MCP
tRPC-Agent-Go:Agent 工程化的重点不是 prompt,而是运行边界
从 Runner、Session、Tool、Graph、AG-UI、A2A、Evaluation 看 tRPC-Agent-Go 如何把 Agent 变成 Go 服务团队能治理的软件系统。
CodeSeek 教程:给 Claude Code 和 Codex 装一张代码库地图
CodeSeek 是 Rust 实现的代码智能 CLI,面向 AI Coding Agent 提供 AST 调用图、混合语义搜索、BM25、RRF、reranker 和 MCP 工具集成。
CodeSeek:AI 编程真正缺的不是生成代码,而是读懂代码库
CodeSeek 把 AST 调用图、语义检索、BM25、RRF 和 MCP 接到 coding agent 前面,解决 Claude Code / Codex 在大仓库里选错上下文的问题。
OpenViking 长篇教程:给 AI Agent 建一个真正可用的上下文数据库
OpenViking 是面向 AI Agent 的 Context Database,用 viking:// 文件系统、L0/L1/L2 分层、MCP 和会话归档统一管理 memory、RAG、skills 与 sessions。
OpenViking:企业 Agent 真正缺的是上下文数据库,不是更长 prompt
OpenViking 用 Context Database 统一管理 Agent memory、RAG、skills、sessions 和 MCP 访问,适合企业级上下文治理。
Koog 教程:JetBrains 给 Kotlin/JVM 做的 AI Agent 框架,适合把 Agent 放回主工程栈
Koog 是 JetBrains 开源的 Kotlin/JVM AI Agent Framework,支持多平台、MCP、图工作流、记忆、模型切换、OpenTelemetry、Spring Boot 与 Ktor 集成。
DBX:20MB 数据库客户端,把 AI SQL 和 MCP 放进同一个入口
DBX 是一个轻量跨平台数据库客户端,支持 60+ 数据库、桌面端与 Docker 自托管,并把 AI SQL Assistant、MCP Server 和 CLI 放进数据库工作流。
DBX:更适合独立开发者的轻量数据库工作台
DBX 把跨平台数据库客户端、Docker Web 版、AI SQL Assistant、MCP Server 和 CLI 合在一起,适合独立开发者和小团队减少数据库工具切换。
OpenTag 不是 Claude Tag 的复刻,而是把工作区 Agent 的控制权还给团队
OpenTag 用开源运行时、可替换模型、AG-UI/MCP 和人工审批,展示了 Slack 工作区 Agent 的开放实现路径。
OpenCut 重写的重点不是开源剪映,而是可编程视频编辑器
OpenCut 的 Rust 核心、插件架构、Headless 模式和 MCP Server 指向创作者工具的新方向:视频编辑进入自动化和 Agent 工作流。
Bytebot 上手:给 AI 一台能干活的电脑,而不是只给它一个聊天框
Bytebot 不是又一个“浏览器自动化插件”。它把 Agent 放进一台容器化 Linux 桌面里,让模型直接面对屏幕、文件、浏览器、办公软件和命令行。这个方向更有意思的地方,不是“说一句话让 AI 点鼠标”这么热闹,而是 Agent 的运行环境开始从聊天框,往一台可隔离、可观察、可接管、可持久化的工作站迁移。 这
Software 3.0 来了:程序员真正要学的不是 Prompt,而是给 Agent 设计接口
Karpathy 把 Software 3.0 说清楚之后,很多人第一反应还是落在“以后是不是不用写代码了”。这个问题问得太早,也太浅。更值得看的是:软件的接口正在换人。 Software 1.0 的接口给程序员用,核心是编程语言、函数、类型、测试和部署。Software 2.0 的接口给训练系统用,核心是数据集、损
Semble 上手:给 Coding Agent 一套省 token 的代码搜索层
Semble 为 Coding Agent 提供代码搜索层,返回带文件路径和行号的代码片段。文章介绍 Python API、MCP 接入和继续查找相似代码的方法。
thClaws 上手:用 Rust 做一个主权 Agent 工作台
thClaws 用 Rust 构建本地 Agent 工作台,将 GUI、CLI、MCP、Skills、记忆与多 Agent 协调放进同一套引擎。文章介绍构建条件、入口和模型配置。
Agent Zero 上手:别把它当聊天框,它更像一台 Agent 工作台
Agent Zero 这类项目,最容易被写成“又一个自主 Agent 框架”。这话不能算错,但没抓到重点。 它更关键的地方,不是会聊天,也不是会调用几个工具,而是把 Agent 放进一台完整的 Linux 工作台里:有文件系统,有终端,有浏览器,有记忆,有项目隔离,有插件和技能,还能把任务继续拆给子 Agent。
Sentrux:AI 写代码不能只看 diff,还要有架构传感器
AI Agent 写代码最容易让人上头。头几天,功能像开闸一样往外冒;再过几天,项目里开始出现幻觉函数、错位依赖、循环引用、God 文件。不是模型突然变笨了,而是代码库本身开始失去结构。 Sentrux 值得看的地方,不是又多了一个静态分析工具,而是它试图给 Coding Agent 补一个反馈器官:在 Agent 动
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:
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
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
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


