Anthropic 发布全新的 MCP 规范：可将 MCP 服务器部署到云上 以前 MCP 服务器有个毛病：客户端得先握手拿一个会话 ID，之后每次请求都必须回到同一台机器 加机器扩容没用，serverless 也跑不了 新规范把这条规矩废了：握手和会话 ID 直接删除，每个请求自带身份信息，哪台机器都能接，挂个最普通的负载均衡器就行。 打个比方： 老 MCP 像打电话，你先拨号（initialize 握手），接线员给你一个分机号（Mcp-Session-Id），之后你每说一句话都靠这个分机号认人。想换个接线员？对不起，只有原来那位记得你刚才说了什么。 新 MCP 像寄快递，每个包裹上都贴着完整的寄件人、收件人和内容说明，谁拿到都能处理，不需要先跟谁打招呼。

不买 VPS，也能搭一个轻量私人文件存储？ OtterHub：基于 Cloudflare 与 Telegram 的 Serverless 私人文件存储工具 用 Telegram 的机器人（Bot API）当作实际存储文件的后端仓库，用 Cloudflare 的 KV 数据库来记录文件名、标签等元数据 最后用 Cloudflare Pages 跑一个前端网页 只需配置现有云服务账号，就能以较低维护成本跑起来

推荐这篇公告，一个重量级的开源模型托管合作。 首个 3T 级开源模型通过美国推理基础设施向开发者开放——后续模型同步首发。 Together AI 在 7 月 29 日宣布与 Moonshot AI 达成战略合作：Together AI 成为 Kimi K3 及未来所有 Moonshot 开源模型的美国托管平台。 合作内容 • Kimi K3 已在 Together AI 上线，通过 moonshotai/Kimi-K3 端点访问 • 未来所有 Moonshot 开源模型都将在发布当天同步上线 Together • 支持微调：开发者可以用自己的数据对 Kimi 模型做后训练，同时可选择移除 MIT 许可证中的 attribution 要求 • 三层部署选项：Serverless（按量）、Provisioned Throughput（预留容量 + 99% SLA）、Dedicated Inference（专有实例） 定价 • 输入 $3.00 / 1M token（缓存 $0.30） • 输出 $15.00 / 1M token • FP4 量化推理 战略意义 Together AI 的推理栈已经为 Cursor、Y Combinator 和 Decagon 等公司的 agentic 和编程负载提供生产服务。这次合作意味着开发者可以通过一套 API 同时访问 Kimi K3、LLaMA、GLM 等所有主流开源模型，不需要为每个新模型配置新的 SDK 或账户。 Moonshot 端——Kimi K3 作为首个开源 3T 级模型，在国内已经通过 API 服务广泛部署，但美国开发者此前缺乏一个可靠的托管方案。Together AI 填补了这个空白。 原文： #KimiK3# #TogetherAI# #OpenSource#

反代 灰产 中转 应该都在这里了👇 一、综合型多协议网关 CLIProxyAPI 是这个赛道的标杆，把 Gemini CLI、Antigravity、ChatGPT Codex、Claude Code、Qwen Code、iFlow 包装成 OpenAI/Gemini/Claude/Codex 兼容的 API 服务 AIClient-2-API 是 Node.js 实现，通过模拟 Gemini CLI、Antigravity、Codex、Grok、Kiro 的客户端请求，封装成本地 OpenAI 兼容接口 2026 年初还加了 Grok 的 Cookie/SSO 逆向，是目前对 Grok 支持最完整的 Antigravity-Manager 是桌面客户端路线，Tauri + React 写的，把 Google/Anthropic 的 Web Session 转成标准化 API 接口，带 OAuth 链接生成和账号池调度。这个适合拿来讲"账号管家"这种场景化内容 9router 和它的 TypeScript fork OmniRoute 是"智能路由 + 多档 fallback"的代表，iFlow、Kiro、Qwen 被标为 FREE 的是真免费无限，通过 OAuth 和 device auth 接入 ccproxy-api Python 实现，特点是直接复用 Claude CLI SDK tokens 和 Codex CLI 的 credential store，插件系统做得比较干净 CliGate 带可视化 Dashboard，支持 ChatGPT Account Pool、Claude Account Pool OAuth PKCE login、Antigravity Account Pool，一键配置 CLI 工具 二、Claude 专项 claude-relay-service 是国内最火的 Claude 中转方案，集成 Anthropic 的 OAuth 授权流程，在 Web 界面点击 Add Account 生成授权链接，登录 Claude 账号授权后接入服务。拼车党的基础设施，教程必讲 ClewdR 是 Rust 写的，支持 Claude 网页和 Claude Code，单一静态二进制覆盖 Linux/macOS/Windows/Android，Docker 镜像齐全，带 React 管理界面。性能路线代表 claude-code-proxy 是 Claude Code 转 OpenAI 的经典实现，教程里讲"双向转换"的基础案例 claude-relay（npow）是另一个思路，直接起一个 claude -p 进程来代理，而不是逆向协议 claude-unofficial-api 和 unofficial-claude-api（st1vms）是更早期的纯 Session Key 逆向（前者 JS、后者 Python），适合在教程里讲"历史演进" Claude Code Action with OAuth是官方 Claude Code Action 的 fork，支持 OAuth 认证，让 Claude Max 订阅者在 GitHub Actions 里使用订阅 opencode-claude-auth 走 Keychain 路线，从 macOS Keychain 读取 Claude Code OAuth credentials，支持多账号自动检测 三、ChatGPT/Codex 专项 PawanOsman/ChatGPT 是元老级项目，把逆向成本打到几乎为零 acheong08/ChatGPT（revChatGPT）是逆向 ChatGPT Web 的祖师爷仓库 codexProxy（J1aDong/codexProxy）你自己做的那个方向，类似的还有不少把 Codex 包成 Anthropic Messages 入口的。 四、Gemini 专项 gemini-proxy（KashifKhn）是目前最干净的实现，Bun + Hono + TypeScript，OAuth 2.0 + PKCE 浏览器登录，自动刷新 token，不需要付费 API key，不需要 gcloud CLI gemini-openai-proxy（Brioch）、gemini-cli-proxy（ubaltaci）、geminicli2api（gzzhongqi）是同类的三个竞品，各有侧重。 openai-gemini（PublicAffairs）是 Serverless 路线，可以直接部署到 Vercel/Cloudflare Workers，讲部署那集必备。 五、Copilot 专项 copilot-proxy（hankchiutw）一个简单的 HTTP 代理，把 GitHub Copilot 的免费额度暴露成 OpenAI 兼容 API，思路清晰。 github-copilot-proxy（BjornMelin）做的是反向，让 Cursor 调 Copilot 的后端，绕过 Cursor 的 500 次 premium 限制。 copilot-proxy（lutzleonhardt）是 VS Code 插件路线，通过 Language Model API 暴露，思路很野 六、Kiro / Qwen / Grok 逆向 kiro-gateway（jwadow/kiro-gateway）是 Kiro IDE / Amazon Q Developer 的网关，免费白嫖 Claude 模型的核心姿势。 Qwen-Copilot-Proxy（edwardgj）伪装成 Ollama 接口来对接 Copilot Chat，思路巧妙。 GrokProxy（CNFlyCat）走 Cookie 路线，从开发者工具 Network 面板抓 sso= 开头的 cookie 配置进 cookies.yaml，教程里讲 Cookie 型反代的标本。 七、Cursor 专项 Cursor-To-OpenAI（JiuZ-Chn/Cursor-To-OpenAI）把 Cursor 编辑器的 AI Chat 包成 OpenAPI，从 Cursor 客户端 cookie（user_ 开头）提取认证，网页 cookie 不能用。这个对讲"客户端 Cookie vs 网页 Cookie 差异"是绝佳案例 八、逆向号池 + 商用平台（拓展视野） FakeOAI/tokens（FakeOAI/tokens）是商用级别，轮训号池将各大平台的模型能力转化为 OpenAI、Anthropic、Gemini 等平台的 API 接口标准格式，支持 Claude Code、Codex、GeminiCli 等终端调用。

腾讯云开源了 AI Agent 沙盒 Cube Sandbox，Rust 编写，Apache 2.0 协议。 Agent 跑模型生成的代码需要一个隔离环境，避免误删文件或越权访问主机。这类服务的接口事实标准是 E2B，OpenAI Agents SDK、Manus、Perplexity、Hugging Face 都接它。Cube 对 E2B 做完全兼容，原本接 E2B 的 Agent 只要改一个环境变量就能切过来。 腾讯云公布了两组性能数据。单并发冷启动低于 60ms，50 并发时平均 67ms、P95 90ms、P99 137ms。单实例常驻内存低于 5MB（沙盒规格不超过 32GB 时测得），一台 96 核服务器可同时跑 2000 多个沙箱。同场景下 Docker 容器启动约 200ms、共享主机内核；传统虚拟机启动以秒计、单实例内存 20MB 起。 Cube 的做法是给每个 Agent 开一套独立的 Guest OS 内核，走硬件级隔离，同时把启动时间压到百毫秒内。加速靠资源池预置、快照克隆、底层锁优化；压内存靠 Rust 重写、CoW 内存复用、reflink 磁盘共享。项目还附带 CubeVS，用 eBPF 做沙盒之间的网络隔离。 规模化验证给了两个案例。Cube 原本跑在腾讯云 Serverless 体系里，承载过百亿级调用。元宝 AI 编程场景迁到 Cube 后，资源核时消耗降了 95.8%。外部客户里，MiniMax 在 Agentic RL 训练中靠 Cube 做到分钟级调度数十万沙箱实例。下一步规划是把事件级快照回滚也开源出去，提供百毫秒级状态回滚。

龙虾的对手来了？我试了一下Hermes Agent 这几天推荐 Hermes Agent 的人突然多了起来。 我自己装了一个跑了两天，说说感受：确实还可以。不是那种「又颠覆了」的程度，但能明显感觉到它的设计思路跟龙虾不是一回事。 先说一下背景，Hermes Agent 是 Nous Research 今年 2 月底开源的 AI 智能体框架。 上线不到两个月，GitHub 星标冲到了三万多。社区里不少人把它称为 OpenClaw 上线以来，第一个真正意义上的竞争对手。 两个项目表面上很像，都是自托管的开源 Agent，都能接 Telegram、Discord、Slack、WhatsApp。都支持多模型切换，都走 MIT 协议。 但骨子里完全不同。 龙虾是网关，Hermes 是引擎 OpenClaw 的核心是一个 Gateway。网关守护进程，负责统一管理会话、路由消息、连接各种聊天平台。 你可以理解成一个调度中心，把所有聊天应用接到 AI Agent 上。 龙虾解决的核心问题是：怎么把消息送到 Agent Hermes 不太关心这个，它更在意的是：Agent 怎么变得越来越强 官方管这叫 closed learning loop，闭环学习循环。整个框架围绕的就是一件事——让 Agent 在使用过程中自我进化。 打个比方，龙虾是个多渠道助理操作系统，什么聊天工具都能接，生态丰富。 Hermes 是一个会自我迭代的执行引擎，刚开始没那么花哨，但越用越能打。 这是最根本的区别，后面所有差异都从这分叉出来。 会自己写技能的 Agent 我觉得这是 Hermes 最有意思的地方 当它完成一个复杂任务——通常涉及五次以上工具调用——它不是做完就算了。 它会把整个过程沉淀成一份结构化的技能文档，存成 Markdown 文件，放在 ~/.hermes/skills/ 目录下。 下次遇到类似任务？直接加载这份技能文档，不用从头解决。 更狠的是，这些技能在使用过程中会自我迭代。Agent 执行某个技能时发现了更好的方法，它会自动更新技能文档。不需要你手动维护。 Reddit 上有用户反馈，他的 Agent 在两小时内自动生成了三份技能文档。之后跑重复性研究任务，速度提升了 40%。 龙虾也有技能系统，但龙虾的 Skill 主要靠人手写，或者从 ClawHub 技能市场安装。Hermes 等于把「写技能」这件事也交给了 Agent 自己。 一个靠人喂，一个自己长。 我试用的时候确实感受到了，让它帮我查了几轮开源项目的信息，第二天让它做类似的事，它明显快了。 不用再教它「先去 GitHub 看 README，再去看 Issues」这种流程。它自己能记住了。 记忆体系：搜索引擎 vs 笔记本 两者都说自己有跨会话记忆。但实现方式差很多。 Hermes 的做法 用 SQLite 数据库配合 FTS5 全文检索，把所有历史对话存下来。需要调用时，先搜索再让模型做摘要，然后塞进上下文 不是把整段对话历史搬过去，Token 不会爆 记忆分两层： 常驻层：MEMORY.md 和 USER.md。存关键偏好和核心信息，每次对话都带上，相当于硬记忆。 检索层：全量历史在 SQLite 里，容量不限，按需调用，相当于一个私人搜索引擎。 龙虾的做法 工作区里的 Markdown 文件，memory.md 记生活细节，向量索引做语义检索。上下文压缩前会静默写入一次记忆，防止压缩丢信息。 简单类比：Hermes 给 Agent 装了个搜索引擎式的大脑。龙虾给了它一个笔记本。 搜索引擎查东西更精准，笔记本翻起来更直觉。但记忆量大了之后，搜索引擎的优势会越来越明显。 安全思路也不一样 Hermes 搞了一套五层纵深防御： 用户授权：白名单 + DM 配对 危险命令审批：rm -rf、chmod 777 这些高风险操作要人工确认。默认 60 秒没批准，自动拒绝 容器隔离：终端命令跑在 Docker 容器里，不在宿主机上裸跑 MCP 凭据过滤：隔离 MCP 子进程的环境变量，防凭据泄露 上下文注入扫描：检测项目文件里的 prompt injection 攻击 这套设计思路是「默认不信任，层层设卡」，龙虾那边更强调信任模型和配置审计 它有个 openclaw security audit 命令，一键扫描网关配置的安全隐患。思路不一样，但也不能说不好。 但龙虾在安全上的历史确实不太好看。今年 2 月曝出一批高危漏洞——CVE-2026-25253 是一键远程代码执行，点个链接就能接管你的机器。 ClawHub 技能市场还出了 ClawHavoc 攻击活动，恶意技能伪装成加密货币追踪器、YouTube 摘要工具，实际在偷浏览器会话和 API 密钥。 这不是小事。你的 Agent 跑在本地，权限很高。安全出了问题，搞不好整台电脑都交代了。 Hermes 的五层防御在架构层面想得更远。当然，有没有自己的坑还得等时间检验。但至少出发点比「先跑起来再说」靠谱。 选哪个？看你要什么 先说最实在的：如果你现在用的 Agent 已经顺手了，别换！换工具的迁移成本远比你想的高。 想要现成生态 → 龙虾 三十多万星标意味着教程多、插件多、问题容易搜到答案。ClawHub 上几千个 Skill 直接装。你想接 QQ、飞书、钉钉，社区里都有人踩过坑。 想要长期进化 → Hermes 它不是装好就一成不变的工具。用得越久，它对你的工作方式理解越深，技能库越厚。如果你是搞 AI 研究的，它还能生成训练轨迹、跑强化学习实验。内建了兼容 OpenAI API 的服务端，直接接 Open WebUI。 部署成本都不高，Hermes 跑在 5 美元一个月的 VPS 上就够。也支持 Docker 和各种 serverless 方案。 安装不复杂，参考官方文档就行： 两个项目我都装过。 龙虾像一个装了一堆 App 的手机。开箱即用，什么都能干，生态成熟。 Hermes 像一个会自己下载 App 的手机。刚开始没那么好用，但用着用着，它变成了你的形状。 喜欢折腾的，两个都试试。不喜欢折腾的，等 Hermes 社区再成熟一阵子再来看也不迟。 #AI# #AIAgent#