标签：智能体

mattpocock/skills：把顶级工程师的经验，打包成 AI 编码智能体的「技能库」
mattpocock/skills 是 TypeScript 布道师 Matt Pocock 日常使用的「AI 编码智能体技能库」——它不教你写 prompt，而是把数十年的工程经验浓缩成一组小而可组合、跨模型通用的 /skills 指令，专门修复 Claude Code、Codex 等编码智能体最常犯的四种失败模式。目前已在 GitHub 收获 17.8 万+ Stars，是近期最火的 AI 工程化开源项目之一。

一、安装要求和过程

环境要求
- Node.js 18+（用于 skills.sh 安装器，npx 一行搞定）
- 一个支持 skills 的编码智能体：Claude Code / Codex / 任意 Agent-Skills 标准 harness
- 可选：GitHub 或 Linear 账号（/triage 技能需要对接 issue 追踪器）
方式一 · 可改副本（推荐，想魔改就选它）
```
npx skills@latest add mattpocock/skills
```
选择要安装的技能与目标 agent，务必勾选 /setup-matt-pocock-skills；随后在 agent 中运行一次该命令完成仓库配置（选择 issue 追踪器、triage 标签、文档存放位置）。

方式二 · Claude Code 原生插件（只读、常新、省心）
```
/plugin marketplace add mattpocock/skills
/plugin install mattpocock-skills@mattpocock
```
装好后再跑一次 /setup-matt-pocock-skills。两种哲学：skills.sh 把技能复制进项目任你改；插件把它们作为只读束订阅更新。

二、核心功能

整套技能围绕「软件工程基本功」展开，把对齐、TDD、架构、评审变成 Agent 拿来即用的小工具：
- 对齐优先：/grill-me 与 /grill-with-docs——动手前先让 Agent 把你「拷问」一遍，并用 CONTEXT.md 沉淀项目共享语言，从根上消除需求歧义与啰嗦。
- 测试驱动与诊断：/tdd（红-绿-重构循环）、/diagnosing-bugs（复现→最小化→假设→插桩→修复→回归），让 Agent 真正跑起「代码运行反馈」闭环。
- 架构纪律：/to-spec、/improve-codebase-architecture、/codebase-design——对抗「一坨烂泥」，鼓励深模块、小接口。
- 流程编排：/implement、/code-review、/research、/wayfinder、/triage——把需求拆成可追溯的工单与规格，并以并行子智能体做「规范 + 标准」两轴评审。
- 可组合、跨模型：所有技能与具体模型解耦，Claude Code / Codex / 其他 Agent 都能用；用户主动触发（User-invoked）与 Agent 自动调用（Model-invoked）两类技能分工清晰。
三、典型使用场景
- 接手新项目前的「对齐会话」：用 /grill-with-docs 先和 Agent 把需求与领域术语聊透，生成 CONTEXT.md；后续每次对话都更省 token、更精准，变量/函数命名也跟着统一。
- 写带测试的新功能：用 /implement 驱动 /tdd，先写失败测试再实现，最后 /code-review 把关——提交前质量稳，回归风险低。
- 拯救腐烂的代码库：定期跑 /improve-codebase-architecture，扫描可深化的模块并生成可视化 HTML 报告，按图索骥重构，避免软件熵增失控。
四、推荐理由

这不是又一个「流程框架」（GSD/BMAD/Spec-Kit 那类会把过程控制权收走），而是把工程基本功变成 Agent 拿来即用的小工具——轻量、可改、不绑架你。最让我惊艳的是 CONTEXT.md 共享语言：用一句话把「section 里的 lesson 被 materialize」说清，代码命名、导航、token 消耗全跟着受益。两种安装方式恰好对应两种心态：想魔改就 fork 副本，想省心就装插件订阅更新。17.8 万 Stars、MIT 协议、几乎零上手成本，强烈建议所有用 Claude Code / Codex 的开发者装一套。

五、下载地址
- GitHub 仓库：https://github.com/mattpocock/skills
- skills.sh 安装页：https://skills.sh/mattpocock/skills
- 作者 Newsletter（更新与新课技能）：https://www.aihero.dev/s/skills-newsletter
许可：MIT ｜语言：Shell/Markdown ｜ Stars：178.9K+ ｜创建于 2026-02，持续高频更新
2026年7月21日
Kimi CLI：月之暗面开源的终端 AI 编程智能体（10K+ Stars）
Kimi CLI 是月之暗面（MoonshotAI）开源的终端 AI 编程智能体——直接在命令行里读改代码、执行命令、联网检索，并自主规划与调整动作，把 Kimi 大模型搬进了你的 shell 与编辑器。

一、项目简介

Kimi CLI 是一个运行在终端里的 AI Agent，主打软件工程与命令行操作两大类任务。它不只是聊天机器人，而是能真正读取/编辑代码、执行 shell 命令、检索与抓取网页，并在执行过程中自主规划、动态修正路线。项目由 MoonshotAI 维护，采用 Apache-2.0 协议，当前已在 GitHub 收获 10K+ Stars。值得留意的是，官方已宣布 Kimi CLI 正演进为下一代 Kimi Code CLI，安装新版本会自动迁移配置与会话，但现有文档与安装方式依旧可用。

二、安装要求与过程

环境要求：
- Python ≥ 3.12（PyPI 包已发布，最新版 1.49.0）
- 一个 Kimi 账号（登录后使用）或有效的 API Key
- 可选：Node.js（用于运行 npx 类 MCP 服务，如 chrome-devtools-mcp）；Zsh（如需 shell 插件）
快速安装：
```
# 方式一：pip 安装（推荐）
pip install kimi-cli

# 方式二：pipx 隔离安装
pipx install kimi-cli

# 启动并登录
kimi          # 进入交互界面后输入 /login 完成登录
```
登录后即可在终端直接与 Kimi 对话、让它改代码、跑命令；配置与历史会话会保存在本地，跨项目复用。

三、核心功能
- 终端即 Shell（Ctrl-X 切换）：Kimi CLI 本身就是一个 shell，按 Ctrl-X 即可在不退出智能体的情况下直接运行 shell 命令，把对话与执行无缝融合。
- VS Code 扩展：通过官方 Kimi Code 扩展在编辑器侧边栏开启 Agent 面板，直接基于当前工程上下文协作（见上方截图）。
- ACP 协议接入主流 IDE：原生支持 Agent Client Protocol，可作为 ACP Agent Server 接入 Zed、JetBrains 等任意兼容编辑器，命令为 kimi acp。
- 原生 MCP 支持：内置 kimi mcp 子命令组，支持 HTTP / stdio / OAuth 多种传输方式，一行即可增删与授权 MCP Server（如 Context7、Linear、chrome-devtools）。
- Zsh 深度集成：配合 zsh-kimi-cli 插件，把 AI Agent 能力直接带进你的 shell，Ctrl-X 一键切到智能体模式。
四、典型使用场景
- 终端里的全栈开发：在服务器或本地终端直接让 Kimi 读懂整个代码库、定位 Bug、生成补丁并执行测试，无需切换到图形界面 IDE。
- IDE 内结对编程：在 VS Code / Zed / JetBrains 中以 Agent 面板形式调用 Kimi，基于当前文件与工程上下文做重构、加功能、写测试，改动实时落盘。
- 可扩展的自动化工作流：通过 MCP 接入 Linear、Context7、Chrome DevTools 等工具，让 Kimi CLI 自动查需求、查文档、跑端到端浏览器验证，组成稳定的开发自动化流水线。
五、推荐理由

作为一款国产大模型厂商出品的命令行智能体，Kimi CLI 最大的亮点是「终端原生」——它不强迫你离开 shell，Ctrl-X 即可在「智能体」与「命令模式」间无缝切换，对远程服务器、无界面环境极其友好。同时它对 ACP / MCP 双协议的原生支持，意味着你既能把它嵌入 VS Code、Zed、JetBrains，也能通过 MCP 无限扩展工具边界，灵活度很高。Apache-2.0 协议可商用、配置本地化，隐私与可玩性兼顾。虽项目正平滑演进为 Kimi Code CLI，但当前版本已足够稳定，是体验「Kimi 版 Claude Code」最轻量直接的入口。

六、下载地址
- 官方网站：https://www.kimi.com/code/
- GitHub 仓库：https://github.com/MoonshotAI/kimi-cli
- 官方文档（中文）：https://moonshotai.github.io/kimi-cli/zh/
- PyPI 安装包：https://pypi.org/project/kimi-cli/
（注：Kimi CLI 正演进为 Kimi Code CLI，新版本会自动迁移配置与会话，建议关注官方仓库获取最新动态。）
2026年7月20日
Cua：开源 Computer-Use 2.0 框架，让 AI 智能体像人一样操作电脑
项目简介

Cua 是 trycua 出品的一套开源「Computer-Use 2.0」基础设施，围绕「让 AI 智能体像人一样看屏幕、点按钮、敲键盘完成任务」这一目标，提供了四大模块——后台驱动（Cua Drivers）、智能体沙箱（Cua Sandboxes）、评测基准（Cua-Bench）与 macOS 虚拟化（Lume），覆盖从训练、评测到数据生成的全流程。它把「驱动—沙箱—评测—虚拟化」四件事拆成可独立使用又互相咬合的开源组件，MIT 协议、跨平台，并支持通过 MCP 接入 Claude Code、Cursor、Codex 等主流编码智能体。

安装要求和过程

环境要求：
- Cua Drivers（后台驱动）：macOS 12+ / Windows 10+ / Linux（X11 或 Wayland）；需搭配 Claude Code、Cursor、Codex 等编码智能体。
- Cua Sandboxes（沙箱）：Python 3.11+，pip install cua。
- Cua-Bench（评测）：需 uv；Linux / macOS。
- Lume（虚拟化）：Apple Silicon（M1+）macOS，依赖 Apple Virtualization.Framework。
快速安装：
```
# 1) Cua Drivers — 后台驱动原生桌面应用（macOS / Linux）
/bin/bash -c "$(curl -fsSL https://cua.ai/driver/install.sh)"
#  Windows (PowerShell)
irm https://cua.ai/driver/install.ps1 | iex

# 2) Cua Sandboxes — 任意系统的智能体沙箱
pip install cua

# 3) Lume — macOS 虚拟化
/bin/bash -c "$(curl -fsSL https://cua.ai/lume/install.sh)"

# 4) Cua-Bench — 评测与 RL 环境
git clone https://github.com/trycua/cua && cd cua/cua-bench
uv tool install -e . && cb image create linux-docker
```
核心功能
1. 后台 Computer-Use 驱动：在 macOS / Windows / Linux 上后台驱动原生应用，智能体点击、键入、校验，全程不抢走你的光标与窗口焦点；同一套 CLI + MCP 服务器可接入 Claude Code、Cursor、Codex、OpenClaw 等。
2. 跨 OS 智能体沙箱：一个统一 API 调度任意系统的 VM/容器（Linux / macOS / Windows / Android 及 BYOI），看屏、点击、执行代码，云端或本地（QEMU）皆可。
3. 评测与 RL 基准（Cua-Bench）：在 OSWorld、ScreenSpot、Windows Arena 上评测 computer-use 智能体，并导出轨迹用于训练与强化学习。
4. macOS 原生虚拟化（Lume）：基于 Apple Virtualization.Framework，在 Apple Silicon 上以近原生性能创建、管理 macOS / Linux 虚拟机，支持 unattended 无人值守安装。
5. 开放可组合生态：cua-driver / cua-agent / cua-sandbox / cua-computer-server / cua-bench / lume / lumier 七大包，lumier 还提供 Docker 兼容接口，便于把 Lume 虚拟机接入现有编排。
典型使用场景
- 给编码智能体一台「电脑」：把 Cua Sandbox 接进 Claude Code，让它在隔离的 macOS / Windows 虚拟机里自行打开浏览器、跑脚本、截图验证，完成端到端任务而不污染本机。
- 后台自动化办公流：用 Cua Drivers 在后台驱动 Slack、Excel、浏览器等原生应用，自动填表、导出报表、跨软件搬运数据，你依旧能正常用电脑。
- 评测与训练自己的 CUA 模型：用 Cua-Bench 在标准化环境里跑基准、收集轨迹，进而做监督微调或 RL，持续改进自家 computer-use 模型。
推荐理由

一句话：如果你在折腾「让 AI 操作电脑」，Cua 是目前最完整、最务实的开源底座。它把「驱动—沙箱—评测—虚拟化」四件事拆成了可独立使用又互相咬合的模块——想给 Agent 加双手，用 Drivers；想搞评测训练，用 Bench；想在 Mac 上批量起虚拟机，用 Lume。MIT 协议、跨平台、支持 MCP 接入主流编码助手，落地门槛低。相比闭源的 Operator / Manus 类服务，Cua 把控制权和数据都留在你手里——这正是本地优先时代最该有的样子。

下载地址
- 官网 / 文档：https://cua.ai · https://cua.ai/docs
- GitHub 仓库：https://github.com/trycua/cua
- Cua-Bench 榜单：https://cuabench.ai/
- 社区 Discord：https://discord.gg/mVnXXpdE85
2026年7月20日
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

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、安装要求和过程

二、核心功能

三、典型使用场景

四、推荐理由

五、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

六、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

标签：智能体