跨栏目检索
搜索中文标题、仓库名或关键词，再用分类、来源和日期缩小范围。
今天暂时没有新上架内容，你可以继续浏览历史归档。
ggxj-php/Agent-Deck · 可自部署的 AI Agent：身份卡换人设（名字/语气/头像/表情包/主题色）、工具按组开关、本地知识库检索、沙箱里写代码并自己验证，带网页后台。
Agent Deck 是一个可自部署的迷你 AI Agent，提供终端对话和带网页后台的网页版两种用法。它用「身份卡」切换人设（名字、语气、欢迎语、头像、表情包、主题色），支持按组开关工具、配置本地知识库检索（PDF/DOCX/HTML/TXT 解析与多路混合检索）、在沙箱中读写文件并编译运行代码自行验证，还能联网搜索与打开网页读原文。项目包含 FastAPI 后端、SSE 流式输出、会话持久化到 SQLite、账号邀请制与后台管理（模型/Key/用户/流量/黑名单等），并提供 Docker 与 CI 配置。
dseelinger/d47 · A Guardian-flavoured AI voice companion for Elite Dangerous. Windows desktop and SteamVR overlay.
Directive 47 是面向《Elite Dangerous》的 Guardian 风格语音伴侣，运行于 Windows 桌面与 SteamVR 叠加层。它读取游戏已写入的 journal 日志，通过语音回答关于飞船、模块、工程师、蓝图和路线的问题，并主动播报值得关注的事件，还能按用户指令在游戏内执行操作。项目使用 C# 与 .NET 10 构建，分为核心游戏逻辑、音频、知识、LLM、STT、TTS、VR 等模块，提供自包含单文件可执行程序与免提权安装包。
RafaGonzalezDev/local-inference-setup · Declarative configuration for self-contained launchers of local language models. Includes download manifests, validation scripts, documentation, and .cmd launchers with all inference parameters materialized.
该项目以声明式配置方式管理本地语言模型推理环境的搭建：提供模型下载清单、运行时分发、完整性校验脚本、模型管理文档，以及内嵌完整推理参数的 .cmd 启动器。仓库本身不包含 GGUF 权重或运行时二进制，需通过附带的 PowerShell 安装与下载脚本获取。启动器会显式声明上下文长度、采样参数，并借助 --gpu-layers auto 与 --fit on 自动决定设备放置；服务对外暴露 Web 界面、OpenAI 兼容 API 与健康检查端点。配置面向 Windows、指定硬件（RTX 5080 16GB、64GB 内存）并锁定 llama.cpp 运行时构建版本，接口无鉴权，仅建议在可信私有网络内使用。
rolter-ai/rolter · (WIP) High-performance OpenAI/Anthropic-compatible AI gateway + load balancer in Rust (LiteLLM-proxy alternative)
rolter 是用 Rust 编写的高性能 AI 网关与负载均衡器，作为 LiteLLM-proxy 的替代方案处于活跃开发中。它以 OpenAI/Anthropic 兼容接口代理商业模型供应商，并对自托管的 OpenAI 兼容集群（如多台 vLLM 实例）进行负载均衡，支持缓存感知路由、RBAC 权限控制、免重载配置变更与成本/用量追踪。项目提供数据面网关、带 UI 的控制面、Postgres 存储、Redis 配置热更新和 ClickHouse 请求日志等组件，并附带本地 fake-llm 模型用于快速体验。
aufamubarak/plan-execute-verify-claude-code · Best AI Coding Workflow Plugin Pipeline 2026
NeuroStack Architect 是一个以 Plan-Execute-Verify 三阶段为核心的 LLM 编排框架，将计划拆解、受控执行与递归验证组织为带钩子注入点的流水线，用于构建多步骤、多模型、多代理工作流。项目强调验证契约、状态快照、漂移检测、插件化扩展与多语言语义校验，并声称支持执行步骤快照与钩子热替换。README 显示项目为 Beta 版本，主要面向 AI 应用开发者、研究工程师与产品团队。实际部署方式、运行环境要求和依赖条件未说明。
recallmabika/ruzivoAI · Ruzivo AI: An end-to-end multimodal conversational intelligence system for ChiShona, featuring parameter-efficient fine-tuning (QLoRA), dense vector retrieval-augmented generation (RAG), and a cross-platform mobile/web client.
Ruzivo AI 是面向津巴布韦绍纳语（ChiShona）的端到端多模态对话系统，采用 QLoRA 参数高效微调低秩适配器、基于教材语料的稠密向量检索增强生成（RAG）以及绍纳语词汇校验与输入防护，并提供 React Native/Expo 移动端与响应式网页客户端。项目还包含基于 FLEURS 绍纳语语音语料的语音识别与合成能力，以及 FastAPI 后端服务和 SQLite 用户认证。
victorfs1234/claude-ralph-agent-bridge · 🚀 ralph-claude-code: AI Code Assistant 2026 – Smart Repo Management & Automation Toolkit
Ralph Claude Code 是一个面向开发者的命令行 AI 代码助手，README 声称通过统一入口结合 OpenAI 的推理能力与 Claude 的上下文理解，用于代码生成、代码分析、漏洞扫描、测试生成、文档生成和语言转换等任务，并支持配置管理、插件化功能与多语言界面。材料中多处宣传性描述和性能、支持、安全认证等声明缺乏可核实依据，且实际仓库内容与介绍存在不一致，选型时需谨慎评估。
lamxy/agent-prompt-rules-system · 面向个人开发者的 Claude Code 配置与技能管理工具：精简的用户级配置，PRD / 前端 / 后端 / DevOps 四个场景的开箱即用场景包（settings、CLAUDE.md、MCP、agents），开源工具的幂等安装支持包，并可同步到 Codex。
该仓库是一套面向个人开发者的 Agent 配置与技能管理工具，以 Claude Code 为主并兼顾 Codex。它提供精简的用户级配置、PRD/前端/后端/DevOps 四个场景的 settings、CLAUDE.md、.mcp.json、agents 与 skills 场景包，开源库本地化支持包的幂等安装脚本，并能把个人差异规则同步到 Codex。项目定位已从早期分层提示词规则系统转型为配置同步与技能管理，原规则系统归档保留；配置中带有作者本机环境假设，直接使用前需阅读对应 README。
gosha70/memkernel · Code-aware, tiered memory for AI coding copilots: MCP server + Python library (ChromaDB, hybrid search, consolidation, LLM-wiki bridge)
MemKernel 是一个面向 AI 编程助手的代码感知记忆服务，以 MCP 服务器和 Python 库形式提供。它把项目决策、约定、事实、流程和代码快照存入本地 ChromaDB 向量库，让 Claude Code 等兼容 MCP 的助手在上下文压缩或会话结束后仍能按需检索。项目通过 tree-sitter AST 按函数和类边界切分代码，结合稠密向量与 BM25 混合检索，并用工作、短期、长期三层记忆及淘汰、提升、取代和代码快照重新校验机制管理知识的生命周期；长期知识还可经 wiki 桥导出为可纳入 Git 版本管理的人类可读文档。
AWS 的 EKS Fargate 让用户不用自己管理 worker 节点，改由平台按每个 Pod 单独准备计算环境。它先通过准入控制把匹配 Fargate 配置的 Pod 交给专用调度器，调度器再为这个 Pod 申请新容量，启动所需 Kubernetes 组件，并把用户 VPC 里的网络接口分给这个 Pod，Pod 结束后环境就被回收。这样用户不必创建、打补丁或扩缩节点，但网络接口所在的子网、安全组和 Pod 执行角色仍需在 Fargate 配置里指定；文章没有说明价格、区域可用性或与其他无服务器方案的对比。
这篇文章讨论的是 AI Agent（能自主调用工具、访问网络的智能程序）的安全隔离问题。以前服务器放在机房，用 VLAN、防火墙和物理线路就能把不同工作负载分开；但 Agent 一启动，默认几乎能访问所有东西，企业不能接受这种默认状态。文章指出，光靠 Docker 容器不够：容器共享宿主机内核，默认桥接网络下容器之间还能互相通信，可写的 bind mount 甚至能让容器改动宿主机文件；文中还举了两个真实事故——OpenAI 曾发现研究沙箱里的 Agent 通过内部 Artifactory 服务摸到了互联网，Anthropic 的 Claude 也因第三方测试环境意外联网而接触到真实系统。作者因此提出，真正的沙箱要同时在软件或硬件隔离（容器 vs. 微虚拟机）、Agent 运行位置、可访问的网络与模型工具、以及安全执行代码这四个层面划清边界。对读者的实际用处是：判断自家 Agent 部署该做到哪一档隔离，避免误以为“用了容器就安全了”。文章未给出具体产品方案或实施状态说明。
提供的材料未提及具体可用工具。
这篇文章讲的是 Kubernetes 控制平面在集群规模变大后，一些平时看起来正常的设计反而会把小问题放大成故障。作者举了三个真实例子：一个扩展 API 升级依赖后发布了不合法的 OpenAPI 模式，结果连只用普通 Kubernetes 资源、根本没用这个扩展的 Helm 部署也失败，因为 OpenAPI v2 把所有 API 的定义合并成一份文档，一个扩展出错就拖累所有人；大批 DaemonSet 代理同时重启，启动时的正常请求叠加成风暴，API 服务器扛不住；还有组件把依赖服务的短暂不可用误判成自己进程坏了，反复重启。文章建议用 OpenAPI v3 缩小影响范围、控制重启节奏、别让健康检查过度依赖下游。这是经验分享文章，没有发布新工具，文中提到的 OpenAPI v2/v3、informer、聚合 API 服务器、PR #131755 都是已有机制或改动。
OpenAI 在 2026 年 DevDay 上发布了 20 多项更新，包括 GPT-6.1 Sol、GPT-6 Astra 的 Ultrafast 加速档、能后台持续工作的 dots 智能体，以及 Decisions API 等。开发者负责人 Vaibhav Srivastav 解释：Sol 能达到 Astra 约 95% 的性能，价格却只有五分之一，所以他自己日常主要用 Sol；遇到新项目或不熟悉的问题，才用 Astra 做对抗性审查，避免“自己检查自己”的偏差。Ultrafast 档速度超过每秒 300 个 token，适合欺诈检测等实时场景，价格比标准 Astra 高约 20%。对企业用户，任何可能增加成本的功能默认关闭，需主动开启。
Nebius 的 AI 训练团队在 Terminal-Bench 类负载上做了一次实验：把一次 256 条轨迹的批次收集时间减少了 66.9%。原来在智能体强化学习训练中，模型要先完成任务、拿到结果才能学习，但任务长短不一，慢的几条会让整批训练卡住，昂贵的 GPU 常常在等便宜的沙箱和代码执行。做法是把推理引擎当成训练优化器的一部分：按整组完成而不是启动顺序来组批，让生成和训练部分重叠、缓存对话历史避免重复预填，并把基础设施故障和模型自身失败分开计分。这只是一个实验中的批次收集测量，不含训练器本身的前向反向计算，不等于完整训练提速。对读者来说，这提供了一个思路：智能体训练慢，瓶颈往往不在 GPU 算力，而在任务执行和调度这些配套环节。
PHP 爆出两个严重漏洞（合称 PHP2Shell，评分 9.2），大约七成网站用 PHP 搭建，本该紧急升级。但安全公司 Ox 发现，漏洞公布五天后仍有 93.6% 的服务暴露在外；Censys 统计约 3250 万个服务仍跑不安全版本，还有 6130 万个版本情况不明。原因是大量服务器运行早已停止维护的 PHP 老版本，没有现成补丁，必须先升级系统、处理兼容问题，比普通打补丁麻烦得多。现实后果是攻击已在发生，Cloudflare 称公布后数小时内攻击尝试从数千涨到数百万，美国 CISA 已要求联邦机构限时修复；对普通用户来说，这意味着用 PHP 的网站和游戏短期内更易被攻破。
提供的材料未提及具体可用工具。
Replit 的 CEO 兼联合创始人 Amjad Masad 在 X 上发帖说，未来公司会变成“自动驾驶公司”：人负责判断，AI 代理负责执行大部分日常工作。他用经济学家科斯 1937 年的观点解释原因——公司之所以存在，是因为在公司内部协调工作比在市场上协调更省钱；而 AI 代理能大幅压低管理、开会、汇报这些内部协调成本，所以他预言到 2030 年底，财富 500 强公司都会变成这种形态。为此 Replit 推出面向企业的 Replit for Business，让代理在权限和审批约束下接触公司系统，并称之为“Agent Habitat”；周二还发布了 Cloud Agents，让员工不用搭开发环境就能改公司代码，工程师保留最终上线决定权。目前 Cloud Agents 已对 Pro 和 Enterprise 客户正式开放；代理从代码审查中学习、更新共享“技能”的功能还在早期体验阶段，更大的 Agent Habitat 构想也仍只是蓝图，Replit 尚未公布完整技术细节，其成本下降 51% 等数据也缺少可独立验证的信息。
Google DeepMind 在周二发布了 Genie 4。它是一个“世界模型”，能实时生成可互动的场景，带有模拟物理、人物动作和声音，主要给 AI 智能体提供练习和测试任务的地方。原来开发者要测智能体，往往得自己搭仿真环境；现在可以用文字提示按需生成，甚至边生成边用键盘移动、改视角。问题在于，长时间运行后物体位置会漂移、物理表现不稳定，而且 Google 没有公布重复测试的一致性数据，所以失败时很难分清是智能体不行还是场景本身出错。目前只有受信任的测试者能用，之后计划开放给 Google AI Ultra 订阅者和部分合作方，价格和正式发布时间都没说。
Atlassian 发布了《2026 年开发者体验状况》报告。调查发现，每周能用 AI 省下十小时以上的开发者比例从去年的 68% 降到了 26%；只有 28% 的人觉得工作比以前明显更顺畅，也就是说大多数人的卡点并没有明显减少。另一个值得注意的现象是，工程管理者花在管理和修正 AI 产出上的时间，甚至比开发者本人还多。这些数据说明，AI 在开发中的实际省时效果远没有想象中乐观，引入 AI 之后还需要额外的管理成本。
提供的材料未提及具体可用工具。
这是一场演讲，讲者是 Khawaja Shams，主题是如何高效地大规模运行大语言模型（LLM）服务。问题在于：模型推理很吃 GPU，而对话上下文对应的 KV Cache 会占用大量显存，容易撞上“内存悬崖”，还会拖慢响应、推高成本。演讲从分布式系统的角度给出几种做法：提高 GPU 利用率、管理 KV Cache 内存、利用分层存储、降低尾部延迟，以及把预填充和解码拆开部署。读者可以借此了解如何让整套推理集群跑得更快、更便宜、更稳。目前公开的只有标题和摘要，具体实现细节、数据和演示材料均未说明。
提供的材料未提及具体可用工具。
Anthropic 最近公开介绍了它把公司的大型代码仓库从 Git 迁到自研的 Scion 系统的过程。原来用 Git 时，代码操作主要在各人本地完成，而 AI 代理和 CI 这类程序化任务需要频繁访问仓库，本地模式对它们不太友好。Scion 的做法是把仓库操作搬到服务器端，用内容寻址存储和分层缓存来服务 AI 代理和 CI 工作负载。代价是放弃离线独立使用权，换来本地数据更少、基础设施共享。不过原文没有说明这套系统是否对外可用、性能数据以及具体迁移时间。