AI 资源库 · 已整理 125 项
查看与AI 智能体相关的 AI 资讯、工具、Skill、工作流和开源项目。
在旧金山举行的 Universe ’26 大会上，GitHub 管理层回应了平台稳定性问题。他们表示已经增加 400 万核 CPU 和 160 PB 存储，并彻底重构后端基础设施。原因是 AI Agent 的访问方式和人类开发者差别很大，一些原本运行正常的服务出现了意外故障，因此不只是扩容，还要重写核心服务。对于前 CEO Thomas Dohmke 新创办的 GitHub 替代品 Entire，GitHub COO Kyle Daigle 说“世界不需要一个新的 GitHub”，开发者可能只是需要不同的工具。Dohmke 则回应称开发者显然需要新选择。这些投资和调整目前已经公布，但文章没有说明具体上线时间。
nodecode-ai/nodecode · A living agent organism in Lisp.
Nodecode 是一个运行在 SBCL（Common Lisp 系统）单一进程中的 AI 智能体，终端等客户端可连接同一个运行实例。模型唯一的工具是在运行中的程序里求值 Lisp，并能保留定义过的代码，因此可自行新增工具。项目以 cell（文件夹形式的能力单元）扩展聊天平台接入、Web 访问、定时任务、MCP 工具等能力，支持从多个客户端使用同一实例，并具备上下文召回、生成代际回滚等机制。它不提供沙箱，eval 会以当前用户权限执行 Lisp 和 shell 命令，官方建议在容器或虚拟机中运行。
GitHub 发布了 2026 年 Octoverse 报告，统计过去一年开发者共向 GitHub 推送代码 179 亿次，超过 2024 和 2025 两年总和；总提交 343 亿次，合并的拉取请求 13 亿个。报告发现，带 Agent 配置的新仓库平均提交次数是不带配置仓库的 8 倍，9 月已有超过 40% 的拉取请求由 Agent 发起（3 月为 17%）。61% 的 Copilot 用户会同时使用多个模型，医疗、农业、采矿、建筑等领域的公开仓库也在快速增长。报告还显示 GitHub 开发者已超 2.25 亿，过去一年活跃开发者平均已在 GitHub 上 36 个月，现在平均每人跨仓库数比一年前多 10%。对读者来说，这份报告描述的是开发者正把 Agent 从试用变成日常协作对象，但具体效果仍取决于各自项目实践。
GitHub 在年度大会 Universe 上宣布，要把 GitHub 打造成覆盖软件开发全流程的端到端平台。过去开发者主要写代码，现在则越来越多地让 AI 助手和 Agent 承担实现与验证工作，问题在于多模型、多工具、多仓库之间切换繁琐，代码变多后审查压力也增大。这次 GitHub 推出面向 Agent 的 Copilot 应用、能自动挑选和执行模型的 Copilot Fusion、可跨多个仓库并行运行的 Copilot projects，以及能在手机、VS Code、命令行和网页间接续的会话同步，还有能根据运行结果自我改进的自动化流程。此外，企业客户无需再单独购买 Copilot 订阅，按使用的 AI 额度付费即可。对普通开发者来说，这意味着可以把更多执行环节交给 Agent，自己专注于方向和决策。
OpenAI 和 ServiceNow 宣布扩大双方的合作。之前的状况是两家的产品各自独立：OpenAI 的模型和 Agent 只能在自己的产品里使用，ServiceNow 的企业工作流也只能在 ServiceNow 内部运行。这次双方计划把 OpenAI 的模型和 Agent 接入 ServiceNow，同时把 ServiceNow 的工作流接入 ChatGPT 和 Codex，让两边可以互相调用。对使用企业软件的人来说，这意味着以后可能可以直接在 ChatGPT 或 ServiceNow 里跨平台完成任务。不过材料只提到“扩大合作”，具体的可用时间、功能范围和上线状态都没有说明。
EmpirioLabs-AI/mcp · EmpirioLabs AI remote MCP server: AI models, media generation, web search, batch jobs, GPU Cloud and hosted agents as tools
EmpirioLabs AI MCP 是一个远程 Model Context Protocol 服务器，无需本地安装，可通过 OAuth 2.1 或 API Key 接入 Claude、ChatGPT、Cursor 等 MCP 客户端。它提供 84 个工具，覆盖模型目录查询、文本推理与嵌入、网页搜索与研究、图像/视频/音频/语音/OCR/3D 生成、批处理任务、GPU 云实例与托管 Agent 管理等。只读查询类工具不消耗额度，其余调用按账户预付积分计费。
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。
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。
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。
wentzeld/docvault · Self-hosted document knowledge base for AI agents and humans — agents write PRDs, research, and design docs; humans review, comment, and approve. Fastify + PostgreSQL/pgvector + a Python embedding worker, with hybrid semantic + keyword search.
DocVault 是一个自托管的文档知识库，供 AI Agent 写入和检索 PRD、研究报告、架构与设计文档，并供人类审阅、评论和审批。项目采用 Fastify API、PostgreSQL + pgvector、Python 嵌入 worker（nomic-embed-text-v1.5）与 React UI，支持混合语义与关键词搜索、基于 token 的 Agent 接入与 webhook 通知，可通过 Docker 或 Ubuntu 安装脚本部署。
传统上，Kubernetes 假设软件只会做开发者写好的事，但 AI 智能体能自己思考、选方案、调用工具、持续朝目标推进，这让它在生产环境中的运行方式与传统应用很不一样。问题是：AI 行为是概率性的，无法精确预测它会用到哪些资源，安全沙箱和监控就成了大难题；同时智能体可能只存活几秒，启动却要等好几秒，传统调度方式不够快。社区正在推动把沙箱作为约束智能体的架构元素，但开源 Kubernetes 功能尚未齐全，企业目前可借助已带沙箱能力的商业发行版；还有人提出“智能体底座”方案，让智能体在热池中休眠，实现毫秒级唤醒，而非秒级冷启动。对读者来说，这意味着想在 Kubernetes 上跑 AI 智能体还需额外注意安全隔离、监控和启动延迟，不能直接照搬普通应用的部署方式。
Ayzzz123/mcd-coupon-strategist · 麦麦省钱助手 —— 基于麦当劳 MCP 的点餐成本优化 Skill。算出当前门店最省钱的点餐方案，并主动提示凑单陷阱。
该项目是一个基于麦当劳中国 MCP 的点餐成本助手，通过拉取门店实时菜单与价格、账户可用优惠券和历史订单，枚举并真实计价候选点餐方案，输出最省钱的组合并提示凑单陷阱。同时提供券的沉默成本、消费习惯画像、券包体检、用券排程、可领取券发现、积分体检和活动节奏等长期止损分析。项目为 Python 实现，含零配置 demo 与测试，运行 demo 不需要 MCP Token。
Snyk 推出了 Evo Remediation Agent 的开放预览版，它能自动处理开源依赖漏洞：按团队设定的仓库范围和严重级别，智能体在托管沙箱里制定升级方案、修改代码，并用构建、测试和重新扫描验证结果，然后给开发者开拉取请求，由开发者决定是否合并。这解决的是漏洞修不完、和开发日常工作抢时间的问题。官方在 307 个依赖升级任务上测试，该工具四项检查全部通过的比率为 90.2%，而配合 Snyk 发现结果的 Claude Code 为 77.5%，单用 Claude Code 为 59.6%。目前只是开放预览，需申请租户权限，有每日修复额度限制，且仅支持开源漏洞，智能体不会自动合并。
一家名为 Vijil 的公司提出了一套管理 AI 智能体的方法。问题是：企业想把能自主决策的 AI 智能体投入生产，却担心它闯祸——比如环境变化后行为失常、被恶意提示诱导、或者多个智能体各自合规但合起来违规。他们的做法是借鉴信用卡风控：上线前先测试并给出“信任分”，上线后按分数限制权限，持续监控每次关键操作，发现问题就修复、重测、再上线，循环不停。对读者来说，这意味着未来企业部署 AI 智能体时，会更强调“先证明可信、再逐步放权”，文章还提到 Vijil 客户把获得信任的时间缩短了 4 倍，但具体评测细节文章未完整说明，且相关服务处于推广/试用阶段，尚未给出广泛可用的结论。
OpenAI、PerturbAI 和 Scripps Research 合作，用大批 AI 智能体去分析数百万个脑细胞的数据，想从中找出值得继续研究的新线索。原来面对这么大量的生物数据，人工逐一排查既慢又容易漏掉细节，这次的办法是把分析任务分给成千上万个智能体同时处理。不过材料只提到合作方和大致做法，没有说明具体用了哪些模型或工具、花了多长时间、找到了什么线索。对读者的意义是：AI 智能体开始被用来分担大规模科研数据分析，未来可能加快新发现的筛选速度，但这项目前只是对外介绍，实际可用成果和后续计划原文并未说明。
提供的材料未提及具体可用工具。
中国 AI 公司 DeepSeek 过去靠便宜的大模型打开名气，现在又进入搜索 API 市场。它开放了自己研发的搜索能力，推出 Search 和 Fetch 两个接口：Search 返回网页搜索结果（标题、链接、摘要），Fetch 把单个网页正文转成 Markdown 格式。每次成功请求收费 0.75 美元/千次，而且不需要额外调用模型，所以开发者即使使用其他公司的模型也能接入。此前开发者想在 DeepSeek 上联网搜索，往往要借助第三方服务，或在 agent harness 里额外发一次模型请求，慢且多花 token。这次把搜索单独做成接口，对做 AI 应用和智能体的人更省事、更便宜。目前 DeepSeek 未公开搜索架构细节，也不清楚是否已完全替换外部搜索供应商。
这篇文章讲的是 AI Agent 和 Kubernetes 运维工具各自该干什么。Kubernetes 一直靠“控制器”这类自动程序盯着集群状态、按规则把实际状态拉回目标状态，而现在的大模型 Agent 擅长的是调查问题、收集信息、给出建议，但让它直接改集群并不可靠。文章以开源项目 kagent 为例，提出一种分工方式：Agent 只负责观察、诊断和提出具体改动方案，真正执行仍交给 Kubernetes 控制器和策略系统，改动前还要人工或策略审批，改完再验证效果。文中用 Karpenter 扩容和 Argo CD 升级 Helm chart 两个例子说明好处：团队能更快找到问题原因、拿到风险说明清楚的窄范围补丁，同时集群的稳定性仍由原有确定性逻辑保证。kagent 是 CNCF Sandbox 项目，文中未说明其生产可用程度；KubeCon 相关会议信息与工具能力无关。
zhiyuwang720-dev/CodeSage · AI-powered code review platform that ranks #1 on AACR-Bench with 52.8% precision, 23.4% recall, and 32.4% F1. Plans PR investigations, runs parallel reviewers, and verifies every finding against code evidence.
CodeSage 是一款 AI 驱动的代码审查工具，提供本地 CLI 和配套 Web 产品。其深度审查能力 CodeSage Deep 会围绕一次代码变更展开调查：理解 PR 意图、制定审查计划、让多个 Reviewer 并行检查不同问题，再对发现进行证据核验与跨文件分析，输出定位到代码的结构化审查意见。审查过程中 Agent 可读取完整文件、查看其他文件差异、搜索仓库并沿调用关系追查上下文。设计上强调确定性准备、可修复的审查计划、受控并行 Reviewer、一次 Cross 综合验证与确定性收尾，并通过 ARQ 投递、数据库行锁、Lease、心跳续约与提交门禁治理任务执行。材料称在 AACR-Bench 100 个实例评测中，CodeSage Deep 搭配 GLM-5.2 获得 52.8% 精确率、23.4% 召回率和 32.4% F1。
这是 Brendan O'Leary 的一场演讲，他基于 40 万亿 token 的使用数据，谈开发者实际是怎么采用 AI Agent 的。他的核心观点是：真正决定 AI 能不能落地的，不是模型跑分多高，而是用户是否建立起了信任。他提出 AI 采用分为四个台阶，并分析了上下文构建、多模型路由和反馈回路这几个容易出问题的环节，帮工程负责人把 Agent 工作流真正用起来。演讲标题提到 25 万亿，摘要里数据则是 40 万亿，原文未说明两者关系。
提供的材料未提及具体可用工具。
HarperZ9/flywheel · Flywheel runs AI tasks with a model you choose and keeps a receipt anyone can recheck offline.
Flywheel 是一个模型无关的 AI 运行框架，可在前沿或本地模型之上，通过统一的 OpenAI 兼容接口执行 AI 任务。它把结果连同可重新推导的密封凭据一起记录下来，独立见证者可离线重跑该凭据并返回 MATCH、DRIFT 或 UNVERIFIABLE，接受路径上不含学习模型。内置 Rowan 桌面助手和权限门控的 relay 编码代理，并提供 17 个可组合 lane 以及金融、医疗、法律等检查包。