YOHO AI

标签： AI Agent

  • Meta 把编程智能体 Muse Code 甩出来了：终端里跑，价格直接砍到同行零头

    Meta 把编程智能体 Muse Code 甩出来了：终端里跑，价格直接砍到同行零头

    Meta 过去在 AI 编程工具这条赛道上一直被说成慢半拍，这周它终于把拳头产品亮出来了。周三，扎克伯格在社交平台上宣布，Meta 发布了一款叫 Muse Code 的终端编程智能体，目前还是 beta。一句话概括它能干嘛：在超大的代码库里帮你做完整的软件工程任务——规划改动、写代码、再自己验证结果。

    一个会分身的终端助手

    和 Anthropic 的 Claude Code、OpenAI 的 Codex 不同，Muse Code 没有独立 App，就活在终端里，一条命令就能装好，目前支持 macOS 和 Linux。它背后跑的是 Meta 同步训练的编程模型 Muse Spark 1.2。

    真正有意思的是它处理大项目的方式。任务够大的时候，Muse Code 会自己裂出好几个子智能体，各自在隔离的工作区里并行干活，你手头那份代码原封不动。扎克伯格说，测试时它同时搭了六个游戏功能，一个都没撞车。

    你的工作副本永远不会被碰到。测试里我们让它同时建了六个游戏功能，没有任何冲突。—— 马克·扎克伯格

    它还写了本地事件日志，每一步操作都记下来，一旦崩了能精准从断点续上，不用从头再来。

    打法很清楚：不拼能力，拼价格

    Meta 超级智能实验室负责人 Alexandr Wang 把话说得很直白——Muse Code 是冲着便宜去的，不是冲着能力碾压。标准按量计费之外，还有一个贡献者档，价格比按量档还低十倍以上，代价是你要同意 Meta 拿你的代码去训练模型。对企业客户，Meta 也开始接受零数据保留的申请。

    • 标准档：输入约 1.25 美元/百万 token，输出约 4.25 美元/百万 token
    • 贡献者档：便宜十倍以上，但你的代码可用于训练
    • 支持 macOS / Linux，单命令安装，零数据保留面向企业

    这步棋是 Meta 在广告业务之外找 AI 收入的最新动作。六月它刚用 Meta Business Agent 杀进企业客服市场。不过上周 Meta 股价不太好看——营收指引偏软，二季度自由现金流还在往下掉。Muse Code 能不能靠价格撬动开发者，得看 Muse Spark 1.2 的真实代码质量扛不扛得住实战。

    Meta Muse Code 终端编程智能体
    Meta 推出终端 AI 编程智能体 Muse Code，正面叫板 Claude Code 与 Codex（图源：TechCrunch / Getty）

  • Cloudflare 造了个专门给 AI 用的浏览器：不要好看，只要省钱

    AI 智能体这两年最大的变化，是从“回答问题”变成了“替你干活”。订个座、填张表、把网页上的价格比一比，这些事都绕不开一个东西——浏览器。可现在的浏览器，从 Chrome 到 Edge，全都是给人设计的。Cloudflare 这次跳出来做了件不一样的事：它给 AI 造了个浏览器，名字叫 Kitesurf。

    当 AI 要自己上网

    8 月 7 日，这家做 CDN 起家的公司发布了 Kitesurf。它不打算替换你电脑上的 Chrome，而是跑在 Cloudflare 自己的服务器上，专门给跑自动任务的 AI 智能体用。开发者不用再自己折腾一套无头浏览器，直接调用接口，就能让 AI 去打开网页、填表单、把需要的内容抓回来。

    给人用的浏览器在意主题、标签页和扩展插件；给 AI 用的浏览器，在意的是上下文窗口、性能、token 成本和能不能规模化。两者面对的威胁模型也完全不同——AI 浏览器得防的是提示词注入这类攻击。

    为什么不直接用 Chrome

    说到底，Chromium 是给人类眼睛和手指优化的。它能平滑滚动、能跨设备同步、能装一堆插件，这些对 AI 来说全是没用的包袱，反而白白吃内存和算力。Cloudflare 的思路很直接：把人不需要的那层全砍掉，只留下“读页面、提取内容、偶尔截个图”这几件正事。

    十二周拼出来的轻量引擎

    有意思的是，这个项目从拍板到上线只用了 12 周。它本身也不是从零写起的：渲染靠 Blitz 的模块化引擎，CSS 解析用了 Firefox 的 Stylo，JavaScript 跑在 Rust 写的 Boa 引擎上，剩下的一切都塞进了 Cloudflare 的 Workers 无服务器平台。整套东西是无状态的，跑完一个任务就扔掉，不留尾巴，特别适合“要用的时候开一个、用完就关”的场景。现在它正在 Browser Run 里免费公测。

    • 截图任务的 CPU 耗时 380 毫秒，Chromium 要 1173 毫秒
    • 同样任务内存只吃 57.8 MiB，Chromium 是 271 MiB
    • 提取网页 HTML 用时 229 毫秒，Chromium 是 877 毫秒
    • 内存进一步压到 39.4 MiB，Chromium 则要 273.7 MiB

    数字比情怀更有说服力

    光喊“更轻”没人信，Cloudflare 把测试摆出来了：在上面这些常见智能体任务里，Kitesurf 的 CPU 和内存消耗都明显低于 Chromium，目前已经有超过 21.5 万项 Web Platform Tests 通过，而且每周还在以几百项的速度增加。代价是单任务耗时目前还略慢一点，主要卡在把屏幕转成图片那一步，官方说后续会优化。

    这背后是一场成本战争

    把视角拉远一点，Kitesurf 真正想解决的，是 AI 自动化那笔算不清楚的账。今天让一个智能体去点网页，主流做法就是租一个无头 Chromium 实例，等于“每个 agent 配一整台浏览器”，资源消耗就是实打实的毛利。如果轻量引擎这条路走通，同样预算能跑的 agent 数量会多出一截。只是这里有个微妙的悖论：Cloudflare 一边给智能体发浏览器，一边又是全球最大的爬虫拦截方，将来网站运营者要操心的，恐怕不再是“挡不挡爬虫”，而是“哪些 agent 是付费放行的”。

    Cloudflare Kitesurf 浏览器界面
    Cloudflare 发布的 Kitesurf，一个完全跑在 Workers 上的无状态浏览器。
  • AOS Community Edition：开源智能体操作系统，让 AI Agent 拥有自己的 OS

    AOS Community Edition：开源智能体操作系统，让 AI Agent 拥有自己的 OS

    AOS 核心亮点

    项目简介

    AOS Community Edition 是 Unicity 团队开源的「智能体操作系统」（Agent Operating System），为需要可检视、可组合环境的 AI 智能体提供完整的运行时基础设施。它包含 aos CLI 命令行、HTTP API、21 个官方 Capsule 组件、MCP 边缘入口以及 Unicity Audit 安全审计能力，全部以 Rust 编写并采用 MIT/Apache-2.0 双许可发布。

    安装要求与快速开始

    AOS 支持主流 Unix 系统（macOS / Linux）和 Windows。安装只需两步：

    # 1. 安装 aos CLI（含固定运行时和 21 个 CE capsule）
curl --proto '=https' --tlsv1.2 -fsSL https://aos.unicity.ai/install.sh | sh

# 2. 初始化工作区（从本地版本化资产置备 ~/.aos）
aos init

    安装器会自动下载并锁定精确的运行时版本。每次发布附带校验和、Sigstore 签名包和 GitHub 构建溯源证明，签名前一律 fail-closed——未经验证的版本绝不会进入 stable 通道。

    升级同样简单：

    aos update          # 协调式产品升级（Homebrew 安装亦可）

    核心功能

    aos 命令速览
    • 统一的 aos CLI 与 HTTP API：一条命令管理一切——init / status / update / daemon / mcp / capsule build / doctor。命令边界清晰，产品自有实现与底层运行时无缝衔接。
    • 21 个官方 Capsule 组件：开箱即用的用户态构件，可被自由编排成 harness、meta-harness、connector 或服务。每个 capsule 以最小权限组合，能力粒度精细可控。
    • 一等公民的 MCP 支持：aos mcp serve 是 Codex、Claude、Grok 共享的产品边缘入口。本地决策面在 macOS 提供 AppKit、Windows 提供原生对话框、Linux 使用 Pinentry——绝不收集密码与 URL。
    • Forge 操作系统级构建工具：新智能体能检视运行中的系统、学习 capsule 模型、识别真实能力缺口，并用 Forge 构建验证最小权限 capsule。内置 meta-harness 技能教会智能体如何治理自己的世界。
    • 供应链安全与可验证发布：Sigstore 签名包 + GitHub 构建溯源证明 + runtime-compatibility.toml 锁定运行时/WIT 提交，fail-closed 策略确保只有经过完整验证的版本才能发布。

    典型使用场景

    场景一：多模型编码智能体的统一运行时

    你的团队同时使用 Codex、Claude Code 和 Grok 作为编程助手。通过 AOS 的 aos mcp serve，三个客户端共享同一套 MCP 工具链和审批策略，无需重复配置。每个智能体在隔离的 principal 下运行，操作员身份与目标环境分离——aos --principal operator init --target-principal alice 即可完成多租户置备。

    场景二：企业级智能体安全部署

    企业环境要求所有 AI 操作可审计、可回溯。AOS 的 Unicity Audit 能力配合 Sigstore 签名和 GitHub 构建溯源，让每个 capsule 的来源、权限边界、执行记录完全透明。aos doctor 可随时诊断运行态健康度，aos status --json 输出机器可读状态供 SIEM 集成。

    场景三：智能体自主扩展能力

    当现有 capsules 无法满足新需求时，智能体可以主动调用 Forge：检视当前系统 → 识别缺口 → 构建 capsule → 验证最小权限 → 注册到 harness。这形成了一个自进化的智能体操作系统——meta-harness 技能让智能体学会如何改进自己的世界模型。

    推荐理由

    AOS 解决了一个真正痛点：智能体缺乏像传统软件那样的操作系统级抽象。目前大多数 AI Agent 框架要么是 SDK 库（如 LangChain），要么是编排层（如 CrewAI），但它们都没有提供「进程管理、权限隔离、组件注册、供应链安全」这些 OS 级别的基础设施。

    AOS 用 Rust 从零构建了这套基础设施，Capsule 模型比 Docker 容器更轻量、比 npm 包更结构化。MCP 一等公民支持让它天然适配当前最热的 AI 互操作标准。加上 fail-closed 发布策略和 Unicity Audit，这在开源 AI 项目中是罕见的安全意识。

    如果你正在构建生产级智能体系统，或者对 AI Agent 的工程化治理感兴趣，AOS 值得花一个周末深入体验。

    下载地址

  • aisuite：吴恩达开源的统一大模型调用库，一行代码切换 10+ 厂商

    aisuite：吴恩达开源的统一大模型调用库，一行代码切换 10+ 厂商

    aisuite 项目封面

    做 AI 应用的同学大概率都踩过同一个坑：今天想用 GPT-4o，明天想换 Claude，后天又想试试 Gemini，每换一家就得重写一整套 SDK 调用、参数映射、错误处理。吴恩达（Andrew Ng）团队开源的 aisuite，就是把这件事彻底变简单的那把钥匙——一套统一接口，调遍十余家大模型。

    项目简介

    aisuite 是一个轻量级 Python 库，提供两层能力：底层是跨厂商统一的 Chat Completions API，上层是带工具与 MCP 的 Agents API。它同时是桌面 AI 同事 OpenWorker 的底层基座。一句话概括：用一套 OpenAI 风格的接口，调用 OpenAI、Anthropic、Google 等所有主流大模型。

    安装要求和过程

    环境要求

    • Python 3.10 及以上
    • pip 包管理器
    • 对应厂商的 API Key（或本地运行 Ollama 免 Key）

    快速安装

    基础包（不含任何厂商 SDK）：

    pip install aisuite

    按需安装指定厂商 SDK，或一次性装全：

    pip install 'aisuite[anthropic]'   # 仅 Anthropic SDK
pip install 'aisuite[all]'         # 所有厂商 SDK

    配置 API Key（以环境变量为例）：

    export OPENAI_API_KEY=sk-...
export ANTHROPIC_API_KEY=sk-...

    一行调用示例——切换模型只改字符串：

    import aisuite as ai
client = ai.Client()

models = ["openai:gpt-4o", "anthropic:claude-3-5-sonnet-20240620"]
messages = [
    {"role": "system", "content": "用海盗英语回答。"},
    {"role": "user", "content": "讲个笑话。"},
]
for model in models:
    resp = client.chat.completions.create(
        model=model, messages=messages, temperature=0.75)
    print(resp.choices[0].message.content)

    核心功能

    aisuite 核心能力

    1. 统一 Chat Completions API：provider-agnostic 的 OpenAI 风格接口，模型名采用 <provider>:<model-name> 格式，aisuite 自动路由到正确的厂商与参数，切换模型只需改一个字符串。
    2. Agents API + Toolkits：把普通 Python 函数直接当工具，自动生成 schema、执行调用并回传结果；内置 files / git / shell 沙箱工具包；提供工具策略（审批、黑白名单）与状态持久化（内存 / 文件 / Postgres）。
    3. 原生 MCP 支持：pip install 'aisuite[mcp]' 后，任意 MCP Server 的工具都能直接交给模型，无需胶水代码。
    4. 流式与异步：stream=True 跨厂商统一分块输出，acreate 提供异步变体，工具调用同样可流式处理。
    5. 可扩展 Provider 适配器：按命名约定实现 <provider>_provider.py + <Provider>Provider 类即可被自动发现加载，轻松接入新厂商。

    支持的模型厂商

    aisuite 支持的模型厂商

    典型使用场景

    1. 多模型横向对比 / A/B 评测：同一段业务逻辑只改 model 字符串，就能对比 GPT-4o、Claude、Gemini 的输出质量与成本，非常适合做模型选型与回归测试。
    2. 本地优先 + 多云的 Agent 应用：aisuite 是 OpenWorker 的基座，可接入 Ollama 完全本地运行（数据不出本机），也能在云端多厂商间灵活切换，兼顾合规与弹性。
    3. 快速挂载 MCP 工具做文件 / 代码操作：一行声明 filesystem MCP，即可让模型列举目录、读写文件、执行 git 命令，省去繁琐的适配代码。

    推荐理由

    我个人非常看重 aisuite 解决的一个真实痛点：厂商锁定。在真实项目里，模型能力此消彼长，今天这家强、明天那家反超，aisuite 让你把”换模型”从”改一堆 SDK 代码”降级成”改一个字符串”，产品的可移植性直接拉满。

    它不只是简单的接口封装：Agents API 把工具调用、MCP、工具策略、状态持久化收敛到一套统一范式里，意味着你写一次 Agent，就能在多家模型间稳健落地；底层还能私有化（Ollama）满足数据合规需求。MIT 协议商用友好，对创业团队和个人开发者都很友好，强烈建议作为 AI 应用的默认底座。

    下载地址

    项目数据：★16.1K · 1.7K Fork · Python · MIT · 创建于 2024-06，最近更新 2026-07。

  • img2threejs：把参考图重建为代码级 Three.js 模型的 AI 工作流（10,323★）

    img2threejs：把参考图重建为代码级 Three.js 模型的 AI 工作流（10,323★）

    项目简介

    img2threejs 是一个 AI 驱动的图像→Three.js 代码重建工作流。给一张参考图，它不会输出 OBJ/GLTF 网格或贴图，而是生成由基元几何体、程序化材质组成的 TypeScript 工厂函数 createObjectModel()，返回一个可直接在浏览器运行、可动画化的 THREE.Group。项目核心理念是“代码即模型”：结果可读、可 diff、可版本控制，而非几兆的静态网格文件。

    img2threejs 核心亮点

    安装要求与快速开始

    环境要求

    • Python 3.10+（纯标准库，无需 pip 安装）
    • Claude Code / Codex / OpenCode（作为 skill 调用）或任意终端
    • Three.js 运行时（浏览器即可）

    作为 Claude Code Skill 使用

    1. 克隆到 skills 目录：
    git clone https://github.com/img2threejs/img2threejs.git ~/.claude/skills/img2threejs
    1. 贴入参考图，在对话中运行：
    /img2threejs Rebuild this object as a Three.js model, keep the proportions, angles, and colours.

    独立脚本模式（零依赖）

    python3 forge/stage1_intake/probe_image.py <image>
python3 forge/stage2_spec/new_pre_spec_assessment.py "Name" --image <image> --out assessment.json
python3 forge/stage2_spec/new_sculpt_spec.py "Name" --image <image> --assessment assessment.json --out spec.json
python3 forge/stage2_spec/validate_sculpt_spec.py spec.json --strict-quality
python3 forge/stage3_build/generate_threejs_factory.py spec.json --out src/createObjectModel.ts

    所有脚本仅使用 Python 标准库，没有 PIL、numpy、Playwright 等依赖。

    核心功能

    • 代码即模型（Reconstruction-by-Code）：用 Three.js 基元 + 程序化着色器生成工厂代码，而非摄影测量或网格提取。
    • 八阶段雕刻流水线：blockout → structural → form → material → surface → lighting → interaction → optimization，每阶段生成后视觉评审，不达标则返回修正。
    • 严格质量门控：--strict-quality 在写第一行 Three.js 代码前拦截规格不足的浅请求，避免浪费 token。
    • 极致 Token 高效：Python 标准库脚本负责校验、门控、规格生成和比对打包；模型只做一件事——看“参考图 vs 渲染图”对照表并判定通过/打回。
    • Agent 无关：在 Claude Code、Codex、OpenCode 中都能作为 skill 运行，也提供独立终端脚本。
    • 动画就绪 + 多主题：输出暴露 pivots、sockets、userData.tick，支持硬表面物体、人形角色、四足/禽类/飞龙/蛇形生物以及 CS2 武器家族。

    img2threejs 八阶段雕刻流水线

    典型使用场景

    • 游戏/3D 资产快速原型：给一张枪械、载具或道具参考图，直接拿到能在浏览器里跑、可交互的 Three.js 模型。
    • AI 编码助手工作流：作为 skill 嵌入 Claude Code / Codex，贴图即可在对话中完成“重建为代码”，省掉 Blender 建模或网格下载。
    • 教学与可视化演示：官方 Live Demo Gallery 展示了从 Glock-18、BMX 自行车到哆啦A梦房子的纯代码重建案例。

    推荐理由

    img2threejs 的“重建为代码”思路非常克制而实用：把机械重复工作交给纯标准库 Python，把真正的视觉判断留给大模型，从而在 LLM agent 循环中保持 token 高效。八阶段门控设计让输出可预期，README 也诚实地声明了限制——单图无法保证隐藏面精度，硬表面强、角色偏风格化。今天（2026-08-09）仍活跃推送，v1.4.4 正朝 v1.5 角色重建更新。适合已经使用 Claude Code / Codex 的开发者扩展自己的 AI 工作流。

    下载地址

  • Naive 融资 2850 万美元：用 AI 智能体替你开公司、养公司

    Naive 创业自动化基础设施
    Naive 想把开公司、养公司都交给 AI 智能体（图源：至顶科技）

    开发者讨厌重复劳动，这几乎是编程史的主线。从写脚本到「氛围编程」，大家一直在把麻烦事外包出去。所以当一家叫 Naive 的初创公司上线几个月就吸引超过 3 万开发者时，并不让人意外——它做的事更彻底：用 AI 智能体，把「开公司、运营公司」这件最繁琐的事，也替你包了。

    Naive 提供的是一套基础设施。你给它 AI 智能体和一笔 Token 预算，它就能自动完成创建和运营一家企业的大部分流程——公司注册、支付系统、邮箱、电话号、云资源、存储，全被封装在一个 API 后面。你只要把一段提示词丢进 Cursor、Claude Code 或 Codex，它们就会连上 Naive 的 API，把创业所需的基础设施一键配好。比如注册美国 LLC，你提供州、行业代码、业务描述和名字就行；KYC/KYB 和付款还得自己来，但其余的——邮箱、虚拟银行卡、数据库、算力，对接 Stripe 和 QuickBooks——智能体都能搞定。

    我认为目前增速最快的是 AI 自动化代理机构。很多人创业的第一步，就是向其他小企业卖智能体服务……我们有些客户用它全自动地运营着一整家租车公司。

    钱从哪来，花在哪

    这套「创业工具箱」显然戳中了痛点。CEO Sean Dorje 说，过去六个月公司年化经常性收入涨了 10 倍，到了几百万美元的量级。基于此，Naive 刚完成 2850 万美元 A 轮，由 Nexus Venture Partners 领投，Y Combinator、Zetta、Liquid 2 等跟投，累计融资约 3200 万美元。

    真正的生意在「养」智能体

    但 Dorje 看得很清楚：帮人开公司只是入口，真正的成本和机会在后面——让智能体持续跑起来贵得吓人。频繁调用昂贵模型、在任务间搬运大量上下文、空闲时还占着资源，费用会快速堆高。所以他把新融资的一部分拿去建「推理优化」基础设施：模型路由器把请求分发给最合适的模型并复用已算好的结果；记忆系统按需存取业务上下文；无服务器运行时让智能体跑在轻量 JavaScript 环境里，而不是每人独占一台虚拟机，客户只在智能体活跃时才计费。

    • 模型路由器：按任务把查询分给最合适的模型，缓存并复用推理结果
    • 记忆层：按需存取业务上下文，让智能体跨任务保持连贯
    • 无服务器运行时：活跃才计费，大幅降低大规模智能体集群成本
    • 治理与编排：设预算、限权限、敏感操作前要求人工审批

    谁在用

    Dorje 透露，客户用 Naive 运营的业务五花八门：AI 自动化代理公司、TikTok 和 YouTube 上的「无面孔」内容频道，甚至还有租车公司。他还发现，有客户拿 Naive 的基础设施撑起一个专门发 AI 生成猫狗跳舞视频的 TikTok 频道。对已有成熟业务的企业，平台能不能压住持续运营的智能体成本，才是更值钱的那部分。Naive 现在只有 10 名全职员工，融资将用于招研究员，推进四项基础设施：智能体虚拟化沙箱、模型路由与推理优化、记忆层、治理与编排系统。

    用一个 API 把开公司变成几行提示词，听起来像开发者的终极偷懒。但 Naive 真正想做的，是当智能体成为「虚拟员工」之后，那套管理它们花钱、干活、不越界的底层系统——这部分，可能比帮人注册个公司名值钱得多。

  • OpenWorker：吴恩达开源的本地优先 AI 同事，交付「已完成的工作」而非聊天

    OpenWorker：吴恩达开源的本地优先 AI 同事，交付「已完成的工作」而非聊天

    OpenWorker 品牌图

    OpenWorker 是深度学习之父吴恩达（Andrew Ng）开源的一款”本地优先”的 AI 同事（AI coworker）桌面应用。它不只想跟你聊天，而是要跨文件、终端和 25+ 应用连接器，真正把一件日常任务做完——交付一份排版好的文档、一条带数据的 Slack 回复、一份更新好的日历，或一个分诊完毕的收件箱。它运行在你的机器上，不锁定任何模型，用自己的 API Key（OpenAI / Anthropic / Google / 开源权重）或本地 Ollama 即可驱动。

    🖼️ 它是怎么工作的

    OpenWorker 工作原理

    桌面应用外壳（原生 GUI + Tauri）之下，是一套本地运行的 Python Agent 服务：引擎、工具、连接器都构建在吴恩达自己的 aisuite 之上；你的文件、终端、25+ 连接器与任意模型提供商，全部在你的机器上、用你的密钥运转。

    📦 安装要求和过程

    方式一：直接下载安装包（推荐）

    • macOS（Apple Silicon，12+）：已签名公证、自动更新 → download.openworker.com/mac
    • Windows 10/11（x64）：构建尚未代码签名，SmartScreen 会警告（签名进行中）→ download.openworker.com/windows
    • 打开应用 → 添加模型 Key（或指向 Ollama）→ 直接提出一个真实需求即可。

    方式二：从源码构建

    前置环境：Python 3.10+、Node 20+，以及（桌面壳）通过 rustup 安装的 Rust 工具链。

    git clone https://github.com/andrewyng/openworker
cd openworker

# 1. 一次性引导，创建 Python venv（Windows 用 Git Bash / WSL）
bash packaging/setup_dev_env.sh

# 2. 启动本地 Agent 服务
.venv/bin/openworker-server --cwd ~/some/project --port 8765
#    Windows: .venv\Scripts\openworker-server.exe

# 3. 另一个终端启动 UI
cd surfaces/gui
npm install
npm run dev        # 浏览器 UI（Vite 端口）

# 想跑完整桌面应用： npm run tauri dev

    ✨ 核心功能

    OpenWorker 核心亮点

    • 交付真实成果：文档、表格、报告、网页直接落地为可打开、可分享的文件，而不是一堆待办清单。
    • 25+ 应用连接器：GitHub、Slack、Jira、Notion、Linear、HubSpot、Outlook、monday.com、Gmail、Google Calendar，加上你的终端与本地文件；任何可通过 MCP 接入的工具都能插进来，并按工具粒度授权。
    • 自带模型密钥（BYOK）：OpenAI、Anthropic、Gemini、Inkling、GLM、DeepSeek、Kimi、Qwen、MiniMax、Mistral、Grok，以及通过 Together / Fireworks 的开源权重模型，和 Ollama 本地模型；自带经工具调用验证的推荐清单。
    • 行动前先确认：写文件、发消息、执行命令都走审批门控；无人值守运行会把待办”问询”暂存到收件箱，绝不擅自行动。隐私本地优先——agent 循环、对话、连接器令牌、模型 Key 都留在本地密钥库。
    • 定时自动化：晨报、周报、频道值守等周期性任务按计划运行，结果带完整转录落回应用。

    🎯 典型使用场景

    1. Slack 里 @OpenWorker：在频道提及它，桌面自动开一个会话，用你的工具把活干完，答案作为线程回复回到频道。
    2. “准备一份客户简报””理清我的日历””跨 Jira 和 GitHub 看看发布进展到哪了”——它把任务拆成步骤，跨桌面、文件和已连接应用推进，重要动作前先与你确认。
    3. 定时晨报 / 周报：把重复性工作面交给自动化，每天/每周固定产出带完整记录的交付物。

    💡 推荐理由

    吴恩达出品，天然带着”让 AI 真正替你把事做完“的产品哲学。最打动我的是三点：一是本地优先 + 自带模型密钥，数据只通过你选定的模型和集成离开本机，隐私可控；二是“行动前确认”的克制设计，把 AI 代理从”话痨”拉回到”靠谱同事”；三是底层基于他自己的 aisuite（统一多模型 + Agent/MCP 层），想自己搭 Agent harness 的人也能拿它当参考实现。目前处于开放 Beta：可用、会自动更新、社区活跃，适合想把日常办公流程交给 AI 自动化、又不想把数据锁进某家云端的朋友尝鲜。

    🔗 下载地址

  • LiveKit Agents：用 Python 构建实时语音 AI 智能体的开源框架

    LiveKit Agents：用 Python 构建实时语音 AI 智能体的开源框架

    在语音助手、AI 客服、实时翻译早已不是新鲜事的今天，真正难的是：如何用一个干净、可编排、可私有部署的框架，把 STT、LLM、TTS 串成一次低延迟、不打断、能“看见”的实时对话。LiveKit Agents 正是为这件事而生。

    📌 项目简介

    LiveKit Agents 是一个用于构建实时、可编程的多模态语音 AI 智能体的开源框架，运行在服务器端，让智能体具备“看、听、理解”的能力。它把语音识别（STT）、大模型（LLM）、语音合成（TTS）以及实时模型（Realtime API）抽象成可自由替换的组件，并提供任务调度、工具调用、测试框架等一整套生产级能力。

    💻 安装要求与过程

    环境要求

    • Python 3.9+
    • 一个 LiveKit 服务器：可用 LiveKit Cloud，也可用开源的 livekit 自托管
    • 至少一家模型服务商的密钥：如 Deepgram（STT）、OpenAI / Google（LLM）、Cartesia（TTS）等
    • 如需电话接入，可启用 LiveKit 的 SIP / 电话栈

    快速安装

    pip install "livekit-agents[openai,deepgram,cartesia]"

    三种运行模式

    # 终端本地测试：无需外部服务器，直接验证交互
python myagent.py console

# 开发模式：连接 LiveKit 云/自托管，支持热重载
python myagent.py dev

# 生产部署：生产级优化
python myagent.py start

    开发 / 生产模式需配置环境变量：LIVEKIT_URL、LIVEKIT_API_KEY、LIVEKIT_API_SECRET（以及对应模型服务商的 Key）。也可用 Agents Playground 快速体验。

    ✨ 核心功能

    • 灵活集成：完整的插件生态，自由混搭最合适的 STT、LLM、TTS 与 Realtime API。
    • 内置任务调度：通过 Dispatch API 自动做任务分配与分发，把终端用户连接到对应智能体。
    • 语义轮流检测（Turn Detection）：用 Transformer 模型判断用户是否说完，显著降低误打断。
    • 原生 MCP 支持：一行代码即可把 MCP 服务器提供的工具接入智能体。
    • 内置测试框架：用断言（expect）配合 LLM 评判（judge）编写测试，对抗 LLM 的非确定性。
    • 全平台 WebRTC 客户端 + 电话集成：覆盖浏览器、iOS、Android、Flutter 等，并可拨打 / 接听电话。

    🎯 典型使用场景

    • 语音客服 / 订餐机器人：内置 restaurant_agent 范例，可处理来电订餐与预约，直接对接电话线路。
    • 外呼电话机器人：Outbound Caller 范例可自动批量拨打电话、播报与收集信息。
    • 多智能体接力（Handoff）：多个 Agent 按流程交接（如先收集信息、再切换讲故事 Agent），适合工单分流、复杂客服。
    • 视频数字人：通过 Tavus、Bithuman、LemonSlice 等接入 AI 虚拟形象，做出“能说话的脸”。
    • 实时视觉 Agent：结合 Gemini Live 等，做出能“看见”环境并对话的助手（含 iOS 端范例）。

    💡 推荐理由

    我自己折腾过不少语音 Agent 方案，LiveKit Agents 最打动我的是它的“把复杂留给自己、把简单交给开发者”：一个 AgentSession 把你想要的 STT/LLM/TTS 一行声明完，多智能体切换、工具调用、打断检测都有官方最佳实践兜底；更关键的是整套栈可私有化——连媒体服务器都是开源的，数据不出自己的机房，对企业场景非常友好。再加上官方提供的 LiveKit Docs MCP 与 Agent Skill，用 AI 编程助手来搭语音应用也顺手很多。如果你打算认真做一个“能听会说”的产品，它值得作为底座首选。

    🔗 下载地址

    LiveKit Agents 核心亮点

  • DeepSeek-Reasonix：围绕前缀缓存稳定性打造的 DeepSeek 原生终端 AI 编程智能体

    DeepSeek-Reasonix：围绕前缀缓存稳定性打造的 DeepSeek 原生终端 AI 编程智能体

    DeepSeek-Reasonix 核心亮点

    DeepSeek-Reasonix（npm 包名 reasonix）是一个深度围绕 DeepSeek 前缀缓存稳定性打造的开源终端 AI 编程智能体：把 Agent 跑成长会话也不心疼 token，单文件 Go 二进制即装即用。

    📊 项目速览

    • ⭐ Stars：30.6K ｜ Fork：1.97K ｜ 语言：Go ｜ 协议：MIT ｜ 首个版本：2026-04
    • 🏷️ 定位：终端 / TUI / 桌面 / VS Code 四端共用同一本地引擎的 Coding Agent
    • 🔗 官网：https://reasonix.io/

    🔧 安装要求与过程

    环境要求

    • 支持 macOS / Linux / Windows（amd64 与 arm64）
    • 方式 A 需 Node.js（用于 npm）或 macOS 上的 Homebrew；方式 D 源码编译需 Go 工具链
    • 一个 DeepSeek（或任意 OpenAI 兼容）API Key，通过 reasonix setup 配置

    快速安装（推荐 CLI / TUI）

    # 任意系统，拉取预编译原生二进制
npm i -g reasonix

# 或 macOS 用 Homebrew
brew install esengine/reasonix/reasonix

    其他安装方式：① 桌面端 到官网下载页取 .dmg/.exe/.deb/.tar.gz；② VS Code 扩展 在 Marketplace 搜 SivanLiu.reasonix-agent；③ 源码编译：

    git clone https://github.com/esengine/DeepSeek-Reasonix.git
cd DeepSeek-Reasonix
make build      # -> bin/reasonix
make cross      # -> dist/ (darwin|linux|windows x amd64|arm64)

    三步上手

    reasonix setup                      # 配置 provider 与模型
reasonix                            # 启动交互式会话
reasonix run "implement the TODOs in main.go"   # 一次性跑任务

    交互会话里执行 /init 可让 Reasonix 自动生成项目说明文件。

    ✨ 核心功能

    1. 配置驱动：Provider、Agent、启用的工具与插件全部声明在 reasonix.toml，没有任何硬编码模型，换模型只是改一行配置。
    2. 多模型可组合：DeepSeek 是预置项；任意 OpenAI 兼容端点都是一条配置而非新代码；还可让两个模型（执行器 + 规划器）在各自缓存稳定的会话里协同工作。
    3. 插件驱动：外部工具以子进程方式经 stdio JSON-RPC 运行（兼容 MCP 协议）；内置工具在编译期自注册，扩展能力零摩擦。
    4. 缓存感知的上下文维护：启动时注入一份稳定的环境摘要，压缩摘要前先裁剪陈旧的工具输出，让长会话的前缀缓存命中率保持高位、token 成本维持低位。
    5. 零摩擦分发：CGO_ENABLED=0 产出单文件静态二进制，一条命令交叉编译到 6 个平台目标，唯一的外部依赖只是一个 TOML 解析器。

    🎯 典型使用场景

    • 长会话大型重构：把 Reasonix 一直开着，前缀缓存让「边聊边改」一整天也花不了多少 token；适合跨多文件的模块重构与迁移。
    • 双模型协作攻坚：用 DeepSeek 当执行器、再挂一个规划器模型，分别在缓存稳定的会话里做「想」与「做」的分工，复杂任务更稳。
    • 纯终端原生工作流：无需 IDE，命令行直接驱动；需要时也能借 VS Code 扩展获得编辑器上下文、工具调用审批与模型切换。

    💡 推荐理由

    我比较看重它三点：一是真的为 DeepSeek 优化过——前缀缓存稳定性不是口头标语，长会话成本明显比通用 Agent 低；二是单文件二进制零运行时依赖，在公司受限环境或远程机器上一拷就能跑，比一堆 Node/Python 依赖的 Agent 省心；三是配置与插件都走开放协议（TOML + MCP 兼容），不锁死模型，想接哪个 OpenAI 兼容端点都行。要说短板，项目 2026 年 4 月才起步，生态与社区体量还比不上 Claude Code / Cursor 那类老牌选手，但长势很猛（上线数月已 30K+ Star）。如果你常驻终端、又想用便宜强推理的 DeepSeek 干活，它值得一试。

    📥 下载地址

  • colibri：用纯 C 把 744B~2.8T MoE 大模型跑到本地

    colibri：用纯 C 把 744B~2.8T MoE 大模型跑到本地

    colibri 是近期 GitHub 上热度最高的本地推理引擎之一：只用纯 C 编写、零运行时依赖，就能把 744B 到 2.8T 参数的 MoE（混合专家）大模型跑在你现有的硬件上。它不是把模型硬塞进显存，而是把 VRAM、RAM 和 NVMe 当作同一层级来管理，按需从磁盘流式加载专家权重。项目上线一个月已收获 21.9K Stars，并支持 GLM-5.2、Inkling、Kimi K3、OLMoE 四大模型家族。

    本期我们就来拆解：colibri 是怎么让“本地运行千亿 MoE”这件事从神话变成可复现实验的。

    项目简介

    colibri 是一个面向前沿 MoE 模型的本地推理引擎。它用“存储即内存层级”的思路替代传统的“模型必须全进显存”假设：密集注意力层常驻 RAM，19456 个路由专家放在磁盘，只有在路由器真正需要时才被预取到 RAM/VRAM。这样一台只有 25 GB 内存的常规电脑也能把 744B 的 GLM-5.2 跑起来，而高端工作站则可以把全部专家驻留 GPU，达到接近数据中心的吞吐。

    配图速览

    colibri 核心速览
    colibri 核心数据一览
    三层存储层级
    colibri 把专家权重分布在 VRAM / RAM / NVMe 三个层级，速度随硬件变化，语义保持不变。

    安装要求和过程

    环境要求

    • 操作系统：Linux、macOS、Windows 11
    • 内存：最低 25 GB RAM（仅 CPU 流式）；推荐 128 GB 或更高，配合多 GPU 可获得更好体验
    • 磁盘：GLM-5.2 int4 容器约 372 GB；Kimi K3 原始检查点约 1.6 TB
    • 软件：Python 3（仅用于 launcher 和转换脚本）；编译源码需要 gcc/clang + OpenMP
    • GPU（可选）：CUDA、Metal（Apple Silicon）、Vulkan 1.2（含 AMD RADV）后端均可选

    快速安装

    1. 下载对应平台的预编译 release 并解压：
    mkdir colibri && tar xzf colibri-v1.1.0-linux-x86_64.tar.gz -C colibri && cd colibri
python3 coli info
    1. 或从源码构建：
    git clone https://github.com/JustVugg/colibri && cd colibri/c
./setup.sh
    1. 下载 GLM-5.2 int4 gs64 容器（推荐带 int8 MTP 头的版本）：
    # 推荐从 Hugging Face 拉取 mastouri/GLM-5.2-colibri-int4-g64-with-int8-mtp
# 约 372 GB，放 NVMe 上最佳
    1. 运行交互式聊天、API 服务或 Web 面板：
    COLI_MODEL=/nvme/glm52_i4 ./coli chat
COLI_MODEL=/nvme/glm52_i4 ./coli serve    # OpenAI-compatible API
./coli web --model /nvme/glm52_i4          # API + 可视化 dashboard

    核心功能

    1. 存储即内存层级
      把 VRAM、RAM、NVMe 统一成专家权重的放置策略。缺显存不会悄悄改模型精度或路由语义，只会影响速度。
    2. 按需流式加载专家
      MoE 每层只激活少量专家。colibri 让 19456 个专家中的绝大部分常驻磁盘，通过 per-layer LRU、学习到的热专家 pinned set 和一层提前预取（PILOT）减少磁盘等待。
    3. 纯 C 零依赖引擎
      每个模型对应一个 C 文件（如 c/glm.c），无 BLAS、无运行时 Python、无 GPU 也能跑。
    4. 多后端异构执行
      支持 CPU、CUDA、Metal、Vulkan 四种后端，可组合使用；双 SSD 镜像可把只读专家读取带宽翻倍。
    5. 学习缓存与压缩状态
      引擎记录你的工作负载路由历史（.coli_usage），越用越快；MLA KV 状态压缩到原来的 1/57，并能持久化对话上下文。

    典型使用场景

    场景一：个人开发者跑前沿模型做实验

    你只有一台 64 GB RAM + 1 TB NVMe 的台式机。传统 vLLM/llama.cpp 会把 744B 模型拒之门外；colibri 让你用 COLI_MODEL=/nvme/glm52_i4 ./coli chat 直接对话，虽然 token/s 不高，但足以做提示工程、长文本探索和小批量评估。

    场景二：工作室搭建本地私有 API

    在多卡工作站（如 6× RTX 5090）上，把专家全部驻留 GPU，colibri 可提供 5.8–6.8 tok/s 的解码速度和 1.6 s 的 TTFT。通过 coli serve 提供 OpenAI-compatible API，内部团队就能在不联网的情况下调用千亿模型。

    场景三：MoE 推理系统研究

    colibri 把放置策略、调度、I/O、CPU/GPU 重叠都做成可测量的实验参数。研究者可以替换缓存策略、测试双 SSD 镜像、评估 int4/int8/MXFP4 格式对质量的影响，并把结果以 issue 形式回馈社区。

    推荐理由

    colibri 最打动我的不是“跑 744B 模型”这个噱头，而是它把“本地推理”重新定义为系统优化问题：不盲目堆硬件，而是认真测量每一个瓶颈——磁盘带宽、专家命中率、KV 压缩、CPU/GPU 重叠、量化质量——并用可复现的 A/B 来做决策。README 里反复出现的不是营销数字，而是“这个功能在哪台机器上、用什么 commit、跑什么 prompt 测出来的”。

    对于国内用户，它还有一个隐性好处：GLM-5.2、Kimi K3、Qwen3 MoE（roadmap）等模型天然和中国模型生态更近，未来可以更低成本地跑开源中文大模型。

    当然，它现在还是研究导向的项目：没有 SLA 保证速度，配置参数很多，对磁盘和内存仍有一定要求。但如果你既想摸到前沿模型，又不想把数据送出去，colibri 是 2026 年最值得关注的本地推理引擎之一。

    下载地址