搜索归档

discord-llm-chatbot：集成多模态 LLM 的 Discord 聊天机器人

privacydied/discord-llm-chatbot · Discord bot that integrates LLMs with multimodal capabilities including text chat, voice synthesis (TTS), speech recognition (STT), image analysis (VL), web content extraction, and RAG. The bot connects to Discord and processes messages through a central router that intelligently routes different input modalities to appropriate handlers.

基于 discord.py 2.x 的生产级 Discord 机器人，通过中央路由器处理文本聊天、RAG 检索、图像理解、OCR、语音合成与识别、网页与 X/Twitter 内容提取等多种输入模态。文本生成可接入 OpenAI/OpenRouter、NVIDIA NIM 或本地 Ollama，RAG 使用 ChromaDB，语音使用 Kokoro 与 faster-whisper/whispercpp，并提供图像/视频生成、记忆与服务器存档、Prometheus 指标等运维能力。

为什么 Kubernetes 自动扩缩容器会互相打架（以及为什么解决方案必须是自主的）

Kubernetes 里管“该开几个副本”和“每个副本该给多少 CPU/内存”的其实是好几套独立工具：HPA 按 CPU 百分比增减副本，VPA 按历史用量调整资源申请，KEDA 按 Kafka 队列积压决定副本数，Karpenter 按声明资源申请新机器。问题是它们各自跑各自的循环，看到的都是局部信息，还同时改同一批配置字段。比如 VPA 把 CPU 申请调小，HPA 的分母就跟着变小，同样的流量会被算成利用率超高，于是猛加副本，结果副本越来越多、每个越来越小，互相把对方越推越远；KEDA 加副本、HPA 又按低 CPU 减回来；GitOps 看到副本数和 Git 不一致还会把它改回去。作者认为水平和垂直扩缩本来就是一道联立方程，应该由一个统一控制面同时看 CPU、队列、延迟、节点价格和 Git 配置，一起给出副本数和资源申请。文中也提到生产集群 CPU 平均利用率只有约 8%，但这些方案的落地细节和可用性文中没有说明。

构建智能体软件工厂？从传感器开始

这篇文章讨论的是：当 AI 编程智能体让代码提交量暴增时，团队的交付系统会卡在哪里。作者提到 Anthropic 的代码合并量从 5 月每天约 2500 个涨到 9 月每天超过 3 万个，写代码不再是瓶颈，瓶颈变成了为人类速度设计的开发基础设施。文章用控制回路打比方：意图是目标值，智能体是控制器，验证就是传感器；控制器再快，如果传感器跟不上，它只会拿着过时信息反复重试，把本该被拦下的问题发布出去。作者提出传感器要具备三个特性：延迟（多久能出结果）、保真度（多接近真实系统）、带宽（能同时验证多少个改动），并用 StrongDM 的数字孪生宇宙举例说明保真度为什么最贵。对读者的用处是：如果你在规划智能体编程流水线，这篇文章提醒你先投资验证能力，而不是只堆智能体数量。文章是观点分析，未说明具体产品发布时间或可用状态。

Google Data Agent Kit 正式发布，将 Agent 护栏拆分到技能与 IAM 两层

Google 把 Data Agent Kit 正式开放使用了。这是一套免费工具，包含 MCP 工具和 37 个开源技能，能让写代码的 AI 助手直接连接 Google 数据云的 15 种以上服务。它带了两道护栏，但作用不一样：一道是写在技能里的提示，让 AI 助手自己停下；另一道是 IAM 拒绝策略，在权限层面直接拦掉请求，AI 助手想绕也绕不过。对使用者来说，这意味着能连的服务变多，但需要分清两种护栏的强弱，不能把提示当成硬性限制。

VHOTIEX AI：面向 Android 的全息界面多智能体 AI 助手

ojmaojma674-bot/sturdy-funicular · VHOTIEX AI is an Android-friendly AI assistant featuring a futuristic 3D holographic interface, black-red theme, AI chat, voice interaction, and specialized agents for coding, research, analysis, planning, and code review.

VHOTIEX AI 是一个面向 Android 平台的 AI 助手实现计划，采用黑红主题与未来感 3D 全息界面，规划了 AI 聊天、语音交互与 TTS，以及编程、研究、分析、规划和代码审查等专用智能体。README 以分阶段实施计划的形式描述 UI、聊天与智能体路由、会话记忆、语音、工具执行、安全恢复和质量保障等模块，属于规划文档而非可直接运行的产品。

麦麦省钱助手：基于麦当劳 MCP 的点餐成本优化与优惠券止损工具

Ayzzz123/mcd-coupon-strategist · 麦麦省钱助手 —— 基于麦当劳 MCP 的点餐成本优化 Skill。算出当前门店最省钱的点餐方案，并主动提示凑单陷阱。

该项目是一个基于麦当劳中国 MCP 的点餐成本助手，通过拉取门店实时菜单与价格、账户可用优惠券和历史订单，枚举并真实计价候选点餐方案，输出最省钱的组合并提示凑单陷阱。同时提供券的沉默成本、消费习惯画像、券包体检、用券排程、可领取券发现、积分体检和活动节奏等长期止损分析。项目为 Python 实现，含零配置 demo 与测试，运行 demo 不需要 MCP Token。

Cademí skills：为编程智能体提供 Cademí CLI 与 API 使用技能

minhacademi/skills · Agent skills for the cademi CLI and the Cademí API v3. Works with Claude Code, Cursor, Codex, OpenCode and any Agent Skills client.

该项目是 Cademí 发布的 Agent Skills 集合，以可移植的 SKILL.md 指令集形式，教 Claude Code、Cursor、Codex、OpenCode 等编程智能体如何操作 cademi CLI 和 Cademí API v3，涵盖发现、认证、输入输出约定、退出码、安全写入、异步操作、事件、沙箱、配置即代码等内容，并提供按命令域划分的参考文档。技能可通过 skills CLI、Claude Code 插件市场或手动复制安装，也支持由已安装的 CLI 自身安装配套技能。

Content-Agent-Lernapp：基于官方来源自动生成职业教育学习课程的 AI 学习应用

siinanXD/Content-Agent-Lernapp · Lern-App für die Berufsausbildung: KI-Pipeline erzeugt Lerninhalte nur aus amtlichen Quellen, mit LLM-Richter und Qualitäts-Schwelle. Next.js, Supabase, Langfuse.

这是一个面向职业教育（试点为机电与设备操作员）的学习应用，可根据一个关键词从官方来源生成并持续更新课程内容。项目采用 Next.js、Supabase 与 Langfuse 构建，用 Claude 批量生成内容、以 OpenAI mini 模型作为 LLM 评审并设置质量阈值，提供学习路径、复习、考试与结果等学习者界面，以及面向培训师的群组和来源展示。仓库还包含基于 GitHub Actions 的内容生产、测试、质量回归与自动修复等流水线。

midgley：基于 LLM 多智能体的汽油价格预测框架

KoshiirRa/midgley · LLM Multi-Agent Framework forecasting wholesale (RBOB) and retail unleaded gasoline prices using Gemini 3.8, NOAA weather models, executive social media gap analysis, and global energy market feeds.

midgley 是一个用 Python 实现的多智能体时间序列预测框架，目标是预测美国批发 RBOB 汽油期货和多个都市区的零售无铅汽油价格。它把 Gemini、NOAA 天气模型、海运与内河咽喉点、行政社媒缺口、Cboe OVX、Baker Hughes 钻机数、USGS 水文与地震、炼厂检修等非结构化与物理数据，融合为特征向量，再结合 RB=F、CL=F、BZ=F 等商品期货，用 Ridge 回归与 XGBoost 建模，并通过情景模拟器、预测日志和每周复盘反馈回路迭代模型。项目还自动生成公开 Web 仪表盘，展示各地预测、准确率和数据源目录。

GovTech Trend Radar：每日追踪政府软件低代码与 AI 趋势并推送 Slack 摘要的智能体

TateKhachatryan/govtech-trend-log2 · Daily AI agent that tracks low-code and AI trends in government software (eJustice, Social Protection, PFM, M&E) and posts a digest to Slack — built as an AI Product Management training project.

GovTech Trend Radar 是一个自调度的 AI 智能体训练项目，由 Claude Code 构建。它每天通过 cron 定时唤醒，读取自身历史日志避免重复报道，检索电子司法、社会保护、公共财政管理、监测与评估四个领域的政府软件厂商新闻、AI 功能发布、分析师评论及世界银行、联合国、亚行、欧盟等来源，过滤过时或已报道内容后生成简短摘要并通过 Slack webhook 推送，同时记录执行日志并自动提交回仓库。

Hermes Memory for OpenCode：为 OpenCode 智能体提供分层持久记忆的插件

realchendahuang/opencode-hermes-memory · OpenCode 分层持久记忆插件（从 Hermes 移植，纯 Markdown 零向量库） / Layered persistent memory plugin for OpenCode

该项目是从 Hermes 移植到 OpenCode 的分层持久记忆插件，使用纯 Markdown 文件作为记忆来源，不依赖向量数据库或外部服务。它提供常驻指令注入、记忆检索与增删改、会话空闲时后台学习总结、纠错检测、bash 命令失败时相关历史教训预取，以及记忆替换后的历史归档等能力，使 OpenCode 智能体能跨会话保留用户偏好、项目约定和过往经验。

AgenticAI-for-PRD：将银行产品需求简报转化为可审计、可追溯的 PRD 与需求工程文档

ThanyathipK/AgenticAI-for-PRD

该项目是一个面向企业需求工程的本地优先应用，使用 React 19 前端、FastAPI 后端和 LangGraph 多智能体工作流（Router、Matcher、Gatherer、Auditor、Architect），通过 LM Studio 在本地运行推理，将银行产品简报或 DOCX/PDF/Markdown/TXT 文档转化为版本化、可审计的需求、用户故事、验收标准、PRD 和流程图，并提供合规审计、需求追溯矩阵、人工确认的变更暂存、PRD 分段编辑与版本快照、SSE 实时更新等能力。

Dagger：面向 AI 的产品管理与文档增强生成工具

mbaquerizo/dagger · The DAG-powered product management tool built for AI.

Dagger 是一个由 DAG（文档增强生成）驱动的产品管理工具，用于在从想法到架构决策、再到工单的整个功能生命周期中保存并发布结构化文档，并把它们作为上下文提供给 AI 编码代理。它提供面向人的简洁 UI，以及面向代理的快速文本接口和 Dagger AI 安全 API；代理获取工单或文档的聚焦 Markdown 版本及完整背景。开发侧为 Go 1.26+ 的 monorepo，API 位于 api/，需要 Supabase 数据库和 BASE_URL 配置。

Harness Skills：面向 Harness CI/CD 的 AI 编码技能集合

harness/harness-skills · A collection of structured AI agent skills that enable Claude Code, Cursor, GitHub Copilot, and other AI coding assistants to create, operate, debug, and govern Harness CI/CD workflows through natural language.

该项目提供一套与模型无关的 AI 编码技能，使 Claude Code、Cursor、GitHub Copilot 等 AI 编程助手能够通过自然语言创建、操作、调试和治理 Harness CI/CD 工作流。技能覆盖流水线生成与调试、基础设施资源管理、访问控制、特性开关与实验（FME）、数据库 DevOps、平台运维、安全测试与供应链、可观测性与治理等场景。多数技能依赖 Harness MCP v2 Server 提供 Harness API 访问，该服务器不随插件捆绑。

search-first：让 Claude Code 代理在动手前先检索注册表、代码、论文与官方文档并给出有出处结论的 Agent Skill

shimo4228/search-first · Agent Skill for Claude Code that makes the agent search registries, code, papers and official docs before it builds, then write a dated, sourced report you pick from: adopt a candidate, adopt one piece of it, or build what no candidate covers.

search-first 是面向 Claude Code 的 Agent Skill，用一份 Markdown 指令文件要求编码代理在选库、找现有实现、核对论文或官方规范、准备自写代码之前，先检索包注册表（npm、PyPI、crates 等）、GitHub 代码、论文原文与官方文档，再输出带日期和来源 URL 的报告。报告分范围、发现、结论、仍未确定四部分，每个需求给出 Adopt（采用候选）、Adopt-part（采用其中一部分）或 Build（自建，并列明排除每个候选的停止条件）三种结论，默认倾向采用既有方案。检索通过代理自带联网工具完成，自身不需要 API Key；提供 Quick 内联模式与需额外 researcher 子代理的 Full 模式。

Radar：面向 AI Agent 的开源 Kubernetes 可视化管理与诊断工具

skyhook-io/radar · The missing open-source Kubernetes UI with a built-in MCP server for AI agents. See what's broken, why, and what changed. Issues, Topology, event timeline, Helm, GitOps, live service traffic, and cluster audits - all in one Go binary.

Radar 是一个以单一 Go 二进制形式提供的开源 Kubernetes UI，可在本地或集群内运行，通过直接连接 Kubernetes API 展示拓扑、资源、事件时间线、Helm、GitOps、实时服务流量与集群审计等信息，帮助定位故障现象及其原因与变更。项目内置 MCP 服务器，使 AI Agent 能够检查和操作集群；同时支持 Helm 部署以实现团队共享访问与 RBAC 权限控制。

AI 任务排队等候，GPU 却闲置：Kubernetes 有了新方案

这篇文章是 KubeCon 前瞻专栏，讲 Kubernetes 社区怎么让 GPU 更好地服务 AI。问题在于：负责把任务分配到现有机器的调度器和负责加机器的自动扩缩器各干各的，结果任务卡在排队，昂贵的 GPU 却闲着。目前有几个方向：HPE 用开源工具自动收集 Pod 重启信息并推送到 Slack，减少人工排查；AWS 提出让扩缩器更懂调度器，并用动态资源分配、工作负载感知调度和 provisioning requests 衔接两边；SIG-Autoscaling 已有公开提案，让两个环节直接对话。另外 CNCF 沙箱项目 llm-d 发布 v1.0，IBM 测试中智能体任务推理成本降低 11.5 倍、缓存复用约 98%。这些多数是提案或演示，尚未说明何时默认可用。

演讲：快速前进，不破坏信任：与人类及更多角色一起持续交付

Monzo 的工程师 Suhail Patel 分享了这个团队如何做到每天安全上线数百次。他们的做法是：把微服务封装成有明确规范的抽象层，按租户隔离搭建预发布环境，加入静态分析检查，并持续做性能剖析。这样一套强大的内部平台让工程师和 LLM 都能快速迭代，同时不牺牲可靠性。对读者来说，这提供了一个高频率发布同时守住稳定性的工程组织样本；不过这是演讲内容，文中没有说明具体落地效果或工具细节。

AI 智能体的上下文工程（智能体记忆）始于检索

LangChain 的 Deep Agents 框架介绍了让智能体更高效检索信息的方法。原来智能体有三类问题：搜索方式笨拙，反复打开文件或用不同措辞重复搜索，白白消耗时间和上下文；一次搜索塞进太多内容，把上下文窗口占满；以及拿到过时或不相关的信息，还可能在此基础上继续出错。它的做法是：默认使用 glob 按文件名查找、grep 搜索文件内关键词、read_file 逐页读取，不整份加载文件；结果太大时，把完整结果存成文件，只把路径和摘要交给智能体；自定义检索（如 RAG）则先检索、再存文件、由子智能体去读，主智能体只看相关内容。这样智能体能更快找到对的资料，减少无效搜索和上下文浪费。文中还提到 ls、write_file、edit_file 等内置工具，以及向量库、SQL、搜索 API、MCP 服务器等检索数据源；具体效果数据文中未说明。

superlab：面向写作与演示规划的 Claude Agent Skills 套件

ramonk2o/superlab · Plan the deck before you build it. An Agent Skill for Claude that works out the story, the hook and the visual concept with you, gates each phase on your approval, then builds and reviews the slides. For Claude.ai and Claude Code.

superlab 是一套 Agent Skills，安装后可在 Claude.ai 和 Claude Code 中使用，包含 superdeck（演示文稿规划与制作）、supercontext（AI 项目知识文件规划与撰写）、superproject（Claude、ChatGPT、Gemini 助手项目设计）和 supertext（非虚构文本规划与写作）。各技能强调先与用户确定内容、结构和视觉方向，分阶段设置审批环节，再由 Claude 生成成品并由“冷读者”复核；技能支持多语言，不编造材料外的事实。仓库以 Shell 为主，MIT 许可。