跳到正文
  1. 博客园81

    谷歌开源 ARTEMIS:AI Agent 按自然语言指令操作安卓真机

    谷歌于 2026 年 8 月开源 ARTEMIS(Apache-2.0,Python 实现),AI Agent 按一句自然语言指令自己看屏幕、找控件、划屏点按,在安卓真机上完成多步任务并带回截图与日志,AndroidWorld 基准任务完成率 99% 以上。

    推荐理由:原文拆解的快慢两档执行、动作前校验与历史压缩等设计,可迁移到读者自己的测试工具与流程中。

  1. 博客园84

    A2UI:让 Agent 画界面,而不是写代码

    A2UI 是 Google 提出的声明式 UI 载荷协议(Apache 2.0),Agent 只声明用哪些组件、绑哪些数据,客户端用自己信任的原生组件渲染,从结构上消除代码执行类注入面。

    推荐理由:原文把 A2UI 与写死界面、生成代码、JSON Schema 表单三条旧路逐项对比,并讲清它与 MCP、A2A、AG-UI 的边界,适合判断该协议是否适合自己的 Agent 项目。

  1. 博客园76

    Droidline:不插线不 root,两行命令隔空操控 Android 真机

    Droidline 是一款开源 Android 真机自动化工具,无需 ADB、数据线或 root,手机端装 App 扫码配对后,PC 端即可用 Python、Node.js、命令行、HTTP 或 MCP 驱动真机。

    推荐理由:原文对比了 Droidline 与 Appium 生态的使用门槛,并拆解了单源规格生成多端 SDK 等可迁移的设计思路。

  1. AWS Machine Learning Blog61

    用 LangGraph 与 Amazon Bedrock AgentCore Web Search 构建每日依赖监控器

    AWS 官方博客演示用 LangGraph 与 Amazon Bedrock AgentCore 的 Web Search API 搭建每日依赖监控,为安全团队每天核查 npm、PyPI 包和容器基础镜像的新变化。

    推荐理由:教程给出了可迁移做法,把日期窗口、屏蔽名单和搜索预算固定在代码里,再对照引用来源校验每条发现。

  1. 博客园76

    接入 McpFramework 让任意 .NET 程序被 Agent 遥控

    McpFramework 是已发布到 NuGet 的 .NET MCP 框架,引用包、标特性、一行启动,即可让控制台、Web、WinForms、WPF 程序被 Agent 通过 MCP 实时控制。

    推荐理由:原文把 MCP 协议、三种传输差异和 .NET 接入步骤讲透,并给出 SSE 与 Streamable HTTP 错配的排查方法,可直接照做。

  1. AWS Machine Learning Blog63

    用 AWS Agent Registry 在运行时发现 Agent 工具

    AWS 官方博客演示了用 AWS Agent Registry 让编排器在运行时通过混合语义与关键词搜索发现已批准的 MCP 服务器和 A2A 智能体,替代硬编码工具接入。

    推荐理由:原文给出运行时发现替代硬编码工具的参考实现,读者可据此评估自家 Agent 目录的治理与认证拆分方式。

  1. 掘金81

    HyperFrames 开源框架:写 HTML 就能渲染视频,专为 AI Agent 设计

    HeyGen 开源 HyperFrames,把 HTML、CSS 和可 seek 动画渲染成确定性 MP4,Apache-2.0 协议,GitHub 68,154 颗 Star。

    推荐理由:原文拆解了 HyperFrames 用 HTML 加可 seek 动画实现确定性视频渲染的思路,并给出与 Remotion 的取舍对比,可迁移到其他 Agent 内容生成的设计中。

  2. 掘金78

    从 Function Calling 到 MCP:用 TypeScript 编写 AI 助手可用的工具服务

    作者用 TypeScript 从零实现了一个可被 Claude Desktop、Cursor 直接调用的 MCP Server,提供本地 Markdown 笔记关键词全文检索能力。

    推荐理由:作者给出了不到 60 行可运行的 MCP Server 实现和三个踩坑解法,读者可直接迁移到自己的工具服务开发中。

  1. 掘金81

    REA 逆向分析套件实测与 archify 架构图搭配实践

    REA 是一款基于 MCP 协议的开源逆向分析套件,可接入 Claude Code、Cursor 等 Coding Agent,用自然语言指令完成桌面应用、原生二进制和前端打包产物的逆向分析。

    推荐理由:作者实测后给出 REA 加 archify 的完整上手流程,读者可照着把应用逆向分析做成标准化的证据链推演。

  2. 掘金76

    用 AI 定位生产环境偶发 Bug 的 5 个实战套路

    文章给出用 AI 定位生产环境偶发 Bug 的五个套路:时间盒日志回溯、失败与成功请求字段级 diff、并发压测复现、支持与反对证据双栏验证、把日志和数据库监控通过 MCP 接入 AI。核心主张是 AI 只做检索与枚举,改哪一行留给人自己;文中附四段可直接复用的 prompt、Go 并发复现骨架与环形缓冲代码,并列出只读账号、结果行数上限、敏感字段脱敏等六项上线自检清单。

    推荐理由:文章把 AI 排障的边界划在检索与枚举,给出的时间盒、字段级 diff 和假设卡可直接迁移到自己的排查流程。

  3. 掘金81

    MCP 深度解析:AI 工具层的 USB-C,如何把 N×M 个适配器收敛成 N+M

    这篇深度解析把 MCP 定位为 AI 应用与外部工具之间的公共接口标准:工具侧写成 MCP Server、应用侧内置 Client,即可把 N×M 份适配收敛为 N+M。全文拆解 Host/Client/Server 三层角色与 JSON-RPC 2.0 消息格式,用

    推荐理由:原文把 MCP 的协议机制与三大原语讲透,并给出可运行代码和不上 MCP 的判断标准,读者可据此评估自己的工具是否需要标准化。

  4. 掘金76

    开源 Moonlighting:用隐藏桌面让 AI Agent 托管多平台账号

    作者开源了 Moonlighting,一个让 AI Agent 在 Windows 隐藏桌面里操作浏览器、托管十几个平台账号的工具,密码经本地 DPAPI 加密、只以长度返回给模型。

    推荐理由:作者把隐藏桌面加本地凭据代理的做法做成了开源工具,读者可借鉴其无障碍树定位与凭据不进上下文的方案。

  1. 掘金84

    Function Calling 选对了工具,却总在参数上翻车?从 JSON Mode 到 Structured Outputs 一次讲透

    生产环境里 Agent 工具调用失败约 65% 出在参数 JSON 而非模型能力,本文据此梳理了从手写 Prompt、Function Calling、JSON Mode 到 Structured Outputs 的四代演进。

    推荐理由:原文把工具调用参数错误拆成语法与语义两层,并给出 schema 设计、服务端校验和有限重试的闭环做法,可直接照搬到自己的 Agent 工程。

  1. 掘金80

    实测开源逆向工具 REA:给游戏加新角色、拆解学习 APP,噱头大于实际

    作者实测开源逆向工具 REA(Reverse Engineer Anything),配合 Codex 和 GPT-6 Astra 成功给单机游戏《火影战记》新增角色迈特凯,并逆向出一个 Flutter 学习 APP 的工程结构。

    推荐理由:作者用三套模型组合实测同一工具,并提炼出 Flutter 加固只盖 Java 层、客户端密钥应放后端这一可迁移经验。

  2. 掘金77

    ReAct:Agent 是怎么“边想边做”的

    这篇文章讲解 ReAct 模式如何让 Agent 通过想、做、看的循环实现边推理边执行,模型只负责决策,由 Harness 组装上下文并校验执行工具,Environment 产生真实状态变化。

    推荐理由:原文把 ReAct 循环拆成想、做、看三个环节,并给出最小实现以及约束、验证、纠正三步可靠性改造,可直接迁移到自己的 Agent 开发中。

  1. AWS Machine Learning Blog64

    Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode

    Postman 在 Amazon Bedrock 上运行 Agent Mode,为 4000 万开发者提供覆盖 API 测试、文档、发现与实现的 AI 智能体能力。

    推荐理由:文章给出了把智能体嵌入成熟产品时可复用的工程模式,如动态裁剪工具集、用 schema 读取代替工具泛滥。

  1. AWS Machine Learning Blog60

    使用 Amazon Quick 和 Adjudicated Query 模式批量扫描租约合规性

    AWS 提出 Adjudicated Query 模式:业务用户在 Amazon Quick 聊天界面用自然语言提问,模型只负责翻译问题和复述结果,通过/失败判定全部由确定性规则引擎完成。

    推荐理由:原文给出了一种可迁移的架构方法,把自然语言入口交给大模型、把通过/失败判定保留在确定性规则引擎中,适合需要可证明完整性与可辩护性的合规场景。