标签: 多智能体系统

  • GitHub Copilot SDK:一套 Agent 运行时,六种语言官方 SDK

    GitHub Copilot SDK:一套 Agent 运行时,六种语言官方 SDK

    GitHub Copilot SDK

    项目简介

    GitHub Copilot SDK 是 GitHub 官方发布的多平台 Agent 运行时 SDK,让你在自己的应用中嵌入 Copilot CLI 的完整智能体引擎。支持 TypeScript、Python、Go、.NET(C#)、Java、Rust 六种语言,通过 JSON-RPC 与 Copilot CLI server 模式通信,SDK 自动管理进程生命周期——你只需定义 Agent 行为,Copilot 负责规划、工具调用和文件编辑。

    一句话:把 Copilot CLI 的 Agent 能力,以 SDK 形式嵌入任何应用。

    六语言SDK速览

    安装要求与过程

    环境要求

    • Node.js / TypeScript:Node.js ^20.19.0 或 ≥22.12.0
    • Python:Python 3.11+
    • .NET:.NET 8+ SDK
    • Go / Rust / Java:对应语言工具链 + 需额外安装 Copilot CLI
    • 认证:GitHub Copilot 订阅,或 BYOK 自带模型 API Key

    快速安装

    # Node.js / TypeScript
    npm install @github/copilot-sdk
    
    # Python
    pip install github-copilot-sdk
    python -m copilot download-runtime   # 下载运行时二进制
    
    # .NET
    dotnet add package GitHub.Copilot.SDK
    
    # Go
    go get github.com/github/copilot-sdk/go
    
    # Rust
    cargo add github-copilot-sdk
    
    # Java (Maven)
    <dependency>
      <groupId>com.github</groupId>
      <artifactId>copilot-sdk-java</artifactId>
    </dependency>

    Python 快速上手示例

    import asyncio
    from copilot import CopilotClient
    from copilot.session_events import AssistantMessageData, SessionIdleData
    from copilot.session import PermissionHandler
    
    async def main():
        async with CopilotClient() as client:
            async with await client.create_session(
                on_permission_request=PermissionHandler.approve_all,
                model="gpt-5",
            ) as session:
                done = asyncio.Event()
                def on_event(event):
                    match event.data:
                        case AssistantMessageData() as data:
                            print(data.content)
                        case SessionIdleData():
                            done.set()
                session.on(on_event)
                await session.send("What is 2+2?")
                await done.wait()
    
    asyncio.run(main())

    核心功能

    1. 六语言官方 SDK:TypeScript/Python/Go/.NET/Java/Rust 全部由 GitHub 官方维护,统一 API 设计,语义化版本管理(GA 状态)。
    2. Agent Loop 完整循环:内置完整的工具调用循环(Tool Use Loop),自动处理回合(Turn)与完成信号,无需自建编排层。
    3. Hooks 拦截机制:可在工具调用前后拦截、改写结果、处理错误——实现权限控制、日志审计、输出过滤等中间件逻辑。
    4. Custom Agents + Fleet Mode:定义带独立工具集和指令的子智能体;Fleet Mode 支持并行派发多个子智能体处理大型独立任务流。
    5. MCP Servers 集成:原生接入 Model Context Protocol 服务器,扩展外部工具能力;同时支持 Skills 提示词模块与 Plugin Directories 插件打包。
    6. 40+ Streaming Events:实时订阅会话事件流(assistant.message、tool.call、session.idle 等),构建响应式 UI。
    架构与核心能力

    典型使用场景

    场景一:IDE 插件内嵌 AI 编程助手

    在 VS Code / JetBrains 插件中集成 Copilot Agent,用户选中代码后调用 SDK 发起对话,Agent 自动读取文件上下文、执行重构建议、直接编辑文件。相比自己对接 LLM API + 构建工具链,SDK 已封装好文件读写、终端命令、Git 操作等全套工具。

    场景二:CI/CD 流水线中的自动化 Review Bot

    在 GitHub Actions 中用 Python SDK 启动 Copilot Session,将 PR diff 作为输入发送给 Agent,让它分析变更影响、生成 review 评论。通过 Hooks 可限制 Agent 只读不写,确保安全可控。

    场景三:SaaS 产品中的 AI 功能模块

    在 Web 后端通过 TypeScript SDK 创建带预算限制的 Session(Session Limits),为每个用户分配 AI Credits 配额。结合 Remote Sessions 功能,让用户在浏览器中实时看到 Agent 工作过程。BYOK 模式下可使用自有模型 Key,降低运营成本。

    推荐理由

    作为 GitHub 官方出品,Copilot SDK 的最大优势是「不用重复造轮子」。过去要在应用里嵌入 AI Agent 能力,你需要自己处理模型选择、提示词模板、工具定义、权限控制、错误恢复……现在这些全部由 Copilot CLI 引擎托管,SDK 只暴露简洁的 Session API。

    六种语言的覆盖面也令人印象深刻——从脚本到企业级后端,从前端到系统编程,几乎覆盖了主流开发栈。特别是 Python 和 TypeScript SDK 内置了 CLI 二进制,开箱即用体验非常顺滑。

    当然,它需要 Copilot 订阅或 BYOK 配置,不是完全免费的方案。但考虑到它提供的生产级 Agent 运行时能力,这个成本是合理的。如果你正在评估「如何在产品中加入 AI Agent 能力」,Copilot SDK 值得作为首选方案之一认真试用。

    下载地址

  • OpenWork:开源版 Claude Cowork,让 AI 工作流一次创建、处处复用

    OpenWork:开源版 Claude Cowork,让 AI 工作流一次创建、处处复用

    OpenWork 开源 AI 工作流平台

    OpenWork 是 different-ai 开源的一款免费桌面应用,定位为 Claude Cowork / Codex 的开源替代。它提供跨 macOS、Windows、Linux 的统一 AI 工作区,把技能(Skills)、MCP 连接、插件和常用 SaaS 服务打包成可复用的「能力」,通过同一个远程 MCP 服务器接入 Claude Code、Cursor、Codex、OpenCode 等主流 Agent,实现「一次创建、处处复用」。

    安装要求和过程

    环境要求

    • 桌面端:macOS、Windows 或 Linux,支持 Apple Silicon 与 x86_64。
    • 开发环境:Node.js 24(仓库使用 .nvmrc 锁定),包管理器 pnpm 11.4.0,monorepo 使用 Turborepo。
    • 服务器 / 团队版:Docker + Kubernetes 可部署 OpenWork Den 控制平面(文档提供 AWS EKS、Azure AKS、GCP GKE 示例)。

    快速安装

    • 用户安装(推荐):下载安装脚本并执行 openwork-bootstrap CLI。
    curl -fsSLo /tmp/openwork-install.sh https://openworklabs.com/install.sh
    less /tmp/openwork-install.sh
    sh /tmp/openwork-install.sh
    • 安装桌面端
    openwork-bootstrap install app --manifest https://openworklabs.com/install-manifest.json --json
    openwork-bootstrap doctor --app --json
    • 从源码开发
    git clone https://github.com/different-ai/openwork.git
    cd openwork
    pnpm install
    pnpm dev  # 启动 Electron 桌面端

    或者直接访问官网 Download OpenWork 下载对应系统安装包。

    核心功能

    OpenWork 能力架构
    1. 统一能力市场
      把常用的工具、API、提示词和 MCP 封装为「技能」与「插件」,个人或团队发布到市场后即可在任意接入的 Agent 中复用。
    2. OpenWork MCP 远程接入
      只需一行命令即可把 OpenWork 接入 Claude Code、Cursor、Codex、OpenCode 等支持 MCP 的客户端,暴露 search_capabilitiesexecute_capability 两个工具。
    3. 跨端 Electron 桌面应用
      提供本地专属工作区,离线/在线混合运行,内置 opencode 智能体运行时,支持技能编排与记忆管理。
    4. OpenWork Den 组织控制平面
      管理模型供应商配额、团队权限、桌面策略、应用版本限制,并支持 Google Workspace、Microsoft 365 等 SaaS 集成。
    5. Agent-first 安装流程
      用户可以直接让现有 AI 助手执行安装、创建工作区、打开桌面端,甚至连接 OpenWork MCP,无需手动翻阅文档。

    典型使用场景

    1. 多 Agent 共享同一套工具链

    个人开发者把常用的 Supabase、Vercel、GitHub、Slack MCP 封装进 OpenWork,配置一次后,Claude Code 写后端、Cursor 改前端、Codex 跑脚本时都能调用同一组连接和凭证,避免每个客户端重复配置。

    OpenWork 桌面应用

    2. 团队统一 AI 工作区

    技术负责人通过 OpenWork Den 发布内部技能(如「生成发布说明」「数据库迁移脚本」),分配给特定团队;同时限制可用模型、控制 token 预算、审计执行记录,实现 AI 工具在组织层面的治理。

    OpenWork Den 组织控制平面

    3. 开源替代方案落地

    对数据主权敏感或预算受限的团队,可用 OpenWork 替代 Claude Cowork / Codex:Electron 桌面端本地化运行,代码可审计,团队版可自托管,避免把核心工作流绑定到单一闭源平台。

    推荐理由

    OpenWork 的最大价值在于把「AI 工作流」从工具孤岛中解放出来。它不像传统 IDE 插件那样只服务单个编辑器,而是通过标准化 MCP 让能力在多个 Agent 之间流动。对于已经混用 Claude Code、Cursor、Codex 的开发者来说,这种「一次配置、多端复用」的体验非常解渴。

    项目本身工程化程度很高:pnpm + Turborepo 管理多包,Electron 桌面端与远程 MCP 服务器分离,Den 控制平面提供企业级治理接口,文档覆盖 K8s 部署、Google Workspace OAuth、Microsoft Entra SSO 等。GitHub 18K+ Stars 且保持高频迭代(v0.18.12 于 2026-07-30 发布),说明社区认可度不错。

    需要注意:仓库 /ee 目录为 Fair Source License,其他主体代码自定义商业许可,商用前建议阅读 LICENSE。

    下载地址

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

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

    MiMoCode

    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

    MiMoCode 核心特性

    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/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

  • 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: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 项目主视觉
    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

    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)

  • Agents Towards Production:21.2K Stars 的生产级 GenAI Agent 实战教程库

    Agents Towards Production:21.2K Stars 的生产级 GenAI Agent 实战教程库

    Agents Towards Production 封面

    项目简介

    Agents Towards Production 是 Nir Diamant 维护的一套开源、代码优先的教程合集,目标是帮助开发者把 GenAI Agent 从「能跑的原型」推进到「可上线的产品」。仓库目前包含 28 个生产级教程,覆盖工具集成、RAG、记忆、部署、安全、评估、UI 等 13 大模块,所有代码都以可运行的 Notebook 形式提供。

    安装要求和过程

    • 环境要求:Python 3.10+、Jupyter Notebook / JupyterLab、Git
    • 克隆仓库git clone https://github.com/NirDiamant/agents-towards-production.git
    • 进入对应教程目录,例如:cd tutorials/LangGraph-agent
    • 安装依赖:每个教程都有独立的 requirements.txt,执行 pip install -r requirements.txt
    • 启动 Jupyterjupyter notebook,按 Notebook 说明逐格运行即可

    核心功能

    • 端到端生产链路:从 Prompt 工程、状态化工作流、向量记忆,到 Docker/FastAPI 部署、GPU 扩展、安全防护,形成完整闭环。
    • 可运行教程:每个教程独立成册,直接提供 Notebook 与依赖文件,几分钟内就能从概念跑到可交互的 Agent。
    • 主流技术栈实战:涵盖 LangGraph、LangChain、MCP、Redis、Mem0、Cognee、LlamaFirewall、RunPod、AWS Bedrock、Streamlit 等。
    • 安全与可观测性:包含安全护栏、Apex 安全评估、LangSmith Tracing、IntellAgent 自动评估等实战内容。
    • 多智能体协作:讲解 A2A 协议下的智能体间通信与任务分发。

    典型使用场景

    • 企业 RAG 落地:Contextual AI 教程演示如何在 15 分钟内构建面向金融文档分析的企业级 RAG,包含文档处理、索引与 LMUnit 自动化评测。
    • 可部署 Agent 服务:Docker 容器化 + FastAPI 端点部署教程,教你把 LangGraph 工作流封装成可调用的 REST API。
    • 长记忆客服助手:结合 Redis 双记忆、Mem0 向量+图谱、Cognee 构建能持续学习用户偏好的对话 Agent。

    推荐理由

    这是一本「会动的书」:不是泛泛而谈的设计模式,而是把每个生产环节拆成可执行的 Notebook。对已经会用 LLM、但苦于不知道怎么把 Agent 真正交付到生产环境的人来说,它补全了从原型到运维之间最关键的拼图。21.2K Stars 和活跃的社区也证明了它的实用价值。

    13大模块内容地图

    三步快速上手

    下载地址

  • Oh My OpenAgent:66.7K Stars 的 AI 编程智能体”满配套件”,一个词启动 11 个智能体并行开发

    Oh My OpenAgent:66.7K Stars 的 AI 编程智能体”满配套件”,一个词启动 11 个智能体并行开发

    Oh My OpenAgent

    项目简介

    Oh My OpenAgent(OmO)是韩国开发者 code-yeongyu 开源的「AI 编程智能体增强套件(Agent Harness)」——一句话概括:给 OpenCode / Codex CLI 装上一个”满配的 AI 开发团队”,装完只需输入 ultrawork 一个词,11 个专职智能体、54+ 生命周期钩子、5 个内置 MCP 就会自动协同,把复杂任务一路干到完成为止。项目目前已收获 66,693 Stars,甚至因为太火导致 Anthropic 封锁了 OpenCode 的 Claude 订阅接入——作者干脆转身拥抱多模型路由,主打”不要选赢家,要编排所有模型”。

    Oh My OpenAgent Team Mode 运行界面

    ▲ Team Mode 实战:Kimi K3 + GPT-5.6 Sol 多智能体并行工作

    安装要求和过程

    环境要求

    • Ultimate 版(OpenCode):需安装 Bun 与 OpenCode
    • Light 版(Codex CLI):仅需 Node.js/npm 环境,无需 Bun
    • 至少一个模型订阅或 API(推荐组合:ChatGPT $20 / Kimi Code $19 / GLM Coding $10,低成本即可跑满血)

    快速安装

    # Ultimate 版(OpenCode 完整体:11 智能体 + Team Mode + 全部功能)
    bunx oh-my-openagent install
    
    # Light 版(Codex CLI 插件:rules/LSP/ultrawork/ulw-loop 等便携组件)
    npx lazycodex-ai install
    # 非交互推荐模式
    npx lazycodex-ai install --no-tui --codex-autonomous
    
    # 两个都装
    bunx oh-my-openagent install --platform=both

    官方还推荐一种更省心的方式——直接把安装指南 URL 扔给任意 AI 助手(Claude Code、Cursor 等),让 AI 替你完成订阅检测、11 个智能体的模型匹配和各家 Provider 认证:

    Install and configure oh-my-openagent by following the instructions here:
    https://raw.githubusercontent.com/code-yeongyu/oh-my-openagent/refs/heads/dev/docs/guide/installation.md

    注意:npm 包与 CLI 命令仍叫 oh-my-opencode(更名过渡期双发布),但不要用 npx omo——那是另一个同名无关包。

    核心功能

    • ultrawork 一词流:输入 ultrawork(或 ulw)即激活全部智能体,配合 Todo Enforcer”偷懒检测”,智能体一旦闲置就被系统拽回来继续干,任务不完成不停手。
    • 纪律型智能体团队:主指挥 Sisyphus(Opus 5 / Kimi K3)负责规划与并行派活;深度工人 Hephaestus(GPT-5.6 Sol)端到端自主执行;规划师 Prometheus 以”面试模式”先访谈再出方案,另有 Oracle(架构/调试)、Librarian(文档检索)、Explore(快速扫码)各司其职。
    • Team Mode 多智能体系统(v4.0):Lead + 最多 8 个并行成员,tmux 实时可视化,衍生 hyperplan(5 个”敌对评审”轮番拆解你的方案)与 security-research(3 个漏洞猎手 + 2 个 PoC 工程师并行审计)两大技能。
    • Hashline 哈希锚定编辑:每行代码带内容哈希标签(11#VK|),编辑前校验、文件变了就拒绝写入,从根源消灭”stale line”错误——Grok Code Fast 1 的编辑成功率靠它从 6.7% 飙到 68.3%。
    • 按类别自动路由模型:子任务只声明类别(visual-engineering / deep / quick / ultrabrain),框架自动匹配最擅长的模型;同时完全兼容 Claude Code 的 hooks、commands、skills、MCP 与插件生态。

    典型使用场景

    • 大规模代码翻新:有用户用它一天清掉 8000 条 ESLint 警告;还有人一夜之间把 4.5 万行的 Tauri 桌面应用改造成 SaaS 网页应用——睡前下指令,醒来验收。
    • 多订阅省钱组合拳:不必为单一厂商付 $200/月,用 Kimi K3 + GPT-5.6 Sol 的平价组合即可超越原版 Claude Code 体验,模型按任务类别自动分工。
    • 方案评审与安全审计:写代码前先跑 hyperplan 让 5 个”杠精”智能体从不同角度挑刺;上线前用 security-research 让 5 个智能体并行做渗透式代码审计,按真实可利用性定级。

    推荐理由

    这是我见过”工程密度”最高的 Agent Harness 项目。它不是又一个 prompt 合集,而是把作者烧掉 2.4 万美元 token 试错换来的经验固化成了产品:Hashline 编辑工具解决的是所有编码智能体最痛的”改错行”问题;类别路由让”选模型”这件事彻底消失;Todo Enforcer 治好了 AI”干一半就摆烂”的顽疾。社区口碑也相当能打——”让我退订了 Cursor””用了就回不去了”。如果你已经在用 OpenCode 或 Codex CLI,这基本是无脑必装的存在;哪怕只是想围观多智能体协作的工程实践,读它的源码和文档也极有收获。唯一注意点:License 为 SUL-1.0(Sisyphus 使用许可),商用前建议先读一下条款,且默认开启匿名遥测(可通过 OMO_DISABLE_POSTHOG=1 关闭)。

    下载地址

    项目数据:66,693 Stars | 语言:TypeScript | License:SUL-1.0 | 最近更新:2026-07-28

  • Claude Cookbooks:Anthropic 官方维护的 Claude 实战范例集(50K+ Stars)

    Claude Cookbooks:Anthropic 官方维护的 Claude 实战范例集(50K+ Stars)

    Claude Cookbooks

    Claude Cookbooks 是 Anthropic 官方在 GitHub 上开源维护的 Jupyter Notebook 范例集,已收获 50.4K+ Stars5.9K+ Forks,MIT 许可证。它像一本持续更新的”Claude 实战菜谱”,用可以直接复制运行的代码片段,手把手教开发者把 Claude API 用到生产里——覆盖文本分类、RAG、工具调用、Agent SDK、Skills、多模态、扩展思考、第三方集成等几乎所有主流场景。

    无论是刚接触 Claude API 的新手,还是要把 Claude 嵌入自家产品的资深工程师,都能在这里找到即拿即用的最佳实践。所有 Notebook 都用 Python 写成,但概念同样适用于任何支持 Claude API 的语言。

    Claude Cookbooks 内容地图

    为什么需要它?

    很多人第一次调用 Claude API 只能写出”问个问题拿个回答”的脚本——但生产里要面对的是:结构化输出、上下文管理、长文档解析、Agent 工作流、RAG 检索、工具调用循环、子智能体拆分…这些工程化能力的最佳范式,往往不是 API 文档里那几段示例能覆盖的。Cookbooks 正是 Anthropic 工程师团队把生产经验沉淀下来的”答案库”。

    安装要求和过程

    环境要求

    • Python 3.10+(项目用 uv 管理依赖)
    • Jupyter Lab / VS Code Jupyter 扩展
    • 一个 Anthropic API Key(前往 anthropic.com 免费注册)

    快速安装

    # 1. 克隆仓库
    git clone https://github.com/anthropics/claude-cookbooks.git
    cd claude-cookbooks
    
    # 2. 安装依赖(项目使用 uv,也可用 pip)
    pip install -r requirements-dev.txt
    # 或:uv sync
    
    # 3. 配置密钥
    cp .env.example .env
    # 编辑 .env 填入你的 ANTHROPIC_API_KEY
    
    # 4. 启动 Jupyter
    jupyter lab

    三步快速上手

    核心功能

    1. 基础能力 Recipes

    capabilities/ 目录里包含文本分类、RAG 检索增强、长文摘要、结构化 JSON 输出四大基础用法。每个 Recipe 都配了独立 Notebook,从最小调用示例一路演化到生产级实现。

    2. 工具调用与函数集成

    tool_use/ 演示了 Claude 如何调用外部工具——从最简单的计算器、SQL 查询,到完整的多步骤客服智能体。这是把 Claude 从”聊天机器人”升级成”可执行 Agent”的关键能力。

    3. Claude Agent SDK

    claude_agent_sdk/ 是新近加入的官方 Agent SDK 范例,示范如何用 Python SDK 构建可独立运行的智能体应用、调度工具、规划子任务。

    4. Agent Skills 技能系统

    skills/ 目录展示如何为 Claude 编写模块化技能——把专业能力封装成可复用的 Skills,让 Agent 在不同场景下按需调用。

    5. 多模态能力

    multimodal/ 覆盖图像理解、图表解读、表单/PDF 内容提取、视觉最佳实践等,配合 Claude 强大的视觉模型可直接处理扫描件、合同、PPT。

    6. 扩展思考与设计模式

    extended_thinking/patterns/ 深入推理模式、子智能体协作、提示词缓存、评估驱动开发(Eval-Driven Development)等高阶范式。

    7. 第三方集成

    third_party/ 给出Pinecone 向量数据库、Wikipedia、VoyageAI Embeddings等流行服务的对接范例,把 Claude 嵌入现有技术栈成本极低。

    8. 微调与可观测性

    finetuning/observability/ 提供模型微调生产链路观测的端到端代码,是把 Claude 部署到线上服务的最后一块拼图。

    典型使用场景

    场景 1:快速搭建企业知识库 RAG

    复制 capabilities/retrieval_augmented_generationthird_party/Pinecone 两个 Notebook,半天就能搭起一个基于 Pinecone + Claude 的企业知识问答系统。Notebook 里连如何切分文档、嵌入、检索、重排序、生成都一步步跑通。

    场景 2:构建带工具调用的客服 Agent

    参考 tool_use/customer_service_agent.ipynb 的代码结构,把你的订单查询 API、退款流程、商品库存接口注册成 Claude 可调用的工具,立即得到一个能回答”我的订单到哪了”的多轮 Agent。

    场景 3:批量处理 PDF/扫描件

    multimodal/ 里的 PDF 解析与表单提取 Recipe,配合 Claude 视觉模型,搭建合同关键条款抽取、发票识别、报告摘要等自动化工作流。

    场景 4:评估驱动的提示词迭代

    misc/building_evals.ipynb 给出用 Claude 自身来评估另一批 Claude 输出质量的工程范式——适合团队协作打磨生产级 Prompt,让提示词的优化变成可量化、可回归的过程。

    推荐理由

    用 Cookbooks 这半年,最大的感受是:它不是”玩具示例”,而是真正从生产里长出来的代码

    • 覆盖全面:从基础调用到 Agent SDK,从 RAG 到微调,几乎所有 Claude 应用方向都有现成 Recipe,避免重复造轮子。
    • 持续更新:紧跟 Anthropic 的功能发布(比如 Claude 4 系列、扩展思考、Agent SDK、Skills 都是最近几个月加入的新章节)。
    • 可读性极强:每个 Notebook 都是”一段说明 + 一段代码 + 一段输出”的节奏,能当教程读,也能当模板抄。
    • 社区友好:MIT 许可,欢迎提 PR;CLAUDE.md 里甚至写了让 Claude 帮忙做贡献的指南(meta!)
    • 企业可商用:MIT 协议允许商业使用,没有 Apache-2.0 那种专利条款的顾虑。

    对国内开发者来说,唯一需要注意的是 Anthropic API 的访问渠道——可以走官方、AWS Bedrock、Vertex AI 或合规中转服务。模型本身支持中文,是 Claude 进军中文 AI 应用开发的官方”最佳实践手册”。

    下载地址

    用 Cookbook 抄答案,把 Claude 真正用进生产——这可能是 2026 年最值得收藏的 AI 工程仓库之一。

  • OpenHuman:本地优先的个人 AI 超级大脑,连续 9 天登顶 GitHub 趋势榜(35K+ Stars)

    OpenHuman:本地优先的个人 AI 超级大脑,连续 9 天登顶 GitHub 趋势榜(35K+ Stars)

    OpenHuman 界面演示

    项目简介

    OpenHuman 是一个「本地优先」的个人 AI 超级智能体:它既是一个能记住你全部生活与工作数据的大脑(Brain),又是一个能编排智能体舰队与工作流的指挥官(Orchestrator),还是一个能在你话音未落时就完成资料搜集的深度研究员(Deep Researcher)。项目由 tinyhumansai 团队用 Rust 打造,上线一周即连续 9 天登顶 GitHub 趋势榜,目前已收获 35,000+ Stars

    安装要求和过程

    环境要求:OpenHuman 是 UI 优先的桌面应用,普通用户无需命令行、无需配置文件,几次点击即可从安装到可用。支持 macOS / Windows / Linux 三大平台。

    普通用户(推荐):直接从官网或 GitHub Releases 下载对应平台安装包即可。

    • 官网下载:https://tinyhumans.ai/openhuman
    • GitHub Releases:https://github.com/tinyhumansai/openhuman/releases/latest
    • 终端安装:支持 Homebrew、Debian/Ubuntu .deb、AUR 及安装脚本,详见仓库 INSTALL.md

    从源码构建(贡献者):

    1. 安装依赖:Git、Node.js 24+、pnpm 10.10.0、Rust 1.93.0(含 rustfmt + clippy)、CMake、Ninja、ripgrep 及桌面构建前置工具。
    2. Fork 并克隆仓库,先执行 git submodule update --init --recursive,再运行 pnpm install
    3. 开发调试:pnpm dev(Web UI)、pnpm --filter openhuman-app dev:app(桌面端)。

    核心功能

    OpenHuman 记忆构建示意图

    • 记忆树 + Obsidian 知识库:把你的数据压缩成带评分的 Markdown 树,存在本机 SQLite 里,并镜像为可打开编辑的 Obsidian 库——不是「向量黑盒」,记忆看得见、改得动。
    • 海量集成:100+ OAuth 集成、5,000+ MCP 服务器、90,000+ Skills,一键接入 Gmail、Notion、GitHub、Slack;自动抓取每 20 分钟同步一次,让智能体「今早就拿到明天的上下文」。
    • 潜意识后台循环(Subconscious):在你停止输入后仍持续思考,比对世界变化、推进目标、生成晨间简报。
    • TokenJuice 压缩:工具输出在进入模型前先压缩,信息不变但 Token 最多减少 80%,让「大脑」跑得起也养得起。
    • 智能体编排(图而非循环):基于开源 tinyagents 的检查点图运行,可暂停等人工、重启后续跑、卡住自动纠偏;子智能体舰队最深可派生三级。

    典型使用场景

    OpenHuman 智能体编排示意图

    • 个人第二大脑:连接邮箱、日历、代码仓库、笔记与聊天记录,一次同步即可让智能体全面(压缩后)掌握你的上下文,无需数周「养成期」,随时问它「我这周的进展」「谁在等我回复」。
    • 多智能体统一指挥台:通过 Signal 协议端到端加密的智能体互联,把 Claude Code、Codex、OpenClaw、Hermes 等工具接进来,用 OpenHuman 统一编排调度,密钥永不落盘。
    • 会议与自动化助理:以头像+声音自动加入 Meet / Zoom / Teams / Webex 会议,实时转写、按名应答、会后生成带待办的纪要;可视化工作流(灵感来自 n8n / Zapier)由智能体自动提议、你在画布上审核后保存。

    OpenHuman 可视化工作流画布

    推荐理由

    用下来最打动我的是它对「隐私」和「记忆」的执念。开启一键 Privacy Mode 后,所有推理都不会离开本机,且由 Rust 核心强制执行;日常数据在设备端加密、密钥走系统钥匙串、敏感操作有审批闸门。相比要么云端黑盒、要么需要数周喂上下文的同类产品,OpenHuman 让「几分钟就懂你」成为现实,还自带模型路由、浏览器、语音、图像/视频生成等一整套原生工具,一个订阅打通全部。需要留意的是它目前仍是 Early Beta,且采用 GPL-3.0 许可证,商业集成前请评估其传染性。

    下载地址

    项目数据截至发布时:35,000+ Stars · Rust · GPL-3.0 · Early Beta。开源世界迭代飞快,具体以官方仓库为准。

  • Agno:41K Stars 的开源智能体平台框架,SDK+运行时+管理 UI 一站式自建你的 AI Agent 服务

    Agno:41K Stars 的开源智能体平台框架,SDK+运行时+管理 UI 一站式自建你的 AI Agent 服务

    Agno AgentOS 控制台
    Agno AgentOS:内置 Web UI 的智能体平台运行时

    Agnoagno-agi/agno)是一个用于构建、运行和管理「智能体平台(Agent Platform)」的开源框架与运行时,让你用一套 Python SDK 就能把 AI 智能体做成可上线的服务,并通过自带 Web UI 统一管理。截至发文,项目已在 GitHub 收获 41,400+ Stars,采用对商用友好的 Apache-2.0 许可。

    一句话简介

    Agno = Agno SDK(写智能体)+ AgentOS 运行时(跑成服务)+ AgentOS UI(可视化管理),让你完整拥有自己的智能体技术栈——数据、记忆、安全(JWT + RBAC)全部掌握在自己手里。

    安装要求与快速上手

    环境要求:Python 3.8+,建议使用虚拟环境;生产部署推荐 Docker + PostgreSQL(用于存储会话、记忆与追踪)。

    手写第一个智能体(约 20 行):

    # 1. 安装
    pip install -U agno openai
    
    # 2. 定义一个智能体
    from agno.agent import Agent
    from agno.models.openai import OpenAIChat
    
    agent = Agent(
        model=OpenAIChat(id="gpt-4o"),
        markdown=True,
    )
    
    # 3. 运行
    agent.print_response("用三句话介绍一下向量数据库", stream=True)

    一键搭平台:把下面这段话丢给你的编程助手(Claude Code / Cursor / Codex),它会自动 clone 启动模板、用 Docker 在本地拉起一个带 REST API、Postgres、MCP Server 和控制台的完整平台:

    Help me set up my agent platform.
    Clone https://github.com/agno-agi/agentos-railway into a folder called
    agent-platform, cd in, read the README, and follow the get started guide.

    核心功能

    • 生产级 API:AgentOS 运行时开箱提供 50+ 端点,支持 SSE 与 WebSocket,直接在其上构建产品。
    • 自有存储:会话、记忆、知识库与追踪数据全部存进你自己的数据库,不外泄。
    • 100+ 集成 & 上下文源:内置 GitHub、Slack、Postgres 等预制工具包,并可从 Slack、Drive、Wiki、MCP 等实时拉取上下文。
    • 企业级安全:基于 JWT 的 RBAC,原生支持多用户、多租户隔离;可对敏感工具设置人工审批(Human Approval)。
    • 全链路可观测:OpenTelemetry 追踪 + 运行历史 + 审计日志,配合定时任务(Cron 调度)与后台作业,无需额外基础设施。
    • 多渠道接入 & 随处部署:可将智能体暴露为 Slack / Telegram / WhatsApp / Discord / AG-UI / A2A 接口,并部署到 Docker、Railway、AWS、GCP、Azure 等任意容器平台。

    典型使用场景

    • 企业内部智能体平台:需要多租户隔离、权限控制与审计日志的团队,可用 Agno 快速搭建”自持”的 Agent 服务,避免把数据交给第三方 SaaS。
    • 面向用户的 AI 产品后端:借助 50+ REST 端点与流式接口,把智能体作为产品能力对外提供,前端只需消费 API。
    • 带人工审批的自动化工作流:在关键动作(如发邮件、改数据库)前暂停等待确认,兼顾自动化效率与可控性,适合运维、财务、客服等场景。

    推荐理由

    相比 LangChain 这类”全家桶”,Agno 的定位更清晰——它不只给你一个写 Agent 的库,而是把「运行时 + 管理 UI + 安全 + 可观测」这些上线时最头疼的工程问题一并解决。对于想把 Demo 真正推到生产、又不愿把数据主权交出去的团队,Agno 提供了一条”自建可控”的完整路径。SDK 上手快(20 行跑通),运行时功能齐全,配合 Docker 模板几乎零配置起步,是当下值得重点评估的智能体平台方案之一。

    下载与相关链接

  • DeerFlow:字节跳动开源的超级智能体运行时,77.8K Stars 登顶 GitHub Trending

    DeerFlow:字节跳动开源的超级智能体运行时,77.8K Stars 登顶 GitHub Trending

    DeerFlow

    项目简介

    DeerFlow(Deep Exploration and Efficient Research Flow) 是字节跳动开源的一款「超级智能体运行时(Super Agent Harness)」——它把沙箱、记忆、工具、技能、子智能体和消息网关整合在一起,让 AI 智能体能够自主完成从几分钟到数小时不等的长程任务:研究、写代码、做报告、生成幻灯片,几乎无所不能。

    截至发稿,DeerFlow 在 GitHub 上已收获约 77,800+ Stars,并在 2026 年 2 月 DeerFlow 2.0 发布后一度登顶 GitHub Trending 榜首。

    环境要求与安装过程

    环境要求:Python 3.12+、Node.js 22+;推荐使用 Docker 部署(本地评估建议 4 核 8G,长期运行服务器建议 8 核 16G 起)。Linux + Docker 是推荐的生产部署环境,macOS/Windows 更适合作为开发评估环境。

    快速开始:

    # 1. 克隆仓库
    git clone https://github.com/bytedance/deer-flow.git
    cd deer-flow
    
    # 2. 运行安装向导(约 2 分钟,交互式选择 LLM 提供商、搜索引擎、沙箱等)
    make setup
    
    # 3. 用 Docker 启动(推荐)
    make docker-init    # 首次拉取沙箱镜像
    make docker-start   # 启动服务
    
    # 之后访问 http://localhost:2026
    

    随时可运行 make doctor 检查配置并获取修复建议。官方推荐搭配 Doubao-Seed-2.0-Code、DeepSeek v3.2 或 Kimi 2.5 等模型运行。

    DeerFlow 与姊妹项目 LLM Space
    配套桌面工具 LLM Space:可原型化智能体思路、逐步检查每一步、回放失败并做性能基准测试

    核心功能

    • 技能与工具(Skills & Tools):技能是让 DeerFlow「无所不能」的核心。每个技能是一个结构化的 Markdown 能力模块,内置研究、报告生成、幻灯片制作、网页、图像与视频生成等;技能按需渐进加载,保持上下文窗口精简,对 token 敏感的模型也很友好。
    • 子智能体(Sub-Agents):主智能体可即时派生子智能体,每个拥有独立作用域的上下文、工具与终止条件,尽可能并行执行并汇总结构化结果,最终由主智能体综合成连贯输出。
    • 沙箱与文件系统:沙箱感知的执行环境,让智能体安全地运行代码、读写文件,处理更复杂的多步任务。
    • 长期记忆:跨会话持久记住你的画像、偏好与积累的知识——写作风格、技术栈、常用工作流,用得越多越懂你。记忆本地存储,完全由你掌控。
    • 开放集成:基于 LangGraph 与 LangChain 构建,支持 MCP Server、多模型提供商、Claude Code / Codex CLI 集成、IM 渠道、飞书/Lark 集成以及 LangSmith / Langfuse 等可观测性追踪。

    典型使用场景

    • 深度研究报告:作为最初的 Deep Research 框架,DeerFlow 擅长针对复杂主题自动检索、爬取、交叉验证并输出结构化研究报告,甚至生成播客音频。
    • 内容与办公自动化:社区已用它构建数据管道、生成幻灯片、搭建仪表盘、自动化内容工作流——一个 harness 覆盖多类办公与创作任务。
    • 长程复杂任务编排:借助子智能体并行拆解、沙箱执行与长期记忆,适合需要数分钟到数小时、涉及多步骤和多工具协作的自动化流程。

    推荐理由

    DeerFlow 最打动我的地方,是它从「一个 Deep Research 框架」进化成了「开箱即用又高度可扩展的超级智能体运行时」。2.0 版本完全重写,把智能体真正落地干活所需的基础设施——文件系统、记忆、技能、沙箱、子智能体——全部内置。你既可以拿来即用,也可以拆开改造成自己的东西。加之字节跳动背书、MIT 许可、活跃维护和庞大社区,无论是想学习智能体架构,还是想搭一套自己的自动化工作台,DeerFlow 都非常值得一试。

    下载地址

    开源许可:MIT|主要语言:Python|Stars:约 77.8K