技术方向
开放权重、能下载下来自己部署的模型，开源框架与 GitHub 上爆火的 AI 项目。
374 条精选近 30 天 362 条共收录 1,367 条
Ergon 开源一套 AI 智能体搭建工具包，包含 Python SDK 引擎和拖拽式可视化 Studio，Studio 在画布上设计的 harness 可导出为 Python 代码，也能通过 SDK 的 bridge 无头运行。
能拿走一套 Python SDK 加可视化画布生成代码的 agent 搭建方式，画布导出的 harness 可 headless 跑，代价是 SDK 与 Studio 两套工具链要分别装，靠 bootstrap 脚本统一。
作者给出在 RK3588 上排查模型算子静默回退到 CPU 的完整方法：rknn_init 必须带 RKNN_FLAG_COLLECT_PERF_MASK（值 8）。
能拿走 RKNN_FLAG_COLLECT_PERF_MASK 加 rknn_query 读逐算子账本、按 CPU 时间占比判回退的口径，落到本地模型部署线；代价是 init 漏标志会静默返回空，单次延迟还会虚高约 15%。
Bayze 开源 MCP 工具 bayze-mcp，可在 Cherry Studio、Claude Desktop、Cursor 中用一个调用触发「起草→评审→修订」的跨厂商模型协作。
能拿走一份可跑的 YAML 工作流配置，把起草、评审、修订拆给 DeepSeek、千问、豆包三家模型，接进 Cherry Studio 当 MCP 工具用；代价是要自备各家 API Key，评审门靠 JSON 结论 fail-closed，单次三步约 $0.003、8~15 秒。
RSI-BOOT 把编程 Agent 的项目约定、禁止项和修 bug 教训存进仓库根的 .rsi/ 目录，随 git 流动，并通过 rsi serve 暴露的 MCP 服务供 Cursor、Claude Code、Codex、Qoder、DeepSeek Harness 共用同一份记忆。
把项目约定、禁止项和修 bug 教训写进仓库根的 .rsi/ 并随 git 走，用 rsi serve 暴露 MCP 给 Cursor、Claude Code 等宿主共用，主链路纯 BM25 不调模型不配 Key；代价是每条记忆要人工批准，且 BM25 在答案不存在时仍会返回结果。
Munk AI 作者用 19 天让多 Agent 团队全权接管开源桌面比对工具 OpenCompare，受理 213 个需求、交付上线 212 个，产出 22.7 万行代码、544 次 Git 提交和 24 个版本（v0.1.0 到 v0.2.23）。
能拿走的是 24 个 Agent 角色的分工边界与值班排班，以及 Open Company 模版可直接 Fork 复用；落到软件工厂这条线，代价是 61.3 亿 Token 和 19 天连续值守。
百度发布 ERNIE-5.5-Flash-Base，一个 280B 总参数、每 token 激活 14B 的稀疏 MoE 基座模型，在 33.5T token 上从零预训练，训练上下文逐步扩到 128K，微调与推理支持 1M token 上下文。
可拿走稀疏 MoE 加混合 MLA/HCA 注意力、Multi-Router 路由和 ECHO 复用末层做投机解码草稿这几处设计，落到本地模型部署与训练线；代价是要自己扛 280B 权重和 1M 上下文显存。
阿里云云原生发布开源本地 Agent 智能路由引擎 HiRoute 的新版本，可在 Codex、Claude Code、Qoder、Pi、OpenCode、Hermes、DeepSeek Harness 等 Agent 中按每一步难度自动切换模型。
可借鉴其按步判断模型的路由思路与三问拆解法，把简单步骤交给便宜模型、关键判断留给主力，代价是每轮多一次决策调用并需积累评分证据才敢调档。
作者开源了 OpenDrain，一个把下载结果落盘、只向 Agent 返回约 557 字节 JSON 回执的下载器，避免整页 HTML 进入上下文。实测 MDN 的 HTTP Headers 页 293,636 字节约 73,000 tokens，改用 OpenDrain 后回执约 140 tokens，后续用 grep 按需取段约 997 tokens/段。
能拿走的是把下载从上下文里剥离的做法，字节落盘只回 557 字节 JSON 回执，配 flock 任务锁和强制 sha256 校验；可接到本地模型部署和知识沉淀的取数环节，代价是并发分片反而比 curl 单连接慢，Windows 无跨进程锁。
作者在 RTX 4060 Laptop 8GB 上用 vLLM 0.33.0 跑 Qwen2.5-7B 的 AWQ 与 GPTQ-Int4 量化版，给出可复现的启动参数组合：gpu-memory-utilization 0.85、max-model-len 8192、必须开启 enforce-eager。
能直接抄走 8GB 卡跑 7B 的启动参数组合（0.85 利用率、8192 上下文、必开 enforce-eager）和三个 vLLM issue 的本地补丁，落到本地模型部署线；代价是数据只来自 RTX 4060 Laptop 单卡，换卡换模型要重测。
作者实测了用 Zig 从零重写的无头浏览器 Lightpanda，给出接入 Playwright 与 Agent 工作流的具体做法。核心是用 playwright-core 走 connectOverCDP 连接 lightpanda serve，并遵守一进程一连接一 context 一页面的硬限制，并发靠多进程而非多标签。
能拿走 connectOverCDP 接法、LP 私有域四个命令和 /save 导出可回放脚本；落到 Agent 网页工具与批量抓取线，代价是一进程一页面、无渲染、AGPL 限制。
Rack Community 发布 1.0.0 首个公开版本，是一个跑在单台机器上的自托管 AI 实验台，自带实时仪表盘、拒绝压垮机器的作业队列、训练与测试用的 recipe 模板、需人工确认的智能体记忆和可让 AI 加入的团队房间。
能拿走 admit.sh 的内存准入规则和按片原子落盘加外部超时的作业队列，落到本地模型部署这条线，代价是脚本以启动用户身份运行、没有沙箱，且 Somnus 和 TalkBack 无登录。
面壁智能的 Agent ForgeKernel 在 22.5 小时无人直播中，不参考 DeepSeek 源码，用一块 B200、22 个 GPU 小时、42 轮迭代写出 Prefill 算子，最终耗时 472 微秒，比 FlashMLA 的 518 微秒快 9.8%。
能拿走的是用逐比特对齐加责任分离让模型自写训练框架和算子，落到软件工厂和本地模型部署两条线，前提是几十B模型、几百卡以内，万卡集群和稳定性还接不住。
作者发布 Agent-LongRun-Framework v3，用单轮写租约、7 态状态机和项目根绑定三条运行时契约，让 Agent 在未获批准时写操作被代码拒绝而非靠提示词自觉。
能拿走单轮写租约加7态状态机的做法，把写权限绑到turn_index，换掉v2那种一次enable_writes永久可写的开关；代价是宿主必须在每条新消息调begin_turn，且状态文件不支持并发写。
徐小夕拆解 Prime Intellect 开源的编程智能体 Prime Agent，它围绕递归语言模型（RLM）和持续框架（Continual Harness）两大抽象，把提示词、记忆、技能、子 Agent 规范做成可增删改查的状态，让智能体跨回合沉淀经验。
可借鉴它把提示词、记忆、技能、子 Agent 规范都做成可增删改查的状态，并用子 Agent 做上下文压缩、JSONL 日志支持回溯分叉；落到多智能体协同和长任务产线，前提是接受学习成本，短平快任务用不上。
BrowserForge 发布 0.2.1 版本，提供 Firefox/Chrome 扩展加本地 MCP 服务，让 Claude Code、Codex 等 MCP 客户端在用户真实登录的浏览器里操作，提交、支付、上传等动作需在扩展弹窗里人工点击确认。
能拿走的是本地 MCP 服务加浏览器扩展这套结构，把真实会话里的流量转成 OpenAPI 3.1 和 Python/TS 客户端，还能把操作录成 flow 导出 Playwright 脚本；代价是只在 Linux 实测过，Firefox 看不到 WebSocket 帧，敏感动作靠启发式判断。
人大、复旦、上交联合团队在 arXiv 发布 ToolSpace，先从 20 万条真实执行轨迹中用确定性规则挖出工具间的数据、状态、重试三类依赖，聚成 804 个环境簇，再在图上随机游走生成任务并回放验收。
可借鉴的是先挖真实轨迹里的工具依赖再按需造环境，无状态环境直接缓存回放，省掉一半合成文件；前提是手里有真实执行轨迹，且冷门编排进不了图。
Gauge 发布开源 CLI，让编码 agent 反复跑真实任务、找出卡点、改完再测，用来改进 Skills、CLI、SDK、MCP 和文档对 agent 的可用性。
能拿走一套可复用的闭环，用 Docker 起真实编码 agent 跑任务、抓卡点、改完再跑同一 eval 对比批次；前提是 Node 22.13+、Docker 和 agent 凭证，本地模式只覆盖 Skills、SDK、CLI 和文件。
Ricursive AI 发布 Ripple-65B Preview，这是一个 65B 稠密开源权重模型，从零预训练用于智能体编码，在 Terminal-Bench 2.1 上自报 80.52 分。
能拿走的是稠密 65B 做智能体编码的配方，含 ladder 实验筛选、长上下文 SFT 与截断重要性采样加长度惩罚的 RL，代价是知识类与 MCP 调用明显偏弱。
AWS 以开源多智能体数据分析方案 Deep Insight 为参考实现，拆解生产级 AI 智能体的四层上下文工程：架构层用 Coordinator、Planner、Supervisor 与工具智能体各自独立上下文。
四层上下文工程可直接照搬，write_and_execute 工具把代码留在文件里省约 95% token，技能按需加载省约 97% 系统提示词，代价是要先搭多智能体分层和文件通信约定。
Atlas 发布一个 macOS 隐藏桌面方案，为 AI 智能体创建独立的第二个登录账号，智能体在其中打开应用、点击和输入，用户自己的屏幕、鼠标和键盘不受影响。
能在 Mac 上给 agent 开一个隐藏的独立登录桌面，用一条 curl 装完，把 Computer Use 的截图上下文从 232k 压到 36k；代价是它只是普通账号不是安全沙箱，Safari 和原生保存面板要接 Screen Sharing。