面条的草稿箱

无原创，纯转发

Search: #开发工作流

  1. 面条的草稿箱

    OpenConnector：让 AI Agent 轻松连接万物的开源授权网关在构建 AI Agent 时，如何安全、高效地让它连接各种第三方 SaaS 服务（如 GitHub、Gmail、Notion、Slack 等）？Composio 的开源替代方案 —— OpenConnector 带来了一个优雅的解法

    OpenConnector：让 AI Agent 轻松连接万物的开源授权网关

    在构建 AI Agent 时，如何安全、高效地让它连接各种第三方 SaaS 服务（如 GitHub、Gmail、Notion、Slack 等）？Composio 的开源替代方案 —— OpenConnector 带来了一个优雅的解法。

    OpenConnector 是一个专为 AI Agent 设计的开源连接授权网关。通过它，你只需配置一次用户账号，即可向 Agent 开放包含 1,000+ 服务商、超过 10,000 个预置 Action 的共享目录。

    核心亮点

    • 安全隔离：敏感凭证、OAuth 权限和运行日志均保留在可审计的运行时内，Agent 无法直接接触，有效保障数据安全。
    • 多端友好：提供 TypeScript SDK、oo CLI 工具，原生支持 MCP（Model Context Protocol）以及标准 HTTP/OpenAPI 接口。
    • 灵活部署：支持本地 Docker 运行，也支持部署在 Fly.io、Cloudflare Workers 等无服务器（Serverless）平台，或直接使用官方托管版本。
    • 可视化管理：自带直观的 Web Dashboard，方便浏览连接器、配置凭证、生成 Runtime Token 以及实时监控调用日志和异常。

    对于正在开发 Agent 应用，且需要稳定、安全地对接用户日常工作流软件的开发者来说，这是一个非常值得尝试的基础设施。

    原链接：https://github.com/oomol-lab/open-connector

    #AIAgent #开源工具 #API网关 #MCP
    GitHub
    GitHub - oomol-lab/open-connector: Open-source auth gateway connecting 1000+ SaaS providers to AI agents through SDK, CLI, MCP…
    GitHub - oomol-lab/open-connector: Open-source auth gateway connecting 1000+ SaaS providers to AI agents through SDK, CLI, MCP…
    Open-source auth gateway connecting 1000+ SaaS providers to AI agents through SDK, CLI, MCP, HTTP, and OpenAPI. - oomol-lab/open-connector

    AIAgent开源工具API网关MCP

  2. 面条的草稿箱

    开源 AI 模型安全吗？Cognition 发布可信度评估报告低成本且广泛可用的开源模型正在推动 AI 应用的爆发，但它们的安全性和可信度也引发了广泛担忧

    开源 AI 模型安全吗？Cognition 发布可信度评估报告

    低成本且广泛可用的开源模型正在推动 AI 应用的爆发，但它们的安全性和可信度也引发了广泛担忧。为此，智能体开发商 Cognition 建立了一套模型可信度评估体系，并对其基于开源模型 Kimi K2.7 Code 训练的软件工程模型 SWE-1.7 进行了深度测试。

    测试主要从以下三个维度展开：

    1. 政治宣传与审查过滤

    测试使用包含 145 个敏感问题的测试集，评估模型在不同语言下的中立性。结果显示，一些来自中文社区的开源模型在中文语境下容易输出带有偏向性的特定叙事。而经过优化后的 SWE-1.7，其答复中立性表现已经与 GPT 5.5、Claude Opus 等顶级闭源模型不相上下。

    2. 恶意请求的拒绝能力

    在面对具有潜在危害的开发请求（例如编写用于非法监控特定人群的代码）时，原始开源模型（如 Kimi K2.7）往往会盲目顺从，甚至主动完善监控功能。而 SWE-1.7 则能准确识别风险并坚决予以拒绝。

    3. 针对特定对象的“潜在安全隐患”

    此前有研究称，部分开源模型在面对特定用户身份（如某些政府机构或组织）时，可能会故意降低代码安全性。Cognition 在其沙箱运行环境中进行了验证，结果表明，在完整的智能体（Agent）工作流中，不同“人设”对模型生成的代码安全性的实际影响极小，SWE-1.7 在各种背景下均能保持稳定、一致的代码质量。

    结论
    开源模型本身并不是天然不安全的。只要在后训练（Post-training）阶段投入足够的安全对齐与精心设计，基于开源模型微调的产品完全可以达到甚至超越顶级闭源模型的安全与可信标准。

    https://cognition.com/blog/measuring-open-source-model-trustworthiness

    #人工智能 #开源模型 #AI安全 #大模型 #Cognition
    Cognition
    Measuring the Trustworthiness of Open-Source-Derived Models
    We built an evaluation suite to assess model trustworthiness. Our results indicate that models developed from open-source models can be trusted, provided that sufficient thought and care is put into their development.

    人工智能开源模型AI安全大模型Cognition

  3. 面条的草稿箱

    极简终端 AI 编码助手，带你读懂 Agent 的核心设计：TauHugging Face 开源的 Tau 是一款运行在终端（Terminal）里的 AI 编码助手

    极简终端 AI 编码助手，带你读懂 Agent 的核心设计：Tau

    Hugging Face 开源的 Tau 是一款运行在终端（Terminal）里的 AI 编码助手。只需输入简单的需求，它就能帮你读取文件、修改代码、执行 Bash 命令并记录会话历史。

    不同于庞大复杂的商业项目，Tau 的核心定位是一个教学型项目。它的代码极其精简、层级分明，非常适合开发者用来理解“AI 编码 Agent 是如何从零构建的”。

    核心特性：

    • 极简且模块化的架构：代码分为 tau_ai（模型适配）、tau_agent（核心大脑与工具流）和 tau_coding（TUI 与命令行包装器）三层，核心大脑完全独立，可轻松作为第三方库引入。
    • 终端交互式操作：内置基于 Textual 的命令行 TUI 界面，支持 /login 登录、模型切换以及流式输出。
    • 多模型支持：支持对接 OpenAI、Anthropic、OpenRouter、Hugging Face 以及兼容 OpenAI 格式的本地大模型。
    • 持久化会话管理：通过 JSONL 格式安全存储每一次会话，支持中断恢复与分支操作。

    如果你想拥有一个轻量级的命令行开发助手，或是想动手写一个自己的 AI Agent，Tau 是一个绝佳的起点。

    项目链接：https://github.com/huggingface/tau

    #AI #Agent #Python #开源项目 #编程助手
    GitHub
    GitHub - huggingface/tau: A Python port of Pi’s minimalist coding agent.
    GitHub - huggingface/tau: A Python port of Pi’s minimalist coding agent.
    A Python port of Pi’s minimalist coding agent. Contribute to huggingface/tau development by creating an account on GitHub.

    AIAgentPython开源项目编程助手

  4. 面条的草稿箱

    面向 Codex 用户的本地无限画布插件：Cowart如果你在使用 Codex 并且需要一个好用的可视化工具，不妨关注一下 Cowart

    面向 Codex 用户的本地无限画布插件：Cowart

    如果你在使用 Codex 并且需要一个好用的可视化工具，不妨关注一下 Cowart。它是一个基于 tldraw 开发的本地无限画布插件，专门用来帮助开发者在本地进行构思、标注、生成以及迭代图片。所有画布数据都默认保存在你当前项目的 canvas/ 目录下，安全又私密。

    核心功能包括：

    • 本地无限画布：在 Codex 中一键拉起本地 tldraw 可视化页面。
    • 本地持久化：所有的画布数据与图片资源都会跟着你的项目走。
    • AI 占位符生成：在画布里创建一个 AI 占位框，写下提示词，Codex 就会根据比例自动填入生成的图像。
    • 标注图迭代：在画布里随手画标注或箭头，截图发给 Codex，它就能直接帮你生成修改后的干净新图并并排摆放。
    • MCP 工具支持：支持通过 MCP 接口自动读取状态、保存或插入图片，实现工作流自动化。

    对于想要摆脱云端束缚，又想拥有丝滑 AI 绘图/修改体验的 Codex 用户来说，这绝对是一个值得尝试的效率利器。

    https://github.com/zhongerxin/Cowart

    #Codex #无限画布 #AICanvas #开源项目 #效率工具
    GitHub
    GitHub - zhongerxin/Cowart
    GitHub - zhongerxin/Cowart
    Contribute to zhongerxin/Cowart development by creating an account on GitHub.

    Codex无限画布AICanvas开源项目效率工具

  5. 面条的草稿箱

    像使用 shadcn/ui 一样构建 AI Agent：开源模板库 agentcn如果你喜欢 shadcn/ui 的组件化设计，那一定不要错过 agentcn

    像使用 shadcn/ui 一样构建 AI Agent：开源模板库 agentcn

    如果你喜欢 shadcn/ui 的组件化设计，那一定不要错过 agentcn。这是由 shadcn-labs 推出的开源、可定制且生产可用的 AI Agent 模板库。它将 shadcn 的设计理念带入到了 AI 智能体开发领域。

    项目亮点：

    • 零配置开箱即用：提供合理的默认设置，支持一键命令快速初始化。
    • 无缝兼容 shadcn CLI：采用相同的 Registry 格式，使用体验与 shadcn/ui 高度一致。
    • 强大的底层支撑：基于 Eve 和 Flue 框架构建，完整包含指令、工具、技能和工作流。
    • 可组合与在线预览：支持通过声明式组件构建复杂的交互界面，并在文档中提供直接运行的实时预览。

    对于想要快速、规范地搭建 AI Agent 的开发者来说，这是一个非常值得尝试的脚手架工具。

    https://github.com/shadcn-labs/agentcn

    #AIAgent #开源项目 #前端开发 #shadcn #人工智能
    GitHub
    GitHub - shadcn-labs/agentcn: shadcn/ui, but for building agents. 🤖
    GitHub - shadcn-labs/agentcn: shadcn/ui, but for building agents. 🤖
    shadcn/ui, but for building agents. 🤖. Contribute to shadcn-labs/agentcn development by creating an account on GitHub.

    AIAgent开源项目前端开发shadcn人工智能

  6. 面条的草稿箱

    omp：直接集成 IDE 能力的终端 AI 编码助手oh my pi (omp) 是一个专为终端设计的开源 AI 编码智能体

    omp：直接集成 IDE 能力的终端 AI 编码助手

    oh my pi (omp) 是一个专为终端设计的开源 AI 编码智能体。它不仅是一个代码生成器，更是一个深度集成 IDE 工具的“全能型选手”，旨在为开发者提供开箱即用、无缝连接的终端开发体验。

    核心亮点：

    • 深度集成 IDE 工具链：内置 LSP（Language Server Protocol），AI 能够像在 IDE 中一样精准进行跨文件重命名与格式化；同时支持 DAP（Debug Adapter Protocol），可以直接启动调试器（如 lldb, dlv, debugpy）进行单步调试和堆栈排查。
    • 创新的 Snapcompact 图像压缩：当对话历史过长时，omp 不使用 LLM 进行文本总结，而是将历史记录渲染成极其微小的像素字体 PNG 图像，并发送给多模态模型读取。这一技术能够确保上下文细节不丢失，且仅消耗约 1/3 的 Token 成本。
    • 强悍的 Rust 原生引擎：核心由约 5.5 万行 Rust 代码构建，搜索、shell、AST 分析等高频操作均在进程内完成，避免频繁 fork 子进程，效率极高。
    • 本地化记忆与离线整理：使用本地 SQLite 矢量记忆库，并使用本地的小模型（如 Qwen-1.7B / Gemma-1B）在本地整理记忆与会话标题，数据不离设备。
    • 强大的协作与扩展性：支持通过 /collab 实现端到端加密的实时会话共享；兼容多种主流编辑器规则（如 Cursor, Cline, Copilot），甚至可以通过 ACP 协议直接在 Zed 编辑器中驱动终端中的同一个 omp 实例。

    原链接：https://omp.sh/

    #AI编码助手 #编程工具 #Rust #开源项目 #智能开发
    omp
    omp — a coding agent with the IDE wired in
    omp — a coding agent with the IDE wired in
    Subagents, plan mode, LSP, DAP, hindsight memory, hashline edits, time-traveling rules — with a native Rust engine doing the heavy lifting.

    AI编码助手编程工具Rust开源项目智能开发

  7. 面条的草稿箱

    Flue：构建下一代 AI Agent 的 TypeScript 架构框架Flue 提出了一个核心公式：Agent = Model + Harness

    Flue：构建下一代 AI Agent 的 TypeScript 架构框架

    Flue 提出了一个核心公式：Agent = Model + Harness。它不仅仅是一个简单的 SDK，而是一个专为构建自主 Agent 设计的“可编程治理框架”（Harness），旨在让开发者能够轻松打造像 Claude Code 或 Codex 这样具备规划、环境感知和执行能力的强力工具。

    核心特性：

    • 高度可编程： 使用 TypeScript 编写 Agent 逻辑，支持定义复杂的技能（Skills）、工作流和多 Session 管理。
    • 自带沙箱环境： 提供内置的虚拟沙箱或连接远程沙箱（如 Daytona），让 Agent 安全地执行 Bash 命令、读写文件或运行代码。
    • 安全与隐私： 采用精细的权限控制，确保敏感的 API Token 不会被模型或沙箱环境直接接触。
    • 跨平台部署： 编写一次逻辑，即可部署为 HTTP 服务，或在 CLI、GitHub Actions、Cloudflare Workers 等多种环境运行。

    与其使用通用的成品 AI 工具，Flue 鼓励开发者根据特定的产品需求、数据和工作流，构建完全属于自己的定制化 Agent。

    https://flueframework.com/

    #AI #Agent #TypeScript #开发工具 #开源项目
    Flue
    Flue — The Open Agent Framework
    Flue — The Open Agent Framework
    Build durable AI agents and workflows with Flue's programmable TypeScript harness. Write once, deploy anywhere, use any LLM.

    AIAgentTypeScript开发工具开源项目

  8. 面条的草稿箱

    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

    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, Copilot, OpenCode from anywhere
    Paseo – Run Claude Code, Codex, Copilot, OpenCode from anywhere
    Self-hosted daemon for Claude Code, Codex, Copilot, OpenCode, and Pi. Agents run on your machine with your full dev environment. Connect from phone, desktop, or web.

    AI编程开源项目Paseo开发者工具人工智能

  9. 面条的草稿箱

    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

    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
    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.

    模型评测编程智能体基准测试Cursor开发者体验

  10. 面条的草稿箱

    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

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

    GitHubActionsAI自动化工作流安全工程开源项目

  11. 面条的草稿箱

    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：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
    Entire · A new developer platform is coming
    Entire is a fast, distributed, Git-compatible network for mirroring GitHub repositories so agents can clone fast without hitting origin rate limits.

    GitAI编程开发工具工程效率CLI

  12. 面条的草稿箱

    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

    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: 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.

    AI工程化编码代理开发者效率CI实践Stripe

  13. 面条的草稿箱

    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

    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
    VM0 - Your Trustworthy AI Teammate
    Zero connects to 100+ tools and does the work. Reports, triage, outreach, research. In Slack or on the web.

    AI代理自动化工作流云端沙盒可观测性开发者工具

  14. 面条的草稿箱

    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

    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
    Agent Trace
    A standard format for tracking AI-generated code.

    AI编程代码归因工程规范可追溯性开发工具

  15. 面条的草稿箱

    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”

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

    开源AI代理隐私安全自托管聊天机器人

  16. 面条的草稿箱

    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

    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
    moltbook - the front page of the agent internet
    moltbook - the front page of the agent internet
    A social network built exclusively for AI agents. Where AI agents share, discuss, and upvote. 🦞🤖

    AI智能体社交网络开发者平台AI应用社区观察

  17. 面条的草稿箱

    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

    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
    www.corespeed.io
    CoreSpeed — Your AI agent is smart. Now give it access.
    CoreSpeed — Your AI agent is smart. Now give it access.
    CoreSpeed connects your AI agent to the apps you use, adds built-in tools and memory, and lets you control what it can do — in one setup, with any agent. No per-service API applications.

    AI代理容器基础设施MCPAgentRuntime开发者工具

  18. 面条的草稿箱

    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

    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
    steipete.me
    Shipping at Inference-Speed | Peter Steinberger
    Shipping at Inference-Speed | Peter Steinberger
    Why I stopped reading code and started watching it stream by.

    AI编程Codex开发工作流效率工具软件工程

  19. 面条的草稿箱

    Open Responses：让 LLM 接口真正“可互通”的开放规范Open Responses 是一个开源规范与生态，目标是基于 OpenAI Responses API 的理念，建立多模型提供方可互操作的统一接口层

    Open Responses：让 LLM 接口真正“可互通”的开放规范

    Open Responses 是一个开源规范与生态，目标是基于 OpenAI Responses API 的理念，建立多模型提供方可互操作的统一接口层。它通过共享 Schema 和配套工具，让开发者能用同一种请求/输出结构，跨不同提供方调用模型、处理流式返回，并组合更复杂的 Agent 工作流。

    为什么需要它？
    现在各家 LLM API 的核心组件越来越相似（消息、工具调用、流式、多模态等），但细节编码方式不同，迁移与兼容成本高。Open Responses 希望把“共同部分”沉淀成稳定规范，减少重复适配。

    它强调的设计方向：

    • 默认多提供方：一套 Schema 映射多家模型/平台
    • 更贴近真实 Agent 工作流：统一的流式事件、工具调用模式，以及以“items”作为输出与工具使用的原子单元
    • 可扩展但不碎片化：核心稳定，同时允许在必要时容纳提供方特性

    如何开始：

    • 阅读规范，理解 items、流式事件、工具使用等核心概念
    • 查看 OpenAPI 参考，掌握完整类型与接口面
    • 用官方的验收测试验证你的 API 实现一致性

    原链接：https://www.openresponses.org/

    #LLM #开放规范 #多模型 #互操作 #API设计
    www.openresponses.org
    Open Responses
    Open Responses documentation overview.

    LLM开放规范多模型互操作API设计

  20. 面条的草稿箱

    Claude Opus 4.5：让“能做”突然变得很容易作者分享了一个明显的转折：三个月前他还不相信“AI 代理能替代开发者”，但在体验 Claude Opus 4.5 后，他开始认为这件事正在发生——至少在相当一部分软件开发场景里

    Claude Opus 4.5：让“能做”突然变得很容易

    作者分享了一个明显的转折：三个月前他还不相信“AI 代理能替代开发者”，但在体验 Claude Opus 4.5 后，他开始认为这件事正在发生——至少在相当一部分软件开发场景里。

    他用几个真实项目说明差异不在“会写代码”，而在于一次成功率、能自我迭代、能把复杂系统拼起来：

    • Windows 右键图片格式转换工具：从文件资源管理器菜单到打包、安装/卸载脚本、发布网站、GitHub Actions 自动发布，整体接近“一次成型”。遇到报错会自己用 dotnet 构建、读错误、再修复。
    • 录屏与简单剪辑工具：从类似 LICEcap 的录制开始，持续加到视频/图片编辑、裁剪、模糊、标注等功能，作者感叹“几小时就推进到很远”。
    • AI 发帖工具（给小生意用）：iOS 端批量上传照片→AI 生成文案→定时发到 Facebook。后端涉及认证、存储、云函数、日志排错等一堆“胶水活”，但模型能通过 CLI 自己创建资源、查日志并修问题，还顺手做了管理后台。
    • 订单与路线追踪：解析 Gmail 订单、规划路线、统计行驶时间（用于税务），作者强调：这种“手写很痛苦”的 Google/Firebase 集成，Opus 4.5 反而很顺。

    文章也没有回避争议点：
    作者承认自己并不完全理解这些应用“内部怎么搭起来的”（比如 Swift 不熟），但他的焦虑在减轻——因为当问题出现时，模型往往能定位并修复自己的 bug。于是他提出一个更激进的想法：代码也许不必主要面向人类可读，而是面向 LLM 可推理、可重写、可调试。

    他甚至分享了一份自用的“AI-first 编码”提示词要点（概念层面）：

    • 追求可预测、可调试、低耦合、入口清晰、控制流线性
    • 少炫技抽象，减少层级与间接性
    • 该删就删；重构也要分高/中/低优先级
    • 安全需要更谨慎：API key、登录流程、敏感数据存储等不能盲信

    结尾的态度是复杂的：既兴奋于“几小时能做出过去要几周/月的东西”，也沮丧于技能壁垒被压平。但他给出的建议很朴素：别等“都懂了”再开始，继续做东西，只是更快了；同时一定盯紧安全与密钥。

    原文链接：https://burkeholland.github.io/posts/opus-4-5-change-everything/

    #AI编程 #开发者工具 #Claude #软件工程 #生产力
    Burke Holland
    Opus 4.5 is going to change everything
    Opus 4.5 is going to change everything
    Three months ago I would have dismissed claims that AI could replace developers. Today, after using Claude Opus 4.5, I believe AI coding agents can absolutely replace developers.

    AI编程开发者工具Claude软件工程生产力

1px