能自动把一条内容发出去，不等于它已经适合接进运营流程。更值得问的是：Agent 发了什么、处理到哪一步、失败后留下什么，以及人能不能在不翻聊天记录的情况下接手。
本期把视线从「能不能调用」挪到「调用后能否把结果交回来」，选 7 个未在本频道前几期出现过的入口：有的把跨平台发帖包装成 API、CLI 和 MCP，有的把视频渲染产物做成收据，有的把网站、文档和多 Agent 团队变成可查询、可审计的工作面。它们不在同一层，放在一起看，恰好能拼出一条更容易验收的运营链路。
能力、安装入口、平台范围与价格按 2026 年 8 月 10 日 08:00（北京时间）前后可读的项目原文核验。项目没有明写微信、小红书、抖音、B 站、知乎、微博或视频号支持的地方，本文不替它扩大。
先看：7 个入口各自解决什么
| 工具 | 一句话定位 | Agent 接口 | 更适合哪一步 | 先看什么 |
|---|---|---|---|---|
| Mallary | 把社媒发帖、排程、评论、分析收进同一套远程接口 | API / CLI / MCP / Skill | 成稿后的跨平台发布与回执 | CLI、MCP 主要在付费计划；官方列出的平台不含中国内容平台。[[cite:1 |
| Kinocut | 给 Agent 一套本地、带质量门的视频编辑工具 | MCP /kinoCLI / Python | 横转竖、字幕、剪辑与发布前验收 | 需要本机 FFmpeg；它交付视频，不负责替你登录国内平台。[[cite:3 |
| Wonda | 从终端生成、编辑、分析并发布内容 | CLI / Agent Skill | 视频和广告素材的生成到社媒动作 | 需要账号和 credits；README 没有把 MCP 列为接口，社媒能力涉及独立登录态。[[cite:4 |
| squirrelscan | 把网站 SEO、社媒元数据和 Agent Experience 变成机器可读审计 | CLI / MCP / Skill | 官网发布前检查与回归巡检 | 开源 CLI 与托管服务是两层；云审计、MCP 和 API 有认证边界。[[cite:5 |
| DocsAlot | 把散落的产品资料整理成对人和 Agent 都可读的文档层 | CLI / Hosted MCP /llms.txt/skill.md | 产品文档、API 文档和 AI 入站内容 | Startup 计划为 39 美元/月；社媒发布不在其能力声明内。[[cite:6 |
| Paperclip | 用目标、工单、预算和组织关系运行一组 Agent | 自托管服务 / CLI / MCP 网关 | 多角色内容团队的任务分派与复盘 | 它是 Agent 组织层，不是内容生成器或平台发布器。[[cite:7 |
| AgentConnect | 把多个 ACP Agent 放进团队频道、计划和权限体系 | 自托管栈 / CLI / MCP | 让运营、研发和客服 Agent 在同一处交接 | 官方列出 Slack、Telegram、Discord、GitHub 等工作频道，不等于国内社媒发布支持。[[cite:8 |
1. Mallary：把「发了没有」变成可查询的任务
Mallary 的重点不是再做一个内容日历，而是把社媒动作压成 Agent 能理解的统一接口。官方 MCP 文档列出的工具覆盖上传、创建与排程、任务状态、历史帖子、评论、分析、连接平台、设置和 webhook；CLI 文档则给出mallary upload、mallary posts create、mallary jobs get等命令。[[cite:1|Mallary CLI 文档|https://docs.mallary.ai/home/cli]][[cite:2|Mallary MCP 文档|https://docs.mallary.ai/home/mcp]]
典型用法是让 Agent 先把本地视频上传，再按不同平台的媒体规则生成一次请求，最后读取 job 结果，把平台帖子 ID 或 URL 写回内容表。CLI 支持--json输出，MCP 的工具错误也有http_status、code、message和可选details，这些字段比「已完成」更适合接入重试和人工复核。[[cite:1|Mallary CLI 的 JSON 与任务结果|https://docs.mallary.ai/home/cli]][[cite:2|Mallary MCP 的错误与任务行为|https://docs.mallary.ai/home/mcp]]
入口有两条：直接安装npm install -g @mallary/cli，或在 Cursor、Claude Code、Codex 等客户端添加远程 MCP；也可以安装官方 Agent Skillnpx skills add mallarylabs/mallary-agent。账号连接走 OAuth 或 API key，CLI 只从环境变量读取 key。[[cite:1|Mallary CLI 安装与认证|https://docs.mallary.ai/home/cli]][[cite:2|Mallary MCP 接入方式|https://docs.mallary.ai/home/mcp]]
边界也很具体。官方平台清单是 YouTube、Facebook、Instagram、TikTok、LinkedIn、X、Pinterest、Threads、Reddit 和 Snapchat；其中 Reddit、Snapchat 标成即将支持，TikTok 还区分创作者审核上传与直接发布。Free 计划没有 CLI，MCP 从 Starter 计划起可用；首页列出的 Starter、Pro、Business 价格分别是 10、24、82 美元/月。[[cite:1|Mallary CLI 的平台与计划|https://docs.mallary.ai/home/cli]][[cite:2|Mallary MCP 的平台与计划|https://docs.mallary.ai/home/mcp]][[cite:9|Mallary Agent 页面|https://mallary.ai/agents]]
适合先试：把「发到 TikTok 后返回 creator-review URL」或「三平台排程后回写 job 状态」做成一个小流程。先要求 Agent 只读 profiles 和 connected platforms，再开放正式账号的写权限。它没有声明微信、小红书、抖音、B 站、知乎、微博或视频号，TikTok 也不能直接当成抖音适配。
2. Kinocut：让视频交付带着收据走
Kinocut 是本地优先的视频编辑 MCP 服务、Python 客户端和kinoCLI。它把 FFmpeg 包在有类型的工具里，能剪切、合并、裁画面、转字幕、翻译字幕，并把横屏素材重构为 Shorts、Reels 和 TikTok 所需的竖屏比例。最新发布版本在 README 中标为 1.13.2，日期是 2026 年 8 月 9 日。[[cite:3|Kinocut README|https://github.com/KyaniteLabs/kinocut]]
它的增量在交付证据。每次渲染或工作流都会产生 Video Receipt，记录每一步输入输出的 SHA-256、状态、游标和清理项；video_quality_check、release_checkpoint等工具可在交付前检查黑场、响度和前 15 秒的音画表现。对于运营团队，这意味着「字幕烧好了」可以变成一份可复核的产物，而不是 Agent 的一句自报。[[cite:3|Kinocut 的 Video Receipt 与质量门|https://github.com/KyaniteLabs/kinocut]]
安装入口很短：先让 FFmpeg 出现在PATH，再运行pip install kinocut，需要转写时安装kinocut[transcribe]，最后用kino doctor检查环境。MCP 客户端可以用claude mcp add kinocut -- uvx --from kinocut kino接入；项目支持 Windows、macOS 和 Linux，文件仍在本机处理。[[cite:3|Kinocut 安装与运行边界|https://github.com/KyaniteLabs/kinocut]]
适合先试：拿一条已经剪好的横屏访谈，要求 Agent 输出 9:16 版本、字幕文件、封面和 receipt，再由人检查字幕断句与画面安全区。它是素材处理和验收层，不是微信视频号、抖音或 B 站发布器；README 写明的是 Shorts、Reels 和 TikTok 的复用方向，不能外推成国内平台发布。
3. Wonda：把素材工序搬到终端，但别把它当免费脚本
Wonda 把图片、视频、音乐、音频生成、视频编辑、社媒采集和发布放进一个终端 CLI。README 还提供面向 Claude Code、Gemini CLI、Cursor 等 Agent 的插件或 Skill 安装方式：全局安装npm i -g @degausai/wonda后，可用npx skills add degausai/wonda或项目级wonda skill install -o .。[[cite:4|Wonda README 安装与 Agent 插件|https://github.com/degausai/wonda]]
它覆盖的工序比较宽：generate video负责从主题或参考图生成视频，animatedCaptions、trim、splitScenes等命令处理短视频，analyze video返回复合帧和音频转录；发布侧明确列出 Instagram、TikTok 以及 Instagram/TikTok carousel，还提供 LinkedIn、X/Twitter、Reddit 的读取、互动和发帖命令。[[cite:4|Wonda README 能力与命令|https://github.com/degausai/wonda]]
这里最适合验证的是「一个 Agent 能不能把素材从生成推到可发布草稿」。比如先让它分析一条竞品视频，再只生成一条 30 秒短片和一张平台规格清单，最后把发布命令停在人工确认前。README 没有明确列出 MCP；不要因为它拥有 Agent plugin，就把它写成 MCP server。
成本和凭据不能藏在安装命令后面。Wonda 需要账号，生成任务消耗 credits，README 建议用wonda pricing estimate预估；LinkedIn 和 X 有单独的登录态检查，项目许可证是专有许可。[[cite:4|Wonda 账号、credits 与社媒认证|https://github.com/degausai/wonda]]
适合先试：用一个隔离的 X 或 LinkedIn 测试账号，先跑读取、分析和草稿生成；只有当publish history能和平台实际结果对上，再评估写操作。它列出了 Instagram、TikTok、LinkedIn、X 和 Reddit 等全球平台，没有声明国内平台适配。
4. squirrelscan：把官网的「能被 Agent 读懂」变成报告
squirrelscan 是一款开源网站 QA CLI，同时提供 MCP 和 Agent Skill。README 将检查分成 21 类、267 条规则，其中既有 Title、Canonical、Open Graph、Twitter Card，也有llms.txt、AGENTS.md、API/MCP 发现、GPTBot 与 Claude-User 内容一致性等 Agent Experience 项。[[cite:5|squirrelscan README 规则范围|https://github.com/squirrelscan/squirrelscan]]
它的输出适合接进 CI 或 Agent：终端默认输出之外，还支持 JSON、HTML、Markdown、Text、LLM 和 XML。最小试用可以是npx squirrelscan audit example.com，随后用squirrel audit example.com --format llm | claude把结果交给 Agent；规则还可以用--rule-include ax,performance缩小范围。[[cite:5|squirrelscan README 安装与输出|https://github.com/squirrelscan/squirrelscan]]
典型使用场景是发布前巡检：Agent 发布新落地页后，立即检查社媒卡片是否有图、规范 URL 是否一致，搜索爬虫是否能看到页面，Agent 是否能通过 Markdown 或 MCP 找到安装文档。它测的是站点可发现性和可交互性，不是内容质量评分器，也不能替代真实用户或平台后台验收。
要分清开源边界。CLI、爬虫、规则和报告生成器在 MIT 项目里；托管 API、Dashboard、云 Worker 和托管 MCP 属于另一层，OAuth 或 API key 认证适用于云端能力。README 还说明遥测可以通过设置关闭。[[cite:5|squirrelscan 开源与托管边界|https://github.com/squirrelscan/squirrelscan]]
适合先试：先只跑 AX、Social Media 和 Performance 三组规则，把 JSON 存进每次发布的构建产物。若团队要用托管 MCP，再单独核对数据是否出网、API 认证和报告留存，不要把本地 CLI 的 MIT 许可当成云服务条款。
5. DocsAlot：把产品文档变成 Agent 的可引用入口
DocsAlot 解决的不是社媒发帖，而是另一种经常被运营漏掉的发布：产品、API 和帮助中心内容发布后，AI 助手能不能找到正确版本。官网把同一份资料输出成 Hosted Docs、llms.txt、skill.md、Hosted MCP 和 AI Visibility Audit；数据源可接 GitHub Markdown、Help Center HTML、OpenAPI 和 Notion。[[cite:6|DocsAlot 官方主页的输出面|https://docsalot.dev/]]
它的 CLI 入口是npm install -g docsalot-cli，再运行docsalot --version与docsalot skills install，然后让 Codex、Cursor 或 Claude 根据仓库内容创建文档。Hosted MCP 提供search_docs、get_page和run_example，适合把文档检索和示例核验放回 Agent 流程。[[cite:6|DocsAlot CLI 与 Hosted MCP|https://docsalot.dev/]]
对内容和增长团队，比较实用的工序是「产品上线 → 同步 API 示例与安装页 → 检查 AI 能否引用正确页面」。官网给出的 AI Visibility Audit 会显示回答引用了哪份文档、哪些地方仍然漂移；这比只看页面访问量更接近「潜在用户问 AI 时会拿到什么答案」。[[cite:6|DocsAlot 的 AI Visibility Audit|https://docsalot.dev/]]
它的代价是托管服务和文档迁移成本。官网当前列出的 Startup 计划为 39 美元/月，Team 为 99 美元/月；Preview、Review、Publish 工作流列在 Team 计划中。DocsAlot 没有宣称替你发布到微信、小红书或其他社交平台，因此应把它放在产品文档和 AI 入站层，而不是社媒发布层。[[cite:6|DocsAlot 价格与发布工作流|https://docsalot.dev/]]
适合先试：拿一个有旧安装命令的公开项目，导入 README 和 API 示例，检查search_docs能否回到当前页面，再看 AI audit 是否能抓出旧答案。只要资料源没有治理好，MCP 只是把错误内容更快地交给 Agent。
6. Paperclip：让多角色运营 Agent 有任务、预算和停机点
Paperclip 是一个开源的 Agent 团队编排服务，不负责构建单个 Agent，而是用目标、组织关系、工单、心跳、预算和审批，让多个 Agent 按角色一起工作。README 直接把社交媒体运营、客户支持和报告列为周期性任务示例；这让它能放在内容团队的任务层，但不应被误写成发布器。[[cite:7|Paperclip README 定位与运营示例|https://github.com/paperclipai/paperclip]]
它适合这样的安排：研究 Agent 负责选题，文案 Agent 产出初稿，设计 Agent 处理素材，审核 Agent 只接收待审工单。Heartbeat 负责唤醒任务，预算可以按 Agent、公司、项目或任务设置上限，审批和不可篡改日志则保留了谁改过策略、花了多少 token、调用过什么工具的记录。[[cite:7|Paperclip README 的任务、预算与审计|https://github.com/paperclipai/paperclip]]
试用入口有一键安装脚本、npx --registry https://registry.npmjs.org paperclipai onboard --yes，也可以用 Node.js 20+、pnpm 9.15+ 克隆仓库自托管。项目提供 Agent API、CLI 和 MCP Tool Gateway；资料中还把插件、预算、审批、调度和沙箱列为已完成能力，云部署仍在推进。[[cite:7|Paperclip Quickstart 与项目状态|https://github.com/paperclipai/paperclip]]
适合先试：不要先部署一整家「AI 公司」。先建一条每周内容复盘任务，把预算上限、人工审批和任务完成条件写清楚，观察它能否在 Agent 超支或卡住时真的暂停。Paperclip 没有提供微信、小红书、抖音等平台连接；平台执行仍要接其他工具。
7. AgentConnect：把交接放进团队正在用的频道
AgentConnect 是开源、可自托管的 ACP Agent 协作栈。官方站点列出 Slack、Telegram、Discord、GitHub 等工作频道，也提供 Agent、Session、Schedule、Tools & Skills、Knowledge 和权限控制等控制面；Agent 可在频道里被点名，彼此交接任务。[[cite:8|AgentConnect 官方定位与工作面|https://www.agentconnect.md/]]
它对运营团队的价值不在于多一个聊天机器人，而在于把「谁在做、谁接手、何时运行、能用什么工具」留在同一个工作面。比如内容 Agent 生成草稿后，在 Slack 触发审核 Agent；审核通过，再让发布 Agent 调用 Mallary。这个组合是工作流推演，不是 AgentConnect 已经内置了 Mallary 或国内平台发布能力。
安装入口是npx @agentconnect.md/cli run，代码和对话留在用户自己运行的机器上；官方 FAQ 称控制平面只保存配置和元数据，不保存消息正文、转录或代码，模型调用也直接从本地机器到用户自己的供应商。开源栈使用 Apache-2.0，托管 Cloud 仍是 waitlist。[[cite:8|AgentConnect 自托管、数据边界与安装|https://www.agentconnect.md/]]
适合先试：先接一个 Discord 或 Slack 频道，给研究、审核和执行 Agent 各自限定工具与技能，观察人工确认是否真的停在频道里。它支持的是团队协作频道，不是微信、视频号、抖音或小红书的发布接口；不要把「能在 Telegram 里叫 Agent」写成国内平台适配。
怎么把 7 个入口接成一条可验收链路
这期的 7 个项目不该全部同时上线。按「结果是否能回到流程」来拆，比较稳的顺序是：
- 先做输入和文档：用 DocsAlot 管理产品说明，用 squirrelscan 检查官网、社媒卡片和 Agent Experience。输出要保存为 Markdown 或 JSON，而不是只看终端截图。
- 再做素材交付：用 Kinocut 或 Wonda 处理视频和短内容。Kinocut 的 receipt、Wonda 的发布历史都要进入内容记录，人工先验一条完整样本。
- 最后接平台动作：用 Mallary 做跨平台发帖与排程，要求每次写操作回传 job、平台 ID 或 URL。国内平台要另行找有原文说明的接口，不能从全球平台名单推断。
- 需要多人协作时再加调度层：Paperclip 适合做任务、预算和审批，AgentConnect 适合做频道交接。两者都不替代平台连接，也不自动解决验证码、频控或账号隔离。
验收表只需要回答四个问题：Agent 看到了什么？准备做什么？实际执行了吗？结果在哪里？如果一个工具只能返回「成功」，却不能给出任务 ID、文件收据、报告、帖子 URL、审计记录或人工接手点，它离无人值守运营还差一段距离。
结论：本期最值得先落地的不是某一个「全能运营 Agent」，而是把链路拆成可回传的工序。Mallary 负责把平台动作变成任务，Kinocut 把媒体变成收据，squirrelscan 和 DocsAlot 把网站与文档变成可检查的入口；Paperclip、AgentConnect 再处理任务与协作。国内平台适配仍需逐项目核对，账号、验证码、频控和人工审核也不能由工具名称替你消失。
