AI 助手最让人恼火的不是答错，而是反复忘记：上周刚说过偏好什么部署方式，这周它又从头问一遍；客户支持机器人记不住这个用户三个月前报过什么工单。大模型本身是无状态的，每次对话都是初见——上下文窗口塞得再大，跨会话的记忆仍然无处安放。 Mem0 专门解决这个问题：给 AI 助手和智能体加一层智能记忆，让它记住用户偏好、适应个体差异、随时间持续学习。这个项目是 YC S24 系公司出品，GitHub 上超过 6.7 万 Star，是目前智能体记忆方向的事实标准之一。
更新UPDATES
多数团队写 API 的顺序是反的：先写代码，再补文档，结果文档永远滞后、缺失细节，还混着实现逻辑。调用方拿到一份和实际行为对不上的接口文档，联调成本高得离谱。规范优先（spec-first）的理念喊了很多年，缺的是一个让「先写规范」不增加额外负担的框架。 Connexion 就是这个方向的代表作：你用 OpenAPI（或 Swagger）规范描述 API，想写多细写多细，框架保证代码的实际行为和规范完全一致。这个项目在 Python 生态里已经营业多年，最新 3.x 重写了异...
市面上的 AI 办公方案大多别扭：要么是在网页里传个文件等结果，拿回来格式全乱；要么是浏览器插件改改网页版文档，样式丢一半。真正的问题是格式——Word、Excel、PowerPoint 的原生格式复杂度极高，多数工具打开就降级，保存就变形，你改完的 .docx 拿回 Office 打开全乱了套。 GenOffice 是 Genspark 团队开源的全功能 AI 办公套件，敢直接啃硬骨头：打开并保存原生 .docx、.xlsx、.pptx，每个文档旁边站着一个真正能动手的 A...
设计工具市场被 Figma 统治了十年，但 AI 时代的设计流程和它假设的完全不同：你不再是拖拽图层的人，而是用自然语言描述需求、让智能体去画。可市面上的 AI 设计工具要么是闭源服务，要么只是在图片生成上套了个壳——真正的矢量编辑、多人协同、代码导出，开源世界里一直是空白。 OpenPencil 自称世界上第一个开源的 AI 原生矢量设计工具：提示词直接上画布、多个智能体并发出图、设计文件就是 JSON、内置 MCP 服务器可以被任何编程智能体调用。项目用 Rust 写核心...
Anthropic 的 Claude Code 团队宣布内部文档不再用 Markdown，直接产出 HTML，理由很直接：Markdown 对写的人友好，HTML 对读的人友好——版式归你控制、截图就能发推、粘进公众号不用重排。道理都懂，但让人手写 HTML 意味着 CSS、字体、栅格、响应式一大堆活，绝大多数人坚持不了三天。 HTML Anything 的定位就是补上这一环：你手头的本地 AI 智能体负责写 HTML，你只管发布。它是 open-design 团队推出的专注...
AI 生成的设计稿有个通病：乍一看挺唬人，细看全是「AI 味」——配色随意、版式平庸、图标风格混乱，放进正式场合总觉得拿不出手。找个设计师做一套发布物料，报价和时间都不便宜；自己用 Figma 硬磨，又没有那个审美积累。 花叔的 huashu-design 换了个思路：不让 AI「画设计」，而是给智能体装一套完整的设计方法论——84 种带真实样张的风格库、从真实作品找参照、交付前做设计体检——让它在 Claude Code、Cursor 这类智能体里跑完整流程，产出能直接交付...
想做一个 SaaS 产品，写完登录注册就要接支付，接完支付要配邮件，还要搭管理后台、埋点分析、写文档博客，真正属于你产品的那部分功能还没开始动。从头搭一遍这套基础设施至少两周，买商业模板又要几百美元，而且代码质量不可控。 Open SaaS 是 Wasp 团队维护的免费开源 SaaS 脚手架，把这些基础设施一次配齐，并且明确宣布对 AI 编程工具友好——Claude Code、Cursor、Codex、OpenCode 都有配套的规则和技能，让智能体在它的项目结构里干活更不容...
Agent Skills 生态这一年膨胀得飞快，Claude Code、Cursor、Codex 每个人都攒了几十个技能，来源五花八门：npm 装、Git 克隆、zip 解压、市场下载。分散在各智能体的目录里之后，问题来了：同一个技能在 Claude Code 装过、在 Cursor 里是旧版本、还有个只在某个项目里装过的副本，你自己都说不清哪份是最新的，更别提换台电脑要重头再来。 Skills Manager 是一个用 Rust 写的桌面应用，把所有技能收进一个中央库，再统...
智能体写代码快，但每次新会话都是一张白纸：昨天刚定下的技术选型，今天它又来问你；三行代码的小 Bug，它兴师动众开一堆子智能体，烧钱又耗时；做完的改动对不对，只能靠你自己逐行读。工具换了一圈，这些毛病一个没少，因为你缺的不是更强的模型，而是一套确定性的工程纪律。 Gentle-AI 是一个用 Go 写的配置工具，定位很克制：它不替你装任何智能体，而是把你已经在用的 Claude Code、Codex、Cursor、OpenCode、Gemini CLI 等 17 种智能体配置...
让智能体干一个持续几小时的大任务，最怕的不是它写错代码，而是中途断档：上下文窗口被压缩、会话崩溃、手一滑敲了个 /clear，智能体瞬间失忆，重新 orient 一次就要花十几轮对话。大多数外壳内置的待办清单只活在上下文里，窗口一重置就跟着陪葬。 Planning with Files 的解法朴素得近乎反直觉：把计划写到磁盘上。这个技能维护 task_plan.md、findings.md、progress.md 三个文件，通过每轮触发的生命周期钩子把计划重新注入上下文，清空...
智能体技能生态正在爆发，Claude Code、Codex CLI、Gemini CLI 的技能市场里每天都在上新。但很少有人想过一个问题：你随手装进来的技能文件，本质上是一段会被智能体执行的自然语言指令和脚本，它让你删文件、外传数据、执行陌生命令时，智能体多半会照办。NVIDIA 对 31132 个技能样本的分析显示，26.1% 存在漏洞，5.2% 有明显恶意意图。装一个来路不明的技能，风险和执行一段陌生脚本没有区别。 SkillSpector 就是为此而生的扫描器：在安装...
让 Claude Code 或 Cursor 做一个落地页，十次有八次你会得到同一套东西：紫色渐变背景、三栏特性卡片、居中大标题，字体永远是 Inter。模板没错，但千篇一律，一眼就能看出是 AI 做的。设计感这种东西很难用一句提示词描述清楚，写「要好看」等于什么都没写，写「参考某某网站」智能体又不一定真能看懂。 Taste Skill 的做法是把这个难题拆成可执行的流程：先给智能体一套从 247 个精选网站里提炼出来的艺术方向库，再让它去公开图库找真实照片素材，最后逼它打开...
用 Claude Code 或者 Codex 跑过真实项目的人都有过这样的体验：智能体写代码确实快，但它不主动做计划，改完不跑测试，也不会回头检查自己的产出。你把这条规矩写进提示词，下个会话它就忘了；项目一大，上下文一压缩，之前约定的工作方式全部归零。问题不在模型不够聪明，而在于没有一套独立于会话之外的工程体系把它管起来。 ECC 的思路是把整套软件工程流程做成可安装的插件：计划、测试、实现、评审、验证、记忆、改进，一次装好，每一轮对话都自动生效。它在 GitHub 上已经积...
Java 企业里想接大模型，常常面临“没有地道（idiomatic）的 SDK”的尴尬：要么用通用 HTTP 调，要么借用 Python 生态绕一圈。LangChain4j 就是为 JVM 世界补齐这块短板——它把 LangChain 的理念用 Java 的方式重写，让企业框架（Spring Boot、Quarkus）能无缝接入 LLM、向量库与工具调用（含 MCP）。
企业里想上 AI 智能体，常被两件事卡住：一是技术栈分裂——Python 团队和 .NET 团队各搞一套；二是“编排”和“部署”脱节，实验室跑通的 agent 很难上线。Microsoft Agent Framework 的思路是：一套框架，同时支持 Python 与 .NET，并把构建、编排、部署串成一条线。