GitHub
2.5 万个 Agent PR 的实证:AI 编程工具到底进了多少真实项目
这项研究观察了 2025 年 5—7 月的 Agent PR。区分样本仓库、项目使用频次与人工接收成本,再判断它能回答哪些采用问题。
World2Agent 上手:让 Agent 先看见世界,再谈自动行动
World2Agent 用 World → Sensor → Agent 协议把外部数据转成结构化信号。文章介绍 Sensor 接入、插件配置,以及外部输入影响 Agent 行动时的权限边界。
apfel 上手:把 Mac 自带 Apple Intelligence 变成本地 OpenAI 接口
很多本地模型方案都绕不开下载模型、选量化、配显存、调推理服务。Mac 用户还有另一条路:把系统自带的 Apple Intelligence 变成命令行工具和本地 OpenAI 兼容接口。apfel 做的就是这件事。 它把 Apple FoundationModels 暴露成 UNIX CLI、交互式聊天和本地 Open
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
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
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
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
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
Banana Slides 教程:用 AI 做可编辑 PPT,先管模板、素材和复核
AI 做 PPT 最大的问题,不是能不能生成页面,而是生成出来能不能继续改。很多工具输出一堆图片,看着还行,到了客户修改、老板改字、设计调版时就废了。 Banana Slides 押的是另一条路:上传模板图片和素材,让 AI 解析内容,按自然语言生成或修改页面,并导出可编辑 PPTX。它更像一个 AI PPT 工作台,
MOSS-TTS 教程:自托管语音生成,先把延迟、显存和授权边界讲清楚
语音 AI 的 demo 通常都很好听。真正落地时,问题才冒出来:长文本断句不自然,显存吃紧,首包延迟高,声音克隆授权不清楚,多说几分钟后情绪和音色开始飘。 MOSS-TTS 是开源语音生成模型家族,覆盖长文本语音、多说话人对话、声音设计、环境声和实时流式等方向。它适合想把 TTS 放到本地或自托管环境里的团队。 但语
YourMemory:Agent 记忆不是越多越好,还要会遗忘
YourMemory 将 BM25、向量、图谱和衰减机制用于 Agent 记忆,尝试保留重要信息并让过期内容淡出。文章讨论长期事实、临时上下文和错误召回的区别。
Xyne:企业搜索别再让 Agent 翻聊天记录
Xyne 是面向工作场景的开源 AI 搜索与问答引擎,连接文档、邮件、日历、工单和代码仓库。文章讨论来源、权限和企业上下文的整理方式。
Agent Reach 教程:给 Agent 接一套可替换的互联网工具箱
Agent 想做研究,最先卡住的不是模型,而是“看不见”。网页能不能读,YouTube 字幕怎么拿,Reddit 讨论怎么搜,GitHub 信息怎么查,RSS 怎么订阅,微博客平台怎么处理登录态——这些事情分散又琐碎。 Agent Reach 把问题拆成一套互联网工具箱:网页、RSS、GitHub、YouTube/B
gstack 教程:把 Claude Code 变成一支会复盘的产品小队
很多人用 Claude Code,习惯是把需求直接扔进去,然后盯着它改。能跑,效率也有,但问题很快出现:产品判断没人做,设计味道没人看,安全审计靠运气,最后发布时再补文档和测试。AI 写代码变快了,工程流程反而容易被省掉。 gstack 值得看的地方,不在“Garry Tan 的同款配置”这个噱头,而在它把 Claud
Future AGI 教程:把 Agent 评测、追踪和防护放进同一个闭环
Agent 应用最怕“演示很好,上线就飘”。本地试十次都对,真实用户换个问法就错;工具调用在测试里正常,生产里突然走偏;你知道它失败了,却不知道失败发生在哪一步。 Future AGI 想做的是一条完整质量闭环:评测、追踪、模拟、数据集、网关、防护都放在一个平台里。它不是单点 eval 工具,而是更像 Agent 应用
GitHub Agentic Workflows 教程:把 Agent 放进 Actions,但先管住权限
把 Agent 接进 CI/CD,听起来很诱人:自动整理 issue、修小 bug、更新文档、跑评审、生成 PR。问题是,Agent 一旦进了仓库自动化链路,权限、输出和审计就不能再靠一句“相信模型”。 GitHub Agentic Workflows 的方向很值得看:用自然语言 Markdown 写 agentic
Archon 教程:把 AI 编程流程写成可重复的工作流
AI 编程最大的问题之一,是同一句“修这个 bug”,今天和明天可能跑出两种完全不同的过程。一次它先读测试,一次它直接改代码;一次会写计划,一次把计划省了;一次跑验证,一次嘴上说完成。 Archon 的思路很直接:不要把工程流程交给模型临场发挥,而是把计划、实现、测试、review、审批和 PR 创建写成工作流。模型负
GitHub 临时邮箱无法验证怎么办?更换邮箱与 noreply 设置
GitHub 不允许验证一次性邮箱地址。区分地址限制与验证邮件未到,换用长期邮箱完成验证,再用 GitHub noreply 保护提交记录中的邮箱隐私。
Awesome Codex Skills:Codex 真要进工作流,靠的不是神提示词,是可安装技能
“让 AI 帮我做事”这句话,听起来已经不新鲜了。真正麻烦的是,每次都得重新解释:这个仓库怎么跑,邮件怎么发,Issue 怎么建,PDF 怎么处理,团队规矩是什么。 Awesome Codex Skills 的价值,不是收集了一堆酷炫提示词,而是把这些重复解释,整理成 Codex 可以安装、识别、触发的技能包。 Com
Beads 教程:给 Coding Agent 一张任务记忆图,别再靠 Markdown TODO 硬撑
Beads 是面向 Coding Agent 的图结构任务跟踪工具,底层使用 Dolt。文章介绍任务记忆、依赖关系和可合并的记录如何帮助长任务保持状态。