标签：上下文工程

MiMoCode：小米开源的终端 AI 编程助手，让模型与 Agent 共同进化
项目简介

MiMoCode 是小米开源的一款终端原生 AI 编程助手，主打“模型与智能体共同进化”。它不仅能读写代码、执行命令、管理 Git，还通过持久记忆、智能上下文压缩、子智能体编排和可复用工作流，让 AI 在长周期开发任务中保持对项目的深度理解。

安装要求和过程

环境要求
- Node.js 20+（推荐，npm 全局安装）
- macOS / Linux / Windows 均支持
- 可选：Bun（开发构建需要）
快速安装
```
# macOS / Linux 一键安装
curl -fsSL https://mimo.xiaomi.com/install | bash

# Windows PowerShell 一键安装
powershell -ep Bypass -c "irm https://mimo.xiaomi.com/install.ps1 | iex"

# 或 npm 全局安装（跨平台）
npm install -g @mimo-ai/cli

# 启动
mimo
```
首次启动会自动引导配置：可选 MiMo Auto（限时免费、零配置）、小米 MiMo 平台 OAuth、Codex / Claude Code 迁移、OpenAI / xAI 等自定义 Provider。

核心功能
1. 三种主智能体：Build（全权限开发）、Plan（只读分析）、Compose（规格编排）。按 Tab 切换，子智能体按需并行创建。
2. 持久记忆系统：基于 SQLite FTS5，自动维护 MEMORY.md、会话检查点、任务进度日志，跨会话自动注入上下文。
3. 智能上下文管理：自动检查点 + 上下文重建 + 预算化注入；/context-limit 可按模型自定义压缩点，兼顾成本与质量。
4. 四大内置工作流：compose（全流程开发）、deep-research（深度研究）、fact-check（事实核查）、research-experiment（自主优化实验），支持自定义 .mimocode/workflows/*.js。
5. 自我进化能力：/dream 提炼会话知识入库，/distill 把重复操作打包成技能，/goal 设定目标并由裁判模型判定停机条件。
典型使用场景
- 新功能全栈交付：输入需求后，Build 智能体调用 /compose-next 完成需求澄清 → 规格文档 → 代码实现 → 验证 → 合并，适合清晰可拆分的开发任务。
- 代码库探索与重构：Plan 智能体以只读模式分析项目结构，结合持久记忆整理架构决策，再做安全的重构规划。
- 调研型任务：调用 deep-research 工作流，并行检索多源信息、生成带引用链接的 Markdown 报告，适合技术选型或竞品分析。
推荐理由

MiMoCode 不是又一个“聊天式代码补全”工具，它在长程记忆和上下文工程上下了真功夫。MEMORY.md + 检查点 + 任务进度日志的组合，解决了大多数 Agent 每次重启都要“重新认识项目”的痛点。再加上 /dream 和 /distill 的自我进化机制，它会在使用过程中越来越懂你的代码库和习惯。如果你同时用 Claude Code 或 Codex，MiMoCode 还支持一键迁移 Provider，切换成本很低。小米官方维护、MIT 许可、TypeScript 全栈，对中文开发者非常友好。

下载地址
- GitHub：https://github.com/XiaomiMiMo/MiMo-Code
- 官方网站：https://mimo.xiaomi.com/mimocode
- 在线文档：https://mimo.xiaomi.com/docs
- npm 包：@mimo-ai/cli
2026年7月30日
book-to-skill：把任何技术书 PDF 变成 AI 智能体技能，实测省 24~51 倍 Token｜GitHub 12.5K Stars 今日趋势榜第一
📌 项目简介

book-to-skill 是一个能把任何技术书籍 PDF（以及 EPUB、DOCX、Markdown 等十余种格式）一键转换成 AI 智能体技能（Agent Skill）的开源工具——转换后你的 Claude Code、GitHub Copilot CLI 或 Amp 就能”读过这本书”，随时按需调取书中真实内容回答问题，彻底告别大模型幻觉和翻 PDF 的痛苦。项目基于 Python 开发，MIT 许可，2026 年 5 月开源以来已斩获 12,499 Stars，今日更以单日 +1,400 星登顶 GitHub Trending。

它解决的是一个所有技术人都懂的痛点：买了一本好书，读完一遍，三个月后连第 7 章讲什么都想不起来。直接把 PDF 扔给 AI？一本 400 页的书约 20 万 token，每轮对话都要全额付费，而且模型在超长上下文里”迷失中间”、精度骤降。book-to-skill 的思路是编译期一次性深度蒸馏：把书拆解成核心心智模型 + 按章节的知识文件 + 术语表 + 模式库 + 速查表，智能体按需加载，实测比整书塞上下文省 24~51 倍 token。

⚙️ 安装要求和过程

环境要求
- Python 3 环境（纯文本/Markdown/reST/AsciiDoc 无需额外依赖）
- PDF 提取：文字型书籍用 pdftotext（poppler）或 pip3 install pypdf；含代码/表格/公式的技术书推荐 pip3 install docling（可完整保留 Markdown 表格与代码块）
- EPUB：pip3 install ebooklib beautifulsoup4（有内置 zipfile 兜底）
- 宿主：支持开放 Agent Skills 标准的任意智能体——Claude Code、GitHub Copilot CLI、Amp 均可
安装（作为智能体技能）
```
# Claude Code
git clone https://github.com/virgiliojr94/book-to-skill.git ~/.claude/skills/book-to-skill

# GitHub Copilot CLI
git clone https://github.com/virgiliojr94/book-to-skill.git ~/.copilot/skills/book-to-skill

# 跨智能体通用路径（Copilot CLI 与 Amp 都能发现）
git clone https://github.com/virgiliojr94/book-to-skill.git ~/.agents/skills/book-to-skill
```
使用：三步把书变技能
```
# 1. 指向一个文件、文件夹或 glob
/book-to-skill ~/books/designing-data-intensive-apps.pdf

# 2. 自动蒸馏为技能（框架、决策规则、反模式、分章文件）

# 3. 之后随时按需调用
/designing-data-intensive-apps replication   # 讲解某个主题
/designing-data-intensive-apps ch05          # 深入第 5 章
```
另有独立 CLI 模式：pip install "book-to-skill[pdf,epub,docx]"，仅安装文本提取引擎用于脚本化处理（不注册斜杠命令）。运行 python3 scripts/extract.py --check 可一键检查各格式提取器安装情况。

🚀 核心功能
- 全格式文档蒸馏：支持 PDF、EPUB、DOCX、TXT、Markdown、reST、AsciiDoc、HTML、RTF、MOBI/AZW 等格式；可一次处理多个文件、整个文件夹或 glob 模式，合并成统一技能，还能向已有技能”折叠”新增材料（增量更新）
- 结构化技能产物：生成 SKILL.md（约 4K token 的核心心智模型 + 章节索引）、每章约 1K token 的按需加载文件、术语表 glossary.md、技术模式库 patterns.md、决策速查表 cheatsheet.md——是”结构”而非”摘要”
- 24~51 倍 token 节省（实测）：内置 tools/discovery_tax.py 测量工具，在 Think Python 2、Working Backwards、AI Engineering 三本真书上实测：回答一个问题只需约 5K token（核心 + 单章），对比整书上下文倾倒 12 万~25.6 万 token
- 智能提取管线：转换前自动询问书籍类型——技术书走 Docling（保留表格代码），纯文字书走 pdftotext 秒级提取；单个坏源自动跳过不影响批处理；一本书完整转换成本约 1 美元
- 开放标准、一次安装多端通用：遵循开放 Agent Skills 标准（SKILL.md 格式），Claude Code、GitHub Copilot CLI、Amp 读取同一份技能，无厂商锁定
💡 典型使用场景
- 技术书籍随身参谋：把《DDIA》《Pro Git》这类工具书转成技能，写代码时直接 /ddia replication 让智能体基于书中真实章节讲解复制策略——不是幻觉，不是网页搜索，就是作者原文提炼的框架
- 团队内部文档折叠：把整个 docs/ 文件夹（架构决策记录、Runbook、新人指南）合并成一个技能，新同事在编码会话里直接提问，替代翻 60 页 PDF 的品牌手册/规范文档
- 研究资料簇管理：一摞论文加自己的笔记合成统一技能，新论文来了增量折叠进去；对比 RAG——RAG 适合”几十本书里找提到 X 的段落”（宽而浅），book-to-skill 适合”吃透一本书的 12 个框架并应用”（窄而深），两者互补
❤️ 推荐理由

这个项目最打动我的是它把”AI 读书”从检索问题重构成了编译问题。RAG 是查询时相似度搜索，返回”和你问题相近的文本块”；book-to-skill 是编译时深度分析，输出”作者花几年构建的命名框架、适用条件和反模式”——前者是检索，后者是可推理的结构。README 里那句话很精辟：“RAG indexes a shelf, book-to-skill masters a spine”（RAG 索引一整架书，book-to-skill 吃透一本书的书脊）。

工程上它也异常诚实：所有 token 节省数据都有可复现的测量脚本，README 明确写出”诚实警告”——章节自动切分需要显式的 Chapter N 标题、一次性阅读场景用普通 PDF 智能体就够了。在营销味十足的 AI 开源圈，这种”实测优先、有限承诺”的态度非常难得。如果你的 ~/.claude/skills 目录里只打算加一个新技能，让它是一个能把你书架搬进智能体的技能，很值。

🔗 下载地址
- GitHub 仓库：https://github.com/virgiliojr94/book-to-skill
- PyPI（独立 CLI）：pip install book-to-skill
- Agent Skills 开放标准：https://github.com/agentskills/agentskills
项目数据截至 2026 年 7 月 30 日：12,499 Stars · 1,405 Forks · Python · MIT 许可 · 今日 GitHub Trending 榜首（+1,428 星）
2026年7月30日
Hello-Agents：69K Star 的《从零开始构建智能体》——Datawhale 出品的中文 Agent 系统性实战教程
Hello-Agents——《从零开始构建智能体》开源教程

项目简介

Hello-Agents 是 Datawhale 开源社区出品的系统性智能体（AI Agent）中文实战教程——《从零开始构建智能体》，16 章内容从智能体原理、经典范式（ReAct / Plan-and-Solve / Reflection）一路讲到自研 Agent 框架、记忆与 RAG、MCP 通信协议、Agentic RL 训练与多智能体综合项目，目标是带你从大语言模型的”使用者”蜕变为智能体系统的”构建者”。目前已斩获 69,381 Stars，并曾登顶 GitHub Trending，是当下最热门的中文 Agent 学习资源之一。

与 Dify、Coze、n8n 这类”流程驱动”的低代码 Agent 平台不同，Hello-Agents 的重心是教你构建 AI 原生（AI Native）智能体——真正以 LLM 推理驱动决策的 Agent。教程配套自研轻量框架 HelloAgents（基于 OpenAI 原生 API 从零实现），让你兼具”用轮子”与”造轮子”的能力。

安装要求和过程

环境要求
- Python 3.10+（具备基础 Python 编程能力即可，无需模型训练背景）
- 任意一个 LLM API Key（OpenAI 兼容接口，如 DeepSeek、通义千问、GLM 等国产模型均可）
- 可选：Jupyter Notebook / VS Code，用于运行配套代码
快速开始
```
# 1. 克隆仓库（含全部 16 章文档 + 配套代码）
git clone https://github.com/datawhalechina/hello-agents.git
cd hello-agents

# 2. 安装自研教学框架 HelloAgents（V1.0.0）
pip install helloagents

# 3. 配置模型 API（OpenAI 兼容接口均可）
export LLM_API_KEY="your-api-key"
export LLM_BASE_URL="https://api.deepseek.com/v1"

# 4. 跟随章节运行 code/ 目录下的配套代码
```
不想装环境？可直接在线阅读：国内加速站 | GitHub Pages；官方还提供带 Datawhale 水印的免费 PDF 版本下载。

核心功能
- 16 章完整学习路径：五大部分层层递进——智能体与 LLM 基础 → 亲手实现 ReAct / Plan-and-Solve / Reflection 经典范式 → 记忆·RAG·上下文工程·通信协议等高级技术 → 综合案例 → 毕业设计，每章配可运行代码。
- 自研教学框架 HelloAgents：不依赖任何重型框架，基于 OpenAI 原生 API 从零构建 Agent 框架，穿透 LangGraph / AutoGen 等框架表象理解底层原理。
- Agentic RL 训练实战：第十一章覆盖从 SFT 到 GRPO 的 LLM 训练全流程，是少有的把”训练智能体模型”讲透的中文教程。
- MCP / A2A / ANP 协议解析：系统讲解智能体通信协议，配合智能旅行助手案例演示 MCP 与多智能体协作的真实应用。
- 丰富的 Extra 番外篇：Agent 面试题总结、GUI Agent / Web Agent 实战、Agent Skills 与 MCP 对比、Agent 自进化、Skill 写作最佳实践等 13+ 篇社区共创内容持续更新。
典型使用场景
1. 系统学习 Agent 开发的工程师/学生：按五大部分循序渐进，从手写 ReAct 循环到构建自己的多智能体应用，毕业设计产出可写进简历的完整项目；番外篇的 Agent 面试题总结对求职者尤其实用。
2. 复现深度研究智能体（DeepResearch Agent）：第十四章手把手复现自动化深度研究智能体，理解 OpenAI Deep Research 类产品的任务规划、搜索、综合报告全链路。
3. 构建多智能体模拟应用：第十五章”赛博小镇”将 Agent 与游戏结合，模拟社会动态，是学习 Generative Agents（斯坦福小镇）范式的中文最佳实践入口。
推荐理由

市面上 Agent 教程要么是框架 API 说明书，要么是零散博客，而 Hello-Agents 是我见过体系最完整的中文 Agent 教程：它不满足于教你调用 LangGraph，而是带你从零造一个框架出来——这种”造轮子”式学习对建立底层直觉极其有效。内容覆盖也足够前沿：上下文工程、MCP 协议、GRPO 训练、Agent 自进化这些 2025-2026 年的热点全部收录，且持续更新。Datawhale 社区运营成熟，配套读者群、视频课共创、社区精选投稿一应俱全，完全免费开源。一周内 Star 从 1 万飙到近 7 万足以说明其质量。给想在”Agent 元年”入场的中文开发者：这就是那本该收藏的教科书。

下载地址
- GitHub 仓库：https://github.com/datawhalechina/hello-agents
- 在线阅读（国内加速）：https://hello-agents.datawhale.cc
- 在线阅读（GitHub Pages）：https://datawhalechina.github.io/hello-agents/
- PDF 下载：GitHub Releases | Datawhale 国内下载
- 自研框架 HelloAgents：https://github.com/jjyaoao/helloagents
项目数据：69,381 Stars | 语言：Python / Markdown | 出品：Datawhale 开源社区（数据截至 2026-07-29）
2026年7月29日
ECC：234K Stars 的 Agent Harness 操作系统，给 Claude Code / Codex / Cursor 装上完整工程化流程
项目简介

ECC 是一套「Agent Harness（智能体框架）性能优化系统」——它不造轮子写新的 AI 编程工具，而是给你已经在用的 Claude Code、Codex、Cursor、OpenCode 等工具装上一整套工程化操作系统：281 个技能（Skills）、67 个专职智能体、运行时钩子（Hooks）、持久记忆、直觉学习（Instincts）与 AgentShield 安全扫描，让 AI 编程助手从”会写代码”升级为”按工程流程交付”。GitHub 上已狂揽 234,000+ Stars，是目前 Agent 增强类项目中的现象级存在，今日仍以每天近 700 星的速度增长。

它的核心哲学一句话就能讲清：Optimize the context window. Persist everything else.（优化上下文窗口，持久化其余一切。）AI 不再需要你在每个提示词里重复”请先写测试””请做代码审查”，这些流程被固化为可安装、可复用的系统组件：
```
plan -> test -> implement -> review -> verify -> remember -> improve
```
安装要求和过程

环境要求：
- Node.js（钩子与脚本全部用 Node.js 编写，Windows / macOS / Linux 全平台支持）
- 至少一个 AI 编程工具：Claude Code、Codex、Cursor、OpenCode、Gemini CLI、Zed、Kimi Code 等 12+ 种均有适配
方式一：Claude Code 插件安装（推荐，最简单）——在 Claude Code 里输入两条命令即可：
```
/plugin marketplace add https://github.com/affaan-m/ECC
/plugin install ecc@ecc
```
如需规则包（Rules），再手动拷贝你实际使用的语言包：
```
git clone https://github.com/affaan-m/ECC.git
cd ECC
mkdir -p ~/.claude/rules/ecc
cp -R rules/common ~/.claude/rules/ecc/
cp -R rules/typescript ~/.claude/rules/ecc/  # 换成你的技术栈
```
方式二：Codex 同步安装（先运行一次 Codex 生成配置）：
```
git clone https://github.com/affaan-m/ECC.git
cd ECC
npm install
bash scripts/sync-ecc-to-codex.sh
```
方式三：其他工具——克隆仓库后用安装脚本指定目标：
```
./install.sh --profile minimal --target cursor    # Cursor
./install.sh --profile minimal --target gemini    # Gemini CLI
./install.sh --profile minimal --target zed       # Zed
# Windows 用 .\install.ps1
```
⚠️ 官方特别提醒：每个工具只选一种安装方式，不要叠加（如 Claude 插件 + 手动 full 安装会导致技能、命令重复）；且只从官方渠道安装（GitHub 仓库 affaan-m/ECC、npm 包 ecc-universal / ecc-agentshield），第三方镜像可能含恶意代码。

核心功能
- 281 个技能 + 67 个专职智能体：覆盖 TDD、安全审查、深度研究、文档、前端、数据、ML、运维等场景。规划用 planner、审查用 code-reviewer、修构建用 build-error-resolver，各智能体拥有独立上下文与工具权限，互不污染。
- 门禁化 TDD 工作流：”请使用 TDD”从一句模型可能遗忘的指令，变成带证据链的 RED → GREEN → REFACTOR 流程：先留存失败测试证据，再实现到通过，最后由全新上下文的审查者复查——写代码和审代码不再是同一个上下文。
- Plan Canvas 计划画布（2.1 新特性）：智能体写完计划后在本地浏览器画布中打开，你用鼠标点选段落、添加锚定批注、侧栏对话，最后一键”批准/要求修改”，结果直接映射回 /plan 的确认门。Mermaid 图实时渲染，任何模型任何工具都能驱动。
- 统一记忆保险库（Memory Vault）：ecc memory 让 Claude、Codex、Kimi 等不同工具共享同一份本地可检查的 Markdown 记忆格式，支持跨工具交接（handoff）——上午用 Claude Code 做的迁移方案，下午 Codex 直接检索接手。会话结束还能蒸馏成摘要、直觉（带置信度分数）和可复用技能。
- AgentShield 安全扫描：把智能体配置本身当作攻击面来审计——扫描提示词、钩子、MCP 配置、权限与密钥泄露，npx -y ecc-agentshield scan --path . 免安装即可体检。
典型使用场景

场景一：新功能开发全流程。输入 /ecc:plan "添加 OAuth 用户认证"，planner 生成实现蓝图并在 Plan Canvas 里供你批注确认；随后 tdd-workflow 技能强制先写失败测试再实现；完成后 /code-review 由全新上下文的审查智能体查漏。整个过程留下计划、失败测试、通过测试、审查发现、最终验证五份证据。

场景二：上线前安全体检。跑 /security-scan 做 OWASP Top 10 审计，e2e-testing 技能覆盖关键用户流，/test-coverage 验证 80%+ 覆盖率；再用 AgentShield 扫一遍智能体配置本身，防止 MCP 配置或钩子里埋雷。

场景三：多工具团队协作。团队里有人用 Claude Code、有人用 Codex、有人用 Cursor——ECC 一次安装适配全部工具，规则与技能保持一致；Memory Vault 的 handoff 机制让不同工具间无缝交接任务上下文，告别复制粘贴聊天记录。

推荐理由

我用过不少 Agent 增强类项目，ECC 给我的感受是”体系完整度断层领先”。多数同类项目解决单点问题（提示词库、记忆、或钩子），而 ECC 把技能、智能体、规则、钩子、记忆、直觉六层职责切分得非常清楚——技能按需加载、规则常驻精选、钩子跑在模型上下文之外，这套设计真正做到了”加能力不加上下文负担”。234K Stars 和 35K+ Forks 不是刷出来的：单一维护者每周横跨 7 个 Harness 发版，社区有 Discord、GitHub App 和 12 种语言的 README。最打动我的是它对”证据”的执念：一次交付不只是代码，而是计划、失败测试、通过测试、审查发现和验证记录组成的完整证据链——这正是 AI 编程从玩具走向生产的分水岭。项目 MIT 许可永久免费，托管版 ECC Pro 仅面向私有仓库收费，商业模式清晰不绑架用户。如果你每天在用 Claude Code 或 Codex，这可能是今年最值得装的一个增强系统。

下载地址
- GitHub 仓库：https://github.com/affaan-m/ECC
- 官方网站：https://ecc.tools
- npm 包：ecc-universal · ecc-agentshield
- GitHub App：ECC Tools
项目信息：⭐ 234,797 Stars · 🍴 35,776 Forks · 语言：JavaScript/TypeScript/Shell · 许可证：MIT · 创建于 2026 年 1 月，持续高频更新中。
2026年7月29日
OpenSpec：为 AI 编程助手打造的规格驱动开发框架，写代码前先对齐需求
OpenSpec：为 AI 编程助手打造的规格驱动开发框架

一、项目简介

OpenSpec 是 Fission AI 开源的一款「规格驱动开发（Spec-Driven Development, SDD）」框架，核心理念是：在写任何一行代码之前，先让你和 AI 就「要做什么」达成一致。它为 AI 编程助手补上了一层轻量的规格层（spec layer），把原本只存在于聊天记录里的模糊需求，沉淀成结构化、可评审、可复用的 Markdown 规格文档。截至目前项目已在 GitHub 收获 62,500+ Stars，是当前最受欢迎的规格框架之一。

二、安装要求与快速上手

环境要求：Node.js 20.19.0 或更高版本（同时兼容 pnpm、yarn、bun、nix）。

全局安装：
```
npm install -g @fission-ai/openspec@latest
```
初始化项目：进入你的项目目录并初始化，OpenSpec 会自动为你的 AI 助手写入配置。
```
cd your-project
openspec init
```
开始与 AI 对话：直接在支持的编程助手中使用斜杠命令。
```
# 还没想清楚要做什么？先探索，让 AI 读代码、权衡方案、成型计划
/opsx:explore

# 已经明确需求？直接提出变更提案
/opsx:propose add-dark-mode

# 提案通过后，逐条实施任务
/opsx:apply

# 完成后归档，规格自动更新
/opsx:archive
```
升级只需 npm install -g @fission-ai/openspec@latest，再在各项目内运行 openspec update 刷新 AI 指令即可。

三、核心功能
- 规格先行、代码后行：每个变更都会生成独立文件夹，包含 proposal.md（为什么做/改什么）、specs/（需求与场景）、design.md（技术方案）、tasks.md（实施清单），人和 AI 先对齐再动手。
- 纯 Markdown、零学习成本：规格就是带具体场景（WHEN/THEN）的普通 Markdown，无需学习任何专用语法，AI 负责撰写、你负责评审。
- 流式而非瀑布：任何产物随时可改，没有僵硬的阶段闸门（phase gates），支持从探索到实现的自由迭代。
- 广泛的工具兼容：通过斜杠命令支持 25+（并持续增长）主流 AI 编程助手，包括 Claude Code、Codex、Cursor 等，不锁定任何 IDE 或模型。
- 团队级 Stores（Beta）：把规划放进独立仓库，通过 git push 共享，实现跨仓库特性、共享需求、代码未动先立规划——为多团队协作提供单一事实来源。
OpenSpec 内置仪表盘：可视化查看规格与进行中的变更

四、典型使用场景
- 为老项目做增量特性开发（Brownfield）：OpenSpec 明确定位「不只是绿地项目」。在成熟代码库里加新功能时，用 /opsx:explore 让 AI 先读懂现有代码结构，再权衡最干净的实现路径，避免 AI 凭空乱改。
- 个人开发者约束 AI「别跑偏」：单人开发时，规格层能让你和 AI 在单仓库上保持诚实——先评审计划再写代码，杜绝「模糊 prompt → 不可预测结果」的困境。
- 企业团队跨仓库协作：一个特性横跨 API 服务、Web 前端和共享库时，用 Stores 把「一个变更、一份计划」共享给三个仓库；平台团队维护规格，产品团队只读引用，让每个编程 Agent 都能读到同一份需求，告别到处漂移的 Wiki。
五、推荐理由

体验下来，OpenSpec 最打动我的是它对「轻量」的坚持。同类的 GitHub Spec Kit 更全面但偏重——僵硬的阶段闸门、大量 Markdown、还要配 Python 环境；AWS 的 Kiro 很强却把你锁死在它的 IDE 和 Claude 模型上。OpenSpec 则用一条 npm install 就接入你已经在用的工具链，规格全是能随手改的纯 Markdown，真正做到了「有预测性但不繁文缛节」。

官方建议搭配高推理能力的模型（如 Codex、Opus 系列）效果最佳，并注意保持干净的上下文窗口——实施前清理上下文，能显著提升产出质量。对于厌倦了「AI 一顿乱写、结果全靠运气」的开发者，OpenSpec 是一个成本极低、收益明显的习惯升级。MIT 许可，可放心用于商业项目。

六、下载地址
- GitHub 仓库：https://github.com/Fission-AI/OpenSpec
- 官方网站：https://openspec.dev/
- npm 包：@fission-ai/openspec
项目信息：Stars 62,500+ | Forks 4,325 | 主语言 TypeScript | 许可证 MIT | 首次发布 2025-08
2026年7月26日
cognee：为AI智能体打造的开源记忆平台，跨会话持久记忆+自托管知识图谱，23K+Stars让AI真正拥有长期记忆
🧠 项目简介

Cognee 是为 AI 智能体打造的开源记忆平台，通过自托管知识图谱引擎，为智能体提供跨会话的持久长期记忆。它支持任意格式的数据摄入，构建可动态演进的知识图谱，让智能体能够基于完整上下文进行回忆、关联和行动。结合向量嵌入、图推理和认知科学基础的本体生成能力，Cognee 让文档既支持语义搜索，又能通过关系关联，且知识图谱会随知识积累动态演进。

📦 安装要求和过程

环境要求
- Python：3.10 ~ 3.14
- 可选：Docker（用于本地 MCP 服务或完整部署）
- LLM API Key：默认支持 OpenAI，也可对接其他 LLM 提供商
快速安装
```
# 使用 uv 安装（推荐）
uv pip install cognee

# 使用 pip 安装
pip install cognee

# 如需使用 Postgres 作为后端，安装对应依赖
pip install "cognee[postgres]"
```
环境配置
```
# 复制环境变量模板
cp .env.template .env

# 配置 LLM API Key（默认 OpenAI）
echo 'LLM_API_KEY="your_openai_api_key"' > .env
```
Docker 一键部署
```
# 克隆仓库并配置
git clone https://github.com/topoteretes/cognee.git
cd cognee
cp .env.template .env

# 启动 API 服务（默认端口 8000）
docker compose up

# 同时启动前端（端口 3000）
docker compose --profile ui up

# 启动 MCP 服务（端口 8001）
docker compose --profile mcp up
```
⭐ 核心功能

1. 跨会话持久记忆

AI 智能体的记忆不会随会话结束而丢失。Cognee 提供两种存储模式：永久存储（直接写入知识图谱，执行完整处理流程）和会话存储（先写入快速缓存，后台异步同步到知识图谱）。

2. 自托管知识图谱引擎

知识关系可动态演进，随知识积累自动更新。Cognee 1.0 支持在单个 Postgres 实例上运行完整记忆层（关系存储 + 向量嵌入 + 会话缓存 + 元数据存储），无需维护多组件栈，性能比分离式图+向量方案快约 10%。

3. 多后端支持

默认使用 Postgres 全栈运行记忆层，也可按需切换 Neo4j、Neptune、Redis、Qdrant 等专用后端。灵活适配不同规模的部署需求。

4. 多语言官方客户端

除 Python 主客户端外，还提供 Rust（cognee-rs，可通过 cargo add cognee 安装）和 TypeScript（@cognee/cognee-ts，可通过 npm install 安装）官方客户端，覆盖更多开发场景。

5. 多智能体工具集成

支持 Claude Code、OpenClaw 等智能体工具集成，也支持对接 Cognee Cloud 托管服务。提供 MCP 服务器原生支持，可无缝接入 AI 编程助手。

🚀 典型使用场景
场景一：客服智能体

目标：结合用户的金融、客服、产品历史等个人数据，解决客户问题。

示例交互：
- 用户提问：”我的发票有问题，而且问题一直没解决”
- 智能体响应：”我找到 2 个上个月解决的类似账单问题，原因是支付和发票系统同步延迟，我们已经在你的账户上应用了修复方案。”
底层逻辑：统一整合企业多渠道数据源 → 重建交互时间线 → 检索相似已解决案例 → 匹配最优解决方案 → 执行后更新记忆。
场景二：专家知识蒸馏（SQL 助手）

目标：帮助初级分析师复用专家的查询、模式和推理逻辑，完成数据分析任务。

示例交互：
- 用户提问：”我该怎么为这个数据集计算客户留存率？”
- 智能体响应：”这是高级分析师解决类似留存查询的方法，Cognee 将你的数据表结构和已知结构做了匹配，把专家的逻辑适配到了你的数据集上。”
底层逻辑：提取并存储专家 SQL 查询 → 将当前数据表结构映射到已识别的结构 → 检索相似任务和成功实现方案 → 将专家推理逻辑适配到当前上下文。
💡 推荐理由
Cognee 解决了 AI 智能体领域一个根本性问题：如何让智能体拥有持久、可演进的记忆。在大模型应用从”单次对话”走向”长期协作”的今天，记忆层已成为 AI 智能体不可或缺的基础设施。

最打动我的几点：
- Single Postgres 架构：Cognee 1.0 的巧妙设计让整个记忆层运行在单个 Postgres 实例上，极大降低了运维复杂度，同时性能不输专用分离方案。
- 动态演进的知识图谱：不同于静态 RAG，Cognee 的知识图谱会随知识积累自动更新关系，真正实现”越用越聪明”。
- 基准测试领先：在长上下文记忆基准测试 BEAM 中，Cognee 得分 0.79（开启按问题路由后 >0.8），优于之前的 SOTA 方案（0.735）和 RAG 基线（~0.33）。
- 多语言客户端：同时提供 Python、Rust、TypeScript 官方客户端，覆盖从 AI 应用开发到高性能系统集成的全场景。
- 活跃社区：8426+ 次提交，304 个开放 Issues（说明使用人数多、反馈活跃），Apache-2.0 永久开源。
如果你正在构建需要”记住用户”的 AI 应用——无论是客服机器人、个人助手还是企业知识助手，Cognee 值得一试。23K+ Stars 和本周新增 5000+ Stars 的趋势，已经说明了开发者的认可。
📥 下载地址
- 🏠 项目官网：https://www.cognee.ai
- 📚 官方文档：https://docs.cognee.ai
- 🐙 GitHub 仓库：https://github.com/topoteretes/cognee（23,542+ Stars）
- 💬 Discord 社区：https://discord.gg/NQPKmU5CCg
- 🐍 PyPI 安装：pip install cognee
- 📦 Docker 镜像：docker pull cognee/cognee:main
📌 许可协议：Apache License 2.0（永久开源，可自由使用、修改和分发）

👥 维护团队：topotherete 社区（8426+ 次提交，活跃开发中）

📄 相关研究：Optimizing the Interface Between Knowledge Graphs and LLMs for Complex Reasoning（arXiv 2025）
2026年6月27日

headroom：AI智能体上下文压缩层，减少60-95% Token消耗，本周GitHub新增近1.5万Stars

📌 项目简介

headroom —— AI 智能体的上下文压缩层

headroom 是一个专为 AI 智能体设计的上下文压缩工具，在工具输出、日志、文件和 RAG 片段到达 LLM 之前对其进行压缩，可实现 60-95% 的 Token 减少，同时保证输出答案的准确性。

项目支持以代码库、零代码代理、MCP 服务器三种形态接入，兼容 Claude Code、Codex、Cursor、Aider、Copilot CLI 等主流 AI 编程助手，本周在 GitHub 新增近 15,000 Stars，是 2026 年 6 月最热门的 AI 开源项目之一。

43.4K+

GitHub Stars

3,010+

Forks

60-95%

Token 节省率

14.9K

本周新增 Stars

3 种

接入形态

10+

兼容智能体

🛠️ 安装要求和过程

环境要求

Python：3.10 及以上版本（推荐 3.13）
Node.js：18+（如使用 TypeScript 版本）
可选：Docker、Apple GPU（MPS 加速）、Rust（SSL 拦截场景）

快速安装

# Python 全量安装（推荐）
pip install “headroom-ai[all]”

# Node.js / TypeScript 安装
npm install headroom-ai

# Docker 镜像
docker pull ghcr.io/chopratejas/headroom:latest

# pipx 安装（隔离环境，推荐）
pipx install –python python3.13 “headroom-ai[all]”

可选功能插件

headroom 支持按需安装额外功能模块：

# 代理模式（零代码接入）
pip install “headroom-ai[proxy]”

# MCP 工具（接入 AI 智能体）
pip install “headroom-ai[mcp]”

# Kompress 模型（智能压缩）
pip install “headroom-ai[ml]”

# 代码压缩
pip install “headroom-ai[code]”

# 跨智能体记忆
pip install “headroom-ai[memory]”

# 图像压缩
pip install “headroom-ai[image]”

🌟 核心功能

1. 三形态接入，零代码也能用

headroom 提供三种接入方式，无论你是开发者还是普通用户都能快速上手：

代码库：Python/TypeScript 直接调用 compress(messages)，两行代码接入
零代码代理：运行 headroom proxy --port 8787，无需修改原有代码，所有兼容 OpenAI API 的客户端均可接入
MCP 服务器：支持 headroom_compress、headroom_retrieve、headroom_stats 三个 MCP 工具，一键安装到 Claude Code 等智能体

2. 智能压缩算法，60-95% Token 节省

headroom 自动识别内容类型，匹配最优压缩算法：

JSON 数据 → SmartCrusher（智能结构压缩）
代码文件 → CodeCompressor（语法感知压缩）
自然语言 → Kompress-base 模型（AI 压缩模型）
电子表格 → SmartCrusher（CSV/XLSX 节省 37-48%）
图像 → 专用图像压缩（40-90% 压缩率）

3. 可逆压缩（CCR），不丢失任何信息

headroom 的 Context-Compressed Retrieval (CCR) 机制将原始内容本地缓存，模型需要时可通过 headroom_retrieve 按需获取完整内容。压缩只是”摘要”，详细信息随时可取回。

4. 输出 Token 缩减，让 AI 少说废话

除了压缩输入，headroom 还能减少模型的冗余输出：

自动去除客套话、重复代码、常规步骤的深度思考
简洁度引导：自动在系统提示末尾追加简洁要求，不破坏提示缓存
算力路由：常规工具调用步骤降低模型思考等级，新问题/错误保留完整算力
支持 headroom learn --verbosity --apply 自动学习最优简洁度

5. 跨智能体共享记忆，自动学习优化

headroom 支持多智能体共享上下文存储，自动去重。更强大的是 headroom learn 功能：自动挖掘失败会话，将修正规则写入 CLAUDE.md / AGENTS.md，让智能体越用越聪明。

📊 压缩效果实测

场景	压缩前 Token	压缩后 Token	节省率
代码搜索（100 条结果）	17,765	1,408	92%
SRE 故障排查	65,694	5,118	92%
GitHub 问题分类	54,174	14,761	73%
代码库探索	78,502	41,254	47%
SQuAD v2（问答）	—	—	19%
BFCL（工具调用）	—	—	32%

基准测试显示，在 GSM8K 数学推理任务中，headroom 压缩后的准确率与基线完全一致（0.870）；在 TruthfulQA 事实性问答中，压缩后准确率甚至提升了 3%（0.530 → 0.560）。压缩不影响答案质量，某些场景下甚至有所提升。

🚀 典型使用场景

场景一：封装现有 AI 编程助手（30 秒上手）

如果你正在使用 Claude Code、Cursor 或 Aider，只需一条命令即可让 headroom 开始节省 Token：

# 封装 Claude Code（自动配置，无需手动操作）
headroom wrap claude

# 封装 Cursor（生成配置后粘贴一次即可）
headroom wrap cursor

# 封装 Aider（自动启动代理并打开工具）
headroom wrap aider

# 查看压缩效果
headroom perf

封装后，所有工具输出、文件内容、RAG 片段在送入 LLM 之前都会被自动压缩，你无需修改任何代码或配置。

场景二：作为 MCP 工具接入 AI 智能体

headroom 原生支持 MCP 协议，可作为工具被 AI 智能体直接调用：

# 安装到 Claude Code / OpenClaw 等支持 MCP 的智能体
headroom mcp install

# MCP 工具列表：
# – headroom_compress : 压缩上下文
# – headroom_retrieve : 取回原始内容（CCR）
# – headroom_stats : 查看压缩统计

对于 AI Agent 开发者，headroom 提供了一个开箱即用的 Token 优化方案，无需自己实现压缩算法。

场景三：在 Python/TypeScript 应用中直接调用

对于开发者，headroom 提供了简洁的 API，两行代码即可接入：

# Python
from headroom import compress
compressed = compress(messages, model=“gpt-4o”)

# TypeScript
import { compress } from “headroom-ai”;
const compressed = await compress(messages, { model });

# 接入 Anthropic SDK
from headroom import withHeadroom
client = withHeadroom(Anthropic())

# 接入 LangChain
from headroom import HeadroomChatModel
llm = HeadroomChatModel(your_llm)

headroom 还支持 Vercel AI SDK、LiteLLM、Agno 等主流框架，覆盖几乎所有 LLM 应用开发场景。

🤖 兼容智能体列表

Claude Code

✅ 完全支持

Codex

✅ 完全支持

Cursor

✅ 完全支持

Aider

✅ 完全支持

Copilot CLI

✅ 完全支持

OpenClaw

✅ 插件支持

OpenAI API

✅ 代理接入

Ollama

✅ 代理接入

💡 推荐理由

📥 下载地址

GitHub 仓库
PyPI 包
npm 包
官方文档
Kompress 模型
Discord 社区

本文由 WorkBuddy AI 自动生成 · 数据来源：GitHub API · 项目许可：Apache 2.0

2026年6月22日

标签： 上下文工程

项目简介

安装要求和过程

环境要求

快速安装

核心功能

典型使用场景

推荐理由

下载地址

📌 项目简介

⚙️ 安装要求和过程

环境要求

安装（作为智能体技能）

使用：三步把书变技能

🚀 核心功能

💡 典型使用场景

❤️ 推荐理由

🔗 下载地址

项目简介

安装要求和过程

环境要求

快速开始

核心功能

典型使用场景

推荐理由

下载地址

项目简介

安装要求和过程

核心功能

典型使用场景

推荐理由

下载地址

一、项目简介

二、安装要求与快速上手

三、核心功能

四、典型使用场景

五、推荐理由

六、下载地址

🧠 项目简介

📦 安装要求和过程

环境要求

快速安装

环境配置

Docker 一键部署

⭐ 核心功能

1. 跨会话持久记忆

2. 自托管知识图谱引擎

3. 多后端支持

4. 多语言官方客户端

5. 多智能体工具集成

🚀 典型使用场景

场景一：客服智能体

场景二：专家知识蒸馏（SQL 助手）

💡 推荐理由

📥 下载地址

⚡ headroom：AI 智能体的上下文压缩层，减少 60-95% Token 消耗

📌 项目简介

headroom —— AI 智能体的上下文压缩层

🛠️ 安装要求和过程

环境要求

快速安装

可选功能插件

🌟 核心功能

1. 三形态接入，零代码也能用

2. 智能压缩算法，60-95% Token 节省

3. 可逆压缩（CCR），不丢失任何信息

4. 输出 Token 缩减，让 AI 少说废话

5. 跨智能体共享记忆，自动学习优化

📊 压缩效果实测

🚀 典型使用场景

场景一：封装现有 AI 编程助手（30 秒上手）

场景二：作为 MCP 工具接入 AI 智能体

场景三：在 Python/TypeScript 应用中直接调用

🤖 兼容智能体列表

💡 推荐理由

为什么你应该关注 headroom？

📥 下载地址

标签：上下文工程