无原创，纯转发
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
• 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 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.
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）
•
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
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.io
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.
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 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
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
• 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
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：
• 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
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
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.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.md
keep.md | markdown bookmarks as an api
Keep your bookmarks as markdown. Save links from anywhere and access them through a simple API.
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：
•
•
•
•
关键配置（连接 Gateway）
在
•
• 认证二选一（推荐 Token）：
•
默认 Gateway 地址为：
相关文档：
链接：
• https://webclaw.dev/
• https://github.com/ibelick/webclaw
#OpenClaw #WebClaw #开源项目 #TypeScript #Web客户端
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.
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
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 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
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
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
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
• 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）
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
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 - Build agents and automate workflows with natural language
Infrastructure for AI agents, not workflows. VM0's built-in sandbox gives you everything you need to design, run, and iterate on modern agents.
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：
•
•
•
•
•
•
•
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 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.
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 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.
Moltbook：面向 AI Agent 的“社交广场”
Moltbook 把“社交网络”做成了 AI Agent 的主场：Agent 在这里发布内容、讨论、点赞投票；人类也可以围观、了解它们都在做什么。
你能在 Moltbook 看到什么？
• 海量 Agent 与社区分区（Submolts）：按主题聚合讨论与内容流
• 动态广场（Posts）：从自动化工作流、工具技巧，到各类实验与想法分享
• 人机配对（Top Pairings）：展示 Agent 与其绑定的人类账号/身份影响力（平台内视角）
如果你想“把 Agent 送进去”
• 官方给了一个简单的上手方式：把指令发给你的 Agent，让它按说明注册并生成认领链接，再通过社交平台验证归属。
面向开发者
• Moltbook 也在推进开发者平台：允许应用通过 Moltbook 身份与 Agent 做认证与集成（当前以申请早期访问为主）。
链接：https://www.moltbook.com/
#AI智能体 #社交网络 #开发者平台 #AI应用 #社区观察
Moltbook 把“社交网络”做成了 AI Agent 的主场：Agent 在这里发布内容、讨论、点赞投票；人类也可以围观、了解它们都在做什么。
你能在 Moltbook 看到什么？
• 海量 Agent 与社区分区（Submolts）：按主题聚合讨论与内容流
• 动态广场（Posts）：从自动化工作流、工具技巧，到各类实验与想法分享
• 人机配对（Top Pairings）：展示 Agent 与其绑定的人类账号/身份影响力（平台内视角）
如果你想“把 Agent 送进去”
• 官方给了一个简单的上手方式：把指令发给你的 Agent，让它按说明注册并生成认领链接，再通过社交平台验证归属。
面向开发者
• Moltbook 也在推进开发者平台：允许应用通过 Moltbook 身份与 Agent 做认证与集成（当前以申请早期访问为主）。
链接：https://www.moltbook.com/
#AI智能体 #社交网络 #开发者平台 #AI应用 #社区观察
moltbook
moltbook - the front page of the agent internet
A social network built exclusively for AI agents. Where AI agents share, discuss, and upvote. 🦞🤖
Vercel AI Gateway 现已支持 Claude Code Max：订阅直连、统一观测
Vercel 宣布其 AI Gateway 现已支持在 Claude Code CLI 中使用 Claude Code Max 订阅。对开发者来说，这意味着：你可以继续用自己已有的 Anthropic 订阅，不增加额外费用，同时把 Claude Code 的调用统一接入 Vercel 平台，获得更完整的可观测性、用量追踪与监控能力。
你能获得什么
• 沿用现有 Claude Code Max 订阅：照常用 Anthropic 模型，无需额外开销
• 统一观测与用量管理：通过 Vercel 平台查看请求、监控使用模式与成本趋势
• 更灵活的路由能力：AI Gateway 可作为直通 Anthropic 的代理；必要时也可作为路由器切换到其他提供方（fallback）
快速配置（核心步骤）
在你的 shell 配置文件（如
• 将 Anthropic 入口指向 AI Gateway
• 用独立的
启动 Claude Code：
• 运行
• 登录时选择 Option 1 - Claude account with subscription（使用带订阅的 Claude 账号）
• 若遇到问题，可先
工作原理（简述）
Claude Code 仍然使用 Anthropic 的订阅凭证进行认证，并携带
原文链接：https://vercel.com/changelog/claude-code-max-via-ai-gateway-available-now-for-claude-code
#Vercel #AIGateway #ClaudeCode #可观测性 #开发者工具
Vercel 宣布其 AI Gateway 现已支持在 Claude Code CLI 中使用 Claude Code Max 订阅。对开发者来说，这意味着：你可以继续用自己已有的 Anthropic 订阅，不增加额外费用，同时把 Claude Code 的调用统一接入 Vercel 平台，获得更完整的可观测性、用量追踪与监控能力。
你能获得什么
• 沿用现有 Claude Code Max 订阅：照常用 Anthropic 模型，无需额外开销
• 统一观测与用量管理：通过 Vercel 平台查看请求、监控使用模式与成本趋势
• 更灵活的路由能力：AI Gateway 可作为直通 Anthropic 的代理；必要时也可作为路由器切换到其他提供方（fallback）
快速配置（核心步骤）
在你的 shell 配置文件（如
~/.zshrc 或 ~/.bashrc）加入环境变量：• 将 Anthropic 入口指向 AI Gateway
• 用独立的
x-ai-gateway-api-key 做网关鉴权（与 Claude 订阅鉴权并存）启动 Claude Code：
• 运行
claude• 登录时选择 Option 1 - Claude account with subscription（使用带订阅的 Claude 账号）
• 若遇到问题，可先
claude /logout 再重新登录工作原理（简述）
Claude Code 仍然使用 Anthropic 的订阅凭证进行认证，并携带
Authorization 头。由于该头用于 Claude 订阅身份，AI Gateway 采用单独的 x-ai-gateway-api-key 进行自身认证，从而实现两套鉴权机制同时生效。原文链接：https://vercel.com/changelog/claude-code-max-via-ai-gateway-available-now-for-claude-code
#Vercel #AIGateway #ClaudeCode #可观测性 #开发者工具
Vercel
Claude Code Max via AI Gateway, available now for Claude Code - Vercel
You can use your Claude Code Max subscription through Vercel's AI Gateway. This lets you leverage your existing subscription while gaining centralized observability, usage tracking, and monitoring capabilities for all your Claude Code requests.
Cloud Code：把 OpenCode 变成跑在 Cloudflare 上的专属云端 Agent
Cloud Code 是一个基于 Cloudflare Workers + Cloudflare Containers 的 TypeScript 项目，把 OpenCode 以容器化方式运行在 Cloudflare 基础设施上，帮助你快速搭建“云端开发/编码 Agent”。
它能做什么
• 一键部署到 Cloudflare（项目提供 Deploy to Cloudflare 入口）
• 本地开发友好：用 Wrangler 模拟 Workers 环境，支持
• 可选 Basic Auth 保护：配置
• 数据持久化（S3/R2）：通过 TigrisFS 将对象存储挂载为本地目录
• 默认挂载到
• OpenCode 配置也会落到
• 内置 Cloudflared：可把容器内服务通过 Cloudflare Tunnel 暴露到公网，方便调试/临时分享
运行与部署要点（简版）
• 依赖：Node.js（推荐 v20+）、pnpm、Wrangler
• 常用命令：
• 若改了
原链接：https://github.com/miantiao-me/cloud-code
#Cloudflare #OpenCode #Workers #容器化 #S3R2
Cloud Code 是一个基于 Cloudflare Workers + Cloudflare Containers 的 TypeScript 项目，把 OpenCode 以容器化方式运行在 Cloudflare 基础设施上，帮助你快速搭建“云端开发/编码 Agent”。
它能做什么
• 一键部署到 Cloudflare（项目提供 Deploy to Cloudflare 入口）
• 本地开发友好：用 Wrangler 模拟 Workers 环境，支持
pnpm dev / pnpm start• 可选 Basic Auth 保护：配置
SERVER_USERNAME / SERVER_PASSWORD 后启用，避免未授权访问• 数据持久化（S3/R2）：通过 TigrisFS 将对象存储挂载为本地目录
• 默认挂载到
/root/s3，工作区在 /root/s3/workspace• OpenCode 配置也会落到
/root/s3/.opencode，便于状态持久化• 内置 Cloudflared：可把容器内服务通过 Cloudflare Tunnel 暴露到公网，方便调试/临时分享
运行与部署要点（简版）
• 依赖：Node.js（推荐 v20+）、pnpm、Wrangler
• 常用命令：
pnpm install → pnpm dev（本地）→ pnpm deploy（部署）• 若改了
wrangler.jsonc 绑定：记得执行 pnpm cf-typegen 重新生成类型原链接：https://github.com/miantiao-me/cloud-code
#Cloudflare #OpenCode #Workers #容器化 #S3R2
GitHub
GitHub - miantiao-me/cloud-code: Cloud Code (Cloudflare + OpenCode), running OpenCode on Cloudflare to build a dedicated cloud…
Cloud Code (Cloudflare + OpenCode), running OpenCode on Cloudflare to build a dedicated cloud Agent for you. - miantiao-me/cloud-code
Clawdbot：运行在你自己电脑上的个人 AI 助手
Clawdbot 主打“AI 真的能做事”：它不是一个被托管在平台里的聊天机器人，而是运行在你的 Mac/Windows/Linux 上，能连接常用通讯工具与各类服务，把对话变成可执行的任务流。
它能做什么
• 本地运行、隐私优先：在你的设备上工作，数据默认留在你手里；可接入 Anthropic / OpenAI，也支持本地模型。
• 任意聊天软件对话：WhatsApp、Telegram、Discord、Slack、Signal、iMessage 等都能用（支持私聊和群聊）。
• 持久记忆：能记住你的偏好与上下文，越用越“懂你”。
• 浏览器自动化：可浏览网页、填表、抓取信息。
• 系统级能力：读写文件、运行命令、执行脚本（可全权限或沙箱化）。
• 技能/插件机制：用社区技能扩展，也可以让它帮你写自己的技能。
• 集成丰富：官方列出 50+ 集成（如 Gmail、GitHub、Obsidian、Spotify、Hue 等）。
快速上手（官方提供的一键方式）
• 一键安装：
• 安装 CLI：
• 开始引导：
• 另有 macOS 菜单栏 Companion App（Beta），适合和 CLI 搭配使用。
https://clawd.bot/
#AI助手 #开源工具 #自动化 #个人效率 #智能体
Clawdbot 主打“AI 真的能做事”：它不是一个被托管在平台里的聊天机器人，而是运行在你的 Mac/Windows/Linux 上，能连接常用通讯工具与各类服务，把对话变成可执行的任务流。
它能做什么
• 本地运行、隐私优先：在你的设备上工作，数据默认留在你手里；可接入 Anthropic / OpenAI，也支持本地模型。
• 任意聊天软件对话：WhatsApp、Telegram、Discord、Slack、Signal、iMessage 等都能用（支持私聊和群聊）。
• 持久记忆：能记住你的偏好与上下文，越用越“懂你”。
• 浏览器自动化：可浏览网页、填表、抓取信息。
• 系统级能力：读写文件、运行命令、执行脚本（可全权限或沙箱化）。
• 技能/插件机制：用社区技能扩展，也可以让它帮你写自己的技能。
• 集成丰富：官方列出 50+ 集成（如 Gmail、GitHub、Obsidian、Spotify、Hue 等）。
快速上手（官方提供的一键方式）
• 一键安装：
curl -fsSL https://clawd.bot/install.sh | bash• 安装 CLI：
npm i -g clawdbot• 开始引导：
clawdbot onboard• 另有 macOS 菜单栏 Companion App（Beta），适合和 CLI 搭配使用。
https://clawd.bot/
#AI助手 #开源工具 #自动化 #个人效率 #智能体
openclaw.ai
OpenClaw — Personal AI Assistant
OpenClaw — The AI that actually does things. Your personal assistant on any platform.
AgentFS：为 AI Agent 设计的“可审计”文件系统
AgentFS 是 Turso 团队开源的 面向 AI Agent 的文件系统：不仅能像传统文件系统一样读写文件/目录，还把 Agent 的状态与行为记录成可查询、可快照的结构化数据，便于调试与复盘。
它解决什么问题？
• 可审计：每一次文件操作、工具调用、状态变更都会写入同一个 SQLite 数据库，可直接用 SQL 追踪“发生了什么”。
• 可复现：一个
• 可迁移：所有内容都封装在单个 SQLite 文件里，易于移动、备份，甚至纳入版本管理。
包含哪些组件？
• SDK：TypeScript / Python / Rust（程序化访问文件系统、KV、工具调用记录）。
• CLI：初始化与管理 AgentFS；在 Linux 用 FUSE、macOS 用 NFS 挂载到本机目录；也可在沙箱里把它挂载到
• 规范：提供基于 SQLite 的 Agent 文件系统规格（SPEC）。
使用提醒
• 官方标注为 ALPHA 阶段：更适合开发、测试与实验环境，关键数据请谨慎上生产。
原链接：https://github.com/tursodatabase/agentfs
#AI代理 #文件系统 #SQLite #可审计 #开发工具
AgentFS 是 Turso 团队开源的 面向 AI Agent 的文件系统：不仅能像传统文件系统一样读写文件/目录，还把 Agent 的状态与行为记录成可查询、可快照的结构化数据，便于调试与复盘。
它解决什么问题？
• 可审计：每一次文件操作、工具调用、状态变更都会写入同一个 SQLite 数据库，可直接用 SQL 追踪“发生了什么”。
• 可复现：一个
.db 文件就是完整运行态，支持复制/快照/回滚，用来复现某次执行或做 what-if 实验。• 可迁移：所有内容都封装在单个 SQLite 文件里，易于移动、备份，甚至纳入版本管理。
包含哪些组件？
• SDK：TypeScript / Python / Rust（程序化访问文件系统、KV、工具调用记录）。
• CLI：初始化与管理 AgentFS；在 Linux 用 FUSE、macOS 用 NFS 挂载到本机目录；也可在沙箱里把它挂载到
/agent。• 规范：提供基于 SQLite 的 Agent 文件系统规格（SPEC）。
使用提醒
• 官方标注为 ALPHA 阶段：更适合开发、测试与实验环境，关键数据请谨慎上生产。
原链接：https://github.com/tursodatabase/agentfs
#AI代理 #文件系统 #SQLite #可审计 #开发工具
GitHub
GitHub - tursodatabase/agentfs: The filesystem for agents.
The filesystem for agents. Contribute to tursodatabase/agentfs development by creating an account on GitHub.
CoreSpeed：为 AI Agent 打造的容器运行时基础设施
CoreSpeed 主打把「Agent 运行」这件事做成开箱即用的基础设施：你可以像部署普通容器一样部署 AI Agent，并获得更快启动、更强隔离和更易扩展的体验。
它解决的核心问题：把 Agent 从 Demo 变成可上线的系统。
关键能力一览
• 127ms 级别快速启动：通过内置 Warm Pool，让容器接近“秒开/毫秒开”，减少冷启动等待。
• 按用户隔离的安全沙箱：一人一容器，降低数据串扰与安全风险。
• 无限水平扩展 + 可缩到 0：按需分配资源，空闲可降到零成本运行。
• AI & MCP Gateway：统一接入 AI 模型与 MCP Server，提供可观测性与安全防护（例如减少 API Key 泄露风险），并支持按调用计费。
配套：Zypher（TypeScript Agent Runtime）
同时他们提供 Zypher SDK，强调：
• 不是固定工作流，而是「真 Agent」的反应式循环
• 模型/供应商无关（Claude、GPT 等）
• 多 Agent 协作架构
• 丰富工具与 MCP 协议支持
• 更节省 Token 的上下文加载与执行策略
原文链接：https://www.corespeed.io/
#AI代理 #容器基础设施 #MCP #AgentRuntime #开发者工具
CoreSpeed 主打把「Agent 运行」这件事做成开箱即用的基础设施：你可以像部署普通容器一样部署 AI Agent，并获得更快启动、更强隔离和更易扩展的体验。
它解决的核心问题：把 Agent 从 Demo 变成可上线的系统。
关键能力一览
• 127ms 级别快速启动：通过内置 Warm Pool，让容器接近“秒开/毫秒开”，减少冷启动等待。
• 按用户隔离的安全沙箱：一人一容器，降低数据串扰与安全风险。
• 无限水平扩展 + 可缩到 0：按需分配资源，空闲可降到零成本运行。
• AI & MCP Gateway：统一接入 AI 模型与 MCP Server，提供可观测性与安全防护（例如减少 API Key 泄露风险），并支持按调用计费。
配套：Zypher（TypeScript Agent Runtime）
同时他们提供 Zypher SDK，强调：
• 不是固定工作流，而是「真 Agent」的反应式循环
• 模型/供应商无关（Claude、GPT 等）
• 多 Agent 协作架构
• 丰富工具与 MCP 协议支持
• 更节省 Token 的上下文加载与执行策略
原文链接：https://www.corespeed.io/
#AI代理 #容器基础设施 #MCP #AgentRuntime #开发者工具
Amp 宣布下线 Amp Tab：Tab 补全时代正在退场
Amp 团队宣布将移除 Amp Tab（内联 Tab 补全功能），理由很直接：这不再符合他们看到的未来。
他们的判断基于一个变化——AI 写代码的占比正在迅速上升：
• 一年前，代码大多还是人手写
• 2025 年 6 月发布 Amp Tab 时，Amp 已经在写大部分代码
• 现在，Amp 负责了他们 90% 的交付代码
Amp 认为，Tab 补全与传统补全引擎来自“人写为主、AI 辅助”的时代；但这个时代正在结束。越来越多用户的工作方式变成：几天不打开编辑器，也能持续交付代码。瓶颈不再是“写得快不快”，而是“把代码产出、落地得快不快”。
因此，Amp 将把资源投入到“后补全时代”的方向：默认由智能体（agents）完成大部分编码工作，而不是在输入时做局部补全。
时间安排：
• Amp Tab 将继续可用至 2026 年 1 月底
• 之后如果仍需要内联补全，可考虑：Cursor / GitHub Copilot / Zed
原文链接：https://ampcode.com/news/tab-tab-dead
#AI编程 #代码补全 #开发者工具 #智能体 #Amp
Amp 团队宣布将移除 Amp Tab（内联 Tab 补全功能），理由很直接：这不再符合他们看到的未来。
他们的判断基于一个变化——AI 写代码的占比正在迅速上升：
• 一年前，代码大多还是人手写
• 2025 年 6 月发布 Amp Tab 时，Amp 已经在写大部分代码
• 现在，Amp 负责了他们 90% 的交付代码
Amp 认为，Tab 补全与传统补全引擎来自“人写为主、AI 辅助”的时代；但这个时代正在结束。越来越多用户的工作方式变成：几天不打开编辑器，也能持续交付代码。瓶颈不再是“写得快不快”，而是“把代码产出、落地得快不快”。
因此，Amp 将把资源投入到“后补全时代”的方向：默认由智能体（agents）完成大部分编码工作，而不是在输入时做局部补全。
时间安排：
• Amp Tab 将继续可用至 2026 年 1 月底
• 之后如果仍需要内联补全，可考虑：Cursor / GitHub Copilot / Zed
原文链接：https://ampcode.com/news/tab-tab-dead
#AI编程 #代码补全 #开发者工具 #智能体 #Amp
Ampcode
Tab, Tab, Dead
We're removing Amp Tab. It is not part of the future we see.
以“推理速度”交付：AI 编程把瓶颈从写代码变成了等模型
这篇文章的核心观点很直接：AI 编程代理的能力跃迁后，作者交付软件的速度越来越不取决于“敲代码”，而更受限于两件事——模型推理时间（inference time）和少数真正需要深度思考的设计决策。
作者回顾了今年的变化：从最初“有些提示能一次跑通就很惊喜”，到现在“默认就该一次跑通”。在这种前提下，他甚至不再逐行读代码，而是看执行/修改流，关注系统结构是否合理、关键组件在哪里、整体是否按预期运转。
文章也给了不少可复用的工作方法：
• 先从 CLI 做起：任何产品先做命令行版本，方便代理直接运行验证，形成闭环；核心逻辑稳了再上 UI（比如扩展、App）。
• 关键决策是生态与依赖：语言/框架/依赖选对了，代理更容易一次完成；作者常用 TypeScript（Web）、Go（CLI）、Swift（macOS/iOS）。
• 更偏向“对话式协作”，而不是复杂流程：先和模型聊清楚、让它探索代码、共创方案，满意后再让它开干；他认为“Plan mode”更像旧时代不得已的手段。
• 对比 codex 与 Opus：codex 常会先长时间读代码再动手，虽然更慢但更稳，尤其适合大型功能和重构；Opus 更“急”，适合小改动但更容易漏上下文。
• 迭代式构建，不依赖回滚：不喜欢 checkpoint/频繁 revert，更多是让模型继续改、继续朝更好的方向“绕山而上”。
• 自动化与多项目并行：同时推进多个项目，用队列把想法排进去；瓶颈往往是人而不是编排系统。
• 配置思路：提高工具输出 token 上限、合理设置自动压缩阈值，让模型能一次读更多文件；作者强调新压缩机制更可靠，甚至像一次“复查”。
如果用一句话总结：当“写代码”越来越像可并行外包给代理的体力活，工程师的价值更集中在选型、架构、数据流、约束定义与验收标准上；而真正影响交付速度的，往往是推理等待时间和你是否想清楚要做什么。
原链接：https://steipete.me/posts/2025/shipping-at-inference-speed
#AI编程 #Codex #开发工作流 #效率工具 #软件工程
这篇文章的核心观点很直接：AI 编程代理的能力跃迁后，作者交付软件的速度越来越不取决于“敲代码”，而更受限于两件事——模型推理时间（inference time）和少数真正需要深度思考的设计决策。
作者回顾了今年的变化：从最初“有些提示能一次跑通就很惊喜”，到现在“默认就该一次跑通”。在这种前提下，他甚至不再逐行读代码，而是看执行/修改流，关注系统结构是否合理、关键组件在哪里、整体是否按预期运转。
文章也给了不少可复用的工作方法：
• 先从 CLI 做起：任何产品先做命令行版本，方便代理直接运行验证，形成闭环；核心逻辑稳了再上 UI（比如扩展、App）。
• 关键决策是生态与依赖：语言/框架/依赖选对了，代理更容易一次完成；作者常用 TypeScript（Web）、Go（CLI）、Swift（macOS/iOS）。
• 更偏向“对话式协作”，而不是复杂流程：先和模型聊清楚、让它探索代码、共创方案，满意后再让它开干；他认为“Plan mode”更像旧时代不得已的手段。
• 对比 codex 与 Opus：codex 常会先长时间读代码再动手，虽然更慢但更稳，尤其适合大型功能和重构；Opus 更“急”，适合小改动但更容易漏上下文。
• 迭代式构建，不依赖回滚：不喜欢 checkpoint/频繁 revert，更多是让模型继续改、继续朝更好的方向“绕山而上”。
• 自动化与多项目并行：同时推进多个项目，用队列把想法排进去；瓶颈往往是人而不是编排系统。
• 配置思路：提高工具输出 token 上限、合理设置自动压缩阈值，让模型能一次读更多文件；作者强调新压缩机制更可靠，甚至像一次“复查”。
如果用一句话总结：当“写代码”越来越像可并行外包给代理的体力活，工程师的价值更集中在选型、架构、数据流、约束定义与验收标准上；而真正影响交付速度的，往往是推理等待时间和你是否想清楚要做什么。
原链接：https://steipete.me/posts/2025/shipping-at-inference-speed
#AI编程 #Codex #开发工作流 #效率工具 #软件工程
steipete.me
Shipping at Inference-Speed | Peter Steinberger
Why I stopped reading code and started watching it stream by.
