TinyFish + Monid：免费搜索不等于无限可靠，Agent 上网要先看证据链
从实时搜索、动态网页抓取和 MCP 接入出发，分析 TinyFish 通过 Monid 提供的免费 Agent 网络能力，以及速率、授权和稳定性边界。
2 min
#MCP
共 27 篇文章
code-review-graph：先画代码地图，再让 AI 做审查
用 Tree-sitter、SQLite 图谱和 MCP 缩小 AI 代码审查的上下文范围，并重新审视 token 基准、影响分析和隐私边界。
2 min
Flowix Memo：把本地 Markdown 做成 Agent 的长期协作记忆
Flowix 用本地 Markdown、Notebook、BYOK、CLI 与 MCP，把笔记、需求、上下文和 Agent 输出沉淀为可迁移的长期工作区。
2 min
Casdoor 架构评估：把 Agent、企业 IAM 与协议网关放在同一条边界线上
Casdoor 不只是登录页，而是面向企业、AI Agent 和多协议接入的开源 IAM：OAuth/OIDC、SAML、CAS、LDAP、SCIM、MCP 网关、RBAC/ABAC 与多租户边界需要一起设计。
3 min
wigolo 架构评估：给 AI Agent 的本地优先 Web 情报层
wigolo 把搜索、抓取、爬取、抽取、缓存和相似查找做成本地优先的 MCP/REST/CLI/SDK 工具层，核心问题是边界、降级和运维纪律。
2 min
Agent-Native 教程：别给应用外挂聊天框，把动作层做成 Agent 和 UI 的公共契约
深入介绍 BuilderIO/agent-native 的 action-first 架构：defineAction、共享状态、MCP/A2A、模板、安全边界、观测和评测。
2 min
tRPC-Agent-Go 教程：用 Go 构建可运行、可观测、可评测的生产级 Agent 系统
深入介绍 tRPC-Agent-Go 的 Runner、LLMAgent、GraphAgent、MCP、AG-UI、A2A、Evaluation 和 OpenTelemetry，面向 Go 后端团队的生产级 Agent 教程。
3 min
CodeSeek 教程：给 Claude Code 和 Codex 装一张代码库地图
CodeSeek 是 Rust 实现的代码智能 CLI，面向 AI Coding Agent 提供 AST 调用图、混合语义搜索、BM25、RRF、reranker 和 MCP 工具集成。
2 min
OpenViking 长篇教程：给 AI Agent 建一个真正可用的上下文数据库
OpenViking 是面向 AI Agent 的 Context Database，用 viking:// 文件系统、L0/L1/L2 分层、MCP 和会话归档统一管理 memory、RAG、skills 与 sessions。
3 min
Koog 教程：JetBrains 给 Kotlin/JVM 做的 AI Agent 框架，适合把 Agent 放回主工程栈
Koog 是 JetBrains 开源的 Kotlin/JVM AI Agent Framework，支持多平台、MCP、图工作流、记忆、模型切换、OpenTelemetry、Spring Boot 与 Ktor 集成。
3 min
DBX：20MB 数据库客户端，把 AI SQL 和 MCP 放进同一个入口
DBX 是一个轻量跨平台数据库客户端，支持 60+ 数据库、桌面端与 Docker 自托管，并把 AI SQL Assistant、MCP Server 和 CLI 放进数据库工作流。
2 min
Bytebot 上手：给 AI 一台能干活的电脑，而不是只给它一个聊天框
Bytebot 不是又一个“浏览器自动化插件”。它把 Agent 放进一台容器化 Linux 桌面里，让模型直接面对屏幕、文件、浏览器、办公软件和命令行。这个方向更有意思的地方，不是“说一句话让 AI 点鼠标”这么热闹，而是 Agent 的运行环境开始从聊天框，往一台可隔离、可观察、可接管、可持久化的工作站迁移。 这
3 min
Software 3.0 来了：程序员真正要学的不是 Prompt，而是给 Agent 设计接口
Karpathy 把 Software 3.0 说清楚之后，很多人第一反应还是落在“以后是不是不用写代码了”。这个问题问得太早，也太浅。更值得看的是：软件的接口正在换人。 Software 1.0 的接口给程序员用，核心是编程语言、函数、类型、测试和部署。Software 2.0 的接口给训练系统用，核心是数据集、损
3 min
Semble 上手：给 Coding Agent 一套省 token 的代码搜索层
## Coding Agent 最浪费 token 的地方，往往是“找代码” 一个 Agent 改代码，最先做的通常不是写，而是找：登录逻辑在哪、配置怎么读、某个函数谁调用、测试入口是哪一个。很多工具默认做法是 grep、read、再 grep、再 read。仓库小还行，仓库一大，token 就开始哗哗流。 Sembl
3 min
thClaws 上手：用 Rust 做一个主权 Agent 工作台
## Agent 工作台开始往“一个二进制”收拢 现在的 AI 编程工具有点分裂：一个 CLI 负责聊天，一个编辑器插件负责改文件，一个 Web UI 负责看会话，一个脚本负责跑自动化。工具越多，能力越强，但状态也越散。你要换机器、换模型、换工作目录时，就会发现很多上下文其实不在项目里，而是黏在某个客户端上。 thCl
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
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
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
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
3 min
Framelink Figma MCP 教程：别再给 Agent 只丢截图
让 Agent 还原 Figma 设计时，最常见的做法是丢一张截图。问题是截图只能给视觉结果，给不了布局层级、间距、字体、颜色 token、frame 结构和命名。模型看得到“长这样”，但很难知道“为什么这样”。 Framelink MCP for Figma 做的是把 Figma 文件、frame 或 group 的
3 min