学校来说，这些选择都有现实依据。但叠加起来，整个社会保留的独立能力就可能越来越少。等到某项能力突然受到限制，我们才发现，备用方案早已在追求效率的过程中被一点点削掉了。 所以，「AI 越强，做事越便宜」可能只描述了未来的一半。 另一半是：被允许的事情越来越便宜，被拒绝的事情依然需要人工完成，却要面对更少的人才、更高的报价，以及越来越难获得的知识。两边的成本差距，会越拉越大。 有人会说，可以换一个模型，或者用本地模型。这确实是重要的选项。只要工具之间还有充分竞争，开放模型还足够可用，限制就未必能形成真正的门槛。 但备用方案也需要维护。它需要硬件、知识、软件生态，以及一群仍然理解这些系统的人。如果大多数人已经习惯了最方便的商业服务，那么「理论上还有别的办法」和「普通人实际用得起、用得明白」，之间仍然可能隔着很远。 我担心的，正是这段距离。 我不指望 AI 对任何请求都照单全收。对明显会伤害他人的行为设置限制，有充分的理由。但我们也需要关心：限制由谁定义，误判有没有申诉渠道，用户能不能换工具，以及脱离这个工具之后，还剩下多少独立行动的能力。 保留这些能力，平时看起来甚至有点低效，明明可以自动生成，还要理解原理；明明可以一键完成，还要知道手动怎么做。 但这些看似多余的知识，会在工具拒绝、失效、涨价或改变规则的那一刻，成为真正的选择权。 AI 越强，我们可能越需要留意它说「不」的那一刻。 因为那句话的分量，最终取决于：它拒绝之后，我们还能做什么。
310
9
day3-如何写出一个高质量的 Skill（组内分享） 高质量 Skill 不是“一个调得很顺的巨型 Prompt”，而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”，再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子，但方法是通用的。 --- 一、先想清楚：Skill 到底是什么 一个 Skill 至少包含四部分： 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做，每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办，而不是硬编一个看似合理的结果 高质量 Skill 的共同点：职责单一、接口清晰、规则可定位、输出可验证。 反例：把几十条经验全塞进一个主 Prompt，改一条规则要重调整个 Prompt，评估时也不知道是哪条规则退化。 --- 二、核心方法：先建评估，再写 Skill 不要先写转换器再补测试。正确顺序是： 1. 定义输出契约：什么算合法、什么算合格； 2. 建金标准集：一小批人工认可“可放行”的样本； 3. 先写评估 Skill：让它在金标准集上跑出基线； 4. 再迭代生成 Skill：每次修改跑同一套评估，无退化且目标维度提升才算正向。 这就是评估驱动开发：评估是 Skill 的单元测试，金标准集是回归锚点。 --- 三、评估 Skill：三层门禁，逐层递进 前一层不过，后一层不跑。每层留可追溯证据。 第 1 层：确定性硬门禁 用解析器、Schema、校验器完成，不消耗模型成本。 · 输出可解析； · 必填字段齐全，类型/枚举合法； · 引用目标存在，无悬空引用、无不可达节点； · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层：语义断言 用脚本 + 结构遍历检查“逻辑对不对”，仍然保持确定性。 通用检查项： · 覆盖率：源材料里的关键步骤、分支、条件，输出里是否都有对应？ · 完整性：每个判断节点是否都有明确出口？有没有死胡同？ · 可达性：每条路径是否都能到达预期终点？有没有无出口循环？ · 顺序与依赖：有先后依赖的操作，是否保留了顺序？有没有被拍平成无序列表？ 例子：故障诊断转换中，检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层：LLM-as-Judge 只处理解析器表达不了的维度：忠实度、完整性、可执行性。 但 Judge 会漂移，不能单独放行，必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化，换模型必须用金标准集重新校准。 通用 Judge 维度： 维度 问什么 忠实度 输出是否忠实源材料意图？有没有自行发明内容？ 完整性 关键步骤、条件、证据是否保留？隐式知识有没有被压成空话？ 收敛性 输出是否仍指向原目标，而不是发散？ 可执行性 下游不依赖源材料能否直接使用？ --- 四、金标准集：回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子，扩到 15～30 份，覆盖失败模式而非随机抽样： · 完整正例：典型流程； · 边界/异常分支：异常路径、循环、前置失败回退； · 已知易错模式：实际踩过的坑； · 留出集：不参与调优，只用于最终验收，防过拟合。 金标准不需要完美，只需要当前标准下认可可放行。 回归指标：关键路径用 pass^k（k 次全过），稳定性用 pass@k。 --- 五、工程约束：让批量产出可重放 · 幂等：同输入 + 同 Skill 版本 + 同规则 → 输出一致，否则无法判断变好是 Skill 改了还是随机波动； · 隔离不阻断：单份失败进隔离队列，记录失败层和原因，不阻塞其余； · 版本绑定：规则、rubric、金标准集进 Git；每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”； · 抽样人工复核：Judge 临界样本 + 易错模式，人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅，写清：输入约定、输出契约、分步流程、硬规则、降级策略； · 经验规则放 references/ 或 rules/，按失败模式分类，不要全塞进主 Prompt； · 不确定时标 needs_review: true，不要硬编看似合理的结果； · 迭代由评估报告驱动：报告告诉你哪层挂了、哪类失败模式，你改对应规则文件，而不是漫无目的调 Prompt。 --- 七、落地顺序（不要反过来） 1. 固化输出契约：Schema + 结构约束； 2. 建金标准集：从已认可的 + 最易出错的样本开始； 3. 先写评估 Skill：跑出基线报告； 4. 再迭代生成 Skill：每次修改对比逐项通过率，无退化且目标提升才算正向； 5. 批量运行 + 隔离回放：失败进队列，结束后人工抽检； 6. 评估 Skill 自身版本化：换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”：每次修改必须附评估报告对比，逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数：前两层挂了，Judge 分数没有意义。 3. 不许把规则堆进主 Prompt：规则按失败模式分文件，评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”，评估 Skill 决定“敢不敢用”。 先让评估体系站稳，再让生成器迭代。这样交付的不是一堆“看起来还行”的产出，而是一套可证明、可回归、可交接的 Skill 质量体系。
300
10
WorkBuddy 本地 API 桥 + dsh 插件：把你的 WorkBuddy 额度，变成手边随手可用的模型
290
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题