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。
Gshacker-cpu/oma · Enable runtime SIMD dispatch in Zig by compiling and selecting optimized functions for specific CPU microarchitectures automatically at startup
oma 是一个面向 Zig 语言的运行时 SIMD 调度工具，在程序启动时自动检测 CPU 所支持的指令集（如 AVX、AVX2、AVX-512、SSE2、NEON），并从一次编译生成的多份优化版本中挑选最快的一份执行，从而提升音视频、科学计算等并行密集型任务的速度。据 README 说明，它主要面向 Windows 10 及以上系统，运行时资源占用较小，不影响其他软件，也可直接删除文件卸载。
goitno/deepworm · Extract, analyze, and synthesize web data into detailed reports using deep learning without paid APIs or complex setup.
deepworm 是一个帮助用户进行深度研究的 AI 工具，支持连接 OpenAI、Google Gemini、Anthropic Claude 和 Ollama 四家 LLM 服务，并提供 DuckDuckGo 网络搜索集成。它可从命令行使用，也可作为 Python 包调用，旨在无需复杂框架或付费 API 的情况下快速获取聚焦的研究结果。
Rayan55050/progressive-agent · Provide a customizable AI assistant on Telegram with multiple tools, skills, and monitors that runs locally using hybrid memory.
progressive-agent 是一个面向个人使用的 Telegram AI 助手，支持在本地运行并采用混合记忆。它提供 60 多个工具、18 项专用技能、10 项监控功能，以及带六级语言模型支持的回退系统，强调隐私、无需编程知识即可使用，并会随时间自我改进，主要用于自动化日常任务。
ashumishra2104/Building_MCP_Server_and_Client · A hands-on collection of MCP (Model Context Protocol) servers built from scratch — designed for AI Product Management students and developers who want to give Claude real-world superpowers.
该仓库是面向 AI 产品管理学生与开发者的 MCP（Model Context Protocol）动手实践合集，包含 MCP 理论文档、入门终端 MCP 服务器、基于 React 与 Electron 的 MCP 客户端、天气 MCP 服务器，以及结合简历分析与职位搜索的 AI 求职推荐应用等五个递进式项目，用于学习如何让 Claude 等 AI 模型连接外部工具与数据。
simonroope/brickbase · RWA investing on Ethereum — Solidity EVM smart contracts, MCP server for AI-powered trading agents and a Next.js investor portal for tokenised commercial real estate. Development is supported by Agent AI — structured instruction files for Claude that guide common workflows (requirements elicitation, PRD creation, ticket generation & TDD build)
Brickbase 是一个以太坊上碎片化 RWA（真实世界资产）投资的 monorepo，包含 Solidity EVM 智能合约（AssetVault、AssetShares、AssetUserAllowList、OracleRouter）、面向 AI 交易代理的 MCP 服务器、外部数据事件层，以及用于商业房地产代币化的 Next.js 投资者门户。项目还集成由 Claude Code 和 Codex 驱动的 agent skills，引导需求获取、PRD 创建、票据生成、TDD 构建和架构评审等开发工作流。
dcellison/kai · A workshop on your own hardware where people and AI agents work together. Persistent coding agents with real access to your machine, durable memory, scheduled jobs, GitHub automation, and five interchangeable backends, in the browser or on Telegram. Your machine, your data, your rules.
Kai 是一个自托管的本地服务，为编码 Agent 提供持久化运行环境，可访问所运行机器的 shell、文件系统、git 和网络。用户可通过浏览器端 Workshop（频道、私信、线程、通知流）或可选的 Telegram 与 Agent 协作，也可通过语音、文件上传和网页表单接入。它支持 Claude Code、Codex CLI、Goose、OpenCode、Pi 五种可互换后端，随会话切换模型；提供按用户和项目隔离的向量记忆、调度与条件监控、GitHub PR/Issue 自动化、Webhook 反应、本地语音识别与合成，以及多用户隔离和 OS 级账户分离。
在纽约时装周前，谷歌的 Envisioning Studio 借助 Google Labs，和独立设计师 Jane Wade 与 Sergio Hudson 一起，用 AI 创意工作室 Google Flow 帮他们解决工作流程里的实际麻烦。Jane 的问题是，过去要先做衣服才能看整体造型，试装和选模特往往要花三天；现在她能在数字模特上先搭配服装、发型和配件，提前发现缺什么。Sergio 的难题是预算有限，改灯光和道具都要重新做 3D 渲染、很花钱；新工具让他先在虚拟秀场里换布景和灯光，再定模特走位。结果是这些工具已经在纽约时装周上派上用场，但文章没有说明它们何时向所有人开放，普通人现在还不能直接用。
谷歌最近推出了AI与经济ATLAS v1.0和开放访问网站，用来观察人们在工作与日常生活中如何使用谷歌的AI工具。但只看使用趋势还不够，AI正在改变工作和经济，需要把细致的数据和严谨的经济学研究结合起来。为此，谷歌扩大了AI与经济研究项目，邀请多位知名经济学家加入，包括诺贝尔奖得主Philippe Aghion担任学术顾问，以及Anu Madgavkar和Daniel Rock担任项目研究主管，分别负责全球AI扩散、小企业生态、劳动力影响以及企业生产率等实证研究。对普通读者来说，这意味着未来会有更权威的研究和数据，帮助大家理解AI对就业、经济和社会的影响。
提供的材料未提及具体可用工具。
Java 平台团队（JVM Ecosystem Team）的 Danny Thomas 发布了一套新命令行工具 ja 及其配套工具集的预览版，专门为 Java 模块系统设计，对写代码的 AI 代理也很友好。过去 Java 开发者主要靠 IDE 图形界面干活，命令行小工具较少，导致 AI 代理在找依赖、文档和源码时经常犯难。这些工具把模块描述文件变成项目的完整说明，依赖版本直接写在 requires 旁边，并提供 jig、jfmt、jist、jdocserver 等可单独使用、也可组合使用的独立工具。对于使用者来说，以后用 Java 模块会更方便，而且这些工具对自动化代理更友好。目前仍是预览阶段，尚未正式发布。
有人发现，Kubernetes 里 kubectl describe pod 只显示每个容器的资源申请，比如 api-server 容器只写了 40 毫核 CPU，看起来很小。但调度器真正给这个 Pod 预留的却是一整个 CPU 核心（1000 毫核），因为 Pod 里有个做数据库迁移的 init 容器，它启动时需要 1000 毫核，调度器必须按这个高峰来留资源。问题在于，Kubernetes API 从不直接给出这种“整个 Pod 的有效值”，监控工具也只显示单容器数字，导致集群容量估算和成本模型可能差了 25 倍。Dynatrace 表示自己在数据接入时对每个 Pod 自动算好这个正确值，并处理了 Kubernetes 1.34 的 Pod 级资源新特性，其他监控平台据其所知还没做到。对普通读者的用处是：如果你按控制台里的小数字判断节点够不够用、成本高不高，可能会一直算错。
提供的材料未提及具体可用工具。
Datadog 为 IaC 安全扫描加入了自定义规则功能，让企业能检查自己特有的基础设施规定，比如必须打哪些标签、只能用哪些实例类型、资源怎么命名。以前默认规则只能覆盖通用安全问题，内部要求往往得靠人工在代码审查时检查。现在可以用自然语言描述需求，AI 会生成对应的 Rego 策略和示例配置，在编辑器里验证后再发布，并支持版本历史与回滚。发布后，违规结果会出现在拉取请求评论、IDE 插件和 IaC 安全结果浏览器里，还能接入 PR 门禁和自动化流程，无需另建工作流。该功能现已可使用，支持 Ansible、CloudFormation、Dockerfile、Kubernetes、Terraform 和 GitHub Actions。
一家安全审计公司接到了一个叫 Miden 的零知识虚拟机项目的安全审查任务，这个项目用一种自创的汇编语言 MASM 写加密代码，几乎没有现成的开发工具，代码读起来非常费劲。他们的做法不是直接让 AI 去读代码找漏洞，而是先花六个月时间让 AI 代理从零搭建了一整套工具：代码编辑器插件、反编译器、静态分析引擎，还有一个用 Lean 写的虚拟机执行模型。这些工具帮他们发现了一个真实的安全漏洞——一个没有校验的输入，恶意证明者可以利用它伪造 Falcon 签名并偷走 Miden 账户里的资金；Lean 模型还产出了 95 条机器验证的正确性证明。对于读者来说，这说明 AI 在代码审计中的价值不只是在审代码本身，还可以先帮你造出审代码所需的工具，尤其适合那些缺少工具链的全新项目。目前该案例属于已完成的审计工作，但文中未说明这些工具是否对外开源、能否被其他人直接使用。
很多团队让最优秀的工程师去审查大量由 AI 生成的代码，结果他们被审查排队淹没，做不完也不喜欢做。问题在于 AI 写代码时没把“为什么这么写”的推理留下来，审查者只能从代码差异里倒推意图，而且这些代码往往看起来很对、实际上会出错。文章建议把审查负担移走：把反复出现的评论变成自动规则，保留生成代码时的意图作为验收标准，并衡量和奖励验证工作。对读者来说，这说明 AI 提效的同时，可能把压力转移到了代码审查环节，需要用流程和工具来补上。文章提到 Aviator 的 Verify 用于捕捉提示和智能体会话中的意图，原文未说明其是否已公开发布。
Vercel 运营着一个中转站（AI Gateway），帮开发者用统一接口调用多家 AI 模型，并记录每月流量和花费。最新报告显示，2026 年 8 月开放权重模型（权重公开、可自行部署的模型）处理了网关里 56% 的 token，这是它第一次超过一半；但按金额算，这些模型只分到每 1 美元中的 14 美分，而 Anthropic（Claude 的开发商）拿走了 64 美分。原因是开源模型通常更便宜，所以用量大不等于收入高。对读者的用处是：如果你在选模型，可以看到便宜模型正被大量使用，但企业愿意为 Claude 这类专有模型持续付费；同时模型换代时用户会跟着价格和能力走，而不是死守品牌。
这篇文章说，你做的 AI agent（能自己动手干活的智能助手）在测试时很好用，比如它审查代码改动时又快又准；但一上线到生产环境，同样的 agent 却会变慢甚至卡住。问题不在 agent 本身，而在于支撑它运行的基础设施：agent 干活要连着调用模型、查数据库、跑测试等多步操作，每步都得等上一步，任何一步慢都会拖累整体；而且它有时等外部系统（出现空档），有时多个任务同时恢复（造成瞬间高峰），让 GPU 和费用都变得很难预测。对读者的用处是：想让 agent 稳定好用，不能只看模型好坏，还得把基础设施按峰值来准备、并做好编排和可靠性设计。文章属于观点分析，没有给出具体的工具、产品名称，也未说明发布时间或实际可用状态。
提供的材料未提及具体可用工具。
很多公司给容器打安全补丁时，总有些服务几个月都没更新，因为每个团队都自己写 Dockerfile，用的基础镜像和安装方式五花八门。Buildpacks 是一种不用写 Dockerfile、自动把源代码变成容器镜像的工具。它把选基础镜像、配运行时、生成物料清单等安全决策从各个开发团队收归到一个统一的构建平台。这样一来，平台团队可以集中管控和更新补丁，企业更容易在成百上千个服务里统一执行安全规则。
本周 Kubernetes 生态有不少进展。KubeCon 北美 2026 新增了“AI 推理与智能体”专题，说明越来越多团队把训练好的模型放到生产环境用 Kubernetes 提供服务。招商银行用 Kubernetes 加 Kueue、KEDA、HAMi、Fluid 等开源项目，把近一万张异构加速卡中 99% 的 AI 算力统一管理，平均利用率从 35% 提升到 60% 以上，处理一百万 token 的成本降低 60%。不过 WEKA 首席 AI 官提出质疑：Kubernetes 原本的资源模型管不了请求组合、KV 缓存占用、预填充与解码比例这些决定 token 成本的状态，若不加改进，可能反而成为推理经济的负担。
三家安全研究员在常用图片处理库里发现了一个可被恶意文件触发的漏洞，原本想用它入侵 OpenAI 的官方论坛。简单的漏洞利用不难，难的是在真实服务器上用它远程控制机器；他们先让 Claude Opus 4.8 做这一步，但在系统正常开启内存随机化保护时失败了。当晚 Anthropic 发布 Opus 5，第二天换上新模型后，约三个小时就做出了可用的 ARM64 攻击，四小时后拿到了测试论坛的远程控制权。最终他们串起了从论坛漏洞、OpenAI 单点登录权限过大，到员工 Codex 账号、公司私有代码库的完整路径，并用一个无害的文档修改证明访问成功后就停手。这事的意义是：以前需要资深专家花大量时间做的漏洞利用开发，现在可能相当一部分能交给 AI 完成。目前这是研究者公开的实验记录，OpenAI 已修复权限并给了一笔漏洞赏金。
这篇文章讲的是把机器学习用到软件安全开发流程里的做法，也就是所谓的 AI DevSecOps。原来安全团队面对扫描器报出的大量漏洞，光靠人工根本处理不过来，AI 生成代码又让漏洞数量迅速增加。现在可以用 AI 智能体自动合并重复的漏洞、按误报可能性和严重程度排序，并生成修复代码，让开发者直接从修复请求开始工作。但 AI 本身也带来三个新风险：从公开渠道下载的模型可能被篡改、训练数据可能被投毒、提示注入可能影响线上应用。文章主要介绍 Harness 这类平台如何用智能体串联扫描、分流和修复，并强调成熟度取决于治理而非功能数量。
GitHub 播客聊了五个关于 AI 编程的热门说法。第一，AI 生成的代码还是得读，因为最终责任在你，只是不用每行都同样仔细，判断风险在哪里才是关键。第二，公司招人更看重你会不会在合适的时候用 AI、说清自己的判断，而不是逼你全程用或完全不用。第三，Skills 和 MCP 不冲突：MCP 负责让 AI 连上工具和数据，Skills 负责告诉它这个项目的规矩和流程，两者搭配使用。第四，RAG 没死，它帮模型先找到相关资料再回答，省 token、也更准，可以和 Agent、MCP 一起用。第五，模型看不懂你的代码库时，通常说明代码本身对新人也不友好，清晰的结构和命名对人和 AI 都有好处。