搜索归档

dreaming.press：由 AI 智能体撰写与运营的新闻出版物平台

f-o-x11/dreaming-press · A publication where AI agents write for humans. Node/Express SSR + SQLite, autonomous newsroom, live AI-tool data engine. https://dreaming.press

dreaming.press 是一个由 AI 智能体撰写并运营的在线出版物，设有 Dispatches、The Wire、The Stack、Fabrications 四个栏目，每篇文章标注 AI 作者与模型并由人类编辑审核，配有生成式封面与神经 TTS 朗读。平台采用 Node/Express SSR + SQLite 构建，包含基于实时 GitHub 数据的工具追踪数据引擎，以及 llms.txt、JSON feed、搜索 API 和 agent card 等面向机器的接口。项目还提供自主新闻编辑室，按计划进行研究、写作、配图与发布，并支持 AI 智能体或人类通过 PR 或 POST /api/submissions 投稿。

RacSogMo：面向台湾地区 AI 智能体的第三方支付网关协议

racsogmo-sys/RacSogMo-Payment-Protocol · The AI-Native third-party payment gateway protocol for Taiwan

RacSogMo 是一个面向台湾地区、专为自主 AI 智能体与 LLM 驱动应用设计的第三方支付网关协议，基于 Model Context Protocol（MCP）提供语义化接口。它作为统一适配层对接台湾本地支付生态，支持 CC/BASE 任务智能路由、Pure3D/V3 白名单安全验证，以及数字钱包与动态虚拟账号（DVA）等多轨支付路径的语义分流，并针对 GPT-4、Claude 等模型优化响应解析以支持自主错误修复。

ai-engineering-resources：转型 AI 工程的学习资料与论文合集

ochiee/ai-engineering-resources · 🤖 Explore essential AI engineering resources, from research papers to tools, to help software engineers transition into AI roles effectively.

该项目收集了面向希望转型为 AI 工程师的开发者所需的研究论文与博客文章，内容涉及 AI、大语言模型（LLM）和 Transformer，涵盖从基础概念到进阶讨论的资料。仓库以资源合集形式组织，README 提供了通过 Releases 页面下载并解压浏览的说明，并提到集合会定期更新。

IntelliJ-AI-Prompt-Generator：在 IntelliJ IDEA 中生成结合项目代码的上下文提示词

thecoolman87/IntelliJ-AI-Prompt-Generator · 🛠️ Build context-rich AI prompts in IntelliJ IDEA, easily incorporating your project's code for smoother interaction with AI assistants.

IntelliJ-AI-Prompt-Generator 是一个 IntelliJ IDEA 插件，用于生成结合项目代码上下文的提示词，帮助用户更顺畅地与 ChatGPT、Claude 等 AI 助手交互。提供的描述称其支持主流 AI 模型、安装流程简单，并且不要求用户具备编程知识。

NEWS-Chatbot：土耳其语新闻摘要与问答聊天机器人

timlfg/NEWS-Chatbot · 📰 Summarize Turkish news, answer queries, and perform multilingual tasks with this versatile chatbot powered by FastAPI and Streamlit.

NEWS-Chatbot 是一个面向土耳其语新闻的聊天机器人应用，可对新闻文章生成简洁摘要，并围绕文章内容回答用户提问。项目由 FastAPI 提供后端、Streamlit 构建用户界面，并使用 mT5 模型支持多语言处理；README 面向非编程用户提供了下载安装与使用步骤。

Bobby-Botique：开源 Telegram AI 助手框架，支持多模型路由与长期记忆

Le-Who/Bobby-Botique · Open-source Telegram AI assistant framework with provider routing, streaming recovery, agentic research, multimodal tools, Mini App UI, and GraphRAG memory.

Bobby-Botique（GemAI Bot v2）是一个基于 Python 的开源 Telegram AI 助手框架，面向真实生产环境中的机器人运维。它提供多 AI 提供商路由与故障转移（Gemini、Opencode、OpenRouter、FreeTheAI）、流式响应恢复、有限步数的智能体式网络研究、URL/文档/图片理解、语音转录与 TTS、图像生成、Telegram Mini App 界面，以及基于 pgvector 与图谱写入的同意制长期私人记忆。项目采用 Quart/Hypercorn 承载 Web 服务与管理员仪表盘，使用 PostgreSQL/pgvector 与可选 Redis，并提供 Docker 部署与运维工具、可观测性配置。

MCPProxy：在 AI Agent 与多个 MCP 服务器之间提供统一安全代理端点

smart-mcp-proxy/mcpproxy-go · Supercharge AI Agents, Safely

MCPProxy 是一个用 Go 编写的单一二进制代理，位于 AI Agent 与所有 MCP 服务器之间，提供统一、安全的 MCP 端点。它通过工具检索（BM25 搜索）让 Agent 只加载一个 retrieve_tools 函数而非数百个工具模式，从而节省 token 并突破客户端工具数量限制；同时提供自动隔离（阻断 Tool Poisoning）、可插拔安全扫描器、敏感数据检测、意图校验、活动日志审计与预检命令，支持 macOS、Linux、Windows 及内嵌 Web UI。

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。

勒索攻击后的前72小时：系统恢复不等于业务恢复

一位安全负责人（CISO）在一次模拟的勒索软件攻击推演中，展示了企业被勒索后最初72小时要面对的决策。问题在于：很多公司以为把服务器从备份恢复好就万事大吉，但实际上恢复系统只是让技术重新运转，业务恢复还要花更长时间——验证数据、重连依赖、处理积压订单、应对法律和客户影响。文章建议提前定好谁能断网、找好取证伙伴、准备声明模板，并借助AI辅助调查更早发现攻击。原文没有给出可直接使用的具体工具名称，具体产品细节也未说明。

用 Datadog 监控 Databricks

Datadog 发布官方介绍，讲如何把 Databricks 上的分析、数据工程和 AI/ML 工作负载接入 Datadog 统一监控。原来用户只能分别看 Databricks 自带指标和下游基础设施，成本和数据质量难以串起来。这次通过三条数据采集路径（集群上的 Agent 抓 Spark 指标与日志、轮询 Databricks API 拿任务运行状态、查系统表获取成本与血缘），把作业健康、花费、数据质量和日志汇总到一个界面。读者可以据此设置作业失败告警、查看 Spark 查询瓶颈、获得集群规格优化建议，并配合云厂商集成定位底层问题；相关功能已可用，但文中未说明具体版本或价格限制。

Databricks 的原生监控资源

Databricks 官方发了一篇指南，讲怎么收集 Databricks 和它底层 Spark 的运行数据（比如性能、成本、用量）。之前这些数据分散在各处，用户不容易统一查看和排查问题。这次介绍的方法主要是用系统表来查询日志、成本和性能指标，再配合 Spark UI、作业通知和 REST API，就能做分析和告警。不过要注意，系统表的数据不是实时的，延迟随 schema 不同，所以不能拿它做秒级告警；实时监控得靠作业通知和 API。

监控 Databricks 的关键指标

Databricks 的技术写作者 Aaron Kaplan 和产品经理 Ryan Warrier 写了一篇文章，教大家怎么监控 Databricks 平台上的数据工程、分析和模型服务任务是否健康、跑得快不快、花销有没有失控。原来很多团队用 Databricks 跑批处理、流式管道和 SQL 查询，但任务失败或变慢往往发现太晚，账单也容易悄悄涨上去。他们建议盯住几类关键指标，比如任务运行结果是成功、失败还是超时，任务跑了多长时间，有多少子任务出错，以及管道里有没有数据质量报错；这些指标来自 Databricks 自带的系统表。文章只是系列博客的第一篇，讲了平台架构和指标清单，没有给出具体告警阈值或现成仪表盘，系统表也标注为 Beta 状态，读者需要自己根据这些指标搭监控。

K3s 与 K8s：轻量级 Kubernetes 发行版何时胜出（何时不适用）

标准 Kubernetes（K8s，一个管理容器化应用的开源平台）功能强大，但运维负担重：搭建一套生产集群要配置控制面、网络、存储、安全、可观测性等多个组件，还要持续维护。K3s 是 Rancher Labs（现属 SUSE）推出的轻量发行版，把控制面和许多组件打包成一个不到 100 MB 的单一二进制文件，默认用 SQLite 存储，最低只需 512 MB 内存和 1 个 CPU 核心即可运行；而标准 K8s 通常至少要 4 GB 内存和 2 个 CPU 核心。因此 K3s 更适合边缘计算、物联网设备（如树莓派、零售终端、工业电脑）等资源受限场景，标准 K8s 则适合需要最大灵活性的复杂集群。需要注意的是，文章只给出了选型思路，没有提供两者性能或成本的对照数据。

“没理由每个人都要有千篇一律的 Claude 体验”：Anthropic 的 mods 让你改变 Claude Code 的外观和行为

Anthropic 给 Claude Code 加了一套叫 mods 的新功能：mods 就是一些用 JavaScript 或 TypeScript 写的小函数，可以挂到 Claude Code 内部的事件上，用来改提示词、拦截或改写工具调用、处理权限请求、替换界面部件，甚至加新功能。以前开发者只能通过设置、CLAUDE.md、hooks 和 MCP 服务器调整 Claude 的行为，但没法改变 Claude Code 自身的界面和功能。现在 mods 已随 Claude Code 2.1.287 及之后版本默认启用，还能打包成插件分享给别人装，不过 mod 代码在本机运行，Anthropic 建议只装可信来源的。

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。

GitHub 建议：先用别的办法，再考虑新的 Copilot 功能

GitHub 周四公测了 Copilot 的“computer use”功能：Copilot CLI 和桌面应用现在能像人一样操作 macOS 和 Windows 上的软件，能读屏幕内容，也能点击、打字、滚动和拖拽，连那些没有接口、只能靠图形界面操作的老软件也能用。但 GitHub 自己建议：如果任务能用 API、MCP 服务器、终端命令或专门浏览器工具完成，就优先用它们，因为那样结果更可靠。这项功能目前在公测阶段，需要手动开启，macOS 上还要单独授予辅助功能和屏幕录制权限；敏感窗口内容可能被智能体读到，企业管理员也可用策略限制。

为什么工程师无视云成本治理（以及如何解决）

Harness 发布博客文章，解释工程师为什么常常忽略云成本：传统 FinOps 工具把成本数据放在独立的财务仪表盘里，开发者得中断写代码去查，而且反馈往往要等 30 天才来，和日常交付节奏脱节。文章提出的做法是把成本信息“左移”进 CI/CD 和 IaC 流程：在合并请求合并前就评估这次改动是不是申请了没批准的实例类型、会不会超预算，超了就自动拦截或交给负责人审批；同时用 Harness Cost Management Agent 在服务级别做实时成本可见性。对平台团队来说，意义在于不用牺牲开发速度也能让开发者对云支出负责。目前文中提到的产品能力和模式来自厂商博客，具体发布时间和可用范围原文未说明。

AI 正在改变开发者的工作方式，这里有三个需要加强的技能

GitHub 博客发表了一篇文章，讲的是 AI 正在改变开发者的干活方式，光会写代码已经不够了。文章建议开发者重点练三件事：一是学会“指挥”AI 智能体，把问题说清楚、给对上下文，而不是自己一行行写；二是不轻信 AI 的第一版答案，可以让另一个 AI 模型来挑毛病，再自己拍板；三是把省下的时间用来想更大的问题，比如判断用户需求、权衡架构方案、定义成功标准。对读者来说，这说明以后的核心竞争力可能不是你写代码有多快，而是你能不能判断 AI 写得好不好、该不该上线。文章只给了方向性建议，没有给出具体数据或发布日期。

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。

从可复用到可再生成：重新思考共享 UI 组件库

作者 Daniel Curtis 提出，AI 代码生成正在改变前端组件复用的经济账。过去团队要花钱维护一套共享的 UI 组件包，现在只要把设计系统、设计令牌、规范和测试准备好，让模型按需生成标准界面即可，维护整套组件库的必要性因此下降。他的建议是别丢掉设计系统和测试这些真正保证一致性的核心，而是把组件从“预先做好反复用”转向“按需再生成”。文章只是观点文章，没有给出具体工具、数据或落地案例。