搜索归档

从症状到修复只需几分钟：使用 Dynatrace MCP 的 AI 辅助开发

Dynatrace 推出了一款叫 MCP Server 的工具，能把 AI 编程助手直接连到 Dynatrace 的实时监控数据上。以前开发者用 AI 写代码时，AI 只能看到代码本身，看不到代码在生产环境里跑得怎么样，所以排查性能问题很费劲。现在开发者可以用大白话向 AI 提问，AI 会去查真实的运行数据并给出具体到代码行的修复建议。文章演示了一个案例：数据库 CPU 被一个低效查询占满，AI 找到了问题，只加两行索引就解决了，响应时间大幅下降。对开发者的好处是排查更快，但文中的演示和截图来自未来日期，实际可用状态原文未明确说明。

Kubernetes 的“单体”教训对 AI agent harness 意味着什么

Stacklok 创始人 Craig McLuckie 在 CNCF 博客上提出，目前多数 AI agent harness（即围绕 AI agent 的上下文、文件系统、子 agent、权限等支撑层）太“本地”，只适合单个开发者在笔记本上跑，难以支撑数百个会话，会话容易中断，体验也无法在不同客户端或设备间迁移。他认为应当把 agent harness 当作云原生分布式应用：把 agent 循环与底层基础设施和服务分开，就像 Kubernetes 教会业界“容器里的单体仍是单体”一样。对读者来说，这预示未来 AI agent 的支撑层可能像云服务一样可扩展、可迁移，而不只是本地玩具。目前这只是观点和倡议，尚未说明具体落地产品。

DigitalOcean 推出托管智能体，为 AI 智能体带来托管云基础设施

DigitalOcean 最近上线了 DigitalOcean Managed Agents，目前处于公开预览阶段。过去要让 AI 智能体在云端跑起来，往往得自己搭服务器、管权限、配推理环境，比较麻烦；这次它把这些打包成托管服务，用隔离的微虚拟机运行智能体，对工具访问做统一管控，并提供免运维的 AI 推理。对开发者来说，可以少操心底层设施，把精力放在智能体本身的功能上。

智能体时代的工程生产系统：QCon 旧金山 2026

InfoQ 的编辑 Artenisa Chatziou 发布消息：QCon 旧金山 2026 大会将邀请 Airbnb、OpenAI、Netflix、Honeycomb 等公司的工程实践者，分享他们如何在 AI 智能体承担越来越多工作的情况下，构建、运维和演进自己的生产系统。目前这只是一则预告，具体议题、日程和举办时间等细节原文未说明，因此还无法确认哪些内容会公开或开放观看。对读者来说，这提供了一个了解大公司真实工程经验的机会，但暂时没有可以直接上手使用的工具或方案。

演讲：大规模管理异步 API

Ian Cooper 做了一场演讲，讲的是当系统靠“消息”互相通知、而且规模很大时，怎么管好这些异步接口。他把消息机制拆成三个基础点：地址（消息往哪送）、绑定（用什么方式送）、契约（消息长什么样）。原来的问题是消息散落各处、难以发现和统一管理；他介绍用 AsyncAPI、CloudEvents、schema 注册表，加上自动化 CI/CD 流水线来解决发现、治理和开通的问题。这些做法来自 Just Eat Takeaway 的真实工程实践，对需要维护事件驱动系统的团队有参考价值。

hmharness：鸿蒙全流程开发的自进化智能体框架

swsgbl/hmharness · 为鸿蒙 (HarmonyOS/OpenHarmony) 开发全流程而生的自进化智能体框架——零依赖内核、自进化一等公民、MCP 生态借力、模拟器与工具链无头全控。Self-evolving agent framework for the full HarmonyOS lifecycle.

hmharness 是一个面向 HarmonyOS/OpenHarmony 开发全流程的自进化智能体框架，采用零运行时依赖的 TypeScript 内核，支持任意 OpenAI 兼容厂商与流式输出，内置上下文压缩、审批门禁与会话审计。它提供鸿蒙原生域工具（工程脚手架、hvigor 构建、hdc 安装/启动/日志、仓颉 cjpm、codelinter、模拟器无头全生命周期管理），并具备认知层（世界模型、五层记忆、目标系统、探索引擎、技能编译、进化治理、校准报告）与自进化循环（洞察→提案→训练/保留双门禁→晋升快照→回滚）。同时支持 MCP 客户端接入社区服务器，也能以 MCP 服务器模式把鸿蒙工具链供给 Claude Code、Codex 等宿主，并提供 CLI/REPL/TUI/Web 多前端、多智能体 spawn、桌面自动化与手机远程控制。

clanker：用 Zig 编写的自改进 AI Agent 运行框架

maci0/clanker · Self-improving AI agent harness in Zig 0.16 — gated self-patch loop, sandboxed WASM tools, CLI + web UI

clanker 是一个用 Zig 0.16 编写的自改进 AI Agent 运行框架（harness），通过 zwasm 以沙箱化 WebAssembly 模块方式执行工具，并采用受门控的自我修补循环改进自身源码：Agent 提出精确匹配补丁，应用到暂存副本，经 zig build、zig build test、zig build tools、zig fmt 和 lint 验证全部通过后才提升到正式代码树。项目强调“一切皆插件”，工具、模型供应商、Web UI 视图、技能与提示词、配置均以插件形式组织，插件边界同时是安全边界。提供 CLI 与 Web UI，支持 MCP 服务器、Peer 通知、Mesh 集群、A2A agent card、目标生命周期、流式 REPL、执行图谱、Arena 辩论与盲测模型对比等能力。

AI Job Finder：自动化求职冷邮件外联与投递跟踪

BlxrryFxce17/AI-Job-Finder · Autonomous AI job hunting agent that discovers tech roles, scrapes verified LinkedIn recruiters, validates corporate mailboxes, and drafts tailored engineering pitches citing real GitHub repositories with automated Gmail dispatch & tracking.

AI Job Finder 是一个智能、自动化的求职申请跟踪与冷邮件外联平台。它借助 OpenAI 根据职位描述与个人资料自动生成个性化求职冷邮件，通过 Gmail API 从连接的 Google 账号直接发送，并提供基于追踪像素的邮件打开追踪、链接点击追踪以及机器人检测，结合求职管理流水线（保存职位、跟踪申请状态、管理跟进）与响应式界面。项目采用 React（Vite）前端与 Node.js/Express + MongoDB 后端，并使用 Google OAuth2 进行安全登录与发送授权。

WKAppBot：为 AI Agent 提供 Windows 与 Android 桌面 UI 自动化能力

kiexpert/wkappbot-sdk · Computer Use, App Use, AppBot — give AI agents real eyes and hands on Windows. Open-source RPA where humans, the app ecosystem, and AI share one keyboard. Focusless. Self-healing. Multi-AI.

WKAppBot 是一个面向 AI Agent 的开源 RPA 与 UI 自动化工具，让 Claude、GPT、Gemini 等模型能够在不抢占用户焦点的情况下操作 Windows 应用、网页、浏览器 AI 会话以及通过 ADB 控制 Android 应用。它采用无障碍树优先的读取策略，配合 UIA、Win32 PostMessage、CDP 等多种通道，并提供基于视觉推断的自愈式元素识别与经验缓存。项目还包含多 AI 并行委派、Skills 知识积累与防错型 harness 守卫机制。免费层覆盖基础自动化，CDP 浏览器自动化、多 AI 委派及 sudo 管理员访问属于付费 Pro 层。

BotNexus：基于 .NET 的 LLM Agent 编排实验平台

sytone/botnexus · BotNexus is an experimental lab for agents, tools, memory, channels, and automation ideas of varying quality written in C# using the dotnet environment.

BotNexus 是一个用 C#/.NET 构建的实验性 LLM 编排沙盒，用于探索多 Agent 协作、通道接入、工具调用、记忆持久化与调度等交互模式。它提供网关路由、WebUI 聊天、多种模型提供方（GitHub Copilot、OpenAI、Anthropic、Azure OpenAI 及兼容端点）、扩展系统与诊断工具，并通过 CLI 完成安装、配置与网关生命周期管理。项目明确定位为实验平台，而非高可用企业级方案。

JobPilot：在本地浏览器中自动搜索职位并投递申请的 AI Agent

suxrobGM/jobpilot · An AI agent that applies to jobs for you - searches boards, tailors your resume, fills applications, messages recruiters. All from a real browser on your machine, on your Claude Code or Codex subscription.

JobPilot 是一个运行在用户本机浏览器中的 AI 求职代理，依托已有的 Claude Code 或 Codex 订阅驱动。它可以搜索 LinkedIn、Indeed、Hiring Cafe、Upwork 等招聘平台的职位，按简历对岗位打分，自动撰写定制简历和求职信、填写并提交申请、联系招聘方，并通过仪表盘跟踪申请进度与收件箱回复。

agent-shell：在 Emacs 中原生交互 ACP 驱动的 LLM Agent

xenodium/agent-shell · A native Emacs buffer to interact with LLM agents powered by ACP

agent-shell 是一个原生 Emacs buffer，用于与基于 ACP（Agent Client Protocol）的 LLM Agent 交互。它通过 acp.el 与各类 ACP Agent 通信，支持 Claude Agent、Codex、Gemini CLI、Goose、Grok Build、Cursor、Kimi Code CLI、Qwen Code、OpenCode 等多种后端，并拥有围绕会话管理、侧边栏、书签、通知、Org 集成等方向的多个扩展包。安装前需按各 Agent 说明配置对应的 CLI 或 ACP 适配器，并确保其可执行文件在 PATH 中。

AI Agent 加速开发，数据访问却成了拦路虎

AI Agent 让团队做应用和内部工具比以前快得多，但真正卡住进度的是拿不到实时的业务数据。每接一个数据源，都要单独向系统负责人申请权限、等审批，规则和连接还得一个个手工重建；拿不到直连就只能用副本，数据过时，也没法写回源系统。有人提出“统一 API 层”的做法：把数据库、接口和 SaaS 工具的访问集中到一个受管控的入口，按角色和字段级权限放行，AI Agent 也拥有独立身份，通过 MCP 接入，只能看到自己该看的数据。这样一来，申请和审计都集中在一处，权限在数据层执行，而不靠提示词约束 Agent。文中以 Monospace 为例说明这种模式，但该内容属于产品介绍，实际可用性和效果原文未说明。

Cloudflare 为 MCP 工具引入付费访问——谁来管控智能体的花费？

Cloudflare 开始小范围测试一个叫 Monetization Gateway 的付费网关，让网站主能对 AI 智能体访问自己的 API、MCP 工具、网站和数据收费。过去智能体调用工具通常不花钱，现在调用前要先付款，支付信息直接放进网络请求里，用 USDC 在 Base 区块链上结算。问题是智能体可能反复调用，不知不觉就花超了。为此 Cloudflare 计划推出虚拟钱包，让账户主人给智能体设置额度、白名单和单笔上限。目前只对美国符合条件的买卖双方开放测试，价格支持 0.001 到 100 美元，而且有些服务按实际用量收费，最终金额事先并不确定。

如何在 Harness 中构建模型路由器

LangChain 为开源编码 Agent Open SWE 加了一个「模型路由器」，先判断每个请求有多难，再决定用贵模型还是便宜模型。原来所有任务都交给顶级前沿模型处理，很多简单任务白白多花钱；路由器放在 Agent 的 harness 里，因为这里本来就有任务和领域上下文，通用网关没有。结果是每个编码任务的成本中位数降了 64%，质量没有可测量的下降。对读者的用处是：这篇教程告诉你如何理解任务、挑选模型档位，并在自己的 Agent 里也做类似的省钱路由。

open_deep_research：使用多模型与搜索工具构建开源深度研究智能体

randomvariablewhitepelican129/open_deep_research · Build open source deep research agents using multiple models, search tools, and MCP servers.

该项目是一个开源的深度研究智能体应用，能够根据用户提供的主题，借助人工智能检索多个来源并汇总信息，自动完成研究流程。用户可选择模型提供商、设置 API Key、调整搜索深度与输出格式，并将最终报告导出为文本文件。README 说明其面向 Windows 10/11 环境，查询通过用户自己的 API Key 处理，历史记录不存储于外部服务器。

Norma AI Agent Platform：连接文档知识库与自动化 Agent 工作流

marthiram4878/norma-ai-agent-platform · Build agentic workflows with long-term memory and RAG to convert data into action.

Norma 是一个可在 Windows 本地运行的 AI Agent 平台，用于把用户保存的文档、笔记和目标连接成自动化数字工作流。它通过 RAG 从本地文件中检索信息、以长期记忆记录偏好，并由 Agentic 工作流把大目标拆解为可执行步骤并自动完成。适用于文档摘要、清单生成等知识驱动任务的自动化。

ai-pm-toolkit：为 Claude Code 与 Codex 提供产品管理工作流、技能与项目记忆

lukesw55/ai-pm-toolkit · A product management toolkit for Claude Code and Codex, with reusable workflows, skills, hooks, and project memory.

该项目是面向产品经理与产品构建者的产品管理工具箱，让编码 Agent（Claude Code 或 Codex）按可复用的方法完成问题框定、机会排序、PRD 撰写、实验规划与发布准备。它提供 Umberto 编排入口（SKILL.md），把工作分为 Discover、Define、Develop、Deliver 四个阶段，并映射到从发现优先级到交付的八个环节；阶段技能可与干系人、分析、文档与沟通技能，以及 AI、企业、增长、平台等视角组合。项目记忆存放在文件系统中，会话开始时注入活跃项目指针，提示时注入当前阶段，可在会话之间保留项目上下文、证据缺口与决策；同时通过四个阻塞式 hook 对写入与发布做约束检查，并为每个技能提供 evals 清单与评估协议。仓库使用 MIT 许可证。

llm-sse：把 OpenAI、Anthropic、Gemini 的流式响应统一成单一事件格式

slegarraga/llm-sse · Parse streaming responses from OpenAI, Anthropic and Gemini into one unified event format. Text and tool-call deltas. Zero dependencies.

llm-sse 是一个零依赖的 TypeScript SSE 解析库，将 OpenAI Responses、OpenAI Chat Completions、Anthropic Messages 以及 Gemini streamGenerateContent 的流式输出统一为同一组事件：text、reasoning、tool_call_start、tool_call_delta、finish 和 error。它正确处理 SSE 分帧、跨块的多字节 UTF-8、同行分割的数据字段与保活注释，并提供 collectStream 汇总完整消息、toAssistantMessage 生成标准 OpenAI 形状的 assistant 消息，便于在多个提供商之间迁移和组合流式响应。适配 Groq、DeepSeek、OpenRouter、Ollama 等 OpenAI 兼容接口。

OuroLoop GateKeeper：为 AI 编程 Agent 提供结构化自主循环与护栏控制框架

JdominguezEcommium/agentic-self-regulation-loop · 2026 AI Agent Loop v2.0: Autonomous Coding with Guardrails & Self-Healing

OuroLoop GateKeeper 是一个面向 AI 编程 Agent（如 Claude Code、Cursor、Aider、Codex）的控制框架，通过意图验证、上下文完整性、执行安全、输出验证和集成检查五道验证门，配合三层自反思机制与自主修复引擎，将 AI 编程 Agent 从无约束的代码生成转变为受控的协作流程。README 还描述了多语言响应式监控面板、OpenAI/Claude API 集成与回退机制，以及 MIT 许可。