标签: AI Agent

  • Spec Kit:GitHub 官方出品的「规格驱动开发」工具包,让 AI 编码助手先写规格、再写代码

    Spec Kit:GitHub 官方出品的「规格驱动开发」工具包,让 AI 编码助手先写规格、再写代码

    Spec Kit

    项目简介

    Spec Kit 是 GitHub 官方开源的规格驱动开发(Spec-Driven Development, SDD)工具包。它给 GitHub Copilot、Claude Code、Gemini CLI、Codex 等 30+ 款 AI 编码助手注入一套「宪法 → 规格 → 计划 → 任务 → 实现」的结构化工作流,让你在动手写代码之前,先把「要做什么、为什么做」想清楚、写明白——告别想到哪写到哪的「vibe coding」。

    安装要求和过程

    环境要求

    • 操作系统:Linux / macOS / Windows
    • Python 3.11 及以上
    • 包管理器:uv(推荐)或 pipx
    • Git
    • 一个受支持的 AI 编码助手(Copilot / Claude Code / Gemini / Codex 等 30+)

    快速安装步骤

    ① 安装 uv(详见 astral.sh/uv):

    # 参见 https://docs.astral.sh/uv/getting-started/installation/
    curl -LsSf https://astral.sh/uv/install.sh | sh

    ② 安装 Specify CLI(已发布到 PyPI):

    uv tool install specify-cli
    # 或从源码锁定版本:
    # uv tool install specify-cli --from git+https://github.com/github/spec-kit.git@v0.12.16

    ③ 初始化项目并选择你的编码助手:

    specify init my-project --integration copilot
    cd my-project

    ④ 在项目目录里启动 AI 编码助手,即可使用 /speckit.* 系列命令(Codex 等 skills 模式用 $speckit-*)。

    核心功能

    • 结构化 SDD 工作流:constitution(项目宪法)→ specify(需求规格)→ plan(技术方案)→ tasks(任务拆解)→ implement(实现),把「先写规格、再写代码」固化成可复用的标准流程。
    • 兼容 30+ AI 编码助手:Copilot、Claude Code、Gemini、Codex、Cursor 等,通过 slash 命令或 skills 模式无缝集成,一个工具链覆盖全团队。
    • 项目宪法(Constitution):/speckit.constitution 定义代码质量、测试标准、性能与体验等治理原则,在规格、计划、实现的每一环约束 AI 的决策。
    • 可扩展的扩展 / 预设 / 打包体系:extensions 增加新命令与能力,presets 改写模板与术语(如合规、安全门禁),bundles 一键部署「产品经理 / 安全研究员 / 开发者」等角色化工作流。
    • 离线可用 & 自管理升级:所有 consume/author 命令可针对本地或锁定源离线运行;specify self upgrade 一键升级到稳定版本,且安装幂等、仅作用于项目根目录。

    典型使用场景

    • 从零搭建应用(Greenfield):用一句话需求生成功能规格,再让 AI 按计划与任务清单逐步实现,避免「vibe coding」式的方向跑偏与大量返工。
    • 团队标准化研发流程:通过 presets 强制合规 / 安全的规格格式,用 bundles 给不同角色一键装配统一工具链,保证多人协作的产出口径一致、可追溯。
    • 遗留系统现代化(Brownfield):在已有项目中迭代加功能、做现代化改造;Spec Kit 工具更新与功能规格演进分离,支持平滑演进的 brownfield 循环。

    推荐理由

    用过 AI 编码助手的人大多有过这种体验:让它「帮我做个照片相册应用」,它啪一下甩出几百行代码,跑起来才发现需求理解错了、结构一团糟、改起来比自己写还累。Spec Kit 解决的正是这个痛点——它不替你思考,而是逼你把需求先写成规格

    我最看重三点:一是 Constitution 把团队的工程质量标准沉淀成可复用的「宪法」,AI 全程受它约束,产出更稳;二是 tasks 把大需求拆成可勾选的任务清单,每一步都有据可查、可回退;三是它足够——本质上只是个 CLI + 一组 slash 命令,没有重运行时,和 Claude Code / Copilot 配合几乎零摩擦。当然,它是一套「流程纪律」而非魔法:规格写得好不好,直接决定最终质量。把它当成一个让 AI「先审题再答题」的脚手架,体验会非常顺。

    下载地址

    * 本文数据来自 GitHub API,截至 2026-07-16;Spec Kit 由 GitHub 团队开源,采用 MIT 许可。

  • 互联网之父给AI智能体发“身份证”:没有身份,它们只能在笼子里打转

    TCP/IP 之父 Vint Cerf
    TCP/IP 之父 Vint Cerf(图源:Getty Images)

    互联网之父这个头衔,Vint Cerf 戴了快半个世纪。他上世纪 70 年代和人一起写下的 TCP/IP,是今天全网机器能互相找到对方的底层规则。上个月,在谷歌待了 20 年的 Cerf 正式退休。他没去钓鱼,转头接下了 Identity Digital 旗下 Innovation Labs 的顾问活儿——任务是给 AI 智能体设计一套公开的身份证明体系。

    今天跑在网上的大多数 AI 智能体,其实都被关在自家后院。它们调用内部资源、完成某个具体任务,很少真正跨出门去和别的公司的智能体打交道。可企业已经在想象一个更野的画面:智能体自己在网上乱跑,互相直接谈判、下单、协调。拦住这一步的最大坎,是缺一套大家都认的身份和审计标准。

    几种方案正在冒头,Innovation Labs 提的那个叫 DNSid。思路很接地气:把每一个智能体,挂到一个已有的互联网域名下面,再用密码学证明把它每次的注册记录按时间存下来。这样一来,谁派出了这个智能体、它有多大权限、出了问题找谁负责,就都有了据可查。公司临时 CEO Allie Kline 说,他们已经在和几家不愿具名的超大规模云厂商、身份公司一起试这套标准。

    Cerf 自己说,真正棘手的是一连串老问题:“一个智能体的权力从哪来、谁该为它的行为负责、你又凭什么信它。”他预计这段日子会既迷人又让人抓狂,因为智能体比域名活跃得多,一个组织注册一个智能体时到底在承诺什么,现在谁也说不清。

    为什么这事非他不可

    Cerf 看中的,是命名和身份验证正在变重要的这个当口。他拿 TCP/IP 打比方:当年也是用户端先急了,才逼出了一套能跨网互通的协议。公司 X 用智能体 Y,公司 A 用智能体 C,结果两边对不上话——这种事经历过太多次了,最后还是得靠用户倒逼。他的判断是,任何协议想被广泛接受,关键看它管不管用,而不是看谁喊得响。

    超大规模云想自己定规矩,别人未必服

    Kline 特意强调,他们没打算顺手做别的 AI 生意,也不碰注册数据。一家超大规模云放出一套标准、还攥着专有数据,行业本能是会排斥的。这话说给谁听,圈内人都懂——大厂各自圈地,正是眼下智能体互操作最大的暗礁。

    • Linux 基金会已在 6 月底宣布筹备 Agent Name Service(ANS),要做跨网智能体的可信身份与发现标准
    • NIST 今年 2 月也启动了 AI Agent 标准计划,把身份和安全的研究往行业牵引

    Cerf 不觉得智能体经济一定就是互联网的宿命。但我确定的是,人总会去试。他的理由很朴素:人天生爱偷懒,只要有个智能体能替你把事办了,多半就会选它,因为省事。当偷懒变成刚需,给这些智能体发一张全网通用的身份证,就从锦上添花变成了绕不开的基础设施。

  • nanobot:可完全自托管的轻量级个人 AI 智能体运行时

    nanobot:可完全自托管的轻量级个人 AI 智能体运行时

    nanobot 封面

    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 WebUI

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

    nanobot 架构

    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”“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

    ⚠️ 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。

  • PentAGI:完全自主的 AI 渗透测试智能体系统(20.7K Stars,Go 构建)

    PentAGI:完全自主的 AI 渗透测试智能体系统(20.7K Stars,Go 构建)

    PentAGI 概览

    项目简介

    PentAGI(Penetration testing Artificial General Intelligence)是一个面向信息安全专业人士、研究人员与爱好者的自动化安全测试平台。它用前沿 AI 技术把渗透测试流程完全自主化——从信息收集、漏洞利用到生成可执行的攻防报告,全部由多智能体团队在隔离的 Docker 沙箱中自动完成。项目由 vxcontrol 团队维护,采用 MIT 许可证,目前在 GitHub 上已收获 20.7K+ Stars。

    安装要求和过程

    环境要求

    • Docker 与 Docker Compose(或 Podman)
    • 最低 2 vCPU、4GB 内存、20GB 可用磁盘空间
    • 可访问外网(用于拉取镜像与更新)
    • 支持 10+ LLM 供应商:OpenAI / Anthropic / Google Gemini / AWS Bedrock / DeepSeek / Ollama / GLM / Kimi / Qwen 等

    快速安装

    # 1. 下载官方 docker-compose 编排文件
    curl -O https://raw.githubusercontent.com/vxcontrol/pentagi/master/docker-compose.yml
    
    # 2. 一条命令启动(默认拉起 Web UI、Agent 运行时、PostgreSQL+pgvector 等)
    docker compose up -d

    启动后访问 Web UI 完成登录与 LLM 供应商配置,即可用自然语言下发渗透测试任务。还可叠加 docker-compose-langfuse.yml(可观测)、docker-compose-graphiti.yml(知识图谱)、docker-compose-observability.yml(Grafana/Prometheus)等可选编排文件扩展能力。

    核心功能

    • 安全隔离 + 完全自主:所有操作在沙箱化的 Docker 环境中执行,AI 智能体自动规划并执行测试步骤,可选执行监控与智能任务规划提升可靠性。
    • 20+ 专业安全工具内置:开箱即用地集成了 nmap、metasploit、sqlmap 等一整套渗透利器。
    • 专家智能体团队:研究 / 开发 / 基础设施等专职 Agent 分工协作,配合任务规划让小模型也能高效运转。
    • 智能记忆 + 知识图谱:长期沉淀研究结果与成功路径,基于 Graphiti + Neo4j 构建语义关系图谱,增强上下文理解。
    • 详尽报告与可观测性:自动产出带利用指南的漏洞报告,并集成 Grafana/Prometheus 实现实时监控。

    典型使用场景

    • 授权环境下的自动化攻防演练:安全团队在自有靶场或获得书面授权的资产上,让 PentAGI 跑完整渗透流程,快速发现暴露面。
    • 红队作业与报告交付:红队队员把重复性信息收集、初步利用交给智能体,专注高价值的人工研判,并直接生成可交付的漏洞报告。
    • 安全研究与教学:结合 Graphiti 知识图谱复盘历次测试路径,沉淀方法论,用于教学与能力培养。

    推荐理由

    一句话——它把”渗透测试”这件高度依赖经验的手艺,变成了一条可由自然语言驱动、且全程可审计的流水线。对我个人而言最打动的有三点:① 彻底沙箱化,跑再多危险操作也不怕污染宿主机;② 多智能体分工比单一大模型稳得多,任务规划 + 执行监控让小模型也能干活;③ 知识图谱 + 长期记忆让它会”越用越聪明”。当然,它定位是合规授权场景下的安全研究利器,务必在合法授权范围内使用。

    下载地址

    • GitHub 仓库:https://github.com/vxcontrol/pentagi
    • 社区:Discord(discord.gg/2xrMh7qX6m)与 Telegram(t.me/+Ka9i6CNwe71hMWQy)
    • 部署方式:Docker / Docker Compose 自托管,数据完全自控

    本文仅作技术介绍,请在法律法规与授权范围内合理使用。

  • Vibe-Trading:一句话驱动你的专属 AI 交易智能体(23K+ Stars)

    Vibe-Trading:一句话驱动你的专属 AI 交易智能体(23K+ Stars)

    Vibe-Trading Logo

    今天要介绍的项目是 Vibe-Trading —— 来自香港大学数据科学团队 HKUDS(LightRAG 同门)开源的「个人交易智能体」。它把一个完整的 AI 投研工作流塞进了一条命令行:你用大白话下指令,它自己去拉数据、写策略、跑回测、出报告,甚至拉起一整个多智能体投研团队帮你做多空辩论。

    一、项目简介

    Vibe-Trading 是一个用自然语言驱动的「个人交易智能体」:一句话即可完成市场研究、策略回测、交易行为复盘与多智能体投研协作。后端 FastAPI、前端 React 19,单条命令安装,免费行情源默认开箱即用。

    自我进化的交易智能体

    二、安装要求和过程

    环境要求

    • Python 3.11+(本地安装路径),或 Docker(零配置路径);
    • 一个 LLM API Key(OpenRouter / DeepSeek / Gemini / Groq / Ollama 本地 等任选其一),也可完全免 Key 使用内置免费行情源;
    • 支持 A股 / 港股 / 美股 / 加密 / 期货 / 外汇 等多市场。

    快速安装(PyPI 一行装)

    pip install vibe-trading-ai
    
    vibe-trading init
    vibe-trading run -p "Backtest a BTC-USDT 20/50 moving-average strategy for 2024 and summarize return and drawdown"

    Docker 零配置(约 2 分钟)

    git clone https://github.com/HKUDS/Vibe-Trading.git
    cd Vibe-Trading
    cp agent/.env.example agent/.env   # 取消注释并填入你的 LLM provider
    docker compose up --build
    # 浏览器打开 http://localhost:8899

    装好后会得到三个命令:vibe-trading(交互式 CLI/TUI)、vibe-trading serve(启动 Web UI)、vibe-trading-mcp(供 Claude / Cursor 等接入的 MCP 服务)。

    三、核心功能

    多智能体交易团队

    1. 自我进化的交易智能体:持久化记忆 + 可编辑技能,把有用的研究套路沉淀成可复用工作流,越用越顺手。
    2. 多智能体交易团队:内置 30 个预设投研团队(投资委员会、crypto 交易台、宏观利率外汇台、量化策略台等),让多个 Agent 像真实投研部一样辩论、风控、拍板。
    3. 跨市场数据 + 智能回退:一次 get_market_data 调用打通 19 个免费数据源(腾讯/东方财富/AKShare/OKX/yfinance 等),按 IP 封禁风险自动回退,零配置、零 Key、无单点故障。

    跨市场数据回测

    1. 影子账户(Shadow Account):上传券商交割单(同花顺 / 东方财富 / 富途 / 通用 CSV),Agent 还原你的交易行为画像、提取「影子策略」,再与实际成交对比,揪出提前离场、过度交易、处置效应等纪律漏洞。
    2. 预置 Alpha 动物园:一行命令对 461 个量化因子(Qlib158 + Alpha101 + GTJA191 + 学术 + 基本面)做 IC/IR 与「存活 / 失效 / 反向」分类,随时给自己的股票池打分。

    影子账户交易复盘

    四、典型使用场景

    1. 自然语言回测:让 Agent 用一句话写出策略代码、跑回测,输出含收益 / 回撤 / 基准对比的报告,还能直接导出 TradingView Pine Script、通达信、MetaTrader 5 代码。
    2. 个人交易复盘:上传交割单,自动生成 PDF / HTML 行为诊断报告,看清自己的交易习惯与纪律缺口——比手动复盘高效太多。
    3. 多 Agent 投研协作:用「投资委员会」团队对某个标的做多空辩论 + 风险评审,结论可直接推送到 Telegram / 飞书 / 企业微信 / Discord / Slack / QQ 等 IM 渠道。

    五、推荐理由

    我特别欣赏它「开箱即用」的设计:免费行情源默认就能跑,不用先配一堆 Key 才能动手;而多智能体 + 影子账户的组合,真正戳中了真实交易者的痛点——它不是一个只会在历史数据上回测的玩具,而是能帮你认识「自己怎么交易」的教练。香港大学团队出品,文档与因子库相当扎实。

    ⚠️ 风险提示:金融科技永远有风险,Vibe-Trading 的所有输出均仅供参考、不构成投资建议,切勿直接据此实盘。

    六、下载地址

  • Graphify:把整个代码库变成 AI 可推理的知识图谱

    Graphify:把整个代码库变成 AI 可推理的知识图谱

    📌 项目简介

    Graphify 是一个开源的 AI 编程助手技能(Skill),用一条命令把你手头的代码库、SQL schema、论文 PDF、文档、截图甚至白板照片,全部解析成一张可查询的知识图谱。你的 AI 助手(Claude Code / Cursor / Codex / Gemini CLI / Aider 等 17 种)不再靠 grep 或模糊检索”猜”答案,而是沿着图谱里的真实路径推理——而且每条关系都可溯源、可审计。

    💻 安装要求和过程

    环境要求

    • Python 3.10+(解析与存储完全本地运行,无需任何服务器)
    • 任意一个支持的 AI 编程助手:Claude Code、Cursor、GitHub Copilot、OpenAI Codex、Gemini CLI、Aider 等(共 17 种),或任意 MCP 客户端
    • 联网(仅用于把文件送给你自己配置的模型,如 Claude / Ollama;代码本身不出本机)

    快速安装

    PyPI 上的包名暂时叫 graphifyy(两个 y),但命令与技能名仍然是 graphify

    pip install graphifyy
    graphify install        # 把技能注入你的 AI 助手

    然后在任意目录下打开你的 AI 助手,输入:

    /graphify .            # 对当前目录建图,代码 / 笔记 / 论文通吃

    Windows 若提示找不到命令,把 %APPDATA%\Python\Python3xx\Scripts 加入 PATH,或直接用 pipx install graphifyy;macOS 若报 externally-managed 错误同样改用 pipx 即可。

    ✨ 核心功能

    1. 全模态建图:万物皆可成节点

    支持代码(Python / TS / Go / Rust / Java / C++ 等 36 种 tree-sitter 语法)、文档(md / txt / rst)、论文 PDF,以及截图 / 流程图 / 白板照片 / 多语言文字图片(借助 Claude 视觉能力)。App 代码、数据库 schema、基础设施被统一进同一张图。

    2. 本地优先、零云端、零遥测

    解析在本地跑,图谱就是磁盘上的一个文件(graph.json),没有任何服务器在环、没有任何遥测上报。代码永远不会离开你的机器——对重视隐私和合规的团队尤其关键。

    3. 可审计的溯源:每条边都标明”怎么知道的”

    图谱里每一条关系都被打上 EXTRACTED(源码里实锤)、INFERRED(由结构与命名推理,通常靠谱但值得复核)、AMBIGUOUS(证据指向多于一方)三种标签。AI 回答时引用的是它走过的真实路径,而不是”凭感觉”。

    4. 17 个 AI 助手 + 自带 MCP Server

    一个技能可装进 17 种助手,并额外提供 MCP server:既可 stdio 单机服务,也能 HTTP 给整个团队共享。还附带 graphify prs 终端 PR 看板(CI 状态 / AI 分诊 / 合并冲突风险)。

    5. 自动同步:图谱跟着代码长

    --watch 后台实时重建(代码保存即时、文档 / 图片变化提醒你跑 --update);graphify hook install 还能装一个 git post-commit 钩子,每次提交后自动重建图谱,多 Agent 并行写码时图谱始终保持最新。

    Graphify 知识图谱可视化
    Graphify 将代码库映射为可交互知识图谱:节点=符号,颜色=自动识别的模块社区,大节点=God Node

    🎯 典型使用场景

    场景一:接手一个陌生代码库

    不用硬读 100 个文件——直接查 “god nodes”(连接度最高的符号,改动影响面最大),几分钟摸清架构与模块边界,新成员上手速度拉满。

    场景二:团队共享”谁负责什么”

    把 graph.json 提交进仓库,或用 graphify.serve 走 HTTP。新人问 “谁负责 billing?”,得到的是穿过真实代码的两条跳路径,而不是一周前的 Slack 聊天记录。

    场景三:给 AI 编程助手装”记忆”,省下海量 token

    官方基准:在 Karpathy 仓库 + 论文 + 图片的混合语料上,相比逐文件读取原始文件,每次查询 token 减少 71.5 倍;社区实测在 49.6 万 token 的代码库上省 79 倍,且零向量数据库。NOTE / WHY / HACK 注释还会变成可追查的图谱节点。

    💡 推荐理由

    我最早是被”用图谱替代 grep”这个点打动的。实际用下来,最戳我的是可审计——现在太多 RAG / 向量库方案给的是个不透明的相似度分数,你根本不知道 AI 为什么这么答;Graphify 把每条边都标了出处,你能直接点开源码第几行去验证。再加上纯本地、MIT、零账号零卡片,安全感拉满。它不算”重”的工具,装一个 skill、跑一条命令,就能让手头的 AI 编程助手从”猜”变成”走查”。如果你也受够了助手读不全代码、答非所问,值得一试。

    🔗 下载地址

  • Orca:把一整支 AI 编程舰队装进一个 IDE(并行 Agent 开发环境 ADE)

    Orca:把一整支 AI 编程舰队装进一个 IDE(并行 Agent 开发环境 ADE)

    Orca 并行 worktree 界面

    如果你已经离不开 Claude Code、Codex 这类编码智能体,却苦于在一堆终端窗口里来回切换、分支互相打架,Orca 就是为这种痛而生的。它自称 “The AI Orchestrator for 100x builders”,是一个开源(MIT)的 ADE(Agent Development Environment,智能体开发环境)——和传统 IDE 不同,Orca 不是给你一个人用的,而是给你和你的”一舰队”智能体一起用的。

    项目简介

    Orca 是一款跨桌面(macOS / Windows / Linux)与移动端(iOS / Android)的 Agent IDE,让你把 Claude Code、Codex、OpenCode、Cursor、Copilot、Gemini 等任意 CLI 智能体并排运行在各自独立的 git worktree 中,统一编排、跟踪与合并,还配了一个能在手机上远程监控和发指令的伴侣 App。

    安装要求和过程

    环境要求:

    • 桌面端:macOS 11+ / Windows 10+ / 主流 Linux 发行版;
    • 需自行准备至少一个编码智能体的订阅(Claude Code、Codex、OpenCode 等任一即可);
    • 移动伴侣:iOS 16+ 或 Android 8+;
    • 无头服务器场景可选:Linux 服务器 + orca serve

    快速安装:

    1. 桌面端直接下载安装包(或用包管理器):
    # macOS (Homebrew)
    brew install --cask stablyai/orca/orca
    
    # Arch Linux (AUR)
    yay -S stably-orca-bin
    
    # 或前往 https://onorca.dev/download 下载 dmg / exe / AppImage
    
    1. 打开 Orca,登录你的智能体订阅账号,新建 Workspace;
    2. (可选)手机安装 Orca 伴侣 App,扫码与桌面端配对;
    3. (可选)无头服务器:orca serve 启动远程 worktree 服务。

    核心功能

    • 并行 Worktrees:一条提示可扇出到 5 个智能体,各自在隔离的 git worktree 中独立干活,互不干扰,你只需对比结果、合并最优解——告别 stash 与分支打架。
    • 终端分屏:内置 Ghostty 级终端,WebGL 渲染、无限分屏、重启后滚动历史不丢,还支持全文搜索。
    • 设计模式(Design Mode):每个 worktree 附带真实 Chromium 窗口,点击任意 UI 元素即可把它的 HTML、CSS 和裁剪截图直接送进智能体提示,做前端迭代超顺手。
    • GitHub & Linear 原生集成:应用内浏览 PR、issue 和项目看板,从任务直接开 worktree 审查、合并,无需切上下文。
    • 移动伴侣:手机端实时看智能体状态、查用量、切换账号,智能体跑完推送通知,离开工位也能续命。

    Orca 终端分屏

    Orca Design Mode

    典型使用场景

    • 同一需求多智能体赛马:把”修复登录竞态”同时丢给 Claude Code 和 Codex,各自在独立 worktree 实现,再挑实现更干净的合并,质量与速度双增。
    • 远程算力 + 本地轻量:在强劲的云服务器上跑 orca serve,本地笔记本只做轻量操作,SSH worktree 自动重连、端口转发,CI 跑挂了也能随时续。
    • 通勤中远程续命:智能体在桌面端跑长任务,你在地铁上用手机伴侣看进度、发现走偏了直接发一句纠正指令,到家正好收工。

    推荐理由

    我自己的体感是:当你的工作流里同时养了 2 个以上编码智能体,纯终端 + tmux 的管理成本会指数上升——分支冲突、上下文丢失、账号切换最磨人。Orca 把”并行隔离 + 统一编排 + 移动可观测”这三件事打包成一个干净的应用,而且开源 MIT、自带 Ghostty 级终端和真实浏览器,比那些只包一层终端的 wrapper 完整太多。它不绑定任何一家模型厂商, bring-your-own-subscription 的思路也让成本可控。唯一门槛是它更偏”重环境”,轻度用户用终端就够了;但只要你开始”以舰队为单位”写代码,Orca 几乎是必装。

    下载地址

  • herdr:住在终端里的 AI 智能体复用器,像 tmux 一样并行调度多个编程 Agent

    herdr:住在终端里的 AI 智能体复用器,像 tmux 一样并行调度多个编程 Agent

    herdr 终端演示

    herdr 是一个「住在你终端里的智能体复用器(agent multiplexer)」——它让你像 tmux 管理多窗口那样,在同一个终端里同时监督、调度和并行运行 Claude Code、Codex、Copilot、Gemini CLI 等多个 AI 编程智能体,全部以真实终端视图呈现,随时脱离(detach)与重新接入(reattach)。

    项目简介

    herdr 是用 Rust 写的单文件二进制工具,定位是「AI 编程智能体的终端调度台」。当你的工作流里同时跑着好几个编码 Agent,herdr 帮你把它们收进一个分屏会话里统一管理:谁在干活、谁卡住了、谁完成了,一眼看清;你离开后智能体继续跑,回来在任意终端(甚至 ssh)重新接入就能接着看。

    安装要求和过程

    环境要求

    • 任意现代终端(macOS / Linux 已稳定,Windows 为 beta 版);
    • 无需运行时依赖,单个 Rust 二进制,无 Electron,不占内存;
    • 可选:Homebrew、mise 等包管理器;源码编译需 Rust 工具链(cargo)。

    快速安装

    一行安装脚本(推荐):

    curl -fsSL https://herdr.dev/install.sh | sh

    其他安装方式:

    # Homebrew
    brew install herdr
    
    # mise
    mise use -g herdr
    
    # Windows (beta)
    powershell -ExecutionPolicy Bypass -c "irm https://herdr.dev/install.ps1 | iex"
    
    # 源码编译
    git clone https://github.com/ogulcancelik/herdr
    cd herdr
    cargo build --release

    在代码目录直接启动:

    herdr          # 启动,在代码所在目录运行
    ctrl+b q       # 脱离会话(agents 继续跑)
    herdr          # 任意终端重新接入

    核心功能

    1. 一眼掌控所有智能体:每个 Agent 的状态(blocked / working / done)一目了然,呈现的是真实终端视图,而不是被二次包装过的「解读」。
    2. 脱离后智能体继续跑:会话 detach 后进程不中断,可在任意终端或 ssh 上重新接入,甚至终端/机器重启后会话依然存活。
    3. 智能体也能用 herdr:提供纯 socket API,Agent 可以自己创建 pane、读取输出、互相等待,官方还给了 agent skill,让多智能体流水线成为可能。
    4. 键鼠都是一等公民:既支持 tmux 式前缀键(ctrl+b),也支持鼠标点击、拖拽、分屏,按当下场景自由切换,不被工具绑架。
    5. 插件可扩展:通过插件扩展 pane 与工作流,官方有插件市场,可按需装配能力。
    6. 单 Rust 二进制、无 Electron:跑在你已有的终端里,启动飞快、资源占用极低。

    典型使用场景

    1. 并行跑多个编程智能体
    同时开 Claude Code、Codex、Gemini CLI,分屏对照各自进度,省去在多个窗口之间反复切换、对不上上下文的麻烦。

    2. 远程 / 无人值守跑长任务
    在本地 detach,ssh 到服务器后执行 herdr 重新接入看结果,CI 长任务、 overnight 构建不占用本地终端,进程也不怕断线。

    3. 智能体互相编排
    让一个 Agent 通过 socket API 拉起子 Agent、等它产出再继续,把多智能体协作沉淀成可复用的流水线,而不是手动粘贴上下文。

    推荐理由

    现在工程师同时用两三个 AI 编程助手已是常态,但窗口一多就乱、上下文对不上、离开后任务状态无从追踪。herdr 把「多智能体并行调度」做成了一个趁手的终端工具——不像套壳 IDE 那样笨重,Rust 单二进制启动飞快,detach/reattach + ssh 重新接入这个能力对经常远程看进度的人尤其实用。项目 AGPL-3.0 开源、文档齐全(quick start / concepts / agents / plugins / socket api 一应俱全),如果你已经在 tmux 和多个编码 Agent 之间反复横跳,值得一试。

    下载地址

  • Matt Pocock’s Skills:给真工程师用的 AI 编程 Skill 合集(167K★,MIT)

    Matt Pocock’s Skills:给真工程师用的 AI 编程 Skill 合集(167K★,MIT)

    Matt Pocock Skills

    AI 编程助手很强,但常常「生成很强、理解很弱」——需求没对齐就开干、跑不通就乱试、代码越写越乱。Matt Pocock’s Skills 是 Total TypeScript 作者、TypeScript 圈大佬 Matt Pocock 把自己 .claude 目录里每天在用的工程技能开源出来的合集:不接管你的流程,而是把真实工程纪律封装成一组足够小、可改造、可组合的 Skill。

    一、项目简介

    Matt Pocock’s Skills 是一套面向「真工程师」的 AI 编程 Agent 技能库(Skills for Real Engineers),源自作者每天都在用的 .claude 配置,用几十个可组合的小技能把需求对齐、TDD、结构化调试、架构治理等工程纪律固化下来,而不是像 GSD/BMAD/Spec-Kit 那样「接管整个开发流程」。

    二、安装要求和过程

    环境要求

    • 任意支持 Agent Skills 标准的编程智能体:Claude Code、Codex、Gemini CLI、Cursor 等(skills.sh 安装器可覆盖 70+ Agent)
    • Node.js 环境(用于 npx 一键安装)
    • 零运行时依赖:纯 Markdown + Shell 技能,MIT 协议

    快速安装

    # 一行安装(从 skills.sh 拉取并按提示选择技能)
    npx skills@latest add mattpocock/skills
    
    # 或在 Claude Code 中使用 plugin marketplace 添加
    # 安装后即可用 /ask-matt 跳转开始

    三、核心功能

    1. 小而可组合的设计哲学:每个 Skill 都小到能读懂、能改、能删;不接管流程,把决策权留给人,避免重型框架的“流程自身出 bug 难查”。
    2. Grilling 柚问式访谈:动手前先对齐需求(/grill-me/grill-with-docs 会更新 CONTEXT.md 与 ADR),根治“Agent 没做你想要的事”。
    3. TDD + 结构化调试:把红绿重构和诊断纪律封装成可复用技能(/tdd/diagnose),让代码做出来就能跑。
    4. 共享语言与架构治理:通过 CONTEXT.md / ADR 建立团队共享术语,/improve-codebase-architecture 生成可视化 HTML 架构报告。
    5. 标准化、跨工具:遵循开放的 Agent Skills 标准,技能按调用方式分为 User-invoked(人工触发)与 Model-invoked(Agent 自动调用),通用于各编程智能体。

    四、典型使用场景

    • 新功能前需求对齐:用 /grill-me 把模糊想法柚问成清晰需求,再用 /to-issues 拆成工单、/to-prd 产出产品需氛文档,防止 Agent 跑偏。
    • 遇到诡异 Bug:不让 Agent 乱试,用 /diagnose 走结构化调试法,逐步定位根因。
    • 持续保持代码健康:编码时让 Agent 自动调用 /tdd 保持测试驱动,随时用 /improve-codebase-architecture 给代码层做体检并生成可视化报告。

    五、推荐理由

    我个人非常吃这套“真工程”路线。现在大量 Agent 框架走的是“接管流程”,一上来就把你的控制权收走,流程本身出了 bug 还难查。mattpocock/skills 反道而行:技能够小、够透明,你能读懂、能改、能删,把理解的过程交还给人和 Agent 之间的对话。对于已经有本地 Skill 体系的团队,它最适合的定位不是“替换”,而是“增强”。尤其推荐给被 Vibe Coding 耗到的同学——它是真正的 Real Engineering 和随便写代码之间的分野。

    六、下载地址

    文章配图来源:项目官方仓库 / Total TypeScript Cloudinary。本文由自动化任务采集整理,转载请注明出处。

  • codebase-memory-mcp:给 AI 编程助手装上「代码记忆」的知识图谱引擎(30.7K Star)

    codebase-memory-mcp:给 AI 编程助手装上「代码记忆」的知识图谱引擎(30.7K Star)

    codebase-memory-mcp 3D 知识图谱可视化

    项目简介

    codebase-memory-mcp 是 DeusData 开源的高性能「代码智能」MCP 服务器。它把整个代码库预先解析成一张持久化的知识图谱,让 Claude Code、Cursor、Codex 等 AI 编程智能体通过结构化查询(而非逐文件读取)来理解代码——平均仓库毫秒级建图、查询亚毫秒返回,官方论文实测可节省约 99% 的 token 消耗。纯 C 实现、单静态二进制、零运行时依赖、100% 本地运行。

    安装要求和过程

    环境要求

    • 操作系统:macOS(Apple Silicon / Intel)、Linux(x86_64 / ARM64)、Windows(x86_64)
    • 无需 Docker、无需运行时、无需 API Key
    • 零依赖:单静态二进制,运行时无任何外部依赖,下载即可运行
    • 可选的 3D 可视化 UI 需浏览器访问 localhost:9749

    快速安装

    macOS / Linux 一行安装(默认无 UI):

    curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash

    带 3D 可视化界面:

    curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash -s -- --ui

    Windows(PowerShell):下载 install.ps1 后执行 Unblock-File .\install.ps1 再运行 .\install.ps1

    也可通过 npm / PyPI / Homebrew / Scoop / Winget / Chocolatey / AUR 安装。安装脚本会自动探测并写入 11 种 AI Agent 的 MCP 配置(Claude Code、Codex、Gemini CLI、Zed、Cursor、VS Code、Aider、Kiro 等),重启 Agent 即生效。

    核心功能

    1. 毫秒级代码建图

    采用 RAM 优先管道(LZ4 压缩 + 内存 SQLite),平均仓库毫秒级全量索引,Linux 内核(2800 万行 / 7.5 万文件)仅需 3 分钟,索引完成后释放内存,不长期占用资源。

    2. 158 种语言 + Hybrid LSP 语义解析

    内置 tree-sitter 语法覆盖 158 种语言,并对 Python / TypeScript / Go / Rust / C# / Java 等 11 种语言叠加 Hybrid LSP 语义类型解析,生成函数、类、调用链、HTTP 路由、跨服务链接等实体与关系组成的知识图谱。

    3. 14 个 MCP 工具

    涵盖索引类(index_repository / list_projects / delete_project / index_status)与查询分析类(search_graph / trace_path / query_graph / get_architecture / detect_changes / search_code / manage_adr 等),覆盖搜索、调用链追踪、架构概览、改动影响面分析、死代码检测。

    4. 节省约 99% token

    5 次结构化查询约 3,400 token,而逐文件搜索约 412,000 token,省下约 120 倍;一次图查询即可替代数十次 grep / read 循环,大幅缓解大仓库的上下文窗口焦虑。

    5. 11 种 Agent 一键接入 + 3D 图可视化

    install 自动探测配置 Claude Code / Codex / Gemini CLI / Zed / Cursor / VS Code / Aider / Kiro 等 11 种 Agent;可选 UI 变体在 localhost:9749 提供交互式 3D 知识图谱浏览,直观查看调用关系与代码结构。

    典型使用场景

    1. 大型代码库”秒懂”

    在 5 万行以上的项目上,让 Claude Code 通过 get_architecture 一次拿到语言 / 包 / 路由 / 热点概览;问”谁调用了 ProcessOrder?”,由 trace_path 直接返回完整调用链,无需反复读取文件。

    2. 改动影响面分析

    提交前运行 detect_changes,把 git diff 映射到具体符号并做风险分级,提前知道”改这个函数会波及哪些模块”,避免误删、误改导致线上故障。

    3. 团队共享代码记忆

    .codebase-memory/graph.db.zst 压缩快照提交到 git,团队成员 clone 后免重复索引;新人也能立刻获得全局结构认知,降低上手成本。

    推荐理由

    作为重度使用 Claude Code 的开发者,这个项目最打动我的是“把上下文探索从每次重新读文件,变成查询持久化图谱”的思路。在 2800 万行的 Linux 内核上 3 分钟建完索引、查询亚毫秒返回,意味着 AI 助手不再因为上下文窗口焦虑而反复 grep、read,token 成本直接砍掉 99%。纯 C 单二进制、零依赖、100% 本地运行(代码不出机器)也是加分项,对个人隐私和多语言大型仓库非常友好。

    一点小提醒:目前纯 C 实现对新语言的语义解析仍有分级(函数式语言如 OCaml / Haskell 解析度 <75%),且安装后需要重启 Agent 才能生效配置;但它已经是 AI 编程工作流里”装上就不想卸”的基础设施级工具。

    下载地址