今天看到的几个 AI 实验：多模态工作台、本地浏览器和会做简报的 agent

今天的四个样本把 AI 接到了更具体的工作面：多模态能力可以跨 agent harness 复用，Chrome 端侧 AI 能处理图片和音频，演示文稿 agent 用真实简报跑完整流程，Three.js 页面则把 3D 生成变成可继续调整的参数。

快速概览

发生了什么：screenest_ai 整理了 Qwen-MM-Plugins 的结构：skill 负责告诉 agent 某项能力存在，可选 MCP server 提供工具，共享配置可以服务 Codex、Claude Code、Qwen Code、Gemini CLI 等 harness。演示包括长视频转关系图、通过对话修正 3D 房间、文档阅读、OCR、Blender / FreeCAD 控制和对话式视频编辑；Qwen 官方帖确认了这套 capability layer 的方向。
为什么值得关注：多模态能力的入口开始独立于某一个 agent harness，迁移和检查的成本有机会下降。
我应该关注什么点：哪些步骤真正本地可用，哪些需要 API key；Windows 与 WSL2 的支持情况；第三方整理和官方演示之间有哪些差异。
相关帖子：Qwen-MM-Plugins 的多模态能力层（screenest_ai）、Qwen 官方演示入口（Alibaba_Qwen）
你的判断：这条最值得先点开。它给出了一种“能力作为可安装层” 的产品形态，具体工具仍要逐项验证，尤其要看哪些环节依赖外部服务。

发生了什么：obetomuniz 展示 web-ai-sdk 的初始多模态支持，把图片和音频交给 Chrome 的端侧 AI，并用类型化接口描述照片和 Mermaid 图。作者强调不需要服务器或 API key。
为什么值得关注：原始素材可以留在设备上，浏览器也能成为轻量的多模态工作台。
我应该关注什么点：设备和 Chrome 版本要求、模型下载时间、响应速度，以及图片和音频的组合能力。
相关帖子：Chrome 端侧 AI 的图片与音频 demo（obetomuniz）
你的判断：这是一个小而具体的实验，适合继续尝试；当前证据还不能说明它已经适用于大多数设备。

发生了什么：viipin8 给 Agent Mode 一份真实业务演示文稿任务，选择 Skills 和 Visual Style，让 agent 先理解简报，再组织内容、搭建结构并生成幻灯片。thread 连续展示执行过程和最终结果，作者认为内容流和视觉质量较稳，演示前仍会做少量修改。
为什么值得关注：它把“生成 PPT”变成了带真实输入、过程可见和人工收尾的工作流测试。
我应该关注什么点：简报复杂度、事实核验、结构判断和视觉修改分别由谁负责；作者带推广信息，结果应按自测理解。
相关帖子：用真实业务简报测试 Agent Mode（viipin8）、Agent Mode 组织内容并生成幻灯片（viipin8）、最终演示文稿与人工修改边界（viipin8）
你的判断：最值得看的是执行过程，成品质量仍需要用自己的真实简报复测。

发生了什么：MengTo 用 Three.js 做了一个可构建塔楼的互动网站，加入天气和一天中的时间变化，并称整体体积约 1–2 MB。用户可以让 AI 修改不同国家和时代的塔楼风格，以及雪雨、光照等效果；制作中使用 Claude Code 作为 harness，用 Higgsfield 生成纹理和音效。
为什么值得关注：生成结果保留了继续调整的入口，同时接受浏览器体积约束，展示了一个比较完整的个人网页实验。
我应该关注什么点：不同设备上的渲染性能、体积统计口径、AI 修改能否保持设计一致，以及人工修正的比例。
相关帖子：带天气与时间变化的 Three.js 塔楼页面（MengTo）
你的判断：这是最容易直接看懂的成品案例。它更适合拿来研究“生成结果如何继续交互”，暂时不扩大解释作者关于一遍生成的说法。

这份内容来自公开 X 上对 AI 实验型内容的每日探索，重点寻找能直接看到效果、能反映实际能力边界、又值得继续追踪的 demo、prototype、工具和工作流。由 AI 做初步过滤，再由半庄整理、取舍和补充判断。