gfl

null

[Geek @geekbb]

从一条离线 Agent 轨迹出发，沿 15 个可运行 checkpoint 亲手实现一个 Pi-style coding agent，每一步都能 checkout 和验证。

https://t.co/6GuJtgjTyM

[こすもす｜AIで起業しろ @cosmos_hzokujin]

AIにバグ修正を丸投げしたら1日で本当に終わった件。

偶然Xで見つけた瞬く間に【1.8万Star】を超えたこのバケモノプロジェクト...

AI Agent（自律型AI）の開発方法を基礎から応用まで網羅した教科書『AI Agents in Depth』のプロジェクトで、何よりヤバいのは「AI（Claude Code等）にバグ修正を丸投げして、この教科書自体を1日で自動アップデートした」という実例そのものです。

使い方は拍子抜けするほど簡単。

GitHubで公開されているWebサイトを開くか、PDFをダウンロードするだけ。
さらに、PCですぐに動か��る88個以上のサンプルコードが最初から揃っています。たったこれだけです。

理論だけでなく、実際にプログラムを動かしながら「自分で勝手に検索し、PCを操作して仕事を終わらせるAI」の作り方を完璧にマスターできます。

・AIが自動デバッグした88個のサンプル: 30以上のバグや依存関係の解決をAIエージェントが1日で完璧に終わらせた、超実用的なコード群。
・最初から日本語サポート: コミュニティ翻訳によってすでに日本語化が始まっており、日本人でも言語の壁を感じずにすぐに学べる
・超エリート研究者による高い信頼性: 清華大「姚班」卒の著者と、UT AustinでAIエージェントを研究する博士がレビューした最高峰の内容。

もはや人間は数週間かけて泥臭くデバッグする��ではなく、AIエージェントを指揮して一瞬でコードを完成させる世界線に突入しました。
ぜひ今すぐブクマして試してみてください👇

https://t.co/iwiOfuAaZ2

[AIGCLINK @aigclink]

openworker：吴恩达做的开源版cowork或workbuddy，一个住在你桌面上的开源 AI 同事。它交付的是结果，不是聊天——一份排好版的文档、一条带数字的 Slack 回复、一张理顺的日历、一个清过的收件箱。

官方原话："要一个结果，而不只是一个答案”

① 交付成品，不是给你一张待办清单
你说要的"结果"（"准备一份客户简报""把我这周日历理顺""看看这个 release 在 Jira 和 GitHub 上到哪步了"），它拆成步骤、跨桌面/文件/连接的 app 去做，最后给你能打开能分享的交付物。

② 本地优先 + 任意模型
agent 循环、对话、连接器 token、模型 key 全在你本机的密钥库里；唯一的云端部件只是个帮你走 OAuth ��手的小服务（你也能用手动凭证绕开、不登录也能用）。

③ 每个重要性动作都有审批
发消息、改日历、跑命令——任何要紧的操作都以"check-in"形式停下来等你点头；无人值守的定时任务不会自作主张，而是把"请求"停进一个收件箱等你处理。这跟"给它全权限让它自己跑"是两种安全观。

支持25+ 连接器
（GitHub/Slack/Jira/Notion/Linear/HubSpot/Gmail/日历…）+ 终端 + 本地文件，任何 MCP 工具也能插进来；能从 Slack 里 @ OpenWorker 触发、结果回到线程；能定时跑（晨报、周报、盯一个频道），带完整transcript；内置 Sales / 行政助理 / 市场 / Ops 值班几套角色模板。

一句话：AI 员工有很��云端产品，各种cowork、manus、workbuddy等，吴恩达这一步打的是本地员工。
#OpenWorker #AI员工 #吴恩达 #本地优先 #MCP #开源

[Berryxia.AI @berryxia]

兄弟们，可以退掉自己的RPA了！

这个本地模型电脑操作Agent 岂不是搞起来美滋滋啊！ 不花一分钱😂

Microsoft扔出了一个27B的电脑操作Agent。

Fara1.5-27B基于Qwen3.5架构，能看图像、读文字，并像人一样控制电脑。

它专门面向computer-use场景：浏览��页、填表单、从截图提取数据、点击按钮，把视觉和文本理解结合成真正能干活的数字助手。

27B这个体量已经能做实用的网页自动化，对本地部署和自托管来说门槛不算高。

以前能可靠操作电脑的模型往往很大、很贵或者闭源，现在一个中等规模的开源模型就能上手处理真实网页任务。

地址见评论区 👇

[Geek @geekbb]

pi coding agent 缺队列、容器隔离和费用控制，pi-dispatch 把这几层补上再跑成服务。

将 pi 以容器化服务运行，提供持久化作业队列、容器隔离、按次按日费用上限和实时管理面板。支持三种触发方式：CLI 手动提交、cron 定时调度、GitHub Issue/PR 标签自动触发。

https://t.co/8t2zqEVF0C

[Andrew Ng @AndrewYNg]

Announcing OpenWorker! An open-source agent that doesn't just chat with you, but delivers finished work -- like hand you a polished document, send a slack message, or update a calendar entry.

Ask it to prepare a customer brief, untangle your calendar, draft a report, or triage a Slack alert. It works across your files and everyday tools, produces the deliverable, and checks in before doing anything consequential.

OpenWorker runs on your Mac, with Windows support coming soon. It does not lock you into any one model. Bring your own API key and run it with GPT 5.6 Sol, Claude Fable, Gemini 3.6, an open weight model (like Kimi, GLM, DeepSeek, Inkling), or Ollama to keep your data local. Your data does not leave your machine except through an LLM provider and integrations that you choose.

@rohitcprasad and I are building OpenWorker because AI coworkers are an important way to get work done, and we want there to be an open, privacy-preserving, model-independent option. Check it out and let us know what you think!

Try it out: https://t.co/P0mGnI1o31 (requires your own API key)
Source code: https://t.co/NYCiTD6hSq

[yibie @yibie]

推荐这期 Pi 插件合集。Pi 作为最小 agent harness，真正的扩展能力来自社区插件——从一键装 17 个扩展的 pi-agent-extensions 到让你在 Pi 里无缝跑 Claude Code 全部 plugins 的 pi-cc-plugins。

Pi 插件精选：让 Pi 从最小 Harness 变成 Multi-Agent 部队的 6 个扩展

🎯 必装神器

1. pi-agent-extensions v0.5.2 https://t.co/afFhQWAZf2 — 17 个扩展 + 4 个主题，636 下���/月。核心集：
- /sessions — 快速会话切换
- /handoff — 目标驱动的上下文转移
- loop — 迭代执行循环
- review — 交互式代码审查
- ask_user — LLM 可以向你提问（beta）
- workflow — 模型路由的动态工作流（beta）
- control — 跨会话通信 & 控制（beta）
- files — 统一文件浏览器 + git 集成
- /context-simple — 上下文消耗看板
安装：pi install npm:pi-agent-extensions

🤖 Multi-Agent

2. pi-agents-team 2026.7.18 https://t.co/meziwTrwmx — 把一次 Pi 会话变成 multi-agent team。主会话当协调器，后台 RPC worker 执行任务。7 个内置角色（explorer、fixer、reviewer、librarian、observer、oracle、designer），每个可以指定不同的 model。Worker 输出只给协调器返回简洁摘要 + <final_answer> ���，不灌完整对话日志。支持 worker 加载 Pi skills。
安装：pi install npm:pi-agents-team

🧠 跨会话记忆

3. @remnic/plugin-pi v9.6.4 https://t.co/P3eO0Oz0gZ — 第一梯队的 Pi memory 扩展，15.7K 周下载。Recall 相关上下文（model call 前）、观察会话事件（turn 后）、协调 Pi compaction 与 Remnic 长上下文记忆归档、注册 Remnic MCP 工具为 Pi 工具。272 个版本，迭代速度惊人。

4. @cortexkit/pi-magic-context v0.32.1 https://t.co/tfv8ek8eya — 跨会话记忆，910 周下载。与 OpenCode 共享同一 SQLite 数据库——在 Pi 和 OpenCode 之间切换时不丢记忆。自带 historian/dreamer/sidekick/embedding 模型选择向导。

🔧 上下文工程

5. pi-agenticoding v0.3.0 https://t.co/Q6CHhlCnvH — spawn/notebook/handoff 三板斧，让 agent 自己管理上下文而不是在长对话里腐烂。核心思路：隔离噪音工作到子进程（spawn）、任务级命名笔记跨 handoff 存活（notebook）、需要时主动重启干净的上下文（handoff）。状态栏显示上下文压力和 notebook 数。

🔗 跨生态桥梁

6. pi-cc-plugins https://t.co/y5P20kgpKL — 把 Claude Code 的整个 plugins 生态带进 Pi。从 GitHub 克隆 plugin repo → 自动扫描 skills/agents/MCP configs → 转换为 Pi 原生格式。Skills 贡献给 Pi 的 resources_discover 事件，agents 转换给 pi-subagents，MCP 配置通过 pi-mcp-adapter 暴露。支持 --plugin-dir 本地测试模式。

安装方式统一：pi install npm:<package> 或 pi install git:<repo>

#Pi #CodingAgent #插件

[yibie @yibie]

推荐这篇文章，Mem0 团队对 Agent Wiki 这个新兴品类做了一次全景综述。今年 4 月 Karpathy 在一个 Gist 里提出 LLM Wiki 模式之后，Cognition、Factory、LangChain、Garry Tan 四家各自独立实现了同一套架构。文章最值得读的是最后一部分——把 Wiki（语料知识）和 Memory（用户记忆）做了一次清晰切割：wiki 告诉你语料里有什么，memory 告诉你这个人是谁、做过什么决定。

!Article cover https://t.co/i1JubsHz6N

Agent Wiki 的现状

2026 年 4 月，Andrej Karpathy 发了一个 GitHub Gist，描述了一种他称之为 LLM Wiki 的模式。

此后几个月里，四个不同的团队在没有任何协调的情况下发布了同一个想法：Cognition 做了 DeepWiki，Factory 做了 AutoWiki，LangChain 开源了 OpenWiki，Garry Tan 开源了 GBrain。不同公司、不同用户、同一种架构。

一个 LLM 读取一批源材料，把它们编译成一套持续维护的 markdown 页面，并在源材料变化时更新这些页面。然后 agent 读取页面，而不是每次提问都从原始材料重新推导一切。

这种模式已经成了一个品类，基于它构建的系统越来越被简单地称为 agent wiki。这篇文章讲它到底是什么、每个团队构建了什么、它在哪里出问题，以及它反复被误解的那一件事。

核心理念：在写入时编译，不在查询时编译

先说问题，因为这个模式是直接冲着问题来的。

给模型提供知识体系的默认方式是检索。你上传文档，切块、做 embedding，查询时取出相关 chunk 然后回答。这能用，但有一个结构性的缺陷：什么都不会积累。每个问题都从原始 chunk 开始，模型一遍又一遍地重新推导出同样的理解，关于一个代码库的第十个问题并不比第一个更便宜或者更深入。

LLM Wiki 颠倒了"合成"发生的时刻。不是在查询时从原始碎片拼出知识，而是由一个 LLM 在写入时一次性把知识组装成持久的页面，然后维护它们。当有新源材料到达，模型读取它，更新受影响的实体页面，修订摘要，把与已有内容的矛盾标出来。

RAG 在每次提问时重新推导知识。Wiki 推导一次然后保持最新。两者都是合理的做法；区别在于你在什么时候支付合成成本，以及结果是否存活下来。

架构：始终是三层

原始来源是不可变的：文章、论文、仓库、数据。模型读取它们，永远不编辑它们。

Wiki 是 LLM 生成的 markdown，模型完全拥有：摘要、实体页面、概念页面、交叉引用。

Schema 是一个配置文件（CLAUDE.md、AGENTS.md 或类似的东西），告诉模型 wiki 怎么组织、跑什么工作流。这才是让它成为一个有纪律的维护者、而不是一个带文件访问权限的聊天机器人的东西。

三条操作运行在上面：写入一个来源，把它归档到它影响的所有页面；查询 wiki（以及可选地把好的回答归档成新页面，这样探索也会积累）；扫描，一次周期性遍历，寻找矛盾、过时的声明和孤儿页面。

它为什么管用：瓶颈从来不是写作

人类 wiki 会腐烂，原因很具体。最难的部分从来不是读源材料或拥有洞察。最难的是记录管理：更新交叉引用、保持摘要最新、把一份新文档和四十个已有页面对齐。这项工作是无限的、不体面的，也是繁忙团队最先放掉的事。于是 wiki 衰减，人们不再信任它，它就死了。

这恰恰是语言模型不介意的工作。它不会无聊、不会��记更新一条交叉引用、可以一次触及十五个文件。LLM Wiki 之所以能运转，是因为它消除了维护成本——就是这项成本杀死了之前所有的 wiki。

这个想法比工具古老得多。Vannevar Bush 在 1945 年描述了 Memex：一个经过筛选的个人文档存储，文档之间有联想路径。Bush 没有解决的问题是：谁来维护这些路径。八十年后的答案是：模型。

这个名字从哪里来

Karpathy 的 Gist 值得直接读一下，因为它比大多数摘要更精确。他对于普通文档工作流的抱怨是："LLM 在每个问题上都从零开始重新发现知识。没有积累。"他的替代方案是编译而不是检索，这样"知识被编译一次然后保持当前，而不是在每次查询时重新推导"，产出的东西他称之为"一个持久的、会积累的造物"。

关键的是，你不需要写它。"你永远不（或很少）自己写 wiki，LLM 编写和维护它全部。"他自己的设置是一边是 agent，另一边是 Obsidian，看着页面���时更新："Obsidian 是 IDE；LLM 是程序员；wiki 是代码库。"

这个 Gist 在规模问题上也很具体，这是最值得传承的细节。不使用 embedding 的、以索引为先的方法"在中等规模下效果出奇地好（约 100 份源材料，约几百个页面），避免了基于 embedding 的 RAG 基础设施的需要。"超过这个规模，他建议添加搜索，特别是 qmd，描述为"一个针对 markdown 文件的本地搜索引擎，带有混合 BM25/向量搜索和 LLM 重排序。"

这读起来更像一个范围规则，而不是对检索的替代。在语料很小的时候跳过检索基础设施，等它变大再加回来。编译时合成和查询时合成坐落在一条光谱上，你最终落在哪里主要取决于你有多少材料。

工程问题是：这个模式在超越个人规模之后长什么样——过去几个月回答的就是这个问题。

实验室们真正构建了什么

这里开始，模式不再是一个想法，而是工程��各实现之间的差异才是最���用的部分。

Cognition：DeepWiki，作为公共基础设施的 wiki

Cognition 把这个模式指向了 GitHub 上的每一个公开仓库。在任何公开仓库的 URL 里把 https://t.co/3xHlU1nQfD 换成 https://t.co/4TUmh9gCPF，你就得到了一个生成的、可导航的代码库 wiki：架构概览、文件索引、依赖图和搜索，带回到源代码的链接。

两件事值得注意。规模是真实的：超过 5 万个顶级公开仓库已经被索引了，从 MCP 到 LangChain。而且 wiki 不是产品的终点——它是 agent 的检索基础设施。Devin 用 wiki 来在代码库中定位相关上下文，所以 DeepWiki 是让 Devin 的代码搜索更扎实的编译层。

Factory：AutoWiki，作为构建产物的文档

Factory 用 CI 的语言来框定同一个模式，他们的框定是这个品类里最锋利的一句话：文档应该是一个构建产物，而不是一个副项目。它从源代码构建，围绕代码库实际工作方式组织，在仓库变化时刷新。

生成方法是四家里工程化程度最明确的。AutoWiki 运行两轮分析：一轮对 README、���清单、CI 配置和入口点做结构性扫描，然后一轮对路由、API 端点、服务类、数据库 schema 和 feature flag 做更深的语义扫描。工作被拆分到专门的 agent 上，每个 agent 只负责仓库的一个方面，刚好有足够的上下文产出一页好的内容。这是对上下文问题的直接解决——单 agent 做文档生成在规模上平庸的原因就在这里。

时效性被当成基础设施而不是纪律来处理：/wiki 按需重新生成，/install-wiki 写一条 CI 工作流，在每次推送到默认分支时刷新 wiki。对 GitHub 仓库来说，它同步到仓库自己的 wiki tab 里。

LangChain：OpenWiki——从代码跃向一切

LangChain 开源了 OpenWiki，一个为代码库编写和维护 agent 文档的 CLI 工具，然后把它扩展为 OpenWiki Brains，有两种模式：Code Brain，原始的仓库用例；以及 Personal Brain，从你自己连接的数据源构建 wiki。

第二种模式是那个重要的跃迁。Personal Brain 从 Gmail、Notion、Git 仓库、X、Hacker News 和网页搜索读取数据，把它们合成为一个本地 markdown wiki，agent ��查询它。品类从"给我的仓库写文档"跳到了"编译我的整个工作生活"。

有一个设计细节值得注意，因为每个团队都汇聚到了这一点：输出不是面向人类的散文。它是面向 LLM 上下文优化的结构化 markdown，有标题、交叉引用和摘要，设计目标是让 agent 能快速找到相关上下文。wiki 是为真正会读它的那个读者写的，那个读者是一个模型。

GBrain：个人规模的、开源版本

Garry Tan 的 GBrain 把同样的形态应用到了个人知识库而不是代码库：Git 仓库里的 markdown、一个 schema 文件、一个自动维护的实体交叉链接图。它是模式"底层非常简单"的最清晰证明。不需要向量数据库、不需要服务，只是一个模型维护、人类能读的文件集合。

技术矩阵

按列往下读，收敛本身就是信号。四个团队、四种语料、一种架构：Git 里的 markdown、一个模型遵守的 schema 文件、在写入时合成��在变化时刷新、面向 agent 阅读而写的页面。当解决不同问题的独立团队落在同一个形态上时，这个形态通常是正确的。

差异在于时效性，这是成熟度的信号。Factory 把过时当成构建问题，在 CI 里解决。其他所有家都是按需刷新，这意味着它们的 wiki 的当前程度等于上一次有人记得运行命令的时间。

它的边界

这个模式确实好，所以需要诚实地说明它的局限。

规模。Karpathy 自己就说了：不用 embedding 的、以索引为先的方法是中等规模的技术，大约一百份源材料。超过几百页之后，你就回到了搜索引擎，这也是他自己的 Gist 推荐混合 BM25 和向量搜索的原因。

保真度。在写入时编译意味着，一个早期摘要可能悄悄丢失源材料中的某个细节，而后面的每一次回答都会继承这个丢失。针对原始 chunk 的检索没有这个失败模式。你是在用重新推导的成本换取压缩风险。

过期。一页编译过的内容只在最后一次刷新前是真的。这就是为什么 Factory 的 CI 框架比它最初看起来更重要：一个过时的 wiki 比没有 wiki 更糟，因为它用一种看起来权威的格式自信地犯错。

编译成本。你需要真金白银地付 token 来构建你可能永远不会查询的页面，并重新���描那些什么也没变的页面。

Wiki 不是 Memory

有一点需要仔细画出来，因为这个领域的词汇表目前还很松散。

这些系统越来越被描述为 memory。LangChain 把 OpenWiki 称为 AI agent 的 wiki memory 层，围绕这个模式的普遍说法是"这就是你怎么给 agent memory"。这个词承载了太多分量，它盖住了两件相当不同的事。

一根术语下面有两条轴。

语料知识是 wiki 做的事：编译一组文档、或一个仓库、或你的 Gmail 归档说了什么。它回答的是"这份材料里包含什么"。

用户和体验记忆是另一条轴：一个具体的人偏好什么、他们上周做了什么决定、他们团队已经拒绝过哪种方案、一个 agent 昨天在另一个 app 里尝试了什么、结果如何。它按身份划定范围，不是按语料。它从交互中积累，不是从写入中积累。它需要处理矛盾、过期、来源追溯和按用户的删除。

wiki 在第一件事上极��出色，并且不试图做第二件事。把你的 Gmail 编译成页面，告诉 agent 你的 Gmail 里有什么。它不会告诉 agent 你在上周二的一次谈话里改了主意、关于那个供应商的决定，或者某种建议方案已经失败过一次了。

第二条轴是像 Mem0 这样的专用 memory 层要做的事：memory 标记到 user_id，跨会话、跨 app、跨 agent 跟随一个人，当事实变化时原地更新，而不是永远追加。这两者是互补的。错误不在于选择了 wiki。错误在于认为因为你编译了一份语料，你就解决了 memory 问题。

收获

LLM Wiki 是一个真实的模式，背后有一个真实的洞见：知识应该被编译一次然后维护，而不是在每次提问时重新推导。而杀死人类 wiki 的维护工作，恰恰是模型免费完成的劳动。四个团队在几个月里交付了同一套架构，这是它正确的最强证据。

从这里带走三件事。当语料稳定且被反复阅读时，把你的文档编译成维护中的页面。当它超越个人规模时，添加真正的检索——原始提案也这样建议。以及，保持"编译语料"和"记住用户"的区别，因为 wiki 给你第一件，给不了第二件。那已经很值了，但那不是同一件事。

https://t.co/iZatEoDhq7
#AgentWiki #上下文工程 #AgentMemory

[Geek Lite @QingQ77]

不绑定任何厂商的持久化记忆层，让 Codex、Claude Code、OpenCode、Pi、ZCode 这些编码 Agent 跨会话、跨工具共享项目决策和上下文。

https://t.co/zkLyCJb5nu

[Ren @Ryrenz]

⚡ 我去，这个开源项目把你的 Mac 变成了一台本地大模型服务器，跑 Claude Code 这类工具又稳又快。

GitHub 狂揽 1.7 万+ Star，作者是个独立开发者，被现有工具气到自己动手做的。

他的原话是，试过的每个 LLM server 都让他在「方便」和「可控」之间二选一。Mac 用户跑本地模型都懂这种痛：长对话每次重新算上下文，又慢又烫，本地模型只能跑跑 demo，干不了真活。

oMLX 的思路是把历史上下文缓存到内存加 SSD 两层，接着聊不用重算；常用模型钉在内存，大模型按需自动换入换出；所有管理在菜单栏点一下就完事。API 兼容 OpenAI，Claude Code、Codex 这些工具直接接本地模型干活。

装它也简单，brew install 一行，或者直接拖个 dmg 进应用程序。

本地模型以前只能跑 demo，现在能干真活了。

GitHub：https://t.co/6xvcr3YikU

[GitHub AI Projects Community 🇯🇵 @trendtech33566]

【保存版】
調べものをAIに丸投げしたい人、これです👀

google-ai-mode-skill、⭐️約200。GoogleのAI Modeで調査できるClaude Code用skill。

何がいいかというと👇
・Google側が大量の情報を要約して返す
・引用付きでまとまる
・APIキー不要、ほぼゼロ設定
・トークン消費をかなり抑えやすい

「検索して何ページも読む」を減らしたい人へ。
技術調査や比較リサーチが多い人に刺さります。

https://t.co/RInZmU2CC0

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

给 Codex 5.6 装上这 4 个前端插件，做出来的网页总算不像 AI 流水线上下来的塑料件了

我实测下来最顺手的一套 Codex 审美组合，直接说，顺序按我自己的重要度排：

1️⃣ Taste-Skill
专管字体、配色、留白、圆角、组件比例这些细节，还能把已经写好的页面拉出来审计再重构，专治那种一眼假的廉价 AI 味。
🔗 https://t.co/ui6QCZu8CQ

2️⃣ GSAP Skills
Codex 最缺的就是动效这块，这个给你补齐，Timeline、ScrollTrigger、Flip、SplitText、SVG 动画全都能整。
🔗 https://t.co/AvOyjgVqaL

3️⃣ Product Design）
先把产品结构和设计方向定死，再生成几套不同风格的高保真参考图，你点头了它才动手写代码，别再让它蒙着眼睛瞎写前端。

4️⃣ Figma
直接读设计稿、品牌规范和组件，把视觉参考像素级还原成响应式代码，省得 Codex 自己在那凭空猜你想要啥。

再叠加 GPT-5.6 本身在布局、视觉层级、设计判断上更能打，这一套下来，前端流程基本就跑通了，做出来的东西是真有点灵魂在的。

[GitTrend @GitTrend0x]

那个 Hermes 插件最好用？

1️⃣ abundantbeing/hermes-browser-extension（https://t.co/blrNprurkv）

Chromium侧边栏扩展，直连Hermes Agent + 实时上下文注入。
“浏览器Agent热血模式”！

2️⃣ yantrikos/yantrikdb-hermes-plugin（https://t.co/qLWoszG5Vy）

YantrikDB知识图谱记忆，自调优排名 + 矛盾追踪。
“智能记忆进化引擎”！

3️⃣ kenyonxu/hermes-persona（https://t.co/fA3TIxtm8X）

动态人格注入引擎，配置驱动专业角色切换。
“人格定制热血神器”！

4️⃣ cnuahs/skill-tracker（https://t.co/RJECm96sNv）

Git-backed技能追踪，实时监控 + 版本历史。
“技能审计追踪模式”！

5️⃣ msitarzewski/agency-agents（https://t.co/qbrrgZ30lK）

多Agent工作区 + Hermes集成，per-agent workspace + 技能发现。
“多Agent编排平台”！

[そう｜Claude Codeで始めるAI自動化 @so_ainsight]

今週GitHubで急上昇したAIリポジトリ10選：

1. Graphify
コード��ドキュメント・画像まで丸ごと知識グラフ化。grepでファイルを探す代わりに、プロジェクト全体の関係性を辿りながら質問できる。
https://t.co/cD2VJQAOHA

2. hallmark
Claude Code・Cursor・Codexで量産されがちなデザインの「AI臭さ」を防ぐスキル。配色やレイアウトを自動で矯正する。
https://t.co/5tricsqTFt

3. awesome-llm-apps
クローンしてすぐ動かせるAIエージェント・RAGアプリが100以上。実装例を見ながら自分のプロダクトにそのまま応用できる。
https://t.co/RqNrlzE7wD

4. Vibe-Trading
自然言語で指示するだけでトレード戦略のバックテストや市場分析を実行する。自動売買まで任せられるが、上限設定と即時停止で暴走を防げる。
https://t.co/sNrgblv8e2

5. orca
Claude CodeやCodexなど複数のコーディングエージェントを並列実行できる開発環境。デスクトップ・モバイルからどこでも進捗を確認・操作できる。
https://t.co/RgSxPjJEFm

6. OfficeCLI
Word・Excel・PowerPointをAIエージェントが直接読み書き・編集できるCLI。Office未インストールでも単一バイナリで動く。
https://t.co/zxq9frTHj4

7. OmniRoute
231以上のAIプロバイダを1つのエンドポイントに集約する無料ゲートウェイ。トークン圧縮で消費を最大95%削減し、無料枠だけで動かし続けられる。
https://t.co/SkaW16yESu

8. pi
複数プロバイダに対応した統一LLM APIとエージェントループ、TUIをセットで提供。自分だけのコーディングエージェントCLIを組み立てられる。
https://t.co/iQpX6RX7iS

9. claude-video
動画URLを渡すだけでClaudeに「視聴」させられる。フレーム抽出と文字起こしを自動化し、長尺動画の要約やバグ調査の時間を大幅に削れる。
https://t.co/nIOGDD1rHo

10. DesktopCommanderMCP
ClaudeにターミナルとファイルシステムをまるごとMCP経由で渡せる。IDEなしでコード編集・コマンド実行・ファイル検索が完結する。
https://t.co/UiHN7X6xx5

[Dreameryanyan @yanliudreamer]

再次推荐下大神@emilkowalski!
是我学习Design Engineer的领路人

之前给大家推荐过他的设计skill，很有Linear风
👉https://t.co/KEaahnhIrk
(名字很牛逼，就叫skills哈哈哈）

最近又出了一个帮你做网页动效的
👉https://t.co/nHQJrjGirJ
回头测评一下

[gfl @BluceGe]

@_lopopolo Thanks for sharing！

[Ryan Lopopolo @_lopopolo]

I distilled myself and my work to twelve theses of harness engineering. This represents the last year of my work. This is the practice and technique. Go nuts fam. https://t.co/7ZqSMIFN9H

[小�� @xiaohu]

Harness 工程十二条心法：Google 首席工程师一年实践，浓缩成可直接照做的流程和模板 https://t.co/fl1x6QfghN

[Geek Lite @QingQ77]

一个企业级"数字员工"平台，帮助专业人把工作经验、业务流程和决策标准变成可连续运转、可复用、可演进、可追溯的数字员工，把 AI 从个人生产力工具升级成组织能力。

https://t.co/sw0HG6TOOs

[Geek Lite @QingQ77]

自托管一套兼容 GitHub 的 API 服务，AI Agent 能直接用它管仓库。

https://t.co/8tz4VmP29v

一个自托管的 GitHub 兼容 API 服务器，让任何兼容 GitHub 的客户端（包括 AI Agent）能操作你自己控制的仓库。它实现了 GitHub REST v3、GraphQL v4、OAuth 设备流和 Git Smart HTTP 协议，底层用裸 Git 仓库存储代码，用 TiDB/MySQL 存储元数据。