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。

发现一个很疯狂的开源工具，你输一句话描述你要什么数据，它派出一群 AI Agent 并行跑到各个网站上调研，几分钟后汇总成一张结构化表格给你其实数据都摆在网上，但想变成一张能用的表格，历来都是苦力活，过去这是一个工程项目：拼搜索、写爬虫、设计 Schema、去重，再加个定时任务保持更新，每个数据集都要重来一遍。 Exa 融了 2.5 亿验证了一件事：这个距离可以缩短到一句话。但 Websets 目前只覆盖公司、人和论文。而且都是cacheddata TinyFish 开源了一个叫 Bigset 的东西，做同样的事，但不限主题。我试了一句：“提供免费层或 Freemium 方案的热门 B2B SaaS 工具，包含名称、类别、免费层概要和定价页面。”几分钟后拿到一张完整的表。背后是真正的多 Agent 架构：编排 Agent 发现实体，并行子 Agent 各自调研，工具预算 6 次封顶，数据来源可追溯。整个代码库 AGPL-3.0 开源，自托管，用你自己的 Key。如果 BigSet 对你有用，记得去 GitHub repo 点个 star →

余温

37,551 subscribers

126,251 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

最近在开发圈很火的 GitHub 项目 Firecrawl，一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。一句话总结：它可以把任何网站，直接变成 AI 能用的数据。只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说：网站 → 结构化数据 → 直接喂给 LLM。现在很多 AI 项目的数据流程其实都是：网站 → Firecrawl → 向量库 → RAG → AI 应用如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集这个工具基本算是 AI 开发的基础设施了

最近在开发圈很火的 GitHub 项目 Firecrawl，一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。一句话总结：它可以把任何网站，直接变成 AI 能用的数据。只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说：网站 → 结构化数据 → 直接喂给 LLM。现在很多 AI 项目的数据流程其实都是：网站 → Firecrawl → 向量库 → RAG → AI 应用如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集这个工具基本算是 AI 开发的基础设施了

开发者Hailey

139,642 次观看 • 4 个月前

🚨 终于有人把“金融数据 + AI Agent”这件事打通了 OpenBB 目前 GitHub 上已有近 7 万 star，是一个开源的金融数据与研究平台，被很多人称为「开源版 Bloomberg Terminal」以前做金融研究，最烦的不是不会分析，而是数据太散：一个终端看行情，一个表格存模型，一个网站翻 SEC 文件，一个工具跑图表，最后还要复制给 AI 总结。现在它把过去只有机构才能轻松获取的专业数据，整合成了人人可用的工具，核心亮点： > 覆盖股票、期权、加密货币、外汇、宏观经济、固定收益等多个市场 > 包含财务数据、高管信息、股东结构、地区分布等细粒度信息 > 支持 AI 集成，一条指令就能让 AI 调取数据并生成深度研报 > 数据可自部署，保护隐私和数据安全只输入一条指令，AI 就能调取数据、生成深度研报，全球金融数据接口真的被打通了做股票研究、量化分析、基金投研、AI 金融 Agent 的，强烈建议保存看看

🚨 终于有人把“金融数据 + AI Agent”这件事打通了 OpenBB 目前 GitHub 上已有近 7 万 star，是一个开源的金融数据与研究平台，被很多人称为「开源版 Bloomberg Terminal」以前做金融研究，最烦的不是不会分析，而是数据太散：一个终端看行情，一个表格存模型，一个网站翻 SEC 文件，一个工具跑图表，最后还要复制给 AI 总结。现在它把过去只有机构才能轻松获取的专业数据，整合成了人人可用的工具，核心亮点： > 覆盖股票、期权、加密货币、外汇、宏观经济、固定收益等多个市场 > 包含财务数据、高管信息、股东结构、地区分布等细粒度信息 > 支持 AI 集成，一条指令就能让 AI 调取数据并生成深度研报 > 数据可自部署，保护隐私和数据安全只输入一条指令，AI 就能调取数据、生成深度研报，全球金融数据接口真的被打通了做股票研究、量化分析、基金投研、AI 金融 Agent 的，强烈建议保存看看

爱吃折耳根的Ace

18,237 次观看 • 13 天前

这个开源项目是真屌，一比一复刻任何网站可以配合Claude Code使用，我是用的cursor，给 Agent 提供目标网站的 URL，它会自动帮你克隆整个网站。它会自动去撸目标网站, 然后把整个网站一块一块地拆解重建。试了试我自己当时用Wordpress做的导航网站，一模一样🤡，数据都完完整整爬了下来。

这个开源项目是真屌，一比一复刻任何网站可以配合Claude Code使用，我是用的cursor，给 Agent 提供目标网站的 URL，它会自动帮你克隆整个网站。它会自动去撸目标网站, 然后把整个网站一块一块地拆解重建。试了试我自己当时用Wordpress做的导航网站，一模一样🤡，数据都完完整整爬了下来。

知识分享官

157,510 次观看 • 2 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

63,161 次观看 • 2 个月前

啊？AI可以自己找活干了？给大家介绍一个炸裂的开源项目 Hephaestus - 这玩意儿让AI Agent自己规划工作，自己发现问题，自己创建任务！抽象到什么程度？它内嵌了个kanban....让AI自己拆解card自己做.... 传统的Agent框架都是你提前写死所有流程，遇到没预料到的情况就傻眼。Hephaestus 直接换了个思路：只定义三个阶段（分析-实现-验证），然后Agent自己看着办。举例：测试Agent在跑测试时，发现了一个性能优化机会，它不是记个log就完事，而是自己创建了一个新的调查任务，然后放到kanban里，然后另一个Agent接手去研究，确认可行后又自己创建实现任务。整个工作流就这么自己长出了一个分支。你给它一个PRD，它分析出5个组件，创建5个并行任务。其中一个Agent干完了发现bug，自己创建修复任务。另一个Agent发现可以优化，自己创建优化分支。工作流是实时生成的，而不是一开始就预测好的。我有空也会测一下试试，看看它能不能真的从0到1自己把活干完。总之先增加到待测试列表。项目地址：

啊？AI可以自己找活干了？给大家介绍一个炸裂的开源项目 Hephaestus - 这玩意儿让AI Agent自己规划工作，自己发现问题，自己创建任务！抽象到什么程度？它内嵌了个kanban....让AI自己拆解card自己做.... 传统的Agent框架都是你提前写死所有流程，遇到没预料到的情况就傻眼。Hephaestus 直接换了个思路：只定义三个阶段（分析-实现-验证），然后Agent自己看着办。举例：测试Agent在跑测试时，发现了一个性能优化机会，它不是记个log就完事，而是自己创建了一个新的调查任务，然后放到kanban里，然后另一个Agent接手去研究，确认可行后又自己创建实现任务。整个工作流就这么自己长出了一个分支。你给它一个PRD，它分析出5个组件，创建5个并行任务。其中一个Agent干完了发现bug，自己创建修复任务。另一个Agent发现可以优化，自己创建优化分支。工作流是实时生成的，而不是一开始就预测好的。我有空也会测一下试试，看看它能不能真的从0到1自己把活干完。总之先增加到待测试列表。项目地址：

karminski-牙医

41,533 次观看 • 8 个月前

我看到有人在让“Claude Code”自己开新进程 `claude -p `实现多任务，其实没必要，有更简单的办法。这个简单办法就是让它自己开子 Agent。Claude Code 现在有 18 个工具，最特殊的一个工具叫 Task，它本质就是一个 Claude Code 的克隆工具，只不过是作为 Claude Code 的一个工具。如果你懂递归的话就很好理解。如果你不懂递归，可以这么理解：Claude Code 是个 AI 程序员，它可以用一堆工具，其中最神奇的一个工具叫 Task，就是克隆一个自己的分身去干活！这样做有什么好处呢？就是可以并行多任务，还可以控制上下文，让子任务更专注。举例来说，你粘贴一段错误代码让 Claude Code 去 Debug，并且还让它写测试代码覆盖这个错误。Claude Code 会先调用 TodoWrite 这个工具写一个 TODO List。把任务分成 3 步： - [ ] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖这一步完了后它会起一个 Task，这个 Task 就是专门根据错误信息去找到相关代码的位置，那么这个子任务只需要接受错误信息找上下文，它不管怎么解决 Bug，也不管怎么写测试覆盖。主任务就会等这个子任务完成，子任务完成后，主任务就调用 TODO Write 更新 TODO List。 - [x] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖然后调用 TodoRead 工具看下一步要干嘛，现在有充足上下文了，它可以再起一个子任务去根据错误信息和代码修复 Bug，等修复 Bug 的子任务完成了，再回到主任务，继续更新 TODO List，继续读取下一个 Item 最后再启动一个子任务去写测试，测试子任务也完成了，返回结果到主任务，这时候调用 TodoRead 一看任务都处理完了，最后根据前面的任务情况给你一个总结摘要，表示任务都完成了。 Claude Code 真的没有做什么工程上的优化，什么上下文压缩、临时存储，都没有的！就是简单粗暴： 1. 把用户问题、系统提示词、能用到的工具一股脑发给 Claude，问下一步该干嘛 2. Claude 就返回说现在你要到 TodoWriter 工具 3. Claude Code 就去调用 TodoWriter 工具，本质上也是一个 AI 请求，最后返回生成的 Todo List 4. 然后 Claude Code 把工具返回结果和前面的所有消息继续发给 Claude，Claude 返回说你现在要去起一个新的 Task 去收集代码了 5. 然后 Claude Code 就起一个新的 Task，把错误信息和要求收集相关代码的任务说明、系统提示词、环境说明、能用到的工具一股脑发给 Claude，问下一步该干嘛 - 在新的 Task 里面，就是不停的问 Claude 该用啥工具，然后发送工具结果和前面所有历史消息 - 任务完成后，返回任务结果 6. 然后 Claude Code 把子 Task 的结果和前面历史信息一起发给 Claude 问下一步干嘛 7. 就这样循环直到 Claude 认为任务完成了所以你经常看到 Claude Code 在那几十分钟上下文也没爆掉，因为它会启动子任务，这样上下文就分摊到子任务中了，主任务中只是保留子任务完成后的内容。

我看到有人在让“Claude Code”自己开新进程 `claude -p `实现多任务，其实没必要，有更简单的办法。这个简单办法就是让它自己开子 Agent。Claude Code 现在有 18 个工具，最特殊的一个工具叫 Task，它本质就是一个 Claude Code 的克隆工具，只不过是作为 Claude Code 的一个工具。如果你懂递归的话就很好理解。如果你不懂递归，可以这么理解：Claude Code 是个 AI 程序员，它可以用一堆工具，其中最神奇的一个工具叫 Task，就是克隆一个自己的分身去干活！这样做有什么好处呢？就是可以并行多任务，还可以控制上下文，让子任务更专注。举例来说，你粘贴一段错误代码让 Claude Code 去 Debug，并且还让它写测试代码覆盖这个错误。Claude Code 会先调用 TodoWrite 这个工具写一个 TODO List。把任务分成 3 步： - [ ] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖这一步完了后它会起一个 Task，这个 Task 就是专门根据错误信息去找到相关代码的位置，那么这个子任务只需要接受错误信息找上下文，它不管怎么解决 Bug，也不管怎么写测试覆盖。主任务就会等这个子任务完成，子任务完成后，主任务就调用 TODO Write 更新 TODO List。 - [x] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖然后调用 TodoRead 工具看下一步要干嘛，现在有充足上下文了，它可以再起一个子任务去根据错误信息和代码修复 Bug，等修复 Bug 的子任务完成了，再回到主任务，继续更新 TODO List，继续读取下一个 Item 最后再启动一个子任务去写测试，测试子任务也完成了，返回结果到主任务，这时候调用 TodoRead 一看任务都处理完了，最后根据前面的任务情况给你一个总结摘要，表示任务都完成了。 Claude Code 真的没有做什么工程上的优化，什么上下文压缩、临时存储，都没有的！就是简单粗暴： 1. 把用户问题、系统提示词、能用到的工具一股脑发给 Claude，问下一步该干嘛 2. Claude 就返回说现在你要到 TodoWriter 工具 3. Claude Code 就去调用 TodoWriter 工具，本质上也是一个 AI 请求，最后返回生成的 Todo List 4. 然后 Claude Code 把工具返回结果和前面的所有消息继续发给 Claude，Claude 返回说你现在要去起一个新的 Task 去收集代码了 5. 然后 Claude Code 就起一个新的 Task，把错误信息和要求收集相关代码的任务说明、系统提示词、环境说明、能用到的工具一股脑发给 Claude，问下一步该干嘛 - 在新的 Task 里面，就是不停的问 Claude 该用啥工具，然后发送工具结果和前面所有历史消息 - 任务完成后，返回任务结果 6. 然后 Claude Code 把子 Task 的结果和前面历史信息一起发给 Claude 问下一步干嘛 7. 就这样循环直到 Claude 认为任务完成了所以你经常看到 Claude Code 在那几十分钟上下文也没爆掉，因为它会启动子任务，这样上下文就分摊到子任务中了，主任务中只是保留子任务完成后的内容。

宝玉

76,401 次观看 • 1 年前

这项目我可太爱了！！一个哥们把1324个健身动作全整理完了，英文、西班牙语、意大利语、土耳其语、俄语、中文，六种语言的动作讲解全翻好了。本来这事你至少得雇两个人，一个整理数据，一个翻译。现在一个开源仓库，建表SQL、API代码、连LLM提示词都给你写好了，复制粘贴就能用了。我最近减肥中，打算自己搞个小程序，监督训练，就看到了这个宝藏项目。其实，做健身产品最头疼的从来不是UI界面。是把1324个动作挨个录完，把英文讲解一字一句翻成中文，再琢磨数据存哪、怎么让App读到这些数据。这堆东西，一个人干至少两周，外包出去少说两万。这个仓库把三件事全替你干了。打开这个仓库你能拿到什么： 1324个动作的数据库，按部位、器械、目标肌肉全部分好了，拿来就能用六种语言的讲解翻译全齐，不用自己雇人译选个数据库类型，建表代码自动生成，不用从零建库接口直接给你写好，七八种语言都能跑，改个地址就行最狠的，连让AI帮你生成整个后端的提示词都写好了数据录好了，六种语言翻好了，数据库怎么建也用不着你想了。打开setup.html，选一下你用的数据库类型，四五个主流的一列都支持，建表代码直接生成。你连接口都不用自己看代码写了，选完框架和数据库，它给你生成一段提示词，直接甩给Claude或者GPT，一条消息整个后端就出来了。老王自己跑了一趟，先做了个网页版吧，半小时全通了，六种语言的接口一个没落。你也可以尝试一下，做一个自己的健身管家。

这项目我可太爱了！！一个哥们把1324个健身动作全整理完了，英文、西班牙语、意大利语、土耳其语、俄语、中文，六种语言的动作讲解全翻好了。本来这事你至少得雇两个人，一个整理数据，一个翻译。现在一个开源仓库，建表SQL、API代码、连LLM提示词都给你写好了，复制粘贴就能用了。我最近减肥中，打算自己搞个小程序，监督训练，就看到了这个宝藏项目。其实，做健身产品最头疼的从来不是UI界面。是把1324个动作挨个录完，把英文讲解一字一句翻成中文，再琢磨数据存哪、怎么让App读到这些数据。这堆东西，一个人干至少两周，外包出去少说两万。这个仓库把三件事全替你干了。打开这个仓库你能拿到什么： 1324个动作的数据库，按部位、器械、目标肌肉全部分好了，拿来就能用六种语言的讲解翻译全齐，不用自己雇人译选个数据库类型，建表代码自动生成，不用从零建库接口直接给你写好，七八种语言都能跑，改个地址就行最狠的，连让AI帮你生成整个后端的提示词都写好了数据录好了，六种语言翻好了，数据库怎么建也用不着你想了。打开setup.html，选一下你用的数据库类型，四五个主流的一列都支持，建表代码直接生成。你连接口都不用自己看代码写了，选完框架和数据库，它给你生成一段提示词，直接甩给Claude或者GPT，一条消息整个后端就出来了。老王自己跑了一趟，先做了个网页版吧，半小时全通了，六种语言的接口一个没落。你也可以尝试一下，做一个自己的健身管家。

老王霸 AI Lab

32,259 次观看 • 6 天前

我对国产 AI Agent 一直没抱太大期待，直到这次它干了件让我意外的事。我让 Tencent WorkBuddy 做个竞品调研，它派出一整个研究团队，其中一个 AI 专门审稿。它把同伴写好的报告退了回去，理由是里面有个数字查不到来源。一个 AI，自己抓出自己编的数据，要求重做。最后我拿到的，是一套能直接演示的 10 页 slides，一个字都不用改。 Tencent WorkBuddy，全程录屏在这👇

我对国产 AI Agent 一直没抱太大期待，直到这次它干了件让我意外的事。我让 Tencent WorkBuddy 做个竞品调研，它派出一整个研究团队，其中一个 AI 专门审稿。它把同伴写好的报告退了回去，理由是里面有个数字查不到来源。一个 AI，自己抓出自己编的数据，要求重做。最后我拿到的，是一套能直接演示的 10 页 slides，一个字都不用改。 Tencent WorkBuddy，全程录屏在这👇

Yanhua

82,172 次观看 • 22 天前

👏扣子3.0 发布了。这版我最期待的两个功能：一是"多人多 Agent 协作"——把不同的 Agent 拉进同一个项目，@ 来 @ 去分工干活；二是能把本地的 Claude Code、Codex 直接接进去托管。我平时主力就用 Claude Code，自己还折腾过几个让多 Agent 协作的小工具： - multi-agent：用 tmux 分屏把 Claude、Codex 拉起来，按顺序调度 - hero-coding：一个 Go 写的小程序，让 Agent 写完代码自动跑测试、再过一遍审查 - roundtable：让几个不同的模型对着同一个问题互相辩论，出一个结论我第一时间就上手了。先接入：本地配好的 Claude Code、Codex 点几下就接进来托管，不用重配；一个项目里我拉三个 Agent —— 本地的 Claude Code、本地的 Codex、Coze Agent。然后我在项目里 @ Claude Code，让它读我本地那个 hero-coding，它确实能读到内容，而且不单单是能读文件。我又让它调我本地的 imgen SKILL（我自己写的文生图工具）生成一张图，再通过我自己的 coze-bridge 把图发回聊天里——图真出来了，一张未来感城市夜景。也就是说，我电脑上的整套工具链、skill 它都能调起来用，云端和本地直接打通。

👏扣子3.0 发布了。这版我最期待的两个功能：一是"多人多 Agent 协作"——把不同的 Agent 拉进同一个项目，@ 来 @ 去分工干活；二是能把本地的 Claude Code、Codex 直接接进去托管。我平时主力就用 Claude Code，自己还折腾过几个让多 Agent 协作的小工具： - multi-agent：用 tmux 分屏把 Claude、Codex 拉起来，按顺序调度 - hero-coding：一个 Go 写的小程序，让 Agent 写完代码自动跑测试、再过一遍审查 - roundtable：让几个不同的模型对着同一个问题互相辩论，出一个结论我第一时间就上手了。先接入：本地配好的 Claude Code、Codex 点几下就接进来托管，不用重配；一个项目里我拉三个 Agent —— 本地的 Claude Code、本地的 Codex、Coze Agent。然后我在项目里 @ Claude Code，让它读我本地那个 hero-coding，它确实能读到内容，而且不单单是能读文件。我又让它调我本地的 imgen SKILL（我自己写的文生图工具）生成一张图，再通过我自己的 coze-bridge 把图发回聊天里——图真出来了，一张未来感城市夜景。也就是说，我电脑上的整套工具链、skill 它都能调起来用，云端和本地直接打通。

劳伦斯

26,809 次观看 • 1 个月前

做了个叫 Arkloop的东西,是个 Agent 客户端开源,本地优先,简单优先你可以把他想象成 claude desktop but open source, 并且带有自己的 taste 哦对了,另说一点,不是任何 agent sdk 套壳,也没有任何 base 任何 claudecode 行为,我一个人打磨了三个月和市面上大部分产品不同我花了很多时间在一个细节上 : 减少认知负担一个例子 : 我平常只用一个模型聊天，那为什么每条消息前面都要告诉我用了什么模型？这是噪音再举一个 : 开发者总是喜欢让 agent 的 tool use 完整的展示到前端,但是背后真正的用户体验逻辑是我需要知道 agent 在工作/在往哪个方向偏,所以我们并不需要如此详细的信息设计哲学：认知负担,信息,价值导向,美学换个话题我一个人做 Arkloop 用了三个月,现在他能用了,但是它离完美很远做产品很重要的一件事是…不要闭门造车,也就是我需要你们的真诚建议引用来自 Arkloop readme 中的一句话 “我欢迎所有形式的贡献。即使你不是开发者，只是一个普通用户——如果你在使用中感到任何不舒服的地方，哪怕只是一点间距、一个颜色、一个很小很小的细节，或者是一个很大的方向，都可以直接开一个 issue。我认真对待每一个体验细节，你的反馈会让所有人的体验变得更好。如果你是开发者，Arkloop 的 Agent 核心、记忆系统、hook 机制都是开放的。你可以接自己的 provider、写自己的插件、甚至改掉你不喜欢的任何设计。” 这是我认为整个项目最精髓的一点,我希望看到你们的反馈,不管是细节还是方向我在用 dify 的时候,我常常发现,一个特别小的间距问题,竟然在这么大的仓库里没人修因此,我很重视这点理念 Arkloop 现在并不稳定，还有很多不完善的地方。希望大家多多包容,多提意见另带一提,Arkloop 可以从 openclaw/hermes 导入配置 Github 仓库: Arkloop 官网兼下载: 关注我的推特: 加入 Arkloop 的 telegram 群组:

做了个叫 Arkloop的东西,是个 Agent 客户端开源,本地优先,简单优先你可以把他想象成 claude desktop but open source, 并且带有自己的 taste 哦对了,另说一点,不是任何 agent sdk 套壳,也没有任何 base 任何 claudecode 行为,我一个人打磨了三个月和市面上大部分产品不同我花了很多时间在一个细节上 : 减少认知负担一个例子 : 我平常只用一个模型聊天，那为什么每条消息前面都要告诉我用了什么模型？这是噪音再举一个 : 开发者总是喜欢让 agent 的 tool use 完整的展示到前端,但是背后真正的用户体验逻辑是我需要知道 agent 在工作/在往哪个方向偏,所以我们并不需要如此详细的信息设计哲学：认知负担,信息,价值导向,美学换个话题我一个人做 Arkloop 用了三个月,现在他能用了,但是它离完美很远做产品很重要的一件事是…不要闭门造车,也就是我需要你们的真诚建议引用来自 Arkloop readme 中的一句话 “我欢迎所有形式的贡献。即使你不是开发者，只是一个普通用户——如果你在使用中感到任何不舒服的地方，哪怕只是一点间距、一个颜色、一个很小很小的细节，或者是一个很大的方向，都可以直接开一个 issue。我认真对待每一个体验细节，你的反馈会让所有人的体验变得更好。如果你是开发者，Arkloop 的 Agent 核心、记忆系统、hook 机制都是开放的。你可以接自己的 provider、写自己的插件、甚至改掉你不喜欢的任何设计。” 这是我认为整个项目最精髓的一点,我希望看到你们的反馈,不管是细节还是方向我在用 dify 的时候,我常常发现,一个特别小的间距问题,竟然在这么大的仓库里没人修因此,我很重视这点理念 Arkloop 现在并不稳定，还有很多不完善的地方。希望大家多多包容,多提意见另带一提,Arkloop 可以从 openclaw/hermes 导入配置 Github 仓库: Arkloop 官网兼下载: 关注我的推特: 加入 Arkloop 的 telegram 群组:

清凤

94,032 次观看 • 2 个月前

疯了，这个 GitHub 项目让 AI 自己创业。最近看到一个很有意思的开源项目： Paperclip 一句话总结：用一群 AI Agent，自动经营一家公司。你只需要给一个目标，比如：做一个 AI 产品，做到 $1M MRR 系统会自动开始： 1. 搭建 AI 公司结构 CEO CTO 工程师设计师市场全部由 AI Agent 扮演。 2. 自动拆解任务产品规划写代码做设计市场推广 AI 会自己分配任务、协作完成。 3. 多 Agent 团队协作不同 AI 角色之间会互相沟通、执行任务、推进项目。 4. 你只负责一件事当老板。审批策略、查看进度、控制预算。剩下的工作 —— 交给 AI 员工。更有意思的是： - 支持 Claude Code / Codex / Cursor / OpenClaw 等 Agent - 每个 Agent 可以设置预算、权限、任务范围 - 所有决策都有日志和审计记录一句话总结这个项目：它不是 AI 工具，而是一个「AI 公司操作系统」。如果你在研究： AI Agent 自动化创业 AI 团队协作这个项目非常值得收藏。

疯了，这个 GitHub 项目让 AI 自己创业。最近看到一个很有意思的开源项目： Paperclip 一句话总结：用一群 AI Agent，自动经营一家公司。你只需要给一个目标，比如：做一个 AI 产品，做到 $1M MRR 系统会自动开始： 1. 搭建 AI 公司结构 CEO CTO 工程师设计师市场全部由 AI Agent 扮演。 2. 自动拆解任务产品规划写代码做设计市场推广 AI 会自己分配任务、协作完成。 3. 多 Agent 团队协作不同 AI 角色之间会互相沟通、执行任务、推进项目。 4. 你只负责一件事当老板。审批策略、查看进度、控制预算。剩下的工作 —— 交给 AI 员工。更有意思的是： - 支持 Claude Code / Codex / Cursor / OpenClaw 等 Agent - 每个 Agent 可以设置预算、权限、任务范围 - 所有决策都有日志和审计记录一句话总结这个项目：它不是 AI 工具，而是一个「AI 公司操作系统」。如果你在研究： AI Agent 自动化创业 AI 团队协作这个项目非常值得收藏。

开发者Hailey

22,719 次观看 • 3 个月前

用Deep Research 分析开源项目，目前我也刚开始，挑了最简单的。 Deep，why deep? 因为他真的挖的很深，其实他的一个核心功能是搜索工具。但是传统搜索工具是有局限的。你看一下这个例子。在这个开源的DR重要的部分，叫做Expanded Usage，搞开发的这难道不是个金矿么。 Ok, 点开，是YC hackernews的一个论坛页。这个我自己那是万万不可能找到的。搜到的：生成的文档处，会在原链接页面高亮。

用Deep Research 分析开源项目，目前我也刚开始，挑了最简单的。 Deep，why deep? 因为他真的挖的很深，其实他的一个核心功能是搜索工具。但是传统搜索工具是有局限的。你看一下这个例子。在这个开源的DR重要的部分，叫做Expanded Usage，搞开发的这难道不是个金矿么。 Ok, 点开，是YC hackernews的一个论坛页。这个我自己那是万万不可能找到的。搜到的：生成的文档处，会在原链接页面高亮。

Susan STEM

22,728 次观看 • 1 年前

最近北大开源的一个项目，我觉得很值得关注。 AI Agent 现在最缺的，可能不是模型，而是一套像 npm 一样可复用的 skill 基础设施。 MagicSkills 做的就是这件事。它不是再去造一个新的 Agent framework，而是想把那些散落在各处的 SKILL.md，变成可安装、可组合、可同步、可调用的共享能力层。 MagicSkills 的思路更像是，先把 skill 从零散文档里抽出来，做成一个本地优先的共享 skill pool，然后再按不同 Agent、不同框架去组合和分发。这样一来，skill 就不再只是 prompt 附件，而是开始变成真正可复用的能力基础设施。说白了，它想推动的一件事就是：让 Agent 的技能，从“写一份文档自己用”，变成“写一次，到处复用”。我觉得这个方向很值得看。因为当 skill 开始像包管理一样被组织起来，多 Agent 工作流才会真正开始像工程系统，而不是一堆 prompt 和脚本的临时拼装。如果你在关注 AI Agent、Multi-Agent、技能复用，或者正在想怎么管理越来越多的 SKILL.md，这个项目值得研究一下。👇

最近北大开源的一个项目，我觉得很值得关注。 AI Agent 现在最缺的，可能不是模型，而是一套像 npm 一样可复用的 skill 基础设施。 MagicSkills 做的就是这件事。它不是再去造一个新的 Agent framework，而是想把那些散落在各处的 SKILL.md，变成可安装、可组合、可同步、可调用的共享能力层。 MagicSkills 的思路更像是，先把 skill 从零散文档里抽出来，做成一个本地优先的共享 skill pool，然后再按不同 Agent、不同框架去组合和分发。这样一来，skill 就不再只是 prompt 附件，而是开始变成真正可复用的能力基础设施。说白了，它想推动的一件事就是：让 Agent 的技能，从“写一份文档自己用”，变成“写一次，到处复用”。我觉得这个方向很值得看。因为当 skill 开始像包管理一样被组织起来，多 Agent 工作流才会真正开始像工程系统，而不是一堆 prompt 和脚本的临时拼装。如果你在关注 AI Agent、Multi-Agent、技能复用，或者正在想怎么管理越来越多的 SKILL.md，这个项目值得研究一下。👇

axiaisacat

46,274 次观看 • 3 个月前

AI 最猛的一步，不是替你工作。而是开始自己赚钱了。刚看到一个开源项目 CashClaw，有点离谱。它不是普通 AI 助手，而是一个会自己找任务、自己报价、自己干活、自己交付、自己收款的 Agent。你只要装上它、接好 LLM，它就能自己评估任务、提交结果，甚至把整套流程跑完。更关键的是，它不是做完就结束，而是会从每一次任务和反馈里继续学习，把经验变成下一次任务的能力。这意味着一件事：我们可能正在从“AI 提高效率”的阶段，走向“AI 直接成为生产者”的阶段。以前你雇人接单。以后你可能是部署一个 Agent 去接单。以前 AI 是工具。现在 AI 开始像个微型公司。一句话总结： AI 的下一场竞争，不是谁更聪明，而是谁先拥有能自己变现的 Agent。更狠的是，CashClaw 还是开源的。你甚至可以 fork 之后接到自己的客户和业务上，把它变成你自己的赚钱系统。如果这条路跑通，很多人会第一次真正意识到： AI 不是在辅助工作， AI 是在进入劳动力市场。你觉得下一波先被重构的，会是自由职业、外包团队，还是 SaaS？

AI 最猛的一步，不是替你工作。而是开始自己赚钱了。刚看到一个开源项目 CashClaw，有点离谱。它不是普通 AI 助手，而是一个会自己找任务、自己报价、自己干活、自己交付、自己收款的 Agent。你只要装上它、接好 LLM，它就能自己评估任务、提交结果，甚至把整套流程跑完。更关键的是，它不是做完就结束，而是会从每一次任务和反馈里继续学习，把经验变成下一次任务的能力。这意味着一件事：我们可能正在从“AI 提高效率”的阶段，走向“AI 直接成为生产者”的阶段。以前你雇人接单。以后你可能是部署一个 Agent 去接单。以前 AI 是工具。现在 AI 开始像个微型公司。一句话总结： AI 的下一场竞争，不是谁更聪明，而是谁先拥有能自己变现的 Agent。更狠的是，CashClaw 还是开源的。你甚至可以 fork 之后接到自己的客户和业务上，把它变成你自己的赚钱系统。如果这条路跑通，很多人会第一次真正意识到： AI 不是在辅助工作， AI 是在进入劳动力市场。你觉得下一波先被重构的，会是自由职业、外包团队，还是 SaaS？

axiaisacat

28,917 次观看 • 3 个月前

$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🦅

227,159 次观看 • 1 个月前

7月4日，广州，一位网友吐槽，自己公司的坑真是一个套一个呀，公司每个人都有100分的总分，如果没有完成工作任务或者迟到就会扣除相应的分数，当月扣的分数就会用来扣当月多少的工资，而且最重要的是这个分数是只减不增。这几天自己到点下班，部门同事都露出了惊讶的表情，后来才知道是要加班的。

7月4日，广州，一位网友吐槽，自己公司的坑真是一个套一个呀，公司每个人都有100分的总分，如果没有完成工作任务或者迟到就会扣除相应的分数，当月扣的分数就会用来扣当月多少的工资，而且最重要的是这个分数是只减不增。这几天自己到点下班，部门同事都露出了惊讶的表情，后来才知道是要加班的。

李老师不是你老师

157,912 次观看 • 1 年前

联网、计算、搜索、Function Call…都来了。今晚偷偷更新了 9000 多行代码，在这个版本中我们上线了智聊™️能力。它实际上是一个 Agent 开发的实验平台，接下来我们会开放接入插件、数据库…或各种有想象力的东西。这一切都是开源的。Agent 编排和 API 的能力开放之后，会让前端应用与 Prompt 的解耦真正成为可能，大大减少 LLM 应用的开发成本。

联网、计算、搜索、Function Call…都来了。今晚偷偷更新了 9000 多行代码，在这个版本中我们上线了智聊™️能力。它实际上是一个 Agent 开发的实验平台，接下来我们会开放接入插件、数据库…或各种有想象力的东西。这一切都是开源的。Agent 编排和 API 的能力开放之后，会让前端应用与 Prompt 的解耦真正成为可能，大大减少 LLM 应用的开发成本。

Luyu Zhang

47,103 次观看 • 2 年前

想认真做小红书个人号或者矩阵的朋友，这个 Skill 真的能帮你省掉 80% 的重复劳动。看了我的 AI 工作流分享以后，很多宝子问有没有小红书自动化运营的工具，我GitHub上找了下，这个还不错，说实话，我之前也以为所有小红书自动化工具都是垃圾，要么用两天就封号，要么复杂到要写几百行代码，要么就是个只能发文字的残废，直到我试了这个，最牛逼的是它的安全机制：完全不用小红书 API，全程用浏览器自动化模拟真人点击和输入。第一次扫码登录后，后续所有操作都和你自己手动点一模一样，目前是我见过封号风险最低的方案。而且它真的零代码，你不需要懂任何编程，只要对着你的龙虾或者 hermes 说一句话就行： • 帮我分析一下我的首页推荐流 • 帮我生成五个今天能发的选题 • 帮我复刻这篇爆款笔记 • 帮我回复一下最新的评论它全都能自己干完，最狠的是它不只是一个单纯的发稿工具，它还有一个完整的运营闭环：会分析你的账号数据、拆解别人爆款的结构、生成内容+封面、自动发布、自动回评，还会把所有分析结果和操作自动存成 Markdown 知识库，方便你后续复盘。安装也简单到离谱：打开 Openclaw，直接说 “帮我安装这个 skill 就完事了。仓库地址老规矩评论区自取鸭🦆

想认真做小红书个人号或者矩阵的朋友，这个 Skill 真的能帮你省掉 80% 的重复劳动。看了我的 AI 工作流分享以后，很多宝子问有没有小红书自动化运营的工具，我GitHub上找了下，这个还不错，说实话，我之前也以为所有小红书自动化工具都是垃圾，要么用两天就封号，要么复杂到要写几百行代码，要么就是个只能发文字的残废，直到我试了这个，最牛逼的是它的安全机制：完全不用小红书 API，全程用浏览器自动化模拟真人点击和输入。第一次扫码登录后，后续所有操作都和你自己手动点一模一样，目前是我见过封号风险最低的方案。而且它真的零代码，你不需要懂任何编程，只要对着你的龙虾或者 hermes 说一句话就行： • 帮我分析一下我的首页推荐流 • 帮我生成五个今天能发的选题 • 帮我复刻这篇爆款笔记 • 帮我回复一下最新的评论它全都能自己干完，最狠的是它不只是一个单纯的发稿工具，它还有一个完整的运营闭环：会分析你的账号数据、拆解别人爆款的结构、生成内容+封面、自动发布、自动回评，还会把所有分析结果和操作自动存成 Markdown 知识库，方便你后续复盘。安装也简单到离谱：打开 Openclaw，直接说 “帮我安装这个 skill 就完事了。仓库地址老规矩评论区自取鸭🦆

AYi

17,622 次观看 • 1 个月前

字节开源了一个 AI 团队大脑：DeerFlow 2.0 刚发就冲上 GitHub Trending 第一，43k ⭐。它是一个开源的超级代理框架，它让 AI 不再是工具，而是一个能干活的团队。你只需要一句话： “帮我研究 AI 行业趋势，并做一份 PPT” 它会自动完成：拆任务 → 分配 Agent → 并行执行 → 汇总交付不是建议，是直接把结果做出来。更关键的是：它通过 Agent 协同 + 内存 + 沙箱执行 + 可扩展技能可以完成几乎任何事情核心能力就三点： - 多 Agent 协作：一个 AI = 一个团队 - 技能驱动（可扩展）：报告、PPT、网站、视频都能做 - 完整工作流执行：从任务到交付，一步到位 DeerFlow 2.0 不是提升效率，是把几乎所有工作流程交给 AI。

字节开源了一个 AI 团队大脑：DeerFlow 2.0 刚发就冲上 GitHub Trending 第一，43k ⭐。它是一个开源的超级代理框架，它让 AI 不再是工具，而是一个能干活的团队。你只需要一句话： “帮我研究 AI 行业趋势，并做一份 PPT” 它会自动完成：拆任务 → 分配 Agent → 并行执行 → 汇总交付不是建议，是直接把结果做出来。更关键的是：它通过 Agent 协同 + 内存 + 沙箱执行 + 可扩展技能可以完成几乎任何事情核心能力就三点： - 多 Agent 协作：一个 AI = 一个团队 - 技能驱动（可扩展）：报告、PPT、网站、视频都能做 - 完整工作流执行：从任务到交付，一步到位 DeerFlow 2.0 不是提升效率，是把几乎所有工作流程交给 AI。

开发者Hailey

62,072 次观看 • 3 个月前