xingwu-vision-agent 用三层约束解决中后台 Web Agent 找入口的问题，在 vue-element-admin 4.4.0 本地靶场跑通 15 个页面状态且全部自动完成。
能拿走三层入口定位的具体做法，AST 扫路由配模板状态、DOM 打分并列即熔断、SoM 编号加动作租约兜底；落到软件工厂的 UI 自动化测试线，代价是适配器只覆盖 Element UI 四类容器，人工接管链路无实跑样本。
物流团队用多模态模型识别四千张真实运单，字段识别率从 91.4% 提到 96.9%，叠加规则校验后错误率从 3.2% 降到 0.4%。三个坑分别是通用提示词不认运单结构、整页 PDF 直接丢给模型导致 500 张里 41 张失败、置信度 0.9 以上字段仍有 3.2% 出错。
能拿走领域先验提示词、字段级 confidence 加正则与号段校验的复核队列、PDF 转 PNG 拆页压到 2000px 三条做法，落到软件工厂的文档录入链路；代价是复核队列仍占约 11% 人工。
AWS 发布教程，用 Amazon Nova Multimodal Embeddings、Amazon Bedrock AgentCore 和开源 Strands Agents SDK 搭建多智能体工程助手，把零件替换评估中的人工交叉比对改为自动汇集证据。
能拿走一套可复用做法：planner 用 Haiku 路由、Sonnet 跑工具、Opus 只在多专家时汇总，规格判定全用 Python 确定性代码；代价是要自建多模态知识库和 S3 Vectors 索引，图片查询路径权限缺失会静默回退。
开源项目 elastic_multimodal_search 用 Jina AI 多模态 embedding 把文本、图像、音频、视频帧映射到同一向量空间，再由 Elasticsearch 做 BM25 词法检索与 k-NN 向量检索的混合匹配，覆盖音乐、动物、图像、电影、图书、跨模态、套娃降维、词向量可视化 8 个 Streamlit 搜索模块。
能拿走一套可跑的多模态检索模板，含 Jina 多模态 embedding 加 ES 的 BM25 与 k-NN 混合检索、RRF 融合和 Matryoshka 截断到 128/256/512/1024 维；落到知识沉淀和本地模型部署，前提是自备 ES 8+ 集群和 OpenRouter、Gemini 密钥。
作者在 RTX 5070 Ti 16GB 上用 vLLM 0.30.0 部署 Qwen2.5-VL-7B-Instruct-AWQ（6.5GB），跑通二维码缺陷质检的码制识别与可见性判定批量推理。
能拿走 16GB 单卡跑 7B 多模态的整套 vLLM 参数和六个坑，直接落到本地模型部署与质检流水线，代价是版本组合敏感、需自行验证 flashinfer 开关。
作者用《剑桥中国秦汉史》3 页 300 DPI 样本实测三种 OCR 方案，本地 qwen3.5-9b 字错率 0.5% 质量最高，Apple Vision 3.2% 且单页 12 秒快 15 倍，gemma-4-e4b 达 40.1% 中文不可用。
能拿走金丝雀页测模型是否真看图、关思考加封顶 token 防空输出，以及 Vision 跑量加 qwen 抽检的二校架构，代价是 qwen 单页 80 秒且独占槽位。
作者用微信小程序原生前端加纯 Node.js 内置模块后端做了一个病历归档工具，拍照后由 AI 提取就诊日期、医院、疾病名称和报告分类，并复盘了本地 Qwen2.5-VL 3B 推理落地时的几个工程坑。
能拿走异步 jobId 轮询、Provider 环境变量切换、1x1 PNG 带图预热三套做法，落到本地模型部署和软件工厂的长任务链路，代价是内存队列无持久化、CPU 推理仍要 40-60 秒。
作者用 Claude in Chrome 扩展让 Claude Code 在已登录的 ChatGPT 网页里自动填 prompt、发图、下载并切图，13 轮出图留下 35 张原图，全程同一个对话保持画风一致。
可照搬的是让 Claude Code 用页面 JS 操作已登录的 ChatGPT 网页出图，配固定 prompt 尾段和切图脚本；代价是网页结构会变、单轮出图最长 26 分钟，听感和观感仍需人判断。
作者用 MOSS 开放平台的生图与 TTS 接口加 ffmpeg，把法拉第与爱迪生的历史故事做成 1080×1920 竖屏视频，全程不开剪辑软件。
能拿走分镜 JSON 加三个脚本的纯命令行流水线，按实测音频时长反推时间线、ASS 烧字幕、ffmpeg zoompan 运镜，落到视频产线；代价是生图水印需 OpenCV inpaint 本地处理，concat 清单必须写绝对路径。
Property Finder 发现其评测标签有 96.8% 直接沿用现有 VLM 的预测而非人工核验，导致任何替代模型在比较中天然吃亏。
可拿走一套做法，先人工重标几百张图做无偏基准，再用 Micro F1 加错误分析迭代提示词，最后用 MIPROv2 自动优化；能落到本地模型部署的选型评测线，代价是要有领域专家标注，356 张只够测中等差异。
作者用 Codex Skill 把知识解说视频链路拆成 DeepSeek 分镜、Qwen-TTS 逐句配音、汇影AI 素材检索和 capcut-meta 生成剪映草稿四段，各环节定好输入输出契约。
能拿走强制 visual/comment 二分类的分镜提示词与 JSON Schema，把文案到剪映草稿的机械环节自动化，落到视频产线；代价是要自己处理素材链接过期、片段重叠和编码不统一。
作者用 Claude Opus 5.5 配合 painted-animation skill，为王贰浪《把回忆拼好给你》做了 59 秒高潮段 MV，全程只发三条消息，由模型完成分镜、写代码逐帧绘制和自查修改。
能拿走一套代码逐帧渲染 MV 的完整流程，含 painted-animation skill、beat_grid.py 测节拍、联系表自查和本地渲染命令，可接到视频产线；代价是水彩笔刷吃显卡，云端完整画质 59 秒要渲约 20 小时。
作者把同一份 React 组件代码、同一张渲染截图和同一张 Figma 参考图交给 gpt-5.6-terra（medium 推理强度）连打八次分，结果在 0.82 到 0.93 之间波动，7 次过 0.85 门槛、1 次不过，而 schema 是否合法等布尔字段八次完全一致。
同一份代码同一张截图连打八次分，分数在 0.82 到 0.93 之间漂，说明用 LLM 打分当门禁会把噪声当回归；可拿走的是植入已知缺陷、多次重跑、再加一道 Clef 否决的做法，代价是要重跑一遍缺陷集且 Clef 会把大图缩到 30 万像素。
AutoVideoHub 把视频生产中最耗时的找素材环节自动化，输入文案后输出可精剪的粗剪片、素材包和分镜稿，不做文案生成也不替代精剪。链路分四段，LLM 把文案结构化成含语义、情绪、景别、主体的分镜 JSON，再映射成英文检索词，从 Pexels、Pixabay、Coverr、Mixkit 抓取免费商用素材，搜不到时用 AI 生成兜底。
能拿走四段可插拔链路和 CLIP 抽帧图文评分做素材筛选，落到视频产线；前提是自备 LLM 与素材 API，精剪仍要人工。
作者开源了一条从 LLM 选题、剧本、主体确认、分格生图到微信公众号草稿箱的 Web 流水线，MIT 协议，clone 后三条命令即可跑起来。项目用 Next.js 15 加 Prisma 7 和嵌入式 SQLite，约 3.4 万行、201 个单测全绿，核心业务放在不依赖框架的 pipeline 纯函数层。
能拿走 pipeline 纯函数加 route 薄壳的分层、按格动态拼参考图、文件名版本化与进程内串行写链，落到小说创作和视频产线；代价是单进程锁不能横向扩展，生图协议要按网关方言另写通路。