面条的草稿箱

面条的草稿箱

1. 14 小时前

   Obscura：专为 AI Agent 和大规模爬虫打造的 Rust 无头浏览器
   
   如果你觉得传统的 Headless Chrome 过于臃肿且容易被反爬虫识别，那么 Obscura 绝对值得一试。这是一个基于 Rust 编写的开源无头浏览器引擎，旨在为 AI Agent 和网页抓取提供极速、轻量且隐形的自动化体验。
   
   核心优势
   
   • 轻量化：内存占用仅需约 30MB（相比 Chrome 的 200MB+），二进制文件仅 70MB。
   • 极致速度：启动几乎是瞬间完成，页面加载速度比 Headless Chrome 快约 6 倍。
   • 内置隐身模式：默认支持反指纹识别、随机化 GPU/Canvas/Audio 等硬件信息，并自动拦截 3500+ 个追踪器。
   • 兼容性强：支持 Chrome DevTools Protocol (CDP)，可以作为 Puppeteer 和 Playwright 的无缝替代品。
   • Rust 驱动：利用 V8 引擎运行真实 JavaScript，确保执行环境的高性能与安全性。
   
   快速上手
   
   Obscura 提供单二进制文件，无需安装 Node.js 或 Chrome 即可运行。你可以通过简单的命令行直接抓取动态内容，或者启动一个 CDP 服务器供自动化脚本调用：
   
   

   # 获取网页标题
   ./obscura fetch https://example.com --eval "document.title"
   
   # 启动 CDP 服务
   ./obscura serve --port 9222 --stealth
   

   
   
   对于追求性能和隐匿性的开发者来说，Obscura 是构建下一代 AI 自动化工具的理想底层引擎。
   
   https://github.com/h4ckf0r0day/obscura
   
   #开源项目 #无头浏览器 #Rust #AI工具 #爬虫技术

   GitHub

   GitHub - h4ckf0r0day/obscura: The headless browser for AI agents and web scraping

   The headless browser for AI agents and web scraping - h4ckf0r0day/obscura

2. 11:22 · 2026年4月13日 · 周一

   让 AI 掌握顶级设计：TypeUI 风格库
   
   还在烦恼 AI 生成的网页风格太普通？TypeUI 为 Claude、Cursor、Gemini 等 AI 工具提供了一套精选的“设计技能（Design Skills）”库，让你的 AI 助手瞬间化身顶级设计师。
   
   核心功能：
   
   • 多样化风格： 涵盖 Bento（盒式）、Neumorphism（新态设计）、Glassmorphism（毛玻璃）、Neobrutalism（新野兽派）等多种流行审美。
   • 即插即用： 提供优化的 skill.md 文件，你可以通过 CLI 命令（如 npx typeui.sh pull bento）直接引入项目，或手动复制到提示词中。
   • 完美适配： 专门针对 Agentic AI 工具进行了优化，确保 AI 生成的代码能精准还原特定的视觉风格。
   
   使用场景：
   当你使用 AI 开发网页或应用时，只需喂入这些预设的“技能文件”，AI 就能跳出默认的 Bootstrap 或 Tailwind 风格，构建出极具辨识度的视觉界面。
   
   原文链接：https://www.typeui.sh/design-skills
   
   #AI设计 #前端开发 #TypeUI #UI设计 #AI工具

   www.typeui.sh

   

   Design Skills for AI | TypeUI

   Browse a collection of 57 design skill files for AI tools like Claude, Codex, Gemini, and Cursor and generate websites and applications based on the curated skill files from TypeUI.

3. 16:44 · 2026年4月11日 · 周六

   Paseo：随时随地指挥你的 AI 编程助手
   
   想要在离开工位时也能继续推进代码进度？Paseo 是一款开源、自托管的 AI 编程 Agent 调度平台，让你能够从手机、桌面或终端轻松管理和运行 AI 助手。
   
   主要功能亮点：
   
   • 全平台覆盖：支持 iOS、Android、桌面端及 Web，甚至可以直接通过 CLI 脚本化运行，实现多端无缝衔接。
   • 集成主流 Agent：完美支持 Claude Code、Codex 和 OpenCode 等主流 AI 编程助手，保留原有的技能和配置。
   • 隐私与安全：代码始终保留在你的本地机器上，支持端到端加密中继，确保远程连接时的代码安全。
   • 本地语音交互：内置完全本地化的语音识别与合成技术，无需将语音数据上传云端即可实现指令下达。
   • 开发者友好：支持键盘快捷键优先操作、Git 工作流隔离（Worktrees）以及全方位的命令行支持。
   
   Paseo 是一款纯粹的开源工具，不直接调用推理 API，而是作为官方 CLI 的透明调度层，既自由又强大。
   
   https://paseo.sh/
   
   #AI编程 #开源项目 #Paseo #开发者工具 #人工智能

   Paseo

   

   Paseo – Run Claude Code, Codex, and OpenCode from everywhere

   A self-hosted daemon for Claude Code, Codex, and OpenCode. Agents run on your machine with your full dev environment. Connect from phone, desktop, or web.

4. 16:45 · 2026年4月10日 · 周五

   让 AI 像顶级设计师一样编程：GetDesign.md 设计规范库
   
   如果你正在使用 AI 助手（如 Cursor、Claude 或 Bolt）进行前端开发，那么这个网站值得加入收藏夹。GetDesign.md 汇集了包括 Apple、Stripe、Linear、Notion 以及 SpaceX 在内的 60 多种知名品牌的设计系统灵感。
   
   它的核心价值在于“AI 友好”：你可以直接将这些精炼的 DESIGN.md 文件丢给 AI 编程助手，AI 就能迅速理解其设计语言、配色方案和排版逻辑，从而帮你构建出风格统一、质感高级的 UI 界面。
   
   无论你是想要打造极简的工具软件，还是具有视觉冲击力的官网，这里都是一个绝佳的 UI 风格武器库。
   
   https://getdesign.md/
   
   #设计系统 #AI工具 #前端开发 #UI设计 #生产力工具

   getdesign.md

   

   getdesign.md — DESIGN.md collection for AI coding agents

   Browse design system inspirations from popular websites. Drop one into your project and let AI agents build matching UI.

5. 18:24 · 2026年4月6日 · 周一

   Gemma 4 图解指南：Google DeepMind 开源模型家族全面解析
   
   Google DeepMind 发布了 Gemma 4 系列模型，作者 Maarten Grootendorst（刚入职 Google DeepMind）以丰富的可视化方式详细拆解了这一系列模型的架构设计。
   
   四款模型，覆盖多种场景
   
   • Gemma 4 E2B — 密集模型，等效 20 亿参数，适合端侧部署
   • Gemma 4 E4B — 密集模型，等效 40 亿参数，适合端侧部署
   • Gemma 4 31B — 310 亿参数的密集模型
   • Gemma 4 26B A4B — MoE 架构，总参数 260 亿，推理时仅激活 40 亿参数，兼顾性能与效率
   
   所有模型均为多模态，支持图像输入；小模型（E2B/E4B）还额外支持音频输入。
   
   核心架构亮点
   
   注意力机制优化：
   
   • 局部注意力（滑动窗口）与全局注意力交替堆叠（5:1 或 4:1），最后一层始终为全局注意力
   • 全局注意力层采用 8 个 Query 共享 1 个 KV 头的分组查询注意力（GQA）
   • K=V 技巧：全局注意力层中 Key 等于 Value，进一步压缩 KV 缓存
   • p-RoPE：仅对前 25% 维度施加旋转位置编码，避免低频维度引入噪声，提升长上下文处理能力
   
   视觉编码器：
   
   • 基于 Vision Transformer（ViT），支持可变宽高比和可变分辨率
   • 通过 2D RoPE 编码 patch 的二维位置信息
   • 引入 soft token budget（70/140/280/560/1120），用户可按任务需求灵活选择分辨率
   
   MoE 架构（26B A4B）：
   
   • 128 个专家中每次激活 8 个 + 1 个始终激活的共享专家（3 倍大小）
   • 虽然总参数 260 亿，推理速度接近 40 亿参数模型
   
   Per-Layer Embeddings（E2B/E4B）：
   
   • 每一层都有独立的 token embedding 查找表，存储在闪存而非显存中
   • 让小模型在有限 RAM 下也能获得更强的表达能力，非常适合手机等端侧设备
   
   音频编码器（E2B/E4B）：
   
   • 基于 Conformer 架构，通过梅尔频谱图提取特征并下采样为 soft token
   • 支持语音识别和翻译等任务
   
   🔗 https://newsletter.maartengrootendorst.com/p/a-visual-guide-to-gemma-4
   
   #Gemma4 #GoogleDeepMind #多模态 #MoE #开源模型

   Maartengrootendorst

   

   A Visual Guide to Gemma 4

   A great start to a new job ;)

6. 08:53 · 2026年4月6日 · 周一

   Linear 发布 Agent 交互指南（AIG）：定义人机协作的新契约
   
   AI Agent 正在重塑软件的规划、构建、审查和部署方式。当 Agent 大量产出工作成果时，人类的角色也随之转变——价值重心转移到编排输入、构建上下文和审查输出上。
   
   这种转变需要一套全新的人机交互契约。Linear 提出了 Agent Interaction Guidelines（AIG），为设计更自然融入人类工作流的 Agent 交互制定了基础原则。
   
   六大核心原则
   
   1. Agent 必须表明身份
   当人类与 Agent 协同工作时，Agent 必须清晰标识自己的身份，绝不能被误认为是真人。
   
   2. Agent 应原生融入平台
   Agent 应通过平台已有的 UI 模式和标准操作来工作，而非另起炉灶。
   
   3. Agent 应即时反馈
   沉默会带来不确定性。Agent 被调用后应立即提供反馈（如"思考中"指示器），让用户知道请求已被接收。
   
   4. Agent 应透明展示内部状态
   无论是思考、等待输入、执行还是完成，Agent 都应清晰展示当前状态。用户可以随时检视其推理过程、工具调用和决策逻辑。
   
   5. Agent 应尊重退出指令
   当被要求停止时，Agent 必须立即退出，且只有收到明确信号后才能重新介入。
   
   6. Agent 不能承担最终责任
   Agent 可以执行任务，但最终责任始终归属于人类。需要建立清晰的人机委托模型。
   
   ---
   
   AIG 是一份持续演进的开放文档，Linear 邀请社区共同参与完善。
   
   🔗 https://linear.app/developers/aig
   
   #AI_Agent #人机交互 #Linear #设计原则 #AIG

   linear.app

   

   Agent Interaction Guidelines (AIG) – Linear Developers

   Foundational principles and practices for designing agent interactions that integrate more naturally into human workflows.

7. 09:48 · 2026年3月25日 · 周三

   GitAgent：用 Git 仓库定义 AI Agent 的开放标准
   
   AI Agent 框架百花齐放，但每个框架都有自己的结构，Agent 定义无法跨平台复用。GitAgent 提出了一种框架无关、基于 Git 的 Agent 定义标准——克隆一个仓库，就能获得一个 Agent。
   
   核心理念
   
   • Git 原生：版本控制、分支管理、Diff 比较、协作能力开箱即用
   • 框架无关：通过适配器导出到 Claude Code、OpenAI、CrewAI、Cursor 等任意框架
   • 合规就绪：内置 FINRA、美联储、SEC 等金融监管合规支持
   • 可组合：Agent 之间可以继承、依赖和委托
   
   怎么用？
   
   一个仓库只需两个文件即可成为 Agent：
   
   • agent.yaml：清单文件，定义名称、版本、模型、技能、工具等
   • SOUL.md：身份文件，定义人格、沟通风格和价值观
   
   可选添加 RULES.md（硬约束）、DUTIES.md（职责分离）、skills/（技能模块）、workflows/（工作流）等目录，按需扩展。
   
   亮点设计
   
   • 12 种架构模式：包括人类审批（Human-in-the-Loop）、Agent 版本管理、分支部署、Agent Fork 与混用、CI/CD 集成、生命周期钩子等
   • 职责分离（SOD）：定义角色权限和冲突矩阵，确保关键流程不被单一 Agent 端到端控制
   • SkillsFlow：用 YAML 定义确定性多步工作流，支持步骤依赖和模板数据流
   • 11 个导出适配器：覆盖 system-prompt、Claude Code、OpenAI、CrewAI、Cursor、Lyzr 等主流平台
   
   快速开始
   
   

   npm install -g gitagent
   gitagent init --template standard
   gitagent validate
   gitagent export --format system-prompt
   

   
   
   项目目前已获 1.1k Star，MIT 开源协议。
   
   🔗 https://github.com/open-gitagent/gitagent
   
   #AIAgent #GitAgent #开源 #Agent标准化 #框架无关

   GitHub

   

   GitHub - open-gitagent/gitagent: A framework-agnostic, git-native standard for defining AI agents

   A framework-agnostic, git-native standard for defining AI agents - open-gitagent/gitagent

8. 14:03 · 2026年3月13日 · 周五

   CursorBench：Cursor 如何更贴近真实开发来评估模型质量
   
   开发者正在把更长、更复杂的编程任务交给智能体：跨多个文件、工具和步骤。Cursor 认为，评测方式也必须随之升级，才能真实反映“好用与否”。
   
   Cursor 的做法是 线上 + 线下 的混合评测闭环：
   
   • 线下：CursorBench（内部基准）
   基于工程团队的真实 Cursor 会话构建，而不是从公开代码库抽题。因为更贴近实际工作流、信息更不充分且常带歧义，CursorBench 往往能更好地区分前沿模型，并衡量多维能力（正确性、代码质量、效率、交互行为等）。
   
   • 线上：真实流量的受控实验
   用于捕捉线下评测遗漏的退化：例如线下评分器判“正确”，但开发者实际体验变差。Cursor 会用多类代理指标（交互信号 + 输出质量信号）综合观察，并通过消融实验归因（如移除语义搜索工具来定位其关键场景）。
   
   为什么不太依赖公开基准？Cursor 指出三类常见问题：
   
   1. 任务不匹配：许多基准仍偏向“修 bug”或“解谜题”，与真实开发请求脱节。
   2. 评分困难：真实请求常有多种正确解，固定答案容易误伤合理方案。
   3. 数据污染：公开仓库题目容易进入训练数据，分数被抬高；甚至出现“记忆补丁”与测试缺陷等问题。
   
   下一步，Cursor 预计开发会更多转向“长时运行智能体”。他们也计划让 CursorBench 适配更长任务，并解决成本、可复现性、以及离线结果与真实体验之间的差距。
   
   原文链接：https://cursor.com/cn/blog/cursorbench
   
   #模型评测 #编程智能体 #基准测试 #Cursor #开发者体验

   Cursor

   

   How we compare model quality in Cursor · Cursor

   We use a hybrid online-offline eval process to keep our understanding of model quality aligned with what developers actually do.

9. 08:13 · 2026年3月13日 · 周五

   AI 时代怎么招工程师：Augment 的「AI-native」人才标准
   
   当 AI agent 能写出大部分代码后，工程师的价值开始上移：不再以“写得快、写得多”为核心，而是以判断力、系统设计与协同能力决定产出质量。
   
   Augment 重新梳理了面向 AI-native（与 AI 共同工作）团队的招聘标准，核心变化可以概括为一句话：人从“作者”变成“架构师与编辑”——定义意图、做取舍、设护栏、把好质量关。
   
   工程师工作重心的迁移
   
   • 传统工程：写代码、实现方案、解决问题、看个人产出
   • AI-native 工程：明确意图与权衡、编排 agent、选择正确问题、看系统级结果
   
   他们认为最重要的 6 个能力维度
   
   1. 产品与结果品味（Product & Outcome Taste）：能否在代码变“更便宜”时，避免做出“最贵的错误”——把方向做错。
   2. 系统与架构判断（System & Architectural Judgment）：代码能跑不难，难的是“能在生产环境长期稳定地跑”。
   3. Agent 杠杆（Agent Leverage）：能否把 AI 变成真实吞吐量：拆解任务、引导偏航、验证结果（agent 很快，但也可能自信地出错）。
   4. 沟通与协作（Communication & Collaboration）：实现更快后，“达成清晰”更关键；要能把意图讲清楚、促成共识。
   5. 主人翁意识与领导力（Ownership & Leadership）：对结果负责而非只做任务；主动清除阻碍交付的障碍。
   6. 学习速度与实验心态（Learning Velocity & Experimental Mindset）：工具三个月就变一轮，持续实验与快速迭代成为工作常态。
   
   一个显著的信号是：“纯粹的编码能力”不再是最主要的区分项——依然重要，但不再决定上限。
   
   从理念到招聘：看“可观察信号”
   
   他们强调，框架必须能落到面试里，转成可评估的行为证据，例如：
   
   • 能否快速澄清模糊问题、定义清晰目标？
   • 能否提前识别架构风险，而不是上线后救火？
   • 能否有效指挥并验证 AI 生成的工作？
   
   未来重点招的 4 类画像
   
   • AI-native 系统工程师：基础设施与架构判断强，保证“地基”稳。
   • AI-native 产品工程师：产品品味与用户理解强，确保“做对事”。
   • AI-native 应用 AI 工程师：懂模型与应用构建，提升 agent 能力与工作流。
   • AI-native 早期工程师（Early Professional）：学习速度优先，快速适应工具与流程变化。
   
   这套标准也不只用于招聘，还会反向影响绩效、成长与职业发展：如果真正重视判断力、杠杆与学习速度，就应该在各个环节都体现出来。
   
   原文链接：https://www.augmentcode.com/blog/how-we-hire-ai-native-engineers-now
   
   #AI招聘 #工程师能力 #AI代理 #架构设计 #学习型组织

   Augmentcode

   

   How we hire AI-native engineers now: our criteria

   The most powerful AI software development platform with the industry-leading context engine.

10. 08:19 · 2026年2月12日 · 周四

    GitHub Agentic Workflows：用自然语言写 GitHub Actions 的“智能工作流”
    
    GitHub 开源项目 gh-aw（GitHub Agentic Workflows），主打一个思路：用自然语言 Markdown 编写“代理式（agentic）工作流”，然后直接在 GitHub Actions 里运行，让 AI 代你完成仓库中的重复性任务。
    
    它提供的核心价值包括：
    
    • 更低门槛的工作流编写方式：用 Markdown 描述要做什么，而不是从零写复杂的 YAML/脚本
    • 更强调安全的执行模型（Guardrails）：默认只读权限；写入操作需要通过经过清洗的 safe-outputs；并配套多层防护（输入净化、工具白名单、编译期校验、网络隔离、供应链安全等）
    • 完善的文档与上手路径：官方提供 Quick Start 与完整文档，方便快速跑通示例并理解整体机制
    • 生态配套：
    • AWF（Agent Workflow Firewall）：限制与记录代理的网络访问（出站控制）
    • MCP Gateway：统一转发 MCP（Model Context Protocol）服务调用，便于集中管理访问
    
    适合关注 AI + DevOps、希望把“AI 介入仓库日常操作”做得更可控、更工程化的团队参考与尝试（同时也要保持必要的人类监督）。
    
    原链接：https://github.com/github/gh-aw
    
    #GitHubActions #AI自动化 #工作流 #安全工程 #开源项目

    GitHub

    

    GitHub - github/gh-aw: GitHub Agentic Workflows

    GitHub Agentic Workflows. Contribute to github/gh-aw development by creating an account on GitHub.

11. 11:03 · 2026年2月11日 · 周三

    Entire：把 AI 编程对话“写进”每一次 Git 提交
    
    用 AI 写代码时，最容易丢的不是代码，而是“为什么这么写”的上下文。Entire 提供一个思路：在你正常的 git 工作流里，把每次 AI agent 会话自动记录下来，并与对应的 commit 绑定，形成可搜索的历史记录。
    
    它能做什么？
    
    • 自动捕获会话：在每次 push 时记录 AI agent 的会话内容，并和提交一起关联。
    • 不改变你的工作方式：通过 CLI 接入现有工具链，尽量减少上下文切换。
    • 支持多种 agent：目前支持 Claude Code、Google Gemini；OpenAI Codex 等集成在路上。
    • 把“意图”留在仓库里：官方强调记录会直接存进 git 历史，不依赖额外托管服务或外部数据库。
    
    安装方式（官网给出的命令）
    
    • curl -fsSL https://entire.io/install.sh | bash
    
    适合希望团队更容易复盘决策、追踪 AI 产出过程、减少重复踩坑的工程项目。
    
    原链接：http://entire.io/
    
    #Git #AI编程 #开发工具 #工程效率 #CLI

    Entire

    

    Entire · A new developer platform is coming

    We are going beyond repositories, building a developer platform where agents and humans can collaborate, interact, and grow. The birth of a new galaxy in this universe draws near.

12. 22:31 · 2026年2月10日 · 周二

    Stripe「Minions」：一键生成、端到端交付的无人值守编码代理
    
    Stripe 在内部打造了一套名为 Minions 的编码代理：从接到任务到产出可评审的 PR，全程几乎无需人类介入。现在，Stripe 每周有超过 1000 个合并的 PR 是由 Minions 从头到尾生成的（人类负责 Review，但不写代码）。
    
    为什么要自研？
    
    在 Stripe 这种超大规模、强约束的工程环境里，“从零写个原型”和“在成熟巨型代码库里安全改动”完全不是一回事：
    
    • 代码库规模巨大（数亿行），栈也相对小众：大量后端是 Ruby + Sorbet，还有大量 Stripe 自研库，LLM 天然不熟
    • 业务风险极高：Stripe 的代码承载着 每年超过 1 万亿美元 的支付规模，并受金融合规与监管约束
    • 既要让代理“会写”，也要让它“按规矩写、能跑通、能过 CI”，并与既有研发流程深度结合
    
    工程师怎么用？
    
    最常见的入口是 Slack：
    
    • 在讨论线程里 @Slack App 就能发起 Minion，它会读取整个线程与相关链接作为上下文
    • 也集成到内部系统里：文档平台、Feature Flag、工单系统等
    例如 CI 发现 flaky tests，会生成工单，直接提供按钮让 Minion 去修
    
    完成后，Minion 会：
    
    • 创建分支 → 推送 → 跑 CI → 按模板生成 PR
    
    如果效果不理想，人类可以补充指令让它再改；即使不完美，也常常是很好的“可用起点”。
    
    Minions 背后怎么运作（要点版）
    
    Stripe 的思路是：把“创意生成”交给 LLM，把“必须可靠执行的步骤”交给确定性工具链。
    
    • 运行环境：在隔离的 devbox 中执行（10 秒内可启动，预热并预载代码与服务），与生产与公网隔离，便于并行
    • Agent 框架：基于 Block 的开源编码代理 goose 的 fork，并做了强定制
    • 规则与上下文：读取各类 agent rule 文件，但多为“按目录条件生效”，避免全局死规则拖累
    • 工具调用：接入 MCP（函数调用通用协议），并建设内部 MCP 服务 Toolshed，提供 400+ 工具（文档、工单、构建状态、Sourcegraph 搜索等）
    • 反馈与质量闸门：
    • 首先跑本地启发式 lint/检查（通常 <5 秒）
    • 再跑选择性的 CI（Stripe 有 300 万+ 测试），部分失败可自动修复
    • 为控制成本与等待时间：最多两轮 CI，强调“能本地提前发现就不要拖到 CI”
    
    接下来
    
    这篇是系列 Part 1，主要讲“怎么用、能做什么”；Part 2 会深入实现细节。整体信号很明确：当“开发者注意力”成为稀缺资源时，无人值守、可并行的编码代理正在改变工程协作方式。
    
    原文链接：https://stripe.dev/blog/minions-stripes-one-shot-end-to-end-coding-agents
    
    #AI工程化 #编码代理 #开发者效率 #CI实践 #Stripe

    stripe.dev

    

    Minions: Stripe’s one-shot, end-to-end coding agents

    Minions are Stripe’s homegrown coding agents, responsible for more than a thousand pull requests merged each week. Though humans review the code, minions write it from start to finish. Learn how they work, and how we built them.

13. 09:27 · 2026年2月10日 · 周二

    SQLite Vector：把向量检索带进 SQLite 的跨平台扩展
    
    SQLite-Vector 是一个高性能、跨平台的 SQLite 扩展，让你在本地嵌入式数据库里直接做向量相似度检索，适合移动端/边缘侧的离线 AI 场景。
    
    核心亮点
    
    • 普通表就能用：不需要虚拟表，向量直接以 BLOB 存在常规表字段里
    • 低门槛接入：无需漫长的预建索引流程，上手即用
    • 性能优化：C 实现 + SIMD 加速，内置多种距离函数
    • 低内存占用：默认约 30MB 内存开销
    • 离线与隐私友好：数据留在本地，适合端侧语义搜索、推荐、图像检索等
    
    支持能力一览
    
    • 向量类型：Float32 / Float16 / BFloat16 / Int8 / UInt8 / 1Bit
    • 距离度量：L2、Squared L2、L1、Cosine、Dot、Hamming（1bit）
    • 量化与扫描：提供量化、预加载，以及 vector_quantize_scan 等查询接口（支持流式返回）
    
    安装与生态
    
    • 可从 GitHub Releases 下载各平台预编译二进制（Linux/macOS/Windows/Android/iOS）
    • 提供 WASM 版本（npm：@sqliteai/sqlite-wasm）
    • 也有 Swift Package / Android 依赖 / Python 包 等接入方式
    
    使用与授权提醒
    
    项目采用 Elastic License 2.0：通常允许在非生产环境使用、修改与分发；生产或托管服务用途需商业授权（详见仓库 License 说明）。
    
    原链接：https://github.com/sqliteai/sqlite-vector
    #SQLite #向量检索 #EdgeAI #本地AI #数据库扩展

    GitHub

    

    GitHub - sqliteai/sqlite-vector: SQLite-Vector is a cross-platform, ultra-efficient SQLite extension that brings vector search…

    SQLite-Vector is a cross-platform, ultra-efficient SQLite extension that brings vector search capabilities to your embedded database. - sqliteai/sqlite-vector

14. 08:46 · 2026年2月10日 · 周二

    keep.md：把收藏夹变成「可被 AI 直接读取」的 Markdown API
    
    keep.md 主打一个简单但实用的思路：把你在各处保存的链接，统一存成 Markdown，并提供 API + Agent 技能，让它们能随时被你的工作流或智能体当作上下文调用。
    
    它适合这些场景：
    
    • 你保存了一堆资料链接，希望 AI/Agent 能直接读懂内容并引用
    • 你收藏了文档，想让 Agent 辅助写代码、查用法
    • 你保留了长线程/讨论，希望 Agent 自动整理成摘要或草稿
    
    工作方式也很直观：你保存链接 → 系统生成 Markdown → 你的 Agent 读取并使用。
    目前提供 Chrome 扩展（页面显示仍在等待 Chrome 商店审核），并支持接入多种工具/平台（如 n8n、Claude SDK、各类 Agent 等）。
    
    费用信息：免费档包含 50 条链接，付费计划 $10/月起。
    
    原链接：https://keep.md/
    
    #书签管理 #Markdown #API #AI工具 #Agent工作流

    Keep

    

    Keep | Save and search your bookmarks from anywhere

    Keep your bookmarks as markdown and search them from the web, the API, or with your personal AI agent.

15. 17:20 · 2026年2月8日 · 周日

    WebClaw：OpenClaw 的轻量快速 Web 客户端（Beta）
    
    WebClaw 是一个面向 OpenClaw 的快速 Web 客户端，主打轻量、上手快，适合想用浏览器直接连接 OpenClaw Gateway 的用户与开发者。目前项目处于 Beta 阶段。
    
    你可以用它做什么
    
    • 在浏览器里访问/使用 OpenClaw（通过 Gateway 连接）
    • 本地快速启动，便于二次开发与调试
    
    本地安装（快速开始）
    
    • 克隆项目并启动开发环境：
    • gh repo clone ibelick/webclaw
    • cd webclaw
    • pnpm install
    • pnpm dev
    
    关键配置（连接 Gateway）
    在 apps/webclaw/.env.local 中配置：
    
    • CLAWDBOT_GATEWAY_URL
    • 认证二选一（推荐 Token）：
    • CLAWDBOT_GATEWAY_TOKEN（推荐）或 CLAWDBOT_GATEWAY_PASSWORD
    
    默认 Gateway 地址为：ws://127.0.0.1:18789
    相关文档：https://docs.openclaw.ai/gateway
    
    链接：
    
    • https://webclaw.dev/
    • https://github.com/ibelick/webclaw
    
    #OpenClaw #WebClaw #开源项目 #TypeScript #Web客户端

    webclaw.dev

    

    Fast web client for OpenClaw.

16. 08:19 · 2026年2月2日 · 周一

    pure.md：把任意网页稳定转成适合 LLM 的 Markdown（还带“全球缓存”）
    
    pure.md 提供一个简单的 REST API：只要在任意 URL 前加上 pure.md/，就能更可靠地获取网页内容，并输出对大模型更友好的 Markdown。
    
    它能做什么：
    
    • 更稳定地抓取网页：通过代理网络模拟真实用户行为，降低被识别为爬虫的概率；必要时还会尝试其他镜像来源。
    • 渲染 JavaScript 重网页/SPA：自动完成 DOM hydration，避免只拿到“空壳 HTML”。
    • 多格式转 Markdown：支持 HTML、PDF、图片（含识别与摘要）、以及表格文件（如 Excel/Numbers）等。
    • 面向 LLM 的精简输出：减少页面冗余信息，附带元数据（frontmatter），降低 token 成本、提升推理效率。
    • 实时搜索（SERP 抓取）：把搜索结果聚合成可直接喂给提示词的 Markdown，让应用更“跟得上今天”。
    • 按需数据抽取：把 GET 换成 POST，即可用内置生成式模型从页面中抽取结构化 JSON（可自定义 schema），或以流式文本返回。
    
    定价概览：
    
    • Starter：按量付费（60 req/min；fetch $0.003；search $0.005；不含 GenAI 抽取；含 $1 体验金）
    • Growth：$19/月 + 计量（600 req/min；更低单价；含 GenAI 抽取；每月 $20 免费额度）
    • Business：$99/月 + 计量（3000 req/min；更低单价；含 GenAI 抽取；每月 $100 免费额度）
    
    原链接：https://pure.md/
    
    #网页抓取 #Markdown #大模型工具 #内容提取 #数据抽取

    pure.md

    pure.md - global cache between LLMs and the web

    Reliably access web content in markdown format by simply prefixing any URL with `pure.md/`. Avoids bot detection, renders JavaScript-heavy websites, and converts HTML, PDFs, images, and more into pure markdown.

17. 15:36 · 2026年2月1日 · 周日

    Forma 工程系列导读：面向 AI 的“可变结构”数据存储怎么做？
    
    AI 应用的数据结构变化速度，往往比传统数据库的建表/改表流程快得多：今天模型输出 12 个字段，明天变 30 个，下周又多出几个新字段——一旦数据库 schema 跟不上，轻则延迟飙升，重则直接线上事故。
    
    这篇导读介绍了 Forma 的核心思路：只存“实际存在”的字段，让 schema 随 AI 输出演进。作者用“小票”做类比：
    
    • 传统 SQL 表像一张列出所有可能商品的固定格式小票，没买的也要打印 0；新增商品就得重印格式（=改表）。
    • EAV（Entity-Attribute-Value）更像只列出你真正买了什么：薯片、可乐；新增字段就直接加一行（=无需 DDL）。
    
    当然，EAV 一直被认为是“反模式”，因为查询性能和可维护性都很差。Forma 的目标是：在保留灵活性的同时，把性能与一致性补回来。
    
    Forma 是什么：三件事组合起来
    
    Forma 面向 AI 时代的存储引擎，核心组合是：
    
    • EAV 模式：新增字段不需要 ALTER TABLE，天然适配快速迭代
    • JSON Schema：把“AI 输出”变成可验证的数据契约（写入时校验），提升类型安全与可控性
    • PostgreSQL + DuckDB：OLTP/OLAP 分工 + 热冷分层，在成本与性能之间取得平衡
    
    系列要解决的三个典型问题
    
    1. AI 数据结构迭代太快
    
    传统 DDL 流程（提工单→审批→维护窗口→改表）跟不上。系列第 1 篇会讲：JSON Schema + EAV + Hot Table 如何实现“零 DDL、写入即生效、仍然类型安全”。
    
    2. EAV 的 N+1 查询噩梦
    
    EAV 读数据常见的问题是：查 100 条记录可能触发 101 次往返，延迟轻松破 1s。系列第 2 篇会讲用 PostgreSQL 的 CTE + JSON_AGG 把 101 次查询压到 1 次，把延迟从 ~1000ms 降到 ~25ms。
    
    3. 海量历史数据下的一致性与“脏读”担忧
    
    数据到十亿级后，热冷分层几乎不可避免，但工程上最怕的是：联邦查询时读到未提交/不一致的数据。系列第 3 篇会讲通过 Anti-Join + Dirty Set 机制，做到联邦查询“零脏读”。
    
    按你的场景选择阅读顺序
    
    • 做 AI 应用，需要灵活存储：从 Post 1 开始
    • 被 N+1 性能拖垮，想快速降延迟：直接看 Post 2
    • 数据增长、准备上热冷分层 / Lakehouse：看 Post 3
    • 想系统理解整体架构：按 1→2→3 顺序读
    
    原文链接：https://blog.ltbase.dev/posts/forma/00-introduction-en
    
    #EAV #JSONSchema #PostgreSQL #DuckDB #Lakehouse

    blog.ltbase.dev

    Forma Engineering Blog Series: From EAV to Zero-Dirty-Read Lakehouse | Lychee Technology Engineering Blog

    Three posts that explain a flexible data storage engine designed for the AI era

18. 10:19 · 2026年2月1日 · 周日

    VM0：用自然语言搭建 AI Agent，并在云端 24/7 运行
    
    VM0 主打的是「面向 AI Agent 的基础设施」，让你用自然语言定义工作流、在云端沙盒环境里持续运行，并且能完整观测每次执行过程。
    
    它能做什么
    
    • 一键运行 Agent：支持按需执行或定时调度，适合做日报、监控、内容汇总等自动化任务。
    • 自然语言构建工作流：在 Claude Code 里描述目标，协作编辑 AGENTS.md，快速拼出可执行的 Agent 指令与流程。
    • 云端隔离沙盒：本地开发、云端运行，环境隔离，适合让 Agent 长时间稳定跑任务。
    • 全链路可观测：实时日志、产物输出、执行回放（checkpoint），便于排查与迭代。
    
    示例场景（官网展示）
    
    • HackerNews 摘要 Agent：自动读 Top 文章，筛选 AI 相关内容并生成可发布的总结。
    • TikTok 达人筛选 Agent：搜索与筛选创作者，输出分析报告。
    • 日报 Agent：聚合多源数据与 API，总结后写入 Notion。
    • 博客生成 Agent：结合多个 API 自动产出内容。
    
    快速开始（官网命令）
    
    npm install -g @vm0/cli && vm0 onboard
    
    原链接：https://www.vm0.ai/
    
    #AI代理 #自动化工作流 #云端沙盒 #可观测性 #开发者工具

    www.vm0.ai

    VM0 - Your Trustworthy AI Teammate

    Meet Zero, your AI teammate that runs in secure microVMs. Automate workflows in Slack, GitHub, and the web.

19. 11:11 · 2026年1月31日 · 周六

    Agent Trace：为 AI 写的代码建立“可追溯”标准
    
    Agent Trace 是一个开放规范，用来记录代码中哪些部分来自 AI、哪些来自人类，并把相关的模型信息、对话链接等“出处”一并纳入版本控制工作流中。它强调厂商中立，让不同工具都能读写同一套归因数据。
    
    核心想解决什么
    
    • 随着 Agent/代码助手产出越来越多代码，团队需要更清楚地知道：哪些改动是 AI 生成、用的是什么模型、对应哪次对话/会话。
    • 这不是法律意义的“所有权”或“版权”判定，而是工程层面的来源记录与可审计性。
    
    主要目标
    
    • 互操作性：任何兼容工具都能写入/读取归因记录
    • 细粒度：支持到**文件级、行号范围（line range）**的归因
    • 可扩展：允许各家在不破坏兼容的情况下增加自定义元数据
    • 人和 Agent 都能读懂：尽量不依赖特定 UI 才能理解
    
    不做什么（边界很明确）
    
    • 不处理代码法律归属、版权问题
    • 不追踪训练数据来源
    • 不做质量评估（不判断 AI 代码“好或坏”）
    • 不绑定任何界面或产品形态
    
    规范长什么样（概念速览）
    
    Agent Trace 的基本单位是 Trace Record（JSON 记录），典型字段包括：
    
    • version / id / timestamp：规范版本、记录 ID、时间戳
    • vcs：版本控制信息（如 git commit SHA；也支持 jj/hg/svn）
    • tool：生成该记录的工具及版本
    • files：文件列表；每个文件下按 conversation 分组
    • conversations.url：指向产生这段代码的对话链接
    • ranges：该对话贡献的行号范围（可选 content_hash 用于跨移动追踪）
    • metadata：自定义扩展字段（建议用反向域名避免冲突，如 dev.cursor）
    
    实现与落地
    
    • 规范本身不规定 traces 存哪：可以是本地文件、git notes、数据库等。
    • 提供了一个参考实现（含存储层、hook 集成），示范如何在文件变更时自动捕获归因信息。
    
    链接：https://agent-trace.dev/
    #AI编程 #代码归因 #工程规范 #可追溯性 #开发工具

    agent-trace.dev

    

    Agent Trace

    A standard format for tracking AI-generated code.

20. 11:09 · 2026年1月31日 · 周六

    OpenClaw 正式亮相：把 AI 助手带到你常用的聊天软件里
    
    OpenClaw 宣布品牌更名，并明确了项目定位：一个运行在你自己的机器上的开源 Agent 平台，可从你日常使用的聊天应用直接调用（WhatsApp、Telegram、Discord、Slack、Teams 等），让 AI 助手“跟着你走”。
    
    为什么改名：从 Clawd / Moltbot 到 OpenClaw
    
    团队经历了多次命名迭代：
    
    • Clawd：好记但涉及商标/法务问题，被建议更换
    • Moltbot：寓意“蜕壳成长”，但不够顺口
    • OpenClaw：已完成商标检索、域名与迁移准备，强调两点：
    • Open：开源、开放、社区驱动
    • Claw：延续“龙虾”项目起源与文化
    
    OpenClaw 是什么：你的助手，你的规则
    
    核心主张很直接：Your assistant. Your machine. Your rules.
    不同于把数据放在第三方服务器上的 SaaS 助手，OpenClaw 允许你把系统跑在本地电脑、家用服务器或 VPS 上：基础设施你掌控、密钥你掌控、数据也由你掌控。
    
    本次发布更新亮点
    
    随更名一起上线的更新包括：
    
    • 新渠道：新增 Twitch、Google Chat 插件
    • 模型支持：新增 KIMI K2.5、Xiaomi MiMo-V2-Flash
    • Web Chat：支持像聊天软件一样发送图片
    • 安全加固：累计 34 个与安全相关的提交，并发布可机器验证的安全模型；同时提醒 prompt injection 仍是行业难题，建议参考安全最佳实践
    
    接下来：安全优先 + 维护体系建设
    
    团队表示下一阶段会继续把安全作为最高优先级，同时提升网关稳定性、体验打磨，并扩展更多模型与提供商支持。由于项目增长迅猛，也在引入更多维护者并建立流程，鼓励社区参与贡献或赞助维护工作。
    
    原链接：https://openclaw.ai/blog/introducing-openclaw
    
    #开源 #AI代理 #隐私安全 #自托管 #聊天机器人

    openclaw.ai

    

    Introducing OpenClaw — OpenClaw Blog

    The journey from Clawd to Moltbot to OpenClaw—and why this name is here to stay.