跨栏目检索
搜索中文标题、仓库名或关键词，再用分类、来源和日期缩小范围。
Netflix 的两位工程师 Prasanna Vijayanathan 和 Renzo Sanchez-Silva 分享了一个演讲，讲他们怎么处理每秒 3800 万条事件量级的监控难题。原来的做法是出问题才被动告警，现在他们改用一套由 AI 驱动的“运营本体”，配合 Claude 和图层数据库来做自动化处理。具体是把 MELT（指标、事件、日志、追踪）这四类监控数据统一成可以查询的知识图谱，让系统能自动分诊、找根因，甚至自己修复故障。对读者来说，这展示了一条用 AI 把海量监控数据变成自动化运维能力的大规模落地思路。
Asana 公司用 GPT-6 Astra 搭配 Codex，在浏览器智能体的测试里把模型成本降到原来的 76 分之一，速度也快了 5 倍。这样做是为了能给客户提供能力更强的模型。简单说，就是同样的任务花更少的钱、用更短的时间完成，省下来的资源可以支撑更强大的模型。目前这些数字来自测试环境，文中没有说明正式上线的时间，也没有给出具体怎么实现和更多细节。
Snyk 是一家做代码和云安全扫描的公司，它把原本只给自己客服团队用的一个 AI 助手，升级成了所有付费客户都能用的功能，叫 Snyk Assist。以前客户想问漏洞、账号或产品问题，得自己翻文档、文章和发布说明，或者提工单等回复，信息散落各处。这个助手用 LangChain、LangGraph 和 LangSmith 搭建，能用大白话回答并帮忙查漏洞、开工单、提需求，而且只会看到当前用户本来就有权查看的内容。它先内部试用了约一年，2026 年 4 月进入支持门户，9 月 1 日才放进核心产品，所以目前是已经可用的状态。对读者来说，问问题不用再等人工，也能在对话里直接完成一些操作。
Managed Deep Agents 在 v0.9 版本里新增了一个“表情回应”（reactions）API，用来给 Slack 频道里的智能体自动添加 emoji 反应。以前用户发出任务后，常常不知道智能体有没有收到、进行到哪一步，界面显得很“沉默”。这次的做法是：让开发者写一段简单规则或用一个决策模型，根据消息内容动态挑一个 emoji，比如看到“broken”就回一个虫子图标，表示已识别为故障。这样用户在等待较长的智能体任务时能得到即时反馈，更容易信任和看懂智能体在做什么。目前提到的是 v0.9 版本中的新能力，具体可用范围原文没有完整说明。
alphaparkinc/genpark-legal-clause-cross-reference-resolver-skill · Contract cross-reference resolver and defined-term graph analyzer detecting circular references and substituting statutory definitions.
该项目是一个零依赖的 Python 技能，可作为 MCP 服务或 CLI 使用，用于解析合同条款之间的交叉引用、分析定义术语图、检测循环引用，并进行法定定义的替换。材料同时声称支持文档版面解析、复杂表格重建、公式一致性审计与 PII 脱敏。
gim47656-ship-it/CUELO · CUELO — open-source AI coding agent workspace and harness for omp (oh-my-pi). Multi-agent orchestration, model routing, sessions, skills and worktrees.
CUELO 是 omp (oh-my-pi) 的开源 AI 编程智能体工作区与 harness，可让终端与浏览器共享同一份 ~/.omp/agent 会话、凭据和模型配置。网页端提供会话管理与分支/fork、实时流式对话、模型角色与路由配置、技能、worktree、用量看板与 PWA 访问；公开 harness 提供多智能体编排（Main/Maker 分工、发单与验收契约、task guard、判断路由 Jev）以及 model routing 规则。内置 OMP 核心为 18.8.6，需用户自备模型提供方账号与模型选择。
masonleetompkins/aygent-core · AYGENT is an Open Source AI Agent Harness with built-in security, memory, cron, and parallel threads.
AYGENT Core 是一个开源的 AI Agent 桌面应用（macOS／Windows／Linux），用图形界面而非终端或 SDK 来创建和管理多个智能体。每个智能体绑定一个指定文件夹，可读取、写入、整理文件，具备会话记忆（以 markdown 形式保存在用户自有文件夹中）、定时与 cron 调度、并行线程、Save Points 回滚、工具与技能扩展、MCP 服务器以及 GitHub／Notion 等连接器。安全方面由操作系统级沙箱约束文件访问（macOS Seatbelt、Linux Landlock），密钥存入系统钥匙串并按调用注入，Shell 权限需单独逐智能体授权。支持 Anthropic、OpenAI、OpenRouter、Muse 等自带密钥，也可下载 GGUF 与 Apple Silicon MLX 本地模型离线运行。项目以 Apache-2.0 开源，官方另提供付费闭源的 AYGENT Pro 版本。
hl7321/aiops-agent-reproduction · 信息采集装置智能运维 Agent 系统：用 OpenSpec 规格驱动，从告警接入到诊断报告的完整链路。
该项目把“告警接入 → 拉取日志取证 → 输出诊断报告”的运维流程用 Agent 方式重新实现，涵盖认证与数据隔离、SSE 流式聊天、Milvus 知识库与 BM25L 加向量双路召回、LangGraph 编排的 Plan-Execute-Replan 智能诊断、以及官方腾讯云 CLS MCP 工具连接。项目采用 OpenSpec 规格驱动开发，提供 10 套 Java 电商故障 fixtures（日志、告警、SOP）用于完整重放演示诊断链路。示例日志、告警和知识库文档均为构造的演示数据。
HyxiaoGe/fusion · 面向多模型与 Agent 工作流的 AI 聊天产品，采用 Next.js + FastAPI monorepo 架构。
Fusion 是一个面向任务执行的 AI 聊天产品，让 AI 从回答问题走向完成任务：根据用户意图按需选择模型能力与工具，在一次对话中完成搜索、阅读、规划和结构化执行，并分层呈现回答依据与 Agent 执行轨迹。项目采用 Next.js + FastAPI monorepo 架构，后端包含能力路由、Agent runtime、工具、文件与知识库模块，前端提供流式会话、回答依据与轨迹界面；模型目录由 LiteLLM 统一提供，另含管理员侧模型状态、MCP 服务、使用量与脱敏审计等治理能力。
VKirill/claude-lane-stack · Multi-agent AI coding factory for one person — Claude Code PM + Codex/Qwen/Grok/Kimi/AGY writers, durable conveyor, auto-merge to main
Claude Lane Stack 是一套面向单人开发者的多代理 AI 编程编排栈：由 Claude Code 充当 PM，调度 Codex、Qwen、Grok、Kimi、AGY、Cursor、OpenCode 等 CLI 写手，通过文件与 git 构成的持久化传送带（durable conveyor）执行任务，PM 负责检查产出并合并到 main，夜间还会做独立复审。工作单元以 .agents/runs/<slug>/tasks/*.yaml 卡片形式定义（含 owns_paths、verification 与 acceptance.json 收据），并配有覆盖项目生命周期、设计、文档、SEO、文案（俄文）等大量技能与代理。
sindre-ai/maskin · AI run the shop. Humans set direction, agents execute.
Maskin 是一个开源工作空间，让 AI Agent 自主执行产品开发，人类负责设定方向。核心流程为洞察（用户、数据、市场信号）→ 下注（待验证假设）→ 任务（具体工作项）→ 反馈循环。Agent 作为一等公民可创建洞察、提出假设、拆解并执行任务，人类负责纠偏。界面与 Agent 共用同一套 REST API，洞察、下注、任务均为统一对象模型并通过关系连接，所有变更记录为事件日志。Agent 以临时 Docker 容器会话运行（Claude Code、Codex 或自定义 CLI），由事件或定时触发器调度，日志通过 SSE 实时流式输出，技能、经验与记忆持久化在 S3 兼容存储；外部 Agent 可通过内置 MCP 服务（stdio 与 HTTP 两种传输）接入。
LinuxDevil/agent-sdk · TypeScript SDK for durable AI agents: tool calling, approvals, sessions, MCP, and a CLI. Runs in your own Node process.
Lousho 是一个开源的 TypeScript SDK，用于在自有 Node 进程（或 Cloudflare Workers）中构建具有持久化能力的 AI Agent。它提供工具调用、MCP 客户端与服务端、可跨重启恢复的会话与检查点、人工审批、结构化输出、流式事件、子代理与交接、上下文压缩、OpenTelemetry 追踪以及录制回放和轨迹评测等能力，并配有 CLI 与可视化工作室。模型可通过 provider/model 字符串接入 OpenAI、Anthropic、OpenRouter、Ollama 或自定义/mock provider。
oracle-devrel/oracle-ai-developer-hub · Technical resources for AI developers to build applications, agents, and systems using Oracle AI Database and OCI services
该仓库由 Oracle 开发者关系团队维护，汇集了使用 Oracle AI Database 与 OCI 服务构建 AI 应用、智能体和系统的技术资源，主要分为 Apps（可运行的端到端参考实现，如 agentic RAG、金融 AI 智能体、生成式 UI 数据问答、团队知识库、供应链需求规划智能体等）、Notebooks（Jupyter 交互教程，覆盖多智能体 RAG、智能体记忆架构、推理策略、向量检索与多云端示例）以及 Guides（智能体架构、推理策略和记忆系统的文档与演讲材料）。内容主要围绕向量搜索、RAG、智能体记忆、自然语言查数据库（Select AI）与多智能体编排等方向，供开发者参考架构模式与集成方式。仓库未在摘录中说明许可证、部署要求和运行成本。
tempoxyz/pympp · Python SDK for the Machine Payments Protocol
pympp 是 Machine Payments Protocol（MPP）的 Python SDK，提供服务端与客户端组件，用于在 HTTP 接口上实现基于“Payment”认证方案的付费访问。服务端可通过装饰器为接口加上按次计费与凭证校验，支持 Tempo 支付方式与 charge intent、Stripe 支付意图选项（metadata、receipt_email、customer 等）；客户端可自动匹配支付挑战并生成凭证，也可基于 PaymentRuntime 与 PaymentTransport 复用支付逻辑而无需依赖 HTTPX。README 中给出的示例包括付费 API 服务、带自动支付的 URL 抓取 CLI，以及受支付保护的 MCP 工具服务。
langchain-samples/restock-agent
Restock 是一个使用 LangChain Managed Deep Agents、Zinc 和 Link 构建的 Slack 购物智能体示例。用户可以在 Slack 中提出办公用品或包装食品的采购需求，选择商品、查看采购并在 Link 中批准支付，由 Zinc 完成零售结账。项目提供 rehearsal 排练模式（模拟商品与支付）、link-test 测试模式以及 live 真实购买的配置流程。
在北美 We Are Developers 大会上，Dynatrace 团队观察到开发者社区关注的三个趋势：智能体“管控”（沙箱隔离，防止智能体乱跑）、可观测性与评估（在生产环境中持续监控和评估智能体行为）、以及智能体体验（文档和接口专为智能体设计）。背景是智能体越来越多地进入生产环境，出现了失控和安全事件，问题往往出在缺乏隔离和监控。解决思路包括给智能体独立计算环境、把评估从开发阶段延伸到生产运行阶段、以及提供适合智能体读取的文档和接口。对读者而言，这意味着未来开发软件时，需要把智能体当作“用户”来设计基础设施，并重视运行时安全。文中还提到存储问题（大量遥测数据）尚未获得充分讨论，Dynatrace 用 Grail 数仓应对。
我们平时用AI模型聊天，其实底层就像在打电话，每次说话都要连着同一条线。普通网页聊天靠浏览器和服务器“黏”在一起还能凑合，但AI智能体可能短时间内发出几十个请求，中间还会跑去查资料、重试、出错，结果一旦服务器从一台扩到三台，请求被分到不同机器，就可能丢掉之前的对话，模型照样回复，却答得不对。文章用2014年微服务那套老办法来修：把对话历史从单台机器里拿出来，放到所有机器都能读写的共享存储里，这样任意一台机器都能接着聊。配套用Oracle AI Database Free做演示。对读者来说，这解释了为什么AI API不能直接照搬普通网页后端，并给出了一个可落地的改造方向。
作者把自己的 Azure 登录凭证直接交给一个 AI 编程智能体，然后测量它实际能碰到什么。结果发现：数据库只看到作者的名字、机器和工具，无法分辨是人还是智能体在执行，其中一个环境能删掉安全数据库里的数据，却偏偏没有审计记录。问题不在配置错误，而是整套身份设计默认“握着凭证的是人”，智能体借用人的身份后就继承了人的全部权限。这意味着你无法单独限制或吊销智能体的权限，也无法在事后证明某条查询是人还是机器跑的。
这篇文章讲的是 AI 代理（就是自动帮你干活的程序）在云上创建资源后没人管的问题。环境里有 34 个资源，比如网络、数据库和负载均衡器，有些已经几周没流量了，但标签上的“负责人”写的是 deploy-agent，根本查不到真人。以前员工离职至少有交接记录和上级接手，代理干完活后上下文一关，留下的东西就没人认领了。解决办法是用查询找出哪些资源的“负责人”其实是服务账号而不是真人，再用一条审批策略拦住新部署——除非每个资源都填了真人的邮箱，否则不允许通过。这样运维和财务就不会被遗忘的资源持续烧钱。
大多数 AI 事故响应工具还不能自己判断什么时候该介入处理故障，仍要等人发现问题或提前设定触发条件。Traversal 的联合创始人 Raaz Dwivedi 把智能体的自主程度分成三档：等人来问、按预设规则触发、自己主动判断何时介入；目前多数生产环境中的工具只停在前两档。10 月 22 日 The New Stack 将举办直播网络研讨会，届时会讨论如何让团队信任智能体自己做出这类判断，以及从第二档升到第三档需要满足哪些条件。至于具体怎么实现、有哪些限制，原文没有细说。