登录社区云,与社区用户共同成长
邀请您加入社区
摘要:OpenClaw是一款开源AI代理平台,支持自然语言指令和多模型接入,适合搭建私有智能助手。推荐云端部署,避免本地运行的安全风险和稳定性问题。阿里云提供5种可视化部署方案(轻量云服务器/无影云电脑/AgentBay/ECS等),无需复杂配置,新手也能快速完成。这些方案覆盖个人到企业不同需求,支持7×24小时运行,助您轻松拥有专属AI助理。
腾讯云开源项目TencentDB Agent Memory解决了AI Agent长期存在的"失忆"问题。该项目上线4个月获22,788星标,核心功能包括: 构建四大记忆资产:Chat Memory保存对话历史、Skill提炼可复用的技能、Wiki结构化文档知识、CodeGraph分析代码关系 分层记忆管理:从原始对话到核心认知分L0-L3四级存储,实现精准召回 团队知识共享:支持跨Agent经验传
MCP(Model Context Protocol)作为 Anthropic 推出的开放协议,解决 AI Agent 对接外部数据源 “集成爆炸” 痛点,统一工具调用、上下文注入标准,被称为 AI 领域的 USB‑C 接口。但金融场景的生产级 MCP 服务案例并不多。财搭子开源了一套面向 AI Agent 的金融投研 MCP 服务器。
文章摘要(149字): AI框架选型应先明确需求层级:L1/L2开发框架(Spring AI/LangChain)适合工程师自主开发;L3运行时(AgentScope/DeepSeek Harness)提供生产级环境;L4成品智能体(OpenClaw/Hermes Agent)开箱即用;L5低代码平台(Dify/Coze)面向业务人员。同层级内比较技术特性,跨层级选择产品形态——如Java生态选S
DeepSeek Harness 的核心价值在于提出了一种全插件化的 AI Agent 运行时范式架构层面:通过 Cordis 框架的 Service/Context/Event 模型,将 Agent 的每个能力拆解为可独立替换的插件单元,消除了传统框架中的核心耦合问题。工程层面:结构化的工具执行管道、追加写入的会话事件日志、分级沙箱策略、类型化事件契约等设计,为构建生产级 Agent 系统提供了
【项目简介】:一个连接 AI Agent 与前端 UI 的开源框架,并推动了 AG-UI 协议的建立。【关键数据】CopilotKit34.5K Star(官网实时数据,高于前一版本的 32K)。AG-UI 协议15.1K Star1.4K Fork。采纳方:Google、LangChain、AWS、Microsoft 等。【深度复盘】协议先行。
开源 AI Agent 框架 penguin-harness 上线 30 天拿下 1466 星:LlamaFactory 作者出品,数据分析准确率第一、成本仅 Claude Code 的 1/70;一句话可生成完整 RAG 应用,并通过 Skills + benchmark 闭环让 Agent 自我进化。本文深挖它的基准数据、进化机制与技术选型。
九个新面孔里有三个都在给 AI 编程 agent 补能力:ai-memory 管长期记忆,career-ops 管求职流程,Anthropic-Cybersecurity-Skills 管安全技能。v1.3.4 这版把任务生命周期在 API、CLI、WebUI 三端统一,断掉的任务能恢复,社交发布也跟视频生成解耦了。自主 AI 渗透测试工具,让一群 AI agent 像红队一样协作,侦察、利用、后
一个 DSH(DeepSeek Harness)组合层插件包,通过 `ctx.skills` 注册 `7d-git-commit` 技能。在生成任何 `git commit` 提交信息前,自动按**7DGroup 项目提交规范**进行校验,规避 gitlab 服务端 `pre-receive` hook 拦截。零核心改动——安装即启用,移除 bundle 行即卸载。
use_skill调用用户自定义的 skill,把多步流程打包成可复用的命令。Skills 以 Markdown + JSON 格式定义,无需编写 Rust 代码即可扩展 AtomCode 的能力。实测:我创建了一个/deployskill,封装了"构建 Docker 镜像 → 推送仓库 → 更新 K8s 部署"的三步流程。之后在任意项目中,只需输入/deploy,AtomCode 就会按预定义步
Flydb是一款专为信创与多数据库环境设计的轻量级迁移工具,解决了传统工具兼容性问题。采用Apache-2.0开源协议,纯Java8实现且零依赖,深度适配国产信创数据库及主流关系型数据库。项目创新性地结合AI能力,提供AgentSkill技能族支持智能迁移与运维。现已开源并上线GitHub(zzxCoding/Flydb),配套技能可通过SkillHub一键安装,支持版本管理、脚本编写及CI/CD
李博杰著《深入理解 AI Agent:设计原理与工程实践》全书开源。核心公式:Agent = LLM + 上下文 + 工具。10章层层递进:上下文工程、用户记忆与知识库、MCP工具协议、Coding Agent、评估体系、模型后训练(SFT/RL)、持续进化、多模态交互、多Agent协作。95个配套实验,13种语言版本,PDF/EPUB免费下载
2026 年 8 月 10 日至 14 日,编码 Agent 赛道在一周内连续抵达三个临界点。8 月 11 日,OpenAI 把外部 Agent 导入统一为 Codex 的单一入口/import,能一键「搬空」Claude Code 与 Cursor 的配置、Skills、MCP、hooks 与近 30 天对话,却没有任何/export命令——资产只能进、不能出 [B]。
DeepSeek 在发布 V4 Pro 旗舰模型的同日,开源 MIT 协议的 Agent 元框架**DeepSeek Harness v0.1**,上线迅速登顶 Hacker News 榜首,GitHub Star 接近 40k。它并非大模型,而是一套以**一切皆插件**为核心理念的 Agent 基础设施,模型适配器、Agent 循环、沙箱、UI 全部可插拔替换,无需修改源码即可组装自定义智能体。
多前端生态兼容:一个二进制同时服务 CopilotKit(AG-UI)和 React(AI SDK v6),零胶水代码。Human-in-the-loop:按工具粒度 Allow/Deny/Ask,暂停 → 审批 → 恢复。多智能体编排:本地 + 远程(A2A),支持协调者/流水线/并行扇出/层级/生成-批评模式。Skills + MCP:技能包运行时发现激活 + 任意 MCP 工具自动注册。Gi
加密日记脚本(Python版)
在实际使用中,我们往往需要反复告诉 Agent 固定 SOP、项目背景、工具习惯和输出格式。这些信息不应该每次重新解释,但同时也不应该被无脑、扁平地全部塞进上下文。
目前大模型在长程交互任务中越来越依赖记忆系统。因为大模型本身没有天然的长期状态,如果只依赖上下文窗口,很容易在多轮对话、长期用户偏好建模和跨会话推理中丢失历史信息。记忆系统本身也有成本。例如很多系统需要不断调用大模型总结对话、抽取记忆、更新记忆、解决冲突,这些步骤会引入大量 token 消耗、API 调用和时间延迟。这篇论文提出了一个比较轻量的记忆系统LightMem,目标是在记忆系统的性能和效率
可靠性差:Agent的规划、推理、工具调用行为不可控,幻觉率、错误率在开放场景下高达30%以上可观测性弱:多Agent协同场景下无法追踪问题根因,一次故障排查平均耗时是传统Web服务的12倍成本失控:大模型调用无管控,80%的无效请求浪费了70%以上的预算,很多团队上线第一个月的账单就超过了全年预算安全风险高:Agent不受控的工具调用、敏感数据泄露、恶意prompt注入等问题,带来的业务损失平均
摘要: MiniMax-Music3开源音乐模型正式发布,支持本地生成5分钟带人声的完整歌曲(含中文/日文),效果达开源领域顶级水平。配合T8更新的ComfyUI V18整合包,用户可一键部署,无需配置环境。教程涵盖模型下载、安装步骤及核心玩法:需结构化提示词(流派/BPM/乐器等)和分段歌词输入,推荐使用官方Skill生成描述。硬件要求24GB显存(RTX4090),实测3分钟歌曲生成约219秒
延续了超大字号、极重字重,大标题依然保持了原规范里的视觉冲击力;
这套 Windows 整合一键部署包,核心就是简化 Hermes Agent 的上手门槛,省去从零配置环境的繁琐步骤。整合包已预装全部运行依赖、组件与基础配置,用户仅需完成下载、解压、启动三步操作,就能快速在本地运行 Hermes。对于不熟悉代码与环境配置的新手,它大幅降低了使用难度;对于想要快速测试工具功能、体验本地 AI 能力的使用者,也能有效节省排错与配置时间。如果你想快速体验 Hermes
这两年只要聊大模型应用,RAG几乎是绕不开的话题。最早大家理解RAG,通常是把它看成一个“给大模型外挂知识库”的方案:用户提出问题之后,系统先去知识库里检索相关内容,再把检索结果和用户问题一起塞进Prompt,最后让大模型基于这些材料生成回答。这个理解没有错,但它只解释了最基础的。在很多早期场景里,这套方案已经足够好用。比如产品文档问答、接口说明查询、企业制度检索、FAQ 客服机器人,本质上都是把
但**多模型一起跑≠多模型协作**:如果只是各自干完然后选最好的,本质上还是"投票",没有真正的"协作"。> 💡 **欢迎 Star、Fork、PR!** 这个问题在 v2.1.0 之前**没有任何工具能定量回答**。| **涌现度量体系** | 问题2:量化"1+1>2"的协作增益 | SynchronyMeter + EmergenceEvaluator || **任务编排** | 手动选工
搭了个多Agent系统,三个Agent分工明确,跑起来一看——Agent A的输出Agent B没收到,Agent C等半天还没开始,编排器把简单任务拆成了5步,并行执行的结果没人合并。
回到开头那个巧合。8 月 3 日同一天,一个框架在教 agent 说话,一个模型把旗舰权重放开。两条线交汇,指向同一个方向:智能体要真正干活了,光有模型不够,得让它们能互相协作、能对接系统、能承担后果。你上手 v0.20.0 的语音了吗?A2A、Agent Plugins、AIP 三个标准,你觉得哪个真能跑起来?评论区聊聊,我整理到下周的周报里。
这篇文章介绍了一种零门槛入门嵌入式GUI开发的方法,使用LVGL官方Web模拟器配合MicroPython,无需硬件即可学习开发。作者分享了从基础控件到复杂交互的完整学习路径,包括按钮、标签、开关、图表等核心组件的使用方法,并提供了可直接运行的示例代码和常见问题解决方案。通过在线模拟器,开发者可以实时预览界面效果,快速掌握LVGL v9.0的开发技巧,为后续硬件开发打下基础。教程特别适合想入门嵌入
在实际工程实践中,**意图识别准确率**常被视为多 Agent 系统上线的关键指标。然而,大量项目表明:**离线评测中 90%+ 的意图识别准确率,并不能保证真实用户体验可用**。
太强了,美团连发了3篇Agent Skill技术论文:Skill0,Skill0.5,Skill1
我们整理了ContextDB、Memora、MemForest、RMM、MPR、A-MEM、HyMem将对这些项目进行比对,包括核心思想、关键创新、性能数据、适用场景和开源地址等维度。
摘要:本文针对私有化部署30B级智能体模型的需求,提出基于Muse Glimmer 30B(Apache 2.0开源)的单张消费级GPU部署方案。通过Ollama或llama.cpp实现,结合4-bit量化(显存降至18-20GB)和DFlash投机解码(RTX 5090速度提升至233.4 tok/s),解决了传统部署对数据中心显卡的依赖问题。文章详细对比了量化版本选型(K-Quant-17GB
RTEB 第一:这是目前最强的开源嵌入模型,没有之一Agent 原生优化:专为多步 Agent 推理设计,能显著降低 Token 成本多语言商业可用:34 种语言覆盖,OpenMDW 协议可直接商用灵活部署:从 8B 旗舰到 1B 量化版,覆盖所有场景完全开源:权重 + 训练配方全部公开,支持领域微调。
类似的工具其实早已有之,比如 Amphetamine、Caffeine 等防休眠软件,但它们大多面向的是"插着电源、开着屏幕"的场景。modafinil 的独特之处在于,它专门针对"合盖但不休眠"这个需求,并且允许显示器关闭。不合盖,带着一台亮着屏幕的电脑走来走去,既不方便,也耗电。这个同名的小工具,干的也是让 MacBook "不睡觉"的活儿。这个逻辑在大多数场景下是合理的,但在某些特定场景下,