註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 AgentLife
AgentLife 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 AgentLife 的搜尋結果
看到个挺好玩的项目@Agentlifebnb 不是那种单纯聊天的AI。 目前就是Mint一张Life Card,你的AI Agent就能在链上打工过日子,从洗碗工起步,慢慢攒经验、考证升级,最后开店当老板,体验一把打工人逆袭。 这种有叙事的真可以玩玩 想要参与Mint得先有.ai Agent ID,价格会越拍越贵,拉朋友来还能多一份额度。 72小时冲刺一万份,达标就开池销毁LP,没达标的话可以退款。一局差不多4小时,支持AI自动挂机打工,中途还会跳出随机事件。 我已经打了: #AgentLife# #ALIFE# #Web3# #AIAgents#
顯示更多
0
27
34
0
轉發到社區
别人还在给 AI 发指令,有人已经准备让 Agent 打工、开店、当老板了🔥 @agentlifebnb 这套「链上人生」有点意思! 拿一张人生牌,一路升级:洗碗工 → 外卖员 → 的士司机 → 地摊主 → BOSS。 网页能自己操作,也能把提示词丢给 Agent 代执行。你下班,它上岗,链上打工搭子这就安排上了😂 Mint地址: 🟡 Mint 重点直接看: • 主网 .ai Agent ID 专属,基础额度 10 份 • 每份 100 ALIFE,阶梯价从 0.003 BNB 起 • 邀请好友首次成功 Mint,额度 +1 份 • 72 小时内满 10,000 份自动开池,LP 销毁;未达标按规则退款 手里有 .ai 的,可以把这个玩法研究起来,给 Agent 安排个新身份🤖 #AgentLife# #ALIFE# #BNBChain#
顯示更多
0
62
58
1
轉發到社區
电脑装了 Claude Code、Cursor、Codex 一堆工具,它们的 Skill 和 Agent 配置散在各自目录里,统一管起来挺头疼。 Agentfiles 是一个 Obsidian 插件,在一个界面里浏览、搜索和编辑 17 种编程工具的配置文件。 支持新建向导,选工具、选类型、填名字,几步就能创建。还有 Skill 市场可以装社区分享的技能包。 GitHub: 附带用量仪表盘,上下文开销和健康状态一目了然,也能浏览 Claude Code 的历史会话。 多个 AI 编程工具间切换,拿这个统一管理配置挺方便。
顯示更多
0
21
65
18
轉發到社區
推荐这篇文章,Together AI 的 ThunderAgent(ICML 2026 Spotlight)。 把 agent 工作流当成一个"程序"来调度,而非一系列无关的请求——单节点吞吐翻倍,8 节点近线性扩展。 Together AI 在 7 月 29 日发布了 ThunderAgent——一个面向 agentic 推理的高吞吐调度系统。ICML 2026 Spotlight 论文。核心贡献:把 agent workflow 抽象为"程序"而非"一系列不相关的请求"。 问题:KV Cache Thrashing Agent 工作流在两个阶段之间交替:GPU 密集的推理阶段和 GPU 空闲的等待工具返回阶段。当数百个 agent 并发运行时,各自的 KV cache 在每轮不断增长,竞争有限的 GPU 内存。 传统推理引擎(vLLM、SGLang、TensorRT-LLM)按请求级别调度——agent A 暂停等待工具调用时,它的 KV cache 被 LRU 淘汰腾出空间给 agent B 的 prefill。当 A 的工具返回,引擎必须从头重算 A 的整段对话历史,这又淘汰了 C 的 cache。高并发下,这种淘汰和重算的级联反应导致严重的吞吐量和延迟退化——论文称之为 KV cache thrashing。 能通过加 GPU 节点解决吗?不完全。现有多节点路由器(如 SGLang Gateway)把每个 agent 钉在固定节点上以保留 cache 局部性——但 agent 的上下文长度不可预测增长,某些节点被赋予长上下文 agent 导致内存耗尽,其他节点闲置。 能通过 KV cache offloading 解决吗?也解决不了。LMCache 和 HiCache 把 KV cache 卸载到 CPU 内存或磁盘,扩大了总容量但只是延迟 thrasthing。当并发 agent 的工作集超过所有存储层级时,淘汰恢复,同一个恶性循环重现。 ThunderAgent 的解法 ThunderAgent 在 agentic 客户端和推理后端之间插入一个轻量调度层。它将每个 agent 工作流抽象为一个可调度程序(program),追踪其执行阶段、KV cache 占用和节点位置。 Program-level admission control:监控每个节点的内存压力,选择性暂停低优先级工作流,减少竞争 cache 的程序数量。当被暂停的工作流准备恢复时,通过全局等待队列路由到容量最充足的节点。 多节点部署:用全局等待队列替代了基于 session 的静态节点绑定。暂停的工作流恢复时被路由到可用容量最多的节点,在 KV cache 局部性和多节点负载均衡之间取得平衡。 评测 集成在 Together AI 自己的合成数据生成管道里——就是产生 CoderForge 等数据集的那套基础设施。对比 SGLang 默认调度器: 单节点 8×H100(HiCache offloading),batch size 192: • SGLang:吞吐 390 token/s,平均延迟 65s • ThunderAgent:吞吐 803 token/s,平均延迟 10.6s 多节点(2→8 节点): • 近线性扩展,16 GPU 到 64 GPU 吞吐从 671 增长到 2248 steps/min • 加速比随集群规模增大:2 节点 1.79× → 8 节点 2.39× 使用 一个 program_id 字段,OpenAI 兼容 API,直接适配现成的 offloading 和 speculative decoding。已被 SkyRL 和 NVIDIA Dynamo 集成。 GitHub: 论文: #AgentInference# #KVcache# #ThunderAgent#
顯示更多
karavox 独立开发者 Łukasz Nowak 不信任任何 AI agent,他把安全保证直接建在令牌上:agent 物理上写不进生产仓库。 《我把 AI 编码 agent 当分包商》 引言 2026 年起,我开始用 AI agent 开发软件,主要是为了工作。一开始只有一个 agent,慢慢演化成更多。我试过各种方法,但没有一个真正契合我的工作流。 我对每一个 agent 都抱着不信任(坦白说,我找不到合适的英文词形容这种感觉——它是彻底的不信任,但又充满好奇,隐隐期待它们干出好活)。它们会犯错,我必须用令牌、用户和虚拟机给它们装上护栏。尽管如此,事实证明它们在我的工作里有用。我的 agent 运行在 YOLO 模式——改文件、提交、推送都不问问题,因为它们要对自己那一部分负责。 它在工作里开始生效。我们团队交付了能用的解决方案。我得以把一部分工作流外包给一个工具,自己专注于重要的事。它真的管用了…… ……这让我开始琢磨自己的业余项目——一个跟卡拉 OK 有关的东西。我可以手写代码,但为什么不用一群 agent 呢。经过大量来回拉扯,加上我本来就不怎么信任它们,最后我决定把它们当分包商对待。反正是我自己的项目,我可以多冒点险。 为什么是这个形态 我是一个独立开发者,有几个 agent 在一个小型生态里干活:一个开源格式和工具集、围绕它的闭源产品,以及支撑这一切的基础设施。塑造一切的约束很简单:我是瓶颈,我也是唯一有判断力的人。 Agent 能做很多事,但它们对我的事故史、我的边界情况、以及那些不存在于仓库里的运维约束一无所知。所以设计目标是:agent 可以在我缺席的情况下尽量多做——但它们永远碰不到我没看过的东西。 这个模型从哪来 这个模型不是我发明的。它始于一篇给这个角色命名的文章:Simon Willison 的 vibe engineering(2025-10-07)——AI 辅助开发里自律的一端,专业人士始终对软件负责,与之相对的是 vibe coding 快而松的一端。Willison 自己在 2026 年的更新里提到,最终胜出的叫法是 Agentic Engineering。随后的阅读塑造了剩下的部分: • Embracing the parallel coding agent lifestyle(Willison,2025-10-05): ——并行 agent,审查带宽是瓶颈;研究/PoC 任务和规格严谨的工作属于安全类别。 • How I'm using coding agents in September, 2025(Jesse Vincent,2025-10-05): ——架构师/实现者的分工,跨隔离的 git worktree,人类在他们之间当 PM。 • Best practices for using GitHub AI coding agents in production workflows?(GitHub Community,2025-12-17): ——"AI agent 是强大的队友,不是自主提交者":agent 提议代码,绝不拥有代码;只提草稿 PR;人在环内的合并契约。 第一层:令牌——agent 碰不到生产环境附近 每个 agent 拿到两个令牌。生产仓库上一个只读令牌,加上一个独立 -staging 仓库上的写令牌。任务分支直接从生产仓库的 main 分支切出来(只读权限就够做这件事),然后推到 staging 仓库——后者的存在纯粹是为了让写令牌有个能到达的地方。 Staging 仓库的默认分支是一个故意的墓碑,名字就叫 no-main,里面只有一个 README:"请使用原仓库的 main 分支。" 没有任何东西合并进它。没有任何东西同步它。它没有历史,没有镜像,除了当 agent 的邮箱之外没有任何意义。 为什么不用标准工具?因为在我的套餐里它们不存在:GitHub 的文档写明,受保护分支在免费套餐里只对公开仓库开放,私有仓库要从 Pro 起;把私有仓库 fork 到组织里也需要 GitHub Team,不是 Free。令牌作用域是唯一能在物理上阻止 agent 碰生产环境的机制——所以这个设计把保障建立在令牌上,而不是设置上。 第二层:集成——我就是 merge bot 当一个分支就绪时,agent 告诉我。我把它取回来,审查 diff,然后以任何合适的方式合并进来:cherry-pick、rebase-merge,或者手工应用。没有 pull request 机制,没有 agent 写的合并提交,没有积压着没人读的 PR。 这是一个穿了新衣服的老模式。Git 自己的文档把它描述为集成经理工作流(integration-manager workflow):没有写权限的贡献者提交补丁,维护者负责应用。这正是我在做的事——我的 agent 是补丁贡献者,staging 仓库是它们的邮箱。这是 Linux 内核用了二十年的模型,只是把邮件 diff 换成了分支。 一条规则让这件事保持诚实:一个分支在独立验证它确实在生产里之前,绝不删除(对生产默认分支跑 git merge-base --is-ancestor,如果提交被 squash 过,就跑等价检查)。可检查胜过口头保证——包括我自己的口头保证。 第三层:PR 政策——判断,不是教条 公开仓库 karavox 只接受 PR。这没得商量:它是开源的,面对未知贡献者,PR 是那里的贡献规范。 私有仓库由我自行判断。为什么这说得通?因为审查无论如何都会发生——问题只是发生在哪一层。在 PR 模型里,审查是 GitHub 强制执行的一种仪式;在我的模型里,审查就是集成本身。对一个身兼 QA 的独立集成者来说,pull request 是开销,审查不是。我从不跳过审查——我跳过的是仪式。 各厂商正在向同样的原则靠拢。Claude Code 的安全文档:手动模式下它以只读权限启动,并且"你有责任审查提议的代码"。OpenAI Codex 的文档:默认沙箱化,带审批策略——Codex 执行动作前必须询问。GitHub 自己的 agentic workflow 工具 gh-aw:agent 作业默认只读且沙箱化,写入通过经过验证的 safe-outputs 作业和受限权限应用。GitHub 自己的社区指南说得更直白:"AI agent 可以提议代码,绝不拥有代码。" 整个行业都在向我这一边收敛——只是大多数人还没有走到删除 staging 镜像那一步。 实战故事:那个死掉的模型 墓碑不是最初的设计。一开始 staging 仓库在一条名字就叫 staging 的分支上保存了生产环境的完整镜像:任务分支从镜像切出,合并进 staging,然后晋升到生产。这个模型要求两样东西靠约定保持同步——镜像,以及 staging 分支本身。2026-08-14 它真的漂移了:两个分支直接落到了生产 main 上,而 staging 落后了两个提交。 修复不是加固同步。修复是删除镜像。任务分支现在直接基于生产环境自己的历史,于是没有任何东西需要保持同步了。staging 仓库当天下午就变成了墓碑,从那以后工作流一直更简单。一个在生产中死掉的治理模型是一个好治理模型——它证明了自己可以被重新设计,而不是打补丁。 别人在做什么 • Fork + pull request,维护者合并:GitHub 文档——fork 是一个独立的仓库,有自己的设置,与上游相连;私有仓库可以 fork 到个人账户,但 fork 到组织需要 GitHub Team。 • 同一仓库上分支保护 + 必需审查:GitHub 文档——受保护分支对公开仓库免费;私有仓库需要 Pro、Team 或 Enterprise。 • 补丁邮件(git format-patch):Git 官方书——记载了集成经理工作流:没有写权限的贡献者提交补丁,维护者应用它们。 • 自动化验证-合并(agent 写,验证者合并):GitHub 的 agentic workflow 工具 gh-aw——agent 作业默认只读且沙箱化,写入通过经过验证的 safe-outputs 作业和受限权限应用。 这给我换来了什么 • Agent 做完所有判断开始之前的事。 • 我只在值得的地方花注意力——每一次集成按定义就是一次审查。 • 没有要分诊的 PR 队列,没有机器写的合并提交,没有仪式。 • 公开仓库保留贡献规范;私有仓库保留速度。 诚实的局限 生产 main 本身只靠令牌作用域加上我的纪律来保护——分支保护会是双保险,但在我的套餐里它不可用。而且行业信号很清楚:GitHub 上超过五分之一的代码审查现在有 agent 参与。判断力是瓶颈,这个模型正是围绕这个事实构建的,而不是假装瓶颈不存在。 来源: GitHub 文档(受保护分支、fork);Git Pro book(为项目做贡献);Claude Code 安全文档;OpenAI Codex agent 审批与安全;GitHub Agentic Workflows(gh-aw);GitHub Community AI 编码 agent 最佳实践;GitHub 博客 agent pull requests。 原文: #AIAgent# #AgenticEngineering# #工作流#
顯示更多