内容形态
开源仓库与工具：人格工程、记忆系统、去对齐脚本、推理与微调工具链。
2,050 条精选近 30 天 2,043 条共收录 8,517 条
作者开源了 Sightline，一个连接 AWS 只读角色的安全分析项目，通过 scanner 采集资源写入 Postgres 和 Neo4j 图投影，再用 Agent 回答如哪些资源可达生产数据库、谁实际是管理员等问题。系统内置含陷阱的 mock AWS 账户（如 PubliclyAccessible 为 true 但安全组不开端口的数据库），可零凭证运行；所有安全判定由确定性代码计算而非模型给出，Agent 回答中的资源标识符会与工具返回值校验，IAM 角色持显式 Deny 保证只读，并配 15 条 ground-truth 与 21 条 live agent 两级评测。
推荐理由：这个 AWS 安全分析项目把安全判定全部放在确定性代码里，模型只负责提问与解释，思路对做 Agent 工具边界设计有直接参考。
GitHub 项目 devdownin/SpectraLLM 发布，宣称在单一应用内将 PDF、DOCX 等文档经混合检索问答后微调为本地模型，100% 本地运行、无云端 API。流程包括摄入、问答（关键词+向量混合搜索、reranking、ReAct 多跳推理）、QLoRA/DPO 微调和单文件 GGUF 导出，可配合 llama.cpp、Ollama 等运行。默认模型下载约 4.8 GB，需 Docker Engine 25+ 与 16 GB 内存，GPU 可选，AGPL-3.0 协议。
推荐理由：把文档摄入、混合 RAG、QLoRA 微调和 GGUF 导出整合成一个本地 Docker 项目，对想私有化部署知识库的人有可参考的完整流程。
OpenTeam 是一个开源（GPL v3.0）的自托管 AI 智能体平台，让多个 bot 在用户自己的硬件上持续工作，可浏览网页、使用 Linux 桌面和操作文件。每个 bot 保留对话、Markdown 记忆和浏览器登录状态，支持群聊协作、子代理委派、按计划或事件运行的 routines，并可接入 Gmail、GitHub、Slack、Notion 等插件或自定义 MCP 服务器。
推荐理由：原文完整说明了自托管多智能体方案的部署要求与功能边界，读者可据此判断是否适合在自家硬件上运行。
martin-francois 开源了 Symphony for Trello，一个改编自 OpenAI Symphony（原用 Linear）的独立编排工具，让 Codex CLI 以 app-server 模式从 Trello 卡片自动领取任务。卡片移入 Ready for Codex 后，Symphony 轮询看板、为每张卡创建本地工作区、运行 Codex 并维护一条 ## Codex Workpad 评论，完成后将卡片移到 Human Review 或 Blocked。
推荐理由：把 OpenAI Symphony 的编排思路映射到 Trello 看板，README 讲清了列表路由、工作区隔离和用法限制，方法可直接迁移。
独立研究仓库 trajectory-sft-agents 发布在消费级单卡上运行的小模型Agent后训练项目。基于 Qwen2.5-1.5B-Instruct 的 ALFWorld 实验，用600条环境执行验证的专家轨迹做 LoRA SFT，再经在线GRPO，完整任务成功率由 Base 6.25% 提升至 SFT 68.75%、SFT+GRPO 77.08%。另一组 BFCL 实验将 Qwen3-1.7B 的多轮工具任务测试成功率从 2.5% 提升至 32.5%，单张RTX 5090训练约70分钟。仓库公开训练配置、专家轨迹、LoRA权重与逐题rollout，附CPU可运行的证据核验脚本；作者说明这是域内训练与内部留出评测结果，域外小样本评测未观察到明显退化但也不构成通用能力提升的证明。
推荐理由：作者给出完整训练链路、逐题成绩和可复现证据，读者可以在消费级单卡上照此复现小模型Agent后训练。
tinyhumansai 发布 GPL-3.0-only 的 Rust 库 tinyskills，用于解析和管理 agentskills.io 风格的技能包（SKILL.md、WORKFLOW.md）。该库提供确定性的 bundle 发现、scope 冲突解析、资源安全读取、编译期内嵌 materialization 与篡改检测，并内置针对不可信技能文本的供应链扫描（pass/warn/block 分级）、Hermes 目录解析与带守卫的 SkillRegistry 缓存检索；技能存储、信任与执行等策略决定权保留给宿主应用。
推荐理由：README 详列了技能包解析、发现、供应链扫描与网络守卫的具体安全设计，可作宿主集成技能包时的实现参考。
Statewave 是一个开源记忆运行时，当前版本 v1.5.0，通过 ingest→compile→retrieve→govern 流程为 AI Agent 提供结构化、带溯源标签且可字节级复现的上下文包，区别于查询时检索的采样噪声。它基于 Postgres + pgvector 自托管，Apache-2.0 协议，支持任意 LiteLLM 提供商（100+），提供 Python 与 TypeScript SDK，并已发布 GitHub、Slack、Notion、Zendesk、Gmail 等连接器以及 LangChain、CrewAI、AutoGen 集成示例。仓库同时列出了当前限制，如多租户尚无 Postgres RLS、无内置认证签发、速率限制仅按 IP 等。
推荐理由：原文完整给出了记忆编译、溯源、回执签名等架构细节与自部署方式，读者可评估这套确定性上下文方案是否适合自己的 Agent 记忆需求。
ganeshiyer316 发布开源工具 EvalDesk，用于加载 AI 产品的对话日志、逐条批注，并把笔记整理成命名的失败模式、可对照个人判断打分的 LLM judges，以及可在每次改动后重跑的测试用例。它遵循 Hamel Husain 与 Shreya Shankar 的 AI evals 课程中的错误分析方法（开放编码、轴心编码、LLM judges），内置 Payments、Healthcare、General 三个领域包，页面完全在浏览器运行、无账号无服务器，可选的 AI 功能使用用户自己的 OpenRouter key 且仅限零数据保留的供应商，需 Node 22 或以上，MIT 许可。
推荐理由：这是一个可在浏览器本地运行、数据不出本机的 AI 对话评测工作台，方法脉络和上手路径在原文里写得清楚，可以照着复用。
开源项目 metapi-go 将分散的 New API / One API / OneHub / Sub2API 等聚合中转站统一为一个 API Key、一个入口，支持 16 个上游适配器、OpenAI 与 Claude 双协议代理、模型自动发现与按成本/余额的路由容错。部署支持单二进制、Docker 和源码构建三种方式，启动只需 AUTH_TOKEN 与 PROXY_TOKEN 两个令牌，并可作为 TypeScript 原版的无缝 Go 替代。项目地址 https://github.com/DeliciousBuding/metapi-go ，MIT 许可。
推荐理由：原文给出了安装命令、配置项和路由容错机制的完整说明，自托管多站聚合网关的读者可以直接照着部署。
davechendatascience 发布 Theoretically_Driven_LLM_Planning（tdlp）Claude Code 插件 0.9.0，包含四个 MCP 服务器：consistency-belief 用证伪探针检验设计是否从公理推出，component-belief 运行声明测试检验组件，stamp-monitor 只读检查证据是否过期，graph-snapshot 把设计画成单页。核心原则是 Agent 无写入信念的路径，声明从 git HEAD 读取，证据按内容戳绑定到被测文件，采纳决策需人类 approver，goals.yaml 由人类拥有并用 commit-msg hook 拒绝 Agent 修改。
推荐理由：原文给出了防止 Agent 伪造证据的具体机制设计，如内容戳、只读监督和人类审批门槛，可直接迁移到自己的 Agent 工程流程。
GitHub 仓库 recordrnase224/brix-protocol 发布 BRIX 库，通过一次 BRIX.wrap() 调用为任意 LLM 客户端套上九个可配置 Guard，覆盖预算、限速、超时、死循环检测、上下文压缩、结构化输出、重试、审计日志和受监管领域拦截。每个 Guard 由对应参数激活并带硬保证，例如 BudgetGuard 阻断的调用消耗零 token，SchemaGuard 保证返回合法 Pydantic 实例，支持 pip install brix-protocol 安装及 OpenAI、Anthropic 适配器，并提供 DRE 确定性重放与 YAML 监管规格的 brix CLI 工具。
推荐理由：README 逐个给出九个 Guard 的参数、默认值与失败时抛出的异常，想给 LLM 客户端加预算、超时和结构化输出约束的话可以直接照搬。
Estuary 是一个自托管的 Rust 网关，用单个公共监听同时提供 OpenAI 与 Anthropic 客户端协议，覆盖 Chat Completions、Responses、Embeddings、Messages 及 token 计数等 API。它把公共模型名映射到上游模型，按并发、负载、延迟、错误和提示词前缀亲和性路由请求，vLLM 0.25+ 可获得精确 KV-block 亲和性；还提供每节点并发限制、熔断、健康检查、SQLite 配置与中英文管理界面。公共推理监听不做调用方鉴权，需放在可信网络或鉴权代理之后；SQLite 须在本地文件系统，不能放 NFS。
推荐理由：README 写清了路由依据、协议覆盖和部署限制，包括公共监听不鉴权、SQLite 不能放 NFS 等生产注意事项，可作为自建网关的参考。
DaizeDong 在 GitHub 发布 self-evolve，通过 profile、reflect、propose、patch、evaluate、accept 的循环，在 Git worktree 中评测候选改动并以证据决定是否接受。工具冻结评测规则防止通过删任务或自评提分，支持 A（执行测试）、B（独立验证事实）、C（提供测量）三类证据模式，提供 CLI 的 doctor、init、run、status 命令，要求私有 Git 伴生存储，MIT 协议。
推荐理由：原文讲清了自我改进循环如何用固定评测契约和证据化验收来防止改任务、删难题、自评刷分。
BiranSama 在 GitHub 开源了 ReNovel-AI，一个智能化的小说重写工作台，采用 GPL-3.0 协议。内置 ChromaDB 向量数据库实现全书 RAG 记忆与一致性检查，Writer/Reviewer/Chat 三模型协作改写与审校，支持 TXT 导入自动分章、批量流水线精修和断点续传，兼容 SillyTavern 的预设与 PNG/JSON 角色卡；技术栈为 NiceGUI + SQLite/ChromaDB，通过 OpenAI 兼容接口或 Gemini 调用模型。
推荐理由：README 给出了 RAG 记忆、三模型校验和 SillyTavern 角色卡解析的具体做法，做长文改写或角色卡相关工具时可参考其架构。
作者 xcl1989 在 GitHub 开源 CrabAgent，一个本地优先的 AI 工作平台，含 Chat 与 Work 双模式，智能体可跨终端、浏览器和 macOS 原生应用工作。支持文档实时预览与编辑、专业智能体分工协作、邮件转任务、微信通道接入，并可通过 OAuth Device Code 直接使用 ChatGPT Plus/Pro 订阅额度；安装方式为 pip install crabagent，采用 AGPLv3 许可，商用需另行授权。
推荐理由：作者开源了一个覆盖终端、浏览器和 macOS 原生应用的本地优先智能体平台，功能清单具体，可按需部署试用。
throndir2 在 GitHub 发布 AudioTranscriber，可录制电脑播放的声音与麦克风并实时转写，自动区分并记住说话人，全程本地运行，无需账号或上传。默认使用 NVIDIA Parakeet TDT v3，支持 25 种欧洲语言，测试中词错误率比 Whisper large-v3-turbo 低约三分之一且 CPU 占用更低；提供 Windows 与 Linux 安装包、SRT/WebVTT 导出、MCP 服务器以及面向跑团和会议的 AI 模板功能。
推荐理由：这是一个可全本地运行的录音转写与说话人标注工具，跑团、会议等场景的说明具体，读者能直接对照自己的使用需求。
VampSecure Labs 在 GitHub 发布开源 MCP 服务器安全审计工具 vamp-mcp-audit（pip/Homebrew 安装，需 Python 3.11+），通过 5 个阶段审计 live 服务器并输出 JSON/HTML 报告与 exit codes 供 CI/CD 使用。
推荐理由：开源 MCP 服务器安全审计工具，可本地运行并覆盖 OWASP MCP Top 10，还附带 ASCII 隐蔽注入的解码证据。
protodissect 发布，可对未知 TCP/UDP 协议的 PCAP/PCAPNG 抓包自动推断消息定界与字段布局，输出可用的 Wireshark Lua 解析器、PROTOCOL.md、facts. 和 report.html。字段推断为确定性流程，可选通过 Ollama 等本地 LLM 提议字段命名并逐一经证据校验；默认完全离线运行，同一抓包产出字节一致的 facts.，可用于 CI 协议回归检测。适合 IoT、游戏服务器、遥测等二进制协议，TLS 流量会被检测并跳过。
推荐理由：原文给出完整工作流程与确定性输出的说明，读者可以了解从抓包自动生成 Wireshark 解析器的可复用做法。
luongnv89 在 GitHub 开源 m-bench，一套针对自己机器基准测试完整 LLM 配置（serving 参数、thinking 模式、编码代理）的工具，每个任务附参考解，validate 需 28/28 通过。当前最佳配方为 unsloth/Qwen3.6-35B-A3B-NVFP4（MoE，约 3B 激活）跑 vLLM，关 thinking，core16+hard12 达 82.1% pass@1，吞吐约 35-48 tok/s 单流。多轮实测显示 thinking 对一次性代码生成多耗约 13 倍输出 token 仅换 +1.7 分，但在工具循环中可把轮次从 6.8 降到 5.2；同一权重经四个不同代理得分相差最多 23 分。
推荐理由：原文用多轮实测数据说明同一模型在不同配置和代理下得分差异巨大，为本地部署选型提供了可复用的基准方法和结论。
IIT Madras CeRAI 团队（EMNLP 2026 论文配套 GitHub 仓库）检验 LLM-as-a-Judge 是否真的依据评分标准推理：仅用 rubric 文本训练的探针分类器就能预测 Qwen2.5-7B-Instruct 评审的结论，HealthBench 上平衡准确率达 0.80–0.88。反事实实验中，反转回答仅 37.7% 的样本对上评审如期翻转，反转评分标准时仅 16.8%（Gemma）/ 32.2%（LLaMA），并开源了完整探针、扰动与分析脚本。
推荐理由：IIT Madras 团队用只看评分标准的探针分类器复现判断结果，并给出反事实扰动数据，方法可复用。