AI 资源库 · 已整理 13 项
查看与智能体架构相关的 AI 资讯、工具、Skill、工作流和开源项目。
这篇文章讨论了让大模型自动完成任务的几种组织方式怎么一步步变化。最早是“链式”做法，把提示词按顺序串起来，步骤少但很脆弱，一步出错后面就歪。后来出现“图式”工作流，可以分支、重试和校验，走不通时换条路。更近一步是让模型直接写并运行代码，用实际执行结果来验证输出对不对。作者建议检查模型输出，并在满足可靠、速度、成本的前提下选最简单的方案。文中没有介绍具体产品或代码，也没说明这些方式的发布状态。
提供的材料未提及具体可用工具。
Cursor 发布了 Agent SDK，这是他们用来构建自家 Bugbot、安全审查智能体和 Rollouts 等托管智能体的框架，现在对外开放。此前，团队想做一个贴合自己工作方式的智能体，要么直接用别人设计好的产品，要么从零开始写。现在可以用代码定义智能体：提示词写成 Markdown，工具写成 TypeScript 函数，和普通软件项目一样走版本控制和审查，还能用内置的评估和事件回放来测试。做好后运行 `agent-sdk deploy` 就能部署到 Cursor 的基础设施上，也可以打包成容器跑在自己的服务器上。目前已正式发布，可阅读文档开始使用。文中还举例：Cursor 内部团队约一天就做出了 kb-reviewer，在每个 PR 上对照团队经验知识库检查不一致。
ThanyathipK/AgenticAI-for-PRD
该项目是一个面向企业需求工程的本地优先应用，使用 React 19 前端、FastAPI 后端和 LangGraph 多智能体工作流（Router、Matcher、Gatherer、Auditor、Architect），通过 LM Studio 在本地运行推理，将银行产品简报或 DOCX/PDF/Markdown/TXT 文档转化为版本化、可审计的需求、用户故事、验收标准、PRD 和流程图，并提供合规审计、需求追溯矩阵、人工确认的变更暂存、PRD 分段编辑与版本快照、SSE 实时更新等能力。
LangChain 的 Deep Agents 框架介绍了让智能体更高效检索信息的方法。原来智能体有三类问题：搜索方式笨拙，反复打开文件或用不同措辞重复搜索，白白消耗时间和上下文；一次搜索塞进太多内容，把上下文窗口占满；以及拿到过时或不相关的信息，还可能在此基础上继续出错。它的做法是：默认使用 glob 按文件名查找、grep 搜索文件内关键词、read_file 逐页读取，不整份加载文件；结果太大时，把完整结果存成文件，只把路径和摘要交给智能体；自定义检索（如 RAG）则先检索、再存文件、由子智能体去读，主智能体只看相关内容。这样智能体能更快找到对的资料，减少无效搜索和上下文浪费。文中还提到 ls、write_file、edit_file 等内置工具，以及向量库、SQL、搜索 API、MCP 服务器等检索数据源；具体效果数据文中未说明。
amandahervol-alt/TalentPilot-AI-Recruitment-Agent
TalentPilot 是一个用 Python 构建的多智能体招聘评估系统：Agent 1 对职位描述与简历进行候选人筛选，识别技能差距并输出结构化状态；Agent 2 依据差距生成 5 道针对性追问及 1-5 分评分矩阵。系统通过 Pydantic 校验 JSON 结构，支持 Anthropic Claude 在线推理并在无 API Key 时回退到离线启发式模式，输出 Markdown 评估卡与可交互 HTML 仪表盘，并附带 AI 工程、AI 产品经理和医疗数据分析三类示例数据集与 Pytest 测试。
sutchan/Agent-Skills-Hub · 集中管理的 AI 技能
Agent Skills Hub 是一个集中管理的 AI 技能（Skill）集合，覆盖多个领域。每个技能为独立目录，包含 SKILL.md（含说明、触发描述与 frontmatter 元数据），并可选带 scripts/、references/、assets/、agents/ 资源。仓库提供中文目录与中文描述本地化，英文原文存于 en_description。用户可浏览技能后，将 skills/<name>/ 目录复制到 Agent 技能目录，依赖 description 自动触发或显式 @技能名 调用；也可借助 skills-manager 批量安装、更新与卸载。仓库附带基于 Express 的本地静态预览服务，技能元数据维护在 data/skills-data.json 与 data/skills-metrics.json。
agentskills/agentskills · Specification and documentation for Agent Skills
Agent Skills 是一个轻量级开放格式，用于为 AI 智能体扩展专门知识与工作流。每个技能是一个包含 SKILL.md 的文件夹，其中写明名称、描述与操作指令，还可附带脚本、参考资料和模板等资源。智能体按“发现—激活—执行”的渐进式披露机制按需加载技能，从而降低上下文占用，并支持跨产品复用、可版本化管理的领域知识与多步骤流程。项目最初由 Anthropic 开发并作为开放标准发布，获得多种智能体客户端支持。
传统企业安全靠“先验证身份、再检查权限”就能管住软件，但 AI 智能体不一样：它会自己理解目标、挑选工具、创建子代理并动手执行，用的还是从人那里继承来的账号权限。问题在于，这些权限可能允许它做人类从没打算让它做的事，而且它的执行路线会随时变化，光在门口设一道关卡拦不住。文章提出用“观察、执行、构建、部署”四个环节组成的持续安全生命周期，在每次具体操作前判断“这个代理、代表谁、要做什么、是否符合策略”，并先观察真实行为再逐步收紧限制。对读者来说，这提供了一个治理企业内 AI 代理的新思路，但文中没有说明具体产品或落地时间。
提供的材料未提及具体可用工具。
文章讨论 AI 智能体上线后该由谁负责的问题。凌晨两点零七分，一个智能体开始出错：应用还在跑，但因为下游接口报错，请求开始超时；它已经重试两次，消耗的 token 比平时多，响应时间大约翻倍。作者认为，这时该问的不是“用哪个模型”，而是“现在谁负责这个系统”。解决办法是像对待普通线上服务一样管理智能体：明确负责团队和上报渠道，用白名单限制它能调用的工具（默认拒绝），给执行步数和工具调用次数设上限，并记录延迟、模型、成败、token 用量和请求 ID 等可观测数据。这样读者能把智能体从“某处跑的试验”变成可问责、可监控、出问题有人接的服务，降低运维风险。
提供的材料未提及具体可用工具。
金融科技公司 Ramp 花了好几个月试用市面上的托管 Agent API、开源框架和第三方平台，最后决定自己造。他们用六周时间做出了第一版内部 Agent 运行框架 Laminar，现在支撑公司所有 Agent 产品。原因是不想被单一模型供应商绑死，希望按成本、速度和效果自由切换模型，也想要更好的调试和观察能力，内部自建还能直接和产品工程师协作、不用等外部厂商改代码。做法上，它把对话会话和运行代码的沙箱分开，凭据和调度放在沙箱外；Agent 默认异步工作，不必每步都等完成；还用一个连接器服务集中管理认证、权限和工具调用。LangChain CEO 公开点赞其中多项设计，认为这反映了 Agent 基础设施的走向，但原文并未说明 Laminar 是否对外发布或开源。
Manju Rajashekhar 做了一场演讲，讲怎么用 Actor 模型解决生产环境中 AI 智能体运行时的麻烦。Actor 模型可以简单理解成：每个“小工人”（Actor）只管理自己的状态，彼此只靠发消息协作，谁出问题就单独处理。演讲把智能体看成分布式系统，围绕状态由谁持有、消息传递、写穿状态（状态一变就立刻写入持久存储）和监督边界（谁来发现并处理故障）来设计，从而应对失败、任务续接和可动态变化的执行图。这样智能体工作流就能从容易崩溃的演示，变成更稳定、可恢复的架构。目前只是演讲分享，材料没有说明有可用的代码或产品。
提供的材料未提及具体可用工具。
guessleej/xHarness · Governance-first AI agent harness: zero-dependency Python, any OpenAI-compatible endpoint, sandbox, approval policy, cost brakes, MCP client, eval suites, SSDLC. On-prem friendly.
xHarness 是云碩科技（xCloudinfo）开发的插件式 AI agent harness，以治理优先、零运行时依赖为设计目标，使用纯 Python 标准库实现。它可以对接任何 OpenAI 兼容端点（llama.cpp、vLLM、Ollama、LiteLLM 或企业网关），适合地端部署。项目提供内置文件与 Shell 工具、沙箱隔离、有副作用工具的审批策略、成本限制、MCP client、会话记录、持久记忆、eval 评测套件、子代理与多代理讨论、Web UI 与舰队视图、桌面版、Telegram 通道、多节点舰队、多用户与配额、hooks、LSP 与 ACP 编辑器集成等功能，并配套 SSDLC 安全设计文档。
LangChain 开源了名为 Deep Agents 的智能体框架，用来解决长时间运行的智能体越跑越不准的问题。原因是任务越久，对话记录、工具返回结果和文件越堆越多，超出模型能承载的上下文窗口，准确率就会下降，这叫“上下文腐化”。它的做法是不删除信息，而是把大块工具结果和超长用户消息转存成文件、只给模型看一小段预览，快满时把旧对话压缩成摘要，任务技巧只在需要时加载，噪音大的工作交给子智能体另开窗口处理，学到的东西存成文件带到下次对话。这样模型每次只带真正需要的内容，需要细节时再回头查文件；由于记忆是存在你自己控制的存储里的普通文件，换模型或供应商也不受影响。文章还以每周竞品分析智能体为例演示这些方法，并通过中间件机制接入智能体运行循环。