24小时热榜

我构建了一个开源的MCP服务器（TypeScript/Node.js），可以让你使用Copilot CLI或Claude Code CLI同时启动多达10个并行子代理。 <p>主要功能： - 向每个代理传递上下文（完整文件、摘要或grep模式） - 基于请求的MCP服务器智能选择超时 - 跨平台（macOS、Linux、Windows） - 无头和编程化 — 旨在实现AI与AI之间的编排 <p>示例：给出一个提示，例如“研究Stripe、Google和Meta的职位空缺” — 编排器将其分发给3个并行代理，每个代理都有自己的MCP服务器（例如，使用Playwright进行浏览器操作），并汇总结果。 <p>安装：npm i @ask149/mcp-orchestrator <p>这是一个个人的副项目。希望能得到以下方面的反馈： - 接下来支持哪些CLI后端（Aider、Open Interpreter、本地LLM CLI？） - 改进上下文传递系统的想法 - 哪些MCP服务器集成最有用 <p>欢迎提交PR和问题 — 请查看仓库中的CONTRIBUTING.md。

agx是一个看板工具，每个卡片代表一个AI代理实际执行的任务。<p><pre><code> agx new "为API添加速率限制" </code></pre> 这会创建一个卡片。将其拖到“进行中”，代理就会接手。它通过多个阶段进行工作——规划、编码、质量保证、拉取请求——你可以看到它在看板上移动。<p>这个解决方案解决的技术问题有：<p>对代理持久性的简单处理方法是重播对话历史。这种方法在某些情况下有效，但并不总是如此：<p>1. 提示膨胀。在进行到第50次迭代时，你需要填充10万个标记才能恢复。成本激增，上下文窗口溢出。<p>2. 复杂的关注点。状态、执行和编排混在一起。任务中途崩溃？祝你好运，找出你在哪里。<p>3. 黑箱执行。无法检查代理的决策或为什么卡住。<p>而agx采用了清晰的分离方法：<p>- 控制层（PostgreSQL + pg-boss）：任务状态、阶段转换、作业队列<p>- 数据层（CLI + 提供者）：实际执行，按任务隔离<p>- 产物存储（文件系统）：提示、输出、决策以可读文件形式存储<p>代理在每次迭代后进行检查点。恢复时从数据库加载状态，而不是通过重播聊天。一个100次迭代的任务恢复的成本与一个5次迭代的任务相同。<p>你将获得： - 恒定成本的恢复，无需上下文填充<p>- 崩溃恢复：代理从中断的地方准确恢复<p>- 完整可观察性：查询数据库，读取文件，查看日志<p>- 提供者无关性：Claude Code、Gemini、Ollama均可使用<p>一切都在本地运行。PostgreSQL通过Docker自动启动。仪表板与CLI捆绑在一起。

我正在构建PicoClaw：一个轻量级的OpenClaw风格的个人AI机器人，它作为一个单一的Go二进制文件运行。OpenClaw（Moltbot / Clawdbot）是一个很棒的产品。我想要一个更简单、更“单一二进制”架构的解决方案，便于阅读和修改。 <p>代码库：<a href="https://github.com/mosaxiv/picoclaw" rel="nofollow">https://github.com/mosaxiv/picoclaw</a>

我构建了一个消息代理，支持Kafka协议，因此任何Kafka客户端（如librdkafka、kafka-python、kcat等）都可以在不修改代码的情况下使用。 整个二进制文件大小为52KB。没有JVM，没有ZooKeeper，也没有第三方库——仅使用C++20和kqueue/epoll。启动时间少于10毫秒，空闲时CPU使用率为0%。 我之所以构建这个，是因为在本地运行Kafka进行开发非常痛苦——需要几GB的内存，启动缓慢，还需要配置ZooKeeper/KRaft。我只想要一个能够接受生产请求并且不干扰的工具。 技术细节： - 单线程事件循环（macOS上使用kqueue，Linux上使用epoll） - 内存映射日志段（预分配1GB，顺序I/O） - 无锁的单生产者单消费者（SPSC）/多生产者单消费者（MPSC）环形缓冲区，具有缓存行对齐 - 支持Kafka协议v0-v3，包括灵活版本（ApiVersions、Metadata、Produce） - 在首次生产或元数据请求时自动创建主题 我遇到的最有趣的bug是：librdkafka发送ApiVersions v3，使用了Kafka的“灵活版本”编码。但协议中有一个特殊的例外——ApiVersions响应中不得包含用于向后兼容的标头标记字段。一个额外的字节导致后续每个字段都向后移动，导致librdkafka计算出约34GB的内存分配，立即崩溃。 当前的限制：没有消费者组，没有复制，单线程，没有身份验证。这是v0.1.0——下一个将支持消费。 采用MIT许可证，支持macOS（Apple Silicon + Intel）和Linux。

我创建了Decision Guardian，因为我看到团队反复讨论那些已经做出决定的事项。 在我上一份工作中，我们选择了Postgres而不是MongoDB，以确保ACID合规性。18个月后，一位新工程师提交了一个请求，想要切换到MongoDB。团队花了3个月重新评估，才有人想起之前的决定。 Decision Guardian可以防止这种情况的发生： - 用markdown记录决策（为什么选择X而不是Y） - 当受保护的代码发生变化时，GitHub Action会在PR上发表评论 - 免费、开源、MIT许可证 设置只需2分钟。欢迎反馈。 GitHub: [https://github.com/DecispherHQ/decision-guardian](https://github.com/DecispherHQ/decision-guardian)

我们创建了“为所有人而建的丹佛”——一个开源的公民平台，包含48个数据驱动的政策提案、12个互动工具（驱逐追踪器、竞选财务仪表板、租金计算器、AI租户权利聊天机器人），并提供完整的英语/西班牙语双语支持。 技术栈：Astro + React + TypeScript，Cloudflare Pages/Workers/D1，vAPI用于语音AI。采用MIT许可证，政策内容为公有领域。 整个项目设计为可供分叉使用。QUICKSTART.md将指导您如何将其适配到您自己的城市——更换数据源、更新政策、部署。 实时网站： [https://denverforall.org](https://denverforall.org) 代码库： [https://github.com/Denver-For-All/denver-for-all](https://github.com/Denver-For-All/denver-for-all)

我已经编写代码超过十年，现任职于nginx团队。最近，我让AI（Claude Code + Opus 4.6）从零开始编写了一个可编程的HTTP性能测试工具——使用C语言和QuickJS，约2000行代码，花了一天时间完成。然后我开始逐步重构其架构，每次提交一个小改动。 我所学到的并不完全符合两种观点——既不是“AI会取代我们所有人”，也不是“这只是炒作”。 *AI最危险的错误是不可见的。* jsbench允许用户编写调用fetch()的JS脚本进行负载测试。AI编写了这个功能和测试。报告显示：16,576个请求，0个错误。通过。但每一个fetch都失败了。工作线程没有事件循环——fetch()无法发送任何内容。代码只是无条件地将每次调用计为成功。AI编写的代码和AI编写的测试共享同样的盲点。不是崩溃——是那些运行正常、通过所有测试却产生错误结果的程序。 *在正确的方向下，AI就是你的整个团队。* fetch()不支持并发——Promise.all处理三个请求时耗时900毫秒，而不是300毫秒。AI实现了“伪异步”：Promise签名，内部同步阻塞。我知道该如何修复：注册一个全局事件循环，返回一个待处理的Promise，让循环驱动I/O。我给了AI问题、架构、现有代码和约束条件。它一次性解决了这个问题——9个文件，905毫秒变为302毫秒。如果我只是说“fetch有个bug”，它可能会绕过破损的架构进行修补。但明确的方向促成了正确的结构性变更。 *判断力是真正的倍增器。* 我将epoll和定时器组合成一个“引擎”对象——每个线程一个。简单的想法，但涉及6个文件，20多个调用点。AI没有遗漏任何一个，全部进行了修改。如果判断错误，AI也会同样彻底地应用这个错误。一次架构调用，应用于数十个文件——无论如何都具有巨大的杠杆效应。 *什么变得更有价值：* 架构判断——AI可以执行任何方向，但不会选择一个。代码审查——AI产生bug的速度与代码一样快；识别逻辑/架构问题现在成为了一种防御性必要。领域深度——我知道fetch()需要一个事件循环，因为我已经编写了十年的事件驱动系统，而不是因为一个好的提示。AI放大你已经拥有的能力；它并不创造能力。 *一句话：* 在AI时代，技术知识不是用来编写代码的——而是用来发现AI代码中的问题。看到问题，你就有了杠杆。错过了，你就是在信任一个会自信地告诉你一切都好的工具。 完整系列（持续更新）：https://github.com/hongzhidao/jsbench/tree/main/docs