AI圈子 · AI 圈的最新动态，一条一条刷

🔥 10个你不能错过的AI GitHub仓库，全部开源，值得收藏。

AI发展太快，这些仓库正在推动AI代理、编码工作流、研究和自动化走向新高度。挑几个最值得关注的：

1. OpenClaw — 强大的个人AI助手，跨操作系统和平台运行。
2. Superpowers — AI编码代理的技能框架和软件开发方法论。
3. OpenAI Codex — 开源编码代理，将AI驱动的软件开发带到终端。
4. Everything Claude Code — 为Claude Code打造的技能、工作流和工具集合。
5. Scientific Agent Skills — 将AI代理变成研究助手，提供现成的科学技能和数据库。
6. Claude Plugins Official — Anthropic官方Claude Code扩展插件集。
7. OpenHands — 开源AI开发者平台，代理可处理真实软件工程任务。
8. Browser Use — 让AI代理与网站交互，自动化浏览器任务。
9. OpenViking — 为AI代理打造的开源上下文数据库，集成记忆、资源和技能。
10. Hermes Agent — 基于工具、技能、持久记忆和自主工作流的个人AI代理。

个人点评：这些仓库涵盖了AI开发的完整链条——从个人助手到开发框架，从研究工具到浏览器自动化。特别推荐OpenClaw和Superpowers，前者是全能型个人AI助手，后者为编码代理提供了结构化的工作方法。在AI工具爆炸式增长的当下，这份清单能帮你快速找到最有价值的开源项目，避免在无数仓库中迷失方向。

建议收藏，需要时按需选用。AI代理时代才刚刚开始，这些工具会让你事半功倍。

🧠 LangChain、LangGraph、DeepAgents到底该怎么选？很多人搞不清这三者的区别。

首先，官方是这么介绍的：

• LangChain 是 Agent Framework，提供抽象化的模型，比如结构化内容块、agent 循环、middleware 等，帮助你快速上手，统一构建方式。
• LangGraph 是 Agent Runtime，更底层一些，面向生产环境运行的基础设施，比如支持流式响应、线程级持久化、跨线程状态、human-in-the-loop 等。
• DeepAgents 是 Agent Harness，在框架之上、配置更开箱即用、带默认提示、工具调用管理、规划工具、文件系统访问等。

使用场景：

• 构建新项目，想快速围绕 LLM + 工具搭起结构：用 LangChain。
• 已经进入生产环境，想做稳定执行、状态持久、弹性伸缩：用 LangGraph。
• 想要有直接用级别的 agent 体验，比如尽量少的自己定义、更多的开箱方案，可以用 DeepAgents。

个人点评：这三者不是互斥的，而是可以递进组合。基于 LangChain 构建 agent，跑在 LangGraph 上，最终用户体验用 DeepAgents 的开箱化方案。理解这种层次关系，能帮助我们在AI系统设计中选对工具。

搞清楚现在是在哪个阶段，搞清楚这几个的层级比记住名字更重要一些。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

🧠 LangChain、LangGraph、DeepAgents到底该怎么选？很多人搞不清这三者的区别。

首先，官方是这么介绍的：

• LangChain 是 Agent Framework，提供抽象化的模型，比如结构化内容块、agent 循环、middleware 等，帮助你快速上手，统一构建方式。
• LangGraph 是 Agent Runtime，更底层一些，面向生产环境运行的基础设施，比如支持流式响应、线程级持久化、跨线程状态、human-in-the-loop 等。
• DeepAgents 是 Agent Harness，在框架之上、配置更开箱即用、带默认提示、工具调用管理、规划工具、文件系统访问等。

使用场景：

• 构建新项目，想快速围绕 LLM + 工具搭起结构：用 LangChain。
• 已经进入生产环境，想做稳定执行、状态持久、弹性伸缩：用 LangGraph。
• 想要有直接用级别的 agent 体验，比如尽量少的自己定义、更多的开箱方案，可以用 DeepAgents。

个人点评：这三者不是互斥的，而是可以递进组合。基于 LangChain 构建 agent，跑在 LangGraph 上，最终用户体验用 DeepAgents 的开箱化方案。理解这种层次关系，能帮助我们在AI系统设计中选对工具。

搞清楚现在是在哪个阶段，搞清楚这几个的层级比记住名字更重要一些。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

Claude Code 默认非常臃肿：消耗大量 tokens、争论不休且速度缓慢……以下是修复方法： 从你的全局 CLAUDE.md 开始：

1. 添加这一行："always talk in ASD-STE100 simplified technical english and say only what needs to be said. report only the elements needed for me to make the right decisions, explained clearly"

1. 保持文件在 200 行以内，仅保留必要的上下文——文件越长，被忽略的内容就越多。每 2-3 个月删除并从头重建。

> 在新会话中运行 /context，它会在你输入任何内容前显示窗口中已加载的内容：system prompt（系统提示）、tools（工具）、memory files（记忆文件）、skills（技能）……移除其中最大的项，重启后再次检查。

> 也查看一下 /usage，它会显示哪个 MCP server、skill、agent 或 plugin 正在消耗你的 tokens > 优先使用 CLI 而非 MCP：命令只返回你请求的行，而 MCP 每次都把整个结果倾倒进窗口

> 关闭你不需要的 MCP server：输入 /mcp 并将它们关闭，它们会保留在你的配置中供以后使用

对于很少使用的技能，将其标记为仅手动（disable-model-invocation: true），这样在你主动调用之前不会产生任何消耗。

将"禁止操作"规则写成权限设置，而不是写在 CLAUDE.md 的句子中，因为在长时间会话中这些句子会被忽略。 > 到达检查点或上下文超过400k时，立即用 /clear 清除会话

> 让 Claude Code 做它最擅长的事……视觉任务和计算机操作交给无头工作进程处理 > 将大量探索工作移交给运行其他框架的子代理，它们在各自窗口中读取内容，你的窗口只查看摘要

将上下文计量器放到状态栏（/statusline）中，这样你就能在质量下降前看到上下文窗口被填满 避免使用 Claude 应用，从终端或像 Orca 这样的 ADE 工作 （保存此提示）

Claude Code 默认非常臃肿：它消耗大量 tokens，爱争辩且速度很慢……以下是修复方法： 从你的全局 CLAUDE.md 开始：

1. 添加以下内容："始终使用 ASD-STE100 简化技术英语，只说必要的话。只报告我做出正确决策所需的要素，并清晰解释" 2. 控制在200行以内，仅保留必要的上下文——文件越长，被忽略的内容越多。每2-3个月删除后从头重建。

> 在新会话中运行 /context，它会显示你输入前窗口中已加载的内容：system prompt、tools、memory files、skills……移除其中最大的项，重启后再次检查。

> 也查看一下 /usage，它会显示是哪个 MCP 服务器、skill、agent 或 plugin 在消耗你的 tokens > 优先使用 CLI 而非 MCP：命令只返回你请求的行，而 MCP 每次都会把整个结果倾倒进窗口

> 关闭不用的 MCP 服务器：输入 /mcp 并关闭它们，它们仍会保留在你的配置中供以后使用

对于很少使用的技能，标记为 manual-only（disable-model-invocation: true），这样在主动调用前不会产生任何成本。

将"禁止操作"规则写成权限设置，而非 CLAUDE.md 中的句子，因为在长时间会话中这些句子会被忽略。 仅在规划时使用高努力级别，其余情况均应使用中等或低级别。 > 到达检查点或上下文超过 400k 时，立即 /clear 你的会话

> 让 Claude Code 做它最擅长的事……视觉任务和计算机操作交给 headless workers 处理 > 将大量探索工作移交给运行其他 harnesses 的 subagents，它们在各自的窗口中读取内容，你的窗口只看到摘要

> 把上下文计量器放到状态栏（/statusline）里，这样你就能在质量下降前看到上下文窗口逐渐填满 > 避免使用 Claude 应用，改用终端或类似 Orca 的 ADE 工作 （保存此提示词）

📦 10个必须收藏的开源AI GitHub项目

全免费、全开源，涵盖AI开发的各个场景：

1. OpenHands — 开源AI开发者，能自主写代码、跑任务、用工具
2. Aider — 终端里的AI结对编程，映射整个代码库，多文件编辑+Git集成
3. Open WebUI — 自托管AI平台，支持本地和云端模型，一站式管理
4. Continue — 开源编码代理，CLI+VSCode+JetBrains全覆盖
5. Ollama — 本地跑大模型，一行命令搞定，无需配置云端
6. ComfyUI — 节点式AI图像生成工作流，Stable Diffusion的最佳搭档
7. Open Interpreter — 用自然语言控制电脑，执行代码、操作文件
8. Khoj — 个人AI第二大脑，搜索笔记文档，做研究助手
9. LocalAI — 开源OpenAI替代，本地跑LLM/图像/语音全套
10. 另一个Continue实例 — 强调围绕自有模型构建工作流

最实用的几个我试过：Ollama上手零门槛，Aider写代码效率翻倍，ComfyUI出图稳定性碾压在线工具。

🔗 原帖：x.com/i/status/20935…

如何在短短4个月内成为一名专业的AI工程师

科技市场正以惊人的速度变化，AI不仅仅是你技术栈中添加的新工具
作为开发者，未来真正的价值将体现在你从头到尾构建和设计智能系统的能力上

在这4个月里，你将学会如何构建LLM应用、对接AI API、使用RAG、设计Agent与Workflow，并将你的项目部署到Production

🔖 请收藏这篇帖子，因为这份Roadmap可能成为你踏入AI Engineering领域的真正起点

🔹 第一个月：编程基础 + LLM Fundamentals
先搭建所有AI项目都需要的工程基础

• 终端与 Git/GitHub
• REST API 与 HTTP
• System Prompt 与 User Prompt

GitHub: github.com/actionow-ai/ac…

770B 总参、49B 激活、1M 上下文、Apache 2.0 一把开源——腾讯混元 8 月 28 日丢出来的 Hy4 preview，不是“又一个大模型”，而是把牌桌直接换到了“长链路生产力”这一格。

先看反直觉的那部分：
770B 听起来像烧钱玩具，但 MoE 把单次激活压到 49B（约 6.4%），等于用 49B 的推理账单，买 770B 的脑容量。Hy3 是 295B/21B/256K，这一代直接拉到 2.6 倍参数、2.3 倍激活、4 倍上下文。

架构上也没偷懒：
78 层 backbone，首层 dense，其余 77 层 MoE（256 路由 + 1 共享，每 token 激活 top-8+1）；注意力是 Gated DSA + IndexCache 跨层稀疏复用，残差流用 iHC 扩到 4 条；还白送一层原生 MTP（10B/0.7B）做投机解码，不计入官方 770B 口径。

为什么这件事值得停一下？

因为 1M 上下文 + 长程 Agent 基准一起跳，才是真信号：

• Terminal-Bench 2.1：70.8 → 85.4
• DeepSWE：28.0 → 64.3（软件工程实战近乎翻倍再翻倍）
• Toolathlon-Verified：74.1，APEX-Agents pass@1 37.1，贴着 Kimi K3 跑

内部 163 专家盲测 203 个工程任务，2.99/4 略胜 GLM 5.3（2.92）和 Kimi K3（2.94）——不是碾压，是“掰手腕”。

我的明确立场：

Hy4 preview 不是来替你写邮件的，它是来替你扛“整库代码 + 跨文件需求 + 多轮调试”的。
腾讯这次的定位很硬——“为生产力而生”，训练数据和 CodeBuddy/WorkBuddy 的软工、金融、游戏、安全专家共建，盲测任务也是真实工程，不是 GSM8K 刷分。对做 Agent / 长上下文 RAG / 代码库的团队，1M 上下文意味着很多场景可以先别切文档了，整仓塞进去。

对开发者的实际影响三点：

1. 自部署门槛极高——BF16 权重 ~1.4TiB，FP8 也得 800GB+，8 卡起步，个人玩家看看 API 就行（TokenHub / OpenRouter，缓存命中输入 ¥0.3/百万，输出 ¥18/百万）。
2. Agent 框架该重新测了：长链路规划、工具调用、自我验证，Hy4 比上代明显能跑更远，但官方也承认“思考偏长、过度自验”，别无脑当实时系统用。
3. 竞品压力给到 Kimi / GLM / DeepSeek：开源权重 + 1M + 软工基准，这三个里至少有一个要连夜改路线图。

未来 3–6 个月我赌这几件事：

• Hy4 正式版（非 preview）会按混元“两月一大版本”节奏落地，多模态补位；
• 1M 上下文会倒逼 Agent 内存管理从“RAG 必备”变成“RAG 可选”；
• 腾讯会把“模型参与自身研发（吞吐 +31.8%）”这条线继续讲，AI 造 AI 从 PR 词变成工程常态。

当然 preview 就是 preview：复杂任务爱绕弯、暂不支持视觉、厂商自测尚无第三方交叉验证——这些别当正式版结论用。

#腾讯混元 #Hy4Preview #开源大模型 #MoE #LongContextAgent

你更看好 1M 上下文干掉 RAG，还是觉得“长上下文 + 工具调用”才是 Agent 的终局？评论区聊聊你拿 Hy4 准备先虐哪个任务。