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
MatrixMedia 作者在 v0.14.0 中加入 .agent/ 目录，让 Claude Code、Cursor、WorkBuddy 等智能体按「改代码→单测→e2e 真实平台验证→读证据修复重跑」四步自主开发，人只需提一句需求。
能拿走 .agent/ 四步工作流和 e2e/run.js 的 --yes 非交互验证，把 AI 改代码后的验收从 mock 单测换成真实平台跑通再收敛；代价是要有已登录账号和支持图片识别的模型。
开发者张益达Yida 用 OCR 加 Qwen3-0.6B 做端侧支付截图记账 App，把单张端到端耗时从 596 秒降到 8.4 到 11 秒，30 张回归集硬字段准确率保持 30/30 通过。
能拿走四轮端侧优化路径和三个静默失败坑，落到本地模型部署线，代价是要自己复现 30 张回归闸门和天玑 9000+ 硬件口径。
作者给 QQ 上的 Agent 做固定角色语音回复，先用 CosyVoice2 zero-shot 加频响补偿做到够用，再用自写脚本量出说话人余弦只有 0.06–0.09、底噪抖动达 30dB 的天花板。
可拿走一套 TTS 量化脚本（人声厚度、底噪 p10、说话人余弦）和 GPT-SoVITS v2 微调参数，把固定角色音色从 zero-shot 换成训练进权重，代价是要 100s 级清洗音源并接受 seed 抖动。
umutsevdi 在 Hacker News 发布终端编码智能体 Imza，用 Plan、Build、Review 三个显式模式让开发者在计划、实现和评审各环节保持参与。
可借鉴的是把 Plan、Build、Review 做成可回流的循环，计划文档可逐条批注后整体回传，评审发现再作为新修订进入下一轮；代价是要接受原生 C++ 终端 UI 和自带模型配置的门槛。
Archwhere 发布开源工具，把每个 PR、任务和 agent 的改动映射到一份声明的架构图上，标出所触组件、是否为安全区以及当前需要人处理的事项。
用一份 architecture.json 加 SKILL.md 让 agent 在合并前维护架构图，check 卡 CI、check --fix 自动收编未映射文件，能落到软件工厂的 PR 审查环节，代价是得先接受它猜出来的组件划分再手工改名。
作者在 Linux x86_64 上手动安装 rtk v1.1.0 OSS 版并实测，rtk 在命令输出进入 LLM 上下文前按命令类型压缩，ls -la /usr/bin 从 47336 bytes 降到 1200 bytes，约 97.5% 体积下降。
能拿走 rtk 挂 hook 前先压 bash 输出的做法和 recall 哈希找回机制，落到本地 Agent 编码流程；代价是 pytest、tree、rg 必须真在 PATH 里，gain 总览会因超大输出被排除而虚低。
Fastbrowse 发布 MIT 许可的浏览器智能体，由 System One 模型 Jev 从页面控件列表中一次性选出操作和目标，长文本读取交给 LLM 规划。
可借鉴的是把动作选择交给小模型 Jev、凭据按名字解析不进提示词、不可逆操作前加授权门这三处设计，能落到本地浏览器自动化产线；代价是 0.7.2 尚未上 PyPI，需按 commit 安装，且不可逆动作分类器会漏判。
Assure 是一个开源工具，把 AI 智能体放进一次性 SQLite 和文件工作区运行，所有工具调用经网关按策略放行，再用人工编写的确定性断言核对结果，判定过程不调用 LLM、不需要 API key。
能拿走一套不靠 LLM 判定的 agent 验收框架，把工具调用全走网关、用人工断言比对数据库和文件差异，落到软件工厂的 CI 门禁上；代价是本地模式不隔离，Docker 模式作者未实际跑过。
开源 MIT 项目 dotpals 发布 0.12 版本，用一个本地悬浮小助手监视 Claude Code、Codex 等编码 agent 的改动、命令和测试输出，测试失败时把 agent 打回重做，最多两次。
能拿走的是用 MCP 只读接口把 agent 的改动、命令和测试输出变成可查证据，并加测试失败回退循环；落到软件工厂的验收环节，代价是要接 Claude Code 或 Codex 的 hook 与日志，非主流 agent 得自己 POST JSON。
mobile-agent 是一个开源工具，让 AI 智能体驱动 Android 设备与模拟器、iOS 模拟器和实体 iPhone，daemon 为每个接入屏幕维护窗口、无障碍树和最新帧的实时镜像，快照与等待都从镜像答复而非每次读设备。
能拿走的是 daemon 维护屏幕镜像、快照与 settle 都从镜像答复而不每次读设备，以及沿用 agent-browser 的命令语法和 @eN ref 让已有提示词直接复用；落到软件工厂的移动端自动化测试线，代价是依赖 Apple 私有接口和隐藏 Android 接口，只能当开发工具，且 iPhone 需付费开发者签名。
EasyRE-Agent 是一个开源 AI 智能体，把逆向工程工具链打包进 Docker 镜像，让智能体在容器内解 crackme 和 CTF 逆向题并自行校验答案。
可借鉴其 Docker 封装逆向工具链加 verifier 闭环的做法，把「答案必须通过真实程序校验」写进 agent 循环，代价是镜像约 8-9 GB 且仅限 crackme 类目标。
微软研究院与 UC Berkeley 发布开源编码 agent 成本控制器 TokenEconomizer，在 277 个 SWE-Bench 任务、5 种 agent 与模型组合下把平均成本降低 18.4% 至 30.9%，30 个仓库与设置组合全部更便宜。
能拿走三套可切换机制的具体参数，工具剪枝连续3个任务未用即屏蔽、每5个任务全量复审，失败循环用成功运行长度90分位的1.25倍做轮次预算；落到软件工厂的编码 agent 成本控制，代价是微技能默认关闭且需额外模型调用，前几个任务反而更贵。
spinf 开源 Apache 2.0 的 spinf-serve 推理服务器，一次读取内容即可对同一段文本回答多个分类与抽取问题，每个答案输出选项概率而非生成文本。
可把批量分类从逐题重读改成一次读取多分支打分，拿到每个选项的概率和 floor_p 做阈值判断；代价是需 24GB 显卡和 fp8 支持，且只适合吞吐不适合单请求延迟。
cole_dev 在 Hacker News 发布开源项目 Omneum，一个运行在检索与生成之间的本地上下文控制平面，用来源感知的图推理评估 claim 支持度，再在 token 预算内挑选并重建原始段落。
能拿走的是 prepare_context() 的接入方式和 LangGraph 条件边按 claim_support 阈值回退检索的写法，可落到知识沉淀与本地模型部署线；代价是要先做 ContextMapper 映射和 upstream 依赖标注，且精度提升以召回下降换取。
开发者 hunis 在 GitHub 开源 claude-code-mistake-guards，包含 3 个 Claude Code hook 和 4 个上传前脚本，每条规则都对应 Agent 真实重复犯过的错误。
能拿走 3 个 Claude Code hook 加 4 个上传前脚本的写法，把重复犯的错做成机械拦截而不是写进 CLAUDE.md，代价是每个文件顶部要改成本地路径和规则表，且只拦得住到达 hook 的那部分命令。
Gerard Rafie 发布开源项目 NoMoreHappyPath（Apache 2.0，支持 macOS 和 Linux），用 21 个质量步骤把想法推进到可验收的软件。
可借鉴的是把测试先行、红证、独立评审和人工验收串成 21 步交付流程，能替换单 agent 一把梭的派单方式；代价是要自备两家 AI 公司的 CLI 和 API key，一次小应用也要 48 分钟。
小米开源轻量级文档理解模型 Xiaomi-OCR-0，参数规模 0.8B，权重与推理代码已上线 Hugging Face 和 GitHub，单一模型覆盖文档解析、关键信息抽取与 OCR 视觉问答三类任务。
0.8B 单模型同时做文档解析、字段抽取和 OCR 视觉问答，输出 Markdown/LaTeX/JSON，还带 MCP 服务和 Agent Skill 包，能直接换掉文档解析链路里拼多个模型的方案；代价是要自己验证古籍手写和复杂表格上的实际表现。
skyzh 发布 tiny-llm 课程，面向系统工程师在 Apple Silicon 上用 MLX 从零实现 Qwen3 推理全流程。
能拿走一套四周课程路线，从 mlx.core 手写 Qwen3 推理到连续批处理、分页 KV 和带检查点的编码 Agent，前提是有 Apple Silicon 机器并愿意自己实现算子，MLX 只当正确性基准。
英伟达与 MIT 的 Efficient-Large-Model 团队在 Hugging Face 发布基于 MiniMax H3 的视频增强项目 Open-H3-Regenerate-2K 权重，推理代码开在 NVlabs/Sana 仓库，支持 2560×1440 的 2K 输出、最高 3840×2160 的 4K 重生成。
能拿走的是只训细化 LoRA、主干与 VAE 冻结，再叠社区适配器三步去噪做 2K/4K 重生成；落到视频产线可把低分辨率草稿放大成片，代价是要 B200 级算力和潜空间放大器等社区组件配合。
阿里云云原生团队以“向五位客户发通知邮件”为例，拆解 Durable Agent 如何让任务在进程崩溃后从已提交阶段继续，而不只是恢复聊天记录。文章给出 AgentScope 的 Session、Entry、Document、Task、Commit 五层状态模型，工具调用分 call 与 execute 两阶段，只有保存的重放策略为 safe 才重新执行。
能拿走 AgentScope 的 Session/Entry/Document/Task/Commit 五层状态模型和 call/execute 两阶段工具重放策略，把会话恢复升级成任务级恢复；前提是外部动作要自带幂等标识和原操作查询，否则第四封邮件这类窗口只能留人工核实。