import asyncio
from copilot import CopilotClient
from copilot.session_events import AssistantMessageData, SessionIdleData
from copilot.session import PermissionHandler
async def main():
async with CopilotClient() as client:
async with await client.create_session(
on_permission_request=PermissionHandler.approve_all,
model="gpt-5",
) as session:
done = asyncio.Event()
def on_event(event):
match event.data:
case AssistantMessageData() as data:
print(data.content)
case SessionIdleData():
done.set()
session.on(on_event)
await session.send("What is 2+2?")
await done.wait()
asyncio.run(main())
核心功能
六语言官方 SDK：TypeScript/Python/Go/.NET/Java/Rust 全部由 GitHub 官方维护，统一 API 设计，语义化版本管理（GA 状态）。
Agent Loop 完整循环：内置完整的工具调用循环（Tool Use Loop），自动处理回合（Turn）与完成信号，无需自建编排层。
团队内部文档折叠：把整个 docs/ 文件夹（架构决策记录、Runbook、新人指南）合并成一个技能，新同事在编码会话里直接提问，替代翻 60 页 PDF 的品牌手册/规范文档
研究资料簇管理：一摞论文加自己的笔记合成统一技能，新论文来了增量折叠进去；对比 RAG——RAG 适合”几十本书里找提到 X 的段落”（宽而浅），book-to-skill 适合”吃透一本书的 12 个框架并应用”（窄而深），两者互补
❤️ 推荐理由
这个项目最打动我的是它把”AI 读书”从检索问题重构成了编译问题。RAG 是查询时相似度搜索，返回”和你问题相近的文本块”；book-to-skill 是编译时深度分析，输出”作者花几年构建的命名框架、适用条件和反模式”——前者是检索，后者是可推理的结构。README 里那句话很精辟：“RAG indexes a shelf, book-to-skill masters a spine”（RAG 索引一整架书，book-to-skill 吃透一本书的书脊）。
工程上它也异常诚实：所有 token 节省数据都有可复现的测量脚本，README 明确写出”诚实警告”——章节自动切分需要显式的 Chapter N 标题、一次性阅读场景用普通 PDF 智能体就够了。在营销味十足的 AI 开源圈，这种”实测优先、有限承诺”的态度非常难得。如果你的 ~/.claude/skills 目录里只打算加一个新技能，让它是一个能把你书架搬进智能体的技能，很值。
ZeroClaw 是一个用 Rust 编写的全自主 AI 个人助手基础设施——一个单二进制的智能体运行时（Agent Runtime），口号非常硬核：「You own the agent. You own the data. You own the machine it runs on.」（智能体是你的，数据是你的，跑它的机器也是你的）。它对接 Anthropic、OpenAI、Ollama 等约 20 家模型提供商，通过 Discord、Telegram、Matrix、邮件、语音、Webhook 等 30+ 消息通道与你交互，并能调用 Shell、浏览器、HTTP、硬件（树莓派 GPIO！）和自定义 MCP 服务器执行任务。整个系统跑在你自己的机器上，用你自己的密钥。项目 2026 年 2 月创建，短短 5 个多月即斩获 32,400+ Stars，由 Harvard、MIT、Sundai Club 社区孵化，是当前 GitHub 上最火的 Rust AI 基础设施项目之一。
Claude Cookbooks 是 Anthropic 官方在 GitHub 上开源维护的 Jupyter Notebook 范例集，已收获 50.4K+ Stars、5.9K+ Forks，MIT 许可证。它像一本持续更新的”Claude 实战菜谱”，用可以直接复制运行的代码片段，手把手教开发者把 Claude API 用到生产里——覆盖文本分类、RAG、工具调用、Agent SDK、Skills、多模态、扩展思考、第三方集成等几乎所有主流场景。
无论是刚接触 Claude API 的新手，还是要把 Claude 嵌入自家产品的资深工程师，都能在这里找到即拿即用的最佳实践。所有 Notebook 都用 Python 写成，但概念同样适用于任何支持 Claude API 的语言。
为什么需要它？
很多人第一次调用 Claude API 只能写出”问个问题拿个回答”的脚本——但生产里要面对的是：结构化输出、上下文管理、长文档解析、Agent 工作流、RAG 检索、工具调用循环、子智能体拆分…这些工程化能力的最佳范式，往往不是 API 文档里那几段示例能覆盖的。Cookbooks 正是 Anthropic 工程师团队把生产经验沉淀下来的”答案库”。
场景三：隐私敏感环境下的 AI 记忆层。法务、医疗、金融等不能把数据传到云端的场景，MemPalace 全链路本地运行（嵌入模型本地、向量库本地、检索本地），配合 Ollama 等本地模型即可搭出完全离线的”有记忆的 AI 助手”。
推荐理由
AI 记忆赛道今年异常拥挤（Mem0、Zep、Supermemory、Letta……），MemPalace 能三个月冲到 57K Stars，我认为靠的是两个字：诚实。它是少数把基准测试方法论、每道题的原始结果文件全部提交到仓库、并且主动说明”最后 0.6% 是看着错题调出来的所以我们不宣传 100%”的项目——甚至拒绝与竞品做不对等的表格对比。这种工程品味在营销味浓重的 AI 开源圈里非常稀缺。
实际体验上，”逐字存储”这个反直觉的设计恰恰是最大亮点：摘要式记忆一旦摘错，信息就永久丢失；而 MemPalace 永远保留原文，检索层再怎么迭代都能吃到红利。加上零 API 成本、五种后端随意切换、36 个 MCP 工具即插即用，把它接进 Claude Code / Cursor 的成本极低。如果你只想给自己的 AI 工作流加一层”不会失忆”的保险，这是目前开箱体验最好的选择之一。唯一要提醒的是：官方明确警告有大量仿冒网站，请只从 GitHub、PyPI 和 mempalaceofficial.com 获取。
