八件工具与媒体技能：playwright×2（浏览器自动化）、jupyter、pdf、screenshot、speech（语音合成）、transcribe（语音转写）、imagegen（图像生成）、cli-creator（从 API 文档造 CLI）——Codex 的「手和眼」。
一句话定位
感知与执行的末端全部技能化：看浏览器（playwright）、看屏幕（screenshot）、读论文（pdf）、算数据（jupyter）、听与说（transcribe/speech）、画图（imagegen）——外加一件元工具：从任何 API 文档给 Codex 造一个 CLI。
八件精要
playwright / playwright-interactive —— 浏览器自动化双件：终端驱动的真实浏览器（导航/填表/快照）+ js_repl 里的持久浏览器会话（快速迭代式 UI 调试）——一次性任务与长会话调试两种形态
screenshot —— 桌面/系统级截图：全屏、特定应用/窗口、区域——「用户明确要求时」触发（屏幕访问的严格门槛）
jupyter-notebook —— 创建/脚手架/编辑 .ipynb：实验与探索的载体技能
pdf —— 「渲染与排版要紧时」的 PDF 读取/创建/审查——优先视觉保真路径（与 Anthropic pdf 的「全操作」定位差异在侧重点）
speech —— 文本转语音：旁白/配音/无障碍朗读/音频提示，批量合成
transcribe —— 语音转写：可选说话人分离（diarization）与已知说话人提示——会议与访谈的入口技能
imagegen —— 位图生成/编辑：照片、插画类视觉任务
cli-creator ·（本组最有趣） —— 从 API 文档/OpenAPI spec/curl 示例/SDK/Web 应用，为 Codex 组装一个可组合 CLI——把「读文档拼命令」变成「造工具再用」
方法论精华
1. 「手眼」分类法：八件按感知（screenshot/playwright/pdf/transcribe）与执行（speech/imagegen/jupyter）分——agent 的能力清单就该按「能感知什么、能做什么」两轴列。
2. cli-creator 的元工具价值：不为每个 API 写技能，而是造一个把 API 变成工具的工具——一次投入，N 个 API 受益，是「造工具的工具」在集成层的镜像（对照 Anthropic 的 mcp-builder）。
3. 触发门槛的分级：screenshot「用户明确要求才触发」vs playwright「任务需要就触发」——权限越敏感，触发越严格，安全意识藏在触发条件里。
编者注
对照 Anthropic 的文档四件套（docx/pdf/pptx/xlsx）：OpenAI 的媒体件偏「输入侧感知」（听/看/读），Anthropic 偏「输出侧工艺」（做文档）——两家的「手」长在不同的胳膊上，这行观察会在 07 的对比篇展开。