标签： MIT许可

ego lite：为 AI 智能体打造的最快浏览器，你和 AI 并行工作互不打扰
一、项目简介

ego lite 是一个”人和 AI 智能体并行工作”的浏览器——你在前台正常浏览，你的 AI 智能体（Claude Code、Codex、Cursor 等）在后台各自独立的 Space 里跑网页自动化任务，两者互不抢标签、互不干扰，而且任务完成更快、消耗的 token 更少。

与 browser-use、Vercel agent-browser 这类”浏览器自动化框架”不同，它们本身不带浏览器、需要另开一个浏览器来驱动，登录态往往带不过去；ego lite 则是一整个为”你和智能体共用”而设计的浏览器，无需额外配置，智能体通过 ego-browser 就能直接用上你真实的登录态和标签页。

二、安装要求与快速上手

环境要求：目前仅支持 macOS（Apple Silicon / Intel 均可），Windows 与 Linux 已在路线图中；需要一个支持 skills 的智能体 CLI（Claude Code、Codex、Cursor 或自定义）。

三种安装方式（任选其一）：
1. 直接下载 macOS 应用：从官网下载 .dmg，打开安装即可。安装后会自动把 ego-browser 技能加到每个智能体的 skills 目录。
2. 用 npx 只装技能：
```
npx skills add citrolabs/ego-lite
```
  首次运行浏览器任务时，会引导你完成 ego lite 应用的安装。
3. 让智能体自己装：把仓库地址粘给智能体，让它读取 skills/ego-browser/references/install.md 按步骤安装。
首次启动时它只问一个问题：是否迁移 Chrome 数据。选”是”，你的智能体就继承了现有登录态、Cookie、扩展和书签。运行第一个任务时，在智能体 CLI 里输入 /ego-browser 加空格，然后用自然语言描述需求即可：
```
ego-browser follow @ego_agent on x.com for me
```
三、核心功能
- 代码驱动而非命令行驱动，复杂任务更快更省 token：能力以 JavaScript 函数暴露给智能体，让它一次写出完整的多步脚本，而不是”调两个命令→看结果→再调两个”地反复循环。官方称复杂工作流比传统 CLI 方式快达 2.5 倍，工具调用次数大幅减少。
- 每个智能体独享一个 Space：完全隔离的工作区，你在前台浏览、智能体在后台干活，互不干扰；随时可以查看哪个 Space 正在运行、接管或停止它。
- 同一浏览器内多 Space 并行：Claude Code 在 10 个并行 Space 里丰富 10 条线索、Codex 在另外 5 个 Space 里抓取 5 个竞品网站，彼此不冲突，也不会抢走你的鼠标和标签页。
- 业界最强的页面 Snapshot：得益于内核级定制，能可靠处理深层嵌套 iframe 等其他方案常常翻车的场景，为文本模型提供高质量的”页面视觉”输入。
- 任何智能体都能通过 ego-browser 驱动：它是连接层，把浏览器暴露成一组页面内 JavaScript 工具（snapshot、fill、click、wait、navigate、capture），智能体写一段片段即可一次执行。
四、典型使用场景
1. 批量线索丰富 / 数据抓取：让 Claude Code 在多个并行 Space 里同时处理几十条销售线索，或让 Codex 并行抓取多个竞品站点信息，全程不打断你手头的浏览。
2. 需要登录态的网页操作：因为继承了 Chrome 的 Cookie 与登录，智能体可以直接在你已登录的 X、后台系统、SaaS 面板里执行操作，省去每次重新登录的摩擦。
3. 日常自动化小任务：像”帮我在 x.com 上关注某账号””填个表单””等页面加载完再截图”这类零散操作，一句自然语言交给智能体后台完成。
五、性能对比

官方在四个复杂网页自动化任务上，把 ego lite 与 Vercel 的 agent-browser 做了对比：每个任务最快提速达 2.5 倍，token 消耗显著更低，且任务越难差距越大。

六、推荐理由

市面上大多数工具都能”自动化一个浏览器”，真正的区别在于：智能体拿到的是什么浏览器、你能否同时继续工作、以及它是为你已有的智能体服务还是绑死一个内置智能体。ego lite 的巧妙之处在于把”日常浏览器”和”智能体自动化”合二为一——你不用为了让 AI 干活而牺牲自己的浏览体验，也不必再维护一套独立的自动化环境和登录态。对于已经在用 Claude Code / Codex / Cursor 的人来说，一条 npx skills add 就能接上，几乎零迁移成本。目前它是免费、开源（MIT）、数据本地存储的，隐私上也更让人放心；唯一的门槛是暂时仅支持 macOS，Windows/Linux 用户可以先关注路线图。

七、下载地址
- GitHub 仓库：https://github.com/citrolabs/ego-lite
- 官网：https://lite.ego.app
- 文档：https://lite.ego.app/document/
项目数据（截至发布时）：⭐ 3,387 Stars ｜ 🍴 164 Forks ｜语言 JavaScript ｜许可证 MIT
2026年7月26日
Kronos：首个金融K线开源基础模型，45+交易所数据预训练，33.5K Stars（AAAI 2026）
项目简介

Kronos 是首个面向金融 K 线（蜡烛图）的开源基础模型——由清华大学团队开源，在全球 45+ 家交易所的行情数据上预训练，把 OHLCV 序列当作”金融市场的语言”来建模，一个模型通吃价格预测、波动率估计等多种量化任务。论文已被 AAAI 2026 录用，GitHub 上已收获 33,000+ Stars，是今日 GitHub Trending 上最亮眼的 AI × 金融项目。

与通用时间序列基础模型（TSFM）不同，Kronos 专门针对金融数据高噪声、多维联动的特性设计了两阶段框架：
1. 分层离散化 Tokenizer：把连续的多维 K 线数据（开高低收 + 量额）量化为分层离散 token；
2. 自回归 Transformer：decoder-only 架构在海量 token 序列上预训练，像 GPT “续写文本”一样”续写行情”。
安装要求和过程

环境要求
- Python 3.10+
- PyTorch（GPU 可选，CPU 也能跑小模型推理）
- 微调需要 NVIDIA GPU（支持 torchrun 多卡）+ 可选 Qlib 数据环境
快速安装
```
# 1. 克隆仓库
git clone https://github.com/shiyu-coder/Kronos.git
cd Kronos

# 2. 安装依赖
pip install -r requirements.txt
```
三行代码开始预测
```
from model import Kronos, KronosTokenizer, KronosPredictor

# 从 Hugging Face Hub 加载预训练模型
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
predictor = KronosPredictor(model, tokenizer, max_context=512)

# df 为含 open/high/low/close(/volume/amount) 的 DataFrame
pred_df = predictor.predict(df=x_df, x_timestamp=x_timestamp,
                            y_timestamp=y_timestamp, pred_len=120,
                            T=1.0, top_p=0.9, sample_count=1)
```
KronosPredictor 封装了数据预处理、归一化、预测与反归一化全流程，返回未来 OHLCV 的完整 DataFrame；还提供 predict_batch 批量并行预测多个标的。

核心功能
- 金融专用基础模型家族：开源 Kronos-mini（4.1M 参数、2048 上下文）、Kronos-small（24.7M）、Kronos-base（102.3M）三档模型，全部可在 Hugging Face（NeoQuasar）直接下载，按算力自由选择；
- 两阶段”金融语言”建模：分层离散化 Tokenizer 把高噪声 OHLCV 压成 token，自回归 Transformer 统一建模，一个模型服务多种量化任务；
- 概率化采样预测：支持温度 T、top-p 核采样、sample_count 多路径平均，不只给单点预测，还能刻画行情的不确定性；
- 完整微调管线：官方提供基于 Qlib 的 A 股微调全流程脚本——数据预处理 → Tokenizer 微调 → Predictor 微调（torchrun 多卡）→ Top-K 策略回测，一条龙跑通；
- 在线 Live Demo：官方部署了 BTC/USDT 未来 24 小时预测的可视化演示页，无需安装即可直观感受模型效果。
典型使用场景
1. 量化研究信号生成：把 Kronos 的预测价格变动作为原始 alpha 信号，接入组合优化与风险中性化流程，用于选股/择时研究——官方 A 股示例展示了从 Qlib 数据到 Top-K 策略回测的完整路径；
2. 加密货币/外汇短线预测：对 BTC/USDT 等 7×24 交易品种做未来数小时至一天的 K 线走势与波动区间预测（官方 Live Demo 场景），辅助仓位与风控决策；
3. 自有市场数据微调：券商、私募或个人研究者用自己的分钟线/日线数据微调 Tokenizer + Predictor，让基础模型适配特定市场微观结构，替代从零训练的高昂成本。
推荐理由

时间序列基础模型不少，但真正”懂金融”的开源模型 Kronos 是第一个。我实际体验下来有三点印象很深：

一是门槛低得惊人——pip install -r requirements.txt 加几行 Python 就能跑通预测，KronosPredictor 把归一化、截断、反归一化这些脏活全包了，量化新手也能十分钟上手；二是学术与工程兼备——AAAI 2026 论文背书、45+ 交易所数据预训练，同时给足了 torchrun 多卡微调和 Qlib 回测的工程脚本，不是只发权重不管落地的”论文模型”；三是诚实——README 明确提醒示例回测只是演示，生产级策略还需要组合优化、风险因子中性化、交易成本建模，这种不吹牛的态度在 AI × 金融领域难能可贵。

需要注意：模型输出是概率性预测而非投资建议，直接拿裸信号实盘风险很高；Kronos-large（499M）暂未开源，开源版本上下文长度上限 512（mini 为 2048）。适合量化研究者、金融工程学生和对”AI 预测行情”认真感兴趣的开发者。

下载地址
- GitHub 仓库：https://github.com/shiyu-coder/Kronos
- Hugging Face 模型：https://huggingface.co/NeoQuasar
- Live Demo（BTC/USDT 24h 预测）：https://shiyu-coder.github.io/Kronos-demo/
- 论文（arXiv）：https://arxiv.org/abs/2508.02739
许可证：MIT ｜语言：Python ｜ Stars：33.5K+ ｜数据截至 2026-07-25
2026年7月25日
Open Multi-Agent —— 描述目标而非流程图的 AI 多智能体编排框架
项目简介

Open Multi-Agent（简称 OMA）是一个面向 TypeScript 后端的 AI 多智能体编排框架，核心理念是「描述目标，而非流程图」。你只需告诉 OMA 你想达成什么目标，框架内置的 Coordinator 就会在运行时自动将目标拆解为任务 DAG（有向无环图），分派给团队中的各个 Agent 执行，最终汇总结果。

OMA 于 2026 年 3 月在 GitHub 开源，采用 MIT 许可证。截至本文撰写时已获得 6,646 Stars / 2,415 Forks，社区活跃度极高——从首次提交至今仅约 4 个月，已成为多智能体编排领域增长最快的项目之一。

安装要求与快速开始

环境要求
- Node.js ≥ 18（推荐 LTS 版本）
- TypeScript ≥ 5.6（OMA 使用最新 TS 特性）
- npm 或 yarn/pnpm 包管理器
- LLM API Key（OpenAI / Anthropic / Gemini / DeepSeek 等，或本地模型如 Ollama）
方式一：脚手架创建（推荐新手）
```
# 一键创建项目并运行本地演示（无需 API Key）
npm create oma-app@latest my-oma-app
```
交互式终端会引导选择模板和运行时，安装依赖后直接启动一个确定性本地 Demo——无需任何 API Key，使用脚本化模拟响应驱动真实的调度器和离线 Dashboard。可用 --no-install 仅生成文件，或 --no-run 安装但不启动。

方式二：集成到现有 Node.js 项目
```
npm install @open-multi-agent/core
```
```
import {{ OpenMultiAgent }} from '@open-multi-agent/core'

const oma = new OpenMultiAgent({{
  defaultProvider: 'openai',
  defaultModel: 'gpt-5.4'
}})

// 创建研究团队：研究员 + 分析师 + 共享记忆
const team = oma.createTeam('research-team', {{
  agents: [
    {{ name: 'researcher', systemPrompt: 'Find the relevant facts.' }},
    {{ name: 'analyst', systemPrompt: 'Compare evidence and identify tradeoffs.' }}
  ],
  sharedMemory: true,
}})

// 只需描述目标，Coordinator 自动规划 DAG 并执行
const result = await oma.runTeam(team, 'Compare three approaches and recommend one.')
console.log(result.agentResults.get('coordinator')?.output)
```
三种执行模式：runTeam() 从目标规划执行、runAgent() 单 Agent 运行、runTasks() 显式流水线执行。

核心功能

1. 动态工作流编排（Dynamic Orchestration）

这是 OMA 最核心的差异化能力。与传统框架需要手写 DAG 节点不同，OMA 的 Coordinator 在运行时根据目标描述生成任务图、分配角色、设定依赖关系，最后综合各 Agent 结果输出答案。整个流程不需要维护硬编码的流程图。

2. 可控执行（Controlled Execution）
- 计划审批：预览并审批 Coordinator 生成的计划或单个分派操作，审批通过后可冻结计划用于回放复现
- 约束声明：当拓扑不能漂移时，声明必需的角色和顺序；用多智能体共识验证输出正确性
3. 生产级可靠性
- 检查点续跑：中断的运行可从最近检查点恢复
- 边界控制：重试策略、超时限制、循环检测、Token 和成本预算确保执行有界
- 工具安全：默认拒绝所有工具调用，逐个审批开启；支持隐私控制
4. 全链路可观测性

每次运行都有稳定身份标识、执行回执和完整追踪记录：
- TraceStore：本地存储追踪数据，支持查询
- Run Viewer：离线 Dashboard 回放真实运行的 Task DAG 和 Span 瀑布视图
- OpenTelemetry 集成：可选 OTel 插件，与企业统一监控栈对接
5. 开放运行时（Open Runtime）
- Agent 兼容：Process/ACP 后端让 Claude Code、Gemini CLI、Codex 与 LLM Agent 在同一 DAG 上协作
- 模型自由：云+本地混合、原生中文大模型支持、OpenAI 兼容端点、AI SDK Provider
- 部署灵活：自有基础设施、本地运行、完全离线、甚至气隙网络环境均可
典型使用场景

场景一：PR 自动审查（PR-Copilot）

开发者 kidoom 用 OMA 构建了 PR-Copilot——一个 AI Pull Request 审查助手。它运行一个由 Coordinator + 多个领域 Reviewer Agent 组成的审查团队，用 defineTool 定义仓库上下文工具，配合自定义 ContextStrategy 实现 Token 感知的 PR Diff 压缩。每次提交 PR 时自动触发多角度代码审查。

场景二：文档转图表工作室（Reports to Charts Studio）

NARNIX0 的 Evident-Project 将研究报告和表格数据转化为幻灯片级图表。OMA 在其中扮演五角色提取委员会的编排者：结构化输出 + 确定性验证，确保每个数据点都有据可查。

场景三：WordPress 安全分析平台（temodar-agent）

Ali Sünbül 的 WordPress 安全分析平台直接使用 OMA 内置工具（bash、file_*、grep）在 Docker 运行时中执行安全扫描任务，已确认在生产环境中使用。

推荐理由

作为长期关注 AI 编排框架的开发者，我对 OMA 的第一印象是：终于有人认真对待「动态」这件事了。

目前市面上的主流方案大致分两派：LangGraph/Mastra 要求你手写节点和边（图优先），Vercel AI SDK/CrewAI 则偏单次调用工具包。OMA 找到了中间地带——你只管说目标，框架负责拆解、分配、执行、审计。这种「目标驱动」的范式在原型阶段特别高效，而它的可控执行机制又让你能逐步收紧边界，平滑过渡到生产环境。

另外几个让我印象深刻的点：
1. 离线优先设计：Run Viewer 是纯离线 Dashboard，不依赖外部服务，这对隐私敏感场景非常友好
2. 50+ 可运行示例：从基础用法到 Cookbook 工作流、Provider 配置、集成模式全覆盖，上手曲线平缓
3. 真正的 TypeScript 原生：不是 JS 库加类型装饰，而是从底层就用 TS 5.6+ 特性构建，IDE 体验一流
4. 生态开放：已有 Engram 记忆同步、Agentsonar 异常检测、Bilig WorkPaper 公式协作等多个第三方集成
如果你正在评估多智能体编排方案，或者对 LangGraph 的手动构图感到疲惫，强烈建议给 OMA 一个下午的时间——npm create oma-app@latest 跑一遍 Demo，你会感受到「描述目标而非流程图」的魅力。

下载地址
- 官网：https://open-multi-agent.com
- GitHub：https://github.com/open-multi-agent/open-multi-agent
- 文档：https://open-multi-agent.com/getting-started/introduction/
- npm：@open-multi-agent/core
2026年7月24日
Open Deep Research：LangChain 官方开源的深度研究智能体，模型与搜索全可替换
Open Deep Research 是 LangChain 官方开源的一个「深度研究智能体（Deep Research Agent）」——简单、可配置、完全开源，能跨多种模型提供商、搜索工具和 MCP 服务器工作，性能可媲美众多主流深度研究产品（在 Deep Research Bench 排行榜上曾进入前列）。

一句话简介

一个把「深度研究」这一最热门的 Agent 应用完整开源、可自由替换模型与搜索后端的研究智能体：你提一个复杂问题，它自动规划、并发检索、压缩证据，并产出一份带引用的高质量研究报告。

安装要求与快速上手

环境要求：Python 3.11（推荐），使用 uv 管理虚拟环境；需要至少一个 LLM 提供商的 API Key（默认 OpenAI），以及一个搜索 API（默认 Tavily）。
```
# 1. 克隆仓库并创建虚拟环境
git clone https://github.com/langchain-ai/open_deep_research.git
cd open_deep_research
uv venv
source .venv/bin/activate   # Windows: .venv\Scripts\activate

# 2. 安装依赖
uv sync

# 3. 配置环境变量（模型、搜索工具等）
cp .env.example .env

# 4. 本地启动 LangGraph 服务，打开 Studio UI
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev --allow-blocking
```
启动后会自动打开 LangGraph Studio UI，在 messages 输入框里提问并点击 Submit 即可，还能在 “Manage Assistants” 里切换不同配置。

核心功能
- 全流程自动研究：自动完成”任务规划 → 并发检索 → 结果摘要 → 证据压缩 → 撰写带引用的最终报告”整条链路。
- 模型自由组合：基于 init_chat_model() 兼容几乎所有主流 LLM，且摘要 / 研究 / 压缩 / 报告撰写四个环节可分别指定不同模型（如 gpt-4.1-mini 摘要、gpt-5 或 Claude Sonnet 4 做研究）。
- 搜索后端可插拔：默认 Tavily，同时支持 Anthropic / OpenAI 的原生联网搜索，并完整兼容 MCP 服务器，可接入自定义工具。
- 基准可评测：内置对接 Deep Research Bench（100 道博士级研究任务，覆盖 22 个领域），用 RACE 分数量化研究报告质量。
- 部署方式多样：支持本地 LangGraph Studio 调试、LangGraph Platform 托管部署，以及面向非技术用户的 Open Agent Platform（OAP）可视化配置。
典型使用场景
- 行业 / 竞品调研报告：输入”分析某赛道 2025 年主流玩家与技术路线”，自动检索多来源并输出结构化、带引用的调研报告。
- 学术与技术综述：面对博士级、跨领域的复杂问题，自动拆解子问题、并发检索文献并汇总成论证严谨的综述。
- 企业内部知识 Agent：借助 MCP 接入内部数据源与自定义搜索，搭建可私有化部署、可替换模型的企业级深度研究助手。
推荐理由

市面上”深度研究”功能大多藏在闭源产品里，而 Open Deep Research 把这套能力彻底开源、模块化，最大的价值在于”每一层都能换”：换模型、换搜索、换部署方式都只是改配置。它由 LangChain 官方维护、有配套免费课程和详尽评测数据，既适合想理解 Deep Research 内部原理的开发者拆解学习，也适合企业作为自研研究 Agent 的高质量起点。如果你正想做一个能自动查资料、写报告的 Agent，这是目前最值得参考的开源实现之一。

下载地址
- GitHub 仓库：https://github.com/langchain-ai/open_deep_research
- 官方博客介绍：https://blog.langchain.com/open-deep-research/
- 免费课程：Deep Research with LangGraph（LangChain Academy）
项目数据：约 12.4K Stars · 1.75K Forks · 语言 Python · 许可证 MIT（数据截至 2026 年 7 月）。
2026年7月24日
Microsoft AutoGen – 微软开源多智能体AI编程框架 [59.9K+ Stars]
📝 项目简介

Microsoft AutoGen 是微软研究院出品的开源多智能体 AI 编程框架，官方定位为 “A programming framework for agentic AI”。它把”多个会自主对话的 Agent 协同工作”这件事，抽象成一套事件驱动的运行时 + 消息协议，让 LLM、工具、人类三方可以在同一套代码里自由组合，既能 自主行动，也能 和人并肩工作，被广泛视为现代 Multi-Agent 协作范式的奠基性项目之一。

59.9K+

GitHub Stars

9.0K+

Forks

Python / .NET

双语言支持

MIT

代码许可

数据来源：GitHub REST API（仓库 microsoft/autogen，截至 2026-07-23）。

⚙️ 安装要求和过程

环境要求
- Python：3.10 及以上（v0.4+ 推荐 3.11）
- 操作系统：Linux / macOS / Windows 均支持
- LLM 凭据：OpenAI 兼容 API Key（Azure OpenAI / OpenAI / Ollama / 本地 vLLM 等均可）
- 可选依赖：Docker（隔离代码执行）、Node.js（Studio 浏览器依赖）
- .NET 用户：.NET 8 SDK，dotnet add package Microsoft.AutoGen
快速安装（Python，v0.4+ 推荐）
```
# 1) 创建并激活虚拟环境
python3 -m venv .venv && source .venv/bin/activate

# 2) 安装 AgentChat 核心 + OpenAI 扩展
pip install -U "autogen-agentchat" "autogen-ext[openai]"

# 3) (可选) 安装无代码可视化工作台
pip install -U "autogenstudio"

# 4) 验证
python -c "import autogen_agentchat; print(autogen_agentchat.__version__)"
```
从源码安装（v0.4）
```
git clone https://github.com/microsoft/autogen.git
cd autogen
pip install -e ./python/packages/autogen-agentchat
pip install -e ./python/packages/autogen-ext[openai]
# 启动 Studio
autogenstudio ui --port 8080
```
配置 LLM（OpenAI 兼容）

把 API Key 放进环境变量（推荐），或写入 OAI_CONFIG_LIST：
```
# .env
OPENAI_API_KEY=sk-...
# 可选：Azure / 自定义网关
AZURE_OPENAI_API_KEY=...
AZURE_OPENAI_ENDPOINT=https://your-resource.openai.azure.com/
OPENAI_API_BASE=https://your-gateway.example.com/v1
```
⚠️ 版本提示：自 v0.4 起，包名由 pyautogen 改为 autogen-agentchat / autogen-ext。v0.2 用户可参考官方迁移指南。

🏗️ 架构总览

AutoGen 把”造一个能自主干活的 AI”这件事切成三层 API，开发者可以按需选择从底层到高层：
- Core API（底层）：消息传递、事件驱动、分布式 Runtime，同时支持 Python 与 .NET，是整条链路的”内核”。
- AgentChat API（高阶）：双智能体对话、群聊、AgentTool 多专家路由——大多数应用只需要这一层。
- Extensions API（扩展）：LLM 客户端、工具注册、MCP 协议适配、模型上下文协议桥接。
再上面还有三个开箱即用的”上层建筑”：AutoGen Studio（无代码 GUI）、AutoGen Bench（基准评测）、Magentic-One（微软开源的通用多智能体团队基线）。

✨ 核心功能

🤖 1. 多智能体对话与编排

把每个 Agent 看作一个会发消息的对象，通过 initiate_chat / a_initiate 一行就能拉起对话；支持两人私聊、群聊（SelectorGroupChat / Swarm / RoundRobin）与按需动态编排（AgentTool 把”专家 Agent”当工具调）。

🧠 2. 可插拔模型与工具

原生支持 OpenAI / Azure OpenAI / Anthropic / Ollama / vLLM / Gemini 等模型；工具侧通过 FunctionTool + MCP 一键接入浏览器、数据库、Shell、文件系统、Playwright 等上百种能力。

🧑‍💻 3. 人机协同（Human-in-the-Loop）

通过 UserProxyAgent / input_func 任意把人类拉进对话：审批、纠正、补充上下文，AI 不会”擅自做主”——这是 AutoGen 最早让业界眼前一亮的杀手锏。

🖥️ 4. AutoGen Studio：无代码工作台

可视化拖拽搭建 Agent 团队、连接工具、调试消息流、上传数据集。零代码也能跑通一个 Magentic-One 风格的”会自己上网 + 写代码 + 操作文件”的 AI 助手。

🔁 5. Magentic-One 通用团队基线

微软在 AutoGen 上开源的”通用多智能体”参考实现：Orchestrator 动态规划 → 调用 Coder / Computer-Use / Web-Surfer / File-Surfer 四个专家完成任务，对标 OpenAI Operator 与 Anthropic Computer Use。

🎯 典型使用场景

场景一：自动数据分析 + 报告生成

做法：Planner Agent 拆解任务 → Coder Agent 写 pandas / matplotlib 代码 → Executor 在 Docker 里跑 → Writer Agent 把结果整理成 Markdown 报告。人类只在最后审阅。

收益：原本 2 小时的手工分析压缩到 10 分钟以内；每一步可追溯、可重放。

场景二：多角色代码评审 / PR 自动化

做法：Author Agent 改代码 → Reviewer Agent 提风格 / 性能意见 → Tester Agent 自动跑单测 + 覆盖率 → Approver 收口。整套流程在一个 SelectorGroupChat 里循环。

收益：把”人盯 PR”变成”AI 盯 PR”，工程师只看最后结论。

场景三：Magentic-One 通用办公助手

做法：把 Coder / Computer-Use / Web / Files 四个 Agent 配成团队，Orchestrator 自动调度。让它”打开 Chrome 去 LinkedIn 搜索 Python 后端岗位、截图、写到 jobs.md“——这是 OpenAI Operator 还没发布时，AutoGen 社区最早跑通的范式。

收益：任何能拆成”打开应用 → 抓信息 → 写文件”的流程都能交给它。

💡 推荐理由（也聊聊它的现状）

作为多智能体框架的”鼻祖级”项目，AutoGen 给整个行业留下了三份被广泛借鉴的遗产：把”对话”当作 Agent 协作的一等公民、把”人”显式拉进循环、把”工具调用”做成可插拔。从 2023 年发布至今，AutoGen 一直是 Multi-Agent 论文与开源项目的引用常客，60K Star 是其行业地位的最好注解。

实际用下来，AutoGen 最打动我的有三点：
1. 上手曲线友好：AgentChat API 让你 5 行代码就能跑起一个”用户 ↔ 助手”对话；想加工具，FunctionTool(...) 一包就完事；想加人类审核，UserProxyAgent 直接接管输入。
2. 生态厚、可借鉴多：官方 + 社区沉淀了 Magentic-One、AutoGen Bench、AG2（前 AutoGen 延续）等一大批可直接 fork 的参考实现，几乎所有”AI 办公助手”类产品都能在 AutoGen 里找到原型。
3. 底层够”工程”：Core API 的事件驱动 + 分布式 Runtime 设计，让它既能跑 Jupyter 玩具，也能跑生产级服务；而且 Python 与 .NET 双实现，给企业 .NET 栈留了通路。
⚠️ 也要如实告诉你：维护模式与迁移

自 2025 年起，AutoGen 仓库进入 社区维护模式（community-maintained）：bug fix 与小幅改进由社区接管，重大新特性已并入微软官方的 Microsoft Agent Framework。

对新项目而言：如果只是做多智能体原型 / 内部工具，现在的 AutoGen 仍然完全够用、生态最厚；如果是从 0 起步并预计要跑 2-3 年的产品，建议同步评估 Microsoft Agent Framework 与 AG2（原 AutoGen 核心贡献者 fork 的延续版本）。

📥 下载地址

🌐

官方网站

microsoft.github.io/autogen

🐙

GitHub 仓库

github.com/microsoft/autogen

📚

文档中心

stable 文档

🐍

PyPI 安装

pip install autogen-agentchat

#Microsoft #AutoGen #多智能体 #AgenticAI #开源项目
2026年7月23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
Hallmark：一个”拒绝 AI 味”的设计技能，让 Claude Code / Cursor / Codex 产出不像模板套出来的页面
一、项目简介

Hallmark 是由 Together AI 开源的一个「设计技能（Skill）」，专门给 Claude Code、Cursor、Codex 这类 AI 编程助手注入一套反”AI 味”（Anti-AI-slop）的设计规则：它会为目标自主挑选宏观结构、从 20 套主题中”着装”、跑 57 道”烂大街”检测闸门加一遍自检，让产出的页面彼此像不同的网站，而不是同一套模板换色。

二、安装要求和过程

环境要求：Node.js（用于 npx）、并安装 Claude Code / Cursor / Codex 中的任一 AI 编码助手；也可以纯拷贝文件手动安装，无需额外依赖。

快速安装（推荐）：
```
npx skills add nutlope/hallmark
```
随时重新运行即可更新到最新版本。若不想走 npx，也可手动把仓库里的 SKILL.md + references/ 拷贝到对应目录：
- Claude Code：~/.claude/skills/hallmark/
- Cursor：.cursor/rules/hallmark.mdc（取 SKILL.md 正文，无需 frontmatter）
- Codex：~/.codex/skills/hallmark/（个人）或 .codex/skills/hallmark/（项目级）
三、核心功能
1. 四大”动词”工作流：默认直接构建新 UI；audit 给现有代码打分挑刺（只列清单不改代码）；redesign 推倒结构、保留文案/信息架构/品牌后重塑；study 从你欣赏的设计里提取”DNA”（宏观结构、字体配对、色彩锚点），并明确拒绝像素级抄袭与付费模板，可输出可移植的 design.md。
2. 57 道反 AI-slop 检测闸门 + 发布前自检：拒绝每个 LLM 都被训练进的”分布内默认项”——渐变紫、玻璃拟态、千篇一律的圆角卡片网格。
3. 20 套主题 + 宏观结构引擎：针对每个 brief 自主挑选主题、结构与工艺，不同需求产出截然不同的页面形态，而非同一模板的换色。
4. Custom 自定主题（新增）：当创意意图超出目录主题时，切换为 Custom 从零设计——量身配色、字体与排版，同样受 57 道闸门约束，底层无模板。
5. 自包含产物 + 可移植：每个页面都是独立的 HTML + CSS，并在 CSS 注释中盖戳宏观结构；study 还能导出 design.md 交给其他 AI 工具接力。
左：Distil 内容抽取 API ｜右：Cold Snap 唱片厂牌 —— 不同 brief，完全不同的气质

四、典型使用场景
1. 给新产品做落地页 / 官网原型：输入一句 brief（如”一个酸面团 App 的首页”），Hallmark 直接产出有独特气质的 hero 页，而不是 ChatGPT 默认那种蓝色渐变卡片。
2. 给”AI 味”过重的现有页面做体检与改造：用 audit 给老页面打分列出顽疾清单，再用 redesign 保留文案与品牌、推翻结构重做，得到截然不同的”指纹”。
3. 向优秀设计”借 DNA”而不抄袭：把竞品或灵感图的截图 / URL 喂给 study，提取其结构、字体与配色锚点用于自己的项目，且明确拒绝像素克隆与付费模板。
五、推荐理由（个人使用心得）

做 AI 辅助前端最破防的就是”一眼 AI 生成”——紫渐变、玻璃卡片、无限圆角。Hallmark 把资深设计师的”反套路直觉”固化成可复用的规则集，等于给编码助手配了个审美总监。它最妙的地方是”同样的指令、不同的 brief，产出像不同站点”，这对想快速产出有辨识度原型的独立开发者 / 小团队太香了。MIT 许可、一键 npx 安装、可移植 design.md，几乎零门槛。

注意：它是”设计技能”而非独立 App，需要搭配 Claude Code / Cursor / Codex 使用；审美风格偏编辑 / 杂志 / 独立品牌感，若你要的是中规中矩的企业后台风，它可能”太有性格”。

六、下载地址
- 官网 / 在线 Demo：https://www.usehallmark.com
- GitHub 仓库：https://github.com/Nutlope/hallmark（⭐ 11.6K · MIT）
- 安装命令：npx skills add nutlope/hallmark
2026年7月17日
AIRI：自托管 AI 数字伴侣，能实时语音聊天、陪你打 Minecraft（42K+ Stars）
项目简介

AIRI 是由 moeru-ai 团队开源的「自托管、你专属拥有」的 AI 数字生命（AI Companion）项目。它把大语言模型、实时语音交互与 VRM / Live2D 虚拟形象结合在一起，让你在 Web、桌面与移动端拥有一位能说话、能陪玩、有「身体」的赛博伴侣，目标是达到 AI 虚拟主播 Neuro-sama 那样的水平。整个项目基于 WebGPU / WebAudio / WebAssembly 等现代 Web 技术构建，强调本地优先与隐私保护。

安装要求和过程

环境要求
- 运行时：Node.js 24+（项目已提升到 24.13.0），包管理使用 pnpm（monorepo 结构）。
- 桌面端：默认可调用原生 NVIDIA CUDA / Apple Metal（通过 candle 项目），无需复杂依赖。
- 移动端：使用 Capacitor（需 iOS 设备 / 模拟器）。
- 浏览器：任意现代浏览器即可体验（PWA，已支持移动设备）。
快速安装（普通用户）
```
# Windows (winget)
winget install MoeruAI.AIRI

# 或 Scoop
scoop bucket add airi https://github.com/moeru-ai/airi
scoop install airi/airi

# macOS (Homebrew)
brew install --cask airi

# Linux (Nix，需启用 flakes)
nix run github:moeru-ai/airi

# 不想安装？直接浏览器打开在线版
# https://airi.moeru.ai
```
开发者从源码运行
```
git clone https://github.com/moeru-ai/airi
cd airi && pnpm i
pnpm dev             # Web 版
pnpm dev:tamagotchi # 桌面版
```
核心功能
- 实时语音交互（耳朵 + 嘴巴）：客户端语音识别 + 说话人检测（VAD），配合 ElevenLabs / Azure Speech / OpenAI TTS / 阿里云 / 本地 Kokoro 等多供应商语音合成，对话延迟低、可离线运行。
- 虚拟形象驱动（身体）：支持 VRM 3D 模型与 Live2D 模型，自动眨眼、视线追踪、空闲眼动等动画，让 AI「活」在屏幕上。
- 本地优先推理：基于 WebGPU 的浏览器内本地 LLM 推理，无需把数据发往外部服务器，隐私更有保障。
- 游戏与记忆能力：可操控 Minecraft 游玩，Factorio 支持开发中（已有 PoC）；内置 DuckDB WASM / pglite 浏览器内数据库与记忆系统（Alaya，开发中），让伴侣「记得你」。
- 跨平台与集成：Web / 桌面（Win / macOS / Linux，桌面端走原生 CUDA / Metal 加速）/ 移动 PWA 全覆盖；支持 Telegram、Discord 聊天接入。
典型使用场景
1. 虚拟主播（VTuber）：实时语音聊天、玩游戏、与观众互动，灵感直接来自 Neuro-sama，可作为直播 / 互动娱乐的数字人。
2. 随身赛博伴侣：在手机、桌面、浏览器上随时拥有一个有形象、能聊天的专属电子宠物 / AI 朋友。
3. 本地隐私 AI 助手：借助 WebGPU 本地推理在完全离线环境下运行 LLM，适合对数据隐私敏感的用户。
推荐理由

AIRI 是目前开源领域把「LLM + 实时语音 + 虚拟形象 + 游戏能力」整合得最完整、也最「有生命力」的项目之一。它完全自托管、可本地运行，技术栈现代（WebGPU / VRM / Live2D），跨平台覆盖到位，社区活跃（42K+ Stars、4.2K+ Forks，MIT 许可）。如果你一直好奇 Neuro-sama 是怎么「炼成」的，或者想拥有一个真正属于自己的、能聊天能陪玩的数字人，AIRI 值得一试。

下载地址
- 官方网站 / 在线体验：https://airi.moeru.ai
- GitHub 仓库：https://github.com/moeru-ai/airi
- 文档（含中文）：https://airi.moeru.ai/docs/en/
- Discord 社区：https://discord.gg/TgQ3Cu2F7A
2026年7月16日
OpenCut —— 开源版剪映，免费且隐私优先的跨平台视频编辑器
项目简介

OpenCut 是一个免费、开源的跨平台视频编辑器（Web / 桌面 / 移动端），被社区称为「开源版 CapCut（剪映）」。它采用 Rust 核心 + TypeScript 构建，主打隐私优先、永久免费、简单易用三大特性，目标是把剪映里越来越多被塞进付费墙的基础剪辑功能，重新免费、开放地还给创作者。

安装要求和过程

环境要求
- 普通用户：无需安装，直接用浏览器打开官网 opencut.app 即可在线剪辑。
- 本地开发 / 自托管：需要 Bun 运行时，以及 Docker + Docker Compose（用于本地数据库与 Redis）。
- 核心贡献者（可选）：需要 Rust 工具链与 wasm-pack，用于本地构建 GPU 合成器 / 特效 / 遮罩的 WASM 核心。
快速开始（在线使用，零安装）
```
# 直接打开官网，浏览器内即可剪辑导出
https://opencut.app
```
本地开发（贡献者）
```
# 1. 安装工具链管理器 proto
bash <(curl -fsSL https://moonrepo.dev/install/proto.sh)
# 2. 进入仓库，安装锁定版本工具
proto use
# 3. 启动各端开发服务器
moon run web:dev       # Web 端  → http://localhost:5173
moon run api:dev       # API 端  → http://localhost:8787
moon run desktop:dev   # 桌面端（见 apps/desktop/README.md）
```
私有化自托管（Docker 全家桶）
```
# 一条命令跑起完整生产环境（含应用构建）
docker compose up -d
# 访问 http://localhost:3100
```
⚠️ 状态说明：主仓库 OpenCut-app/OpenCut 正在用 Rust 核心「从零重写」，官网现网 opencut.app 当前跑的是稳定可用的经典版（opencut-app/opencut-classic）。日常剪辑直接上官网即可；想私有化部署可参考经典版 README 的 Bun + Docker 流程。

核心功能
1. 隐私优先，视频不上云：所有素材与工程默认保存在本地设备，不强制上传云端，从源头规避隐私泄露焦虑。
2. 免费开放，剪映付费功能免费用：时间线剪辑、字幕、转场、特效等基础能力全部免费，没有弹窗付费墙。
3. 跨平台一致体验：一套 Rust 核心代码同时驱动 Web、桌面（GPUI）与移动端，渲染 / 特效 / 遮罩由 GPU 合成器处理，性能更优。
4. 面向 AI 时代：内置 MCP Server 供 AI 智能体直接调用，支持 无头（Headless）模式做批量渲染与自动化，并集成 fal.ai 的生成式图像 / 视频 / 音频模型。
5. 插件优先 + 脚本面板：重写版提供 Editor API、一等公民的第三方插件，以及编辑器内脚本标签，可玩性与扩展性强。
典型使用场景
- 短视频创作者：被剪映付费墙劝退的 Vlog / 抖音 / YouTube 创作者，可直接在浏览器里完成剪辑与导出，零成本起步。
- 隐私敏感团队 / 个人：医疗、法务、企业内部视频等素材不出本地设备的场景，OpenCut 的本地优先架构天然契合。
- 开发者与 AI 工作流：通过 MCP Server 让编程助手自动生成 / 批量渲染视频，或用脚本标签把重复剪辑流程自动化。
推荐理由

作为一个常年和视频打交道的人，剪映把「关键帧」「智能抠图」等越来越多基础功能塞进付费墙的操作，确实越来越劝退。OpenCut 把「免费 + 开源 + 隐私」三件事做得很扎实，GitHub 上 7 万+ Star 也证明这不是噱头，而是真实需求。它当前处于 Rust 核心重写期，主仓库在快速演进，而现网经典版已经能稳定剪辑。如果你想把剪辑工具私有化部署到自家服务器、或者希望素材 100% 留在本地，docker compose up -d 一条命令就能拥有属于自己的剪辑平台。对于期待 AI 自动剪辑的玩家，它的 MCP Server + 无头渲染路线也相当值得持续关注。

下载地址
- 🌐 官网：https://opencut.app
- 💻 GitHub 主仓库：github.com/OpenCut-app/OpenCut
- 🚧 重写预览版：https://new.opencut.app
- 📦 当前可用经典版：github.com/opencut-app/opencut-classic
- 📄 开源协议：MIT
2026年7月16日
Matt Pocock’s Skills：给真工程师用的 AI 编程 Skill 合集（167K★，MIT）
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
- 👉 GitHub 仓库：https://github.com/mattpocock/skills
- 👉 一键安装：npx skills@latest add mattpocock/skills
- 👉 作者周报：AI Hero Skills Newsletter
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。
2026年7月13日