學習資源

對話歷史與 RAG 各有擅長的問題，卻不一定能讓 Agent 跨工作階段整理偏好、事件與新證據。本文以 Hindsight 的 retain、recall、reflect 流程為例，說明長期記憶的設計方式、上手步驟與部署前必須面對的治理成本。

MiroFish 將種子素材整理成知識圖譜，透過多代理人社群模擬生成情境報告。本文拆解其架構與快速開始步驟，並說明為何輸出應視為待驗證假設，而非可直接採信的預測。

MLflow 將 LLM／agent tracing、evaluation、prompt registry、AI Gateway 與傳統 ML lifecycle 整合在同一個開源平台，本文從官方資料查證其能力，並以最小範例說明如何開始。

Model Context Protocol 官方 Servers Repository 提供 Filesystem、Git、Memory、Fetch 與 Time 等 reference implementations。本文從實作入口出發，說明如何用它理解工具接入層，同時辨識 production 導入時的權限、隔離、稽核與資料治理風險。

Jev 不是另一個聊天機器人，而是把自然語言狀態轉成選擇、分數與機率的決策模型。

AionUi 將內建 AI Agent、Claude Code、Codex、Hermes Agent 等工具放進同一個跨平台介面，並延伸到多 Agent 協作、MCP、WebUI 與排程任務。本文從 GitHub 原始碼與 README 查證它的定位、架構線索與適用情境。

Stagehand 將瀏覽器 Agent 拆成 observe、act、extract 三個可觀測動作，保留 Playwright 風格 API，同時提供 TypeScript、Python 與 Go SDK。本文從安全邊界、schema 驗證到本機與雲端瀏覽器的導入方式，分析它適合解決什麼問題，以及哪些高風險流程仍不該交給自然語言代理。

OmniRoute 是可自託管的 AI gateway，將多個模型供應商與 Coding Agent 整合到單一 OpenAI-compatible endpoint，並集中處理路由、配額、成本與上下文壓縮。

Understand Anything 是一個以 Claude Code Plugin 為核心的開源工具。它透過多代理流程分析程式碼庫，把檔案、函式、類別與相依關係整理成可互動探索的知識圖譜，並提供導覽、語意搜尋、差異影響分析與程式碼問答，讓開發者更快建立大型專案的整體理解。

Open Data Platform by OpenBB 用「連接一次、到處消費」的架構，將公開、授權與 proprietary data source 整合成可由 Python、REST API、MCP server 與分析工作區共用的資料層。本文從官方 README 出發，拆解安裝、Python 查詢、API 服務與導入 AI 應用時的邊界。

Caveman 把 AI coding agent 的 token 優化拆成輸出風格與輸入 context middleware，透過 detection、可恢復壓縮與 fail-safe fallback 處理 logs、JSON、diff 與工具輸出。本文也檢視 benchmark 邊界、CCR 敏感資料、telemetry、SSRF 與 BSL-1.1 授權限制。

Orca 是一個開源 AI orchestrator，將 Codex、Claude Code、OpenCode 或 Pi 等 CLI agent 放進同一個工作台，透過獨立 Git worktree、終端機、瀏覽器上下文、SSH 與 diff review，讓平行開發結果更容易觀察、比較與合併。

CodeGraph 將 repository 預先索引成本機 code knowledge graph，透過 MCP 提供給多種 coding agent，降低大型專案中的上下文探索與 tool calls 成本。本文拆解它的 CLI、MCP、auto-sync、多語言支援與導入限制。

OpenCodeReview 將檔案選擇、分組、規則匹配與 comment 定位交給 deterministic engineering，再讓 agent 專注於上下文理解與動態判斷。本文拆解它的 CLI、scan、delegation、CI/CD 整合，以及導入時的成本、召回率與資料治理考量。

Page Agent 是一個以 JavaScript 執行在網頁內的開源 GUI Agent。本文從 DOM 驅動、LLM 連接、最小整合範例與安全邊界切入，拆解它如何把「請幫我完成這個網頁操作」轉成可執行的 UI 行動。

Crawl4AI 將動態網頁轉成適合 LLM、RAG 與資料管線使用的 Markdown 與結構化資料。本文從非同步爬取、內容降噪、深度爬取到 Docker server 的安全邊界，拆解如何把一次性抓取腳本導入成可觀測、可重跑的來源擷取層。

HyperFrames 把 HTML、CSS、可 seek 的動畫、headless Chrome 與 FFmpeg 組合成開源影片渲染框架，並以 CLI、agent skills 與 catalog 支援可重跑、可檢查的程式化影片流程。本文拆解它的時間模型、渲染管線、與 Remotion 的差異，以及部署到 CI 前應注意的環境與回歸測試。

Aider 不只是把聊天視窗搬到終端機，而是把大型語言模型、repository map、Git commit 與 lint／test 串成一條可回溯的修改流程。本文從它真正解決的上下文問題出發，帶你完成安裝、第一次修改、驗證與風險控管，並判斷哪些團隊適合採用。

AgentScope 2.0 不只提供模型呼叫，而是把 Agent runtime、工具、事件串流、上下文、權限、記憶、sandbox 與 agent service 組合在同一套 Python 框架中。本文從架構、快速開始、多 Agent、A2A 與部署取捨，整理它適合哪些實際應用。

GitHub 官方 github-mcp-server 如何透過 MCP 把 repository、issue、pull request 與 CI/CD 能力交給 AI Agent？本文從 remote／local 部署、toolset 最小化、read-only 與 lockdown mode 出發，整理一套可落地且重視權限邊界的工程工作流。

D3.js 不是把資料塞進固定圖表模板的元件庫，而是一組建立在 Web 標準上的視覺化底層工具。本文從 d3/d3 的模組結構與官方範例出發，拆解資料綁定、尺度、圖形生成與互動更新如何組合，並用一個可直接執行的 SVG 範例說明它適合什麼場景，以及何時應該改用更高階的圖表方案。

LLM 應用最難維護的，往往不是把模型接上，而是回答品質一變差時，你能不能快速知道原因。Promptfoo 把 prompt、模型、測試案例、評測斷言與紅隊掃描收進同一套 CLI／library 流程，讓模型比較、回歸測試與安全檢查可以在本機重跑，也能接到 CI/CD。本文從一個可落地的評測流程開始，拆解它適合解決的問題、導入步驟與不能忽略的限制。

PPT Master 把文件理解、敘事規劃、模板套用、原生 PowerPoint 生成、預覽與旁白整合成一條可重跑的 agent 工作流。本文拆解它如何保留 shapes、tables、charts、transitions 與 animations 的可編輯性，並整理導入時的驗證重點。

Archify 將 coding agent 產生的 typed JSON IR，透過 deterministic validation 編譯成可互動、可匯出、可追溯的系統地圖。本文拆解它如何處理架構圖可信度、source evidence、Architecture Delta 與 last-good preview。

MCP Inspector 不只是替 MCP Server 做圖形化展示，而是把 Web、CLI 與 TUI 放進同一個檢查工具鏈。本文從官方 v2 文件拆解它如何測試連線、列出工具、呼叫方法、檢查 MCP App 與處理 OAuth，並用可放進 CI 的 CLI smoke test 建立一條可重跑的驗證路徑。

AstrBot 是一個以 Python 建構的開源多平台 Agent 聊天機器人與開發框架，將大型語言模型、多模態、MCP、知識庫、插件、WebUI 與多種即時通訊平台整合在同一個可部署環境。本文從架構定位、功能邊界、部署方式與安全注意事項出發，帶你判斷它是否適合用來打造個人助理、客服或團隊知識入口。

Deep-Live-Cam 把臉部偵測、ONNX 推理、影像合成、硬體 provider 與 FFmpeg 輸出組成可本地執行的跨平台媒體管線。本文拆解它的架構與效能取捨，也檢視真人同意、輸出標示、模型授權與 production 治理。

Jan 把本機 LLM、雲端模型、自訂 assistant、OpenAI 相容 API 與 MCP 整合進桌面工作台，本文拆解它的架構、建置方式、導入試點與安全邊界。

CloudWeGo Eino 是以 Go 打造的 AI 應用開發框架，將模型、提示詞、RAG 元件、工具、Chain、Graph、串流與 callbacks 組合成可測試、可觀測的 LLM Agent 工作流。本文從原始碼結構出發，說明它適合的工程場景、導入順序與安全邊界。

LibreChat 不只是 ChatGPT 介面的開源替代品，而是一個整合多模型、Agents、MCP、Code Interpreter、Artifacts 與多使用者治理的自架 AI 工作台。本文拆解它如何把長任務的工具呼叫、人工核准與可恢復執行帶進同一個產品。

把開源模型接到 API 只是起點。SGLang 以高效能 LLM／多模態模型 serving 為核心，提供 OpenAI 相容介面、原生生成 API 與多種部署路徑。本文從實際導入角度拆解它解決的問題、上手方式、效能工程邊界，以及哪些團隊適合先試。

Paperclip 是一套開源 control plane，將不同 runtime 的 AI agent 放進同一個組織、任務與治理架構。本文從 goal、org chart、heartbeat、預算、審批與 audit log 拆解它如何把多 agent 自動化從零散 session 推向可觀測、可恢復且有邊界的工作系統。

AutoGen 將多代理系統拆成 Core、AgentChat 與 Extensions，並以 AgentTool、MCP Workbench 與 AutoGen Studio 支援從原型到工具編排。本文同時正視它已進入 maintenance mode 的現況，拆解架構、權限與觀測性要求，並整理既有系統與新專案的採用及遷移策略。

googleworkspace/cli 以 Rust 打造 gws，透過 Google Discovery Service 動態建立命令面，搭配結構化 JSON、schema 探索、分頁、OAuth、Agent Skills 與 helper commands，讓人類、Shell 與 AI Agent 共用同一套 Workspace 自動化介面。本文拆解它的架構、優點、安全邊界與適用場景。

MCP 的價值不只在於讓模型呼叫工具，更在於把工具、資料與可重用的互動介面接到同一套協定。FastMCP 以 Python decorator、型別註記與現成的 server／client API，讓團隊能從一個可驗證的小型 MCP Server 開始，再逐步處理傳輸、部署、授權與治理。

多數 RAG 系統把文件切成固定片段，再用向量相似度找上下文；PageIndex 改用階層式文件樹與 LLM 推理來定位內容。本文從架構、上手流程、成本與限制拆解這個 vectorless RAG 引擎，說明它適合哪些長篇專業文件，以及為什麼它不是所有場景的向量資料庫替代品。

Playwright MCP 將 Playwright 瀏覽器自動化包裝成 MCP server，讓 AI Agent 透過 accessibility snapshot、明確工具與狀態回讀完成網頁任務。本文拆解它的使用方式、profile 管理、限制與安全導入策略。

MCP Toolbox for Databases 將資料庫能力包成可審查的 MCP 工具，從預建整合、tools.yaml、自訂 toolset 到 OIDC 授權與 OpenTelemetry，建立 Agent 連接企業資料的工程邊界。本文拆解它的架構、上手方式、安全取捨與 production 導入檢查表。

DeepEval 是一套開源 LLM 評估框架，將測試案例、品質 metrics 與 threshold 接進熟悉的 pytest／CI 工作流。本文從官方 README 與原始碼脈絡拆解黑箱評估、RAG faithfulness、Agent trajectory、工具正確性與導入治理。

當機器學習工作負載從單機走向分散式，真正棘手的往往不是把 CPU 數量加大，而是重新設計任務、狀態、資料與服務邊界。Ray 以 tasks、actors 與 objects 建立一套 Python 原生的分散式執行模型，再往上提供 Data、Train、Tune、RLlib 與 Serve 等 AI libraries。本文用一個可驗證的上手範例，拆解它適合解決什麼問題，以及哪些情境不該急著導入。

Netdata 不只是另一個監控儀表板：它把每秒級指標、邊緣端異常偵測、分散式 Parent-Child 架構，以及最新版本中的 MCP troubleshooting 串成一條可操作的觀測路徑。本文從 Agent 的資料流、AI 分析迴圈與 v2.11.0 的網路能力出發，拆解這個 8 萬星開源專案適合解決什麼問題，以及導入時該避開哪些誤區。

RAG 的瓶頸常常不在模型，而在檢索層是否能從本機原型一路長到生產規模。本文用 Milvus 的官方架構與 quickstart 拆解向量搜尋、metadata filtering、hybrid search，以及從 Milvus Lite 走向 Docker 與 Kubernetes 的實務路線。

LightRAG 將知識圖譜、向量 embeddings 與多種查詢模式整合進同一個 RAG 工作流。本文從雙層索引、文件解析、部署安全到成本評估，整理一條可實作的導入路徑。

Google ADK 2.0 將 Agent 應用拆成負責推理與工具使用的 Agent，以及負責執行順序與狀態的 Workflow。本文從原始碼與官方文件拆解工作流執行模型、Task API、多代理、MCP 工具、評估與部署，並整理導入 production 前的實務檢查表。

Chrome DevTools MCP 將 live Chrome 的操作、Console、network、效能與記憶體分析能力接到 MCP，讓 AI coding agent 能在程式碼與瀏覽器狀態之間建立可驗證的除錯迴圈。本文拆解工具架構、導入方式與安全邊界。

Microsoft VibeVoice 將長音檔辨識、說話者分離與時間戳整合在同一個開源語音 AI 家族中。本文從 VibeVoice-ASR 的安裝、推論與整合方式出發，也拆解 Realtime TTS 的低延遲設計與研究用途限制。

LocalAI 把多種推論後端、模型格式與硬體加速收進一個可自架的服務層，並以 OpenAI 相容 API、按需載入的 backend、內建 Agent 與分散式能力，降低把本地模型接進真實產品的門檻。本文從架構、部署、模型管理到治理邊界，拆解它適合解決什麼問題，以及哪些地方仍需要工程團隊自己把關。

我認為 Microsoft Agent Framework 真正值得關注的地方，不是再包一層聊天 API，而是把 Agent、工作流、狀態、人工介入、可觀測性與部署邊界放進同一套工程模型。本文從官方文件與可執行的 Python 快速入門出發，拆解它適合什麼團隊、如何開始，以及為什麼不要一開始就急著堆多代理。

以 golang/go 為起點，拆解 Go 官方工具鏈如何把模組管理、測試、並行處理與 fuzzing 串成一條可重複的開發流程。

CopilotKit 將 Generative UI、共享狀態與 Human-in-the-Loop 工作流程整合到產品前端，本文從事件流、架構與工程取捨拆解它如何把 Agent 變成可控制的產品協作者。

AI Agent 真正難的往往不是呼叫一個 API，而是把工具發現、使用者授權、工作階段隔離與執行結果接起來。Composio 以 TypeScript／Python SDK、CLI、provider adapters 與 MCP session，提供一條從意圖到外部應用程式動作的實作路徑。

我用 Godot 拆解一條 AI 輔助遊戲開發的可靠閉環：讓 AI 負責探索，讓場景、腳本、headless 驗證與跨平台匯出負責收斂，避免原型速度最後變成不可控的維護成本。

Meilisearch 把全文搜尋、語意搜尋、Hybrid Search 與 conversational search 放進同一個 API 導向的搜尋引擎。本文從 Docker 上手、embedding pipeline、權限與評估方法出發，拆解它如何成為 AI 應用可維護的檢索層，也說明哪些情況不適合直接採用。

Voicebox 把 Whisper 聽寫、多引擎 TTS、授權聲音複製、REST API 與 MCP 整合放進一個 local-first 開源語音工作室。本文從架構、部署、Agent 整合與聲音治理切入，拆解它適合什麼場景，以及導入 production 前還要補上的控制面。

很多團隊已經會呼叫 LLM，卻仍卡在文件解析、資料切分、檢索、引用與 Agent 工作流程。LlamaIndex 把資料連接器、索引、Retriever、Query Engine 與 Workflow 放進同一個 Python 生態，讓私有資料真正成為可被 Agent 使用的上下文。本文從官方文件出發，拆解它的定位、上手方式、適用情境與不能忽略的限制。

TrendRadar 不只是把熱搜轉發到手機：它把多平台熱榜、RSS、關鍵字與 AI 分析串成一條可自架的情報管線，再透過 MCP 讓 AI 用自然語言查詢已累積的新聞資料。本文從資料流、部署選擇與 AI 邊界拆解這個高星開源專案。

vercel-labs/agent-browser 是一套為 AI Agent 設計的瀏覽器自動化 CLI。它以 Accessibility Snapshot 暴露可操作的頁面語意，搭配短 ref、session 隔離、daemon 與 state 保存，讓代理程式不必依賴脆弱的 CSS selector，也能在真實網站上執行、檢查與重播工作流程。

Odysseus 不只是另一個聊天介面，而是把聊天、代理、研究、文件、郵件、筆記、行事曆與本地模型工作流整合到同一個自架工作區。本文從官方 README 與 Quick Start 出發，拆解它的實作價值、上手路徑、權限風險與適合先做的 PoC。

AI Agent 的上下文視窗會重置，但團隊決策、程式碼脈絡與對話不該跟著消失。本文從 MemPalace 的 verbatim 儲存、分層檢索、可插拔後端與 MCP 整合出發，實際拆解如何在本機建立可搜尋、可恢復的 AI 記憶層，也整理安裝版本、非互動初始化、模型下載與資料權限等容易踩坑的細節。

Microsoft bitnet.cpp 將 BitNet b1.58 等低位元模型帶入 CPU 與 GPU 推論，透過最佳化 kernel、模型格式與 benchmark 工具，探索本地 LLM、RAG embedding 與 edge AI 的效能及部署取捨。

MCP 的價值不只在於讓模型呼叫工具，而在於能否把工具、結構化結果、互動介面與除錯流程組成一個可維護的應用。本文以 mcp-use 為例，從快速建立 MCP Server 開始，拆解它如何把 TypeScript 型別、React View、Inspector 與代理導向的開發流程放在同一個框架裡，並整理適用情境與導入時必須面對的限制。

Haystack 3.0 以 component 與 Pipeline 為核心，將 RAG、Agent、檢索、工具呼叫與生成拆成可組合、可測試的資料流。本文從官方 source code 出發，帶你理解它的設計、最小 RAG 實作與適合的落地場景。

當 AI 助手只看到零散檔案，重構與除錯很容易失去上下文。Repomix 將程式庫整理成 XML、Markdown、JSON 或純文字輸出，並把檔案篩選、token 統計、Tree-sitter 壓縮、MCP 與安全檢查放進同一條工作流。本文從實際指令出發，說明如何把它變成可靠的 AI 程式碼閱讀入口。

CrewAI 把多代理應用拆成兩個互補層：用 Crews 處理角色化 Agent 協作，用 Flows 管理事件、狀態、分支與副作用。本文從最小 Flow 開始，示範如何把 Crew 放進流程，並整理走向生產環境時必須補上的驗證、觀測與權限邊界。

LangGraph 不是另一個模型，而是把有狀態 Agent 拆成可測試、可暫停、可恢復的 graph orchestration layer。本文從 State、Node、Edge 出發，實作一個最小工作流，再拆解 durable execution、interrupts 與 memory 如何支撐 production Agent。

RAG 系統最容易被低估的成本，不是第一次把文件塞進向量資料庫，而是之後如何持續接住變動中的資料。Pathway 把串流處理、即時分析與 LLM 管線放進同一個 Python 框架，讓我們可以用接近資料工程的方式建立會自動更新的 RAG 應用。

Mastra 將 model routing、Agent、workflow、human in the loop、RAG、evals 與 observability 放進同一個 TypeScript 框架。本文從 Agent 與 workflow 的邊界出發，拆解它如何協助團隊把 AI prototype 推進到可測試、可觀測、可維護的產品架構。

LangExtract 不只讓 LLM 輸出結構化資料，還把每筆 extraction 對齊回來源文字的 character span，並透過 JSONL 與互動式 HTML 支援人工核對。本文拆解它的資料模型、長文件管線、provider 架構與實際上手方式。

LobeHub 不只是聊天介面，而是把 Agent Builder、代理群組、排程、專案、Workspace 與可編輯記憶放進同一個 AI 工作空間。本文從產品定位、自架部署、協作設計與治理限制出發，拆解如何讓 AI 代理從一次性回答走向可持續運作的團隊成員。

當 AI Agent 從單次對話走向讀檔、執行命令與多步驟協作，真正難的是如何在不重寫核心的情況下替換模型、工具與權限策略。DeepSeek Harness 以「一切皆插件」和 Cordis 為基礎，提供 Web UI、headless runner 與可組合的 profile／bundle，適合想把 Agent 工作流變成可維護軟體的開發團隊。

PaddleOCR 的價值不只在把圖片轉成文字，而是把 PDF 與影像中的版面、表格、公式與多語內容整理成 Markdown 或 JSON，成為 RAG 與 Agent 可以真正消化的輸入。本文從 PP-OCR、PP-StructureV3 到 PaddleOCR-VL，拆解它的架構、上手方式與導入限制。

當 AI coding agent 只靠逐檔搜尋理解大型 repository，容易漏掉跨檔案關係並消耗大量上下文。codebase-memory-mcp 以 tree-sitter、Hybrid LSP 與 SQLite 知識圖譜建立本機 code intelligence，再透過 MCP 提供架構、呼叫路徑與影響分析查詢。本文拆解它的設計、安裝、效能基準、安全邊界與適用情境。

AnythingLLM 是一套以 local-first 為核心的開源 AI 工作台，將文件問答、RAG、AI Agent、多使用者權限與多種模型／向量資料庫整合在同一個可自架應用中。本文從架構、資料流程、部署選擇與隱私邊界，拆解它適合什麼團隊，以及導入時最容易忽略的工程細節。

從事件迴圈、非同步 I/O、Current／LTS 發布線到 checksum 驗證，拆解 Node.js 如何成為可觀測、可維護的工程底座，並用內建模組做出可執行的小型服務。

文件進入 RAG 或 Agent 工作流前，真正棘手的往往不是向量資料庫，而是如何保留版面、表格、公式與圖片語意。MinerU 將 PDF、圖片、DOCX、PPTX、XLSX 解析成 Markdown 與 JSON，並提供 CLI、API、WebUI 與多服務路由，適合作為文件 AI 管線的前處理層。

Goose 不只是在編輯器裡回答問題的 AI 工具，而是把模型、工具、工作階段與多個 provider 組成可操作的開源 agent 工作台。本文從 CLI 安裝、模型設定、MCP extension 到 session 管理，實際拆解它適合什麼工作、有哪些權限與復原限制，以及團隊導入前應如何建立驗證基線。

Context7 將較新、較具體的函式庫文件與程式碼範例送進 LLM 上下文，提供 CLI 加 skills 與 MCP 兩種整合方式。本文拆解它如何降低過時 API 與猜測範例的風險，並整理安裝、使用、治理與限制。

Unsloth 正從「更省 VRAM 的微調工具」擴展成可在本機執行、訓練、匯出與部署模型的工作台。我用官方 README 的實際入口拆解它如何把 Unsloth Studio、Core、OpenAI 相容 API、GGUF 與 Agent 整合在一起，也整理硬體、授權、遠端暴露與安全邊界。

Pi Agent Harness 以最小終端代理核心為基礎，將模型介面、工具呼叫、工作階段、擴充套件與沙箱邊界拆開。本文從架構、CLI 上手、skills 與 extensions，到容器化導入，整理一條可驗證的 AI coding agent 工程路徑。

Strix 是一套開源 AI 滲透測試工具，讓多代理人協作執行偵察、測試與漏洞驗證，並以 CLI、Docker 與 CI 工作流接進開發流程。本文從授權範圍、第一次掃描到 Pull Request 自動檢查，整理它真正適合解決的問題、導入成本與安全邊界。

HKUDS/nanobot 是以 Python 開發的可自架個人 AI Agent framework，整合 WebUI、CLI、聊天通道、工具、長期記憶、MCP、子代理、排程與 OpenAI-compatible API。本文從 Agent loop、快速上手、自架邊界與工程化檢查點，整理它如何從聊天機器人走向可長駐的工作台。

AI Agent 能否上網，不只取決於一個搜尋 API，而取決於平台差異、登入狀態、依賴安裝與故障切換。本文拆解 Agent Reach 如何以安裝器、健康檢查與多後端路由，將 GitHub、YouTube、RSS、社群平台與網頁閱讀整合成可維護的工具鏈，並整理安全導入與常見限制。

從控制迴路、Deployment 與 Service，到健康檢查、滾動更新和 AI 推理服務，拆解 Kubernetes 如何把容器維運變成可觀察、可回復的工程系統。

PrivateGPT 1.0 不是模型執行器，而是一層 API-first 的 private AI application backend：把本地 inference server 與 RAG、引用、工具、MCP、資料庫查詢及前端應用連接起來。本文拆解其架構、安裝路徑、導入順序與安全邊界。

Scrapling 是一個以 Python 打造的自適應 Web Scraping framework，從 HTML parser、瀏覽器 fetcher 到可暫停續跑的 spider 與 MCP server 都整合在同一套 API。本文拆解它如何面對網站結構變動，並用可執行範例建立一個從單頁擷取到並行爬取的實作流程。

CowAgent 是一個開源 Agent Harness，將任務規劃、工具迴圈、長期記憶、主題知識庫、Skills、MCP、多模型與多通道整合在同一個可長期運作的 AI 助理 runtime。

AI Agent 的記憶不只是把對話塞進向量資料庫。TencentDB Agent Memory 以短期符號化記憶、長期語意分層與可回溯證據鏈，降低長任務的上下文成本，同時保留查證細節的能力。本文拆解它的架構、安裝方式、適用場景與實務限制。

QwenPaw 2.0 不只是聊天介面，而是把模型、記憶、Skills、MCP、多渠道與安全政策整合成可本機部署的 Agent OS。本文從 Docker 快速啟動，拆解實際導入的驗證步驟、權限邊界與常見限制。

UI UX Pro Max 把產品類型、版型、色彩、字體與 UX 反模式整理成可搜尋的設計知識，透過 CLI 安裝到 Claude Code、Cursor、Codex CLI、Copilot 等 AI coding 工具，讓 agent 在寫 UI 前先形成一致且可檢查的 design system。

RTK 是一個以 Rust 撰寫的 CLI proxy，會在 shell 輸出進入 AI coding agent 前，依命令類型進行過濾、分組、截斷與去重。本文拆解它真正節省的範圍、安裝與 agent 整合方式，以及如何在不犧牲錯誤可見性的前提下導入。

LlamaFactory 將 100+ 個 LLM 與 VLM 的微調流程整合成 CLI、Web UI 與 OpenAI 相容 API。本文從 LoRA／QLoRA 快速開始，拆解資料準備、訓練、推理、合併與部署的實作路徑。

99k 星星的開源專案，從 Tokenizer、Attention 機制到 GPT 模型、預訓練與微調，手把手帶你從零實現一個完整的 LLM，連硬體需求都只要普通筆電就能跑。

OpenCode 把 AI 編碼代理做成跨平台桌面與終端兩用的工具，支援本地模型、多代理架構，以及完整的文件系統，是 2026 年最值得關注的開源編碼項目之一。

Dify 讓非技術人員也能透過拖曳元件建立完整的 AI Agent 工作流，從 RAG 檢索、多步驟決策到 API 串接一次搞定。這篇文章帶你了解 Dify 的核心架構、實際上手步驟，以及它如何改變企業導入 AI 的方式。

Cherry Studio 用一個統一的桌面應用解決 AI 工具碎片化的痛點——它同時支援 OpenAI、Anthropic、Gemini、Ollama 等 300+ AI 提供商，內建 MCP server 架構，並且完全開源。

Headroom 是一個開源的上下文壓縮層，專為 AI agent 設計。它能在資料送達 LLM 之前智慧壓縮，節省 60-95% token，同時保持準確性不變。

Google 官方開源的終端 AI Agent，使用 Gemini 2.5 Pro 模型，免費且支援 MCP 擴展生態，讓開發者直接在命令列中使用最強的 AI 能力。

一個 184k 星的開源專案，教 AI 編碼代理像資深工程師一樣思考——看到 50 行就替換成 1 行，實際減少 54% 程式碼量。

Andrej Karpathy 發了一個只有三個 Python 檔案的專案，卻引爆了整個 AI 社群。autoresearch 讓 AI agent 自主改代碼、訓練、評估、迭代——你睡一覺醒來，模型已經變強了。

星數破 21 萬、370+ 貢獻者、每週近 200 個合併 PR —— Hermes Agent 不只是又一個 LLM wrapper，它是第一個內建閉環學習的開源 AI Agent 框架。本文深入解析它的自我進化機制、Mixture-of-Agents、以及為什麼它值得你關注。