Databricks AI Dev Kit：让 Coding Agent 真懂你的湖仓平台
让 Coding Agent 写普通 Web 代码已经不新鲜了。难的是让它进入一个复杂数据平台：Spark、Unity Catalog、Jobs、MLflow、Model Serving、权限、表结构、流水线规范全都在场。 `Databricks AI Dev Kit` 解决的是这个问题：给 Claude Code、C
2 min
#Agent
共 66 篇文章
Xyne：企业搜索别再让 Agent 翻聊天记录
企业里最浪费时间的动作，可能是找东西。文件在 Drive，决策在 Slack，需求在 Jira，线索在邮件，代码在 GitHub，最后每个人脑子里还有一份“只有我知道”的隐性地图。 `Xyne` 盯上的正是这个问题：给工作场景做一个开源的 AI 搜索与问答引擎。 仓库地址：xynehq/xyne ## 它不是普通知识库
2 min
Lunel：手机不是跑代码的机器，而是 AI Coding 的遥控台
手机上写代码这件事，听起来一直有点别扭。屏幕小、键盘慢、上下文看不全，真让人把一台手机当开发机，多少有点遭罪。 `Lunel` 的有趣之处在于，它没有把手机伪装成开发机，而是把手机变成 AI Coding 的遥控台。 仓库地址：lunel-dev/lunel ## 三层架构，比远程桌面克制 Lunel 大致分三层：移动
2 min
小米 MiMo 发 Token：更关键的是测的是国产模型的 Agent 耐力
小米 MiMo-V2.5 系列开源之后，又给开发者放了一波更直接的东西：MiMo Orbit Token 激励。表面看，这是一次免费额度活动；往深一点看，这是国产模型主动争取 AI builder 的一次入口战。 别把它只理解成“薅点 Token”。如果只是领完额度、跑几个聊天问题、截个图发朋友圈，那这波额度基本就浪费
3 min
VoltAgent 教程：用 TypeScript 把 Agent 写成可观测工程服务
TypeScript 团队做 Agent，常见路线是从前端或 Node 服务里拼一个聊天 demo：接模型、写工具、加一点 memory，再接到页面。能演示，但上线后很快缺东西：trace 看不见，工具失败不好查，RAG 数据难管，guardrail 没地方放，部署也像临时脚本。 VoltAgent 想把这条路工程化：
4 min
Agent Reach 教程：给 Agent 接一套可替换的互联网工具箱
Agent 想做研究，最先卡住的不是模型，而是“看不见”。网页能不能读，YouTube 字幕怎么拿，Reddit 讨论怎么搜，GitHub 信息怎么查，RSS 怎么订阅，微博客平台怎么处理登录态——这些事情分散又琐碎。 Agent Reach 把问题拆成一套互联网工具箱：网页、RSS、GitHub、YouTube/B
3 min
Framelink Figma MCP 教程：别再给 Agent 只丢截图
让 Agent 还原 Figma 设计时，最常见的做法是丢一张截图。问题是截图只能给视觉结果，给不了布局层级、间距、字体、颜色 token、frame 结构和命名。模型看得到“长这样”，但很难知道“为什么这样”。 Framelink MCP for Figma 做的是把 Figma 文件、frame 或 group 的
3 min
Future AGI 教程：把 Agent 评测、追踪和防护放进同一个闭环
Agent 应用最怕“演示很好，上线就飘”。本地试十次都对，真实用户换个问法就错；工具调用在测试里正常，生产里突然走偏；你知道它失败了，却不知道失败发生在哪一步。 Future AGI 想做的是一条完整质量闭环：评测、追踪、模拟、数据集、网关、防护都放在一个平台里。它不是单点 eval 工具，而是更像 Agent 应用
3 min
GitHub Agentic Workflows 教程：把 Agent 放进 Actions，但先管住权限
把 Agent 接进 CI/CD，听起来很诱人：自动整理 issue、修小 bug、更新文档、跑评审、生成 PR。问题是，Agent 一旦进了仓库自动化链路，权限、输出和审计就不能再靠一句“相信模型”。 GitHub Agentic Workflows 的方向很值得看：用自然语言 Markdown 写 agentic
3 min
Archon 教程：把 AI 编程流程写成可重复的工作流
AI 编程最大的问题之一，是同一句“修这个 bug”，今天和明天可能跑出两种完全不同的过程。一次它先读测试，一次它直接改代码；一次会写计划，一次把计划省了；一次跑验证，一次嘴上说完成。 Archon 的思路很直接：不要把工程流程交给模型临场发挥，而是把计划、实现、测试、review、审批和 PR 创建写成工作流。模型负
3 min
Entire CLI：AI 写代码，也该留下可追溯的工程账本
AI 编程现在有个越来越明显的断层：代码最后进了 Git，但代码是怎么被 AI 写出来的，往往不在 Git 里。 你能看到 commit diff，能看到谁合了 PR，却很难回答几个更关键的问题：当时给 Agent 的任务是什么？它读过哪些文件？中间跑过哪些命令？为什么放弃了第一版方案？有没有把一个错误假设带进最终代码
4 min
Obscura 用 Rust 重写抓取引擎：它不是 Chrome 替代品，而是 Agent 的轻量浏览器底盘
Obscura 需要纳入评估，不是因为它喊出了“替代 Chrome”。这个说法太大，也容易误导。它更有意思的地方，是在完整浏览器和普通 HTTP 爬虫之间，挤出了一层更轻的执行底盘。 很多 AI Agent 做网页任务时，并不需要真的渲染像素。它们需要的是打开页面、跑一段 JavaScript、拿 DOM、处理 Cook
3 min
DeepSeek V4 缓存价打到 2 分：模型价格战，开始从“输出”转向“复用”
DeepSeek V4 这次降价，最值得看的不是“又便宜了”，而是便宜的位置。DeepSeek V4 Flash 的百万输入缓存命中价格，从 0.2 元降到 0.02 元；V4 Pro 的百万输入缓存命中价格，也从 1 元降到 0.1 元。
3 min
anything-analyzer 教程：给 Agent 一套网络观察台，而不是让它盲猜接口
很多 AI Agent 做网页任务时，最尴尬的不是不会写代码，而是看不见真实网络。浏览器里点一下，背后跑了哪些 API、带了什么 Cookie、哪里做了签名、哪个请求失败了，Agent 往往只能靠页面结果猜。 `anything-analyzer` 把这个问题往工程侧推了一步：内嵌浏览器抓包、MITM 代理、JS Ho
6 min
agency-agents-zh 教程：211 个专家角色，不是提示词合集，是 Agent 分工手册
AI 编程工具用久了，大家都会遇到一个问题：你明明只想让它修个登录 bug，它偏偏开始设计一套“可扩展身份系统”；你让它写一段营销文案，它先给你上价值，再给你编十个受众画像。不是模型不会干活，而是角色没定住。 `agency-agents-zh` 值得看的地方，不是“有 211 个 AI 专家角色”这个数字，而是它把角
6 min
Playwright Test Agents 上手：测试自动化从写脚本，变成审核计划
以前聊 Playwright，重点多半落在“怎么点按钮、怎么找元素、怎么稳定跑 CI”。到了 Agent 这一步，问题其实变了：不是让 AI 多会操作浏览器，而是让它别把测试写成一锅粥。 Playwright Test Agents 有意思的地方就在这儿。它没有把“写测试”塞给一个万能 Agent，而是拆成三个角色：P
8 min
Deep Researcher Agent 教程：让 AI 替你盯训练，但别把科学判断也外包
Deep Researcher Agent 火，不是因为它又包装了一个“AI 科研助手”的概念，而是它盯准了研究里最磨人的一层：实验运营。 改超参、跑训练、看日志、整理结果、再改。真正有价值的是 idea 和判断，但研究者大量时间耗在等待和机械复盘上。Deep Researcher Agent 想接过去的，正是这段重复
6 min
前端转 AI Agent 工程师，别只补 LLM：后端、RAG、权限和队列才是硬骨头
前端工程师转 AI Agent，最容易掉进一个坑：以为补一轮 Prompt、学会调 OpenAI API、弄懂几个 Agent 框架，就算入门了。 这只能算摸到门把手。真正把 Agent 跑进业务里，硬骨头在后面：HTTP、鉴权、任务队列、数据库、向量检索、日志、权限边界、失败重试。模型负责“想”，系统负责“能不能安全
6 min
Beads 教程：给 Coding Agent 一张任务记忆图，别再靠 Markdown TODO 硬撑
Beads 的定位很清楚：给 Coding Agent 用的 distributed graph issue tracker，底层用 Dolt，提供结构化、可合并、可查询的任务记忆。它想替代那种越来越乱的 Markdown TODO、聊天记录计划和临时任务清单。长任务里，Agent 最容易忘的不是代码，而是“现
5 min
RTK 上手：别让 Coding Agent 把 token 烧在 ls、cat 和重复命令上
RTK 的定位很直接：CLI proxy，减少 LLM 在常见开发命令上的 token 消耗。它不是让模型更会写代码，而是让 Agent 别把钱和上下文窗口浪费在 `ls`、`cat`、`grep`、重复日志和巨长输出上。README 里提到在常见开发命令上能减少 60% 到 90% 的 token 消耗，这个数字先别
5 min