Jordy 推荐的 LarryBrain，本质上是一个面向 AI agent 的 skills hub。
原文给出的数字很夸张：50 天内 12,000 次下载，超过 1,000 条帖子被自动化发布，相关系统带来数千万曝光，并且有应用收入在开发者不持续手动维护的情况下继续运行。
但更值得看的不是这些增长数字，而是它试图解决的结构问题。
#Agent 最缺的不是工具，而是发现工具的方式
很多人搭好 agent 后，下一步会卡在技能选择上：该装什么 skill，哪些真的能用，哪些只是标题好看，多个 skill 之间能不能组合。
传统目录的默认用户是人。人去搜索、浏览、下载、测试，再把结果告诉 agent。LarryBrain 的思路是反过来：安装一个入口，让 agent 直接知道 marketplace 里有什么。
原文强调，一次安装后，agent 可以获得 100+ vetted skills 的目录意识。你不需要逐个搜索，而是直接提出目标，agent 再去找到合适的 skill。
#本地、可改、避免 SaaS 锁定
LarryBrain 的另一个卖点是 skills 下载到本地设备，可以自定义修改。这个方向很重要。
如果 skill 只是远端黑盒服务，agent 只能调用，不能理解和调整。下载到本地后，skill 变成项目资产：可以审计、改写、版本化，也可以和自己的工作流合并。
这类设计更接近开发者会接受的方式。能力不是被平台托管在远处，而是进入本地工作台。
#为什么创作者和营销场景先爆发
原文重点提到 Larry marketing skill：扫描领域里正在表现好的内容，生成符合个人风格的帖子，在合适时间发布，再根据表现迭代。
这个场景适合 skills hub，是因为任务重复度高、反馈信号清晰、产出可以自动化。只要 agent 能持续学习“什么内容有效”，它就能把创作、发布、分析、迭代串成闭环。
这也解释了为什么 skills marketplace 会先在内容和营销方向出现明显数据。这里的 skill 不只是一次性工具，而是可持续运行的增长流程。
#真正的信号
Agent 生态早期会有大量零散工具。下一阶段需要的是筛选、安装、组合和本地化修改的能力。
LarryBrain 的信号在于，它把 skills 从“人类手动挑选的资源列表”推进到“agent 可以理解和调用的能力目录”。如果这个方向成立，未来 agent 的 setup 不会只问装了哪些模型，而会问它能访问哪些经过验证的 skill 库。