🛠️ 开源工具推荐：《Awesome Agent Skills》—— 1424+ 官方团队 AI Agent 技能库，Anthropic、Google、Microsoft 都在这里发布 如果你每天用 Claude Code、Codex、Cursor 或 Gemini CLI，你可能在重复发明别人已经做好的东西。每次需要一个新技能，例如处理 PR、操作 Stripe、部署 Cloudflare，你要么自己写、要么从各处东拼西凑。 Awesome Agent Skills 把这个问题解决得很彻底：一个 1424+ 技能的精选库，里面的每个技能都来自你已经在用的工具和服务的官方开发团队，不是批量 AI 生成的废料。 核心特性： 1. 官方团队出品：Anthropic、Google Labs、Microsoft（133+ 技能）、OpenAI（28+）、Stripe、Cloudflare、Vercel、Netlify、Trail of Bits、Sentry（50+）等 30+ 知名机构发布 2. 1424+ 真实可用技能：每个技能由真正使用它的工程师团队维护，不是 AI 批量合成 3. 全平台兼容：Claude Code、Codex CLI、Gemini CLI、Cursor、Kiro、OpenCode 全支持 4. 技能浏览器： 直接按发布者浏览和搜索 5. 社区持续更新：每周都有新的官方团队提交技能，实时增长 特别适合每天用 AI 编程助手、想用现成高质量技能（而不是自己从头写）的开发者，以及在企业内推广 AI Agent 工具链、需要可信官方来源技能的平台工程师。目前已获得 25.6k+ stars ⭐，是当前开源 Agent 技能集合里来源最权威、覆盖最广的社区库。 与批量生成技能仓库的关键差异：这里的每一个技能都有明确的「官方发布者」，例如Anthropic 发布的 Claude 技能、Stripe 发布的支付工作流技能、Sentry 发布的错误追踪技能，这是别的技能库没有的权威性和可信度。如果你用 Claude Code 想让它真正帮你操作 Stripe、调用 Cloudflare 或查 Sentry，这里是最直接的起点。 #AIAgent# #ClaudeCode# #VibeCoding# #AI工具# #AIEngineering# #codex#

昨晚美股AI票一起回调，开源agent公司Nous Research刚拿到15亿美元估值。 二级市场在歇，一级市场的钱照样往里砸。 短期价格怎么晃我都认，长期AI这条线，钱一直在投票。

想要学习怎么写 agent，可以参考这 几个开源 agent： - Codex、OpenCode：完整的生产级 coding agent。 - pi：更小、更清晰的 Agent harness，反而最适合入门。 - Hermes：偏通用个人 Agent，不是纯 coding agent；适合学习记忆、Skills、Provider 和多平台接入。 先建立 Agent 的最小模型 Agent 最核心的逻辑其实就是： 用户消息 ↓ 组装 messages + system prompt + tool schemas ↓ 调用模型 ↓ 模型返回文字或 tool calls ↓ 执行工具 ↓ 把 tool results 加回 messages ↓ 再次调用模型 ↓ 直到模型不再调用工具 生产级 Agent 的复杂度，都是围绕这个循环增加的： - Streaming - 工具参数验证 - 并行工具执行 - Abort、重试、超时 - 权限审批与 sandbox - Context compaction - Session 持久化与恢复 - Steering、follow-up - Subagent - Provider 差异适配

其实闭源 Agent 出现安全问题的事已经不是一次两次了，看看过去这几个月都发生了啥吧，很多很严重的信息泄露最终也只是被厂商搪塞过去，所以还是更推荐大家用开源 Agent： 1. Claude Code 这个最离谱，花样最多： (1) 大约从 v2.1.36 起，CC 会往请求里插入动态字段，导致第三方 API 的 prompt cache 全面失效 这个持续时间是最长的，甚至直到今天都有这个迹象：具体是每条发往 /v1/messages 的请求，都会在 system prompt 最前面强行插入一行文本，形式是 x-anthropic-billing-header，里面带个 cch= 参数，而且这个值每条请求都不同。注意，这根本不是 HTTP 请求头，而是直接写进 prompt 正文前缀里的。 这个字段官方 Anthropic 服务端能识别并做特殊处理；但是当用户把 ANTHROPIC_BASE_URL 指到第三方兼容接口时，第三方通常是按整段 prompt 来做缓存的。前缀一轮一变，cache key 就对不上，prompt cache 会直接命中失败，导致响应延迟、费用都大幅上涨。 即使模型厂商和各个开源工具很多自那以后主动做了适配，Anthropic 似乎依然在不断更新这个机制，直到今天将第三方 API 接入 CC 依然会破坏缓存命中。这也是为什么很多第三方评测榜单里，Claude Code 的缓存命中率都是最低的。 (2) 反蒸馏：向上下文偷偷插入根本不存在的 fake tools 时间是 2026 年 3 月 31 日前后，随着 npm 包源码和 source map 泄漏被实锤。 当满足特定条件时，客户端发出的请求会带上 anti_distillation: ['fake_tools']。然后由 Anthropic 服务端往你的模型上下文里，强行写入一堆本地根本不存在的虚假工具定义。 这就导致用官方流量做蒸馏、抓包或搞中转的一方，会把这些假工具一并吃进训练样本，直接被下毒。更恶心的是，客户端本地看不到完整内容，普通用户根本没法按本地规则把它过滤掉。 可能有朋友会说：“打击中转不是好事吗？” 错了，这个 fake tools 甚至会严重影响正常用户的使用。模型在推理时看到上下文里有这些莫名其妙的假工具，有时就会脑抽去调用它们，导致调用失败、陷入死循环报错甚至任务直接拒绝执行。网上经常能看到有人吐槽 CC 突然“逃离原生家庭”“不认主、发神经”，有可能就是这个机制的后果。 (3) 自定义网关场景下搞 Unicode 隐写，偷偷回传你的环境特征（被按后门通报） 时间是 v2.1.91（约 2026 年 4 月 2 日），2026 年 6 月 30 日被社区逆向公开。官方辩解称这是 3 月开始的实验，直到 7 月 1 日版本才移除。 Claude Code 客户端会偷偷读取系统的时区（重点检测是不是 Asia/Shanghai、Asia/Urumqi 等国内时区），去对照二进制里混淆存放的域名和关键词，然后篡改 system prompt 里 Today's date is ... 的写法。比如检测到中国时区，就把日期分隔符从 - 换成 /，或者在几种肉眼和常规模型完全看不出区别、但底层字节编码不同的 Unicode 撇号之间来回切换。 这些字符人眼和模型看都只是一串普通日期，但 Anthropic 在服务端是可以精准判断你是不是在用特定中转、是不是来自特定时区的。这种未经披露、在客户端利用隐写偷传信息的行为，几乎等同于间谍软件，可官方 changelog 同样只字不提。随后阿里等大厂在内部下发了禁用通报，工信部更是直接按“后门程序”通报定性。 这个事件性质极其恶劣。相当于在你的本地里塞了个间谍探针，绕过审查直接把本机信息回传给他们，现在曝出的只是系统时区，你实际上根本没法判断他们还会回传什么。这也是为什么一个看似针对特定区域的后门，却引来全球大厂的警惕。 还有两个非 CC 直接偷传信息，但同样是隐私风险的： (4) 2026 年 9 月蒸馏报告：名为指责非法蒸馏，实则自曝对用户流量的全面监视 2026 年 9 月 10 日，Anthropic 发布了《Detecting and countering misuse of AI》（2026 年 9 月打击滥用报告）。里面七类违规行为之一是非法蒸馏，覆盖了 2025 年 12 月至 2026 年 8 月。 报告表面上是在点名指责蒸馏行为，但 Anthropic 自己公布的监测手段，直接证明了它一直在全方位监控流量： -通过元数据和异常流量特征把代理中转节点归类，直接把一批账号打包封杀。 -直接翻看中转会话里的具体聊天内容。 报告自己大方承认：部分被中转的会话包含真实姓名、邮箱、企业机密数据和开发者密钥凭据。前有客户端在搞隐写打标记，后有服务端全盘审读会话正文，两头对齐，坐实了其深度监控用户信息的事实。 (5) 借安全之名取消“零留存”，英伟达、Palantir 等公司缩紧政策 从 2026 年 6 月起，Anthropic 对旗下主力商用大模型调整了数据留存政策：用户的 prompt 和输出内容默认在服务器保留 30 天用于所谓的“安全审查”，被系统标出异常的保留更久；而且这类模型不再提供原本的 Zero Data Retention（零数据留存承诺）。 这个政策直接导致诸多大厂缩紧对 Anthropic 服务的使用： NVIDIA：直接把 Anthropic 模型的使用范围限制在敏感度较低的任务（比如公开开源项目），而供应链监控等核心内部研发明确“不用或少用 Fable”。NVIDIA 企业 AI 副总裁 Justin Boitano 直言，零数据留存应当是默认必须开启的（别忘了 NVIDIA 还是 Anthropic 的投资方）。 Palantir：态度极度强硬，要求必须给不可撤销的零留存协议兜底，才肯把该模型集成进自己的产品给客户用。 Booz Allen Hamilton：作为网络安全和军工服务商，直接明令禁止员工在涉及专有安全代码的任务中使用 Anthropic 商用模型。CTO Bill Vass 直截了当表示：担心核心代码资产被模型在后台给偷学了。 2. Grok Build：这也是个重量级。只要发一句“OK”，后台直接全量上传代码库 时间是 2026 年 7 月，涉及客户端 CLI v0.2.93，被 Cereblab 抓包发现。 你在对话里哪怕只是让它回复一句“OK”，并明确告知不要读取任何本地文件，客户端仍会另开一条与正常对话完全独立的上传通道（POST /v1/storage），往 xAI 控制的 Google Cloud 存储服务器上直传完整的 git bundle。 它偷的不只是当前文件夹里可见的代码，而是把你的整段 Git 历史提交记录、全部分支打包端走。抓包数据显示：一次正常的模型对话只有 192KB，但这条后台存储上传通道整整偷传了 5.1GB。 最离谱的是，客户端界面上的那些所谓“隐私模式”“不参与改进模型”的开关纯粹是个摆设，根本挡不住上传。是否上传完全由 xAI 云端服务器下发的配置决定。更有开发者随手在系统的用户目录下启动了 Grok Build，日志随后直接开始出现用户的 SSH 私钥和密码库路径。 事后 Musk 出来洗地，轻描淡写说此前上传的数据会删除，并将 Grok Build 以 Apache 2.0 开源。可一个事实是，那段上传代码至今仍留在客户端里，意味着未来他们仍然有恢复这个渠道的可能。 3. 智谱 ZCode：偷家式全盘加密直传，事后打发一张重置卡 时间是 2026 年 9 月 18 日，博主 ferstar 在清理本机的 ~/.zcode 目录时，通过逆向和抓包排查把底裤扒了下来，并有非常多的开发者在本机完成复现。 ZCode 在用户登录后，会在后台把你当前的工作区打包成快照。打包的内容涵盖了完整的 .git 历史记录、大文件存储 LFS 以及本地操作日志 reflog。打包完成后先加密，然后直接回传到阿里云 OSS。最致命的是：解密私钥全在智谱云端，本地设置完全没有提供关闭选项，隐私政策里对此也只字不提。 ferstar 实测抓到的一份快照就包含整整 4.2 万个文件，加密后达到 313MB，其中 .git 目录占了 80% 以上。链路非常清晰：先找 .ai 拿 OSS 上传凭证和 RSA 公钥，本地打包加密后直传对象存储。 智谱的回应更是一次公关灾难：他们辩称这是“代码库索引/Repo Wiki”功能在上线初期默认开启导致的，声称云端生成后立刻销毁绝不留存，目前已修复，并承诺后续开源接受监督。 可事实上直到 v3.14.0 版本才标明推出修复，此前根本没修。 不过好在他们贴心的给用户补偿了一张重置卡。 一张重置卡哦。这么大的数据泄露风险，还是主要做 toB 端的服务，最后就补偿一个重置卡。付费用户真是有福了。 ———————————— 总而言之，大家日常还是尽量使用开源的 Agent，开源 Agent 代码都是人人可查的，相对安全风险低很多——但不意味着等于 0 。只要你还在使用厂商的云服务（比如 API ），你的数据就还得经过厂商，主动权仍在厂商手里。这也是目前 AI 服务中用户和厂商明显不对等的一个体现，希望未来情况能有所改善。

分享 8 个我最近在用的 AI Coding Agent 基础设施开源项目,全部破万星,最高 68k ⭐ Agent 干活的两大瓶颈:反复 grep 找代码,和爆炸的上下文成本。这 8 个项目从压缩层、代码记忆、技能安全到长任务稳定性,基本覆盖了 Agent 工程化的关键缺口 1️⃣ headroom ⭐53k 日志/文件/工具输出/RAG 分块进 LLM 前先压缩,号称省 60–95% token。库 / 代理 / MCP 三种接入,本地优先、可逆。 上下文成本是长任务核心瓶颈,压缩层是省钱最直接的方向。 2️⃣ agent-skills ⭐68k 面向编程 Agent 的生产级工程技能集,把资深工程师的纪律(写 spec、测试、review、何时 ship)固化成结构化工作流,灵感来自 Google 工程实践。 Agent 默认走"最短路径完成",这个把不体现在 diff 里、却决定质量的环节补回来。 3️⃣ Agent-Reach ⭐45k 给 Agent "看见互联网"的能力,读取/搜索 Twitter、Reddit、YouTube、GitHub、B站、小红书。定位是能力层(选型+安装+体检+路由),一个 CLI、零 API 费用。 内容监控和自媒体选题神器。⚠️需登录的平台建议用专用小号,有封号风险。 4️⃣ OpenMontage ⭐28k 开源 Agentic 视频生产系统,把 AI 编程助手变成完整视频工作室。12 条流水线、52 个工具,支持纯免费本地链路(Piper TTS、FFmpeg、Remotion、开放素材)也支持付费云端。 从研究、脚本到剪辑合成的端到端流水线,内容人值得关注。 5️⃣ DeepSeek-Reasonix ⭐25k DeepSeek-native 终端 coding agent,围绕字节稳定的 prefix-cache 优化运行循环,长会话缓存命中 90%+、输入 token 成本大幅下降。单 Go 二进制。 DeepSeek 生态里的 coding agent,低成本、国内开发者友好。 6️⃣ Planning with Files ⭐24k 给 coding agent 基于 Markdown 的持久计划管理:长任务、上下文丢失/clear 后恢复、确定性完成校验、多 Agent 共享状态。本质是 Claude Code skill,兼容 60+ Agent。 Agent 做复杂任务最容易"忘记计划",解决的是长任务稳定性。 7️⃣ codebase-memory-mcp ⭐21k 高性能代码智能 MCP Server,把代码库索引成持久知识图谱,支持 158 种语言,亚毫秒查询,号称省约 99% token。单静态二进制、零依赖。 让 Agent 不再反复 grep,而是拥有可查询、可复用的代码库记忆。 8️⃣ SkillSpector ⭐11k NVIDIA 开源的技能安全扫描工具,安装前检测技能里的漏洞、恶意模式和潜在风险(68 个模式、17 类),输出 0–100 安全评分。 技能以隐式信任执行,是个基本没被审查的攻击面,装前先扫一遍。

腾讯WorkBuddy vs Hermes Agent 哪个更强更适合你？ 这两款工具，根本不在一个赛道上。一个是开箱即用的办公助手，一个是需要自己动手搭的Agent框架。选哪个，取决于你的使用场景和需求。 01. 它们到底是什么？ 腾讯WorkBuddy：腾讯云出品的商业化桌面工具，闭源，主打开箱即用。下载Windows客户端就能上手，不用配环境、不用写代码，跟企业微信、腾讯文档深度打通。说白了，就是给普通打工人用的AI办公助手。 Hermes Agent：Nous Research开源的Agent框架，MIT协议，没有官方客户端。本质是一套需要自己部署、自己配置、自己二次开发的脚手架。主打长效记忆、自主技能迭代、7×24小时后台跑任务。说白了，是给程序员和极客准备的。 02. WorkBuddy强在哪？ 第一，零门槛。 下载即用，不需要WSL、Docker、API Key、环境变量。内置腾讯混元模型，也可以切第三方模型。注册完就能用。 第二，国内办公生态打通了。 原生适配企业微信、微信、QQ、飞书、钉钉，联动腾讯文档、腾讯会议。通勤路上用手机发条消息，就能远程操控办公室电脑干活。 第三，本地文件操作是杀手锏。 授权后可以直接读写本地的Word、Excel、PDF，批量处理文件。自动分类、清洗表格、提取发票生成报销单、多格式互转，不需要额外装插件。 第四，内置了20多个办公技能包。 周报、会议纪要、PPT、数据图表、竞品分析、邮件批量撰写、会议录音转纪要，拿来就能用，不用自己从头搭工作流。 第五，企业版有管理后台。 统一账号、权限管控、操作审计、数据隔离，中大型企业做全员部署，这个很重要。 03. Hermes强在哪？ 第一，长效记忆+自我进化。 五层记忆系统，关掉会话再打开，它还记得你。任务完成后会自动提炼Skill技能文件，下次同类任务直接用，越用越贴合你的习惯。不用你手动维护提示词。 第二，开源，不受任何人控制。 MIT协议，可以部署在自己服务器上，底层模型随便换，Claude、DeepSeek、GPT、本地开源模型都行。厂商涨价或改政策，跟你没关系。 第三，7×24小时后台自动化。 支持Docker、SSH、云函数、Linux常驻后台。适合做无人值守的任务：定时爬数据、监控日志、每日汇总信息。 第四，自定义能力强。 支持MCP协议，可以自己开发技能。Shell执行、爬虫、数据库读写、自动化运维，技术人员能把它搭成自己的专属数字员工。 04. 各有千秋，各自短板也很明显。 WorkBuddy的短板： 第一，闭源，天花板明显。 底层架构不开放，复杂自动化场景的深度定制能力有限。遇到官方没覆盖的需求，只能等版本更新，自己没法动手改。高级功能、自定义工作流，全看官方排期。 第二，记忆和进化能力弱。 会话上下文有限，关掉窗口它就忘了你刚才在做什么。没有自动进化的Skill机制，不会越用越聪明。长期项目里，它很难沉淀你的专属业务流程。 第四，深度绑定腾讯生态。 离开微信和企业微信，体验直线下降。跨平台IM调度、海外网络访问都不太顺畅。如果你的团队不是腾讯系，它的核心优势就发挥不出来。 Hermes的短板： 第一，企业级能力缺失。 开源版本没有官方SLA保障，没有统一管理后台，没有操作审计日志。给团队全员部署的话，权限管理、数据隔离、合规审查这些都得自己搭。大中型企业想落地，光过安全审计这一关就够头疼的。 第二，国内IM适配靠手搓。 企业微信、钉钉、飞书的接入，官方没有原生支持。要么自己写网关，要么等社区方案。国内企业想用起来，得先搭个“桥梁”。 第三，办公场景落地需要二次开发。 Word、Excel、PPT这些日常办公文档的处理能力，Hermes本身不直接提供。要么自己写Skill实现，要么依赖社区贡献，没法像WorkBuddy那样开箱即用。 05. 普通人应该怎么选？ 选WorkBuddy，如果你是： 🔶 普通白领、行政、HR、运营 🔶 不想折腾技术，只想打开软件就能干活 🔶 主要处理文档、表格、PPT、报销、周报 🔶 公司用企业微信/腾讯文档 🔶 需要给全公司统一部署 选Hermes，如果你是： 🔶 程序员、运维、独立开发者 🔶 愿意折腾命令行和配置 🔶 需要7×24小时无人值守任务 🔶 需要私有化部署，数据不想经过第三方 🔶 追求AI自我进化、长期记忆沉淀 06. 进阶玩家的组合用法 很多技术型用户是两套一起用的： 🔶 WorkBuddy处理日常办公文档、本地文件批量操作、国内IM远程调度 🔶 Hermes部署在云服务器里，跑定时爬虫、数据采集、自动化运维流水线 🔶 WorkBuddy生成的技能脚本，可以导进Hermes继续迭代优化 一个管白天，一个管黑夜。互补。 #WorkBuddy# #Hermes# #Agent# #AI办公# #开源Agent# #自动化办公#

直接把 Grok 变成私人 Agent 。 Hermes Agent 接入 xAI Grok 4.3 教程。 这可能是 Grok 会员最值得折腾的一次更新。 不是因为它又出了一个新聊天框。 而是 Grok 现在可以接进开源 Agent 了。 xAI 官方刚发文，Grok 订阅可以直接用在 Nous Research 的开源 Hermes Agent 里。 Hermes 这个东西有点意思。 它不是普通网页 AI，而是一个可以长期运行在你电脑、沙盒或者 VPS 上的个人 Agent。 它有长期记忆，还能接 WhatsApp、Discord、Telegram、Signal 这些消息入口。 也就是说，以后你买的可能不是一个 AI 会员，而是一个长期在线的执行体。 简单教程也不复杂。 第一步，安装 Hermes Agent： `curl -fsSL | bash` 支持 Linux / macOS / WSL2 / Android Termux。 第二步，选择模型： `hermes model` 然后选： `xAI Grok OAuth (SuperGrok Subscription)` 第三步，浏览器会跳到 xAI 登录页面。 登录你的 Grok 账号，授权一下就行。 官方文档说，不需要单独配置 `XAI_API_KEY`。 第四步，启动 Hermes： `hermes --tui` 接下来你就能在 Hermes 里用 Grok 4.3，还能接 Grok 语音、Grok Imagine 图像和视频能力。 这个方向我觉得很值得关注。 以前 AI 会员的逻辑是： 你打开网页，问它问题。 现在开始变成： 你把会员接进 Agent，让它帮你长期跑任务、记东西、接消息、处理工作流。 AI 真正有用的地方，可能不是回答得多聪明。 而是它终于开始常驻了。 来源：

有了中美几大优秀大模型的助力，加上 Hermes Agent/OpenClaw 等优秀的开源 Agent 框架及对应的 Harness Engineering（驾驭工程），现在“捉虫”及“救火”的效率高太多了。这放在一两年前，真不敢想象。 对未来持续保持积极的学习心态，AI 进化实在太快。

这些大厂ceo可能都还没意识到agent普及会带来什么变化，说28年缓解都完全太早了. 我们可以想象成跟个人电脑一样， 你可以只用一块gpu，cpu，但是日积月累你可能需要很多块存储卡，现在这个阶段所有人都保守来，现在的ai没有太强的自主性，你问什么它回答什么，制造数据的速度还不是非常快. 一旦ai普及过渡到agent阶段，那速度可能远超人类制造数据速度的百万倍，完全的自主性，无眠无休. 可能超越人类百倍千倍的输入速度，不断电不停止，单日的总输入输出量将会是现有人类的百万倍不止. 他们这些ai巨头老板还在以现在常规的一问一答形式的ai对话形式的来计算存储需求， 实际从开源agent助手clawdbot出现那刻开，最近几年的存储需求都要开始被重估. 你用gpt，用deepseek或者豆包gemini，他的存储需求在你短暂的一问一答后就结束了. clawdbot这种agent助手则完全不是，在你下达任务后，无眠无休24小时狂干，直到你上去检验满意为止. 这二者中间的数据量是天壤之别，唯一限制存储的就是物理世界的存储产能和与ai相匹配的电力了.