Now vibe coding, so learning hammer FE ?
《OpenRig：把 Claude Code 和 Codex 编成一支可恢复的多智能体团队》
标签：
#AI_Agent编排 #多智能体协作 #ClaudeCode #Codex #Tmux #终端UI #任务队列 #快照恢复 #MCP工具 #开源工具
总结：
OpenRig 是一个自托管的多智能体 harness：它不替代 Claude Code 或 Codex，而是把多个 Agent 会话组织成“有结构、可命名、可恢复”的团队。你用 YAML（RigSpec）定义团队拓扑，用一条命令启动整队，并通过 TUI/CLI/MCP 观察状态、发消息、跟踪任务和做快照恢复，避免终端窗口越开越散。
文章要点：
1. 核心解决“终端蔓延”：把一堆各自为政的 Claude Code/Codex 会话，变成有角色、有地址、有协作关系的团队。
2. 团队用 YAML 声明式定义：RigSpec 里包含 pods、成员、edges、continuity policies 和 culture 文件，便于版本化与复用。
3. 一键启动与拓扑可视化：
4. 支持“收养”已有会话：
5. 状态可保存也能回滚：
6. 跨 Agent 沟通有统一入口：
7. 提供 Agent 可用的 MCP 工具：Agent 能自管理拓扑（如
8. 权限与安全边界清晰：默认非 YOLO；可配置 typing guard、权限模式、workspace trust、hooks 与活动上报（不包含 prompt 文本和工具参数）。
9. 附带 starter rigs 与示例：如 first-project、product-team、conveyor、adversarial-review、research-team、secrets-manager（HashiCorp Vault 由专门 Agent 管理）。
10. 运行要求明确：需要 Node.js 22/24、tmux，支持 macOS/Linux；可选 herdr/cmux 做终端工作区，Docker 用于服务化 rigs。
URL：
https://github.com/mvschwarz/openrig
标签：
#AI_Agent编排 #多智能体协作 #ClaudeCode #Codex #Tmux #终端UI #任务队列 #快照恢复 #MCP工具 #开源工具
总结：
OpenRig 是一个自托管的多智能体 harness：它不替代 Claude Code 或 Codex，而是把多个 Agent 会话组织成“有结构、可命名、可恢复”的团队。你用 YAML（RigSpec）定义团队拓扑，用一条命令启动整队，并通过 TUI/CLI/MCP 观察状态、发消息、跟踪任务和做快照恢复，避免终端窗口越开越散。
文章要点：
1. 核心解决“终端蔓延”：把一堆各自为政的 Claude Code/Codex 会话，变成有角色、有地址、有协作关系的团队。
2. 团队用 YAML 声明式定义：RigSpec 里包含 pods、成员、edges、continuity policies 和 culture 文件，便于版本化与复用。
3. 一键启动与拓扑可视化：
rig up 会拉起 tmux 会话、harness、启动文件和 readiness 检查；TUI 提供表格/图视图查看 rigs、pods、seats。4. 支持“收养”已有会话：
rig discover 识别现有 tmux 中的 Claude Code/Codex 会话，rig adopt 将其纳入管理。5. 状态可保存也能回滚：
rig down --snapshot 保存拓扑，rig up <name> 按名字恢复，重启后不再丢上下文。6. 跨 Agent 沟通有统一入口：
rig send、rig broadcast、rig chatroom 让协作不再靠人肉切窗口。7. 提供 Agent 可用的 MCP 工具：Agent 能自管理拓扑（如
rig_up、rig_ps、rig_send 等），更适合“由 Agent 驱动”的工作流。8. 权限与安全边界清晰：默认非 YOLO；可配置 typing guard、权限模式、workspace trust、hooks 与活动上报（不包含 prompt 文本和工具参数）。
9. 附带 starter rigs 与示例：如 first-project、product-team、conveyor、adversarial-review、research-team、secrets-manager（HashiCorp Vault 由专门 Agent 管理）。
10. 运行要求明确：需要 Node.js 22/24、tmux，支持 macOS/Linux；可选 herdr/cmux 做终端工作区，Docker 用于服务化 rigs。
URL：
https://github.com/mvschwarz/openrig
GitHub
GitHub - mvschwarz/openrig: Multi-agent harness that runs Claude Code and Codex together as one system
Multi-agent harness that runs Claude Code and Codex together as one system - mvschwarz/openrig
《Paperclip：用开源“公司”编排 AI 智能体团队》
标签：
#AI_Agent编排 #Agentic任务管理 #组织治理与成本控制 #多智能体协作 #开源自托管 #Nodejs与React #OrgChart #Heartbeat调度 #预算管控 #多组织隔离
总结：
Paperclip 是一个开源的自托管应用，用“经营公司”的方式管理 AI 智能体团队：它把目标、组织架构、任务、预算、审批、审计和运行环境整合进一个控制台。你可以接入 Claude Code、Codex、Cursor、OpenClaw 等任意 Agent，让它们像员工一样有角色、汇报线、预算与心跳调度，并在一个看板里追踪进度与成本。
文章要点：
1. 核心定位是“管公司，不是管聊天”：Paperclip 不造 Agent、不做拖拽式工作流，而是把多个 Agent 编排成有目标、有层级、有治理的组织。
2. 使用路径很直接：先定义商业目标，再“招聘”不同职能的 Agent（CEO/CTO/工程/设计/营销等），最后审批策略、设置预算并启动运行。
3. 四大支柱覆盖日常到平台层：Agentic 任务管理、Agent 组织架构、Agent 员工培训、Agentic OS（运行基础设施）。
4. 任务系统强调可审计与防冲突：任务带公司/项目/目标链路，支持原子领取、执行锁、阻塞依赖、评论、附件与产出物。
5. Heartbeat 让 Agent 按计划醒来干活：支持定时唤醒、事件触发、上下文续接、结构化日志与自动恢复，减少人工盯梢。
6. 成本控制是硬约束：按公司/Agent/项目/目标/模型等维度追踪 token 与费用，预算到线会告警并硬停止，避免“跑飞”。
7. 治理与回滚机制完整：审批流、执行策略、决策记录、暂停/终止 Agent、配置版本化与审计日志都在系统内完成。
8. 支持多组织隔离与可移植性：一套部署可跑多家“公司”，数据完全隔离；还能导出/导入组织配置并做密钥清理。
9. 运行环境面向真实开发流程：支持项目工作区、隔离执行工作区（如 git worktree）、开发服务/预览链接、密钥注入与技能加载。
10. 它不是聊天机器人、不是 Agent 框架、不是代码评审工具，而是面向“多 Agent 团队”的编排控制平面。
URL：
https://github.com/paperclipai/paperclip
标签：
#AI_Agent编排 #Agentic任务管理 #组织治理与成本控制 #多智能体协作 #开源自托管 #Nodejs与React #OrgChart #Heartbeat调度 #预算管控 #多组织隔离
总结：
Paperclip 是一个开源的自托管应用，用“经营公司”的方式管理 AI 智能体团队：它把目标、组织架构、任务、预算、审批、审计和运行环境整合进一个控制台。你可以接入 Claude Code、Codex、Cursor、OpenClaw 等任意 Agent，让它们像员工一样有角色、汇报线、预算与心跳调度，并在一个看板里追踪进度与成本。
文章要点：
1. 核心定位是“管公司，不是管聊天”：Paperclip 不造 Agent、不做拖拽式工作流，而是把多个 Agent 编排成有目标、有层级、有治理的组织。
2. 使用路径很直接：先定义商业目标，再“招聘”不同职能的 Agent（CEO/CTO/工程/设计/营销等），最后审批策略、设置预算并启动运行。
3. 四大支柱覆盖日常到平台层：Agentic 任务管理、Agent 组织架构、Agent 员工培训、Agentic OS（运行基础设施）。
4. 任务系统强调可审计与防冲突：任务带公司/项目/目标链路，支持原子领取、执行锁、阻塞依赖、评论、附件与产出物。
5. Heartbeat 让 Agent 按计划醒来干活：支持定时唤醒、事件触发、上下文续接、结构化日志与自动恢复，减少人工盯梢。
6. 成本控制是硬约束：按公司/Agent/项目/目标/模型等维度追踪 token 与费用，预算到线会告警并硬停止，避免“跑飞”。
7. 治理与回滚机制完整：审批流、执行策略、决策记录、暂停/终止 Agent、配置版本化与审计日志都在系统内完成。
8. 支持多组织隔离与可移植性：一套部署可跑多家“公司”，数据完全隔离；还能导出/导入组织配置并做密钥清理。
9. 运行环境面向真实开发流程：支持项目工作区、隔离执行工作区（如 git worktree）、开发服务/预览链接、密钥注入与技能加载。
10. 它不是聊天机器人、不是 Agent 框架、不是代码评审工具，而是面向“多 Agent 团队”的编排控制平面。
URL：
https://github.com/paperclipai/paperclip
GitHub
GitHub - paperclipai/paperclip: The open-source app everyone uses to manage agents at work
The open-source app everyone uses to manage agents at work - paperclipai/paperclip
《深入理解 AI Agent：设计原理与工程实践》
标签：#AI_Agent #LLM #上下文工程 #MCP #RAG #多模态 #Coding_Agent #多智能体协作 #开源书籍
总结：
李博杰（中科大+MSRA+华为天才少年背景，Pine AI 首席科学家）所著《深入理解 AI Agent：设计原理与工程实践》开源主仓库，围绕核心公式 Agent = LLM + 上下文 + 工具 展开，全书 10 章正文 + 编译 PDF + 88 个配套实验代码全部 Apache 2.0 开源。上线一周即登顶 GitHub Trending，单日新增 1,734 Stars，目前已超 1.1 万 Stars，社区已自发贡献英文、泰米尔语、越南语翻译。本书填补了"从工程原理层面系统讲透 Agent 的中文开源书"这一空白，强调"Harness Engineering"（模型之外的一切工程能力）才是 Agent 真正的竞争力所在。
文章要点：
1. 核心公式与工程理念：全书围绕 Agent = LLM + 上下文 + 工具 展开，提出"Harness Engineering"理念——模型之外的一切工程能力（上下文设计、工具编排、评估体系等）才是 Agent 的护城河，而非单纯依赖模型本身。
2. 10 章体系化内容：从 Agent 基础、上下文工程、记忆与知识库、工具/MCP 协议、Coding Agent、评估体系、后训练、自我进化、多模态实时交互到多 Agent 协作，覆盖从入门到生产级的完整路径。
3. 88 个可运行实验代码：每章配套完整 demo，70+ 可独立运行（配置 API Key 即可），涵盖上下文消融实验、KV Cache 友好设计、提示注入攻防、MCP 三类服务器、17 工具生产级 Coding Agent、语音狼人杀等，所有代码按章节组织并三级标注完成状态。
4. 诚实务实的工程态度：不夸大概念、不制造 hype，每个技术都讲清优势、局限与适用场景，大量使用对照实验（如 mem0 vs Memobase、稠密 vs 稀疏检索、3 种攻击×4 种防御等），用数据说话而非主观断言。
5. 完全开源与社区共建：全书正文（Markdown）、编译 PDF、配图及代码全部 Apache 2.0 开源，中文为主，社区已贡献英文、泰米尔语、越南语版本，这在中文技术书籍中极为罕见。
6. 适合人群：想系统理解 Agent 工程而非只会调 API 的开发者；需要搭建 Coding Agent、RAG、多 Agent 协作等生产系统的工程师；对上下文工程、KV Cache、工具设计等底层机制感兴趣的研究者。
URL：https://github.com/bojieli/ai-agent-book
标签：#AI_Agent #LLM #上下文工程 #MCP #RAG #多模态 #Coding_Agent #多智能体协作 #开源书籍
总结：
李博杰（中科大+MSRA+华为天才少年背景，Pine AI 首席科学家）所著《深入理解 AI Agent：设计原理与工程实践》开源主仓库，围绕核心公式 Agent = LLM + 上下文 + 工具 展开，全书 10 章正文 + 编译 PDF + 88 个配套实验代码全部 Apache 2.0 开源。上线一周即登顶 GitHub Trending，单日新增 1,734 Stars，目前已超 1.1 万 Stars，社区已自发贡献英文、泰米尔语、越南语翻译。本书填补了"从工程原理层面系统讲透 Agent 的中文开源书"这一空白，强调"Harness Engineering"（模型之外的一切工程能力）才是 Agent 真正的竞争力所在。
文章要点：
1. 核心公式与工程理念：全书围绕 Agent = LLM + 上下文 + 工具 展开，提出"Harness Engineering"理念——模型之外的一切工程能力（上下文设计、工具编排、评估体系等）才是 Agent 的护城河，而非单纯依赖模型本身。
2. 10 章体系化内容：从 Agent 基础、上下文工程、记忆与知识库、工具/MCP 协议、Coding Agent、评估体系、后训练、自我进化、多模态实时交互到多 Agent 协作，覆盖从入门到生产级的完整路径。
3. 88 个可运行实验代码：每章配套完整 demo，70+ 可独立运行（配置 API Key 即可），涵盖上下文消融实验、KV Cache 友好设计、提示注入攻防、MCP 三类服务器、17 工具生产级 Coding Agent、语音狼人杀等，所有代码按章节组织并三级标注完成状态。
4. 诚实务实的工程态度：不夸大概念、不制造 hype，每个技术都讲清优势、局限与适用场景，大量使用对照实验（如 mem0 vs Memobase、稠密 vs 稀疏检索、3 种攻击×4 种防御等），用数据说话而非主观断言。
5. 完全开源与社区共建：全书正文（Markdown）、编译 PDF、配图及代码全部 Apache 2.0 开源，中文为主，社区已贡献英文、泰米尔语、越南语版本，这在中文技术书籍中极为罕见。
6. 适合人群：想系统理解 Agent 工程而非只会调 API 的开发者；需要搭建 Coding Agent、RAG、多 Agent 协作等生产系统的工程师；对上下文工程、KV Cache、工具设计等底层机制感兴趣的研究者。
URL：https://github.com/bojieli/ai-agent-book
GitHub
GitHub - bojieli/ai-agent-book: 《深入理解 AI Agent：设计原理与工程实践》（李博杰 著）开源主仓库：全书正文、编译版 PDF 与按章配套代码
《深入理解 AI Agent：设计原理与工程实践》（李博杰 著）开源主仓库：全书正文、编译版 PDF 与按章配套代码 - bojieli/ai-agent-book
《OpenAI Agents SDK：轻量级多智能体工作流框架》
标签：#AI #多智能体 #Python #OpenAI #MCP #智能体工作流 #LLM #实时语音 #沙箱环境
总结：
OpenAI Agents SDK 是一个轻量但功能强大的 Python 框架，用于构建多智能体工作流。它支持 OpenAI 的 Responses 和 Chat Completions API，同时兼容 100 多种其他 LLM，具有供应商无关性。框架围绕"智能体"这一核心概念展开，每个智能体都配备指令、工具、护栏和交接机制，让复杂任务可以像搭积木一样拆解协作。
文章要点：
- 智能体是核心乐高积木：每个智能体都自带"说明书"（指令）、"工具箱"（函数/MCP/托管工具）和"安全护栏"（输入输出校验），还能互相"交接"任务，像团队协作一样分工处理复杂流程
- 沙箱智能体让AI真正"动手干活"：0.14.0 版本新增的 Sandbox Agent 能在容器环境里操作文件系统、运行命令、打补丁，适合需要长时间执行且要保留工作状态的"重体力"任务
- 人在回路，安全可控：内置了人类介入机制，在关键节点可以暂停流程等人来确认，避免AI"自作主张"搞出大新闻
- 全链路可观测：自带 Tracing 追踪系统，能可视化查看每个智能体的思考过程、工具调用耗时和 Token 消耗，方便调试和优化
- 不挑模型，兼容百家：虽然是 OpenAI 出品，但设计上保持中立，支持接入 100+ 种 LLM，包括通过 LiteLLM 等适配层接入国产模型
- 实时语音也能玩：支持用
文章URL：https://github.com/openai/openai-agents-python
标签：#AI #多智能体 #Python #OpenAI #MCP #智能体工作流 #LLM #实时语音 #沙箱环境
总结：
OpenAI Agents SDK 是一个轻量但功能强大的 Python 框架，用于构建多智能体工作流。它支持 OpenAI 的 Responses 和 Chat Completions API，同时兼容 100 多种其他 LLM，具有供应商无关性。框架围绕"智能体"这一核心概念展开，每个智能体都配备指令、工具、护栏和交接机制，让复杂任务可以像搭积木一样拆解协作。
文章要点：
- 智能体是核心乐高积木：每个智能体都自带"说明书"（指令）、"工具箱"（函数/MCP/托管工具）和"安全护栏"（输入输出校验），还能互相"交接"任务，像团队协作一样分工处理复杂流程
- 沙箱智能体让AI真正"动手干活"：0.14.0 版本新增的 Sandbox Agent 能在容器环境里操作文件系统、运行命令、打补丁，适合需要长时间执行且要保留工作状态的"重体力"任务
- 人在回路，安全可控：内置了人类介入机制，在关键节点可以暂停流程等人来确认，避免AI"自作主张"搞出大新闻
- 全链路可观测：自带 Tracing 追踪系统，能可视化查看每个智能体的思考过程、工具调用耗时和 Token 消耗，方便调试和优化
- 不挑模型，兼容百家：虽然是 OpenAI 出品，但设计上保持中立，支持接入 100+ 种 LLM，包括通过 LiteLLM 等适配层接入国产模型
- 实时语音也能玩：支持用
gpt-realtime-1.5 构建语音智能体，把实时语音能力也纳入多智能体协作体系文章URL：https://github.com/openai/openai-agents-python
GitHub
GitHub - openai/openai-agents-python: A lightweight, powerful framework for multi-agent workflows
A lightweight, powerful framework for multi-agent workflows - openai/openai-agents-python
《Vibe_Coding已死：Agent工程取而代之》
标签：#AI #Agent #软件工程 #VibeCoding #多Agent协作
总结：
本文作者Collin Wilkins指出，"Vibe Coding"（凭感觉编程）这一由Karpathy提出的概念已被其本人"杀死"——现在的开发者99%时间不是在写代码，而是在编排Agent。作者分享了自己工作方式的转变：从一年前80%代码手写，到现在主要分解问题、分配Agent并审核输出。文章强调，2026年2月的四大模型发布都将多Agent编排作为核心能力，真正的差距在于工作流而非工具。
文章要点：
- Vibe Coding的致命缺陷：它只优化了代码生成速度，却忽视了后续环节——SonarSource调查显示AI代码占提交量的42%，但96%的开发者不完全信任它，仅48%会在提交前验证，审查负担真实存在且大多数团队根本没做
- Agent工程的新范式：先规划和设计系统，定义边界和契约，再让Agent在约束内执行，像分布式系统工程一样处理Agent编排——同样的分解、组件间契约、可观测性
- 多Agent成为主流：Claude的Agent团队用2000次协调会话构建了10万行C编译器，Kimi K2.5单个任务可运行100个子Agent进行1500次工具调用
- 工作方式的彻底转变：作者现在每天的工作是分解问题、分配Agent、审核输出，"写代码"已不能描述他的日常工作
- AI是动力工具而非替代品：会用AI的工程师交付更快，但只会用AI的工程师交付垃圾，关键是知道何时该提示、何时该思考
- 瓶颈已转移：写代码不再是慢的部分，思考要构建什么、如何组合、什么会在规模下崩溃——这些才是耗时的地方
- 文档化决策：LLM不存储上下文，如果想让AI助手在现有代码库上快速移动，它需要加载已记录的决策
文章URL：
https://buttondown.com/collinwilkins/archive/vibe-coding-is-dead-heres-what-replaced-it/
标签：#AI #Agent #软件工程 #VibeCoding #多Agent协作
总结：
本文作者Collin Wilkins指出，"Vibe Coding"（凭感觉编程）这一由Karpathy提出的概念已被其本人"杀死"——现在的开发者99%时间不是在写代码，而是在编排Agent。作者分享了自己工作方式的转变：从一年前80%代码手写，到现在主要分解问题、分配Agent并审核输出。文章强调，2026年2月的四大模型发布都将多Agent编排作为核心能力，真正的差距在于工作流而非工具。
文章要点：
- Vibe Coding的致命缺陷：它只优化了代码生成速度，却忽视了后续环节——SonarSource调查显示AI代码占提交量的42%，但96%的开发者不完全信任它，仅48%会在提交前验证，审查负担真实存在且大多数团队根本没做
- Agent工程的新范式：先规划和设计系统，定义边界和契约，再让Agent在约束内执行，像分布式系统工程一样处理Agent编排——同样的分解、组件间契约、可观测性
- 多Agent成为主流：Claude的Agent团队用2000次协调会话构建了10万行C编译器，Kimi K2.5单个任务可运行100个子Agent进行1500次工具调用
- 工作方式的彻底转变：作者现在每天的工作是分解问题、分配Agent、审核输出，"写代码"已不能描述他的日常工作
- AI是动力工具而非替代品：会用AI的工程师交付更快，但只会用AI的工程师交付垃圾，关键是知道何时该提示、何时该思考
- 瓶颈已转移：写代码不再是慢的部分，思考要构建什么、如何组合、什么会在规模下崩溃——这些才是耗时的地方
- 文档化决策：LLM不存储上下文，如果想让AI助手在现有代码库上快速移动，它需要加载已记录的决策
文章URL：
https://buttondown.com/collinwilkins/archive/vibe-coding-is-dead-heres-what-replaced-it/
Buttondown
Vibe coding is dead. Here's what replaced it
What I actually do now instead of writing code.
