AI 资源库 · 已整理 144 项
查看与AI 编程相关的 AI 资讯、工具、Skill、工作流和开源项目。
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。
agent-launch/agent-launcher · Configure and run existing coding-agent CLIs from one desktop app.
Agent Launcher 是一个本地桌面工作区，用于检测并关联系统中已安装的编程 Agent CLI（如 Claude Code、Codex CLI、OpenCode、Pi、Gemini CLI、Hermes Agent），可为缺失的 CLI 提供一键安装，应用账号或服务商配置，并在内嵌终端或聊天视图中运行各 Agent。它支持项目文件夹会话、多套服务商配置档案与连通性检查、原生配置预览与密钥掩码、本地会话记录读取与续跑、MCP 服务器与 Skills 查看，以及本地用量统计面板。项目采用本地优先设计，MIT 许可，配置与密钥以明文存储于本机目录。
berkayturanci/homebrew-ai-jury · Homebrew tap for ai-jury — cross-vendor multi-agent code review
该仓库是 ai-jury 的 Homebrew tap，用于通过 brew install 命令安装 ai-jury——一个跨厂商多智能体代码审查工具。formula 由上游 ai-jury 仓库在每次发布时自动生成并同步到此处，仓库内的 verify-formula.yml 会在同步、推送、PR 及每日定时任务中校验下载 URL 的 sha256 与当前发布版本，减少安装失败或 brew upgrade 无更新的问题。
martinfrancois/java-streams-skill · Help AI coding agents use Java Streams and Collectors well in new code, review, and cleanup without replacing one antipattern with another.
这是一个面向 AI 编程代理的 Tessl 技能插件，用于在编写新 Java 代码、代码审查和清理重构时，帮助代理正确选择 Stream 终止操作与 Collectors，避免「先收集再判断存在性」「排序取第一个」「用 count 判断存在」等常见反模式，并在选择并行流前评估数据规模、CPU 开销、共享状态、顺序契约和阻塞 IO。技能还要求代理先确认项目 Java 版本，因为 Java 8、17、21 和 24 适用的流式 API（如 takeWhile、mapMulti、Stream.toList()、gatherers）不同。
khasky/awesome-agent-skills · Skills for AI coding agents: code review, debugging, security audits, refactoring, cleaning up AI-written code and text, and more.
该项目收录了一套遵循 Agent Skills 标准格式（每个技能为一个包含 SKILL.md 的文件夹）的技能集合，覆盖代码审查、测试编写、设计文档、调试、安全审计、重构以及清理 AI 生成代码与文本等任务。技能从公开合集和大型开源项目实践提炼而来，声明兼容 Claude Code、Claude.ai、OpenAI Codex、Gemini CLI、Cursor、GitHub Copilot、opencode、Amp、Windsurf、Antigravity 等支持该标准的 Agent，并给出各 Agent 的安装路径与安装方式。
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。
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。
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。
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。
Phillip Mortimer 做了一场演讲，讲的是 AI 写代码越来越普遍之后，软件正在变成“只写不读”——代码主要由机器生成，人很少再去逐行阅读。他认为传统那种靠人工逐行审查的 pull request 流程已经不好用了，建议把“想做什么”和“具体怎么写”分开，让机器自动检查代码，并让系统能自己发现和修复问题。这样做的目的是把工程师从繁琐的审查里解放出来，把精力放在更有创造性的工作上。这场演讲面向的是资深工程师和架构团队负责人，目前只看到演讲介绍，没有提到配套工具或产品是否已经可用。
提供的材料未提及具体可用工具。
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。
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。
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。
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。
一项针对每周至少使用一次AI编程工具的开发者调查（基于300多份回复）发现，80%的开发者认为自己对AI的依赖大于其带来的优势，43%的人下班后仍无法停止使用，甚至牺牲休息、吃饭和睡眠。问题在于，管理者奖励那些使用AI最频繁的人（给他们加薪升职），尽管71%的开发者承认提交了自己不完全理解的代码，这迫使其他人模仿这种不健康的行为。目前这只是调查报告，尚无工具或政策层面的解决方案，它提醒我们：软件的价值来自好的决策，而不是代码的数量或工作时长。
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。
这期播客请来了 Spring Tools 的负责人 Martin Lippert。他回顾了开发者工具从 Eclipse 到 VS Code 的变化，并讲了 Spring Tools 的内部设计思路。他们聊到语言服务器和 MCP 这类技术，说明过去用来帮程序员保持专注的机制，现在也能帮 AI 编程助手更好地理解 Spring 项目。如果你关心 Java、IDE 和 AI 辅助开发的走向，这期有不少可参考的内容。
saif-26281028/SwiftData-SkillKit · Master SwiftData Code in Xcode 2026 – AI-Powered Models, Queries, Migrations & iCloud Sync
SwiftData-SkillKit（SwiftData Orchestrator）是一个面向 Apple 平台 SwiftData 的编排框架，提供模型定义增强、自然语言到 #Predicate 的查询转换、迁移规划与回滚、iCloud 多策略冲突合并，以及 OpenAI 与 Claude API 适配，并附带 SwiftUI 视图生成与命令行工具。README 声称其具备多语言查询与性能优化能力，但摘要无法验证实际效果。
24bsc244-svg/pdlc-forge · The Ultimate AI Code Workflow 2026 — 31 Hard-Contract PDLC Commands for Flawless GitOps
pdlc-forge（AI Contract Agent）是一个命令行强制约束层，位于开发者与大语言模型之间，要求 AI 在开发流程中兑现“硬契约”：承诺产出 PRD 就必须写入磁盘，承诺 TDD 就必须先有失败的测试，交付前必须通过自检命令。它提供多阶段 PDLC 流水线（默认 7 阶段，最多可配置 31 个自定义阶段）、契约违规即中止、绕过需显式 --force 并记入审计日志、支持 OpenAI / Claude / 本地模型适配，面向 CI/CD 自动化运行。