AI 资源库 · 已整理 8 项
查看与开源生态相关的 AI 资讯、工具、Skill、工作流和开源项目。
AI让找开源软件漏洞变得非常容易，但它常常把「看起来像漏洞」的东西当成真漏洞。于是开源维护者被大量AI生成的报告淹没，这些报告又长又不准、虚报严重性，还缺少修复所需的关键信息，看一份可能要花工程师8小时。Linux基金会发起的Akrites成立了一个共享安全事件响应团队，由大约200名从成员公司借调的工程师先审核和验证报告，再把真正的漏洞交给上游维护者，减少噪音、也帮助识别真实威胁。目前相关的AI模型质量有所提升，但报告是否已公开可用、具体采用哪些工具，材料未说明。
提供的材料未提及具体可用工具。
Anthropic 又出手了。这次它和做“机密 AI”的 Opaque Systems 达成协议：Anthropic 拿到 Opaque 的技术授权，并把包括 CEO 和 CTO 在内的部分员工招入麾下——这种只收人收技术、不整体买公司的做法叫“acquihire”。机密 AI 通俗说就是让敏感数据在使用过程中也保持加密和受保护，Opaque 在这个方向做了十年研究，还有 AgenTrust、Confidential MCP 等开源项目。好处是 Anthropic 的资源可能把实验室技术推向生产可用；但有人担心，做“验证工具”的 Opaque 进了模型厂商，等于被检查方拥有了检查方。目前双方都没透露协议细节，Opaque 那些开源项目未来是否继续维护也未说明。
langchain-ai/deepagentsjs · The batteries included agent harness.
Deep Agents 是一个内置完整能力的智能体框架（agent harness），以 TypeScript 包 deepagents 形式发布。它把提示词、工具与上下文管理预先封装好，安装后即可运行一个可用的智能体，并按需定制。内置能力包括：用 write_todos 做任务拆解与进度跟踪的规划能力；read_file、write_file、edit_file、ls、glob、grep 等文件系统工具作为工作记忆；通过 task 派发子智能体以隔离上下文窗口；以及让这些工具开箱可用的默认提示词与中间件。框架与模型供应商无关，可配合支持工具调用的聊天模型使用；createDeepAgent 返回编译好的 LangGraph 图，因此可用流式、Studio、checkpointer 等 LangGraph 特性。支持通过传入 model、tools、systemPrompt 进行定制，并提供 deepagents、deepagents/browser、deepagents/node 等运行时入口。
langchain-ai/agent-protocol
Agent Protocol 是 LangChain 团队提出的规范，用于定义在生产环境中以框架无关方式对外提供 LLM Agent 服务所需的 API。规范围绕三类核心概念展开：Runs（执行 Agent 的接口，含无状态一次性运行 /runs/wait 与 /runs/stream）、Threads（组织多轮交互，支持持久化状态、历史版本、并发控制与 CRUD）、Store（长期记忆，支持命名空间、键值与搜索）。此外还定义了 Agent 自省接口、Message 消息规范以及面向线程的流式协议（SSE / WebSocket、命令、回放、工具生命周期事件等），并附有 OpenAPI 文档、JSON 规范、Python 服务端桩代码以及若干 Hurl 编写的使用旅程示例。
OpenTelemetry Collector 是一个夹在你的应用和观测平台之间的小程序，负责把遥测数据转成统一格式并转发出去，这样你的埋点代码就不用关心后端是谁。但项目故意不提供唯一的下载版本：有精简的 Core、包含数百个社区组件的 Contrib、能用 OCB 自己拼装的定制构建，以及各厂商预打包的发行版，它们能接的数据源和稳定性都不一样。Dynatrace 这篇文章逐一介绍四种选项的取舍，帮你做出半年后不会后悔的选择。如果数据源本身就说 OTLP、拓扑简单，Core 起步比较省心；Contrib 适合探索，但生产前要逐个核对组件成熟度并裁掉不需要的部分。
Anthropic 的前沿红队用约 825 美元买了 15 台杂牌安卓电视盒子，把它们拼成一个小集群来跑 AI 模型，速度只有每秒 0.39 个词，慢得没法聊天，但适合那些不着急、没人等的后台任务。他们周一发布研究，认为小体积的开源模型可能再过几个月就能在廉价联网设备上自我复制，不再依赖数据中心。不过他们并没有做出能在公网上自行传播的 AI 蠕虫，实验是在受控环境里、并开了一些方便复制的后门。普通人可以留意：一旦这类能力成熟，海量廉价设备被悄悄用来跑 AI 并非不可能。
LangChain 团队用 Deep Agents 测试框架跑了一批开放权重模型，发现 GLM-5 和 MiniMax M2.7 在文件操作、工具调用、指令遵循这些智能体核心任务上，已经和 Claude Opus 4.6、GPT-5.4 等闭源顶级模型打得差不多。过去用闭源大模型跑智能体，又贵又慢：每天输出 1000 万 token，Opus 4.6 大约要 250 美元，MiniMax M2.7 只要约 12 美元，一年差出近 8.7 万美元。开源模型还能跑在 Groq、Baseten 这类专门优化的推理服务上，延迟和吞吐都更好。不过这还只是早期评测结果，团队正在继续扩充测试集；普通用户暂时用不上，主要意义是给要做智能体产品的开发者一个更便宜、更快的选择。
LangChain 今天发布了 Deep Agents Deploy 的测试版，它能让开发者用一条命令把自定义 AI 智能体部署到生产环境。此前，部署一个智能体需要自己搭建可扩展的服务器、为每次会话创建沙箱、再接通各种接口，步骤繁琐。这次它把这些打包成 `deepagents deploy`，你只需指定模型、指令文件、技能和工具配置即可上线，而且底层用的是开源、不绑定任何模型厂商的框架，所以智能体的记忆存在你自己的数据库里，换模型或换平台时不用从零开始。目前是 beta 测试版，记忆格式用 AGENTS.md 等标准文件保存，支持通过 API 直接查询。