#GitHub · AI 短帖与讨论

GitHub 官方开源 gh-aw（GitHub Agentic Workflows），把 agent 搬进仓库自动化的老地盘，仓库在 github.com/github/gh-aw 。

用法延续 Actions 直觉：任务目标写在 Markdown，触发、权限、工具与 AI 引擎配在 YAML 头部，编译成标准工作流；运行时由所选引擎读指令、调工具完成。Issue 分类、PR 审查、CI 失败排查、文档维护、仓库周报都是它的场景。

引擎被做成配置项：Copilot、Claude Code、Codex、Gemini、Pi 都在名单里，默认 Copilot。用谁的模型从架构决策降级为参数——工作流归你，引擎随换随迁。

真正值得抄的是权限设计。代理默认跑在沙盒里、持只读权限，凡产生副作用的动作——发评论、开 Issue、建 PR——先过安全输出机制校验，再交给单独一个持指定权限的任务执行。AI 负责判断，落笔由受限的另一双手完成，读写分离把"agent 把仓库搞乱"的尾部风险切掉大半。给的权力越大，越要把执行和决策拆开。

对已有 CI 的团队，上手路径最短：挑一个每周手工做两次的维护活，写成工作流，先只产建议不落笔，跑顺两周再逐步放行写入。放开的节奏决定它是资产还是事故源。

OpenAI 官号给 Codex 的安全面升了个明显的大级：Codex Security Cloud 升级——默认包含 Daybreak Blue 这个面向网络安全的能力模型。它能做的事情列得很全：扫描整个 GitHub 仓库、持续审查新 commit、调查与去重发现、准备修复方案等你 review——就算你的电脑是关着的；产品形态是 Codex 桌面端与 Web 的插件。

这条官方公告和昨晚那条 CLI 默认开审批放在同一坐标上看：OpenAI 在把"安全"从选项改默认值，从一次性动作改成持续背景。三件事连起来才看得出完整姿态——整个仓库扫、不是单 PR；持续审计、不是等 PR comment 触发；修复就绪、不是只标问题——一个 agent 不只"发现"，把发现→去重→修复这一整条路都走完了，等人点头。

"always-on"终于在企业安全场景落地，正好和这周 Meta 与 Perplexity 的常驻 agent 视角合流。

对企业用户最大的影响是"关电脑也跑"——这不是营销词，是把 DevDay 后整周的底牌翻了出来：模型够用后，真正的分水岭是"系统在你不在的时候能不能继续工作"。安全是这场范式的天然客户：漏洞每天都有，你不在线它也在；新 commit 一直在合，你不在线它也在。

能跑三件事的 agent 才是真值钱的 agent——它需要的是一个能定级的代理记录和一个能签字的 review 流程，这两件也恰好是前两篇刚讲过的。

留一格清楚的边界：网安模型的 false positive 不可能降到零，误报需要人盯；Codex 拿到整个仓库权限，等于你把审计权交给了第三方——数据敏感的项目要先想清楚授权边界；"关电脑跑"也意味着它的动作会在你不在时被记账，企业里这是审计需求也是合规议题。

给想试的人一句落地的：三步就能用起来：装 Codex 桌面端或开 Web 插件、授权一个仓库（先授权非关键的练手）、看 review queue。安全 agent 的正确态度不是放手让它改，而是把它当一个永远不下班的初级工程师——review 流程不替、签字流程不替，只把"先扫一遍"这一步自动化。

别把"安全"外包给一台不会累的机器——把它外包给一个永远不下班、永远按时交报告的同事，才对得起这个产品。

北京时间今天上午刷 trending，GitHub 的"今日热门"前 50 里至少有 30 个仓库标题含 Jev。

geekbb 这条吐槽很到位："今天的 GitHub 更是没法看了，已经被 Jev 包围"——他分享了一个新的 awesome-jev 列表（github.com/heyjunpenn/awe… 这一档"语义决策专用模型"在过去一周 GitHub 项目密度暴增**。

这个密度变化是几条线叠加的结果：

1. Jev 暂停注册 + 排队爆增 → 开发者抢着做"自部署版"和"开源替代品"。typesafeai 前两天刚宣布暂停新用户注册，存量用户开始自发组织翻译、文档、本地化部署工具。

2. 应用层开发者发现"Jev + 大模型"组合稳定可用。过去一周 GitHub 上出现了 20+ 个 "Jev + Codex" / "Jev + Claude Code" / "Jev + Hermes" 的混合 agent 工作流。

3. 国内做"语义决策专用模型"的团队开始出 demo。之前 Qwen2.5 / DeepSeek-V3 上跑分类专用 LoRA 的项目，这周冒出来不少。

4. awesome 列表变多本身就是信号。geekbb 之前 jinchenma_ai 推过中文案例合集，typesafeai 自己也维护过官方仓库——这种"列表越来越多"说明开发者社区已经过了"是否要用"的阶段，进入"怎么挑、怎么用"的阶段。

对国内开发者当下最 actionable 的几件事：

• 先用起来——Jev 现在暂停注册是个窗口期，存量账号赶紧把核心场景跑一遍，证明 ROI；
• 同步看开源替代——本周新冒出来的几个 Jev 兼容开源项目值得跟踪，本地部署成本远低于云端 API；
• 建自己的 awesome——团队内部维护一个"Jev 实战案例库"，把哪些场景好用、哪些场景不行记录下来，比看外部 awesome 价值高；
• 关注国内同类替代品发布——Qwen2.5 / DeepSeek-V3 这类基座 + 分类专用 LoRA，下个月大概率会有团队公布完整 benchmark；
• 别过度神化 Jev——它的核心价值是"分类 / 路由 / 评分"这一档，不是"取代大模型"。把它当成"Agent 工具链里的判断模块"用最稳。

GitHub 被 Jev 包围这件事，是 AI 应用层"专用模型"赛道的早期信号——再过 6–12 个月会有更清晰的"通用 LLM + 专用决策模型 + 专用 embedding + 专用 OCR + 专用 ASR"的分层格局出现。

GitHub 官方发了一条：一个工程师加一队 agent，把 GitHub Copilot 的 agent runtime 移植到了 Rust —— 产出 80 万行生产代码，同时"保住了代码质量"。

官方博客：
github.blog/ai-and-ml/gene…

utm_source=x-copilot-rust&utm_medium=social&utm_campaign=github-app-cli-Q1-push

值得注意的不是"AI 写代码"，是规模

80 万行不是 demo，是一个真在生产里跑的运行时；主导的只有一个人。也就是说，人的角色从"写"变成了定标准、审结果、收口。

但有两处没交代

一是"保住代码质量"靠什么度量 —— 测试覆盖率？人工评审？线上故障率？二是那"一队 agent"的工作流：怎么分工、怎么防止重复劳动、冲突怎么合并。这两点恰恰是别人能不能复制的关键，而通稿里都没有。

我的推断

从 80 万行这个量级看，迁移类任务（换语言、换框架）目前是 agent 团队最好的落点：目标明确、有原实现作对照、验收标准硬（行为一致即可）。

这和另一条判断是同一个道理 —— 容错高、结果可验证的活，会先被 agent 吃掉。写新功能不行（没有对照物），迁移可以。

提醒："80 万行""保住质量"都是官方口径，我按原帖转述；要判断可复制性，得看博客里的验证方式。

19万科学家在用的AI科研技能库：163个Skill让Claude Code变成全能研究员

做科研的朋友都懂那种感觉：你有一个很好的研究想法，比如从基因数据库筛候选靶点、做分子对接、跑通路富集分析、整理成报告。听起来很顺畅，但实际操作光查API文档就能耗掉大半天，装环境配依赖又是半天，中间某个包版本冲突又得折腾一晚上。

scientific-agent-skills要解决的正是这个问题。它不是一个新模型，也不是一个新平台，而是一套遵循开放Agent Skills标准的科研技能包——装上之后，你的Claude Code、Codex或Cursor瞬间从普通程序员变成懂生物、懂化学、懂医学的全能科研搭子。

【163个科研技能，覆盖20个学科方向】

这不是随便写个提示词糊弄的东西，每个技能都配备完整文档、代码示例、最佳实践和测试用例。覆盖领域：

• 生物信息学和基因组学：27个技能，从序列分析、单细胞RNA测序到系统发育分析
• 化学信息学和药物发现：10个技能，分子性质预测、虚拟筛选、ADMET分析、分子对接
• 临床研究：8个技能，药代动力学建模、变异证据审查、临床试验分析
• 医学影像和数字病理：4个技能
• 机器学习相关：14个技能
• 材料科学和物理：7个技能

接入100+科学数据库（PubChem、UniProt、PDB、arXiv等）和70+优化Python包工作流。

【为什么比直接用ChatGPT做科研靠谱】

通用AI做科研有三个致命短板：不知道该查哪套数据库、调用哪个工具、怎样留下可追溯证据。比如你说帮我把这份RNA-seq数据做差异表达分析，通用AI不知道用Scanpy，连不上GEO数据库；你说查一下这个蛋白的相互作用网络，它凭记忆编了一个不存在的数据库ID。

scientific-agent-skills的每个技能都是一个自带说明、依赖、脚本与测试的小模块。AI代理发现它、加载它，就获得了对应领域的实操能力。一个药物发现任务可能要在ChEMBL查活性数据、用RDKit做结构分析、用DiffDock做对接、再回PubMed查文献——这些步骤现在可以一次prompt串联完成。

【工程约束保证可靠性】

每个带scripts的技能必须随附tests测试套件；CI在每个PR校验仓库级结构契约，包括frontmatter元数据、链接解析、脚本解析和--help行为；GitHub Actions的security-scan工作流按严重级别阈值阻断高风险提交。

项目提供Docker镜像支持本地私有化部署，内置skill validation机制确保每次调用的结果可靠性。

【数据】

• GitHub Stars：40,727（三个月增长66%）
• 全球用户：19万+科研者
• 技能数量：163个即用型技能
• 数据库覆盖：100+科学数据库
• 开源协议：MIT

安装：pip install scientific-agent-skills，配置API Key即可调用。支持Claude Code、Codex、Cursor、Antigravity等主流Agent。

10 个 GitHub 仓库，好到不该免费。 1. AutoHedge

一个基于 Python 构建的自主对冲基金，配备四个 AI agent：director 生成投资论点，quant 验证论点，risk manager 决定仓位大小，execution agent 执行下单。已在 Solana 上实盘运行。执行 pip install -U autohedge 即可立即开始交易。

这是一个采用有向无环图（DAG）模型的交易系统，具备64项金融技能与29个预设专家代理集群。支持一目均衡表（Ichimoku）、艾略特波浪（Elliott Wave）、SMC、布莱克-斯科尔斯（Black-Scholes）、完整希腊值（Greeks）及风险平价（risk parity）等分析方法。其加密交易台提供清算热图与代币解锁追踪功能，你可实时观察各代理的策略辩论。

仓库 → 3. Fincept Terminal

一款可在笔记本电脑上运行的彭博终端（Bloomberg Terminal）替代品。提供 CFA 一级、二级、三级考试分析功能。内置 20 多位投资者 AI 代理（包括巴菲特 Buffett、达利欧 Dalio、索罗斯 Soros）。支持 100 多个数据连接器，涵盖 Polygon、世界银行（World Bank）和国际货币基金组织（IMF）。彭博终端年费高达 24,000 美元，而这款产品完全免费。

仓库 → 4. LibreChat

ChatGPT 支持的所有模型，外加 Claude、Gemini、DeepSeek 等 20 余种。支持自托管，原生支持 MCP。数据、历史记录与基础设施全部由你掌控。OpenAI 每月收取 20 美元使用其封装服务，自己部署则完全免费。

仓库 → 5. 打开 Higgsfield AI

一个自托管影视工作室，集成 200 多款 AI 模型。Flux、Midjourney、Sora、Kling、Veo、GPT-4o、SDXL 全部集成于同一界面。支持文生图、图生视频。影院模式，配备专业级相机控制。无需订阅，您的数据完全保留在本地。

仓库 → 6. Open-LLM-VTuber

一款可离线运行的 Live2D AI 伴侣，能够识别屏幕内容、聆听你的声音，且记忆永存。内心想法以独立的文本层呈现，让你在话语出口前便能看到推理过程。宠物模式可将其悬浮于桌面之上。仅需一行配置即可切换 LLM。 仓库 →

1. Claude 广告

一个免费的 Claude Code 技能，可在 Google、Meta、YouTube、LinkedIn、TikTok 和 Microsoft Ads 上执行 190 项审计检查。6 个并行子代理同时运行。整合为一个按收入影响排序的单一 Ads Health Score。代理商对此类服务的收费为每月 4,000 美元。

repo →

Cloudflare 刚刚开源了一款电子邮件客户端，AI Agent 可读取你的收件箱并自动起草回复。它完全运行在 Cloudflare Workers 上，每个邮箱都位于独立的 Durable Object 中。你的电子邮件永远不会离开你的 Cloudflare 账户，一键即可部署。

仓库 → 一款开源无头浏览器，可使AI智能体在机器人检测中隐形。它在C++层面伪造navigator属性、WebGL、AudioContext和WebRTC。该浏览器看似未被修改，因为它确实没有。无障碍树输出可将token成本降低90%。

代码仓库 → 10. Hyperframes

HeyGen 开源了一个视频框架，功能与 Remotion 一致，但不需要 React、不需要 JSX，也不需要教你的 AI 代理新格式。代理写 HTML，框架渲染 MP4。GSAP、Lottie、Three.js 都能用。相同的 HTML 始终生成相同的文件。

仓库 → 这些可不是玩具。每一个都能替换掉你仍在付费的付费产品。 选一个。安装它。接入你的工作流。 100% 免费。100% 开源。

🔗 相关链接
t.co/Q3hEjHhn6z
t.co/1PenX2JFjt
t.co/yWLYrnh7hb
t.co/pWkeoWEnhu
t.co/pP1AgrY7Bw
t.co/4n0Hy3JafH
t.co/iDjuMc5l6N
t.co/dscmWdKKWj
t.co/BOOrfuV9kR

GitHub: github.com/heygen-com/hyp…
官网: librechat.ai

又一个GitHub金矿合集，这次专门针对AI/ML工程师。

这些仓库覆盖了ML基础、数学、神经网络、LLM、RAG、Agent和强化学习，建议收藏：

1. ML-For-Beginners：微软出品，结构化入门经典ML

github.com/microsoft/ML-F…

1. 100 Days of ML Code：每天一个ML概念，实战为主

github.com/george-studenk…

1. The Algorithms - Python：Python实现的各种算法

1. Neural Networks from Scratch：从零实现神经网络

1. LangChain：构建LLM应用的框架

1. RAG-Tutorial：RAG实战教程

1. Agent-Protocol：Agent协议标准

1. Stable-Baselines3：强化学习库

1. Hugging Face Transformers：Transformer模型库

1. Papers with Code：论文+代码合集

这份清单从理论到实战都覆盖了，适合不同阶段的学习者。收藏慢慢看，总有一天用得上。

原文作者：@SCR01111