AI 资源库 · 已整理 3 项
查看与开源框架相关的 AI 资讯、工具、Skill、工作流和开源项目。
AWS 的 Hydro 团队正在开发一个开源 Rust 框架，用来编写分布式系统（即同时跑在多台机器上的软件）。现在他们的大部分代码由 AI 编程智能体生成，人力主要负责把关，于是出现了长达约 5000 行、难以拆分的改动，人工审查跟不上。更麻烦的是，智能体常同时写代码和单元测试，测试未必可信。他们的做法是在智能体的“信任范围”之外加入由编译器执行的共享正确性检查，像 Rust 借用检查器那样在运行前就发现问题，让智能体立刻得到反馈。Hydro 目前是早期版本，适合对延迟和吞吐有要求的团队，但还不完善、需要学习；相关工具 Hydro 和 Infinity 已开源，由 AWS 与加州大学伯克利分校联合开发。
LangChain 内部做了一个叫 Content Studio 的设计 Agent，放在 Slack 里，同事只要描述需求，它就能生成视频、社交图、幻灯片等成品文件。最初效果很差，因为模型虽然会写代码，但不知道这家公司的审美标准。他们的办法是把设计师的原则和反馈写进 Agent 的技能与检查中，并给每次对话一个独立的沙箱环境，让它能持续编辑自己的渲染结果。现在这个 Agent 已产出 3000 多个素材，公司里四分之三的请求来自市场部以外，单次请求的模型成本从约 8 美元降到约 50 美分。团队把整套框架开源了，可以换上自己的品牌素材，再通过 Managed Deep Agents 部署到 Slack。
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。