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。
Jason-Vaughan/TangleClaw · An open-source, local-first AI-native SDLC orchestration platform
TangleClaw 是一个开源、本地优先的 AI 原生 SDLC 编排平台，用于协调多个 AI 编码 Agent 协同完成软件开发生命周期。它提供持久会话、结构化会话收尾与续接、Agent 间消息交换（Medusa Switchboard）、Fleet 治理、多引擎管理，并支持在 tmux 中运行可断线恢复的会话。平台集成 Claude Code、Codex、Antigravity、Aider 等本地引擎以及远程 OpenClaw，并通过内置 PortHub、项目分组、共享文档、仪表盘与移动 PWA 提供统一控制面。整体实现零 npm 依赖，基于 Node.js 22+ 标准库。
aayoawoyemi/Ori-Mnemos · Local-first persistent agentic memory powered by Recursive Memory Harness (RMH). Open source must win.
Ori Mnemos 是面向 AI Agent 的开源持久化记忆基础设施，用 Recursive Memory Harness 把人类认知机制建模到知识图上：ACT-R 激活衰减、沿 wiki-link 边的扩散激活、基于检索模式的 Hebbian 共现、检索强化学习，以及带子问题分解的递归图遍历。数据以磁盘上的 Markdown 为真源，wiki-link 作为图边，Git 做版本控制，检索索引基于本地 SQLite，跨会话、跨客户端、跨机器保持记忆，无需数据库绑定或云依赖。项目以 CLI、MCP server 和 TypeScript 库三种形态暴露同一索引，recall 为统一入口；提供 Claude Code、Hermes、OpenCode、Cursor、Codex 等适配器。README 给出 ForgetEval、HotpotQA、LoCoMo、LongMemEval-S 等基准结果，并同时说明了这些评测的效度问题与自身弱项。
一位在 SpaceXAI 的 Grok 团队工作、曾在 Cursor 和 Meta 任职的工程师 Lauren Tan，公开了她自己的一套智能体工作流 pstack，据称让她每月能向生产环境提交约 2000 个 PR（接近每工作日 100 个），属于极端个例。她认为最关键的是“验证”：让智能体能自己跑起应用、操作并读取结构化结果，一直干到任务完成为止；她把这套能力当成基础设施，而不是普通技能。难点在于这套方法只适合能单进程启动的应用；对于由几十上百个服务组成的分布式系统，目前的本地模拟、整套复制或共享预发环境都难以支撑成百上千个并行智能体。文中的思路是未来的方向，并非已经通用的现成方案。
LinkedIn 的 Ajay Prakash 介绍了一项内部工作：给写代码的 AI 助手补上它最缺的东西——公司内部的知识。AI 助手在庞大的代码库里常常“找不着北”，不知道内部有哪些工具、流程该怎么走。他们基于 MCP（一种让 AI 助手连接外部工具和数据的开放协议）搭建了“上下文 Agent 手册与工具”，把内部的操作经验、代码搜索和运行手册直接喂给 AI 助手。作者称这套做法让开发效率提升 20%，同时可靠性没有下降。想在企业里落地 AI 编程助手的团队，可以关注其中提到的架构设计和运维护栏。
dmoshehun-prog/learn-from-materials · Turn PDFs, books and papers into interactive learning webpages｜将复杂材料转化为可追溯、可测验、可做笔记的学习网页
learn-from-materials 是一个基于开放 Agent Skills 规范构建的跨代理学习技能，可将 PDF、EPUB、MOBI/AZW、DOCX、PPTX、HTML、Markdown、TXT、RTF 及多文件材料集转化为可追溯的知识库、自包含的交互式学习 HTML 页面和同步 Markdown。它支持「快速概览」和「系统学习」两种学习深度，提供页码/幻灯片/章节级来源映射、覆盖率审计、来源哈希与增量更新校验，并明确区分材料事实、模型补充内容和外部验证内容。该技能默认离线运行、不自动安装依赖，笔记与学习者档案仅保存在浏览器本地存储中，需在具备文件读取和 Python 执行能力的代理环境中使用。
dataPro-lgtm/fde-interview-fieldbook · Source-backed, production-first FDE interview fieldbook with cases, scorecards, and current role research.
该项目是一个以可溯源资料和实际生产为导向的前向部署工程师（FDE）面试手册，提供角色画像、面试流程与评分说明、发现与拆解方法、系统设计与生产 AI（RAG、Agent、MCP、评估、可观测性、安全、持久执行等）内容、案例集与评分卡、模拟面试和练习工作流，并附有带来源和检查日期的更新流程与版本化研究数据。手册明确声明为独立教育材料，不代表任何雇主官方流程。
NinjaSln-labs/agent-skills · Portable Agent Skills (SKILL.md) for AI coding agents: 87 skills covering product 0-1 from discovery to delivery — DDD, engineering, QA, security, UI/UX, plus stage-gate and problem-resolution chains.
该项目是一套遵循 Agent Skills 开放规范（SKILL.md）的便携式技能集合，共 89 个技能，覆盖产品从发现、定义、设计到交付、上线、运营的 0-1 全生命周期，并包含 DDD、工程实践、测试/QA、安全、UI/UX 等贯穿层，还提供阶段门禁链与问题处理链等跨技能编排。技能可安装到支持该规范的 AI 编码代理中，采用渐进式披露组织内容（正文加 references）。
clnnn/playbook · Agent skills for everything up to the code: canvas, PRD, story map, context maps, ADRs, and INVEST-sliced issues. The build stage stays yours.
playbook 是一组 Agent 技能（skills），覆盖编码之前的需求与规划环节：从原始材料生成 PRD，通过对话式推敲确定技术栈并输出规格，绘制故事地图并切分 R1/R2/R3 发布切片，以及围绕不可逆决策进行深入研讨。项目自述为“覆盖代码之前的一切，构建阶段仍然由你负责”，并通过 gh skill install 安装到 Claude Code 等 Agent 环境。
linny006/llm-agents-radar · Live-updating index of LLM agent frameworks shipping on GitHub, refreshed every 15 minutes
这是一个通过 GitHub Actions 定时任务自动维护的 LLM Agent 框架索引项目，每 15 分钟扫描 GitHub Search API，发现新的 Agent 框架仓库，按活跃度信号排序，并将结果写入 README 中的结构化表格。相比容易过时的静态 awesome-list，该项目依靠定时任务持续刷新，提交记录反映上游数据源的真实变化（新增或移除条目），开发者可以浏览或查询这份持续更新的名单。当前索引约 50 个条目，同时也列出同一维护者的其他实时追踪项目。
sananthanarayan/skilldrop · 57 portable AI-agent skills for the deliverables knowledge work actually ships — ADRs, design docs, PRDs, runbooks, decks, threat models, adversarial code review — plus 3 reviewer subagents, 6 role packs and 7 outcomes. Agent Skills open standard; installs into Claude Code, Cursor, Codex, Copilot, Kiro, Antigravity.
skilldrop 提供 57 个可移植的 AI Agent 技能，用于生成知识工作中实际需要交付的产物，例如架构决策记录（ADR）、设计文档、PRD、运行手册、演示文稿、威胁模型和对抗性代码审查，并附带 3 个 reviewer 子代理、6 个角色包和 7 类成果。技能采用 Agent Skills 开放标准，每个技能是一个普通 SKILL.md 文件夹，可通过 CLI 以复制方式安装到 Claude Code、Cursor、Codex、GitHub Copilot、Kiro、Antigravity 等支持自定义指令的 AI 工具中。项目提供工作流门禁、文档批评、输出卫生检查、容量成本模型、业务案例、需求访谈、测试计划、发布说明、迁移计划、PRFAQ、战略分析和 OKR 级联等技能，强调将原始输入转化为经过评审的、可供利益相关者使用的工件。
Iron-Mark/Hackathon-HireProof · Proof-backed AI agent for checking suspicious job posts, recruiter messages, and apply links, now live with case study and pilot intake.
HireProof 是一个面向求职者的就业欺诈信任与安全项目，用于在应聘或提供个人信息前判断招聘机会是否可信。用户粘贴职位帖、招聘私信、截图或申请链接后，Agent 会抽取其中的声明、核查证据，并给出 Safe、Caution 或 High-Risk 的结论，同时展示红旗、绿灯、来源凭证与下一步建议。项目通过 Web 界面、API、MCP、聊天机器人（Slack/Telegram/Discord）、CLI、SDK、n8n、LangChain、Chrome 扩展等多种入口提供同一套核查核心，并提供 demo fixture 模式与真实证据模式。
phonghhd/EvoNet-AI-Core · Autonomous AI Security Agent leveraging LLMs, RAG, and Knowledge Graphs for automated CVE analysis and auto-patching.
EvoNet-Core 是一个自主 AI 安全代理项目，持续采集 CVE 数据、分析漏洞并生成防御性代码。它集成了四层 AI 路由故障转移（NVIDIA NIM、Groq、Cloudflare AI、本地 Ollama）、知识图谱与向量检索结合的 Graph RAG（Pinecone + Neo4j）、基于 PPO 的强化学习防御策略、MITRE ATT&CK 映射、EPSS 评分以及人工审批环节，并提供 FastAPI 后端、Web 仪表盘、CLI 工具和 Telegram 机器人接口。项目基于 Python 开发，采用 Apache-2.0 许可。
Unknown384-come/agent-runner · Run autonomous AI agents with tool-calling via a Go microservice that connects Laravel and LLM providers, streaming real-time results over SSE.
agent-runner 是一个 Go 微服务，用于运行具备工具调用能力的自主 AI 代理，充当 Laravel 与 LLM 服务商之间的桥梁，并通过 SSE 实时流式推送执行结果。它支持 OpenAI、Gemini、Claude 等 AI 服务，可使用内置工具并调用外部工具自动完成任务，运行过程中可查看实时更新。README 主要面向 Windows 用户说明下载与配置流程。实际部署方式、API 成本与具体限制材料未详细说明。
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。
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。
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。
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。
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。