搜索归档

FilingScope：基于混合 RAG 与持久化 AI Agent 的 SEC 财报文件循证研究

NamTV2712/Enterprise-Document-QA- · FilingScope — evidence-grounded SEC filing research with hybrid RAG, durable Agents, FastAPI, Qdrant, React and Groq.

FilingScope 是一个面向 SEC 10-K 财报文件的研究系统，提供 Quick Research 与 Deep Research 两种模式：前者流式输出带引用的答案，后者由单个有界 AI Agent 以持久化进度、证据、结果与取消机制完成研究目标。其混合 RAG 管线组合 BM25、Qdrant 语义向量检索、RRF 融合、交叉编码器重排与循证生成，技术栈包括 Python、FastAPI/SSE、React/TypeScript、SQLite、Docker 与 Groq。README 给出了受控开发基准、性能记录、校验门禁与已知局限，并声明证据可检视但正确性不作保证。

Ghostlink：面向异构本地集群的分布式 LLM 推理织构

rwilliamspbg-ops/Ghostlink · Distributed LLM inference fabric for heterogeneous local clusters. Features zero-copy SPSC ring buffers, automated tuning, and an OpenAI-compatible API.

Ghostlink 是一个用 Rust 编写的分布式推理织构，面向由 CPU、GPU、NPU 混合组成的本地局域网集群。它通过 llama.cpp 的 ggml-rpc 后端拆分 GGUF 模型权重，自动发现局域网节点并按硬件能力放置负载，对外提供 OpenAI 兼容的 /v1/chat/completions API 服务；同时包含硬件探测、自动调优以及 SPSC 环形缓冲区、TCP/UDS 传输、AF_XDP 内核旁路等研究性组件（实验性质，其基准数值只反映传输分帧延迟而非 LLM 生成速度）。

bak：跨机器备份、恢复与同步 AI 编程环境配置的 CLI 工具

danielxxomg/bak-cli · bak — CLI tool to backup, restore & sync your AI coding setup across machines. Supports Claude Code, Cursor, Codex, Windsurf, Kiro, KiloCode, pi.dev, OpenCode.

bak 是一个用 Go 编写的命令行工具，用于备份、恢复和同步 AI 编程工具的配置。它可自动检测 Claude Code、Cursor、Codex、Windsurf、Kiro、KiloCode、pi.dev、OpenCode 共 8 种 AI 编程工具，支持预设备份（quick、full、skills）、还原前 dry-run 预览、机密信息检测与就地脱敏、机器配置文件（machine profiles）、通过 GitHub Gist/Repo、Codeberg、Gitea/Forgejo、rclone 等多云同步，并可选对云端归档使用 AES-256-GCM 加密，还提供 undo 回滚、备份校验与 diff 对比、tar.gz 导出、OS 原生定时备份和交互式向导。

claudit：自托管的 Claude Code 用量统计看板，按项目做成本核算

Nitjsefnie/claudit · Self-hosted Claude Code usage dashboard — TTL-correct cost accounting and per-project attribution for session transcripts

claudit 是一个自托管 Web 应用，用 FastAPI 从 Cloudflare R2（或本地 file:// 镜像）摄取 Claude Code 会话转录，解析入库到 Postgres，并通过 React 前端展示用量仪表盘。它聚焦“花了多少、用了多少、什么时候用”的量化统计，包括按模型的成本拆分（含 5 分钟 / 1 小时缓存创建 TTL 计费差异）、Token 明细、思考输出、提示缓存 TTL 拆分、响应大小、单会话上下文增长、会话消耗速率、工具使用比例与错误率、回复延迟、活动热力图、按上下文长度与 Agent 类型的成本、代码增删行估计，并对跨文件 uuid 去重、限流命中做检测。同一套部署也可解析 Codex 与 Kimi（kimi-code 与 legacy）转录并统一入表，支持多用户认证或访客模式、时间范围选择与实时更新。

Bastra Recall：为 AI 助手提供跨会话持久记忆的本地 Markdown 记忆库

n0mad-ai/bastra-recall · Local-first memory for AI assistants. Keep preferences, decisions and lessons across sessions and connected tools in readable Markdown files.

Bastra Recall 是一个本地优先的 AI 助手记忆工具，把偏好、决策和经验教训存成可读的 Markdown 文件，供 Claude Code、Codex、Cursor 等 MCP 兼容客户端共享调用。它通过 MCP、Skill 和钩子在会话开始或操作前自动浮现相关记忆，避免重复交代上下文，同时允许用户用文本编辑器或 Obsidian 直接查看和修改记忆文件。

Flashmind：Rust 编写的 AI Agent 开发框架

flashmind-labs/flashmind · AI agent framework in Rust — streaming LLM providers, 70+ tools, vector memory, multi-agent orchestration, and MCP support

Flashmind 是一个用 Rust 构建 AI Agent 应用的框架，提供流式 LLM 供应商接入、70+ 内置工具、向量记忆、多智能体编排与 MCP 支持。它通过统一的异步 API 暴露能力，内置 Ollama、OpenRouter、Anthropic、OpenAI（兼容 vLLM/LiteLLM）四类供应商，并支持自定义工具、自定义供应商、混合检索记忆与上下文自动压缩；同时提供 Jev CLI 与 OpenRouter CLI 等命令行入口。

Agent Skills（Emdash Skills）：面向 32+ AI 编程工具的自主产品构建技能体系

heymegabyte/agent-skills · Agent Skills — agent-neutral autonomous product-building OS for 32+ AI coding tools. 23 skill categories · 28 agents · 149 reference docs · 37 platform variants. One-line prompts → deployed products on Cloudflare Workers.

Emdash Skills 是一套与具体 agent 无关的技能与规则集合，面向 32+ 种 AI 编程工具，覆盖从产品构思、架构、构建、QA 到部署的完整流程，目标是把一行提示推进到部署在 Cloudflare Workers 上的产品。仓库包含 23 个技能类别、28 个 agent、多条 slash 命令、跨平台规则变体文件，并引入 Playwright、视觉 QA、Lighthouse、axe-core、SEO 等硬性发布门禁，以及 MCP 编写、文档处理、RAG 流水线等能力。

Brama：用统一端点聚合所有模型与提供商的 LLM 网关

wisent-ai/brama

Brama 是 Wisent 提供的统一模型访问网关，通过一个 OpenAI 兼容 API 与统一身份接入多个模型提供商与订阅。它支持逻辑别名与 best/fast/cheap 等启发式路由、agent 级订阅选择器（any、any-vision-capable、task:<task-name>）、SSE 流式输出、OAuth 订阅凭据刷新、final-use 密钥兑换（Skarbiec 能力插座或桌面内存凭据映射）以及按 token 归属的审计日志。适用于桌面私有网关、Wisent 服务开发者、Jeden 运行时与运维人员的权限最小化与可审计路由场景。

precis-mcp：为 LLM Agent 提供统一读写检索 API 的 MCP 服务器

retospect/precis-mcp · MCP server giving LLM agents a seven-verb API over papers, documents, code, state, patents, and cached web/Wolfram/YouTube tool calls

precis-mcp 是一个 Model Context Protocol（MCP）服务器，面向 7B 级别的语言模型 Agent，用八个动词（get/search/put/edit/delete/tag/link/more）加一个 kind= 参数，在论文、专利、文档、代码、个人状态与缓存工具调用等三类内容上提供统一接口。内容存储在 PostgreSQL 与 pgvector 中，支持混合词法检索与语义检索，并提供 Web 界面。工具种类可按可选扩展与环境变量启用或关闭，可选种类缺失时自动从工具面上消失。

webfang：面向 RAG 数据集的高性能模块化网页爬虫

XaviCode1000/webfang · Modular web scraper with Clean Architecture — wreq TLS fingerprinting, RAG export, MCP server, TUI, AI semantic cleaning. 1,337 tests, Miri verified.

webfang 是一个用 Rust 编写的高性能模块化网页爬虫，采用 Clean Architecture 组织为 webfang_core、webfang_ai、webfang_mcp、webfang_cli 四个 crate。它提供基于 Readability 的内容提取、ONNX 语义清洗、多格式导出（Markdown/JSON/JSONL/向量）、Obsidian 保存、站点地图发现、资源下载、WAF 检测、限速与断点续爬等能力，并内置供 AI Agent 集成的 MCP 服务端。

llm-for-zotero：在 Zotero 文献库内使用的 LLM 研究代理插件

yilewang/llm-for-zotero · An open-source research agent system for your Zotero library.

llm-for-zotero 是一个将大语言模型引入 Zotero 阅读器的开源研究代理系统，让用户无需离开文献库即可与 PDF、选中文本、图表和上传文档对话，获取带引用可跳转的答案，比较多个文献，并把回答、对话记录和研究笔记保存到 Zotero 笔记或本地 Markdown 目录（如 Obsidian、Logseq）。它支持标准 API 提供商、本地 OpenAI 兼容模型、ChatGPT WebChat、Codex App-Server 和 Claude Code 等多种后端，并提供 Agent Mode（beta）用于库级读取、搜索、打标、元数据管理、导入与整理，以及基于 Tavily 的联网搜索。

Linggen Skills：面向 Linggen 个人 AI 助手的即插即用原生技能合集

linggen/skills · Skills for Linggen — drop-in folders that become native apps: personal CFO, DJ, Mac care, GTM pulse, shared memory.

Linggen Skills 是 Linggen 个人 AI 助手的技能集合，每个技能是一个可直接放入的技能文件夹，运行在本地并可与任意模型配合使用。现有技能包括个人财务分析（cfo）、DJ 选曲与音乐库管理（dj）、面向独立创始人的 GTM 信号收集与内容起草（pulse）、供多个 AI 工具共用的共享记忆（shared-memory，基于 LanceDB RAG 与 ling-mem 命令）以及 macOS 系统健康扫描（apple-shifu）。技能可通过 ling init --global 自动安装，或手动复制到 Claude Code / Codex 的 skills 目录。

Market Dashboard：日美股市场仪表盘与 AI 多智能体选股组合分析

w-index-m/market-dashboard · Streamlit market dashboard for JP/US equities — AI multi-agent stock analysis, ROIC-WACC/factor screening, mean-variance portfolio optimization, and trade tracking

基于 Streamlit 的日股与美股市场仪表盘，整合宏观环境、情绪分析、日本股因子分析、AI 多智能体个股诊断与组合建议，以及实际交易记录管理。项目采用三段式 AI 多智能体流水线（宏观分析→个股并行分析→组合组装），在 5 家 AI 提供商间自动降级，并组合 yfinance、Tiingo、FMP、BLS、FRED、J-Quants、Finnhub 等 10 余个外部 API 与数据源。同时提供 ROIC-WACC、均值方差组合优化、ROE vs 资本成本、需给与价格形态筛选等分析工具，并提供公开在线版本。

CodeFRAME：面向 AI 编程智能体的项目交付与验证编排系统

frankbria/codeframe · Think → Build → Prove → Ship. The project delivery system that turns ideas into verified, deployed code. AI agents write the code — CodeFrame owns everything before and after.

CodeFRAME 是一个 Python 编写的命令行项目交付系统，围绕“Think → Build → Prove → Ship”流程，覆盖 AI 编码智能体写代码之前的需求规划与任务拆解，以及之后的验证与发布。它通过 cf prd generate 进行苏格拉底式需求发现，用 cf tasks generate 将 PRD 拆解为带依赖的原子任务，再交给 Claude Code、Codex、OpenCode、Kilocode 或内置 ReAct 智能体执行；PROOF9 九道验证门禁把缺陷固化为长期校验要求，cf pr create/merge 在证明通过后才允许合并。项目为公开测试版（0.9.3），采用 AGPL-3.0 许可，主要通过 pip/uv 安装的 cf 命令行使用，需要与所选 LLM 提供方匹配的 API Key（如 ANTHROPIC_API_KEY、OPENAI_API_KEY，本地 Ollama 无需密钥），GitHub 集成需要 GITHUB_TOKEN 与 GITHUB_REPO。

Anthropic 对 Dots 和 Muse 的回应已在 Claude 内部

这则快讯汇总了近期的 AI 动态：OpenAI 在 DevDay 上推出 Dots，Meta 推出了 Muse，xAI 出了 Grok Bot，它们都是“常驻型”的个人智能体——像一直待命的助手，能自己开电脑、开浏览器、替你干活。Anthropic 的回应是把已有的 Cowork（能定时跑任务、合上笔记本也继续工作）直接并入 Claude 主应用，先给付费订阅用户使用。对读者的意义是：这类产品还很年轻，没有赢家；竞争的关键不是发布噱头，而是有没有人真的把它当日常工具反复使用。

AI 加速漏洞利用，漏洞表格已跟不上节奏

AI 让软件开发变快，也让漏洞被找到和利用的速度变快。过去安全团队靠一张表格记录漏洞、按严重程度打分再排优先级，但现在漏洞太多，这种方法很难跟上。文章提出换个问法：不要只问“我们有多少个漏洞”，而要先问“哪些漏洞真的会给我们带来风险”。做法包括：用更干净的基础镜像和代码扫描减少漏洞进入系统，同时持续扫描真正在生产环境里运行的软件，并结合网络可达性判断风险。这样能帮团队少做“表面功夫”，把精力放在真正危险的地方。

AI Agent 正在冲击开源安全漏洞披露机制

开源安全领域一直有个惯例：发现漏洞后先保密一段时间，等补丁做好再公开，防止被人利用。但作者 Anil Madhavapeddy 指出，现在 AI agent 能大幅缩短这个过程——它们可以根据公开的蛛丝马迹自动拼出可用的攻击代码，让“保密期”形同虚设。因此开源项目必须加快打补丁和发版的速度，因为从漏洞公开到被利用的窗口正在迅速缩小。对普通用户来说，这意味着开源软件的安全更新会来得更快，但漏洞被利用的风险也更紧迫。

Istio 1.31 新增 Agentgateway Waypoints，并将发布构件迁出 Google Cloud

Istio 是一个管理服务之间通信的开源工具。在 1.31 版本中，它新增了 agentgateway waypoints 功能，让 ambient 模式下的流量管理更灵活，1.31.1 又修了一个金丝雀发布的配置问题。同时，官方不再把镜像和 Helm 图表发布到 Google Cloud，用户需要迁移到新的仓库。如果你在用 Istio 并校验镜像签名，还要提前更新签名密钥，因为 10 月 13 日会做一次停服测试。

演讲：在 DoorDash 构建生成式 AI 平台

DoorDash 的两位工程师 Swaroop Chitlur 和 Sidd Kodwani 分享了公司内部搭建生成式 AI 平台的过程。最初他们主要依赖外部厂商的模型，后来逐步转向开源权重模型，并搭建了统一的 LLM 和 Agent 网关来管理调用。平台要同时兼顾准确度、响应速度和成本，目前服务超过 5000 名内部用户。对读者来说，这是一个大型公司如何把生成式 AI 落地到内部、并控制成本和性能的真实案例。

Claude Frontier Academy：投入1亿美元培训1万名工程师

Anthropic 承诺投入 1 亿美元推出 Claude Frontier Academy，目标是在 2027 年底前培训 1 万名“前沿部署工程师（FDE）”。企业想用 AI，但真正能把 AI 落到业务里的人很难找，所以这个学院像医生培养那样：先上课、在模拟的企业项目里练手，通过考核后拿徽章，再用 12 周时间在本公司做一个真实的 Claude 项目，最后再考一次才能拿到正式称号。首批学员来自埃森哲、贝恩、凯捷、澳大利亚联邦银行、德勤、麦肯锡、摩根士丹利和诺和诺德等公司，目前需由公司提名，个人不能直接报名。