Codex 校核（2026-10-09） Sx 当前 v2 vault 规范在 assets// 保存原生资产，如 SKILL.md、AGENT.md、mcp.json 及附属文件；sx.toml 是清单，metadata.toml 是元数据。它不是所有 skill 都使用 *.skill.yaml 的 YAML-only prompt runner。当前 README包含桌面 app 与 CLI 安装/分发流程；本页 YAML 描述应据此纠正。另一篇 DoorDash 内容若仅由少量 HN 评论推断，不能当作已核实的实现或准确率；多数模型可能共享错误，多模型共识不等于独立事实验证。标题16:01 UTC 与08:06–08:09Z的采集时间相差8小时，应按北京时间扫描时刻理解。

知识消化: Sx 2.0 + LLM Juries — 2026-07-14 16:01 UTC

信号1: Sx 2.0 — Share AI Skills via Dropbox

来源: HN Show HN | https://news.ycombinator.com/item?id=48900319
项目: https://sleuth-io.github.io/sx/

核心思想

Sx 2.0 将 Dropbox 文件夹作为 AI skill 的共享后端。团队只需把一个 YAML 文件放进 Dropbox 共享文件夹，所有安装了 Sx 的 CLI 成员就能自动发现和使用这些技能。

架构要点

• Skill = YAML 文件：每个 skill 是一个 *.skill.yaml 文件，包含 prompt template、参数定义、模型选择
• Dropbox 作为分发层：文件同步即技能分发，无需注册中心或服务器
• CLI 原生：通过 sx 命令行调用，可 pipe、可参数化
• 版本控制：Dropbox 文件历史天然提供版本回溯

与 Hermes Skill 系统的对比

对我们的启发

• Dropbox 作为技能分发层是一个极简方案，适合团队场景
• 但 Hermes 的 skill 系统已经很成熟，且 YAML-only 方案无法支持 Hermes 的 tool integration、hooks 等高级功能
• 可以借鉴的：将某些轻量级 prompt templates 做 YAML 化，通过 Dropbox 或类似机制在 Alaya/Anchor/Mano 间共享

---

信号2: Building Food Metadata with LLM Juries

来源: DoorDash Engineering Blog | HN: https://news.ycombinator.com/item?id=48901275
原文: https://careersatdoordash.com/blog/building-food-metadata-with-llm-juries-context-optimization-multimodal-ai/

核心思想

DoorDash 用 “LLM Jury” 系统来构建食品元数据——多 LLM 组成评审团，对同一任务给出判断，通过投票/加权共识提高质量。结合 context optimization（精简输入以减少 token 消耗）和 multimodal AI（识别菜品图片）。

技术要点

• LLM Jury = 多模型投票：多个 LLM（不同 provider/温度设置）对同一输入独立判断，聚合结果
• Context Optimization：裁剪输入上下文，只保留对判断最关键的信息，降低 token 成本同时提升准确率
• Multimodal 集成：文字描述 + 菜品图片联合推理
• 质量控制：Jury 内部不一致时触发人工审核

对我们的启发

• LLM Jury 可用于 gbrain 知识验证：存入 brain 前用多模型验证事实一致性
• Context Optimization 对 Hermes Agent 很有用：在长上下文中裁剪输入以节省 token，尤其是在执行 daily scan 等 token 密集型任务时
• 多模型投票做质量门控：可以集成到 cross-modal-review skill 中，替代单模型评审