搜索归档

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。

GRT Agent Skills：面向 Growatt 团队的 Agent Skill 同步与单源部署方案

EugeneJian/grt-agent-skills · Growatt 团队 Agent Skills（SSOT：~/.agents/skills）：feishu-nav 工作导航 · sql 内网报表库只读查询 · feishu-lark 飞书操作；适配 pi/Claude Code/Codex

该项目以 ~/.agents/skills 作为团队共享 Agent Skill 的唯一真源（SSOT），通过 Git 仓库同步并维护 feishu-nav 工作导航、sql 内网报表库只读查询、feishu-lark 飞书操作、shipment-maintenance 出货 Excel 增量维护、ecology 系统选型入口等 skill，并提供符号链接预检与拓扑审计脚本，适配 Claude Code、Codex、pi 等 Agent 工具。仓库还说明了多机部署、重命名迁移、数据脱敏与防凭据入库的维护流程，面向 Growatt 团队内部分发。

Agent Skills：面向 AI 编程 Agent 的可复用技能集合

huangrx6/agent-skills · 一个面向 AI Coding Agent 的通用 Skills 集合，沉淀工程实践、工作流与视觉理解等可复用能力，通过标准化 SKILL.md 让 Agent 按需加载和执行，兼容 Claude Code、pi、OpenCode、Cursor、Codex 等多种 Agent 环境

该项目提供 9 个可独立安装的 Skill，每个 Skill 由目录中的 SKILL.md 和 README.md 组成，用于让 AI Coding Agent 按需加载并执行演示文稿制作、技术图绘制、COSMIC 拆分、Obsidian 笔记与工作管理、PingCode 查询与周报、Git 开发工作流及学习路线研究等能力。项目包含软链或复制安装脚本、官方 CLI 安装方式、锁文件校验、迁移与仓库体检等维护工具，兼容 Claude Code、Cursor、Codex 等多种 Agent 环境。

TalentPilot：招聘候选人筛选与面试评分表生成的多智能体系统

amandahervol-alt/TalentPilot-AI-Recruitment-Agent

TalentPilot 是一个用 Python 构建的多智能体招聘评估系统：Agent 1 对职位描述与简历进行候选人筛选，识别技能差距并输出结构化状态；Agent 2 依据差距生成 5 道针对性追问及 1-5 分评分矩阵。系统通过 Pydantic 校验 JSON 结构，支持 Anthropic Claude 在线推理并在无 API Key 时回退到离线启发式模式，输出 Markdown 评估卡与可交互 HTML 仪表盘，并附带 AI 工程、AI 产品经理和医疗数据分析三类示例数据集与 Pytest 测试。

Agent Skills Hub：集中管理与分发多领域 AI 技能的集合仓库

sutchan/Agent-Skills-Hub · 集中管理的 AI 技能

Agent Skills Hub 是一个集中管理的 AI 技能（Skill）集合，覆盖多个领域。每个技能为独立目录，包含 SKILL.md（含说明、触发描述与 frontmatter 元数据），并可选带 scripts/、references/、assets/、agents/ 资源。仓库提供中文目录与中文描述本地化，英文原文存于 en_description。用户可浏览技能后，将 skills/<name>/ 目录复制到 Agent 技能目录，依赖 description 自动触发或显式 @技能名 调用；也可借助 skills-manager 批量安装、更新与卸载。仓库附带基于 Express 的本地静态预览服务，技能元数据维护在 data/skills-data.json 与 data/skills-metrics.json。

Agent Skills：为 AI 智能体提供可复用技能与工作流的开放格式规范

agentskills/agentskills · Specification and documentation for Agent Skills

Agent Skills 是一个轻量级开放格式，用于为 AI 智能体扩展专门知识与工作流。每个技能是一个包含 SKILL.md 的文件夹，其中写明名称、描述与操作指令，还可附带脚本、参考资料和模板等资源。智能体按“发现—激活—执行”的渐进式披露机制按需加载技能，从而降低上下文占用，并支持跨产品复用、可版本化管理的领域知识与多步骤流程。项目最初由 Anthropic 开发并作为开放标准发布，获得多种智能体客户端支持。

Google 将支撑 Gemini 智能体的基础设施开放为云服务

Google 宣布将把内部支撑 Gemini 智能体的计算基础设施，以 Agent Compute Engine 的形式开放给 Google Cloud 用户预览，时间在今年晚些时候。过去 Google 自家智能体用的这套系统，需要兼顾启动快和隔离安全：传统虚拟机太慢，容器又不够隔离，写代码的智能体还需要 root 权限和独立内核。现在每个智能体都跑在独立的微型虚拟机里，可以挂起、恢复，且沙箱内不放任何密钥，访问外部服务要经过代理校验身份和授权。对开发者来说，以后跑长时间、高权限的智能体任务可以少操心隔离和安全问题。目前只宣布了预览计划，具体定价和上线时间原文未说明。

谁来给 AI 值班？智能体归属权的未解危机

文章讨论 AI 智能体上线后该由谁负责的问题。凌晨两点零七分，一个智能体开始出错：应用还在跑，但因为下游接口报错，请求开始超时；它已经重试两次，消耗的 token 比平时多，响应时间大约翻倍。作者认为，这时该问的不是“用哪个模型”，而是“现在谁负责这个系统”。解决办法是像对待普通线上服务一样管理智能体：明确负责团队和上报渠道，用白名单限制它能调用的工具（默认拒绝），给执行步数和工具调用次数设上限，并记录延迟、模型、成败、token 用量和请求 ID 等可观测数据。这样读者能把智能体从“某处跑的试验”变成可问责、可监控、出问题有人接的服务，降低运维风险。

Ramp 六周自建 AI Agent 运行框架，LangChain CEO 称这是更大变革的一部分

金融科技公司 Ramp 花了好几个月试用市面上的托管 Agent API、开源框架和第三方平台，最后决定自己造。他们用六周时间做出了第一版内部 Agent 运行框架 Laminar，现在支撑公司所有 Agent 产品。原因是不想被单一模型供应商绑死，希望按成本、速度和效果自由切换模型，也想要更好的调试和观察能力，内部自建还能直接和产品工程师协作、不用等外部厂商改代码。做法上，它把对话会话和运行代码的沙箱分开，凭据和调度放在沙箱外；Agent 默认异步工作，不必每步都等完成；还用一个连接器服务集中管理认证、权限和工具调用。LangChain CEO 公开点赞其中多项设计，认为这反映了 Agent 基础设施的走向，但原文并未说明 Laminar 是否对外发布或开源。

演讲：面向智能体的 Actor 模型——生产级 AI 的实践模式

Manju Rajashekhar 做了一场演讲，讲怎么用 Actor 模型解决生产环境中 AI 智能体运行时的麻烦。Actor 模型可以简单理解成：每个“小工人”（Actor）只管理自己的状态，彼此只靠发消息协作，谁出问题就单独处理。演讲把智能体看成分布式系统，围绕状态由谁持有、消息传递、写穿状态（状态一变就立刻写入持久存储）和监督边界（谁来发现并处理故障）来设计，从而应对失败、任务续接和可动态变化的执行图。这样智能体工作流就能从容易崩溃的演示，变成更稳定、可恢复的架构。目前只是演讲分享，材料没有说明有可用的代码或产品。

从 LOOP 到图探索：算法模型 AutoResearch 自进化系统架构演进之路

一个算法团队参考 Karpathy 开源的 AutoResearch 原型，把「让 AI 自己改训练代码、跑实验、看指标、决定下一步」的循环搬进企业云端训练平台。最初的单线程循环有三个毛病：规则靠自然语言提示不可靠、与企业云环境不匹配、同一时间只能试一条路。他们三个月重构三次，最终改成「图探索」：主 Agent 把大问题拆成几个互不重叠的假设，交给子 Agent 并行各自训练、互不干扰，再由主 Agent 汇总对比做决策，并用状态文件和冻结的评估代码保证无人值守时可信、可回溯。在结构完全不同的两个业务建模项目中，单任务耗时比人工基线分别减少约 85% 和 83%，其中一个方案已推全上线并有收益，另一个在全部 12 个预估目标上超过人工基线。

将 Agent Skills 捐赠给智能体 AI 基金会

Anthropic 把一套叫 Agent Skills 的开放标准捐给了 Linux 基金会下的智能体 AI 基金会（AAIF）。以前 AI 智能体处理通用任务还行，但缺具体业务步骤这类“流程知识”；Agent Skills 用一个放 SKILL.md 的文件夹教智能体完成特定任务，2025 年 10 月随 Claude Code 推出，12 月成为开放标准。目前已有 70 多个平台（如 ChatGPT、Cursor、GitHub Copilot、VS Code）接入，累计发布 100 万个技能、安装近 2.8 亿次。捐赠后名字、logo、GitHub 组织和域名都交给 AAIF，社区可参与后续版本和安全指南的制定，普通用户和开发者仍可免费使用或贡献。

LangSmith LLM Gateway：为智能体提供运行时控制

LangChain 推出了 LangSmith LLM Gateway，目前处于公开测试阶段。它解决的是生产环境智能体的一个麻烦：智能体调用模型时可能因重试失控产生高额账单，或遇到模型服务商宕机就报错。这个网关夹在智能体和模型之间，统一执行花费上限、速率限制、模型回退和敏感信息（如个人隐私、密钥）脱敏，不用在每个智能体里各写一遍，也不必绑定某一家供应商。工程师可以在组织、工作区、API 密钥、用户四个层级设限额；敏感信息脱敏功能目前只对 Enterprise 套餐开放。

Scout-AI：AI 销售情报与会议准备助手的产品方案

AyushKumarVujani/Scout-AI · AI, GenAI & Agentic AI portfolio showcasing projects, intelligent workflows, and product management case studies.

该仓库是 Ayush Kumar Vujani 的 AI、GenAI 与 Agentic AI 作品集，重点展示 Scout——一个 AI 销售情报助手的早期原型：它把公司情报、近期动态和会议背景整理成会议简报，帮助销售人员准备客户会议。材料还记录了用户研究、用户画像、用户故事、MoSCoW 优先级、RAG 与工作流自动化的技术架构设想，以及前端界面和交互演示组件；真实的 AI 集成、生产数据管道、日历与 CRM 自动化都尚未确认投入运行。

PreludeAI：AI 驱动的销售情报与会议准备助理

tanishiagr/PreludeAI · BITSOM Product Management Capstone

PreludeAI 是 BITSOM 产品管理方向的一个课程顶点项目，提出了一套面向销售人员的 AI 销售情报产品构想：把分散在各来源的公司信息（财务、新闻、社交媒体等）收集并汇总，借助生成式 AI 生成公司摘要、梳理近期业务进展、提炼沟通话题与提问，最终形成结构化的会前情报简报。README 说明这些能力属于拟议产品设计，实现状态取决于实际交付物，未给出代码、使用方法或性能验证结果。

PMFlow MCP：面向 AI Agent 的产品需求文档生成与 BDD 用户故事校验工具

johannschiffer/pmflow-mcp · Autonomous Product Management Workflow, PRD Engine & BDD User Story Governance Plane for AI Agents (Claude Desktop, Cursor)

PMFlow MCP（Lite）是一个以 MCP 服务器和命令行工具形式提供的产品管理辅助工具，可让 Claude Desktop、Cursor 等 AI Agent 具备类似高级技术产品经理的能力。它能够生成包含 MoSCoW 优先级、功能需求、技术约束、风险与 KPI 的结构化 PRD，将需求拆解为“As a…I want…so that…”格式的用户故事并估算故事点，校验 Given/When/Then 验收标准、标记“fast”“intuitive”等模糊措辞并给出 0-100 可测试性评分，还可将规格导出为可提交的 Markdown 文档。