AI 智能体

AI DevSecOps：机器学习如何重塑软件开发生命周期

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。

DoorDash 利用多智能体 LLM 清理 6 万个功能开关

DoorDash 内部积累了大量过时的“功能开关”（feature flag，即控制功能是否上线的开关代码），散落在 623 个代码仓库里，清理起来费时费力。他们用多个 AI 智能体组成流水线，自动完成这类清理：先通过 MCP 获取线上实验数据，再经工程师确认，在独立的 Git 工作区中并行执行修改，最后由自动检查验证结果。在 50 个开关的测试中，45 个成功生成了可用的代码合并请求，平均每个耗时 13.8 分钟、花费 4.79 美元。这意味着这类繁琐的代码维护工作可以大幅交给 AI 自动完成，工程师只需做最终审核。

Awesome Harness Primitives：GitHub Copilot 与 Claude Code 的智能体构件库

paulasilvatech/awesome-harness-primitives · Curated, validated harness primitives for GitHub Copilot and Claude Code: agents, skills, prompts, hooks, plugins, MCP integrations, catalogs, and tooling.

该项目是一个经过整理和验证的构件（primitives）集合，面向 GitHub Copilot 和 Claude Code，包含 agents、instructions、skills、prompts、hooks、plugins、MCP 集成、目录与配套工具。GitHub Copilot 侧为规范来源，Claude Code 侧由兼容内容按明确转换规则生成，并带有漂移检查与运行时验证。仓库提供目录浏览、插件或独立构件的安装指南、运行时契约规范以及自动化校验流程，可用于为这两个编码助手搭建可复用的智能体与自动化能力。

agent-skills：跨多个编程 Agent 的可移植 SKILL.md 技能合集

wangjohn/agent-skills · Portable Agent Skills (SKILL.md) for Claude Code, Cursor, Codex, and other coding agents.

该项目是作者个人使用的 Agent Skills 集合，以 SKILL.md 形式在 Claude Code、Cursor、Codex 等能读取该文件的编程 Agent 之间共享与复用。技能以 skills/ 下按名称分目录组织，长文档放入 references/ 目录，确定性内容放入 scripts/ 目录；仓库强调作为可移植的单一来源，不写入 Cursor 专属的 frontmatter。示例技能 review-pr 可为 PR 生成面向人工审查的指南，覆盖架构、模型、权衡与关键设计决策，并配合代码优先的解释、简洁语言、必要时使用图表以及聚焦的审查问题。仓库提供 npx skills add 安装方式、create-skill 模板与新增技能流程，并通过 scripts/validate.py 在本地与 CI 校验；另有关于 agent-archive CLI 的规划文档，属于计划而非已实现版本。

Skills Gateway：面向 git 分发 AI Agent 技能市场的企业级网关与审计准入系统

skillsgateway/skillsgateway · Enterprise gateway for git-distributed AI agent skill marketplaces (Claude Code, Copilot, Cursor)

Skills Gateway 是一个面向 git 分发的 AI Agent 技能市场（Claude Code 插件、GitHub Copilot、Cursor）的企业网关。它把上游技能市场克隆进隔离区并按不可变 SHA 固定为快照，经人工审批后才通过只读 git facade 向未经改造的 git 客户端提供已批准的 SHA 内容，并以 PAT 认证；每次拉取和管理操作都写入仅追加的审计台账，同时提供签名重试的生命周期 webhook、台账导出与快照保留策略，以及基于 OIDC 登录的管理门户。项目基于 Java 25 / Spring Boot 4 / JGit，状态为 pre-1.0，尚无正式发布或 tag，接口可能变动。

awesome-dsh-plugins：DeepSeek Harness 插件与技能开源数据注册表

dshworks/awesome-dsh-plugins · Spam-filtered, open-data registry of DeepSeek Harness (dsh) plugins, bundles, and skills.

这是一个面向 DeepSeek Harness（dsh）生态的开放数据注册表，收录 13,756 条经反垃圾过滤的插件、bundle 与 skill 条目，来自 7,905 位作者、覆盖 17 个功能领域。每条记录都附带其安装路径被证实所在的文件与所核对的 dsh 版本，并提供可编程访问的 plugins.json 与 stats.json；同时提供可筛选、可排序的在线 gallery 页面，用于发现和比对 dsh 插件。

Hello-Agents：从基础概念到多智能体应用的 AI Agent 系统构建指南

causesubpopulation914/Hello-Agents · Build AI agent systems from theory to production with this guide on foundational concepts and multi-agent application development.

Hello-Agents 是一份面向 AI Agent 系统构建的指南与实践工具，覆盖从基础概念到在真实环境中运行应用的过程。材料描述其内容包括任务规划、记忆日志、文档事实检索与工作流可视化，并支持上传 PDF、文本与表格文件构建搜索索引，以及通过 AI 服务密钥连接模型。仓库语言为 Python，README 同时给出了 Windows 平台的安装与使用说明、常见问题排查、性能优化建议和本地数据隐私说明。

hookradar-agent-skill：为 AI Agent 接入 HookRadar 广告创意情报

Anagogic-blastinggelatin157/hookradar-agent-skill · Connect your AI agent to HookRadar to automate competitive creative research and analyze ad performance data using the MCP standard.

该项目是一个面向 AI Agent 的 HookRadar 技能（skill）扩展，通过 MCP 标准把竞品创意研究与 Meta Ads 等广告平台的创意情报和投放表现数据接入智能体。它包含数据连接、分析、Schema 加载和日志处理等组件，支持 Claude Code、Codex 及通用 MCP Agent，用户可在 Windows 上安装后在配置文件中关联该技能，然后用自然语言让 Agent 分析广告创意表现、查看营销趋势并给出文案改进建议。

Eko AI Realtors：面向房产中介办公室的本地部署 AI 线索接待与预约智能体

enderjnets/Eko-AI-RealEstate · Eko AI Realtors — the on-prem AI agent for real-estate offices. WhatsApp 24/7 + lead capture + intent classification + visit booking + post-visit follow-up. Runs 100% on the customer's hardware (or their VPS) with Kimi 2.6 + MiniMax 2.7 fallback. The customer-facing product sold by Eko AI.

Eko AI Realtors 是一个面向房产中介机构的客户接待型 AI 智能体，以单办公室、单套自托管 Docker Compose 部署的方式运行，客户数据保留在自有数据库中。它通过 WhatsApp、邮件和 SMS（Twilio）全天候接待 inbound 线索，自动完成线索结构化采集与意图分类（rent / buy / valuation），提取区域、预算、房型与紧迫度，并支持英语和西班牙语双语回复。系统提供中介仪表盘，可查看会话、人工接管、使用 AI 建议草稿回复并管理看房；通过 Cal.com 集成实现时段查询、预约与确认（含开发用模拟模式）；通过 RESO Web API 接入 MLS/IDX 房源，在 /properties 浏览并按线索意图、区域与预算自动匹配，还可在对话中推送匹配房源。它支持看房后 24 小时 / 72 小时 / 7 天自动培育与看房提醒（人工接管后跳过），为每条线索计算 0-100 优先级评分并生成每日热门线索摘要，还可通过 Settings 页面自定义机构名称、人设、问候语、语言与营业时间。LLM 采用云端 Kimi 2.6 为主、MiniMax M2.7 为备，并以 Groq 免费额度作为兜底，均带内联故障切换；Ollama 本地推理为可选附加项，并非必需。

MiniMax Agent Studio：Claude Code 与 MiniMax 多模型协同的代码审查编排工具

BirhanuTa/minimax-plugin-cursor-bridge · Supercharge Claude Code with MiniMax AI Agents for Smarter Code Reviews in 2026

MiniMax Agent Studio 是一个面向开发者工作流的多模型 AI 编排项目，通过桥接 Claude Code 的推理能力与 MiniMax M2.7 API 的执行能力，实现代码审查、任务委派和后台作业的智能路由与并行处理。项目提供命令行界面、配置文件、面向 OpenAI 与 Claude API 的适配层，并支持多语言输入输出和跨平台运行。

让全球数据更易探索

联合国系统把各个机构分散、格式不一的数据，整合成一个叫“联合国系统数据共享”的公开平台。以前分析师要花好几个月手动整理这些数据，现在平台用AI知识图谱自动连接，还能用大白话提问，比如“农村干净水如何影响上学”，直接得到图表和答案。平台还让AI助手自动抓取权威数据，帮你生成报告草稿。目前数据有限，计划到2027年覆盖80%的联合国统计数据集。

为什么人类监督的重心正从写代码转向定义需求

这篇文章讲的是一套用 AI 代理帮忙写代码的工作流程：从开会录音、写成需求文档、拆成可发布的小单元、逐条写规格、AI 生成代码和测试、再做审查和发布，最后每周四上线。作者指出一个问题：整条链路里所有检查都只在问“代码有没有照着需求做”，却没有检查“需求本身对不对”。他故意在一条小需求里写错一句话，结果六个测试全都通过、审查关卡也放行，系统却做出了这个功能本来要阻止的坏事。对读者的意义是：光靠加自动化检查不够，真正需要人来把关的是需求写得对不对，而不是代码写得好不好。文中的流程和例子已在实际工作中使用，但作者未说明这套做法具体用哪些工具实现。

GitHub与Anthropic各自用自研智能体完成Rust重写，但路径截然不同

GitHub把Copilot的底层运行时从TypeScript/Node.js整体改写成了80多万行Rust代码，并且主要让自家的Copilot编程智能体来写代码，由一名开发者主导、几个月完成，拆成128个拉取请求边改边上线。Anthropic收购的Bun也做了类似的事：它原有53万多行Zig代码，长期被内存泄漏和崩溃困扰，创始人用多个Claude智能体并行翻译，11天后Rust版本在六个平台通过原有测试。两家做法不同：Bun是并行快搬，GitHub是慢慢迁移不停产品，但都想说明智能体让过去“养一个团队一两年”的重写变得可行。

Included Health 如何用 LangGraph 和 Deep Agents 构建联邦式医疗健康 Agent

Included Health 是一个与雇主和健康计划合作的医疗平台，它的 AI 助手 Dot 帮会员解答医疗、费用和行政问题。过去，这类系统靠固定的决策树来导航，遇到复杂需求会显得很死板，比如有人说“我胸口疼”，系统要问很多问题才意识到可能是紧急情况。现在，他们用 LangGraph 搭建主流程，再用 Deep Agents 统一各个子 Agent 的语气和上下文。这样当会员在不同服务间转接时，不用重复自己的情况；还能通过“技能注册表”按需加载信息，让 AI 在合适的时候询问合适的问题，更自然地引导会员找到正确的医疗服务。

AI 评估师：史上最重要的 AI 工作？开发者如何胜任这一新岗位

Anthropic CEO Dario Amodei 发表文章，提议每一家前沿 AI 公司都应允许一个第三方评估团队以“类似正式员工”的权限进入公司，检查安全措施是否真正落实，并上报问题。背景是有人担心 AI 发展太快可能带来失控风险。目前 METR 等机构已在招聘这类评估师，年薪最高约 68.7 万美元，要求能独立做失控风险建模、审查训练过程和提示词；Mercor 也有类似岗位，年薪 18 万到 30 万美元，要求博士或硕士加两年以上相关经验。对读者来说，这代表 AI 安全和评估可能成为一类高薪新职业，但该做法能否真正独立监督大公司、以及小机构能否负担，都还没有明确答案。

Anthropic 认为用户选错了，于是取消了选择

Anthropic 之前把 Claude 分成两个入口：日常问答用 Chat，处理大项目用 Cowork，做视觉设计还要再进 Design，用户每次都得先想“这活儿该放哪儿”。现在它把 Chat 和 Cowork 合并成一个对话界面，从简单回答到多步骤任务都能在同一段对话里完成，Design 也搬进了对话，同时以测试版形式在付费方案中推出 Claude Docs 和 Claude Slides，可在对话里直接做文档和演示文稿并导出成 PowerPoint 或 PDF。对用户来说，好处是不用再纠结从哪个模式开始，背景信息、连接的工具和技能能跟着对话走，任务还能在关掉笔记本后继续跑。目前先向 Pro 和 Max 用户开放，未来几周覆盖网页、桌面和手机端，团队版和免费版随后跟进，企业版有至少 30 天提前通知；但官方没说能否强制只走简单聊天、对上下文和 token 消耗有何影响，也没有提 API 变化。

“所有人都在竞相取代GitHub”：Zed推出Delta，称Agent让拉取请求过时

Zed是一家做代码编辑器的公司，它推出了一个叫Delta的新工具，让大家和AI助手在同一个“讨论串”里一起写代码、改代码、审代码，而不是像以前那样把改好的代码打包成“拉取请求”发给同事看。原来的问题是：GitHub当初是为人类开发者设计的，现在AI助手生成代码的速度太快，每月提交量从2025年全年的约10亿次涨到2026年4月的14亿次、8月的29亿次，导致GitHub频繁出故障，而且拉取请求只给审阅者看最终的代码差异，看不到AI为什么这么改的讨论过程。Delta用底层记录每一次编辑和对话的方式，把这些中间过程都保留下来，让审阅者能追问AI、试用修改。现在Delta已经公开测试，Zed内部已经不用拉取请求开发自己的Delta仓库，33名开发者提交了570次变更；不过它目前仍然搭配Git仓库使用，完全离开GitHub大概还需要几个月。

演讲：教育工程师、信任 AI——教育如何实现自主代码审查

Sarah Deitke 讲述 Duolingo 如何在工具之外推动 AI 文化落地。她介绍内部 AI 素养工作坊与可观测性看板，并分享用自动化 PR 风险评估机器人重构代码审查的案例，展示针对性开发者教育与安全 AI 护栏相结合如何在不提高缺陷率的前提下加快交付。

在医疗与生命科学中扩展智能体：来自 Madrigal Pharmaceuticals、Abridge 和 Vizient 的经验

这篇文章讲的是，医疗和生命科学行业也在用 AI 智能体（能自动完成多步任务的程序），但这里的规矩比别的行业严得多。比如，一个错误答案可能涉及病人安全，所以光产品好用不够，还得能审计、合规、随时说清楚 AI 干了什么。文中举了三家机构的例子：Madrigal Pharmaceuticals 做了一个内部多智能体平台，帮员工查资料、做分析；Abridge 把医生和病人的对话自动变成病历，还能在整个流程里持续帮忙；Vizient 则让医院能查询原本锁在各个系统里的数据。对读者的用处是：能了解这个行业落地 AI 时最看重的可观测性、评估和成本控制，以及哪些场景已经产生了实际回报。

AI 飓风已至：加速软件开发与网络攻击

AI 正同时加速软件创造与网络攻击。企业需要在代码与 Agent 创建之初就实施治理，在运行时加以控制，并通过独立验证来确认防御有效——因为生成变更的系统不能成为自身唯一的验证者。