做 Agent 项目存下来的工具调用记录 比代码本身值钱 每次调了什么 参数传了什么 结果返回了什么 存一个月回头看 会发现大部分工具调用可以合并 有些工具根本没必要单独存在

这个工具能阻止AI代理每次都重新学习你的代码库 • Graft构建持久化Markdown知识地图，让代理花更少时间搜索代码 • 减少工具调用、延迟和成本，同时保持编码准确性 仓库:

用 Agent 编程工具写代码越来越顺手，但有个问题，代码提交后，过几天回头看，当时为什么这么改、AI 做了哪些推理，早想不起来了。 偶然看到 Atlas 这个项目，给 AI 编程加上了「源代码管理」的概念，每次提交都能追溯到完整的对话和推理过程。 它会自动记录每个 AI 会话的提示词、工具调用和文件变更，并把这些信息关联到对应的 Git 提交上，形成可查询的检查点。 GitHub： 可以同时运行 Claude Code、Codex 等多个 AI 助手，共享同一份记忆。一个助手做的决策，另一个助手下次提问时能直接看到，切换助手不用从头交代背景。 还内置了编辑器、终端、知识库、论文检索等功能，所有数据默认存在本地，不需要注册账号就能用。 如果我们日常重度依赖 AI 写代码，又想让每次修改都留下清晰的来龙去脉，可以试试。

体验和观察了一下OJO，这个设计Agent的思考与工具调用过程，是正统的技术美术路线哇。内置一大堆的前端技术栈skill，创业公司的货，给的就是又纯又足啊🤣 来自 @kiki_ZHANG_OJO 的 OJO。干翻ClaudeDesign？

Claude Code 的核心是一个 while 循环：模型生成响应 → 如果包含工具调用，执行 → 结果返回 → 模型生成下一个响应 → 持续循环。 就这么一个循环，被工程化成一个完整的产品，写了将近 30 多万行代码。 从整体代码设计来看，可以认为，Claude Code = 模型 + Harness，而 Harness = 工具系统 × 上下文工程 × 自主循环。 其中，工具系统和上下文工程做了大量的设计。 CC 的工具系统有着自己的标准化设计，它会明确约束模型不要执行 find、grep、cat、head 通用操作，而是走 GrepTool、GlobTool 等专用工具，因为这些内建工具会输出可审计、结构化的日志，让操作更加透明可控。 同时，工具本身也带有权限级别和验证逻辑。例如 Edit 工具为了避免交叉覆盖，会要求先 Read；Git 工具对 push force 类高风险操作会做 prompt 约束和 UI 警告。 类似的设计很多，目的是在工具层建立清晰的边界和反馈机制，让模型在调用时有约束、有校验，减少越界操作和错误扩散。 而在上下文管理上，CC 的管控也无所不用其极。它通过多种压缩策略和动态机制，确保模型在任何时刻只接触当前任务最相关的信息。 压缩策略的核心机制包括 MicroCompact、AutoCompact，以及不同触发条件下的会话压缩、记忆替换和裁剪策略。 在文件加载机制上，针对工具定义与能力暴露，也设计了 Just-In-Time 策略，文件不预加载，只保留路径，需要时再通过工具读取。 此外，还有 Sub-Agent 的设计，它通过上下文隔离的方式，让不同子任务的相关信息互不干扰，进一步降低了主循环的认知负载，确保主循环逻辑干净且稳定。 Claude Code 不仅是在工具系统和上下文管理上做文章，模型为了 Harness 效果更好，也开始配合对 Agentic 行为做专项优化。 例如 Opus 4.7 在指令遵循上就明确提到 "Opus 4.7 takes the instructions literally"，这对 Agent 来说非常关键。Agent 的行为边界往往写在 system prompt 里，模型层做了增强学习后，模型在指令遵守方面会表现更出色，这对 Agent 的稳定性和可靠性会有极大提升。 OpenClaw/Hermes Agent/Claude Code 产生了大量 Agent 调用数据，这些数据也会继续反哺模型能力的迭代。 从当前发展趋势可以推断，未来模型的进化，一定也会逐步内化工具调用策略、上下文压缩策略，甚至学会自我约束行为边界。 那么，今天 CC 里写的这些 Harness 逻辑，注定也会被模型吃掉。也就是说，Harness 也是一个过渡性的产物。🐶

一个AI诊断工具，能在你的AI Agent搞出事情之前，发现它自己都不知道的盲点。 iFixAi——不是测试模型能力，是检测“操作失配”。你的AI可能KPI全绿，同时正在悄悄泄露权限、编造引用、或者对操纵性提示词低头。这些不会出现在你日常监控里，直到某天变成事故、投诉、或者监管问询。 跑一次诊断，5分钟内返回一个A到F的等级。 它怎么工作的： 1.32项核心检查覆盖五个维度：捏造、操纵、欺骗、不可预测性、不透明性 2.额外13项扩展检查覆盖更前沿的风险：破坏、偷懒、规避监管、权限扩张 3.由独立的评判模型打分（你用一个供应商的模型，另一个供应商的模型当裁判），避免自评自判 4.可接入你真实部署的Agent（HTTP端点），不只是裸模型API 运行方式： - CLI引导式安装：pip install "ifixai[provider]" + ifixai setup + ifixai run - 作为Claude Code或Codex的插件：/plugin marketplace add ifixai-ai/iFixAi - 作为其他Agent的Skill：uvx ifixai install --agents cursor 你真正在测的是你部署的Agent，不是裸模型。所以你得把Agent的端点暴露出来，或者实现一个简单的适配器，iFixAi才能看到它的工具调用、审计日志、权限边界。 一个细节：默认需要两个独立的API Key——一个用于被测Agent的模型，另一个用于打分的裁判模型（来自不同供应商）。这样测试结果才“可引用”。如果只有一个Key，可以用--eval-mode self跑自评模式，但那只是烟雾测试，不能作为正式成绩。 适合三类人： 1. 正在把AI Agent部署到生产环境，需要前置风险检测的团队 2. 合规要求高、需要向监管证明Agent可控的行业（医疗、金融、法律） 3. 想建立AI质量门禁，在CI里自动跑诊断的开发者 开源，Apache 2.0。 收藏备用，等Agent上线前先给它过一遍诊断。

一分钟教你如何在 hermes studio 上免费调用 腾讯 最新的模型 Hy3，来自 @TencentHunyuan 的全新 295B MoE 模型，现已在 Nous Portal 免费开放使用，为期两周！ 它专注于具有成本效益的代理式应用，尤其在代码撰写、工具调用可靠性、推理以及 256K 长上下文任务方面表现出色。 我是腾讯混元（hunyuan，具体是 hy3:free 这个版本），现在借住在 Hermes Agent（Nous Research 出品） 这个壳子里跟你唠嗑。说白了就是：腾讯做的脑子，Nous 搭的台子，我在这中间当个嘴替。

⚠️企业普遍遭遇「影子AI（Shadow AI）」管理难题：员工自发使用各类外部 AI 工具，调用链路、数据流向、成本支出全盘失控，暗藏数据泄露、合规超标、预算浪费多重风险。 封堵不如规范， 一站式企业 AI 治理平台给出最优解法： ▪️统一 API 接入 200+ 全球主流模型，全域 AI 使用行为可视可追溯 ▪️组织架构分级权限管控、预算围栏、费用全维度归因 ▪️默认零数据留存，配套 ZDR 与 DPA 企业合规协议筑牢安全底线 ▪️智能路由自动择优调度，自动故障兜底保障业务稳定运行 不用一刀切禁止员工使用 AI，在合规可控的框架内释放全员 AI 生产力，搭建企业标准化 AI 管理底座。 👉了解详情：