OfficeCLI 上手：让 Agent 读写 Word、Excel、PPT，不再依赖 Office 桌面
Office 自动化一直是 Agent 的尴尬区。企业文件大量存在 Word、Excel、PowerPoint 里，但传统自动化要么依赖桌面 Office，要么用几套库分别处理 docx、xlsx、pptx，结构不统一，预览也麻烦。Agent 想稳定修改这些文件，不能只靠“生成一段 Python 试试”。 Office
3 min
#Agent
共 61 篇文章
OpenHarness 上手：把 Agent 从聊天框推进到可恢复的长期工作台
Agent 真正进入日常工作以后，瓶颈往往不在模型本身，而在运行时。聊天框能回答问题，但很难长期维护一个项目：它要记住上下文、调用工具、拆任务、写代码、跑测试、处理失败、接消息平台，还要能在长会话里恢复状态。 OpenHarness 把这个问题直接摆到了台面上。它不是另一个“套壳聊天助手”，而是一套轻量 Agent h
3 min
Warp 上手：把终端升级成 Agent 开发工作台
终端正在被重新定义。过去它主要负责执行命令；现在，随着 Coding Agent 进入日常开发，终端开始承担上下文组织、任务分派、输出审查和远程执行入口的角色。
2 min
Taste Skill 上手：别让 AI 前端只会紫色渐变和三张卡片
AI 写前端，最容易出现一种熟悉的味儿：居中的大标题，蓝紫渐变背景，三张等宽功能卡片，按钮带一点发光，下面再塞几个“Seamless / Next-Gen / Elevate”之类的词。 功能可能是对的，但一眼就知道是模型直接吐出来的。不是不能用，就是不太像一个认真做过视觉判断的产品页面。 Taste Skill 做的
3 min
Agent Zero 上手：别把它当聊天框，它更像一台 Agent 工作台
Agent Zero 这类项目，最容易被写成“又一个自主 Agent 框架”。这话不能算错，但没抓到重点。 它更关键的地方，不是会聊天，也不是会调用几个工具，而是把 Agent 放进一台完整的 Linux 工作台里：有文件系统，有终端，有浏览器，有记忆，有项目隔离，有插件和技能，还能把任务继续拆给子 Agent。
3 min
InkOS 教程：让小说 Agent 会写、会审、会改，还得能被人拽住
AI 写小说最常见的失败，不是写不出字，而是写着写着就散了。人物性格漂，节奏乱，前后设定打架，越到后面越像自动续杯的套路汤。 InkOS 值得看的地方，是它没有把自己包装成一个“输入一句话生成百万字”的玩具，而是把小说创作拆成写、审、改、人工审核几个环节。它是一个自动化小说写作 Agent，也发布成 OpenClaw
3 min
Hive 教程：给多 Agent 任务补上 Harness，而不是再写一条链
很多多 Agent 项目看起来都挺热闹：一个规划，一个执行，一个检查，再来一个总结。演示的时候顺滑，真塞进业务流程，麻烦就来了。中途失败怎么办？状态丢了怎么办？两个 Agent 写冲突了怎么办？谁来判断它该停手？ Hive 的切口不是再做一个花哨 Agent，而是做 harness。也就是给多 Agent 任务补上状态
3 min
Mission Control 教程：自托管 Agent 控制台，先把任务、技能和花费管起来
多 Agent 工作流一多，聊天窗口就不够用了。哪个 Agent 正在跑，花了多少钱，装了哪些 skills，失败任务在哪里，谁有权限触发高风险动作，都需要一个控制台。 Mission Control 做的是自托管 Agent orchestration dashboard。它强调 SQLite、单命令运行、Skill
3 min
Coze Loop 教程：Agent 上线前，先把评测、Prompt 和监控闭环补上
Agent 项目最常见的事故，是上线前靠感觉调 prompt，上线后靠用户投诉发现问题。模型换了、工具改了、知识库更新了，没人知道效果从哪天开始变差。 Coze Loop 是面向 AI Agent 优化的平台，覆盖开发、调试、评测、Prompt 管理和线上监控。它的价值不是多一个控制台，而是让 Agent 的质量变化能
3 min
Headroom 教程：给 Coding Agent 加一层上下文压缩，少花 token 还要不掉准
Coding Agent 的 token 浪费，很多时候不是模型太贵，而是上下文太脏。终端输出、测试日志、重复文件、RAG 片段、工具结果，全都原样塞回去，模型不但花钱，还更容易被噪音带偏。 Headroom 做的是上下文优化层。它可以包装常见 coding agent，也可以作为代理放在应用和模型之间，对消息、工具输
3 min
TOON 教程：把 JSON 数据喂给模型前，先把 token 账算明白
很多人做 AI 应用时，第一反应是把业务数据直接塞成 JSON。简单、通用、模型也能读，看起来没毛病。 但一到真实场景，账就不太对了。订单列表、埋点日志、知识库片段、搜索结果、用户画像、商品属性，全都用 JSON 喂给模型，会浪费大量字段名、括号和重复结构。上下文窗口再大，也不能这么霍霍。 TOON 的价值就在这里。它
3 min
Google 第八代 TPU 分成两条线：Agent 时代的算力不再只拼大
Google 第八代 TPU 分成 8T 和 8I 两条线，这件事比单纯“新芯片更强”有意思。 过去讨论 AI 算力，大家很容易只看峰值、参数、集群规模。到了 Agent 时代，负载变复杂了：有长时间训练，有大规模推理，有低延迟交互，有多轮工具调用，还有大量上下文读写。所有任务都用同一种算力形态硬扛，成本会很难看。 #
3 min
OpenAI 上 AWS：模型独家时代开始松动了
OpenAI 模型、Codex 和 Managed Agents 进入 AWS，表面看是一次渠道扩展；往深一点看，这是 AI 云生态的一次松动。 过去两年，大模型公司和云厂商的关系很像“强绑定”：谁投钱、谁给算力、谁拿优先分发权。企业采购时也被这种绑定影响，想用某个模型，往往要进入某个云的生态。 现在 OpenAI 出
3 min
Sentrux：AI 写代码不能只看 diff，还要有架构传感器
AI Agent 写代码最容易让人上头。头几天，功能像开闸一样往外冒；再过几天，项目里开始出现幻觉函数、错位依赖、循环引用、God 文件。不是模型突然变笨了，而是代码库本身开始失去结构。 Sentrux 值得看的地方，不是又多了一个静态分析工具，而是它试图给 Coding Agent 补一个反馈器官：在 Agent 动
3 min
YourMemory：Agent 记忆不是越多越好，还要会遗忘
Agent 记忆经常被说成“越多越好”。这话只对了一半。记得越多，确实更像一个长期助手；但如果旧事实、错误偏好、过期项目状态一直留着，Agent 也会被记忆带偏。 `YourMemory` 有意思的地方，是它把“遗忘”也放进了 Agent 记忆系统。 仓库地址：sachitrafa/YourMemory ## 记忆不是
3 min
Databricks AI Dev Kit：让 Coding Agent 真懂你的湖仓平台
让 Coding Agent 写普通 Web 代码已经不新鲜了。难的是让它进入一个复杂数据平台：Spark、Unity Catalog、Jobs、MLflow、Model Serving、权限、表结构、流水线规范全都在场。 `Databricks AI Dev Kit` 解决的是这个问题：给 Claude Code、C
3 min
Xyne：企业搜索别再让 Agent 翻聊天记录
企业里最浪费时间的动作，可能是找东西。文件在 Drive，决策在 Slack，需求在 Jira，线索在邮件，代码在 GitHub，最后每个人脑子里还有一份“只有我知道”的隐性地图。 `Xyne` 盯上的正是这个问题：给工作场景做一个开源的 AI 搜索与问答引擎。 仓库地址：xynehq/xyne ## 它不是普通知识库
3 min
Lunel：手机不是跑代码的机器，而是 AI Coding 的遥控台
手机上写代码这件事，听起来一直有点别扭。屏幕小、键盘慢、上下文看不全，真让人把一台手机当开发机，多少有点遭罪。 `Lunel` 的有趣之处在于，它没有把手机伪装成开发机，而是把手机变成 AI Coding 的遥控台。 仓库地址：lunel-dev/lunel ## 三层架构，比远程桌面克制 Lunel 大致分三层：移动
3 min
小米 MiMo 发 Token：更关键的是测的是国产模型的 Agent 耐力
小米 MiMo-V2.5 系列开源之后，又给开发者放了一波更直接的东西：MiMo Orbit Token 激励。表面看，这是一次免费额度活动；往深一点看，这是国产模型主动争取 AI builder 的一次入口战。 别把它只理解成“薅点 Token”。如果只是领完额度、跑几个聊天问题、截个图发朋友圈，那这波额度基本就浪费
3 min
VoltAgent 教程：用 TypeScript 把 Agent 写成可观测工程服务
TypeScript 团队做 Agent，常见路线是从前端或 Node 服务里拼一个聊天 demo：接模型、写工具、加一点 memory，再接到页面。能演示，但上线后很快缺东西：trace 看不见，工具失败不好查，RAG 数据难管，guardrail 没地方放，部署也像临时脚本。 VoltAgent 想把这条路工程化：
3 min