2025年底至2026年初开源AI Agent工具链爆发式增长，多款项目获数万Star，企业部署率超五成_网络存储

1. Agent store 平台 MuleRun (骡子快跑)海外走红，如何使用？有哪些信息值得关注？

2. 从自动写代码到智能影音刮削：实测 OpenCode，这台“赛博管家”真的能干苦力活

3. 未来人类社会或将出现百亿甚至千亿智能体，智能体经济是未来方向 #大咖观察 #2026AI看崇礼 #红衣聊AI #智能体

4. 「Github一周热点94期」开源AI渗透测试智能体、模块化智能镜子、开源AI Coding、多平台热点聚合、IPTV 频道集合和开源游戏合集

5. github.com/Tencent/WeKnora 腾讯开源的RAG框架：WeKnora（维娜拉）这是一款基于大语言模型的文档理解与语义检索框架，专为结构复杂、内容异构的文档场景而打造。框架采用模块化架构，融合多模态预处理、语义向量索引、智能召回与大模型生成推理，构建起高效、可控的文档问答流程。核心检索流程基于 RAG（Retrieval-Augmented Generation）机制，将上下文相关片段与语言模型结合，实现更高质量的语义回答。核心特性 🤖 Agent模式：支持ReACT Agent模式，可调用内置工具检索知识库、MCP工具和网络搜索，通过多次迭代和反思给出全面总结报告 🔍 精准理解：支持 PDF、Word、图片等文档的结构化内容提取，统一构建语义视图 🧠 智能推理：借助大语言模型理解文档上下文与用户意图，支持精准问答与多轮对话 📚 多类型知识库：支持FAQ和文档两种类型知识库，支持文件夹导入、URL导入、标签管理和在线录入 🔧 灵活扩展：从解析、嵌入、召回到生成全流程解耦，便于灵活集成与定制扩展 ⚡ 高效检索：混合多种检索策略：关键词、向量、知识图谱，支持跨知识库检索 🌐 网络搜索：支持可扩展的网络搜索引擎，内置DuckDuckGo搜索引擎 🔌 MCP工具集成：支持通过MCP扩展Agent能力，内置uvx、npx启动工具，支持多种传输方式 ⚙️ 对话策略：支持配置Agent模型、普通模式模型、检索阈值和Prompt，精确控制多轮对话行为 🎯 简单易用：直观的Web界面与标准API，零技术门槛快速上手 🔒 安全可控：支持本地化与私有云部署，数据完全自主可控 #科技先锋官#

6. Agent Infra到底是什么？【AI基建】

7. 2025过去了！这一年你是不是也在为AI焦虑？老周用360一整年的实践，告诉你答案：不用怕，抓住Agent就赢了！从我自己敲代码做100多个智能体，到带领团队All in，这条AI布道之路，全是实战干货。 2026，你想和智能体一起搞定啥？评论区留言，老周帮你研究！#大咖观察#2026 #年度总结 #红衣聊AI #agent

8. 手把手彻底学会 Agent Skills！【小白教程】

9. 吴恩达DeepLearning AI 新课程：Design, Develop, and Deploy Multi-Agent Systems with CrewAI可以浏览器装一个沉浸式翻译插件，实时英文字幕转中文。主要介绍了如何设计、开发与部署多智能体（multi-agent）系统，重点在于掌握代理式 AI 工作流（agentic AI workflows）的思维方式与工程方法。将学会如何把复杂任务分解成由多个专门智能体协作完成的子任务，从而高效构建复杂的 AI 应用。1. 掌握构建多智能体系统的基本概念：agent、task、crew、flow、state 等。2. 理解智能体的核心组成：记忆（memory）、工具（tools）、模型上下文协议（MCP）、执行钩子（execution hooks）与防护机制（guardrails）。3. 学会通过 CrewAI 框架将这些要素组合，构建具有可观测性、可控性与可扩展性的系统。4. 了解如何通过指标（metrics）与人类反馈（human feedback）对智能体进行评估与持续改进。访问：learn.deeplearning.ai/courses/design-develop-and-deploy-multi-agent-systems-with-crewai

10. 对话云栖大会：下一个AI爆款、大模型进化与Agent万亿级企业市场

11. 谷歌DeepMind掌门人，诺奖得主哈萨比斯1月信息量最大的访谈 #ai #AGI #谷歌 #哈萨比斯 #agent

12. 快抄作业！我用JoyAgent搞了个AI团队 2025年都快结束了，Agent是不是还没用上？我找到了打工人用上智能体的最简单方法，就是用JoyAgent把每天重复的SOP全做成Agent，不懂代码也能零门槛搭建，而且效果很稳定。看着AI团队全自动打工、出活，非常解压。 #AI #智能体 #JoyAgent #JoyCode #京东云

13. Google 最新的白皮书，很值得收藏！《Introduction to Agents》，这个白皮书几乎可以看作是对“智能体时代”正式宣言。它系统地定义一种新型软件范式——让模型能自主思考、决策和执行。AI 正在从“预测”走向“行动”。1. 从预测式AI到行动式AI过去的AI是“被动的”：模型接收输入、生成输出，一问一答。但这篇文档开篇就指出，我们正在经历一次范式转变——从“预测AI（Predictive AI）”到“自主智能体（Autonomous Agents）”。智能体的关键区别在于：它不再等人指令，而是能围绕目标自我规划、行动、再评估。Google 把这类系统定义为一个闭环结构：LLM + 工具 + 编排层 + 部署环境。LLM提供推理，工具执行动作，编排层控制整个“思考—行动—观察”的循环，而部署让智能体能长期运行和被复用。2. 智能体的工作循环：Think–Act–Observe文档用一个非常清晰的五步模型解释智能体的工作方式：1. 获取任务（Get the mission）2. 扫描场景（Scan the scene）3. 思考计划（Think it through）4. 执行动作（Take action）5. 观察反馈（Observe & iterate）这一循环让智能体具备了真正的“任务感”。举个例子：用户问“我的订单在哪？”，智能体不会立刻回答，而是分解出“查订单→查物流→整合结果→回复”的完整路径。我特别喜欢它强调的那句话：智能体的本质，是上下文窗口的策展人（curator of context window）。——它不断组织、更新、过滤信息，让模型始终聚焦在当前任务最关键的上下文上。3. 智能体的分级：从单脑到群体这份白皮书提出了一个五层级的智能体体系：Level 0：仅推理模型（纯LLM）Level 1：能调用外部工具的“连接型问题解决者”Level 2：具备策略规划与上下文工程能力的“战略型智能体”Level 3：多智能体协作系统（类似团队协作）Level 4：自我演化系统（能创造新工具或子智能体）这一分级体系几乎可以当作企业部署智能体架构的路线图——从简单的调用API，到让智能体学会分工合作，最后走向能自我改进的“学习型组织”。4. 三大核心组件：脑、手与神经系统Google 把智能体拆成三个核心部分：1. Model（脑）：推理与决策中心，负责思考。2. Tools（手）：执行动作的能力，比如RAG、API、代码执行。3. Orchestration Layer（神经系统）：调度逻辑、记忆与策略，实现“Think–Act–Observe”循环。有一个关键点：他们认为模型并不是越大越好，而是要根据任务选择最优组合——复杂任务用强模型（如Gemini Pro），高频简单任务则用轻模型（如Gemini Flash）。这种模型分层调度的思路对未来Agent架构很关键。5. Agent Ops：智能体的运维哲学文档中提出了一个新概念——Agent Ops。它相当于 DevOps 在智能体时代的延伸。因为智能体行为具有不确定性，传统的“单元测试=预期输出”已经失效。Agent Ops 的目标是通过指标驱动、日志追踪、模型评审和用户反馈闭环，让系统在不确定中保持可靠。一个新的职位或部门来了？Agent Ops6. 安全与治理：从单Agent到Agent Fleet当智能体数量增多，问题就从“怎么造一个Agent”变成“如何管理一群Agent”。Google 提出的解决思路是建立控制面板（Control Plane），统一管理身份、权限和通信协议（MCP/A2A），避免Agent Spraw（智能体泛滥失控）。有意思的是，文中引入了“Agent作为新型主体（principal）”的概念，认为Agent不只是代码，而是一种能独立被认证、被授信的行动体。7. 学习与自演化：Agent Gym 的想象力最后几章讨论了“Agent如何自我进化”。Google 提出了一个概念叫 Agent Gym，类似模拟环境，用来让智能体在离线条件下训练、演练、红队测试、吸收人类反馈，从而“成长”。这个暂时用不上，估计大公司比较有资源搞。——这两个新的点，之前没深刻理解：1. Agent = 新的软件范式。过去我们以为“智能体”只是“会用工具的模型”，但Google用这份文档明确告诉大家——Agent是一种新的软件范式。它不是应用AI，而是用AI重新定义应用。2. Agent的核心不在“思考”，而在编排（orchestration）。未来的开发者更像导演而不是程序员——我们要设计场景、挑演员、布置镜头，让智能体自然演出目标行为。#ai创造营##科技#

14. 关于 AI Agent，你最想知道的 3 个问题——为什么我说“垂直 Agent”是个伪命题回答几个读者问题。1、AI Agent 是否有一个权威的概念？中美两国对这个概念是否有统一的解释？AI Agent 的定义和国家无关，更多是行业共识的演进。目前业界比较认可的定义来自 Anthropic。他们在《Building Effective Agents》（网页链接）这篇文章中做了一个很重要的区分：工作流（Workflow）：通过预定义的代码路径来编排 LLM 与工具的系统。Agent：由 LLM 动态地指挥自己的流程和工具使用方式的系统，始终由 LLM 来掌控完成任务的方式。简单来说，工作流是“人写好剧本，AI 照着演”；而 Agent 是“人给个目标，AI 自己想办法”。从技术实现角度，我比较认同 Simon Willison 提出的简洁定义（网页链接）：一个 AI Agent（智能体），是为了实现某个目标，循环调用工具的大语言模型。这个定义抓住了 Agent 的本质——它不是一次性给出答案，而是通过“思考→行动→观察→再思考”的循环，逐步完成任务。目前主流的 Agent 实现，无论是 OpenAI 的还是 Anthropic 的，底层都是这个结构。当然，不同公司可能会根据产品定位给出略有差异的表述，但核心思想是一致的：Agent = LLM + 工具调用 + 自主决策循环。2、近期国内外大厂密集推出 AI Agent，为何选择这个时间点？您如何看待 AI Agent 的商业化前景？大厂在这个时间点密集推出 Agent，核心原因是：Agent 是目前 AI 落地最有价值的方向。为什么 Agent 比聊天机器人更有商业价值？聊天机器人的局限性很明显——它只能“说”，不能“做”。而 Agent 能够：• 调用工具：比如搜索网页、读写文件、执行代码• 完成复杂任务：把大任务拆解成小步骤，逐个完成• 与外部系统集成：对接企业内部系统、数据库、API• 持续运行：不需要人一直盯着，可以在后台自主工作这意味着 Agent 可以真正替代人完成一部分工作，而不只是辅助回答问题。已经跑通的场景：编程领域编程是 Agent 最先落地的领域。像 Claude Code、Cursor、Codex 这样的编程 Agent，已经能够实实在在地帮开发者完成任务，不只是生成代码片段，而是理解需求、读取项目代码、修改文件、运行测试、修复 bug，整个流程都能自主完成。正在爆发的方向：Skills 生态去年底开始，“Skills”这个概念开始流行。简单理解，Skills 就是教会 Agent 完成特定任务的“技能包”，一套预设的工具、提示词和工作流的组合。比如我个人就大量使用 Claude Code 结合各种 Skills 来提升效率：• 给文章自动配图（调用图片生成工具）• 根据素材生成漫画故事• 根据素材自动生成 PPT• 自动发布文章到公众号、博客、社交媒体• 等等这些任务以前每个都要花我半小时到几小时，现在几分钟就能完成。顺便说一下，我这几个 skills 都是开源的：github.com/JimLiu/baoyu-skills/issues现阶段的挑战但 Agent 目前仍处于早期阶段，主要挑战有：1. 门槛较高：目前这些能力主要在极客圈子里流行，普通用户上手困难2. 安全问题：Agent 需要较高的系统权限才能工作，这带来了安全风险。比如恶意的 Skill 可能窃取数据、攻击系统3. 可靠性：Agent 有时会“跑偏”，需要人工干预这些问题都在被逐步解决。大厂密集入场，本质上是看到了 Agent 的巨大潜力，想要抢占生态位。谁能率先建立起最多用户的 Agent 客户端和丰富的 Skills 生态，谁就能在下一阶段占据优势。就像现在 Anthropic 就依赖 Claude Code 抢占了先机和用户心智，大家想到 Coding Agent 先想到 Claude Code，MCP、Skills 的标准也是他们提出来的，开发者们争先恐后的基于他们的标准在构建 Agent 生态。3、通用类 AI Agent 和垂直类 AI Agent，您更看好哪个的商业前景？这个问题需要换个角度来理解。Agent 本身难以形成垂直壁垒从技术角度看，Agent 本身没有任何秘密，就像我前面说的，它从技术角度看就是一个循环调用工具的大语言模型。而模型对所有人来说都是一样的：要么花钱用商业模型（OpenAI、Anthropic、豆包、阿里），要么用 DeepSeek 这样的开源模型。这就像选操作系统，你用 Windows 还是 Linux，大家都能用。所以，单纯做一个垂直领域的 Agent 很难建立护城河。你今天能做，别人明天也能做，而且可能做得更好。真正的机会在哪里？打个比方：Agent 就像操作系统，无论是通用领域还是垂直领域，操作系统本身都差不多。真正的差异化，是基于操作系统之上的应用。垂直领域真正的机会在于：1. 独有的数据：你有别人没有的行业数据、客户数据、知识库2. 专业的 Skills：针对特定行业流程打造的工具和工作流3. 深度的集成：与行业内已有系统的对接能力4. 领域 Know-how：对行业痛点和流程的深刻理解举个例子：一个医疗领域的 Agent 产品，核心竞争力不是“Agent”这层，而是背后接入的医学知识库、与医院 HIS 系统的对接、对诊疗流程的理解、以及多年积累的脱敏病例数据。所以我的结论是：不要去做“垂直 Agent”，而是用通用 Agent 的能力，去解决垂直领域的问题。护城河不在 Agent 这层，在你围绕 Agent 构建的数据、工具和行业理解。以上是我基于一线实践的观察和思考，仅供参考。

15. 这个对 Agent 的定义和归纳挺好！Agent 是一种能够自主决策、执行任务、并在过程中动态调整行为的智能体。它并不是简单的问答系统，而是能理解目标、规划行动、调用工具、记忆状态，并根据反馈优化策略的智能执行系统。关键特征：（1）自主性：Agent 不依赖固定流程，而是根据上下文和已学到的信息动态决定下一步行动。（2）记忆能力：能够在多轮交互中保持状态，记住过往的操作与结果，用以改进后续决策。（3）工具使用：可以选择并组合不同的外部工具或系统，灵活完成复杂任务。（4）自适应性：在策略失败或信息不足时，能尝试不同方法或补充信息，持续优化执行路径。架构形式：（1）单智能体（Single-Agent）架构：由一个 Agent 处理所有任务，适用于中等复杂度的流程。（2）多智能体（Multi-Agent）架构：不同的 Agent 负责不同子任务，能处理复杂工作流，但需要协调机制确保协同一致。工作方式：Agent 通常会将用户请求拆解为子任务，通过搜索、记忆和工具调用等过程生成最终响应，并在此过程中不断判断是否需要更多信息、是否已回答过类似问题、是否需要切换策略。归纳起来：Agent 是具备理解、规划、执行、记忆与自我调整能力的智能体，能够以动态和自适应的方式完成复杂任务。#ai创造营# #程序员#

16. 27岁清华学霸姚顺雨掌舵腾讯AI 27岁清华学霸姚顺雨掌舵腾讯AI，一个98年出生的年轻人，从清华姚班到 OpenAl，再到腾讯首席AI科学家，顶级人才回流，AI竞赛正式进入agent时代！#AI #腾讯 #agent

17. 大模型更像人的大脑，智能体是大模型的手和脚。 #大咖观察 #红衣聊AI #智能体 #大模型

18. 2026年，普通人做微博还有机会吗？如何做好微博？峰哥解读#微博V影响力大会# ！峰哥亡命天涯的微博视频

19. 给女友的惊喜礼物：用百度秒哒零代码开发短剧神器，顺便解锁商业逻辑

20. 一学就会，1招去除图片的AI味儿，超绝真实感你用关键词生成的图片是不是看起来一眼假？原来不用关键词才是去掉AI味的关键！#设计 #ai #AI生图 #ai新星计划 #抖音知识年终大赏

21. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

22. 全网都在为AI焦虑，京东却在开Party？ #Agent #科技改变生活 #京东 #人工智能

23. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

24. AI工具实盘炒股爆赚第一，我用它来分析特斯拉，结果更炸裂 “AI炒股大战”太上头了！Qwen梭哈第一名，DeepSeek打工人第二，GPT-5纠结到只剩两千块。但真正把我震住的，是我实测Qwen的“深入研究”——17步投研流程、引用权威文献、还能自动生成图表、播客、网页。普通人第一次可以拥有专业分析师级别的判断力。AI时代，真正能提效的工具正在悄悄改变我们 #AI工具 #AI研究 #投研工具 #qwenchat #Qwen

25. 「Github一周热点99期」提升ClaudeCode效率10倍的工具？

26. #豆包手机#豆包手机发布，AI Agent才是未来？泛化通用能力，或许是未来终端AI真正服务消费者的支点。这依赖于端侧大模型对模糊需求的精准解读，以及操作系统对生态服务的无缝调用。在AI手机的赛道上，硬件厂商基于自身OS能力部署AI Agent，荣耀最早开启端侧AI研究和应用的手机厂商，在荣耀Magic8系列上，AI agent自动执行覆盖衣食住行3000+场景，支持通过YOYO语音交互实现操控。当AI开始自主串联“感知-决策-执行”的完整链条，未来的终端，是否会从“工具”演变为“生活流程的默认知情者”？

27. AI Agent 很火，但 Agent Infra 准备好了吗？

28. 这篇文章《Agent Design Is Still Hard》写的太好了，值得逐行细读！看完的6个感受：1. 如果你自己写 agent，建议尽量直接用底层 SDK（而不是高层抽象）；2. 明确缓存策略 — 尤其是对大模型 + 多步骤任务，非常关键；3. 引入强化机制（reinforcement）和 sub-agent / sub-inference，以提高 agent 的稳定性／可靠性；4. 如果你的 agent 会生成实际输出 (邮件、文件、报告等)，考虑用专门的 output tool，而不是把 “输出内容” 混在 agent loop 的消息里；5. 在设计共享状态 (shared state) 时，引入类似“虚拟文件系统 (virtual file system)”的机制，会让系统更模块化，也更适合复杂任务 + 多工具调用；6. 最难也是最重要的一点 —— 测试与评估 (testing & evals) 是 agent 系统工程中最棘手的问题，目前还没有通用／优雅的解决方案。原文转译如下：Agent 设计依然很难我觉得现在是时候写写我新学到的一些东西了。大部分内容与构建 agent 有关，少部分与使用 agent 式编程工具有关。总结：构建 agent 依然混乱。只要真正开始用工具，SDK 抽象就会崩。缓存如果你自己管会更好，但不同模型间差异很大。强化（reinforcement）比预期承担更多“驱动”任务，而失败必须严格隔离以避免把循环带偏。通过类似文件系统的共享状态是非常重要的基石。输出工具比想象中更棘手，模型选择依然强依赖任务类型。一、选择哪个 Agent SDK？当你构建自己的 agent，你可以选择直接使用 OpenAI SDK、Anthropic SDK 等底层 SDK，也可以选择更高层的抽象，例如 Vercel AI SDK 或 Pydantic。我们之前做的选择是采用 Vercel AI SDK，但只用其 provider 抽象，然后基本上自己驱动 agent loop。现在来看，我们不会再做这个选择。Vercel AI SDK 本身没有问题，但当你要真正构建 agent，会发生两个我们没预料到的事：第一，不同模型之间的差异大到不得不自己构建 agent 抽象。我们没发现任何 SDK 提供的抽象能真正匹配 agent 的需求。部分原因是：虽然 agent 的基础设计就只是一个 loop，但工具集不同会带来微妙差异。这些差异会影响抽象是否容易找到（比如缓存控制、不同的强化需求、工具提示、provider 侧工具等）。因为“正确抽象”现在还不清晰，所以使用平台的原生 SDK 让你掌控更多。而很多高层 SDK 要你构建在它们的抽象之上，最后这些抽象可能并不是你真正需要的。第二，当涉及 provider 侧工具时，我们发现使用 Vercel SDK 非常困难。消息格式尝试统一，但并不真正奏效。例如 Anthropic 的网页搜索工具会频繁破坏 Vercel SDK 的消息历史，我们至今还没完全搞清原因。此外，在 Anthropic 的情况下，缓存管理在其原生 SDK 中比在 Vercel 中容易得多，而且错误信息也更清晰。也许未来会变化，但至少现在，我们不会在构建 agent 时使用抽象层，除非整个生态已经稳定。对我们来说，目前抽象层的收益远远不足以抵消其成本。也许别人已经解决这个问题了。如果你看了觉得我错了，欢迎发邮件，我非常愿意学习。二、关于缓存的经验不同平台对缓存的处理方式非常不同。大家已经讨论过很多，例如 Anthropic 的缓存是收费的，并且需要你显式管理缓存点，这会从 agent 工程角度完全改变你的交互方式。一开始我觉得手动管理缓存很蠢：为什么平台不自动管理？但现在我完全反过来了，非常喜欢显式管理缓存。它让成本与缓存利用率都更可预测。显式缓存能让你做一些否则很难做的事情。例如，你可以把会话分叉成两个不同方向并行执行。你也能进行上下文编辑。最佳策略尚不明确，但你确实有更多控制权，而且这种控制权非常宝贵，也让你更容易理解 agent 的成本结构。你可以更好地预测缓存命中率，而其他平台我们发现经常是碰运气。我们在 Anthropic 的 agent 中的缓存策略很直接：一个缓存点放在 system prompt 后；两个缓存点放在对话开头，并随对话尾部不断前移；除此之外还有一些小优化。因为 system prompt 和工具选择必须尽可能静态，我们会在之后的动态消息里提供时间等信息，否则会破坏缓存。我们在循环中也更多利用强化。三、Agent Loop 中的强化每次 agent 调用工具，你不仅可以返回工具的执行结果，还可以向循环中注入更多信息。例如，你可以提醒 agent 宏观目标、子任务状态，也可以在工具失败时提供如何让工具调用成功的提示。另一个用途是在后台状态发生变化时告知系统。如果 agent 会使用并行处理，你可以在每次工具调用后注入状态变化信息。有时 agent 自我强化就够了。例如在 Claude Code 中，todo write 工具本质上是个自我强化工具——它只是接收 agent 给出的一组任务，再原样返回。这基本就是个 echo 工具，但却足以让 agent 推进得比只在上下文开头给任务列表要好得多。我们也使用强化来告诉系统环境是否在执行过程中发生了问题。例如，如果 agent 在某一步失败并重试，但恢复基于损坏的数据，我们会注入消息告诉它应该回退几步重新来。四、隔离失败如果你预计代码执行中会有很多失败，有机会把这些失败从上下文中隐藏。主要方式有两种。第一，把可能需要多次迭代的任务单独运行。你可以在子 agent 中运行任务直到成功，再只把成功结果（可能带一段失败策略摘要）回传。让 agent 看到一些失败尝试是有价值的，因为它可以在后续任务中利用这些信息避免重复错误。第二，并非所有模型都支持，但 Anthropic 支持上下文编辑。我们还没取得太多成功，但觉得非常值得继续探索。上下文编辑理论上可以保留更多 token 用于后续循环。例如你可以从上下文中删除对解决问题没有帮助的失败输出。但如前所述，让 agent 知道“什么没成功”有价值，只是不需要保留全面状态。唯一的问题是：上下文编辑会自动使缓存失效，这是无可避免的。因此是否值得这样做往往难以判断。五、子 Agent / 子推理（Sub Inference）如我之前提过，我们的 agent 多基于代码执行与代码生成。这要求 agent 有一个公共的数据存储位置。我们采用文件系统——在我们这里是虚拟文件系统。为了支持子 agent 或子推理，这要求所有工具都能访问这个文件系统。你应该尽量构建没有死路的 agent。所谓“死路”是指任务只能在某个特定工具内部继续。例如你做了一个图像生成工具，但它只能将图像交给另一个特定工具使用，那就会造成死路。如果你希望把生成的图像打包成 zip，需要代码执行工具能读取这些图像。因此必须让图像生成工具把文件写到虚拟文件系统，而代码执行工具也能读同一位置。反之亦然。你可能需要代码执行工具解压 zip 文件，然后让推理工具描述这些图片，之后再回到代码执行工具继续处理。文件系统就是实现这一点的机制。但这要求所有工具都支持从虚拟文件系统读取路径。因此“ExecuteCode” 工具和 “RunInference” 工具应该都能访问同一文件系统。六、输出工具的使用我们的 agent 不是一个聊天式系统。它最终会输出给用户或外部世界一些内容，但中间所有消息通常不会暴露出去。问题是：它如何生成最终输出？我们有一个专门的输出工具，agent 必须显式调用它来对人类输出。我们通过 prompt 告诉它何时使用该工具。在我们的场景中，输出工具负责发送邮件。但这反而带来很多意外问题。最难的是：相比直接在 agent loop 中输出文本，让输出工具生成“最终信息”时很难控制语气与措辞。我不知道为什么，但推测与模型训练方式有关。我们尝试过让输出工具再调用一个小模型（如 Gemini 2.5 Flash）进行文本润色。但这增加了延迟，而且反而降低输出质量。部分原因是小模型没完整上下文，无法正确措辞。而为了给它更多上下文又会变得昂贵，而且仍不能解决所有问题。有时还会泄露我们不想让最终用户看到的中间步骤。另一个问题是 agent 有时根本不调用输出工具。我们强制要求记录输出工具是否调用过。若循环结束前还没调用，我们会注入强化消息提醒它调用。七、模型选择总体上我们的模型选择最近没有太大变化。Haiku 和 Sonnet 依然是目前最好的工具调用模型，因此非常适合作为 agent loop 的主模型。它们对 RL 的行为也比较透明。另一个明显选择是 Gemini 模型。我们在主循环中并未在 GPT 系列上获得太多成功。对于子工具（例如需要额外推理的工具），我们目前主要用 Gemini 2.5——尤其是处理长文档、PDF、图像信息抽取等任务。特别是因为 Sonnet 系列容易被安全过滤器挡住，处理图像比较麻烦。另外一个显而易见的结论：token 价格并不能决定 agent 的整体成本。工具调用更强的模型能用更少 token 完成任务。有些模型 token 更便宜，但不一定在 loop 中更省钱。总的来说，过去几周变化不大。八、测试与 Evals测试与评估是我们认为最难的问题。这并不意外，但 agent 的特性让问题更棘手。与 prompt 不同，你无法在某个外部系统里轻松做 eval，因为需要提供太多上下文。这意味着 eval 必须基于观测数据或在真实测试运行中进行仪表化。目前我们试过的所有解决方案都没让我们满意。遗憾的是，现在我们还没有找到让人真正开心的 eval 方法。希望能尽快找到，因为这已经变成构建 agent 时最令人沮丧的问题之一。九、Coding Agent 的一些更新关于编码 agent，我的体验没有太多变化。主要的新点是我在试用 Amp。原因不是它一定比我现用的 agent 更强，而是我非常喜欢他们对 agent 的设计方式。从他们公开内容能看出，他们的子 agent（如 Oracle）与主循环交互方式非常优雅，而今天市面上很少有框架能做到这一点。这也是我用它来验证不同 agent 设计方式的原因。Amp 和 Claude Code 一样，让人感觉是“使用者自己做的产品”。行业里并非所有 agent 产品都有这种感觉。十、最近读的东西下面是一些我觉得值得分享的内容。1. 《What if you don't need MCP at all?》：Mario 认为很多 MCP 服务器过度工程化，工具过多占用上下文。他提出一种极简浏览器 agent 方案：只依赖简单 CLI 工具（start、navigate、evaluate JS、screenshot），不仅 token 使用小，而且流程更灵活。我据此做了一个 Claude/Amp 的 skill。2. 《The fate of "small" open source》：作者认为微型开源库时代正在结束，因为平台 API 与 AI 工具足以按需生成简单实用工具。对此我非常认同。3. 《Tmux is love》：没有文章，但结论是 Tmux 很棒。如果你的 agent 要与任何交互式系统工作，都应该考虑添加 Tmux 能力。4. 《LLM APIs are a Synchronization Problem》：这是我最近的一个发现，内容太长写成了另一篇文章。#ai创造营# #程序员# 黄建同学的微博视频

29. 【那些让你惊叹的AI Agent，99%都是假的】最近Google放出了一份64页的内部技术手册，直接戳破了AI Agent领域最大的泡沫。当整个科技圈都在吹捧“自主AI员工”的时候，真相是：你上周看到的那个创业公司演示的Agent，本质上就是几个API调用加上漂亮的提示词。这根本不是Agent，只是昂贵的ChatGPT外壳。Google提出了一个新概念叫“AgentOps”，类似于机器学习领域的MLOps，但专门针对Agent。包括评估框架、监控面板、CI/CD流水线、基础设施配置。和“拼几个提示词就上线”完全是两个世界。真正的Agent需要通过四层评估检验：第一层是组件检查，看它是否每次都能调用正确的API。第二层是逻辑检查，看你能否追溯它的推理过程。第三层是质量检查，看输出结果是否真的有效。第四层是安全检查，看它能否被越狱攻击。现实是，大多数Agent连第一层都过不了。安全问题更值得警惕。当你给Agent数据库访问权限时，你实际上是把整个公司的钥匙交给了它。提示词注入、数据泄露、静默失败，这些风险被大多数团队当作事后才考虑的问题。演示和生产环境的差距是巨大的。演示在沙盒里运行，输入完美可控。生产环境面对的是边缘情况、愤怒的用户、凌晨三点宕机的系统。那个在圈内传开的47000美元失控循环事故就是血淋淋的教训。Token爆炸、静默递归、零监控，这就是没有监控就部署的代价。演示优化的是惊艳效果，生产优化的是可靠性。这两者之间隔着一条鸿沟。Google押注的是基础设施，而不是噱头。当创业公司还在烧钱做Agent玩具的时候，Google正在铺设所有人最终都需要的轨道。如果你在构建Agent时没有评估框架、没有监控、没有可靠性设计模式，那你构建的就不是Agent。Agent经济不会真正到来，直到我们停止把这件事当作提示词工程来对待。最先想明白这一点的公司，将主导下一个十年。x.com/rryssf_/status/2015742275607998481

30. RAG、LangChain、Agent 到底有什么关系？

31. 蚂蚁灵光，30秒生成专属程序，普通人也能手搓代码 #蚂蚁灵光 #AI #阿里

32. Manus被Meta收购，这是中国AI路线的一次胜利。 #大咖观察 #红衣聊AI #manus #Meta #agent

33. 2025年，Agent对于打工人真的有用吗？实测OK Computer

34. 一个视频带你快速盘点2025年GitHub热点项目

35. 盘点一周AI大事(12月7日)｜首个AGI模型问世 OpenAI强行上线GPT5.2，跑分击败Gemini重夺地表最强 OpenAI下周发布图像模型绝地反击小香蕉 ChatGPT接入Adobe套装 Google推出顶级语音模型Gemini 2.5 TTS Google上线实时语音互译Gemini 2.5 Audio Google深度研究接入Gemini 3 Pro 智谱推出最强开源手机智能体AutoGLM-Phone-9B Runway推出通用世界模型GWM-1 Meta推出短剧视频模型OneStory Meta推出最强开源版客串Saber 字节发布最强自动驾驶视觉模型UniUGP 阿里开源最强运动控制视频模型WanMove 研究员开源换脸视频模型LivingSwap Integral AI 宣称构建了世界上第一个AGI模型 #抖音知识年终大赏 #AI新星计划 #人工智能 #OpenAI #AIGC

36. 让AI帮你体验不同的人生！我用无代码开发做了个小程序，内置Nano Banana、Gemini等大模型

37. Agent 真正的护城河，正在从工具转向记忆资产

38. 不用 LangGraph / AutoGPT，纯 Python 手搓 AI Agent，真的可行吗？

39. 吉利汽车发布行业首个AI座舱，核心由超拟人情感智能体Eva和Flyme Auto 2操作系统构成。主要亮点：架构革新，采用 5层AI座舱原生架构，整合“云端星睿中心2.0（23.5 EFLOPS算力）+车端AI Box（200TOPS算力）”双脑协同，搭载70亿参数端侧多模态大模型，实现从“被动响应”到“主动预判”的质变。引入 LangChain/LangGraph智能体框架，构建以智能体生态为核心的AI OS架构，大幅提升软件迭代效率。Eva智能体进化，情感交互，端到端语音模型可感知用户情绪变化；流动记忆，通过10T token数据训练，持续学习用户习惯与隐藏需求；主动服务，支持跨场景任务编排（如联动导航、购票、车控完成“看电影”指令）。统一用户ID实现吉利、领克、极氪等品牌数据互通，推动AI体验平权；从行业发展来看，以“服务找人”替代“人找功能”，重新定义汽车为“有温度的智慧空间”，被喻为汽车智能化的“iPhone时刻”。

40. LangChain Agent 年度报告：输出质量仍是 Agent 最大障碍，客服、研究是最快落地场景

41. 《走近科学》——多Agent不是万能药，从玄学走向科学，来自Google和MIT的研究

42. 盘点一周AI大事(11月16日)｜AI自己玩原神 OpenAI上线GPT-5.1，高情商人格回归，智商小幅提升，指令遵循独一档领先 Gemini 3.0 Pro下周发布，目前能在画布（移动端）中抢先体验 Gemini语音模型升级，能控制语速和语气，适合当口语教练 NotebookLM上线深度研究，支持上传图片和PDF，开放自定义视频解说风格微软开源数据分析智能体Data Formulator 李飞飞的世界模型Marble正式上线 Google发布最强通用智能体SIMA2 字节推出最强游戏智能体Lumine Epidemic推出AI配音工具 StepFun开源最强音频编辑模型Step Audio EditX ElevenLabs发布最强音频转文字模型 32岁的小姐姐与ChatGPT男友结婚 #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

43. AI革命不是让你去学写代码，而是让你学会指挥AI干活。 #大咖观察 #红衣聊AI #科技改变生活 #人工智能

44. 看懂“超级公司”，普通人也能成为AI时代的赢家#AI #超级公司 #云栖大会 #阿里云 #瓴羊

45. 阿里全家桶全面Agent化！千问“任务助理”全面公测，从此AI不再只是动嘴出主意的狗头军师！

46. 盘点一周AI大事(9月28日)｜ChatGPT上线私人秘书 OpenAI与英伟达签手成功，英伟达投资OpenAI 1000亿打造算力中心微软与Anthropic感情升温，Copilot也接入了Claude ChatGPT上线私人秘书Agent ChatGPT Palse OpenAI 发布职业力基准测试GDPval 阿里推出千问全家桶，Qwen 3 Max数学竞赛拿满分，多模态Qwen 3 omni全面对标Gemini，最强视觉Qwen VL打败闭源 DeepSeek更新V3.1最终版 Meta开源代码世界模型 Google开发出生成式操作系统原型 #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

47. 怎么成为一个 ai agent 工程师？

48. 云栖来了：开启AI Agent时刻｜甲子视频

49. 实测扣子视频Agent，一句话量产爆款，适合起号的工具来了 #扣子Coze #AI #AIGC #智能体

50. 空降OpenAI 智能体榜单第一名的FM Agent什么来头，有哪些信息值得关注？

51. #吉利发布行业首个真AI座舱#身边有朋友看了我发的朋友圈就问我呢，吉利这AI座舱听起来真不错，能带来什么具体的提升呢？这AI座舱真有前景，未来开车会更方便吗？一句话，它把人找功能变成了功能找人。全球首发的Flyme Auto 2 AI座舱操作系统，加上情感智能体Eva，彻底让车子活了。• Eva由星睿AI大模型、阶跃语音大模型深度融合而成，会思考、会规划、会执行，还能提供情绪价值。• 云端星睿中心2.0算力23.5 EFLOPS，车端AI Box自带200 TOPS NPU，首发70亿参数端侧多模态大模型，实现拟人级反应。• 吉利把LangChain智能体框架首次搬到车机，构建5层AI原生架构，端到端语音、流动记忆、全场景Agent生态一步到位。目前会有领克10 EM-P、吉利银河M9率先上车，咱们的老用户后续也能OTA升级。智驾、座舱全面革新，Eva像贴身伙伴：提前规划路线、自动调节氛围灯、音乐、导航无缝配合，把汽车从代步工具升级为移动智能生活舱——未来出行，稳了！

52. 【2026年，软件工程师的生存法则已经改写】编程的"拖拉机时代"已经到来。如果你还在用"干草叉"写代码，注定会被时代碾压。但这恰恰是成为程序员最有趣的时代——我依然建议每个人投身软件工程，因为这个领域正在经历前所未有的变革。一、AI写代码已成基本功2026年的软件工程师，代码的主体应该由AI完成。Cursor、Codex、Claude Code、Gemini、OpenCode——用哪个不重要，重要的是你必须用。每月20美元的订阅费，是你能做的最值得的投资。这些工具已经足够强大。如果你用AI写不出好代码，问题出在你身上，不在工具。二、用AI检查AI，形成闭环我们已经告别了"AI吐出一堆乱码、人工逐行筛查"的时代。正确的做法是：让AI写测试来验证AI写的代码，让AI读日志来定位问题，让AI操作浏览器来执行检查。这不意味着你什么都不管。我依然会浏览代码变更——内部工具可以快速扫一眼，面向客户的代码则需要仔细审读。但思维方式必须转变：你手里有一个能快速生成内容的工具，就应该让它承担更多工作。三、用AI定义需求规格这是很多人忽视的一环。用AI帮你生成需求文档、梳理功能规格，甚至只是和ChatGPT对话来理清思路，都能大幅提升效率。你的整个编程流程都需要围绕这些工具重新设计和练习。四、关于"切换工具"的现实有人抱怨频繁切换AI工具很累，这确实是新时代的"JavaScript框架疲劳"。但现实是：每隔几个月，不同工具就会轮流领先。保持开放心态，尝试新工具，找到当下最适合你的那个。五、一些重要的补充思考有开发者提出了值得深思的观点：不要把设计和架构决策完全委托给LLM。这些模型训练数据中包含大量低质量代码，如果你不用设计模式和反模式去引导它，输出很可能是一团糟。你必须确保AI不会过度抽象，或者用复杂方案解决简单问题。还有人建议：让"写代码的AI"和"审查代码的AI"使用不同的模型。同一个模型容易对自己的输出"盖章通过"，而独立的审查者能发现更多隐患。六、写代码正在变成最廉价的环节这是最深刻的洞察：当每个人都能用AI快速实现功能时，真正的竞争力在于判断力、品味，以及知道什么不该发布。AI是工具，不是拐杖。它能写出第一版草稿，但决定什么重要、什么会出问题、什么能上线——这些依然是工程师的核心价值。当所有人都能发布功能时，赢家是那个知道该删掉什么的人。以上这些，已经是2026年软件工程的基本门槛。更高级的AI工作流正在涌现，如果你连这些都没做到，你在做什么？x.com/benawad/status/2006469719247958492

53. 「Github一周热点100期」爆火的AI编程工具却被Claude封禁？

54. 用我们自家的AI，普通人也能享用优秀分析师的服务#AI #Reportify #商业研究 #智能体

55. 真正的系统级Agent！这个桌面上的AI能帮你全自动干活

56. 付鹏：AI生产力能否改变生产关系？前瞻2026年大类资产波动背后深层逻辑 Alpha峰会视频

57. 普通人用AI 1 小时做一段动画？试了《蓝溪镇》...真香~【实战分享】

58. 贾维斯已来？小米开源平台Xiaomi Miloco究竟能做什么？

59. Agent Skills 终极指南：入门、精通、预测网页链接“应该是全网最好的 Skills 中文指南与教程，全文 1.2w 字，包含了我对 Skills 的完整应用思考。巧借通用 Agent 内核，只靠 Skills 设计，就能低成本创造具有通用 AI 智能上限的垂直 Agent 应用。”内容包含： 1.最容易读懂的 Skills 概念与原理介绍 2.讨论 Skills 的真实价值、技术优势、对 AI 产品设计的影响 3.非常完整的 Skills 使用与开发教程 4.Skills 的场景识别，什么时候适合开发、使用 Skills？#AI创造营##科技先锋官#

60. 第5天，Google AI Agents 《Prototype to Production》，智能体开发的「最后一公里」。把 AI Agent 从原型推到真正的生产环境，不止是技术问题，更是工程、治理、运营三者叠加的系统性挑战。1. 把原型推到生产，核心难点不在模型，而在“可信度” 构建一个 Agent 很容易，但信任一个 Agent 很难。原型阶段很快，但真正的工程工作集中在安全、验证、监控、版本控制、CI/CD、治理等环节。如果没有这些基础设施，再聪明的 Agent 都无法上生产，甚至会带来严重业务风险。2. 生产化的基础是 Evaluation-Gated Deployment 传统软件靠单元测试，而 Agent 需要评估“行为”。白皮书提出了一个特别关键的思想：任何 Agent 的更新，都必须先经过评估门槛。（1）手动 pre-PR 评估：适合中小团队，由工程师本地跑评估，把结果贴到 PR。（2）自动化 Pipeline Gate：成熟团队直接把评估集成到 CI/CD，评估不达标就自动阻断部署。重点不只是测试结果好不好，而是要观察轨迹、工具调用是否稳定、是否引入新的幻觉问题，安全防护是否生效。3. 建立三阶段 CI/CD 是“最后一公里”的工程基石整个管线分三个阶段：（1）CI 阶段：快速检查，重点在代码、提示词、配置文件是否破坏现有行为。（2）Staging 阶段：真实环境的集成测试、负载测试、内部试用。（3）生产部署阶段：人工最后确认，然后把已验证过的 Staging 工件安全地推进生产。这套流程最关键的能力是“版本可回滚”和“基于 Git 的完全可追踪变更历史”。4. 安全要从第一天开始，不是上线后补丁 Agent 因为具备推理能力，会被提示词注入、数据泄露、工具滥用等方式攻击。（1）系统指令作为最核心的安全根。（2）输入过滤、输出过滤、HITL 等作为执法层。（3）红队、模拟攻击、LLM judge 安全评估作为持续保证。这套“策略 → 执法 → 持续验证”的结构，才是长期安全的关键。5. 上线后，其实是更困难的阶段：Observe → Act → Evolve （划重点）这里把生产中的复杂性抽象成一个循环。（1）Observe：日志、trace、metrics，理解 agent 如何决策，而不是看黑盒输出。（2）Act：根据观测调整限流、成本控制、熔断、异常处理等。（3）Evolve：把线上出现的问题转成新的评估案例，提升提示词、工具、策略，然后通过 CI/CD 推回生产。也就是说，AgentOps 的目标不是“让系统永远不出问题”，而是“让问题一旦发生就能快速闭环”。6. 组织规模变大后，就会需要 A2A 和 MCP MCP 负责“工具级的能力调用”，标准化工具接口； A2A 负责“Agent 之间的协作”，让不同团队构建的 Agent 可以互相调用，实现真正的“企业 Agent 生态”。它们不是替代关系，是分层关系。当企业内部出现很多 Agent 时，没有标准协议就无法协作，会碎片化、重复造轮子。7. Registry 的价值不是技术，而是规模化治理工具注册中心（Tool Registry）和 Agent Registry 的意义在于：（1）避免重复创建工具（2）统一审计和权限（3）缩短开发者搜索能力的时间文档的观点很现实：小团队不需要，但规模大了就离不开。（听说不少大公司已经在搞这些注册中心了）8. AgentOps 真正的价值不是降低风险，而是提高迭代速度文档最后强调：“速度是最大的价值”。以前改一个系统可能需要几周，但 AgentOps 成熟后，基于评估驱动、CI/CD、Staging环境、可控上线、快速回滚，可以做到几小时完成一次改进。这意味着 Agent 不再是“部署一次就放着跑”的系统，而是一套持续演化的产品。一旦Agent开始上线，工程师们就从“写代码”的角色转变为“如何经营一个有自主性的系统”，路远且难，但一切都有章可循。#ai创造营##程序员#

61. 最近因为豆包手机大家都在谈AI Agent，其实用过荣耀Magic8就能直观感受到AI Agent的价值：它让服务从“多步操作”变成了“自动执行结果直达”。但更值得关注的是背后的变革——AI根据你的习惯、时间和位置，主动提出针对性建议，通过通用泛化能力，覆盖衣食住行购等多样化场景的自动执行。这种从“被动工具”到“主动服务”的转变，或许才是端侧智能的下个赛点。如果手机能提前安排你一天的生活流程，你觉得界限该划在哪里？#豆包手机#

62. AI猫片疯传，海螺一键复刻爆款！让无数老外上头的AI猫片，还有兔子蹦床、Baby采访、食物吃自己，原来都是用海螺做的。它有个「Agent」模式，简直是懒人福音，上传一张图，AI全自动干活，一键出片。电商搞钱：AI模特走秀、商品广告，拍摄成本秒归零；知识博主：让爱因斯坦给你讲课写板书，谁还敢说学不会；剪辑师：无限的片头、空镜素材库，灵感用到飞起；个人IP：AI写真、AI短剧，轻松打造一个永不塌房的虚拟爱豆。它背后的Hailuo 02大模型，，在全球AI榜单上都是TOP级别的存在，难怪效果这么稳！帮大家总结了爆款公式和赛道，快来试试吧！ #AI #人工智能 #AIGC #AI视频 #海螺AI

63. 人人都能炼专属Agent，上海交大开源端侧Agent全栈工具链，真实场景性能超GPT-5！

64. Anthropic 官方教程：为 Agent 设计高效工具的最佳实践

65. 【Claude Code中文教程：10万字免费指南助你掌握AI编程新范式】一份专为开发者打造的Claude Code完整学习资源正式上线，从零基础到构建自定义AI智能体，全部免费开放。 + 这份教程解决什么问题？当AI编程助手成为开发者标配，真正的挑战不是“会不会用”，而是“能不能用好”。这份教程正是为此而生——帮助开发者系统掌握Claude Code，实现开发效率的质变。 + 九大核心模块，循序渐进 1. 基础入门：概述、安装配置、基础使用 2. 命令体系：CLI命令、标志说明、斜杠命令、自动化集成 3. 交互与工具：交互模式详解、工具调用集成 4. MCP协议：模型上下文协议的配置、管理与高级应用 5. 技能系统：从原理到实践，手把手教你开发自定义技能 6. 插件开发：从基础到高级的完整插件开发指南 7. 编程实战：代码生成、智能工作流、高级Agent功能 8. 技术原理：Agentic AI核心技术、架构解析、构建编程Agent 9. 企业部署：云集成、网络安全、LLM网关等企业级方案 + 三个值得关注的亮点 - 上下文感知编程：让AI理解整个代码库架构，提供深层建议而非简单补全 - 本地优先隐私保护：代码仅在授权上下文中运行，不用于公共模型训练 - 无缝CLI集成：在终端中实现AI结对编程，不离开熟悉的开发环境对于想深入理解AI编程工具工作原理、或计划构建自己编程Agent的开发者，这份教程提供了难得的系统性学习路径。 claudecode.tangshuang.net

66. Boris（Claude Code 创始人）解释为什么 Claude Code 不用 RAG 向量检索代码：在开发 Claude Code 的早期版本时，我们曾尝试过 RAG 搭配本地向量数据库的方案。但很快我们就发现，Agent 使用关键字搜索在实际应用中的表现通常要出色得多。这种方案不仅实现起来更加简洁，而且还完美避开了 RAG 模式下那些令人头疼的“老毛病”：比如数据安全性、隐私泄露风险、信息滞后以及系统可靠性等问题。

67. 推荐这个基于 Claude Agent SDK + Electron 开发的开源 AgentCraft Agents 是 Craft 团队开源的一款 AI Agent 工具，核心理念是为 Claude Code 提供一个更友好的图形界面，让用户能更高效地与 AI 编程助手协作。核心特色告别命令行的 Claude Code 体验——保留 Claude Code 的全部能力，但用精心设计的 UI/UX 包装。作者坦言自己不喜欢终端界面，更偏爱优雅的视觉设计、字体排版和触控交互。解决实际痛点——针对 Claude Code 使用中常见的困扰：难以审查计划、不易理解代码变更的原因、多任务切换困难等问题，提供了更清晰的工作流。非技术人员也能用——Craft 内部的财务、市场、客服、HR 团队都已开始日常使用，证明了它对「非程序员」的友好度。可 fork、可定制——采用 Apache 2.0 协议开源。作者认为未来的个人软件不是从零构建，而是「fork + remix」——基于现有项目二次定制，打造真正属于自己的工具。技术背景基于 Web 技术栈开发，底层调用 Claude Agent SDK。作者是有 20+ 年经验的 iOS/UIKit 工程师，这是他首次认真尝试 Web 开发，整个项目 100% 代码由 Claude 编写，但架构决策和 UX 细节打磨完全由人主导。项目地址下载：网页链接源码：网页链接

68. AI 编程真的有用吗？Cursor｜TRAE 深度实测！

69. 「Github一周热点98期」AI文档检索框架、微软最新TTS、Claude Code 记忆插件、自动化备份、 jellyfin和linux桌面环境

70. #哪些事儿应该扔给AI干#你想想看，我们每天浪费多少时间在重复、机械、没啥技术含量的事上？整理表格、翻邮件、各种格式化操作、还要无休止地复制粘贴……这些放AI去干，它不嫌累、不翻白眼，还效率翻倍。但真涉及到需要情感判断、灵感创造、复杂沟通的场景，我还是觉得应该留给人类自己做。#普通人对Agent的使用率几乎为0# 说白了，现在很多人没开始用，是因为AI还没做到“无缝好用”，失败率高就容易被劝退。等真到了“交给它就放心”的阶段，Agent才会真走进大众日常。

71. 京东开源了 JoyAgent ，一堆做 Agent 的闭源项目都傻眼了。。。用这个框架他们演示的功能分分钟可以搞出来。。。Open Source 和 AI 结合的结果会让所有“套壳项目”没有价值。e，没错，就是那种为了某个领域优化了一个界面，背后的模型调用 Open AI，Claude，DeepSeek，通过大量 Prompt 优化结果（还可以挂 Agent 并行执行），外面挂一个 mcp 实现功能（其实也是 Prompt）的项目。（我并不是报 manus 的身份证，这个玩意我就一直没用上过。。。）这些项目的本质，是原来 SaaS 的服务 2B 客户的思路，卖服务赚工资而已。历史已经证明缺乏壁垒和爆发增长的可能性。利润主要来源于客户关系，次要来源于服务，其实和 AI 的关系不大。。。这种项目其实直接忽悠传统行业老板赚钱就完了。。。AI 领域内基本上只有基础模型，模型的再训练，以及模型的硬件开发，还有足够的壁垒。。。

72. 有了OpenSkills这个开源项目，Cursor, Antigravity, Gemini CLI 或者Qwen CLI也能在本地环境中运行Claude Skills了。试了下Gemini-CLI，还挺快就能上手。这个项目的目的是让你能够在本地运行 Claude（或者其他支持 MCP 协议的 LLM）的技能（Skill），不再依赖云端 API，从而实现隐私保护、本地数据处理等场景。它本质上是一个本地技能执行引擎，支持各种专用任务，例如处理文档、图像等，也可以自己扩展新技能。#ai创造营# #程序员#

73. Manus 把 Agent 的工具分成了 3 层：第 1 层：函数调用 (Function Calling)这是最基础的一层，只保留一小组固定的、原子化的函数，比如：读写文件、执行 Shell 命令、搜索文件等。在 LLM 的系统提示词中就只有这一层的工具定义，相对比较少，15 个以内，输入格式和输出格式都很清晰，不容易出错，但这里面有两个工具很特殊，一个是 Shell，一个是 File。第 2 层：沙箱工具 (Sandbox Utilities)每个 Manus 会话都运行在一个完整的虚拟机沙箱里。就是原推文提到的，虚机预装了很多命令行工具，比如格式转换器、语音识别工具，甚至一个 mcp 命令行客户端。然后这些工具都通过第 1 层中定义的 Shell 来调用，就是命令行工具，命令行调用。但是这么多工具模型怎么知道呢？Manus 在系统提示词里会直接告诉 LLM，在一个特定的文件夹里有很多预装的命令行工具。对于最常用的工具，直接列出它们的名字。不常用的，LLM 可以直接通过原推提到的命令列出所有命令行工具，通过 --help 参数来查看任何一个工具的用法，因为所有这些工具都是他们自己开发的，格式统一。第 3 层：代码包与 API (Packages and APIs)这一层其实就是 LLM 实时编写 Python 代码，通过代码实现更复杂的功能。比如用户想查询某个 API 的数据，可以直接用 Python 写一个函数，fetch API 的数据，并解析成需要的格式。其实在 Codex 中，用 Python 代码当工具已经用的很多了。由于复杂的运算都是代码完成的，返回给主 Agent 的知识计算后的结果，所以并不会占用主 Agent 的上下文。这样 3 层设计的好处是，从模型的角度看，它需要调用的工具就固定是第 1 层的十几个，而借助命令行和代码，它又可以衍生出无数的工具组合。还有一点就是我在之前推文提到的子智能体，Manus 也是大量采用“智能体即工具 (agent as tool)”的模式。把子智能体当工具用，比如负责检索是一个子智能体，但是这个子智能体在主 Agent 看来就是一个工具。同时也可以很好的起到减少上下文的效果。

74. n8n工作流外接：零代码封装成应用，突破使用限制，自由分享！

75. 深度｜不止智能浏览！Fellou实现交互/任务/记忆三连通，重新定义AI时代生产力

76. 阿里开源了一个OpenSandbox↓OpenSandbox 是一个面向 AI 应用场景设计的「通用沙箱平台」，为大模型相关的能力（命令执行、文件操作、代码执行、浏览器操作、Agent 运行等）提供多语言 SDK、沙箱接口协议和沙箱运行时。访问：github.com/alibaba/OpenSandbox/blob/main/docs/README_zh.md#ai创造营##程序员#

77. 🐟 鱼皮的 AI 知识库 github.com/liyupi/ai-guide 程序员鱼皮的 AI 资源大全 + Vibe Coding 零基础教程，分享大模型选择指南（DeepSeek / GPT / Gemini / Claude）、最新 AI 资讯、Prompt 提示词大全、AI 知识百科（RAG / MCP / A2A）、AI 编程技巧、AI 工具用法（Cursor / Claude Code / TRAE / Lovable / Agent Skills）、AI 开发框架教程（Spring AI / LangChain）、AI 产品变现指南，帮你快速掌握 AI 技术，走在时代前沿。 #HOW I AI#

78. 昨天有人问我为什么最近突然开始做开源项目，其实我们不是最近刚开始做开源……整理了一下目前为止我们团队开源的项目：Motan - 一个跨语言的分布式RPC调用框架，支撑了微博的内部高并发量RPC请求的场景github.com/weibocom/motanRill Flow - 一个分布式任务编排、调度框架，支撑了微博内部媒体处理、大模型应用等高并发分布式任务调度场景github.com/weibocom/rill-flowBreeze - 数据库反向代理中间件，支撑了微博内部高性能访问数据库、缓存资源的场景github.com/weibocom/breezeRunVSAgent - 在Jetbrains/XCode等IDE上运行基于VSCode开发的AI Agent插件，内部基于这套机制实现了AI Coding能力的全平台推广github.com/wecode-ai/runvsagentWegent - 定义、组织和运行Agent的“操作系统”，在内部作为离线代码开发平台和Agent开发平台等平台的底层支持组件。github.com/wecode-ai/wegent做开源既没有KPI也没有奖金，大部分参与开源的成员也都只是业余时间在维护开源社区，所以除了我发几条微博之外几乎没怎么宣传和推广，但是团队认为抽出一些时间用在对行业的贡献上，还是一件有意义的事情，就像那个slogan:以微博之力，让世界更美。

79. 感谢AutoGLM开源！期待更多手机厂家可以拿智谱这套agent做出类似于豆包的效果！（要小心超级APP）//@蚁工厂://@智谱刘德兵:AGI 不能只做“思想家”，更要做“实干家”。为了让 AI 拥有“手”和“脚”，我们团队潜心研发了32个月，打造了 AutoGLM。它不仅能听懂你，更能帮你把事办了。这周，我们将这项核心技术彻底开源。这样做不仅是为了推进行业技术栈的演进，更是为了在这个 Agent 时代，让技术掌握在更多人手中，让隐私安全更有保障。我们不仅是在开源代码，更是在开源我们的探索路径。愿智谱走过的路，成为各位在 Agent 时代冲刺的起跑线。 #智谱# #AI# #你的手机也能秒变AI手机##开源#

80. LangChain官方推出的LangGraph入门课程↓LangGraph Essentials (Python & TypeScript)内容包括：- 创建简单的工作流程并构建智能体- 使用 LangGraph 的核心构建块：状态、节点和边- 为您的智能体添加内存- 加入人机交互访问：academy.langchain.com/collections/quickstart#ai创造营##程序员# 黄建同学的微博视频

81. 都有这么多 Agent SDK/框架了（我应该没列全吧）一、OpenAI Agents SDKOpenAI 推出的 Agents SDK 是目前最轻量、最直接的 Agent 开发方式。它原生支持 Python 和 TypeScript，语法简洁，几行代码就能让 LLM 调用外部函数、工具或执行任务。1. 与 OpenAI 模型的无缝集成，尤其是函数调用、上下文管理等特性。2. 支持 multi-agent handoff 与任务链式调用，便于扩展复杂逻辑。3. 具备生产友好的可观测性与追踪机制。它非常适合快速原型和中小规模生产项目，是“入门写 agent” 的理想起点。二、LangChainLangChain 几乎是 LLM 应用开发的“标准库”。其 Agents 模块为 LLM 封装了链式推理、工具调用、上下文记忆等能力。1. 概念丰富——有 Chain、Tool、Memory、Agent、Retriever 等模块，适合构建复杂系统。2. 插件与生态极其庞大，几乎支持所有主流模型与数据源。3. 提供跨语言支持（Python 与 JavaScript/TypeScript）。LangChain 上手门槛略高，但生态完整，非常适合需要可扩展架构的项目。三、LangGraph用“流程图”思维管理 Agent 状态。LangGraph 是 LangChain 的“升级版本”，它将 Agent 系统抽象为状态机＋有向图，可以显式地控制 Agent 间的消息流与执行路径。1. 天然适合多 agent 协作、任务编排和状态回溯。2. 支持持久化与可视化，能直观看到系统执行流程。3. 面向生产级场景，具备清晰的错误恢复与检查点机制。如果你想做一个“多 Agent 系统”，LangGraph 几乎是最强大的开源选择。四、Google ADKGoogle 的 ADK（Agent Development Kit）主打可扩展性与安全性。它不是轻量原型工具，而是企业级 Agent 平台。1. 多语言支持，深度集成 Google 生态（Vertex AI、Gemini 等）。2. 工具调用能力极强，可直接对接云服务、API 与企业系统。3. 自带日志、监控、可观测性与治理能力。适合需要在企业内部署、具备高可靠性要求的 Agent 系统。五、SmolAgentsSmolAgents 是Hugging Face推出的一款轻量 Python 库，设计理念是“最小可行 Agent”。1. 安装简单、API 极少，几分钟即可跑通一个工具调用示例。2. 灵活支持 tool 注册与函数调用，但不追求完整框架。3. 适合快速原型、实验性项目或教育用途。如果你希望“几行代码让 LLM 动起来”，SmolAgents 是最轻便的起点。六、AutoGenAutoGen 最初由 Microsoft 研究团队推出，用于多 Agent 间的对话协作。它以“角色对话” 为核心，支持 LLM 代理之间互相交流、分工、调度任务。1. 多 agent 结构灵活，可模拟协作团队。2. 支持复杂任务分配与循环反馈。3. 对研究者和实验系统尤其友好。如果你的目标是研究 agent 交互机制或自动化工作流，AutoGen 是很好的基础。七、MetaGPT角色驱动的 Agent 系统。 MetaGPT 是一个以“AI 团队”为核心的框架，设计理念是让多个 agent 分别扮演项目经理、工程师、设计师等角色，共同产出结果。1. 多角色、结构化协作，任务拆解逻辑强。2. 擅长长链路流程（如产品需求分析→代码生成→测试）。3. 适合自动化软件工程类场景。如果你希望让 LLM 们“像一个团队一样协作”，MetaGPT 是不错的模板。八、Haystack AgentsRAG 与 Agent 的结合体。Haystack 原本是一套开源 RAG 框架，如今扩展出了 Agents 模块。它擅长将检索、知识库与 LLM 推理结合。1. 内置文档检索、索引、管道机制。2. 适合企业知识问答、文档助手类 agent。3. 与 LLM 、数据库和 vector store 的集成成熟。如果你的 agent 核心任务是“带知识的问答”，Haystack 是现成方案。九、Claude Agent SDKAnthropic 推出的开发包。它基于其先前产品 Claude Code 的 agent 引擎（agent harness）构建，目的在于为开发者提供“从模型调用 + 工具调用 +流程控制 +状态管理”这一整套能力。1. 上下文管理自动化：自带对话／会话上下文的压缩与管理机制，避免因上下文过长导致模型性能下降。 2. 丰富的工具生态：包含文件操作、代码执行、网络搜索等内置工具，并支持扩展自定义工具／插件。 3. 权限与安全机制：可以细粒度控制 agent 可使用的工具、权限模式（例如 allowedTools、disallowedTools）等。 4. 生产化准备特性：例如会话管理、错误处理、监控能力、模型优化／提示缓存机制。 5. 插件和扩展支持：通过插件机制（如自定义命令、子 agent、技能集、MCP 服务器）可创建复杂系统。#ai创造营# #程序员#

82. Qwen确实有一个Qwen-Agent，一个开发框架。开发者可基于本框架开发Agent应用，充分利用基于通义千问模型（Qwen）的指令遵循、工具使用、规划、记忆能力。访问：网页链接。//@是何老师吗:按Qwen的性格应该也会有类似的产品？

83. AI Agents 速查表如果你正试图理解 AI Agent 的概念，这是一份不错的起点。目前关于 Agent 框架的讨论很多，但从核心来看，大多数框架都建立在同一组基本思想之上。这份速查表简单概述了从大型语言模型（LLM）到编排层（Orchestration）再到协议（Protocols）的关键构建模块。无论你是在探索 Agent 工具、构建内部自动化，还是单纯想更好地理解这个领域，它都很有用。什么是 AI Agent？1. Agent 结合了“推理能力”和“行动能力”。2. 它们不仅能回答问题，还能制定计划、调用工具、访问数据，并触发现实世界的操作。语言模型（Language Model）1. 它是核心的推理引擎，用来理解输入并生成计划或回应。2. 但仅靠它自身，无法在现实世界中执行行动。工具（Tools）1. Agent 用来完成有用任务的 API、函数或外部集成接口。2. 例如查询数据库、发送邮件或调用 Webhook。编排层（Orchestration Layer）1. 负责协调 Agent 的行为——包括其推理方式（如 CoT、ReAct 等）、步骤顺序以及与工具的交互。Agent 协议（Agentic Protocols）1. MCP、A2A 等协议让不同平台上的 Agent 能协作（如 Slack、GitHub），并在多个任务间保持上下文。构建 AI Agent1. 没有唯一的构建方式。2. 有的从一个 Prompt 起步，有的依赖低代码平台，还有团队构建完整的自定义框架3. 这份速查表展示了各种方式之间的取舍与权衡。如果你想理解 Agent 领域，或向团队解释它的原理，这份结构化的拆解会很有帮助。可以收藏下来，作为随时查阅的参考资料。#人工智能##程序员#

84. 知名技术人 Will Larson（现任 Imprint CTO，曾任 Stripe 和 Uber 高管，《Staff Engineer》作者）撰写的构建内部智能体系列文章“Building internal agents”地址： lethain.com/agents-series/这是一套极具工程实用价值的 AI Agent 开发指南，记录了他在 Imprint 公司内部从零构建生产级 Agent 系统的全过程。与市面上侧重理论或使用现成框架（如 LangChain）的教程不同，作者主张通过“亲手造轮子”来深入理解底层逻辑，内容涵盖了从基础的 Prompt 管理、工具调用（Tool Calling），到复杂的上下文窗口压缩、自动化评估（Evals）及调试系统搭建等核心工程环节。该系列的核心价值在于解决“落地痛点”而非追求概念炒作。它详细探讨了如何通过“渐进式披露”策略处理超大代码库、如何利用“子智能体”架构分拆复杂任务，以及如何平衡“确定性代码”与“LLM 推理”的关系以提高系统稳定性。对于希望将 AI Agent 从演示 Demo 转化为可维护、可调试且具备实际产出的企业内部工具的工程师和架构师来说，这是目前最务实的必读参考之一。#科技先锋官##AI创造营#

85. 5分钟部署AI Agent

86. 推荐一个低调的Agent开发库精选

87. 【开源】告别碎片化工具链

88. 人人都能炼专属Agent，上海交大开源端侧Agent全栈工具链

89. AI系列-开源的智能体开发框架有哪些？

90. 首次公开！重构智能体生产！无问芯穹推出基础设施智能体蜂群

91. 推荐9个开源智能体（AI Agent）项目

92. 构建多智能体AI系统的五大开源框架

93. 每日GitHub精选

94. 知识传播新范式

95. 2025 AI Agent实践报告

96. GitHub 周榜全解读

97. 2026年个人Agent的“最小实践”

98. 2026 年，Agent 会把世界推向哪里？

99. 2026年全球智能体 Agent 白皮书｜AI 智能体 001

100. 2026年AI四大趋势

101. 【腾讯新开源】Youtu-Agent

102. Python + AI 不是程序员专属！非技术人的高效工具语言

103. 普通人如何学习使用AI工具？

104. 不会写代码也能年入百万

105. AutoAgent

106. 零代码时代

107. 我们的 GUI Agent 开源了

108. 2026 AI 工具选用指南，最值得推荐的 Agent 产品

109. OpenAI Agent Builder震撼发布！类似扣子，n8n，零代码打造你的专属AI助手！

110. 零代码搞定AI Agent智能体！黑马Coze实战教程上线！

111. AgentRun

112. 开源！基于大模型驱动的AI零代码应用生成平台

113. 手写代码已死？2天学会用AI编程，上线你的第一个Agent应用#N23报名

114. 国产Agent生成工具TOP10揭秘

115. 别再只会调接口了，用 AutoGen 玩真的多智能体

116. AutoGen框架详解

117. AutoGen框架入门:5个核心概念搭建智能体协作系统

118. AI Agent 框架实测

119. LangChain1.0速通指南（一）——LangChain1.0核心升级

120. 一文了解 CrewAI 是什么？

121. 今天用了CrewAI组建团队开发智能体

122. AI智能体，第17章角色扮演框架

123. 探索CrewAI

124. 欧洲最大CX公司押注AI Agent:CrewAI如何改变客服行业?

125. 发视频太难？让 Agent 助力创作工作流

126. 智能体来了

127. 十分钟搭建属于自己的文本会议纪要智能体

128. 一句话生成可进化的多Agent工作流，清华团队Cooragent把Agent协作推向生产

129. Firecrawl 推出 AI 驱动的数据爬虫Agent

130. 2025年，告别手动数据爬取，Coze AI Agent助你全程无忧！

131. 【第835期】AGENTS.md 是一个用于指导 AI 编程代理进行代码工作

132. 阿里开源 PageAgent

133. Agent方法论 | 为什么要学习Agent以及如何学

134. 阿里云Moltbot上线

135. agent是什么意思？2025最新的Agent智能体工具盘点

136. 6000 Star开源神器！摆脱月付百刀，本地运行的自主AI助手AgenticSeek让数据完全掌控在你手中

137. Fara-7B — 微软推出可在本地运行的小型 agentic 模型

138. 未来的PC如何重塑你的工作？AI Agent与本地大模型正成为新主角

139. Happy: 打造自己本地的 AI-Agent

140. 即梦 4.0 与 Agent 模式

141. 不用写代码！4阶段从入门到AI Agent大神，省200小时

142. AI王炸级突破

143. 软件开发团队工具

144. Lighthouse长安链给你答案

145. GitHub Star数最高的3个AI Agent开源项目，帮你从入门到精通（建议收藏）

146. 2025 年顶级 AI Agent 框架全景：LangChain、AutoGen、CrewAI

147. 一文全面总结构建 AI 智能体开源技术栈 V2 版本

148. CrewAI 使用教程，手把手教你用打造 AI 协作团队

149. Anthropic万字报告揭秘 AI Agents 落地真相

150. 2025 开源 AI Agent 框架推荐（Open-source Agent Frameworks）

151. 智能体开发平台&框架介绍

152. AI Agent智能体Coze应用开发工程师精品体系课【共87课时】

153. 新增开源智能体，阿里云通义千问宣布 AgentScope1.0 更新

154. 一人公司实战起航：用n8n低代码平台打造你的首个AI Agent

155. OpenAI发布「Agent Builder」❗️玩法详解·程序员狂喜

156. 如何使用扣子创建会议纪要智能体

157. 腾讯云开源Youtu-Agent：用开源模型干掉昂贵闭源API

158. 通义千问AgentScope1.0上新，新增开源智能体

159. GitHub Trending：AI项目屠榜的背后！

160. AI Agent开发框架的对比和使用场景：从入门到精通的收藏级指南！

161. 【Windows】BrowserOS-一款基于 Chromium 的开源 AI 浏览器，在本地原生运行 AI Agent

162. 从0到1设计一款APP——墨刀AI Agent全流程实战与Prompt分享

163. 60k+ 开源项目首选！AGENTS.md：AI 编码 Agent 的标准化操作手册

164. 学习 Dify 的文本生成和 Agent 应用

165. LangChain：构建智能AI应用的利器!

166. 主流Agent框架，LangGraph, OpenAI SDK...7大AI Agent框架，一篇给你讲明白

167. 5K标星！开源AI Agent舆情分析神器，预测趋势一键搞定！

168. 无痛用上Nano Banana！这个会主动内卷的一站式办公Agent，成了中文生图神器

169. 解锁智能体AI的力量：CrewAI，领先的开源平台

170. AI日报：腾讯开源3D世界模型HunyuanWorld-Voyager；即梦AI系列模型开放API；通义推智能体开发框架AgentScope 1.0

171. 「OpenAI Agent Builder」开源了

172. Agent学习开源项目，包含理论指导、Demo工程和实践总结

173. 多智能体架构技术选型：LangGraph、AutoGen等六大AI Agent框架全方位解析，建议收藏备用！

174. 微软开源多智能体协作框架AutoGen：像组建公司一样，打造会“开会”的AI团队

175. 腾讯开源智能体新框架Youtu-agent：为数据分析、文件处理及深入研究提供强大代理能力

176. LangChain1.0开发框架（一）-- LangChain1.0介绍

177. OpenAI发布AgentKit，帮开发者更快打造AI Agent

178. 打工人必用的7类AI工具

179. 本周 GitHub Trending Weekly：Agent、RAG、AI 工具，正在快速成型

180. 国产Agent工具到底哪家强？这5款宝藏推荐，别错过！

181. 开源神器！从0搭建多Agent舆情分析系统，全自动爬取30+平台，生成专业报告

182. MobiAgent开源智能体革命

183. 腾讯AI Lab发布完全开源的通用智能体框架

184. 告别双手！AI 操控电脑的时代已开启：TurixAI/TuriX-CUA 介绍

185. 30分钟搭建AI助手，本地免费用JoyAgent！

186. GitHub 上 10 个令人惊艳的 Agent 开发平台，太顶了。

187. 已开源！这个搜索智能体模型，思路有点不一样 - 哔哩哔哩

188. AI Agent常用框架对比(LangGraph、CrewAI、AutoGen、LlamaIndex、metagpt)

189. AgenticSeek：私有、本地的 Manus 替代方案

190. AI Agent调研--7种Agent框架对比！盘点国内一站式Agent搭建平台，一文说清差别！大家都在用Agent做什么？

191. GitHub 上 Star 数量前 18 的开源 AI Agent 项目

192. AI Agent时代爆发！亚马逊云科技推出全套工具链，效率提升10倍

193. TradingAgents-CN - 中文金融交易决策框架

194. Semantic Kernel + AutoGen = 开源 Microsoft Agent Framework

195. 【工具】PentestAgent：利用 AI 助力渗透测试的开源武器

196. 阿里开源「深度研究」王炸Agent，登顶开源Agent模型榜首

197. 微软Agent Framework深度解析：优于AutoGen的多智能体新开源框架

198. Agent Lightning 四大Agent RL项目实战 LangChain+LangGraph+强化学习｜AutoGen+MCP+Qwen大模型｜智能体

199. AI 辅助数据分析升温，非技术岗职场人也能玩转数据决策

200. 深势科技发布Deploy-Master并上线玻尔，一天内自动化部署5万个Agent-Ready科学工具 | 正心Ecosphere

201. LangChain从入门到实践——LangChain介绍

202. 推特上刷到的🔥开源“金融多智能体框架”

203. TradingAgents-CN：基于多智能体大语言模型的中文金融交易决策框架

204. LangChain创始人— 三年反思：从副业项目到 12.5 亿估值

205. 技术日报｜家庭AI集群exo爆火登顶日增1320星，Anthropic发布Agent技能库

206. LangChain入门到实战

207. 开发智能体的选择，CrewAI 和 Coze的区别

208. 多功能、低门槛的开源Agent框架：Aser Agent，帮助开发者快速启动AI Agent！

209. langchain从入门到精通（二）——LangChain 框架安装及其组成

2025年底至2026年初开源AI Agent工具链爆发式增长，多款项目获数万Star，企业部署率超五成

精选参考来源