搜索归档

Hanjeok Agent：可追溯的旅行指南智能体

hyunolike/hanjeok-agent · A travel guide agent for Hanjeok: ask where it's crowded, watch each lookup, and get an answer that cites only what it fetched. LangGraph, Neo4j GraphRAG, MCP.

Hanjeok Agent 是面向 Hanjeok 旅行服务的智能体，用于回答“某地某日是否拥挤”这类问题。它先用规则解析问题中的地点与日期，再通过受校验的查询步骤在 Neo4j 知识图谱与 Hanjeok 只读接口中检索，并在界面上逐步展示每次查询。最终答案只允许引用本次问题实际获取到的记录或政策文档，经由引用校验后才展示；答案与替代地点排序均沿用 Hanjeok 服务的原始排序，模型不自行排序。项目还提供路径可视化、两种检索策略的对比评测页面，以及通过 MCP 暴露的只读工具。

小程序开发工程技能套件：面向 Agent 的小程序工程流程与证据优先开发规范

NocodeMrLi/mini-program-engineering-skill-suite · Mini Program Engineering Skill Suite is an Agent Skill suite for evidence‑first mini‑program development. It helps agents bring WeChat or other mini‑program projects from vague intent to reliable engineering work: project intake, product specification, architecture, implementation, UI & device adaptation, debugging, verification, release readiness.

该项目是一套面向 Agent 的小程序工程技能套件，将微信、支付宝、抖音小程序从需求澄清、产品规格、架构设计、实现、UI 与机型适配、调试、验证到上线就绪的流程拆解为可执行技能，强调状态须由匹配证据支撑。套件包含三平台规则事实层与规则漂移检测、分层评测与签名发布门禁、包完整性校验，并可从 Releases 下载后通过 install.sh 安装到 Codex、Claude Code、Cursor 等支持 Skill 的 Agent 应用。

skills：面向 Claude Code 与 Codex 的个人 Agent 技能库与技能管理工具

kausthubh-coder/skills · My agent skill library: global skills for Claude Code and Codex, with sources and a catalog of upstream skills

这是一个个人 Agent 技能库，把全局技能通过链接方式接入 Claude Code 和 Codex（含 CLI、应用以及经由 T3 Code），并附带项目起步用的基础 AGENTS.md。仓库提供 link.mjs 脚本来链接技能、清理已删除技能并同步全局技能清单，upstream.mjs 用于检查上游仓库中已采用技能的变化；sources.json 记录每个引入技能的来源、许可证、上游提交与本地改动，CATALOG.md 汇总考察过的技能及结论，dashboard/ 是基于 Claude Code、Codex 与 T3 使用历史的技能仪表盘。此外还包含 init-project、optimize、create-project-flows、my-skills、audit-skills 等技能，用于新项目初始化、既有项目的 agent-native 优化、项目流程技能生成和技能库的增删改。

Class-AI-Agent：基于 Claude 的规则化智能体工作流构建工具

harishu652/Class-AI-Agent · Build production-ready AI agent configs for Claude Code with structured workflows, special agents, and clear rules

Class-AI-Agent 是一个面向 Windows 的应用，用于以结构化方式运行基于 Claude 的 AI 智能体任务。它支持基于规则的流程编排、技能（skill）管理与复用、模块化的 JS/TS 项目结构，便于搭建可重复执行的本地 AI 工作流并按步骤组织智能体行为。

llmcouncil：多 LLM 并行投票、辩论、综合与验证工具

Wholeheartednesssierra488/llmcouncil · Coordinate multiple LLMs in parallel for voting, debate, synthesis, critique, red teaming, and verification via MCP and Claude Code

llmcouncil 是一个面向 Windows 的多模型协作工具，可让 GPT-5、Gemini 2.5、Claude 等多个模型在同一任务上进行投票、辩论、批判与综合，从而形成最终答案。它支持与 Claude Code 及 MCP 集成，适用于写作编辑、代码审查、研究总结、方案对比、事实核查等需要多模型交叉验证的场景。

Syntropic137：面向 Claude Code 与 Codex 的自托管多智能体工作流编排平台

syntropic137/syntropic137 · Agent work that compounds. Turn Claude Code and Codex into repeatable workflows: GitHub-triggered, fully observable, every run scored with evals. Open source and self-hosted.

Syntropic137 是一个自托管的智能体工程平台，用于把 Claude Code 和 Codex 组织成可重复的工作流：每个阶段可独立选择 harness 与模型，在隔离的 Docker 工作区中执行，并将每次工具调用、token、成本、对话与产物永久写入可查询的事件存储。它提供 GitHub 原生触发（自愈 CI、PR 驱动流程、评论自动响应）、工作流市场、阶段间产物流水线与跨模型委派，并支持通过 CLI（syn）管理、运行和观察执行。

Agent Development Kit (ADK)：用 Python 构建、评估与部署 AI Agent 的代码优先框架

google/adk-python · An open-source, code-first Python toolkit for building, evaluating, and deploying sophisticated AI agents with flexibility and control.

Agent Development Kit（ADK）是 Google 开源、代码优先的 Python 框架，用于以软件工程方式构建、评估和部署 AI Agent。它提供基于图的 Workflow 运行时（支持路由、扇出/扇入、循环、重试、状态管理、动态节点、人在环路和嵌套工作流）、结构化任务 API（多轮任务模式与单轮受控输出）、模块化多 Agent 组合、丰富的工具生态（预置工具、自定义函数、OpenAPI 规范、MCP 工具）、工具确认流程（HITL），并支持容器化部署到 Cloud Run 或 Vertex AI Agent Engine。框架针对 Gemini 优化，但模型无关、部署无关，也可通过 Agent Config 免代码构建 Agent，并配有开发 UI 用于测试、评估与调试。

deepagentsjs：开箱即用的 TypeScript 智能体框架

langchain-ai/deepagentsjs · The batteries included agent harness.

Deep Agents 是一个内置完整能力的智能体框架（agent harness），以 TypeScript 包 deepagents 形式发布。它把提示词、工具与上下文管理预先封装好，安装后即可运行一个可用的智能体，并按需定制。内置能力包括：用 write_todos 做任务拆解与进度跟踪的规划能力；read_file、write_file、edit_file、ls、glob、grep 等文件系统工具作为工作记忆；通过 task 派发子智能体以隔离上下文窗口；以及让这些工具开箱可用的默认提示词与中间件。框架与模型供应商无关，可配合支持工具调用的聊天模型使用；createDeepAgent 返回编译好的 LangGraph 图，因此可用流式、Studio、checkpointer 等 LangGraph 特性。支持通过传入 model、tools、systemPrompt 进行定制，并提供 deepagents、deepagents/browser、deepagents/node 等运行时入口。

Deep Agents：开箱即用的 Agent 运行框架（harness）

langchain-ai/deepagents · The batteries-included agent harness.

Deep Agents 是 LangChain 团队开源的一套「电池内置」型 Agent 运行框架（harness），提供开箱即用的智能体实现，同时允许对任意组件进行扩展、覆盖或替换。其设计面向长周期、多步骤任务，支持任何具备工具调用能力的模型（前沿闭源、开放权重或本地模型均可），并基于 LangGraph 构建，具备流式输出、持久化与检查点等能力，可通过 LangSmith 进行追踪、评测与部署。核心特性包括子智能体（隔离上下文窗口的任务委派）、文件系统读写编辑与搜索（可插拔本地/沙箱/远程后端）、上下文管理（长对话摘要、工具输出落盘）、Shell 访问、持久记忆、人工介入（工具调用前审批/编辑/拒绝）、按需加载的技能（Skills）以及自带函数或任意 MCP 服务器的工具集成。项目还提供 JS/TS 版本 deepagents.js 以及终端编码智能体 Deep Agents Code。

Agent Protocol：面向生产环境的 LLM Agent 框架无关 API 规范

langchain-ai/agent-protocol

Agent Protocol 是 LangChain 团队提出的规范，用于定义在生产环境中以框架无关方式对外提供 LLM Agent 服务所需的 API。规范围绕三类核心概念展开：Runs（执行 Agent 的接口，含无状态一次性运行 /runs/wait 与 /runs/stream）、Threads（组织多轮交互，支持持久化状态、历史版本、并发控制与 CRUD）、Store（长期记忆，支持命名空间、键值与搜索）。此外还定义了 Agent 自省接口、Message 消息规范以及面向线程的流式协议（SSE / WebSocket、命令、回放、工具生命周期事件等），并附有 OpenAPI 文档、JSON 规范、Python 服务端桩代码以及若干 Hurl 编写的使用旅程示例。

Workday 走向无头化，向外部 AI 智能体开放 HR 与财务数据

Workday 把自己的 HR 和财务数据平台「无头化」——简单说，就是不再只靠自家网页界面来用，而是开放接口给外部程序。以前开发者想接这些数据，常把数据复制到数据湖或用系统账号，结果绕过了权限检查，智能体可能看到不该看的信息、做不该做的操作。现在通过官方的 MCP 服务器、SQL 直查和共享运行时，智能体能以用户本人的身份运行，只能看到、操作该用户有权处理的内容。对开发者来说，可以在 Claude Code、Cursor 等工具里构建自己的 HR 和财务智能体；对企业来说，智能体仍受 Workday 的权限和审计约束。

Agent 干了活，审计日志却说不出是谁下的指令

CloudBolt 的首席客户官 Shawn Petty 和售前工程总监 Mike Bombard 在一次网络研讨会上，分享了他们对客户和潜在客户环境的检查结果：超过 20% 与 MCP 相关的访问策略要么失效要么缺失，多数情况下 MCP 服务器跑在某个人的私人令牌上，而不是服务账号。这带来的麻烦是出事后审计日志查不清责任：私人令牌会把某个工程师的名字写进日志，共享服务账号则只留下账号名，两种都说不准到底是谁下的指令、谁批准了这次访问。他们演示的做法是把 Agent 的活动对接到企业已有的身份提供商，限制 Agent 能碰哪些资源，再读出可追溯的审计记录。对用 Agent 操作云基础设施的团队来说，这提供了一个把 Agent 行为追责到具体人的思路；该研讨会需注册后参加，具体产品能力原文未说明。

受治理的软件工厂：Harness 与 Cosmos

Harness 和 Cosmos 想把软件开发变成一条受管控的“流水线”：Harness 负责把代码变更安全送进生产环境，并在构建、测试、安全和部署等环节留下证据；Cosmos 负责用事件触发并协调各种 AI 代理，按固定流程把规格变成 PR、把告警变成修复。过去企业担心自动化流程不可信、不可控，这次的做法是让代理只在受限制的容器里运行、令牌按次发放、策略不通过就不执行，变更失败还能自动回滚。对读者来说，这意味着未来更多重复性工程工作可由流程化代理完成，人只在关键检查点审批，但目前材料没有说明具体可用时间、价格或独立验证结果。

用 ScaleDown 与 Deep Agents 构建长时间运行的智能体

LangChain 把 ScaleDown 的专用小模型接进了 Deep Agents 和 LangChain 智能体框架里。原来长时间运行的智能体上下文会越堆越满，而用通用大模型去摘要历史、压缩工具结果又慢又贵。现在换成专门做单一任务的 ScaleDown 模型（摘要、压缩、抽取、分类），官方称这些窄任务上比前沿模型快 200 倍、便宜 467 倍，单次最多能读 100 万 token，还能直接处理图片和扫描 PDF。做智能体的开发者可以借此降低每次决策的成本和延迟，也可通过 LangSmith LLM Gateway 追踪调用和用量。

通过 harness 工程改进 Deep Agents

LangChain 给自家的编程智能体 Deep Agents CLI 换了一套围绕模型的“外骨架”（系统提示、工具和中间件），用来引导模型的能力。原来的做法缺少测试和验证，智能体常写完代码、自己看一遍就停下，导致成绩只有 52.8 分，排在 Terminal Bench 2.0 榜单 30 名开外。这次他们加了强制自检清单、注入目录与工具环境信息、以及时间预算提醒，还用追踪数据自动分析失败原因，成绩提升 13.7 分到 66.5 分，进入前五。对读者的意义是：不改模型本身，靠工程化外围设计也能明显提升智能体表现；不过其追踪分析技能尚未发布，仍在测试中。

Deep Agents 的上下文管理机制

LangChain 团队开源的 Deep Agents SDK 是一个帮开发者搭建 AI 智能体的工具包，这类智能体可以自己规划任务、派生子智能体、读写文件，去完成耗时很长的工作。问题是任务一长，对话内容就会超出模型能记住的容量，导致 AI「忘事」、表现变差。为此它用三招省内存：工具返回内容超过 2 万 token 就存到文件系统里，只留一个路径和前 10 行预览；上下文用到 85% 时，把旧的写文件操作替换成文件路径，不再重复占位置；再不够就把整段对话压缩成一份摘要，同时把原始记录完整存进文件系统，需要时再查回来。这样开发者能让 AI 长时间干活而不容易「失忆」。

开源模型已跨过临界点

LangChain 团队用 Deep Agents 测试框架跑了一批开放权重模型，发现 GLM-5 和 MiniMax M2.7 在文件操作、工具调用、指令遵循这些智能体核心任务上，已经和 Claude Opus 4.6、GPT-5.4 等闭源顶级模型打得差不多。过去用闭源大模型跑智能体，又贵又慢：每天输出 1000 万 token，Opus 4.6 大约要 250 美元，MiniMax M2.7 只要约 12 美元，一年差出近 8.7 万美元。开源模型还能跑在 Groq、Baseten 这类专门优化的推理服务上，延迟和吞吐都更好。不过这还只是早期评测结果，团队正在继续扩充测试集；普通用户暂时用不上，主要意义是给要做智能体产品的开发者一个更便宜、更快的选择。

Deep Agents Deploy：Claude Managed Agents 的开源替代方案

LangChain 今天发布了 Deep Agents Deploy 的测试版，它能让开发者用一条命令把自定义 AI 智能体部署到生产环境。此前，部署一个智能体需要自己搭建可扩展的服务器、为每次会话创建沙箱、再接通各种接口，步骤繁琐。这次它把这些打包成 `deepagents deploy`，你只需指定模型、指令文件、技能和工具配置即可上线，而且底层用的是开源、不绑定任何模型厂商的框架，所以智能体的记忆存在你自己的数据库里，换模型或换平台时不用从零开始。目前是 beta 测试版，记忆格式用 AGENTS.md 等标准文件保存，支持通过 API 直接查询。

LangChain 中的 MCP：无状态协议、elicitation 等更新

LangChain 把 MCP 支持搬进了主包，现在放在 langchain.mcp 里，不再需要单独安装 langchain-mcp-adapters。MCP 是一种让 AI 智能体调用外部工具的通用协议，过去每次调用都要先开一个会话、记住会话编号，服务器一重新部署，正在进行的会话就断了，运维起来很麻烦。新版 MCP 规范改成了“无状态”，所以 LangChain 顺势支持了工具列表缓存，以及 elicitation（工具执行中途反过来问用户问题，比如确认删除或补充缺失参数），并用 LangGraph 的 interrupt 来实现这种暂停和恢复。底层用的是 FastMCP，新旧两版协议的服务器都能连，旧的 MultiServerMCPClient 收敛成单个 MCPAdapter 类。对开发者来说，装个 langchain[mcp] 就能用，不过迁移细节和 elicitation 后续示例在文中被截断了，这部分信息未完整给出。

The Software Factory：面向软件开发生命周期的可调度确定性优先 Agent 舰队

PaulKinlan/agents · The Software Factory — 22 deterministic-first SDLC agents & skills for pi, Claude Code, and Antigravity

该项目提供 22 个软件开发生命周期（SDLC）Agent 与技能，可在本地既有开发会话认证（pi、Claude Code、Antigravity）下运行，也可在 GitHub Actions CI 中调度。整体采用确定性优先思路：先由 gitleaks、npm audit、HTMLParser 等静态扫描器枚举候选项与指标，再由 AI 模型做分诊、综合与判定，结果写入 Beads、GitHub Issues 或本地增量报告。项目包含安全漏洞发现、威胁建模、秘密扫描、现代 Web 与无障碍审计、性能与内存优化、测试等 Agent 线，并支持工厂线编排、Andon Cord 停机、指纹去重与状态机、人工保留合并控制点。