正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

Claude Artifacts 彻底开源了！生成式 UI 不再是大厂特权🔥 CopilotKit（33k+ Star）正在 GitHub Trending 狂飙，Product Hunt 高分上线，直接把 Anthropic 闭源灵魂端了出来。过去 Agent 只能在聊天框画饼，现在直接在你的 App 里实时生成交互界面。三条最实用路径： - Controlled 受控模式：你写好 React 组件，Agent 只负责挑 + 填数据，品牌风格零偏差，核心流程首选。 - Declarative 声明式（A2UI）：Agent 吐 JSON，前端自动映射成组件，长尾场景效率拉满，Google ADK 官方也在推。 - Open-ended 开放式：Agent 直接生成 HTML 或驱动 Excalidraw 等工具，适合一次性可视化。双向状态同步 + Human-in-the-Loop + 持久 Threads... show more

开发者Hailey

20,701 subscribers

37,430 次观看 • 1 个月前 •via X (Twitter)

教育科学技术

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

AI agent终于有专属的Slide框架了。 open-slide 直接把“prompt一下就出一整套精美幻灯片”变成了现实。它不是简单生成Markdown，而是把每张幻灯片做成React组件，固定1920×1080画布，内置agent技能： - /create-slide：一句话prompt就能生成完整deck - /apply-comments：在浏览器里点元素留评论，agent一键应用所有修改 - 内置演示模式、演讲者笔记、定时器 - 一键导出HTML/PDF - 支持Claude Code、Cursor、Codex等任意编码agent 最重要的是，它把agent从“聊天生成文字”升级成了“真正能输出可呈现成品”的生产力工具。 GitHub： Demo：这波操作，直接填补了agent和真实产出之间的最后一公里。你觉得agent时代，Slide生成会不会成为标配技能？

AI agent终于有专属的Slide框架了。 open-slide 直接把“prompt一下就出一整套精美幻灯片”变成了现实。它不是简单生成Markdown，而是把每张幻灯片做成React组件，固定1920×1080画布，内置agent技能： - /create-slide：一句话prompt就能生成完整deck - /apply-comments：在浏览器里点元素留评论，agent一键应用所有修改 - 内置演示模式、演讲者笔记、定时器 - 一键导出HTML/PDF - 支持Claude Code、Cursor、Codex等任意编码agent 最重要的是，它把agent从“聊天生成文字”升级成了“真正能输出可呈现成品”的生产力工具。 GitHub： Demo：这波操作，直接填补了agent和真实产出之间的最后一公里。你觉得agent时代，Slide生成会不会成为标配技能？

Berryxia.AI

54,107 次观看 • 2 个月前

传统 UI 注定会被「生成式 UI」取代，只不过它不是消息流中的一张「卡片」，这两天做了一个探索（数据都是Mock的） 1. 交互模式：用户的顺序式操作 / 固定的界面 → Agent 驱动的事件流，界面按需生成 / 销毁 2. 状态管理：前端单向状态管理 / 后端仅持久化 → 前端与 Agent 共享状态，双向同步且可冲突调和 3. 输出方式：静态页面 + 局部异步刷新 → 动态组件树、流式语音/视频、思考链可视化、可中断提示 4. 任务模式：规定流程，用户必须遍历步骤 → AI 自主规划子任务、多步执行与人机中断/回退 5. 可观测性：仅记录用户行为→ 全面记录 Agent 思考、规划、工具调用、审批链，支持审计与重放 6. 安全模式：基于用户权限的接口调用 → 基于 Agent 能力边界的沙盒渲染与操作指令校验

传统 UI 注定会被「生成式 UI」取代，只不过它不是消息流中的一张「卡片」，这两天做了一个探索（数据都是Mock的） 1. 交互模式：用户的顺序式操作 / 固定的界面 → Agent 驱动的事件流，界面按需生成 / 销毁 2. 状态管理：前端单向状态管理 / 后端仅持久化 → 前端与 Agent 共享状态，双向同步且可冲突调和 3. 输出方式：静态页面 + 局部异步刷新 → 动态组件树、流式语音/视频、思考链可视化、可中断提示 4. 任务模式：规定流程，用户必须遍历步骤 → AI 自主规划子任务、多步执行与人机中断/回退 5. 可观测性：仅记录用户行为→ 全面记录 Agent 思考、规划、工具调用、审批链，支持审计与重放 6. 安全模式：基于用户权限的接口调用 → 基于 Agent 能力边界的沙盒渲染与操作指令校验

kejun

26,647 次观看 • 1 个月前

🔥 前端动画界的老大 GSAP，又扔出了一颗炸弹：gsap-skills！ 90% 的网页动效只是乏味的淡入淡出，但 Apple 风滚动、数据可视化动画、沉浸式产品页背后的秘密，全在 GSAP。 GSAP 官方直接放出 gsap-skills：支持 Cursor、Claude Code、Copilot、Google Antigravity、Windsurf 等几乎所有主流 Agent，自动识别。神亮点： - 25+ 高级动画实战案例，一键学会 Timeline、ScrollTrigger、Ease 等核心技能 - 让 AI 或开发者都能瞬间生成丝滑、专业、高级感爆棚的动效 - 免费开源，商业项目直接用 - 性能极致流畅，复杂动画也不卡顿 - 跨框架支持：React、Vue、Svelte、原生 JS 全覆盖 - 官方教程 + 实战案例 = 动效学习最快捷径 GSAP 本身已全部免费（原 Club 高级插件全部白送），现在再加上这套官方 skill，装完直接甩需求给 AI，感受 Apple 级动效秒出的爽感！

🔥 前端动画界的老大 GSAP，又扔出了一颗炸弹：gsap-skills！ 90% 的网页动效只是乏味的淡入淡出，但 Apple 风滚动、数据可视化动画、沉浸式产品页背后的秘密，全在 GSAP。 GSAP 官方直接放出 gsap-skills：支持 Cursor、Claude Code、Copilot、Google Antigravity、Windsurf 等几乎所有主流 Agent，自动识别。神亮点： - 25+ 高级动画实战案例，一键学会 Timeline、ScrollTrigger、Ease 等核心技能 - 让 AI 或开发者都能瞬间生成丝滑、专业、高级感爆棚的动效 - 免费开源，商业项目直接用 - 性能极致流畅，复杂动画也不卡顿 - 跨框架支持：React、Vue、Svelte、原生 JS 全覆盖 - 官方教程 + 实战案例 = 动效学习最快捷径 GSAP 本身已全部免费（原 Club 高级插件全部白送），现在再加上这套官方 skill，装完直接甩需求给 AI，感受 Apple 级动效秒出的爽感！

开发者Hailey

131,418 次观看 • 1 个月前

这个开源视频制作工作流真爽啊！单日斩获3000 Star，真的牛～又一个把AI coding agent直接变成视频制作工作室的项目开源了，叫OpenMontage。它把整个视频生产流程拆成12条结构化pipeline（动画解说、纪录片蒙太奇、电影感、Talking Head等），内置52个工具和500+个agent skills。用户只需要用自然语言描述需求，agent就能完成调研、脚本、素材生成、剪辑合成全流程。最硬核的是它同时支持AI生成内容和真实素材工作流，还做了生产级的质量把控（预合成验证、后渲染自检、预算控制）。渲染引擎用了Remotion和自研的HyperFrames，能输出高质量的动态视频。本质上它是把“视频制作”这件事彻底agent化了，让普通人也能通过对话让agent产出接近专业水准的视频内容。

这个开源视频制作工作流真爽啊！单日斩获3000 Star，真的牛～又一个把AI coding agent直接变成视频制作工作室的项目开源了，叫OpenMontage。它把整个视频生产流程拆成12条结构化pipeline（动画解说、纪录片蒙太奇、电影感、Talking Head等），内置52个工具和500+个agent skills。用户只需要用自然语言描述需求，agent就能完成调研、脚本、素材生成、剪辑合成全流程。最硬核的是它同时支持AI生成内容和真实素材工作流，还做了生产级的质量把控（预合成验证、后渲染自检、预算控制）。渲染引擎用了Remotion和自研的HyperFrames，能输出高质量的动态视频。本质上它是把“视频制作”这件事彻底agent化了，让普通人也能通过对话让agent产出接近专业水准的视频内容。

Berryxia.AI

104,460 次观看 • 1 个月前

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

AYi

63,210 次观看 • 2 个月前

全球首个开源 Agentic 视频生产系统来了！ OpenMontage 把你的 AI 编程助手直接变成完整视频制作工作室！它能把 Claude、Cursor、Codex、Hermes Agent 这类 AI 编程助手，直接当视频制作工作室用。有 12 条不同类型的生产线，52 个工具，500 多个 agent 技能。从调研、写脚本、生成素材到后期合成，全程让 AI 自己跑。支持用真实免费素材，也能纯 AI 生成。而且是完全开源的，成本能压得很低（有演示案例只花了不到两块钱）。仓库地址：感觉这个方向挺新的，有兴趣的可以去 star 一下。

全球首个开源 Agentic 视频生产系统来了！ OpenMontage 把你的 AI 编程助手直接变成完整视频制作工作室！它能把 Claude、Cursor、Codex、Hermes Agent 这类 AI 编程助手，直接当视频制作工作室用。有 12 条不同类型的生产线，52 个工具，500 多个 agent 技能。从调研、写脚本、生成素材到后期合成，全程让 AI 自己跑。支持用真实免费素材，也能纯 AI 生成。而且是完全开源的，成本能压得很低（有演示案例只花了不到两块钱）。仓库地址：感觉这个方向挺新的，有兴趣的可以去 star 一下。

DeFi狙击手 | Ai🕊️

22,399 次观看 • 1 个月前

🚨 可能是全网第一个！0 代码手搓一款真正原生 App 的最佳实践。不管你是资深工程师还是零基础小白，只要跟着做，半小时就能做出运行在手机上的原生 App（不是 H5 网页！）👇 1️⃣ Stitch 生成设计：打开 Google Stitch，用中文描述需求（如“拍照自动识别有效期的 App”），选择 Gemini 3.0 Pro 模型。AI 瞬间生成符合 Material 3 规范的极简设计稿。 2️⃣ 一键导出素材：直接从 Stitch 导出 HTML 代码和 PNG 图片，省去 UI 和前端反复沟通的麻烦。 3️⃣ Antigravity 写代码：打开 Antigravity IDE，建立 frontend/backend 目录。把素材放入 design 文件夹。给 AI 下指令：“基于 design 目录，使用 Flutter 技术生成 App 代码”。AI 自动疯狂写代码，配置环境。 4️⃣ 模拟器运行：打开 Mac 的 Simulator，终端输入 flutter run。见证奇迹，真正的原生 App 跑起来了！这不是简单的套壳，AI 生成的代码包含 iOS、Android、Mac、Windows、Web 全平台支持。从想法到成品的全流程自动开发，是实践出来的最佳路径。 #AI编程 #Flutter #Stitch #Antigravity #零代码开发

🚨 可能是全网第一个！0 代码手搓一款真正原生 App 的最佳实践。不管你是资深工程师还是零基础小白，只要跟着做，半小时就能做出运行在手机上的原生 App（不是 H5 网页！）👇 1️⃣ Stitch 生成设计：打开 Google Stitch，用中文描述需求（如“拍照自动识别有效期的 App”），选择 Gemini 3.0 Pro 模型。AI 瞬间生成符合 Material 3 规范的极简设计稿。 2️⃣ 一键导出素材：直接从 Stitch 导出 HTML 代码和 PNG 图片，省去 UI 和前端反复沟通的麻烦。 3️⃣ Antigravity 写代码：打开 Antigravity IDE，建立 frontend/backend 目录。把素材放入 design 文件夹。给 AI 下指令：“基于 design 目录，使用 Flutter 技术生成 App 代码”。AI 自动疯狂写代码，配置环境。 4️⃣ 模拟器运行：打开 Mac 的 Simulator，终端输入 flutter run。见证奇迹，真正的原生 App 跑起来了！这不是简单的套壳，AI 生成的代码包含 iOS、Android、Mac、Windows、Web 全平台支持。从想法到成品的全流程自动开发，是实践出来的最佳路径。 #AI编程 #Flutter #Stitch #Antigravity #零代码开发

Vincent

35,297 次观看 • 3 个月前

微软开源了一个功能强大的 VS Code 插件：AI Toolkit，简化 Agent 应用的全流程开发。在一个界面里，集成了模型浏览、Playground 测试、Agent 构建、批量运行和性能评估等完整功能。 GitHub：主要功能： - 模型目录浏览，支持 GitHub、OpenAI、Anthropic 等多家提供商的模型； - 交互式 Playground，可快速测试模型能力和多模态功能； - Agent 构建器，支持自然语言生成启动 Prompt 和链式任务分解； - 批量运行测试，能同时在多个模型上执行大量 Prompt 并进行对比； - 内置评估工具，支持 F1 分数、相关性等标准指标测试； - MCP 服务器集成，让 Agent 能够连接外部工具执行实际操作。通过 VS Code 插件市场搜索 “AI Toolkit for Visual Studio Code” 安装即可使用。

微软开源了一个功能强大的 VS Code 插件：AI Toolkit，简化 Agent 应用的全流程开发。在一个界面里，集成了模型浏览、Playground 测试、Agent 构建、批量运行和性能评估等完整功能。 GitHub：主要功能： - 模型目录浏览，支持 GitHub、OpenAI、Anthropic 等多家提供商的模型； - 交互式 Playground，可快速测试模型能力和多模态功能； - Agent 构建器，支持自然语言生成启动 Prompt 和链式任务分解； - 批量运行测试，能同时在多个模型上执行大量 Prompt 并进行对比； - 内置评估工具，支持 F1 分数、相关性等标准指标测试； - MCP 服务器集成，让 Agent 能够连接外部工具执行实际操作。通过 VS Code 插件市场搜索 “AI Toolkit for Visual Studio Code” 安装即可使用。

GitHubDaily

36,446 次观看 • 10 个月前

和AI Agent一起工作是一种什么样的体验？扣子空间详细体验评测（下面有邀请码）🧵↓ 字节跳动发布新一代 AI Agent 平台：扣子空间，Slogan为：在扣子空间，和 Agent 一起开始你的工作。也就是你可以像和真人协作一样，和AI一起完成特定任务。通过自然语言交流直接交付结果🫡 例如这个↓ 这个测试是模拟你通过AI来简化你的工作或者提高你的工作效率或者成果，例如假如你是一个幼儿园老师就可以通过AI生成一个交互式的英语学习应用。提高孩子们学习英语的乐趣。它支持调用MCP，这个测试调用了两个MCP，一个是图像生成一个是语音生成。扣子空间，它可以是： ✅「通用实习生」：可以处理各种基础任务，比如整理资料、写文案、查数据等。 ✅「领域专家」：针对具体行业或专业的问题（如法律、医学、设计等）有深入理解，能给出专业建议或完成复杂任务。你可以根据自己的需要选择不同AI来协助你完成任务。它不只是回答问题，AI还能主动帮你做事：比如生成报告、整理数据、写代码、规划日程等。支持两种工作方式：自动模式：AI自动帮你完成任务。协作模式：你可以一步步与AI互动，逐步推进任务，更适合复杂工作。

和AI Agent一起工作是一种什么样的体验？扣子空间详细体验评测（下面有邀请码）🧵↓ 字节跳动发布新一代 AI Agent 平台：扣子空间，Slogan为：在扣子空间，和 Agent 一起开始你的工作。也就是你可以像和真人协作一样，和AI一起完成特定任务。通过自然语言交流直接交付结果🫡 例如这个↓ 这个测试是模拟你通过AI来简化你的工作或者提高你的工作效率或者成果，例如假如你是一个幼儿园老师就可以通过AI生成一个交互式的英语学习应用。提高孩子们学习英语的乐趣。它支持调用MCP，这个测试调用了两个MCP，一个是图像生成一个是语音生成。扣子空间，它可以是： ✅「通用实习生」：可以处理各种基础任务，比如整理资料、写文案、查数据等。 ✅「领域专家」：针对具体行业或专业的问题（如法律、医学、设计等）有深入理解，能给出专业建议或完成复杂任务。你可以根据自己的需要选择不同AI来协助你完成任务。它不只是回答问题，AI还能主动帮你做事：比如生成报告、整理数据、写代码、规划日程等。支持两种工作方式：自动模式：AI自动帮你完成任务。协作模式：你可以一步步与AI互动，逐步推进任务，更适合复杂工作。

小互

27,158 次观看 • 1 年前

$大家都在卷云端Agent，我却把多Agent做进了桌面端在技术社区，多Agent系统的文章越来越多，但大多数都围绕框架展开： ➢LangChain ➢AutoGen ➢CrewAI 我这次想讲的不是框架，而是一个更实际的问题：如果不搭云端基础设施，只靠一个桌面应用，能不能从零构建一个“活的”多 Agent 协作系统？答案是：可以 --- 而且它不是Demo 这套系统，长在一个真实的桌面Web3应用里，已经集成了： -EVM / Solana 双链监控 -SWAP 聚合交易 -链上新币追踪 -交易仪表盘 -AI 深度解读多Agent不是从PPT里设计出来的，而是在生产环境中自然演化出来的。 --- 在讨论多Agent技术实现之前，我先回答一个方向性问题：为什么我最后选的是桌面端，而不是更主流的云端部署，或者更轻的浏览器插件方案？这个选择的本质，不是“谁更先进”，而是三条技术路径之间的权衡。 --- 云端部署，是当下最主流的多Agent实现方式。它的优势很明显：可以随时为Agent团队加GPU 模型升级不需要用户干预服务端可以维护全局共享记忆但代价同样明显：用户数据必须经过服务器中转链上交易往往要对服务器开放私钥访问权限而且会持续产生部署和维护成本 --- 浏览器插件，是另一条轻量路线。它可以直接注入页面，读取DOM，模拟用户操作，对单一自动化任务非常高效。但问题也很直接： >它运行在浏览器沙箱里 >缺少持久化存储能力 >缺少长时间运行的后台线程 >很难支撑复杂的记忆系统 >也很难支撑Agent与Agent之间的异步互动 --- 桌面应用则处在一个独特的位置。它拥有完整的系统资源访问权限： ➢可以自启动后台线程 ➢可以读写本地文件系统 ➢可以建立持久化数据库连接这些能力，恰恰是多Agent系统真正需要的底层设施代价当然也有：它依赖本地算力，模型推理通常仍要调用云端 API 它需要完整 Python 环境更新和分发也比网页应用更复杂。 --- 所以，选择桌面端构建多Agent，本质上是在用分布式能力，换取数据隐私和调度效率。这不是绝对优势，而是场景决定的选择。对加密货币交易、链上分析、监控这类系统来说，数据隐私要求远高于常规应用： >钱包地址 >交易历史 >持仓数据这些信息落在云服务器上，本身就是风险面。 --- 更重要的是调度效率在单体桌面应用里，主Agent调度子Agent执行任务，不需要走HTTP / RPC这类网络协议，而是可以直接进程内调用。这意味着： →网络开销被彻底消除 →调用延迟从毫秒级压到微秒级对高频分析、链上监控、交易辅助这种场景来说，这种差异会直接影响系统的时效性。 --- 多Agent系统的第一个核心挑战，其实不是“怎么让它们聊天”，而是“怎么把它们隔离开” 主Agent、合约分析Agent、安全审计Agent，再加上用户，如果聊天记录和记忆混在一起，身份就会混淆。而一旦混淆，信息丢失和错误推理的代价，随时会发生。 --- 我的做法是：代码模板统一，运行数据隔离所有子Agent共用同一套 ` 引擎，但通过动态表名，实现物理级的数据隔离： `table_name = f"chat_history_{self.agent_id}"` 然后自动创建对应表。也就是说： trader Agent会生成 `chat_history_trader` 审计 Agent 会生成自己的 `chat_history_xxx` 主 Agent 也有自己的独立聊天表这不是逻辑隔离，而是数据库层面的物理隔离。 --- 反思笔记也是同样的设计。每个子 Agent 都会记录自己的反思键： `reflection_key = f"auto_reflection_{self.agent_id}"` `self.api._agent_remember("master_insight", reflection_key, summary)` 这样每个Agent只积累自己的长期反思，不会污染其他Agent的记忆。这套方案最精髓的地方在于：一次设计，终身复用。 --- 后面再新增第三个、第四个Agent，不需要改任何核心代码。只需要复制目录结构，补上配置文件。模板引擎就会自动为它生成： →独立数据库表 →独立反思键 →独立聊天存储区这让我越来越相信一件事：好的架构，不一定更复杂，但一定更容易复用。 --- 接下来是调度问题。在分布式系统里，主Agent调子Agent，通常要依赖： -HTTP / RPC 通信 -服务发现 -负载均衡但在单体桌面应用里，我把这件事简化成了一个直接函数调用： `sub = self.sub_agents[agent_id]` `result = sub.process(task, save_history=False)` 这就是“命令而非请求”。 --- 这种“传话式调度”有两个好处：第一，延迟从毫秒级降到微秒级，所有数据都留在本地流转第二，主 Agent 不需要知道子 Agent 的内部实现细节，只需要知道： “它可以处理什么类型的任务” 这其实就是清晰的职责边界。 --- 为了让主Agent真正会“派活”，我把所有子Agent的能力清单，动态注入进主Agent的系统提示词。例如：合约分析 Agent：可用工具 `get_contract_market_data`、`run_contract_risk_check` 安全审计 Agent：可用工具 `check_token_security`、`check_token_audit_binance` 这样主Agent接到用户指令后，就能自动判断任务类型，并选择合适的子Agent执行。 --- 权限控制，是整个多Agent系统里最核心的安全问题之一。主Agent持有26个Web3专属工具，覆盖： SWAP 报价链上分析安全检测数据查询但每个子Agent只应该使用自己那一小部分工具。所以第一层，我在代码层做了严格白名单过滤： `return [t for t in all_tools if t["function"]["name"] in self.allowed_tools]` --- 但只有代码过滤还不够。因为大模型会产生“幻觉”，它可能尝试调用未授权工具。所以第二层，我在系统提示词末尾，直接写入“工具使用铁律”：你只拥有以下这些工具，绝对不能越界。如果任务需要其他工具，必须明确告诉老板你没有权限。代码层负责“不能看到” 提示词层负责“不会越界” 这是我在权限隔离上做的双层防护。 --- 还有一个我自己很喜欢，但最不显眼的设计：我给整个Agent 团队，单独做了一个茶水间市面上多数多Agent系统，只做“用户 -> Agent”的交互。 Agent 之间互不交流。但我单独设计了一个 `agent_interactions` 空间，让 Agent 和 Agent 之间也能异步互动。 --- 它的触发机制甚至很简单： `selected_id = random.choice(list(api.sub_agents.keys()))` `selected_sub = api.sub_agents[selected_id]` 每次触发时，引擎随机选人，动态生成一轮对话，再写回数据库，前端实时渲染。我还额外加了后台检查线程和防无限循环机制：每隔 2-3 分钟检查最后一条消息如果最近 3 条都是自动回复，就自动暂停避免它们半夜自己聊到停不下来。 --- 这个“茶水间”的价值不在于直接创造业务收益，而在于一种潜移默化的系统人格塑造。它不强调自己的存在，却在悄悄维持 Agent团队的凝聚力、性格关系和健康状态。你几乎感觉不到它，但系统会因为它，变得更像一个“活着的团队”。 --- 在记忆层设计上，我最后没有引入向量数据库，而是继续深度定制 SQLite。不是因为技术保守，而是因为工程决策必须在约束条件下做权衡。对桌面应用来说，多一个依赖，就多一个故障点、多一个安全风险面、多一个打包负担。结果是： >几张SQLite表 >动态表名 >结构化JSON字段就支撑起了3个乃至更多Agent的独立记忆系统。 --- 这套记忆系统现在已经形成了一条完整链路：短期对话记忆（20条） -> 长期反思笔记（6小时一次） -> 结构化 JSON 记录而我还在继续推进8个方向： ➤上下文延续 ➤记忆结构化 ➤记忆驱动行为 ➤心理学三类长期记忆 ➤团队协作记忆 ➤动态进化记忆 ➤知识图谱记忆 ➤记忆压缩与高效检索我的目标，不是让Agent记住你说过什么而是让它从记住你说过什么的工具，慢慢进化成能理解你、预测你、协同你的长期伙伴 GitHub: 作者：Powerpei（萧楠）$

大家都在卷云端Agent，我却把多Agent做进了桌面端在技术社区，多Agent系统的文章越来越多，但大多数都围绕框架展开： ➢LangChain ➢AutoGen ➢CrewAI 我这次想讲的不是框架，而是一个更实际的问题：如果不搭云端基础设施，只靠一个桌面应用，能不能从零构建一个“活的”多 Agent 协作系统？答案是：可以 --- 而且它不是Demo 这套系统，长在一个真实的桌面Web3应用里，已经集成了： -EVM / Solana 双链监控 -SWAP 聚合交易 -链上新币追踪 -交易仪表盘 -AI 深度解读多Agent不是从PPT里设计出来的，而是在生产环境中自然演化出来的。 --- 在讨论多Agent技术实现之前，我先回答一个方向性问题：为什么我最后选的是桌面端，而不是更主流的云端部署，或者更轻的浏览器插件方案？这个选择的本质，不是“谁更先进”，而是三条技术路径之间的权衡。 --- 云端部署，是当下最主流的多Agent实现方式。它的优势很明显：可以随时为Agent团队加GPU 模型升级不需要用户干预服务端可以维护全局共享记忆但代价同样明显：用户数据必须经过服务器中转链上交易往往要对服务器开放私钥访问权限而且会持续产生部署和维护成本 --- 浏览器插件，是另一条轻量路线。它可以直接注入页面，读取DOM，模拟用户操作，对单一自动化任务非常高效。但问题也很直接： >它运行在浏览器沙箱里 >缺少持久化存储能力 >缺少长时间运行的后台线程 >很难支撑复杂的记忆系统 >也很难支撑Agent与Agent之间的异步互动 --- 桌面应用则处在一个独特的位置。它拥有完整的系统资源访问权限： ➢可以自启动后台线程 ➢可以读写本地文件系统 ➢可以建立持久化数据库连接这些能力，恰恰是多Agent系统真正需要的底层设施代价当然也有：它依赖本地算力，模型推理通常仍要调用云端 API 它需要完整 Python 环境更新和分发也比网页应用更复杂。 --- 所以，选择桌面端构建多Agent，本质上是在用分布式能力，换取数据隐私和调度效率。这不是绝对优势，而是场景决定的选择。对加密货币交易、链上分析、监控这类系统来说，数据隐私要求远高于常规应用： >钱包地址 >交易历史 >持仓数据这些信息落在云服务器上，本身就是风险面。 --- 更重要的是调度效率在单体桌面应用里，主Agent调度子Agent执行任务，不需要走HTTP / RPC这类网络协议，而是可以直接进程内调用。这意味着： →网络开销被彻底消除 →调用延迟从毫秒级压到微秒级对高频分析、链上监控、交易辅助这种场景来说，这种差异会直接影响系统的时效性。 --- 多Agent系统的第一个核心挑战，其实不是“怎么让它们聊天”，而是“怎么把它们隔离开” 主Agent、合约分析Agent、安全审计Agent，再加上用户，如果聊天记录和记忆混在一起，身份就会混淆。而一旦混淆，信息丢失和错误推理的代价，随时会发生。 --- 我的做法是：代码模板统一，运行数据隔离所有子Agent共用同一套 ` 引擎，但通过动态表名，实现物理级的数据隔离： `table_name = f"chat_history_{self.agent_id}"` 然后自动创建对应表。也就是说： trader Agent会生成 `chat_history_trader` 审计 Agent 会生成自己的 `chat_history_xxx` 主 Agent 也有自己的独立聊天表这不是逻辑隔离，而是数据库层面的物理隔离。 --- 反思笔记也是同样的设计。每个子 Agent 都会记录自己的反思键： `reflection_key = f"auto_reflection_{self.agent_id}"` `self.api._agent_remember("master_insight", reflection_key, summary)` 这样每个Agent只积累自己的长期反思，不会污染其他Agent的记忆。这套方案最精髓的地方在于：一次设计，终身复用。 --- 后面再新增第三个、第四个Agent，不需要改任何核心代码。只需要复制目录结构，补上配置文件。模板引擎就会自动为它生成： →独立数据库表 →独立反思键 →独立聊天存储区这让我越来越相信一件事：好的架构，不一定更复杂，但一定更容易复用。 --- 接下来是调度问题。在分布式系统里，主Agent调子Agent，通常要依赖： -HTTP / RPC 通信 -服务发现 -负载均衡但在单体桌面应用里，我把这件事简化成了一个直接函数调用： `sub = self.sub_agents[agent_id]` `result = sub.process(task, save_history=False)` 这就是“命令而非请求”。 --- 这种“传话式调度”有两个好处：第一，延迟从毫秒级降到微秒级，所有数据都留在本地流转第二，主 Agent 不需要知道子 Agent 的内部实现细节，只需要知道： “它可以处理什么类型的任务” 这其实就是清晰的职责边界。 --- 为了让主Agent真正会“派活”，我把所有子Agent的能力清单，动态注入进主Agent的系统提示词。例如：合约分析 Agent：可用工具 `get_contract_market_data`、`run_contract_risk_check` 安全审计 Agent：可用工具 `check_token_security`、`check_token_audit_binance` 这样主Agent接到用户指令后，就能自动判断任务类型，并选择合适的子Agent执行。 --- 权限控制，是整个多Agent系统里最核心的安全问题之一。主Agent持有26个Web3专属工具，覆盖： SWAP 报价链上分析安全检测数据查询但每个子Agent只应该使用自己那一小部分工具。所以第一层，我在代码层做了严格白名单过滤： `return [t for t in all_tools if t["function"]["name"] in self.allowed_tools]` --- 但只有代码过滤还不够。因为大模型会产生“幻觉”，它可能尝试调用未授权工具。所以第二层，我在系统提示词末尾，直接写入“工具使用铁律”：你只拥有以下这些工具，绝对不能越界。如果任务需要其他工具，必须明确告诉老板你没有权限。代码层负责“不能看到” 提示词层负责“不会越界” 这是我在权限隔离上做的双层防护。 --- 还有一个我自己很喜欢，但最不显眼的设计：我给整个Agent 团队，单独做了一个茶水间市面上多数多Agent系统，只做“用户 -> Agent”的交互。 Agent 之间互不交流。但我单独设计了一个 `agent_interactions` 空间，让 Agent 和 Agent 之间也能异步互动。 --- 它的触发机制甚至很简单： `selected_id = random.choice(list(api.sub_agents.keys()))` `selected_sub = api.sub_agents[selected_id]` 每次触发时，引擎随机选人，动态生成一轮对话，再写回数据库，前端实时渲染。我还额外加了后台检查线程和防无限循环机制：每隔 2-3 分钟检查最后一条消息如果最近 3 条都是自动回复，就自动暂停避免它们半夜自己聊到停不下来。 --- 这个“茶水间”的价值不在于直接创造业务收益，而在于一种潜移默化的系统人格塑造。它不强调自己的存在，却在悄悄维持 Agent团队的凝聚力、性格关系和健康状态。你几乎感觉不到它，但系统会因为它，变得更像一个“活着的团队”。 --- 在记忆层设计上，我最后没有引入向量数据库，而是继续深度定制 SQLite。不是因为技术保守，而是因为工程决策必须在约束条件下做权衡。对桌面应用来说，多一个依赖，就多一个故障点、多一个安全风险面、多一个打包负担。结果是： >几张SQLite表 >动态表名 >结构化JSON字段就支撑起了3个乃至更多Agent的独立记忆系统。 --- 这套记忆系统现在已经形成了一条完整链路：短期对话记忆（20条） -> 长期反思笔记（6小时一次） -> 结构化 JSON 记录而我还在继续推进8个方向： ➤上下文延续 ➤记忆结构化 ➤记忆驱动行为 ➤心理学三类长期记忆 ➤团队协作记忆 ➤动态进化记忆 ➤知识图谱记忆 ➤记忆压缩与高效检索我的目标，不是让Agent记住你说过什么而是让它从记住你说过什么的工具，慢慢进化成能理解你、预测你、协同你的长期伙伴 GitHub: 作者：Powerpei（萧楠）

Powerpei🦅🏆买美股上币安

227,220 次观看 • 2 个月前

Coze 3.0 + Multi-Agent 协作实践 Coze 3.0发布了，跑通了一个完整的多 Agent 协作流程。任务：基于一个开源 mini coding agent 仓库 + 一篇深度文章，制作高质量的 learning tutorial。先制定多 Agent 协作协议（这点在多 Agent 场景中非常重要）：明确职责、固定 workspace、约定通知方式。项目文件作为唯一参考数据，版本可追溯。团队的三个 Agent 各司其职： CodeX Agent（本地） -> 深度理解代码仓库，提取关键代码示例 Claude Agent（本地） -> 精读文章，提炼核心概念与架构分析 Coze Agent（云端） -> 整合两方产出，制作 Apple HIG 风格的交互式 HTML tutorial 过程中产出的 artifacts（learning-coding-agent.md -> tutorial.md -> slides），通过版本号前后衔接，每个 Agent 都基于前序成果继续推进。多 Agent 协作的核心在于先定规则，再分任务。协议写清楚谁做什么，产出放哪里，怎么通知下游，整个流程就像一条流水线，每个环节都可控，可追溯。

Coze 3.0 + Multi-Agent 协作实践 Coze 3.0发布了，跑通了一个完整的多 Agent 协作流程。任务：基于一个开源 mini coding agent 仓库 + 一篇深度文章，制作高质量的 learning tutorial。先制定多 Agent 协作协议（这点在多 Agent 场景中非常重要）：明确职责、固定 workspace、约定通知方式。项目文件作为唯一参考数据，版本可追溯。团队的三个 Agent 各司其职： CodeX Agent（本地） -> 深度理解代码仓库，提取关键代码示例 Claude Agent（本地） -> 精读文章，提炼核心概念与架构分析 Coze Agent（云端） -> 整合两方产出，制作 Apple HIG 风格的交互式 HTML tutorial 过程中产出的 artifacts（learning-coding-agent.md -> tutorial.md -> slides），通过版本号前后衔接，每个 Agent 都基于前序成果继续推进。多 Agent 协作的核心在于先定规则，再分任务。协议写清楚谁做什么，产出放哪里，怎么通知下游，整个流程就像一条流水线，每个环节都可控，可追溯。

马东锡 NLP

12,967 次观看 • 1 个月前

Vercel 把 Marketplace 直接向 AI Agent 开放了。什么意思？一句话——以后基础设施这块，真的可以全自动了。以前我们用 Claude Code、Cursor 这些 AI 编程工具，写代码已经很猛了，但真正上线一个项目，最麻烦的从来不是代码本身，而是那一堆“杂事”：数据库要去注册，Redis 要单独开，认证服务要配，日志监控要接，邮箱服务要申请 API Key…… 这些步骤过去基本都得人肉操作。AI 能写业务逻辑，却卡在基础设施这一步。这次 Vercel 干了一件很关键的事：不用搞 MCP Server，不用接新协议，直接把自家 CLI 包成一个 AI Skill。一行命令： npx skills add vercel/vercel --skill vercel-cli 装完之后，Agent 就可以像人一样“逛 Marketplace”了。它能做什么？ ·自动 discover 有哪些数据库、认证、日志服务 ·自动 add 安装 Neon、Upstash 这种服务 ·自动注入环境变量 ·自动读取接入文档 ·自己把集成代码写好最后部署上线你只需要说一句：“帮我做个带登录系统的待办 App，部署到 Vercel。” 剩下的流程，理论上 Agent 全跑完。我觉得这件事的意义，不只是“方便”。也是在说：基础设施正在从“人操作”变成“Agent 可操作”。以前：API 是给程序用的；文档是给人看的；CLI 是给人敲的现在必须：返回结构化数据；支持无交互模式；提供机器可读文档；默认假设：调用者可能是 Agent 这其实是 SaaS 形态的一次升级。未来能不能被 Agent 调用，可能会成为一个产品的生死线。如果你的服务不能被自动发现、自动安装、自动配置，那在 AI 自动化流程里，它就会被绕开。目前来说：项目搭建的“时间成本曲线”正在被压平。过去从 0 到 1 搭一套完整基础设施，可能要 2～3 小时。未来可能只是一句 prompt。当部署成本无限接近 0，真正有价值的东西只剩两件： 1.你想解决什么问题 2.你是否有持续迭代能力代码门槛在下降，基础设施门槛在消失。AI + 可编排基础设施，正在把“做产品”这件事，压缩到极致。

Vercel 把 Marketplace 直接向 AI Agent 开放了。什么意思？一句话——以后基础设施这块，真的可以全自动了。以前我们用 Claude Code、Cursor 这些 AI 编程工具，写代码已经很猛了，但真正上线一个项目，最麻烦的从来不是代码本身，而是那一堆“杂事”：数据库要去注册，Redis 要单独开，认证服务要配，日志监控要接，邮箱服务要申请 API Key…… 这些步骤过去基本都得人肉操作。AI 能写业务逻辑，却卡在基础设施这一步。这次 Vercel 干了一件很关键的事：不用搞 MCP Server，不用接新协议，直接把自家 CLI 包成一个 AI Skill。一行命令： npx skills add vercel/vercel --skill vercel-cli 装完之后，Agent 就可以像人一样“逛 Marketplace”了。它能做什么？ ·自动 discover 有哪些数据库、认证、日志服务 ·自动 add 安装 Neon、Upstash 这种服务 ·自动注入环境变量 ·自动读取接入文档 ·自己把集成代码写好最后部署上线你只需要说一句：“帮我做个带登录系统的待办 App，部署到 Vercel。” 剩下的流程，理论上 Agent 全跑完。我觉得这件事的意义，不只是“方便”。也是在说：基础设施正在从“人操作”变成“Agent 可操作”。以前：API 是给程序用的；文档是给人看的；CLI 是给人敲的现在必须：返回结构化数据；支持无交互模式；提供机器可读文档；默认假设：调用者可能是 Agent 这其实是 SaaS 形态的一次升级。未来能不能被 Agent 调用，可能会成为一个产品的生死线。如果你的服务不能被自动发现、自动安装、自动配置，那在 AI 自动化流程里，它就会被绕开。目前来说：项目搭建的“时间成本曲线”正在被压平。过去从 0 到 1 搭一套完整基础设施，可能要 2～3 小时。未来可能只是一句 prompt。当部署成本无限接近 0，真正有价值的东西只剩两件： 1.你想解决什么问题 2.你是否有持续迭代能力代码门槛在下降，基础设施门槛在消失。AI + 可编排基础设施，正在把“做产品”这件事，压缩到极致。

sitin

81,336 次观看 • 4 个月前

今天在Producthunt发现一个AI模型Kombai，可以理解Figma的界面设计并生成对应的前端代码，下面是他们官网的演示视频。从演示来看生成的代码还是不错的，它的优势在于他不要求设计稿的格式、层级和是否使用组件，无论你怎么嵌套和画出的界面它都能理解。这比之前通过传统工程化思路从设计稿生成代码要强多了。之前的一些工具要不是处理不了复杂样式，要不就是对设计师的设计稿格式有非常严格的要求。同时这个模型也支持通过自然语言生成前端界面的代码。官网链接：

今天在Producthunt发现一个AI模型Kombai，可以理解Figma的界面设计并生成对应的前端代码，下面是他们官网的演示视频。从演示来看生成的代码还是不错的，它的优势在于他不要求设计稿的格式、层级和是否使用组件，无论你怎么嵌套和画出的界面它都能理解。这比之前通过传统工程化思路从设计稿生成代码要强多了。之前的一些工具要不是处理不了复杂样式，要不就是对设计师的设计稿格式有非常严格的要求。同时这个模型也支持通过自然语言生成前端界面的代码。官网链接：

歸藏(guizang.ai)

78,671 次观看 • 2 年前

Kimi-K2.6 前端/后端/Agent编程能力实测! 甚至还帮我做了个游戏! 给大家带来刚刚正式发布的 kimi-k2.6 的正式版本的实测! 本次为了考验它的长程Agentic Coding能力, 我用 kimi-k2.6-code-preview 写了个 harness 游戏自动生成框架, 它可以根据给到的人设/场景/数值设计等规则, 自动生成关卡, 背景图片, 甚至配音! 其中框架驱动和草稿模型使用 kimi-k2.6, 文生图和生成语音由 kimi-k2.6 生成 prompt 后调用其它大模型生成. 最好玩的是, 我做了个"无头"版本的游戏cli接口, kimi-k2.6 能像玩互联网早期Mud游戏一样, 使用纯文本玩这个游戏, 每当它生成关卡之后, 他就可以直接进入游戏游玩一下, 来验证关卡设计得是否正确. 而内部设计又分为了对话生成skill, 脚本生成skill, 关卡生成skill, 游戏测试大师skill, 游戏资深玩家skill(由于检讨游戏性) 等等, 从而实现了让大模型自己写游戏自己玩! 每个关卡大概需要一个小时生成和验证, 如果并行验证应该还能更快一些(做多线程BFS/DFS). 另外本次依旧使用大家都熟悉的测试项目进行了前端/后端/Agent能力测试, 从测试来看, 复杂项目前端能力(建模, 空间理解, 物理模拟等)略有下降, 但后端和 Agent 能力有明显提升. 不过如果你是纯做网站的话, 可以用 kimi 网站上的的 k2.6 Agent 模式, 由于 Agent 能力足够强所以可以在这个模式下多步来提升生成的网站质量和交互体验. #kimi #kimik26 #moonshot #月之暗面 #kimicli

Kimi-K2.6 前端/后端/Agent编程能力实测! 甚至还帮我做了个游戏! 给大家带来刚刚正式发布的 kimi-k2.6 的正式版本的实测! 本次为了考验它的长程Agentic Coding能力, 我用 kimi-k2.6-code-preview 写了个 harness 游戏自动生成框架, 它可以根据给到的人设/场景/数值设计等规则, 自动生成关卡, 背景图片, 甚至配音! 其中框架驱动和草稿模型使用 kimi-k2.6, 文生图和生成语音由 kimi-k2.6 生成 prompt 后调用其它大模型生成. 最好玩的是, 我做了个"无头"版本的游戏cli接口, kimi-k2.6 能像玩互联网早期Mud游戏一样, 使用纯文本玩这个游戏, 每当它生成关卡之后, 他就可以直接进入游戏游玩一下, 来验证关卡设计得是否正确. 而内部设计又分为了对话生成skill, 脚本生成skill, 关卡生成skill, 游戏测试大师skill, 游戏资深玩家skill(由于检讨游戏性) 等等, 从而实现了让大模型自己写游戏自己玩! 每个关卡大概需要一个小时生成和验证, 如果并行验证应该还能更快一些(做多线程BFS/DFS). 另外本次依旧使用大家都熟悉的测试项目进行了前端/后端/Agent能力测试, 从测试来看, 复杂项目前端能力(建模, 空间理解, 物理模拟等)略有下降, 但后端和 Agent 能力有明显提升. 不过如果你是纯做网站的话, 可以用 kimi 网站上的的 k2.6 Agent 模式, 由于 Agent 能力足够强所以可以在这个模式下多步来提升生成的网站质量和交互体验. #kimi #kimik26 #moonshot #月之暗面 #kimicli

karminski-牙医

40,013 次观看 • 3 个月前

🚨 卧槽！终于有开源项目把量化交易全流程打通了 QuantConnect Lean 目前 GitHub 上已有 20k+ star，是一个成熟的开源算法交易引擎。它把数据接入、策略开发、回测、模拟盘和实盘执行全部整合在一起，形成了一套完整的量化闭环，而不是只做其中某一块，核心能力： > 支持股票、加密货币、外汇、期权、期货等多个资产 > 高性能事件驱动回测引擎，可精准模拟滑点、交易成本和市场冲击 > 支持 Python 和 C# 编写策略 > 可直接对接多家券商和数据源，实现从回测到实盘的一条龙 > 内置丰富的绩效分析和可视化工具它真正有用的地方，是把量化交易最麻烦的工程底座标准化：你负责策略逻辑，它负责回测、撮合、组合、交易执行这些脏活。做股票、期货、期权、加密货币量化研究，或者想让 AI Agent 写策略、回测策略的人，建议保存看看

🚨 卧槽！终于有开源项目把量化交易全流程打通了 QuantConnect Lean 目前 GitHub 上已有 20k+ star，是一个成熟的开源算法交易引擎。它把数据接入、策略开发、回测、模拟盘和实盘执行全部整合在一起，形成了一套完整的量化闭环，而不是只做其中某一块，核心能力： > 支持股票、加密货币、外汇、期权、期货等多个资产 > 高性能事件驱动回测引擎，可精准模拟滑点、交易成本和市场冲击 > 支持 Python 和 C# 编写策略 > 可直接对接多家券商和数据源，实现从回测到实盘的一条龙 > 内置丰富的绩效分析和可视化工具它真正有用的地方，是把量化交易最麻烦的工程底座标准化：你负责策略逻辑，它负责回测、撮合、组合、交易执行这些脏活。做股票、期货、期权、加密货币量化研究，或者想让 AI Agent 写策略、回测策略的人，建议保存看看

爱吃折耳根的Ace

57,717 次观看 • 1 个月前

GitHub Trending 持续霸榜王者！🔥 tinyhumansai/openhuman 已破 24k+ Stars，每天还在狂涨 2k-4k！这是 2026 年最火的个人 AI Agent，没有之一。它不是程序员的命令行玩具，而是真正给普通人用的超级 AI！大多数 Agent 的问题： - Hermes、OpenClaw、Claude Code 这些……都要敲命令、复杂配置、还得会写提示词，普通人根本玩不转。 OpenHuman 直接反杀： - 漂亮的桌面 App，一键 OAuth 登录，几分钟就能上手 - 自动读取你的 Gmail、Notion、Slack、GitHub、文档、聊天记录…… - 构建个人记忆图谱，真正变成懂你的 AI - 隐私优先 + 本地运行，完全开源（GNU） - 还有一个可爱桌面小 Mascot，会说话、会表情、还能加入会议 - 支持 118+ 第三方集成，开箱即用 AI Agent 赛道很热，但 99% 还是技术演示。 OpenHuman 直接做成了消费级产品：UI 第一、记忆第一、好用第一！上线没多久就冲上 GitHub Trending #1，Product Hunt 也杀进前 3。每天几千 Star 不是刷的，是真·开发者 + 普通用户都在 star！传播核爆点： - “我让 OpenHuman 管我一天生活”视频刷屏 - 记忆图谱对比其他 Agent 的“冷启动”，直接“秒懂你” - 还能自定义 Mascot 做搞笑 meme，视觉强、故事性拉满，超级适合短视频和 Threads 传播

GitHub Trending 持续霸榜王者！🔥 tinyhumansai/openhuman 已破 24k+ Stars，每天还在狂涨 2k-4k！这是 2026 年最火的个人 AI Agent，没有之一。它不是程序员的命令行玩具，而是真正给普通人用的超级 AI！大多数 Agent 的问题： - Hermes、OpenClaw、Claude Code 这些……都要敲命令、复杂配置、还得会写提示词，普通人根本玩不转。 OpenHuman 直接反杀： - 漂亮的桌面 App，一键 OAuth 登录，几分钟就能上手 - 自动读取你的 Gmail、Notion、Slack、GitHub、文档、聊天记录…… - 构建个人记忆图谱，真正变成懂你的 AI - 隐私优先 + 本地运行，完全开源（GNU） - 还有一个可爱桌面小 Mascot，会说话、会表情、还能加入会议 - 支持 118+ 第三方集成，开箱即用 AI Agent 赛道很热，但 99% 还是技术演示。 OpenHuman 直接做成了消费级产品：UI 第一、记忆第一、好用第一！上线没多久就冲上 GitHub Trending #1，Product Hunt 也杀进前 3。每天几千 Star 不是刷的，是真·开发者 + 普通用户都在 star！传播核爆点： - “我让 OpenHuman 管我一天生活”视频刷屏 - 记忆图谱对比其他 Agent 的“冷启动”，直接“秒懂你” - 还能自定义 Mascot 做搞笑 meme，视觉强、故事性拉满，超级适合短视频和 Threads 传播

开发者Hailey

27,400 次观看 • 2 个月前

Anthropic 7 月 10 日发布了一场关于 Agent 基础设施的对谈。Claude 平台工程负责人 Katelyn Lesse、产品负责人 Angela Jiang 和产品经理 Jess Yann，分享了几个来自一线的观察。【Agent 的“脚手架”正在变薄】几个月前，搭建 Agent 往往需要写大量流程控制代码：先执行 A，满足条件再进入 B，遇到不同情况还要切换不同分支。流程越复杂，系统越容易出错。随着模型的推理和工具调用能力增强，这些编排层（harness）正在变薄。开发者不用再规定每一步，只需给出目标和基本边界，让模型自己决定怎么完成。与此同时，一种更高层的编排方式开始出现：让多个 Agent 同时解决一个问题，从中选出最佳方案；让一个 Agent 提方案，另一个负责挑错；或者在 Agent 卡住时，请另一个能力更强的 Agent 提供建议。重点正在从“控制每一步”，转向“设计 Agent 之间如何协作”。【衡量 Agent “投入产出比”（ROI，Return on Investment），先看一个人快了多少】 Angela 建议，企业不要一开始就规划上百个自动化流程，而应该先看一个具体的人：用了 Agent 之后，他的工作速度和产出提高了多少？验证有效后，再从个人推广到团队，最后才处理跨部门流程。前期重点看速度和生产力，等应用逐步成熟，再衡量收入、成本和用户指标。很多企业做 AI 转型时，喜欢先画一张宏大的自动化蓝图。问题是，流程涉及的部门越多、规则越复杂，落地阻力就越大。从个人开始，更容易看到效果，也更容易持续推进。【工程团队没消失，但每个人的角色都变了】 Katelyn 观察到，Anthropic 的工程团队和半年前相比，人员构成没有太大变化，但协作方式已经不同。过去通常由技术负责人决定架构，其他工程师领取任务、编写代码。现在，更多工程师会参与产品和架构决策，再分别指挥 Claude 完成具体工作。 Agent 的作用也不再只是“帮忙写代码”。她提到 Shopify 的 River 系统，已经把需求文档、开发环境、代码实现和 QA 测试串成了一套端到端的 Agent 工作流。【个体变强，不等于团队自然变好】 Agent 降低了开发和试错成本，也可能带来新的问题。过去，一个团队会先讨论十个方案中哪个最值得做。现在，每个人都可以快速做出十个原型，甚至全部上线，让市场决定谁胜出。这样做速度很快，但如果缺少统一方向，产品很容易无序扩张。Agent 能显著放大个人能力，却不会自动解决团队的协调、取舍和决策问题。来源：

Anthropic 7 月 10 日发布了一场关于 Agent 基础设施的对谈。Claude 平台工程负责人 Katelyn Lesse、产品负责人 Angela Jiang 和产品经理 Jess Yann，分享了几个来自一线的观察。【Agent 的“脚手架”正在变薄】几个月前，搭建 Agent 往往需要写大量流程控制代码：先执行 A，满足条件再进入 B，遇到不同情况还要切换不同分支。流程越复杂，系统越容易出错。随着模型的推理和工具调用能力增强，这些编排层（harness）正在变薄。开发者不用再规定每一步，只需给出目标和基本边界，让模型自己决定怎么完成。与此同时，一种更高层的编排方式开始出现：让多个 Agent 同时解决一个问题，从中选出最佳方案；让一个 Agent 提方案，另一个负责挑错；或者在 Agent 卡住时，请另一个能力更强的 Agent 提供建议。重点正在从“控制每一步”，转向“设计 Agent 之间如何协作”。【衡量 Agent “投入产出比”（ROI，Return on Investment），先看一个人快了多少】 Angela 建议，企业不要一开始就规划上百个自动化流程，而应该先看一个具体的人：用了 Agent 之后，他的工作速度和产出提高了多少？验证有效后，再从个人推广到团队，最后才处理跨部门流程。前期重点看速度和生产力，等应用逐步成熟，再衡量收入、成本和用户指标。很多企业做 AI 转型时，喜欢先画一张宏大的自动化蓝图。问题是，流程涉及的部门越多、规则越复杂，落地阻力就越大。从个人开始，更容易看到效果，也更容易持续推进。【工程团队没消失，但每个人的角色都变了】 Katelyn 观察到，Anthropic 的工程团队和半年前相比，人员构成没有太大变化，但协作方式已经不同。过去通常由技术负责人决定架构，其他工程师领取任务、编写代码。现在，更多工程师会参与产品和架构决策，再分别指挥 Claude 完成具体工作。 Agent 的作用也不再只是“帮忙写代码”。她提到 Shopify 的 River 系统，已经把需求文档、开发环境、代码实现和 QA 测试串成了一套端到端的 Agent 工作流。【个体变强，不等于团队自然变好】 Agent 降低了开发和试错成本，也可能带来新的问题。过去，一个团队会先讨论十个方案中哪个最值得做。现在，每个人都可以快速做出十个原型，甚至全部上线，让市场决定谁胜出。这样做速度很快，但如果缺少统一方向，产品很容易无序扩张。Agent 能显著放大个人能力，却不会自动解决团队的协调、取舍和决策问题。来源：

宝玉

66,551 次观看 • 15 天前

Pixel2Motion，一个能把静态 logo 直接变成矢量动画的开源工具丢一张 PNG 或 JPG 进去，它先用 AI 把像素图转成矢量路径，然后自动生成动画效果，输出无损的 SVG 有几个细节挺讲究的： -转矢量的时候会跟原图做叠拼误差校验，反复迭代直到还原度够高 -动画生成遵循迪士尼动画12法则，所以动起来的节奏感不像是随便加的 -输出格式支持 SVG、HTML代码、GIF、视频它本身是一个开源的 Codex 和 Claude 技能，也兼容其他多模态 Agent 以前给 logo 加动画要在 After Effects 里一帧帧调，现在一个命令就出来了 GitHub 地址放在评论区了做设计或者前端的可以看看，尤其是经常被甲方要求"logo能不能动一下"的

Vincent

21,643 次观看 • 1 个月前

还没体验过 Pi 或 Craft agent 的朋友，建议现在就去试一次。你会立刻明白我上个月说那句话时是什么心情。我之前就讲过：未来程序员不再主要“做需求”，而是“做 agent”。agent 用来把你的能力蒸馏出来：你只要把需求说清楚，剩下的交给它完成。如果你要研究怎么做一个 code agent，别从 0 开始，直接从 Pi agent 起步。它的可扩展性很好，集成进现有业务会省掉大量时间。如果你要研究怎么做一个类似 codex desktop 的产品，那就从 Craft agent 入手。它基于 Pi agent 和 Claude agent，功能完整、覆盖面也足。觉得复杂也没关系：能裁就裁。Claude agent sdk、messaging-gateway 这些都可以精简掉，留下的就是实打实的核心能力。我已经基于它二开了一个新产品，叫 Echo，接入了技能市场，流程非常顺滑。它现在就是我的独立开发搭子，后续开发、运营我都在它上面跑。

还没体验过 Pi 或 Craft agent 的朋友，建议现在就去试一次。你会立刻明白我上个月说那句话时是什么心情。我之前就讲过：未来程序员不再主要“做需求”，而是“做 agent”。agent 用来把你的能力蒸馏出来：你只要把需求说清楚，剩下的交给它完成。如果你要研究怎么做一个 code agent，别从 0 开始，直接从 Pi agent 起步。它的可扩展性很好，集成进现有业务会省掉大量时间。如果你要研究怎么做一个类似 codex desktop 的产品，那就从 Craft agent 入手。它基于 Pi agent 和 Claude agent，功能完整、覆盖面也足。觉得复杂也没关系：能裁就裁。Claude agent sdk、messaging-gateway 这些都可以精简掉，留下的就是实打实的核心能力。我已经基于它二开了一个新产品，叫 Echo，接入了技能市场，流程非常顺滑。它现在就是我的独立开发搭子，后续开发、运营我都在它上面跑。

Indie Fox

105,339 次观看 • 29 天前

可能是最适合小白的视频产品，没有之一。不用会提示词，也不用懂剪辑。你只要像聊天一样说出想法，比如“做个高级感产品视频”，Pexo 就能帮你解决剩下的一切！画面、音乐、转场、包装；不满意？直接对话改风格、重做、无限迭代，直到满意。更厉害的是，它已经原生接进 OpenClaw，终于有一个 AI，能让我的小龙虾自己去做视频了，飞书、Discord、Telegram 里都能直接调用生成视频，现有工作流里就能完成，完全不用切工具。这个维度看，为人类与 Agent 共同设计的原生内容创作 Agent；面向人类端，它理解你的意图，你说想法，它出成片；面向 Agent 端，它可以被调用、被协作，无缝嵌入自动化工作流。三周前，它还是一个人的想法，现在，Pexo 已在 OpenClaw 原生环境中快速成长，海外被雇佣超过数万次。发展速度，已经说明一切。一句话总结：做视频，从复杂技能变成一句话就能调用的能力。

可能是最适合小白的视频产品，没有之一。不用会提示词，也不用懂剪辑。你只要像聊天一样说出想法，比如“做个高级感产品视频”，Pexo 就能帮你解决剩下的一切！画面、音乐、转场、包装；不满意？直接对话改风格、重做、无限迭代，直到满意。更厉害的是，它已经原生接进 OpenClaw，终于有一个 AI，能让我的小龙虾自己去做视频了，飞书、Discord、Telegram 里都能直接调用生成视频，现有工作流里就能完成，完全不用切工具。这个维度看，为人类与 Agent 共同设计的原生内容创作 Agent；面向人类端，它理解你的意图，你说想法，它出成片；面向 Agent 端，它可以被调用、被协作，无缝嵌入自动化工作流。三周前，它还是一个人的想法，现在，Pexo 已在 OpenClaw 原生环境中快速成长，海外被雇佣超过数万次。发展速度，已经说明一切。一句话总结：做视频，从复杂技能变成一句话就能调用的能力。

开发者Hailey

16,642 次观看 • 4 个月前