标签： AI Agent

herdr：17.3K Stars 的终端 Agent 复用器，在命令行里同时”放养”一群 AI 编程智能体
herdr 是一款用 Rust 写成、直接跑在你现有终端里的「Agent 复用器（agent multiplexer）」——把 Claude Code、Codex、Cursor、Copilot 等一众 AI 编程智能体并排塞进真实的终端面板，统一监视、分屏、脱离与重连，让你在命令行里就能”放养”一整群 Agent。

一、项目简介

herdr = terminal agent multiplexer。它不是一个封装 AI 的 Web 界面，而是一个单文件 Rust 二进制（无 Electron），把多个 AI 编程智能体的真实终端会话聚合到同一个 TUI 里：每个 Agent 的工作状态（阻塞 / 进行中 / 已完成）一目了然，你可以像用 tmux 一样分屏、点击、脱离，而 Agent 们还在后台继续干活。

二、安装要求和过程

环境要求
- 任意现代终端（macOS / Linux / Windows 终端均可），无需图形界面；
- 单个 Rust 静态二进制，无 Electron、无运行时依赖；
- 支持通过 ssh 远程接入，会话在重启后依然存活；
- 可选：本地有 Claude Code / Codex / Cursor 等任一 AI 编程助手即可配合工作。
快速安装
```
# macOS / Homebrew
brew install herdr

# 一键安装脚本（Linux / macOS）
curl -fsSL https://herdr.dev/install.sh | sh

# 版本管理器
mise use -g herdr

# Windows（测试版）
powershell -ExecutionPolicy Bypass -c "irm https://herdr.dev/install.ps1 | iex"

# 或直接从 GitHub Releases 下载对应平台的预编译二进制
# https://github.com/ogulcancelik/herdr/releases
```
启动与使用
```
# 在代码目录直接启动
herdr

# Ctrl+B Q 脱离（Agent 继续跑）
# 之后任意终端再输入 herdr 即可重连
```
源码构建：git clone https://github.com/ogulcancelik/herdr && cd herdr && cargo build --release

三、核心功能
- 一眼掌控所有 Agent：阻塞 / 工作中 / 已完成，展示的是真实终端视图，而非被封装过的”解释版”界面。
- 脱离不中断：Agent 在后台继续运行，可随时从任意终端或 ssh 重连，会话在系统重启后依然存活。
- Agent 也能用 herdr：提供纯 Socket API，Agent 可以自己起面板、读输出、彼此等待，官方还配了 agent skill。
- 键鼠并重：tmux 风格前缀键和鼠标点击 / 拖拽 / 分屏同时是一等公民，按当下场景随时切换。
- 插件生态：可扩展面板与工作流，官方维护插件市场（herdr.dev/plugins）。
四、典型使用场景
- 多 Agent 并行开发：在同一个项目目录里同时跑 Claude Code、Codex、Cursor，分屏对照、统一监管进度，谁卡住一眼看清。
- 远程 / 后台长跑任务：ssh 登录服务器起 herdr，下班时脱离，第二天从任意终端重连查看结果，会话不丢、无需 nohup 折腾。
- Agent 自组织协作：主 Agent 通过 Socket API 派生子 Agent 到不同面板，让它们互相等待产出，搭出多智能体流水线。
五、推荐理由

我自己用下来最打动的三点：
- 够轻、够原生：一个 Rust 二进制、无 Electron，和你现有的终端 / ssh 工作流无缝融合，不像某些”AI 终端”还要起一套 Web 服务。
- 真实终端视图：Agent 的报错、进度、交互提示都是原样可见的，而不是被二次渲染成温和的摘要——排错时这点太重要了。
- 脱离 / 重连体验极佳：长任务的”离开—回来”几乎零成本；而 Socket API 让 Agent 反过来调度 herdr，是迈向真正 agent runtime 的一步，想象空间很大。
六、下载地址
- 官网：https://herdr.dev
- GitHub：https://github.com/ogulcancelik/herdr
- 文档：https://herdr.dev/docs
- 一键安装脚本：https://herdr.dev/install.sh
许可证：AGPL-3.0（双许可，商业用途需购买商业许可）。当前约 17.3K Stars，Rust 实现，2026 年 GitHub Trending 常驻热门。
2026年7月17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
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
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）：用 /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；三是它足够轻——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
- 官网 / 文档：https://github.github.io/spec-kit/
- GitHub 仓库：https://github.com/github/spec-kit（⭐ 121.7K · MIT）
- PyPI 包：specify-cli
- 最新发布：v0.12.16（2026-07-15）
* 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。
2026年7月16日
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（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。

📎 原文来源：Vint Cerf is working on a plan to unleash AI agents on the open internet
2026年7月16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
PentAGI：完全自主的 AI 渗透测试智能体系统（20.7K Stars，Go 构建）
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。
2026年7月15日
Vibe-Trading：一句话驱动你的专属 AI 交易智能体（23K+ Stars）
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。

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
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。
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。
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
- 🌐 官网 / 文档：https://vibetrading.wiki/
- 🐙 GitHub 仓库：https://github.com/HKUDS/Vibe-Trading（⭐ 23K+，MIT 许可）
- 📦 PyPI 安装：pip install vibe-trading-ai
2026年7月15日
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 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
- 🌐 官网：https://www.graphify.com
- ⭐ GitHub：https://github.com/Graphify-Labs/graphify（86.3K ★ · MIT · Python）
- 📦 安装：pip install graphifyy && graphify install
2026年7月15日
Orca：把一整支 AI 编程舰队装进一个 IDE（并行 Agent 开发环境 ADE）
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。
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
- 官网：https://onOrca.dev
- GitHub：https://github.com/stablyai/orca（⭐ 18.5K+，MIT License）
- 桌面端下载：Releases（macOS dmg / Windows exe / Linux AppImage）
- iOS：App Store / TestFlight
- Android：APK
2026年7月14日

⭐ 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： AI Agent

一、项目简介

二、安装要求和过程

环境要求

快速安装

启动与使用

三、核心功能

四、典型使用场景

五、推荐理由

六、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

项目简介

安装要求和过程

环境要求

快速安装步骤

核心功能

典型使用场景

推荐理由

下载地址

为什么这事非他不可

超大规模云想自己定规矩，别人未必服

📦 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

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

一、项目简介

二、安装要求和过程

环境要求

快速安装（PyPI 一行装）

Docker 零配置（约 2 分钟）

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

环境要求

快速安装

✨ 核心功能

1. 全模态建图：万物皆可成节点

2. 本地优先、零云端、零遥测

3. 可审计的溯源：每条边都标明”怎么知道的”

4. 17 个 AI 助手 + 自带 MCP Server

5. 自动同步：图谱跟着代码长

🎯 典型使用场景

场景一：接手一个陌生代码库

场景二：团队共享”谁负责什么”

场景三：给 AI 编程助手装”记忆”，省下海量 token

💡 推荐理由

🔗 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