标签：智能体

124K Star 的「AI 应用宝库」：awesome-llm-apps，100+ 个拿来即跑的 LLM / RAG 项目
一、项目简介

awesome-llm-apps 是一个收录了 100+ 个端到端测试过、Apache-2.0 协议的开源 AI Agent、Agent Skills 与 RAG 应用的精选仓库——clone、定制、上线，全部免费。它兼容 Claude、Gemini、GPT、DeepSeek、Llama、Qwen 以及各类本地开源模型，是当下 GitHub 上星标增长最快的 LLM 应用模板库之一（124K+ Star）。

二、安装要求和过程

环境要求
- Python 3.8+（多数模板基于 Streamlit / 各厂商官方 SDK）
- 一个 LLM API Key（Claude / Gemini / GPT / DeepSeek / Llama / Qwen 均可，部分模板支持本地模型）
- Git 与可联网环境
快速开始（跑一个 Agent，约 30 秒）
```
git clone https://github.com/Shubhamsaboo/awesome-llm-apps.git
cd awesome-llm-apps/starter_ai_agents/ai_travel_agent
pip install -r requirements.txt
streamlit run travel_agent.py
```
或者，给编码助手装一个 Skill（约 10 秒）
```
npx skills add https://github.com/Shubhamsaboo/awesome-llm-apps/tree/main/agent_skills/project-graveyard
```
模板每周持续更新；项目模型无关，支持 Ollama 等本地推理，方便对比与替换。

三、核心功能
1. 100+ 端到端验证的开源应用：不是 demo 片段，而是每个都能 pip install && run 的完整项目，统一 Apache-2.0，可商用可修改。
2. 15 大场景全覆盖：从单文件 Starter Agent，到多智能体团队、语音 Agent、MCP 工具调用、RAG 检索、记忆、微调、生成式 UI，再到 Autonomous 游戏 Agent。
3. Agent Skills 一键安装：把可复用能力直接装进 Claude Code / Codex / Cursor，每条 Skill 都带真实代码并通过「安全 + 评测」CI 门禁。
4. 模型无关：Claude、Gemini、GPT、DeepSeek、Llama、Qwen 乃至本地模型通吃，方便横向对比。
5. 自带框架速成课：Google ADK、OpenAI Agents SDK 的 Crash Course，边抄边学编排范式。
Project Graveyard —— 帮你复盘每个弃坑副业、并找出最值得捡回来的那个的 Agent Skill

四、典型使用场景
- 30 分钟搭一个 AI 应用：想做旅行助手、数据分析 Agent、博客转播客？直接 clone 对应 starter 模板、改个 API Key 即可运行。
- 给编码助手加能力：团队要一个「Scope Creep Detector（范围蔓延检测）」或「Commit Archaeologist（提交考古）」？npx skills add 一行搞定，立刻在 Claude Code / Cursor 里可用。
- 系统学习 RAG / 多智能体：仓库内含 20+ 个 RAG 教程与多智能体团队模板，即开即用，省去从零搭脚手架。
Always-on HN Briefing Agent —— 按日程巡逻、把每天值得看的 Hacker News 推送到 Slack / 邮箱的后台 Agent

Insurance Claim Live Agent Team —— 基于 Gemini Live 的实时语音理赔 Agent 团队

五、推荐理由

对一个想动手做 AI 应用、又不想从零啃文档的人，这是目前质量最高、最「能跑」的 LLM 应用模板库之一。每个模板都是真实可运行代码，省去脚手架与踩坑成本；模型无关意味着你可以拿自己的 Key 直接试；Agent Skills 的设计尤其实用——把沉淀下来的工程能力变成可复用 Skill，正好契合当下 coding agent 的工作流。

Self-Improving Agent Skills —— 用 Gemini + ADK 让 Skill 针对评测自我重写的进阶玩法

唯一要注意的是：部分模板依赖特定商业模型的 API，跑之前看一眼 requirements.txt 与 README 里的模型说明即可。

六、下载地址
- GitHub：https://github.com/Shubhamsaboo/awesome-llm-apps
- 官网 / 配套教程：https://www.theunwindai.com
- 许可证：Apache-2.0（可商用、可修改）
2026年7月19日
互联网之父退休后没闲着：他想给AI智能体发一张“网络身份证”

83岁的文顿·瑟夫（Vint Cerf）刚从谷歌“首席互联网布道师”的位置上退下来。这个人不用多介绍——1974年，他和罗伯特·卡恩一起设计了TCP/IP协议，今天整个互联网能互联互通，底层规则就是他定的。按理说退休了该享清福，但他上周才办完手续，这周就宣布要去给一家叫Innovation Labs的机构当顾问。这家机构想干的事挺有意思：给在互联网上自主跑动的AI智能体，发一张“身份证”。

图为Vint Cerf。他离开谷歌后，转而推动AI智能体的开放身份标准。（图源：TechCrunch / Getty Images）

围墙里的智能体，迟早要出门

现在绝大多数AI智能体都关在自家的围墙花园里。你让ChatGPT干点活，它在OpenAI的系统里转一圈；你让Claude跑个任务，它在Anthropic的地盘里忙。可企业已经在想更远的事了：将来这些智能体要能自己上网、自己跟别的智能体谈条件、做交易。问题马上就来了——谁来证明“你”到底是个什么智能体？它干了坏事，又该谁负责？

目前全行业还没有一个统一的标准来识别和审计智能体，这正是卡脖子之处。各种方案开始冒头，而Innovation Labs抛出的那一个，叫DNSid。

借域名系统，给智能体上“户口本”

DNSid的思路很巧：把每一个智能体挂到一个现有的互联网域名下面，再用密码学证明把它的注册记录随时间存下来。说白了，就是借用我们用了几十年的域名系统（DNS），给智能体当“户口本”。Innovation Labs是域名注册公司Identity Digital旗下的机构，临时CEO艾莉·克莱因（Allie Kline）说，他们已经在跟几家不愿具名的超大规模云厂商和身份公司试点这套标准。

瑟夫对TechCrunch说，他愿意掺和进来，正是因为“命名和身份识别正变得越来越重要”。他抛出一连串问题：一个智能体被赋予了什么权限？这权限从哪来？谁为它的行为负责？它的身份在哪建立、凭什么让人信它？

又回到了TCP/IP那套老逻辑

谈到最后，瑟夫还是回到了他最熟的那套打法。眼下市面上冒出好几种智能体标准方案，他说任何一个协议能不能被广泛采用，关键看“好不好用”。他打了个比方：公司X用智能体Y的技术，公司A用智能体C的技术，结果两边对不上话。“没人能做出你想要智能体做的所有事，所以最后还是得靠用户倒逼——就像当年TCP/IP赢下来那样。”

克莱因也点破了一层窗户纸：Innovation Labs没打算借机做别的AI生意，也不碰注册数据。“一家超大规模云厂商放出一套标准、还把专有数据捏在手里，行业会很排斥。”这句话其实道破了当下AI标准之争的暗流——大厂都想当那个定规矩的人。

智能体经济，是命定还是选择

那么，智能体经济是不是互联网的命定归宿？瑟夫的回答很诚实：“我不觉得这是必然。但我确定的是，人会去试。”他的理由特别朴实——人本质上是懒惰的，只要发现能让一个智能体替自己跑腿，多半就会选它，因为省事。

“我们本质上是懒惰的生物，只要发现能让一个智能体替我们办事，我们很可能会选它，因为这更轻松。”——Vint Cerf

📎 原文来源：Vint Cerf is working on a plan to unleash AI agents on the open internet（TechCrunch / Tim Fernholz）

2026年7月19日
Ponytail：让 AI 编码智能体像最懒的高级开发一样思考，代码量直降 54%
你肯定见过那种人：长马尾、圆框眼镜、在公司待得比版本控制系统还久。你给他看五十行代码，他看都不看，沉默两秒，用一行把它换掉——而且一次跑通。Ponytail 就是把这位”最懒的高级开发”塞进了你的 AI 编码智能体。

它不是一个新模型，也不是一个新 IDE，而是一套规则集 / Skill：在动手写代码前，先逼 Agent 在”懒惰阶梯”上逐级确认——这东西真的需要存在吗？代码库里已经有了吗？标准库能解决吗？浏览器原生支持吗？……直到最后一步才允许写出”最小可用”的代码。结果是在真实 FastAPI + React 仓库上实测：代码量少 54%、成本降 20%、速度快 27%，安全性 100% 不打折。

一、项目简介

Ponytail 是一个跨 20+ AI 编码智能体（Claude Code、Codex、Cursor、Windsurf、Cline、Gemini CLI、Copilot CLI、Aider、Kiro、Zed、Hermes Agent、OpenCode、Qoder 等）的”极简工程规则集”，教 Agent 像最懒的高级开发一样思考——能不写就不写，能复用就复用，用最小必要代码解决问题，同时永不削减安全、校验与可访问性护栏。

二、安装要求与过程

环境要求
- Node.js：Claude Code / Codex 插件会运行两个轻量 Node.js 生命周期 hook，需要 node 在 PATH 上（nix/nvm 用户注意非交互 shell 的 PATH）。没有也没关系——Skill 照常工作，只是常驻激活会保持静默。
- 任一支持的 AI 编码助手：覆盖 20+ 平台，无需统一环境。
- 零配置：不需要任何配置文件；可选 ~/.config/ponytail/config.json 或 PONYTAIL_DEFAULT_MODE 环境变量设置默认强度（lite/full/ultra/off，默认 full）。
快速安装（以 Claude Code 为例）
```
/plugin marketplace add DietrichGebert/ponytail
/plugin install ponytail@ponytail
```
⚠️ 两条 /plugin 命令需分两次发送才能生效。

其他平台的极简安装：
- Codex：codex plugin install ponytail@ponytail
- Cursor / Windsurf / Cline：复制仓库里的 .cursor/rules/ponytail.mdc（或对应 rules 文件）到项目
- Gemini CLI：gemini extensions install https://github.com/DietrichGebert/ponytail
- OpenCode：在 opencode.json 加 {"plugin":["@dietrichgebert/ponytail"]}
- Hermes Agent：hermes plugins install DietrichGebert/ponytail --enable
- 更多（Kiro、Zed、Qoder、Pi、Devin、OpenClaw、Amp、Jules、Swival、CodeWhale…）见仓库 docs/agent-portability.md
三、核心功能

1. 七阶”懒惰阶梯”（Ladder of Laziness）

在写代码前，Agent 会停在第一个成立的台阶上：
```
1. 这东西需要存在吗？      → 不需要：跳过（YAGNI）
2. 代码库里已经有了？      → 复用，别重写
3. 标准库能搞定？          → 用它
4. 平台原生能力？          → 用它（比如 <input type="date">）
5. 已安装的依赖里有？      → 用它
6. 一行能解决？            → 一行
7. 只有到这步才：写最小可用
```
关键是它在”理解问题之后”才跑这把梯子：先读被改动触碰的代码、追真实的调用流，再选台阶。对”怎么解”偷懒，但对”读懂”绝不懈怠。

2. 四档强度 + 子代理注入

/ponytail [lite|full|ultra|off] 切换力度，ultra 留给”这个代码库个人得罪了你”的时刻；规则集会自动注入通过 Agent 工具派生的每一个子代理（可用 PONYTAIL_SUBAGENT_MATCHER 正则按 agent 类型做白名单）。

3. 六个专门命令（Skills）
- /ponytail-review：审查当前 diff 的过度设计，直接给你一份”删除清单”
- /ponytail-audit：不止看 diff，全仓审计过度工程
- /ponytail-debt：把延后的 ponytail: 捷径汇总成账本，防止”以后再说”变”永远不做”
- /ponytail-gain：展示 benchmark 实测的收益记分牌
- /ponytail-help：命令速查
4. 懒而不怠（Lazy, not negligent）

信任边界校验、数据丢失处理、安全、可访问性，永远不在削减之列。这也是它和裸”写一行代码”提示最根本的区别——后者在基准测试里安全性从 100% 掉到了 95%。

5. 极致的可移植性

同一套规则用 20+ 平台的原生格式分发：Claude Code 插件、Codex 插件、Cursor rules、Windsurf rules、.clinerules、AGENTS.md、.kiro/steering、.qoder/rules、Gemini extension、OpenCode 插件、Hermes 插件、OpenClaw skills、Copilot instructions……你在不同工具间切换，规则无缝复用。

四、典型使用场景

场景 1：过度膨胀的日期选择器

你只想要个日期选择。普通 Agent 会装 flatpickr、写 wrapper 组件、加样式表、顺带开一场关于时区的讨论。Ponytail 下：
```

<input type="date">
```
实测：日期选择器从 404 行降到 23 行，颜色选择器 287 → 23——因为它伸手去够原生的 <input>，而不是搬一个组件库进来。

场景 2：真实仓库的 feature 开发

作者用无头 Claude Code 编辑真实 FastAPI + React 仓库（tiangolo 的全栈模板），跑 12 个真实工单，同一 Agent 开/关 Ponytail 各 n=4（Haiku 4.5）对比：

对比项代码量 Token 成本耗时安全

Ponytail -54% -22% -20% -27% 100%

裸”YAGNI+一行”提示 -33% -14% -21% -30% 95%

Ponytail 是唯一一个每项指标都下降、且全程 100% 安全的方案。省下的成本和延迟只是”顺手”的副作用。

场景 3：代码审查与技术债治理

提 PR 前跑 /ponytail-review，让它帮你揪出过度工程化的代码并给出删除清单；/ponytail-audit 做整仓体检；/ponytail-debt 防止”以后再说”变成”永远不做”。这比人工 code review 更狠，也更不近人情——但代码更健康。

五、推荐理由（个人心得）
- 哲学站得住脚：它从没把”最少 token”当目标，目标是”只写任务真正需要的”。代码小是因为必要，不是因为炫技压缩。这点戳中了我——太多”极简”提示是以砍掉边界校验为代价的。
- 数据诚实得罕见：作者主动承认早期单轮 benchmark 有基线水分，老老实实用 agentic 基线重测，给出均值 -54% 而不是挑最好看的数字。这种克制在开源圈不多见。
- 跨平台分发太香：我同时在 Claude Code 和 Cursor 之间横跳，同一套规则零摩擦复用，不用维护两份 prompt。
- 该狠的地方真狠：review / audit / debt 三个命令简直是”代码洁癖患者”的福音。
当然也有边界：对已经极简的代码它收益趋近于零；在会”深思熟虑每一步”的 terse 推理模型（如 GPT-5.5）上，反而可能因思考 token 增加而变慢——所以它最擅长的是那些”爱过度构建”的 Agent。一句话：把 Ponytail 交给爱加戏的 Agent，把自由留给真正需要创造力的你。

六、下载地址
- 🌐 官网：https://ponytail.dev
- 🐙 GitHub：github.com/DietrichGebert/ponytail
- 📦 npm：@dietrichgebert/ponytail
- 📊 基准与复现：仓库 benchmarks/ 目录
许可证：MIT ｜语言：JavaScript ｜当前 Star：85K+
2026年7月18日
Hermes Agent：会自己进化的 AI 智能体，越用越懂你（216K★ · Nous Research 开源）
Hermes Agent 是 Nous Research 开源的「自进化 AI 智能体」——它内置学习回路，能从经验中沉淀技能、在对话中持续自我改进，并跨会话建立对你的深度认知。它可以跑在 5 美元的 VPS、GPU 集群，或是近乎零成本的 Serverless 上，彻底不依赖你的笔记本电脑：你甚至能在手机 Telegram 上给它派活，它却在云端 VM 里默默干活。

📦 安装要求和过程

环境要求
- 支持 Linux / macOS / WSL2 / Termux / 原生 Windows（PowerShell）；
- 官方一键安装脚本会自动打包好运行所需环境：uv（Python 3.11）、Node.js、ripgrep、ffmpeg，以及隔离的 MinGit（Windows 原生无需管理员权限）；
- 至少准备一个 LLM Provider 的 API Key，或直接使用 Nous Portal 一站式订阅（300+ 模型 + 工具网关）。
快速安装

Linux / macOS / WSL2：
```
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
source ~/.bashrc      # 重载 shell
hermes               # 开始对话
```
Windows（原生 PowerShell）：
```
iex (irm https://hermes-agent.nousresearch.com/install.ps1)
```
装好后用向导一步到位：hermes setup 配置全部，hermes model 选模型，hermes gateway 启动消息网关（Telegram / Discord 等）。

✨ 核心功能

1. 闭环学习回路（Closed Learning Loop）
Agent 自主策展记忆并周期性自我提醒；完成复杂任务后自动创建技能，并在后续使用中不断自我改进。配合 FTS5 会话检索 + LLM 摘要实现跨会话回忆，兼容 agentskills.io 开放标准，并引入 Honcho 辩证式用户建模——它会越来越懂你。

2. 真实终端体验 & 随处可达
完整 TUI：多行编辑、斜杠命令自动补全、流式工具输出、可随时打断重定向。单个网关进程同时接入 Telegram / Discord / Slack / WhatsApp / Signal / 邮件，支持语音转写与跨平台对话连续。

3. 40+ 工具 & MCP & 子智能体并行
内置终端、文件、Web 搜索、图像生成等 40+ 工具，提供 6 种终端后端（local / Docker / SSH / Singularity / Modal / Daytona）；可派生隔离子智能体并行工作流，并通过 RPC 把多步流水线压成「零上下文成本」的回合。

4. 定时自动化 & 模型自由
内置 cron 调度器，用自然语言描述即可跑日报、夜备、周审并投递到任意平台；hermes model 一行切换 Nous Portal / OpenRouter / OpenAI / 自有端点等 300+ 模型，零锁定。

5. 安全 & 自托管
命令审批、DM 配对、容器隔离一应俱全；可部署在 5 美元 VPS 或 GPU 集群，Daytona / Modal 提供 Serverless 持久化——空闲时近乎零成本。

🎯 典型使用场景

场景一：个人随身助理
在手机 Telegram 给云端 VM 里的 Hermes 派活，它后台跑长任务，完工把日报推回 Telegram——你的笔记本全程不用开机。

场景二：研发自动化工作台
接入 MCP 服务器 + 派生子智能体并行做代码库理解、批量改文件、跑测试；用 cron 每晚自动备份、每周自动审计，全程无人值守。

场景三：研究 / 数据流水线
批量生成并压缩 trajectory 用于训练下一代 tool-calling 模型；跨会话记忆让科研助理越用越贴合你的研究偏好。

💡 推荐理由

我用过不少 AI Agent，Hermes 最打动我的是它真的「会成长」：多数 Agent 是一次性工具，而 Hermes 把经验固化成可复用技能，用得越久越顺手，这对长期个人助理场景价值巨大。其次是模型与平台都不锁定——想省事用 Nous Portal 一站式，想自由就自带 Key，迁移成本极低。最后是它真正「住在云端」的设计（Telegram 触达 + Serverless 休眠），特别适合不想一直开着电脑的人。

🔗 下载地址
- 官网 / 文档：hermes-agent.nousresearch.com ｜官方文档
- GitHub 仓库：github.com/NousResearch/hermes-agent（216K+ Stars · MIT）
- 社区：Nous Research Discord
2026年7月18日
DeepTutor：把 AI 变成陪伴你终身的专属私教（HKUDS 开源）
在 AI 辅导工具层出不穷的今天，大多数产品要么只做”问答”，要么只做”出题”，上下文在每次对话后便归零。香港大学数据科学团队 HKUDS（LightRAG、Vibe-Trading、nanobot 同门）开源的 DeepTutor，想解决的是更本质的问题——如何让 AI 真正”认识”你，并陪你长期、系统地学习。

一、项目简介

DeepTutor 是一个智能体原生（agent-native）的终身学习工作台：它将辅导对话、解题、出题测验、文献研究、可视化与掌握度训练整合进同一个可扩展系统，并用一套三层可审计记忆把”个性化”变得可见、可编辑、可追溯。

Chat 是默认入口：单条对话即可调用工具、挂载知识库、生成图片、咨询子智能体，并在多轮间保持同一上下文。

二、安装要求与过程

环境要求：Python 3.11+、Node.js 20+（PyPI 安装方式），或 Node.js 22 LTS（源码方式）；Docker 方式无需本地 Python/Node。需要自备一个 LLM 提供商的 API Key，也支持 Ollama / LM Studio / vLLM / llama.cpp 等本地模型。

官方提供 4 种安装路径，最推荐的是 PyPI 一键安装（完整本地 Web 应用 + CLI，无需克隆仓库）：
```
mkdir -p my-deeptutor && cd my-deeptutor
pip install -U deeptutor
deeptutor init     # 交互式设置端口、LLM 提供商与可选 embedding
deeptutor start    # 启动后端+前端，默认访问 http://127.0.0.1:3782
```
想要一条命令跑起来，也可以用官方 Docker 镜像（仅需暴露 3782 端口）：
```
docker run --rm --name deeptutor \
  -p 127.0.0.1:3782:3782 \
  -v deeptutor-data:/app/data \
  ghcr.io/hkuds/deeptutor:latest
```
此外还有”源码安装（便于二次开发）”与”仅 CLI（无界面）”两种路径，且均可从同一工作区平滑升级到完整 Web 应用。配置全部以 JSON/YAML 形式存放在 data/user/settings/ 下，浏览器里的 Settings 页面即推荐编辑器。

三、核心功能
- 一个运行时，覆盖所有学习模式：Chat、Quiz、Research、Visualize、Solve、Mastery Path 共用同一个 Agent Loop，切换的是目标而非引擎，学习上下文始终跟随你。
- 可连接的学习上下文：知识库、书籍、Co-Writer 草稿、笔记本、题库、人格（Persona）与记忆在各类工作流间共享，不再散落在彼此孤立的工具里。
- 子智能体与 Partner 伙伴：可在任意对话中实时调用本地 Claude Code / Codex，或导入它们过往的对话记录；也能运行常驻 IM 伙伴（飞书、Telegram、Slack、Discord、钉钉、QQ、企业微信、WhatsApp、Matrix 等）。
- 多引擎知识库（RAG）：可选 LlamaIndex、PageIndex、GraphRAG、LightRAG，或直接挂载 Obsidian vault；文档解析引擎可切换（MinerU / Docling / markitdown 等），并支持版本化、可回滚的索引。
- 可检视的三层记忆：L1 原始轨迹、L2 表层摘要、L3 跨面综合，层层引用溯源；配套的”记忆图谱”让任何一条个性化结论都能追溯到背后的原始依据。
知识中心支持多种检索引擎，每个知识库可独立选择引擎并版本化管理。

Book 把资料一键编译成带测验卡、时间线、交互模块乃至 Manim 动画的”活书”。

Partner 是”有性格、有联系方式”的常驻伙伴，共享同一套大脑与记忆工具。

四、典型使用场景

1. 学生个性化辅导：把教材 PDF 建为知识库，让 DeepTutor 按”同伴 / 助教 / 老师”不同人格讲解难点，自动出测验题并给出带解析的参考答案；错题与偏好会沉淀进三层记忆，越用越懂你。

2. 研究者 / 工程师的文献与写作助手：用 Research 生成带引用的综述，用 Co-Writer 做”选择即改写”的精准编辑（每次改动都是可接受的 diff），用 Book 把资料编译成带交互模块与动画的”活书”。

3. 团队 / 班级的共享知识中枢：开启多用户鉴权后，一个 data 目录即可托管管理员工作区、彼此隔离的每用户工作区与伙伴工作区；管理员统一分配模型、知识库与技能，普通用户只看到被授权的只读选项，不暴露原始 API Key。

五、推荐理由（个人使用心得）

我最看重 DeepTutor 的，是它把”个性化”从一句营销话术变成了可看见、可审计、可编辑的东西。大多数 AI tutor 的记忆是个黑盒，而 DeepTutor 的三层记忆 + 记忆图谱让你能清楚看到”它为什么这么认为你”。对自学者来说，知识库多引擎可选 + 本地模型支持意味着敏感资料不必出网；对开发者来说，MCP、子智能体、CLI 与 EduHub 技能社区又留下了充足的二次创作空间。它不是一个”开箱即用的玩具”，而是一套能陪你长期生长的”学习操作系统”。

六、下载地址
- 官网文档：https://deeptutor.info
- GitHub 仓库：https://github.com/HKUDS/DeepTutor（⭐ 26.8K+，Apache-2.0 许可）
- PyPI 安装：pip install -U deeptutor
- Docker 镜像：ghcr.io/hkuds/deeptutor:latest
2026年7月17日
LobeHub 开源推荐：你的「首席 Agent 运营官」，让 AI 智能体团队 7×24 为你打工
📌 项目简介

LobeHub 是 LobeChat 原班团队推出的开源 AI Agent 协作平台，定位为「首席 Agent 运营官（Chief Agent Operator）」——把散落在各处的 AI 智能体整编成一支 7×24 在线、能自主招聘 / 排班 / 汇报的 AI 团队，让你不必一直在线也能运筹全局。

🛠 安装要求和过程

环境要求
- 运行时：Node.js 18+（推荐 LTS），包管理器 pnpm 或 bun；
- 自托管：需要 Docker / Docker Compose；
- 云部署：支持 Vercel、Zeabur、Sealos、阿里云一键部署；
- 模型：至少一个 LLM 提供商的 API Key（如 OpenAI），可通过 OPENAI_PROXY_URL 配置代理与自定义模型列表。
快速安装

方式 A · 云端一键部署：在 Vercel / Zeabur / Sealos 点击 Deploy 按钮，用 GitHub 登录并填入 OPENAI_API_KEY 即可立即使用。

方式 B · Docker 自托管：
```
mkdir lobehub-db && cd lobehub-db
bash <(curl -fsSL https://lobe.li/setup.sh)
docker compose up -d
```
方式 C · 本地开发：
```
git clone https://github.com/lobehub/lobehub.git
cd lobehub
pnpm install
pnpm dev          # 全栈 (Next.js + Vite SPA)
bun run dev:spa   # 仅前端 SPA (端口 9876)
```
✨ 核心功能

1. Operator（运营官）：像管理真人团队一样「招聘、排班、汇报」你的全部 AI Agent；内置 IM Gateway，让智能体直接在你常用的聊天软件里工作，少开工具、多出生产力。

2. Create（Agent 构建器）：用一句话描述需求即可自动生成并配置好专属 Agent，开箱即用；统一接入任意模型与多模态，并连接 10,000+ 技能与 MCP 兼容插件。

3. Collaborate（Agent 群组）：引入 Agent Groups 多智能体协作——Pages 多 Agent 同上下文写作、Schedule 定时自动执行、Project 按项目归档、Workspace 团队共享空间，让协作可追踪、有归属。

4. Evolve（共同进化）：个人记忆（Personal Memory）让 Agent 持续学习你的工作习惯，且采用白盒、可编辑的结构化记忆，你完全掌控它记住了什么。

🎯 典型使用场景

① 个人 AI 工作台：把写作、翻译、代码、数据分析等 Agent 收编到一个空间，用 IM Gateway 在微信 / 飞书 / Discord 里随时调度，告别在十几个窗口间手动复制结果。

② 团队自动化流水线：用 Agent Groups 组建「调研 + 写作 + 审校」多 Agent 流水线，设定 Schedule 在夜间自动跑周报，Workspace 让全员可见进度与归属。

③ 企业私有化部署：通过 Docker 或 Vercel 一键把整套 Agent 中台部署到内网 / 自有云，配合 OPENAI_PROXY_URL 与自定义模型列表，数据不出域。

💡 推荐理由

我试用后的真实感受——它把「Agent 作为工作单元」这件事做得相当彻底。过去我们用 AI 工具是「开一个聊天窗口、丢一个任务、复制结果」，LobeHub 则把 Agent 变成可以招聘、排班、持续记忆的长期同事：白盒记忆让我能直接看到并修正它记住的偏好，多 Agent 群组把原本串行的人工协作变成并行的智能体流水线。对想搭建自己「AI 员工团队」的个人或小团队来说，这是目前少有的、开箱即用又完全可自托管的开源选择。

⚠️ 许可证提示：LobeHub 采用基于 Apache 2.0 的 LobeHub 社区许可证（LobeHub Community License），含商业使用限制，商用前请务必阅读其许可证条款。

🔗 下载地址
- 官网：https://lobehub.com
- GitHub：https://github.com/lobehub/lobehub
- 官方文档：https://lobehub.com/docs
- Docker 镜像：lobehub/lobehub
2026年7月17日
nanobot：可完全自托管的轻量级个人 AI 智能体运行时
nanobot 是一个开源、超轻量的个人 AI 智能体运行时（agent runtime），把 WebUI、聊天渠道、工具、记忆、MCP、模型路由、自动化与部署打包在一个可读的小内核里，让你真正”拥有”自己的智能体，而不是被某个大平台锁定。

⭐ Stars 45,688+ 🍴 Forks 8,059

💻 语言 Python 📜 协议 MIT

🏢 团队 HKUDS（香港大学数据科学团队，LightRAG / Vibe-Trading 同门）

📦 安装要求和过程

环境要求
- Python 3.11 及以上（必须）
- Git：仅源码安装时需要
- bun 或 npm：从源码构建 WebUI 时需要（PyPI/uv 安装包已内置 WebUI，无需额外构建）
- 支持 macOS / Linux / Windows；零技术背景用户可走官方”无技术背景起步”向导
快速安装（任选其一）

① 一键安装（macOS / Linux）
```
curl -fsSL https://raw.githubusercontent.com/HKUDS/nanobot/main/scripts/install.sh | sh
```
② Windows PowerShell
```
irm https://raw.githubusercontent.com/HKUDS/nanobot/main/scripts/install.ps1 | iex
```
③ 使用 uv（推荐，干净隔离）
```
uv tool install nanobot-ai
```
④ pip 安装
```
python -m pip install nanobot-ai
```
⑤ 从源码安装
```
git clone https://github.com/HKUDS/nanobot.git
cd nanobot
python -m pip install .
```
快速开始
```
nanobot onboard        # 交互式初始化（生成 ~/.nanobot/config.json 与 workspace）
nanobot gateway        # 启动网关，浏览器访问 http://127.0.0.1:8765
nanobot agent -m "Hello!"   # 或直接在终端发一条消息测试
```
配置只需在 ~/.nanobot/config.json 里填好 providers（API Key / 端点）与 modelPresets（模型预设）两块即可，支持 OpenAI 兼容接口、本地 LLM 与 fallback 模型路由。

✨ 核心功能
- 轻量可读的小内核：核心只是一个 agent loop——消息进来，LLM 决定何时调用工具，记忆/Skill 仅作为上下文按需注入，不做臃肿的编排层，源码小而好改。
- 聊天原生触达：内置 WebUI + OpenAI 兼容 API，并可接入 Telegram、Discord、Slack、微信、飞书、邮件、Mattermost、Teams 等渠道，把智能体开到你常用的聊天里。
- 模型自由：兼容 OpenAI 兼容 API、本地 LLM（Ollama / vLLM）、图像生成与 Web 搜索，支持多模型预设与 fallback 路由，不被单一厂商绑定。
- 工具与自动化：内置文件、Shell、Web 搜索、网页抓取、MCP、cron、图像生成、子智能体等工具；配合长期记忆（Dream）与定时自动化，可跑长周期任务。
- 可拥有、可扩展：提供 Python SDK 与 OpenAI 兼容 API，可作为长期运行的本地 / 服务端 Agent 网关自托管， inspect、定制、扩展全部在自己手里。
🌐 WebUI 与架构

nanobot 内置 WebUI：聊天、工作区、Apps、Skills、Automations 与设置的统一工作台

围绕一个小 agent loop 的轻量架构：渠道进消息 → LLM 调度工具 → 按需拉入记忆/Skill

🎯 典型使用场景
- 24/7 实时市场 / 趋势分析：连接数据源与 Web 搜索，让智能体持续追踪行情与热点，自动产出洞察与简报。
- 全栈软件工程助手：借助文件 / Shell / 代码工具，完成开发、部署与迭代；也可作为 Coding Agent 嵌入工作流。
- 个人知识助理 + 日程自动化：用长期记忆（Dream）沉淀上下文，做随身知识库；用 cron 自动化管理日常例行任务。
💡 推荐理由

我用过不少 Agent 框架，nanobot 最打动我的是”轻“和”归你所有“这两点。它没有把整个系统做成一个庞大的编排黑盒，而是把核心收敛到一个可读的 agent loop，工具、记忆、Skill 都是按需挂上去的——这意味着你看得懂、改得动，也更容易排查问题。

对隐私敏感、想自托管的人来说，它几乎是把”个人 AI 助手”这件事做对了的范本：本地优先、模型自由（连本地 Ollama/vLLM 都能用）、聊天渠道随便接，还能用 Python SDK / 兼容 API 嵌进自己的系统。相比被某个云端大平台锁死，nanobot 让你真正拥有自己的智能体。MIT 协议、来自 HKUDS（LightRAG 同门）团队，活跃度与文档完整度都很高，值得一试。

🔗 下载地址
- 官网 / 文档：https://nanobot.wiki
- GitHub：https://github.com/HKUDS/nanobot
- PyPI：https://pypi.org/project/nanobot-ai/
⚠️ 本文仅作技术介绍，使用本项目请遵循其 MIT 许可与当地法律法规。
2026年7月16日
Meta的编程模型Muse Spark 1.1：不晒跑分，4.25美元/百万token抢开发者
Meta 发布面向智能体的多模态推理模型 Muse Spark 1.1

7 月 9 日，Meta 上线了一个叫 Muse Spark 1.1 的模型。说它”低调”其实不太准确——扎克伯格亲自发帖，马斯克顺手一个转发，12 小时里相关视频被看了 1200 多万次。可翻开发布物料，你会发现一件怪事：没有 SWE-bench 分数，没有技术论文，也没开源。一个号称”编程模型”的东西，连个跑分都不敢晒。

它到底能干什么

Muse Spark 1.1 的定位是”给 AI 智能体用的多模态推理模型”。Meta 说它强化了多智能体协作：由一个主智能体负责收集信息、制定计划，再把任务拆给一堆子智能体并行执行，复杂项目的处理时间能明显缩短。上下文也拉长到了 100 万 token，长流程里能记住早先的内容。

落到具体场景，它能在多个应用之间连续干长活儿，自己判断是该直接点界面、写段脚本自动化，还是一口气把几步操作做完，尽量少麻烦人。写代码这块，它能诊断修复杂 bug、开发新功能，甚至做大规模代码迁移，过程中一直保留关键上下文。Meta 说内部研发和研究员已经每天拿它辅助开发了。

Meta 强调，Muse Spark 1.1 已按内部《Advanced AI Scaling Framework》完成部署前评估，在化学与生物安全、网络安全以及失控风险等前沿领域”均维持在安全范围内”。

价格先打到底，基准一个没有

这边没晒分，那边先把价格摆出来了：输出定价每百万 token 4.25 美元。比 Grok 4.5 还便宜，大概只有 GPT 近段时间价格的一小部分。如果后续基准勉强能看，这个价可能直接成为个人开发者的甜区，给 GitHub Copilot、Cursor 的收费模式施压。

不过 Meta 自己的内部评估也坦诚，在部分电脑操作、长上下文和代码测试上，Muse Spark 1.1 仍然落后于 GPT-5.5 和 Claude Opus 4.8。它更像是先抛声量、后补证据的发布——在 Meta 今年预计超 650 亿美元资本开支的压力下，这款模型如果不能快速拉出用户规模，很容易又被看成”又一个没结果的尝试”。
- 零基准发布：没有 SWE-bench、没有论文、没有开源，与 Llama 系列习惯相反
- 价格战打法：4.25 美元/百万 token 输出，瞄准个人开发者
- 能力边界：智能体、代码、通用推理有提升，但硬指标仍落后于 GPT-5.5 和 Claude Opus 4.8
📎 原文来源：Meta发布多模态推理模型Muse Spark 1.1（IT之家 / 网易）
2026年7月13日
OpenClaw 终于上手机了：开源 AI 智能体装进你的口袋
OpenClaw 推出官方手机 App，把开源 AI 智能体带进了口袋

今年年初，一个叫 OpenClaw 的开源 AI 智能体在网上火得一塌糊涂。它能帮你写代码、订外卖、整理日程，甚至有人拿它搞出了个号称”全是 Agent”的社交网站。6 月 30 日，它的开发者在 X 上宣布：OpenClaw 现在有了 iOS 和安卓的官方 App。那只在网上横着走的”龙虾”，爬进你的手机了。

手机不是又一个聊天框

市面上绝大多数 AI 手机应用，逻辑都差不多：你说话，它回答，手机就是个听筒。OpenClaw 走的是另一条路。它的核心是一套跑在你自己机器上的 Gateway（网关），负责把你的请求路由给各种 Agent，以及这些 Agent 要调用的工具和技能。手机端不是一个新界面，而是一个”伴生节点”——你把它和 Gateway 配对，就能在口袋里直接指挥自己的 Agent 干活。

“如果设置得当，它们或许能帮你相当高效地完成各种任务。”TechCrunch 在报道里这么写。从写代码到规划三餐，用户已经把 OpenClaw 用在了各种地方。

从病毒式爆红到正经产品

OpenClaw 的走红带着点戏剧性。年初它靠 MoltBook 这个”全是 Agent 的社交网站”出圈，后来研究者发现，那场热闹有一部分是真人假扮 Agent 演出来的——一场营销，效果拉满，可信度打了折扣。但闹剧指向的方向是真的：Agent 正在渗进日常。2 月，OpenClaw 的创造者 Peter Steinberger 宣布加入 OpenAI，给这个故事又添了一层微妙。

不是每个人都能顺手

别把它想得太神。Agent 能不能帮上忙，很大程度上取决于你有没有把它”调教”好。有人用得风生水起，也有人反馈结果远不及预期。手机端的好处是，你随时能远程批准 Agent 的操作——它要做点什么，你在手机上点一下同意就行，不用守在电脑前。

智能体正在填满你的屏幕

OpenClaw 上手机不是孤例。就在同一天，TechCrunch 还报道了一款叫 Acti 的工具，把 AI Agent 直接塞进了手机输入法键盘；微软的 Scout、Google 的 Gemini Spark 也都在往”常驻助手”的方向靠。Agent 从聊天框里走出来，变成能替你跑腿、等你点头的角色，这条路已经越走越宽。
- 平台：iOS 与安卓官方 App 同步上线
- 架构：手机配对自托管 Gateway，作为伴生节点运行 Agent
- 交互：支持远程批准 Agent 的操作，不必守在电脑前
- 现实：效果取决于配置，有人惊艳也有人觉得鸡肋
📎 原文来源：OpenClaw is finally available on Android and iOS
2026年7月13日
Claude Sonnet 5来了：Anthropic把AI代理的成本砍了一刀

Agent能力不再是大模型的专利

Anthropic最近把Claude Sonnet 5推了出来。这家公司一直主打“AI安全”和“可控性”，但这一次他们的卖点更直接：中端模型也能像旗舰模型一样自主跑任务了。以前你想要浏览器、终端、工具调用这些agentic能力，多半得选Opus这种大模型，现在Sonnet 5说它也够格。

他们的官方说法很直白：几个月前还需要更大、更贵模型才能做到的规划和自主执行，现在Sonnet 5这个中号模型就能干了。这其实跟OpenAI上周放出的GPT-5.6 Sol、以及Google五月发布的Gemini 3.5 Flash是一个路数——大家都在把“能自己干活”这件事变成基础配置，而不是高端选配。

关键变化：agentic能力已经卷到了“性价比”这一层。谁能用更便宜的价格、更少的监管，让AI把复杂任务跑完，谁才是下一个卖点。

价格方面，Sonnet 5在8月31日之前的促销价是每百万输入token 2美元、输出10美元。这个价格比Opus 4.8、OpenAI的GPT-5.5和Google的Gemini 3.1 Pro都便宜，虽然还略高于Gemini 3.5 Flash。促销期过后，输入会涨到3美元、输出15美元，但即便恢复原价，也只有Opus 4.8大概六成。

性能接近旗舰，但价格便宜一截

只看跑分，Sonnet 5在agentic coding测试里拿到了63.2%，Opus 4.8是69.2%，上一代Sonnet 4.6是58.1%。这说明它离旗舰还有距离，但已经把前代甩在了身后。更有趣的是，在知识工作 benchmark 上，Sonnet 5甚至小超Opus 4.8——也就是说，日常办公、写文档、整理信息这类场景，它的性价比优势会非常明显。

Zapier的工程师Daniel Shepard说，他们让Sonnet 5做了一件两步骤的事：先更新Salesforce账户层级，再给一批企业联系人发产品发布通知。放在过去，这种任务往往做到一半就卡住，现在它端到端跑完了。Lovable的联合创始人也提到，Sonnet 5拒绝危险请求的方式“干净且一致”。

AI代理正在成为中端模型的标配，不再只是旗舰模型的专属功能。

安全方面，Anthropic也做了不少测试。Sonnet 5在“被诱导去做坏事”或者“被欺骗”这类测试里比前代表现更好，幻觉和谄媚行为也更少。不过它跟Opus 4.8和Claude Mythos Preview相比，在恶意网络安全任务上还是差一截，企业如果要做高敏感操作，还是得选旗舰。

说白了，这次发布更像是Anthropic把“agentic”能力平民化。对于开发者和小团队来说，这意味着他们可以用中端模型的成本，去搭一些以前要烧大模型才能玩的自动化流程。模型公司之间的战争，已经从“谁能做”变成了“谁更便宜、更稳”。

📎 原文来源：Anthropic launches Claude Sonnet 5 as a cheaper way to run agents | TechCrunch

2026年7月10日

对比项	代码量	Token	成本	耗时	安全
Ponytail	-54%	-22%	-20%	-27%	100%
裸”YAGNI+一行”提示	-33%	-14%	-21%	-30%	95%

⭐ Stars	45,688+	🍴 Forks	8,059
💻 语言	Python	📜 协议	MIT
🏢 团队	HKUDS（香港大学数据科学团队，LightRAG / Vibe-Trading 同门）

标签： 智能体

一、项目简介

二、安装要求和过程

环境要求

快速开始（跑一个 Agent，约 30 秒）

或者，给编码助手装一个 Skill（约 10 秒）

三、核心功能

四、典型使用场景

五、推荐理由

六、下载地址

围墙里的智能体，迟早要出门

借域名系统，给智能体上“户口本”

又回到了TCP/IP那套老逻辑

智能体经济，是命定还是选择

一、项目简介

二、安装要求与过程

环境要求

快速安装（以 Claude Code 为例）

三、核心功能

1. 七阶”懒惰阶梯”（Ladder of Laziness）

2. 四档强度 + 子代理注入

3. 六个专门命令（Skills）

4. 懒而不怠（Lazy, not negligent）

5. 极致的可移植性

四、典型使用场景

场景 1：过度膨胀的日期选择器

场景 2：真实仓库的 feature 开发

场景 3：代码审查与技术债治理

五、推荐理由（个人心得）

六、下载地址

📦 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、安装要求与过程

三、核心功能

四、典型使用场景

五、推荐理由（个人使用心得）

六、下载地址

📌 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

📦 安装要求和过程

环境要求

快速安装（任选其一）

快速开始

✨ 核心功能

🌐 WebUI 与架构

🎯 典型使用场景

💡 推荐理由

🔗 下载地址

它到底能干什么

价格先打到底，基准一个没有

手机不是又一个聊天框

从病毒式爆红到正经产品

不是每个人都能顺手

智能体正在填满你的屏幕

Agent能力不再是大模型的专利

性能接近旗舰，但价格便宜一截

标签：智能体