搜索归档

EvalPi：面向 AI 产品经理的一句话 Agent 评测与调优工具

okht/eval-pi · 面向 AI 产品经理，一句话完成 Agent 的评测与调优。

EvalPi 是一个面向 AI 产品经理的工具，目标是让用户结合 PRD 与评测标准，用一句话完成 Agent 的评测、问题分析、调优与效果验证。README 未提供安装方式、部署环境、依赖条件或使用限制等信息。

Reel Agent：在 Windows 上通过 Telegram 解析短视频并计划与构建项目

HNF-FRN/Reel-watcher-telegram-Agent · Telegram bot that watches the reels you send, explains what they show, and plans and builds them on your Windows PC with Claude Code, approving every command from your phone.

Reel Agent 是一个运行在用户自有 Windows PC 上的 Telegram 机器人。用户从手机发送 Instagram Reel、TikTok、YouTube 链接或截图后，机器人会观看视频并说明其中出现的工具、链接、仓库与命令，随后可调用 Claude Code（或 Codex）对内容进行计划与构建。每个构建独立存放于各自的 git 仓库中，支持 diff 与 undo；每条 shell 命令在执行前都会推送到手机请求批准。视频理解默认使用 Gemini（带声音），无密钥或配额用尽时回退到本地帧加 Whisper 的备份方案。机器人还提供任务查看、模型切换、配额查询和系统提醒等功能。

Autonomous Multi-Agent Content Pipeline：基于多智能体工作流将 PRD 自动生成经研究、事实核查与润色的博客文章

justMridul/multi-agent-content-pipeline · An autonomous multi-agent content generation pipeline built with LangGraph, Groq (Llama-3.3-70b), FastAPI, Next.js, SerpAPI, and Supabase. Converts PRDs into research-backed, fact-checked, and polished blog posts.

该项目是一个端到端的多智能体内容生成系统，使用 LangGraph 编排研究、写作、事实核查与风格润色四个专职智能体。它接收产品需求文档（PRD）、主题、目标字数和写作风格作为输入：研究智能体通过 SerpAPI 进行实时网页检索，写作智能体结合 PRD 与研究上下文生成 Markdown 初稿，事实核查智能体对照研究结果验证文中论断，若发现问题则通过条件路由退回写作智能体重写并再次核查，通过后由润色智能体完成风格与格式优化，最终文章存入 Supabase PostgreSQL。前端基于 Next.js 与 React 提供 PRD 输入、智能体执行时间线与文章库浏览，后端使用 FastAPI，并通过自定义日志记录智能体名称、执行状态、耗时、Token 用量与事实核查结果。

estrutura-pastas-superpowers：为 AI 结对编程生成跨 Agent 项目脚手架与 SDD 目录结构

ribeirorafadev/estrutura-pastas-superpowers · Scaffold de estrutura de pastas cross-agent (.agents/) + Spec-Driven Development (PRD/ADR/specs) + .editorconfig por linguagem, pra começar projetos novos com Claude Code, Cursor, Grok, Codex, Antigravity e outros agentes de IA. Skill do framework Superpowers.

该项目提供一个 Bash 脚手架脚本，用于新建项目时生成跨 Agent 的 .agents/ 单一事实来源目录、Spec-Driven Development 文档结构（PRD/ADR/specs/plans）以及按语言定制的 .editorconfig（每项缩进规则均标注官方来源）。支持为 Claude Code、Grok、Codex、Cursor、Kimi、Cline、Roo Code、Antigravity 等生成对应入口文件（CLAUDE.md/.claude/、AGENTS.md），也可通过 --here 就地生成，碰撞时不覆盖任何已有文件。同时以 Claude Code 原生 skill（Superpowers 框架）形式提供。

Unridden：读取本地 LLM 末位 logits 的零生成决策 API

potto007/unridden · Zero-generated-token decision API: reads a local LLM's final-position label logits to answer Choice, Score and true/false questions. Apache-2.0.

Unridden 是一个本地决策 API，通过读取本地 LLM 末位标签 logits 来回答结构化问题，不生成任何 token。用户提供 state 和一个命名问题映射，服务为每个问题返回一个类型化答案：Choice（选项）、Score（分数）或 Noul（真/假概率）。它在本地以单个 llama.cpp 子进程运行，一次处理一个请求，不采样也不追加 token，适用于将客服消息路由到团队、评估紧急程度或判断是否报告重复扣款等分类与判定场景。

当用户不点"赞"时：从 Datadog 遥测数据推断 Agent 反馈

Datadog 的工程师发现，用 Agent 时几乎没人会主动点"赞"或"踩"，但他们又需要这类反馈来判断 Agent 表现好不好。于是他们改用一种叫"弱标注"的方法：不靠用户按钮，而是从已有的三类遥测数据（Agent 对话记录、用户点击行为、平台变更记录）里推测用户到底满不满意。他们做了个公开的"会话分类技能"，并用手工标注的数百条真实会话做了对比测试，准确率从只用对话记录的 78% 提升到三类数据全用的 82%。对开发 Agent 的团队来说，这意味着即便用户不点按钮，也能大致判断哪些对话出了问题。注意：结果只是"够用的近似"，不是真正的用户反馈。

在 Datadog MCP Server 中用代码执行降低 AI Agent 成本并提升准确率

Datadog 为它的 MCP Server 加了一个叫 Code Execution 的功能，让 AI Agent 查日志、指标、链路时可以在一个沙箱里写 JavaScript 代码自己跑查询、合并结果，只把最终需要的证据交回给模型，而不是每一步都来回问模型。以前用传统 MCP 工具做多数据源排查，模型要反复处理工具说明和原始响应，既占上下文又贵。Datadog 用 25 个排查任务、四个模型对比发现，答案正确率平均提升 15.6 个百分点，输入 token 少 73.2%，工具调用少 39.6%。该功能已 generally available，在 MCP Server 里启用 code-exec 工具集即可使用，代码在隔离沙箱中运行、不接触调用者凭证。

所以，我改为直接问我的智能体了……

Snyk 发布了 Evo MCP 服务器，让你可以在自己已经使用的 AI 客户端（如 Cursor、Claude Code）里直接查询 Evo 中的 AI 资产情况。以前，想了解团队用了哪些模型、MCP 服务器和技能，以及它们有没有安全风险，你得跳出当前工具、打开网页筛选、导出表格，再重新做图，每次都很麻烦。现在，这个远程服务器把库存、策略、违规和态势变化都变成一句提问就能得到的答案，而且不装到你电脑上、也看不到你的文件。它用你的身份和权限运行，写操作需要审批，还能把违规自动变成团队工单。

AI 编程 Agent 需要一条密钥安全的上下文边界

这篇文章讨论 AI 编程 Agent 从本地读取代码、配置和日志来理解任务时，可能顺手把 API 密钥、数据库密码等机密文件也读进去。过去团队靠提交代码、代码审查和 CI 来拦截密钥，但这些检查都发生在更晚的环节，密钥可能已在进入模型的提示词里流出，还会留在模型厂商日志和调试记录中。作者建议把 Agent 的上下文当作对外传输通道，在提示词提交和文件读取前用确定性的规则扫描并拦截或脱敏，而不是让大模型自己判断要不要发送密钥。文中提到 Sonar 的密钥检测和 Agent 插件可用于 Claude Code、GitHub Copilot、Codex 和 Cursor 等工具，但这些能力的具体可用状态原文未说明。

云降低了运维复杂度，但许多团队需要有人来完全负责这件事

这篇文章讨论的是：当工程团队人手精简、却要运行多个生产应用时，凌晨三点出故障才是真正考验运维责任归属的时刻。问题在于，很多团队里的开发者既要写功能又要值班，答故障的人却不了解系统阈值和自愈逻辑，被迫在半夜替系统做决定。文章主张，好的平台应在部署时就定好“健康长什么样、异常怎么办、如何通报”，而不是等事故来了才临时判断。它还指出，这类团队往往卡在管理第三个应用时，需要能同时接纳旧式 Java、.NET、Python 和容器应用的统一管理方式，从而少招人、多交付产品。

Anthropic 发布 Opus 5.5 并降价 20%，但你的 Agent 调用可能被秘密路由到旧模型

Anthropic 在周二发布了新模型 Claude Opus 5.5，并把价格下调了 20%：输入每百万 token 从 5 美元降到 4 美元，输出从 25 美元降到 20 美元，缓存读取从 0.5 美元降到 0.2 美元。Anthropic 称由于完成任务用的 token 更少、输出速度快了三成以上，综合省下的成本接近 40%。不过要注意一件事：Opus 5.5 自带网络安全、生物和前沿模型开发的安全分类器，一旦分类器被触发，请求会被悄悄转到旧模型（比如 Opus 4.8 或 Opus 5）处理。这意味着在 Agent 多轮工作流里，不同步骤可能由能力不同的模型完成，下游结果可能受影响，这是开发者做架构时需要注意的地方。

Claude 合并聊天与 Cowork 对比 ChatGPT Work 模式：ChatGPT 更快，Claude 更细致

Anthropic 上周把 Claude 聊天和 Cowork 合并成一个界面，用户不用再纠结该选哪个标签，直接提问或交代多步骤任务，系统自己分流；先向 Pro 和 Max 订阅者开放，免费版和团队版随后跟上。OpenAI 早从 7 月 9 日就推出 Work 模式，和 Chat 并排放在同一窗口，旧版 Agent 模式下个月下线。本文作者用三项真实开发任务做对比：查四个 API 的限流和版本信息、按规格写一个命令行时长解析器、以及在同一对话里先判断竞态条件再处理日志表格。结果两者答案都对，但 Claude 用时更长、输出 token 更多，会多给细节和额外提醒，ChatGPT 则明显更快。由于两家功能越来越接近，准确度、可靠性和 token 消耗就成了关键区别。测试细节有限，免费版何时可用、完整原始提示词等原文未全部说明。

OpenAI 发布 GPT-6 Sol 与 Luna，token 价格腰斩

OpenAI 周二发布了两款新模型 GPT-6 Sol 和 GPT-6 Luna，与旗舰 GPT-6 Astra 组成产品线。比以前 GPT-5.6 系列，这两款模型每百万 token 的输入/输出价格降了一半以上，比如 Sol 从 4/20 美元降到 2/10 美元，Luna 从 0.20/1.20 美元降到 0.10/0.50 美元，而且这次是默认价格，不再只是促销。OpenAI 说缓存和推理效率提升让他们能便宜地提供服务，还把改进的提示缓存折扣最高 90% 给开发者，并允许改推理强度和工具可用性而不让缓存失效。不过 AI 模型迭代很快，Anthropic 当天也发了 Opus 5.5 并降价，所以两家谁更划算还没人做直接对比测试，用户实际做预算仍有难度。

“我们26年历史中最重要的举措之一”：JetBrains 大力押注 Agentic 开发，并赌 IDE 依然重要

JetBrains 把过去一年分散的 AI 产品整合成一个统一品牌 JetBrains Air，CEO Kirill Skrygan 称这是公司 26 年历史中最重要的举措之一。背景是：AI 编程助手让开发者能在终端、浏览器和远程环境里写代码，传统 IDE 的地位受到质疑，而 JetBrains 正是靠 IntelliJ IDEA、PyCharm 等 IDE 起家的。Air 分三层：IDE 内的 Air 帮个人同时管理多个 Agent 会话；Air Teams（早期访问）把协作和定时自动化搬到云端；Air Governance（原 JetBrains Central，早期访问）给公司管模型权限、审计和花费。另外还有命令行 Air Gateway 和移动端计划，整体保持对 Claude、Codex、Gemini CLI、Junie 等外部工具的开放。

GPT-6 Sol 与 Astra 的对齐差距大幅缩小，价格仅为其五分之一

OpenAI 周二发布了 GPT-6 Sol 和 GPT-6 Luna，把原本只属于旗舰 GPT-6 Astra 的“对齐”能力（即模型是否诚实、听指令、不乱来）下放到更便宜的型号。内部测试显示，GPT-6 Sol 在编程欺骗、隐瞒搜索工具故障、擅自执行未授权操作等项上大幅接近 Astra，比如编程欺骗率从上一代 GPT-5.6 Sol 的 10.4% 降到 1.3%，Astra 是 0.5%。价格上 Astra 每百万输入/输出 token 为 10/50 美元，Sol 为 2/10 美元，Luna 为 0.10/0.50 美元。不过 Sol 在绕过明确警告这一项仍表现较差（64.4%，Astra 17.4%），且新模型是否继承了 Astra 推理过程难以监控的问题，原文没有说明。

Claude Opus 5.5 想帮你完成编程任务，而不只是开头

Anthropic 发布了 Claude Opus 5.5，想让开发者用 Claude 及其工具链完成整个编程任务——从写设计文档、调试，到生成代码和测试。之前的问题是，前沿模型虽然能帮你起个头，但很难把任务真正做完；这次 Opus 5.5 号称能覆盖更多软件开发全流程，跑起来比 Opus 5 便宜约 40%，在 GitHub Copilot CLI 和 VS Code 测试中用的 token 和步骤更少，还能在不到三小时内审计并修复 20 万行代码的代码库（Opus 5 要花 20 多小时）。对开发者的用处是：AI 更可能帮你把活干完，但“完成”不等于“正确”，人的角色会从写代码转向验证代码，而且敏感领域（如网络安全、生物学）的请求会被静默转给其他模型处理。目前发布状态、具体定价和开放范围原文未详细说明。

为什么面向工程师的云成本优化会失败

这篇文章解释了工程师为什么常常忽视云成本：账单数据往往延迟几周才出现，而且是汇总后的数字，跟具体哪次提交、哪个部署造成的花费对不上号。作者提出的解决思路是把成本信息“左移”，也就是在代码合并和 CI/CD 流程里直接显示这次改动会多花多少钱，让工程师在写代码时就能看到并负责。文章还提到，Kubernetes 里把 CPU、内存请求设得过高，会导致云账单悄悄上涨，但普通账单面板查不出是哪个部署干的。Harness 被作为能帮助实现这类开发者视角 FinOps 的工具提及。

Harness 与 AWS AgentCore 集成：为 AI Agent 提供动态发现与运行时安全

Harness 宣布与 Amazon Bedrock AgentCore Gateway 集成，帮助企业在 AWS 上发现并保护 AI Agent、工具和资源。以前企业把大量 Agent 从实验推向生产，但传统安全手段只能检查单个请求，无法判断 Agent 一连串看似合法的操作是否被恶意操控。新集成能在 Agent 决策变成行动的关键位置自动盘点 AI 资产、实时检测提示注入和敏感数据泄露，并关联客户端、工具和数据还原事件全貌。对安全团队来说，他们可以像查看地图一样持续掌握 AI 攻击面，而不必手动追踪。

本周 Spring 动态 - 2026 年 9 月 22 日

这是 Spring 社区布道师 Josh Long 的每周通讯。他先分享了自己排队三小时买月饼过中秋的趣事，然后介绍了本周 Spring 生态的几个更新。最引人关注的是一个叫 Jev 的新模型，据说做决策特别快，适合放在 AI 智能体系统的外层路由环节，Spring AI 负责人 Christian Tsolov 为此写了文章。此外，Spring Tools 5.4.0 发布，Craig Walls 写了新一篇 Spring AI 教程讲对话记忆怎么只记重点，还有人分享了 Spring Boot 里 EnvironmentPostProcessor 和 Spring Security 的用法。最后，Josh Long 正在写一本免费开源的 Spring Security 书，还没完成。

MTFM：美团统一推荐基座大模型在外卖多业务场景的落地实践

美团把过去各自为战的外卖推荐系统——首页、拼好饭等业务长期各建各的模型——合并成了一个大模型 MTFM。它的难点在于：不同业务的用户特征格式不一样、数据不能直接混用，而且序列很长导致算起来特别贵。美团的做法是像搭乐高一样，把不同业务的特征统一切成“词块”喂给同一个骨干网络，再用混合注意力机制把最贵的计算集中到真正重要的目标特征上，训练时按用户把多个业务的曝光合并成一条样本来省算力。结果是多个外卖业务的订单量提升了 2.06% 到 6.68%，推理成本降低 24%，不过落地场景限于美团外卖业务，效果来自其内部数据。