方向
Agent 框架、工具调用与运行循环，以及它们和人格、记忆系统怎么接。
1,880 条精选近 30 天 1,875 条共收录 7,246 条
soehi 发布 MoonLM，一个用 MoonBit 从零实现的端侧 LLM 推理引擎，同一份源码可编译到 native 与浏览器 js 后端，产物 669 KB / brotli 74.5 KB，推理零网络、零数据外传。已 GGUF 解析、Transformer 前向与采样（M0/M1）、Web Demo（M2）和带沙箱工具的 Agent 运行时（M3）完成；与 llama.cpp 逐位置对拍 288 位置 argmax 一致率 97.22%，浏览器端 SmolLM2-135M Q8_0 流式生成 6.3 tok/s，native 单线程 decode 18.4 tok/s（纯标量、无 SIMD，比 llama.cpp 单线程 57.2 tok/s 慢约 3.7 倍）。
推荐理由：从零实现的端侧推理引擎，对拍数据、性能数字与零网络验证都给了实测细节，可迁移到自建本地推理项目。
Tyler-Irving 发布 agent-arena，一个手写的多智能体系统，用于在同一批任务上对比本地 Ollama 模型与通过 Anthropic API 调用的 Claude 模型组成的阵容。任务类型以插件形式接入，首个插件是代码赏金板：orchestrator 发布编程题，coder 写 solution.py，Docker 沙箱用 pytest 评分；支持 Solo 模式（最多 3 次尝试）和含 planner、coder、reviewer、orchestrator 四角色的 Team 模式，每题硬性限制 3 次尝试和 20 次模型调用。所有调用、尝试和结果写入 SQLite，可按阵容对比通过率、尝试次数、token、成本和耗时。
推荐理由：作者手写了几百行 async Python 实现多智能体对比系统，不用任何 Agent 框架，便于直接观察多智能体协作的真实行为。
frederico-kluser 在 GitHub 发布 prompt-builder，一个基于 OpenRouter 的 LLM 并行基准竞技场，提供 Web、CLI 和 MCP 服务器三种界面，支持比较多个模型、测试多个提示词版本和让提示词自动迭代三种模式。裁判按参考答案打分（resolve/parcial/não），默认用 TypeSafe 的 Jev 决策模型并将低置信度结果升级给 LLM 裁判，赛后 finalists 两两对决得出排名，全程经 SSE 实时显示阶段、verdict 热力图和相对预算的支出。
推荐理由：这个 LLM 基准竞技场用裁判参照答案打分并按角色核算成本，还带 holdout 与显著性检验来决定提示词是否晋升。
tonythetiger168 发布 aios-core，一个本地优先、模型无关的 AI Agent 运行时原型，提供调度器、按 Agent 的权限、SQLite 持久记忆、沙箱代码执行和 MCP 客户端/服务端支持。项目处于早期 alpha，目前仅接入 Claude，也可通过 OpenAI 兼容接口使用 Ollama、vLLM 等本地模型；内置不可信内容标记与污点策略、技能摘要锁定、审计日志和注入攻击测试套件，README 附有各防御组合下攻击通过情况的测试结果表。
推荐理由：README 附带注入攻击测试结果表，逐项展示污点策略与权限范围各自挡住了哪些攻击，安全边界与未竟事项也写得诚实。
Recursive 在 Hugging Face 开放其面向编码智能体的 MoE 模型 Flint 权重，总参数 39.8B、每 token 激活约 2.5B，Apache 2.0 许可。官方评测中 Terminal-Bench 2.1 得分 54.9%、SWE-bench Pro v2 为 89.7%、SWE-bench Verified 为 74.2%；仓库含 BF16 checkpoint 和 SGLang 部署套件，支持 262,144 token 上下文与 OpenAI 兼容工具调用，单个 B300 或 H200 GPU 即可运行一个副本。
推荐理由：官方模型卡完整给出架构规格、评测设置和单卡部署方法，读者可以据此判断这个编码智能体模型的实际部署成本。
dsweet99 发布开源工具 kiss，为 LLM 编码智能体提供代码库层面的全局反馈，支持 Python 和 Rust。kiss check 静态检测复杂度、重复等问题并给出位置与修改建议，kiss test 运行单测并强制时间、测试数量和 orphan 门控；kiss stats 与 kiss viz 可查看指标分布和 Mermaid 代码图，规则可写入 AGENTS.md 让智能体迭代至全部通过。详情见 https://github.com/dsweet99/kiss
推荐理由：作者本人发布的代码质量工具，给出可写进 AGENTS.md 的规则用法，并提供复杂度、重复度和 orphan 检测的具体反馈示例。
Kevin Peckham 在 GitHub 开源 barkup-bench，一个持续进行的预注册基准系列，比较 barkup（HTML 整树重写）与 JSON 细粒度变更工具等方案在让 LLM 智能体编辑页面布局、文档模板、CMS 内容等类型化树时的可靠性。系列已含 45 项研究、8 个模型上超过 36,000 次评分运行，覆盖接口、树规模、部分上下文、检索、会话记忆、多目标编辑等维度，并保留两次重大修正与若干自我反驳。
推荐理由：预注册协议加可复现语料和回归门禁的做法，为评测 LLM 智能体编辑结构化树提供了可迁移的实验纪律。
AftabIbrahimKazi 在 GitHub 发布 MIT 协议的 ai-dev-kit，为 Claude Code、OpenCode、Codex 等读取 markdown 的编程智能体提供可移植 SKILL.md 技能库与分层编码规范，只需复制 skills/ 和 coding-standards/ 两个文件夹即可安装。套件包含按模型调优的协议（Claude 全系与 GLM、DeepSeek、Kimi、Qwen3-Coder 等开源权重模型）、工作流纪律、跨会话记忆、code-audit 全项目审计（47 条可脚本检查规则），以及可选的免费/本地 MCP 工具（Stitch UI 原型、Qwen3-VL 本地读图、Gemini 与 Cloudflare FLUX.1 生图、Laya 本地文件预筛）。
推荐理由：作者给出可复用的 Agent 技能与分层编码规范套装，并附小样本成本对比，适合想规范 AI 编程会话的读者参考。
作者 AryThakar 发布 Zen-harness，一个通过 llama.cpp 运行 Qwen 3.6 35B-A3B 的本地个人 Agent 框架，可在自有 GPU（约 24 GB 显存）或 Kaggle 免费 T4 x2 上运行。主 Agent 调度网页研究、文档检索和数据分析三个助手，关键事实和数字由代码校验而非模型自证，含 664 项测试、Windows 免安装包，采用 PolyForm Noncommercial 1.0.0 许可，非商业免费。
推荐理由：作者公开了完整架构文档、664 项测试和分阶段实测记录，可据此了解一个本地 Agent 系统如何用代码校验约束模型输出。
hbenabdallah 发布 phpgraph，通过静态分析把 PHP 代码库解析成知识图谱，经 MCP 提供给 Sherpa、Claude Code、Codex、Cursor 等客户端，不调用 LLM、不联网、不执行代码。每条关系标注 EXTRACTED、INFERRED 或 AMBIGUOUS 置信级别，支持调用图、DDD 分层检查、消息处理器、路由、依赖注入和微服务契约分析。在约 26,600 个语料文件上零解析失败，Akeneo 8,400 文件全量构建约 22 秒、增量重建约 3 秒；实测接入后影响分析类问题 token 减少 42%、工具调用减少 59%。
推荐理由：作者用固定语料项目给出构建耗时、类型解析率和与同类工具的逐点对比数据，可据此评估这类代码图谱工具的实际效果。
NaNIsaac 发布了命令行工具 Codigest（GitHub 仓库 NaNIsaac/codigest，MIT 许可），可将整个项目、指定文件及其本地导入、自基线以来的变更或失败命令及其相关文件打包成一段可粘贴的文本，供 ChatGPT、Claude 等使用。工具支持 cdg scan、digest、diff、semdiff、cap、pack 等命令，默认 30,000 token 预算并报告每个文件的取舍理由，自动排除 .env 等凭据文件并掩码代码中的 token，通过 MCP 供 Claude Code、Cursor 等 Agent 自行请求上下文，全部在本地运行、不发起网络请求。
推荐理由：作者开源的 CLI 把选定的代码、变更和失败命令打包成可粘贴上下文，还给出 token 预算与文件取舍理由，便于按需迁移到自己的工作流。
YokosWY 在 GitHub 开源 token-governance，一套面向 LLM 代理的上下文成本治理方案。对一周账单（10,862 次调用、2.585B 上下文 tokens）逐 step 拆解后发现开销主体不是模型调用，而是工具输出（34.6%）、助手输出（27.3%）、工具清单（21.0%）和技能目录（12.2%），其中 42KB 技能目录在 490 步会话里被注入 53 次、累计重发达两亿 token 级别。通过把非必需项移出常驻、压缩长会话等配置层调整，真实日志复算显示每轮成本降 24–46%，会话越长降幅越大。仓库含 7 个技能（仅 tg-router 常驻）、5 个脚本和 6 个自研机制，当前版本 v0.7，MIT 许可。
推荐理由：作者用真实会话日志逐 step 复算成本，给出技能目录重发才是开销主体的归因和 24–46% 的降幅数据，方法可复现。
Cycls 发布面向 Python 的 deep-stack AI SDK，把 AI 智能体的运行时、界面、智能和状态四层抽象为可组合原语，用 cycls deploy 一条命令即可部署。SDK 提供 Image、Web、LLM、Volume 四个原语和 @function、@app、@agent 三个装饰器，部署后自带聊天界面、登录、按用户的文件与聊天存储、OpenAI 兼容 API 端点和沙箱化工具循环。支持 Anthropic 原生接口及 OpenAI 兼容端点（含 DeepSeek、Kimi、GLM、本地推理服务器），Bash 工具在 bubblewrap 沙箱中运行，可关闭网络以防提示词注入外泄。安装方式 pip install cycls，MIT 许可，文档在 docs.cycls.com。
推荐理由：原文给出了 Cycls Python SDK 的四个原语、三个装饰器和完整 CLI 清单，读者可以据此评估能否用一个文件完成 Agent 的编写与部署。
kgaidev/kgai 在 GitHub 开源，定位为 AI 编程工作流中的共享决策记忆：AI 在改代码时自动把结构性决策记录为知识图谱，包括变更、原因和被否决的方案，改动前 AI 会先查已有决策。决策是不可变的内容寻址事件，并行写入不产生文本合并冲突，语义冲突以分支形式呈现并保留解决记录；官方称 100 万条决策、30 个写入者分片下查询约 100ms。支持 Claude Code 插件、Codex CLI（需 ≥ 0.150）和 Gemini CLI，团队同步为 opt-in，使用用户自己的 S3 桶（git 远端为实验性），另有 VS Code/Cursor/Windsurf 扩展和实验性 kgai-mod 插件，MIT 许可，本地优先，代码不出本机。
推荐理由：这个共享决策记忆在 100 万条决策、30 个写入者分片下查询仍约 100ms，且团队同步以自家 S3 为 opt-in，可作长期记忆落地方案参考。
Lucca Pinto 在 GitHub 开源 ai-games 仓库，收录 12 款通过与 AI 对话生成的自包含浏览器游戏，共 63,613 行代码、6.6M 新 token、API 费用合计 US$ 211.06。
推荐理由：仓库把每款游戏的模型、Agent 和 token 开销都记录在案，还单独拆出 cache 读数，读者可以据此比较不同模型的实际编码成本。
GitHub 项目 HarnessProbe 开源，通过同一模型、同一任务、同一评分器下只切换 harness 配置的矩阵实验，输出 delta 和 Harness Sensitivity Index 而非榜单。作者给出一次 66 trials 的实测示例显示，11 个配置中 10 个得分相同，唯一移除 shell（无法运行测试）的 no-shell 配置掉 16.7 分，说明提示词调整是噪声、验证权限才是主要信号。工具含 6 个双向验证的任务、Wilson 置信区间、pass@k/pass^k 与 flakiness 指标、隔离沙箱，支持 Anthropic、OpenAI 兼容端点、DeepSeek 和 Ollama 本地模型，MIT 协议。
推荐理由：它把 harness 当作唯一变量做矩阵实测，并诚实给出置信区间与任务过易的局限，区分模型能力与脚手架贡献。
RA-King 在 GitHub 发布 IntelliJ IDEA 插件 llm-copilot-intellij 0.0.01，为任意 LLM 提供 ghost text 行内补全、编辑器内聊天面板和代码操作，支持包括本地 Ollama 在内的 13 个提供商，MIT 许可。补全具备结构感知与意图推断，后台构建全项目符号表和双向 import 图以提供真实声明签名，并含去重守卫、next edit 建议和错误分析功能；要求 IntelliJ IDEA 2026.1+，默认按 Ollama 本地部署配置。
推荐理由：README 详细写清了补全触发门槛、项目索引和去重逻辑，读者能据此评估这款可接任意 LLM 的 IntelliJ 插件是否值得试。
nash 是一个开源的 Claude Code 插件，用博弈论机制让并行智能体相互竞争而非趋同，提供 /nash:decide、/nash:review、/nash:debug、/nash:test、/nash:loop 五个命令。作者引用 Artificial Hivemind（NeurIPS 2025）等研究说明同模型智能体会聚集到同一 Schelling 焦点，通过禁用常见解法、盲评锦标赛、假设市场、红蓝变异体对抗等机制分配多样性。开发期间的小规模实测显示 /nash:test 将弱测试套件的变异得分从 5/13（38%）提升到 13/13（100%），/nash:decide 让 5 个智能体给出 5 种不同方案，作者注明这些是单次运行的演示数据而非基准。
推荐理由：用博弈论机制打破多智能体趋同，原文给出了各命令的实测对比数据，并明确标注为小规模演示而非基准。
作者开源了一个基于 LangGraph.js 的 GitLab 代码审查 agent，用 sglang 在两块 4090（PCIe、TP=2）上跑 Qwen3.6-35B-A3B（QuantTrio AWQ 4-bit）。单流解码约 180 tok/s（~50k 上下文）、prefill 9-10k tok/s，8 并发共 985 tok/s；单次审查平均 26 次 LLM 调用、2.3M tokens，已累计 1300+ 次审查，约 70% 的评论被作者采纳解决，约 7% 的运行因模型自我循环而终止。
推荐理由：作者给出双 4090 跑 Qwen3.6-35B-A3B 做代码审查的完整吞吐数据和 1300+ 次实测结果，可复用到自己的本地部署。
ame-ml-ai 在 GitHub 发布面向 ML 工作的 Claude 技能 paper-to-code，输入 arXiv 链接、ID 或 PDF 后输出论文拆解和带测试的最小 PyTorch 实现。仓库附三个示例：LoRA 在 planted rank-4 偏移上以 13 倍更少参数达到 MSE 0.0007 优于全量微调的 0.0234，Transformer 学会序列反转（999/1000）并附消融，DPO 与 reward model + exact RL 匹配到 4 位小数、隐式奖励与真实奖励相关 0.976。每个示例是单文件 main.py，可在笔记本 CPU 一分钟内跑完且不下载任何东西，支持 cla.ai 上传或 Claude Code 克隆安装，MIT 许可。
推荐理由：仓库给出 LoRA、Transformer、DPO 三个可复现示例和具体对照数字，读者可以直接跑通并检验这套论文转代码技能的实际效果。