2026-06-04
AI Radar · AI/Dev daily intelligence from 8+ sources
今天trending的三个repo——ECC、hermes-agent、karpathy-skills——揭示了同一方向：开发者正在把AI agent从「聊天工具」打磨成「可配置同事」；Anthropic同步发布企业生态和Mythos安全测试两大信号。
今天的信号：「配置AI员工」比「使用AI工具」更值钱
今天trending的三个repo——ECC（249个技能包）、hermes-agent（越用越懂你）、karpathy-skills（4条行为准则）——做的是同一件事：把AI agent从被动响应的工具，变成主动学习的可培养系统。ECC给Claude Code装上技能库和记忆层，hermes-agent让AI跨会话记住你的项目和偏好，karpathy-skills则用Karpathy的观察结晶出「别猜测、别过度设计、别乱改代码」的行为约束。这不是在用AI，这是在「培训AI员工」。
Anthopic今天同步发出两个企业信号：Claude Partner Network正式分级（Select/Preferred/Global Premier），说明AI咨询服务市场开始规范化，10万+申请中4万家已入选；Claude Mythos扩展到150个机构、15国关键基础设施，自4月起已发现10,000+严重安全漏洞——这说明AI的代码分析能力已经超过绝大多数人类安全研究员。ERL论文则从学术层面确认：agent可以从经验中提炼启发式规则，成功率持续提升。
对个人来说，这三个趋势合在一起指向同一个机会：**会「给AI配置行为规范和技能工作流」的人，正在成为最稀缺的人才**。ECC和karpathy-skills爆红，恰恰因为它们解决了「AI能干但不听话」的核心问题。如果你能在某个垂直行业里——法律、财务、医疗、制造——把你的领域know-how变成agent的技能配置和约束规则，这就是你在AI时代真正的护城河。
Type
Track
Source
Repo
DevTools
GH
NEW
AI agent多平台技能库与性能优化系统
不只是配置文件，而是一套完整的agent增强系统：63个专用agent、249个可复用技能、79个命令实现，覆盖代码审查、安全扫描、测试、部署等完整工作流。支持Claude Code、Codex、Cursor、Gemini等7+平台。
Key Points
- **规模惊人**：249个公开技能包跨越编码/研究/安全/企业运营等领域，2月Cerebral Valley x Anthropic黑客马拉松一等奖
- **跨平台统一**：同一套技能库在Claude Code、Cursor、OpenCode等7+平台通用，不绑定单一厂商
- **工程级质量**：1282个测试、98%覆盖率、102条静态分析规则，是真正生产可用的agent配置系统
ECC的爆红揭示了一个新职业：「Agent配置工程师」。249个技能包中最受欢迎的不是写代码，而是代码审查、安全扫描、架构分析——这些恰恰是需要深度领域知识才能写好规则的地方。如果你在某个行业有积累，把你的判断标准翻译成agent skill，就是别人花钱雇不走的能力。
Repo
AI Agent
GH TS
2d streak
有持久记忆和自学习能力的开源个人AI agent
一个真正「越用越懂你」的AI agent：自动从历史对话中提炼技能、跨会话保留项目上下文、用Telegram/Discord/Slack/WhatsApp等多渠道接入。支持200+模型供应商，零厂商锁定。最新版v2026.5.29，过去30天发布62个版本。
Key Points
- **持久记忆**：不只记住你说了什么，而是主动提炼出「解决方案模式」——下次类似问题自动调用
- **多端接入**：Terminal、Telegram、Discord、WhatsApp、Signal、Email均可驱动，真正的「无处不在的AI同事」
- **模型无锁定**：Nous Portal、OpenRouter 200+模型、本地Ollama均支持，随时切换不改代码
hermes-agent代表了AI agent的下一阶段：从「单次对话工具」变成「长期学习伙伴」。对个人的机会：最先学会「训练」自己专属agent的人（给它输入你的工作流程、行业知识、个人偏好），会在效率上比普通用户拉开代差。这不是使用技巧，是一种新的「人机协作资产」。
Repo
DevTools
GH X
NEW
基于Karpathy观察的CLAUDE.md行为准则文件
一个单独的CLAUDE.md文件，把Andrej Karpathy对LLM编程失误的观察提炼成4条行为准则：明确假设、简单优先、外科手术式修改、目标驱动执行。两个镜像账号合计220K星，已成为AI编程配置的事实标准之一。
Key Points
- **来源权威**：Karpathy（OpenAI联创、Tesla AI前总监）的亲身观察 → Forrest Chang将其翻译成可执行规则
- **四条黄金准则**：先说假设再写代码、只解决被要求的问题、只改需要改的、把任务转化成可验证的成功标准
- **病毒式扩散**：从一个CLAUDE.md文件到220K颗星，证明「给AI设定行为边界」是开发者的真实痛点
karpathy-skills的成功证明：你不需要写一行新代码，只需要把「如何与AI合作不踩坑」的经验结构化，就能产生巨大价值。这对每个行业都成立——把你领域里「AI最容易犯哪些错」整理成约束规则，就是一个有潜力的开源项目或咨询产品。
Article
AI App
An Te Ya
NEW
by Anthropic
Anthropic发布Claude Partner Network服务轨道（Services Track）和合作伙伴中心（Partner Hub）。三级认证体系：Select（10名认证从业者+2个生产部署）、Preferred（100名认证+15个客户）、Global Premier（1000名认证+100个客户+3大洲覆盖）。自3月以来已有4万家企业申请、1万名顾问获得认证。
Key Points
- **市场信号**：企业AI咨询服务已经大到需要认证分级——这意味着有资格的AI实施顾问正在成为稀缺资源
- **具体门槛**：最低门槛（Select级）只需10名认证人员+2个生产部署——对小型咨询团队可操作
- **生态闭环**：合作伙伴在Hub里可被企业客户搜索到，相当于Anthropic为认证顾问建了一个「官方市场」
这个Partner Network的建立，直接创造了一批新的就业机会：企业AI实施顾问。如果你能拿到Claude认证、积累2-3个生产部署案例，就符合入门级门槛，可以被企业客户通过官方Hub找到。AI时代的「资质认证」正在从个人技能转移到可验证的交付记录，这是一个传统咨询行业改造自身的窗口。
Article
LLM/Model
An Te CN Da
NEW
by Anthropic
Anthropic将Project Glasswing（Claude Mythos Preview用于关键基础设施安全审计）扩展到150个新机构、15+国家，覆盖电力、水务、医疗、通信和硬件行业。自4月上线以来已发现10,000+严重漏洞。Anthropic预计6-12个月内其他公司也将拥有同等能力的模型。
Key Points
- **能力突破**：Claude Mythos在漏洞挖掘上已超越「最顶尖的人类安全研究员之外的所有人」——这是AI能力的里程碑
- **规模验证**：4月至今10,000+严重漏洞，平均相当于每天发现100+个，人类团队不可能达到这个速度
- **窗口警告**：Anthropic明确表示6-12个月内其他公司也会有同级别模型，且可能没有同等安全约束
AI安全能力超越人类，对个人来说有两层机会：一是「AI辅助安全测试」会成为中小企业可负担的服务，懂得如何配置和引导此类工具的安全顾问需求暴增；二是IT基础设施领域的人员应该意识到，过去「足够难以被攻击」的系统现在对AI来说可能不再安全，系统修复和加固的需求将持续增长。
Paper
AI Agent
arXiv Hu IC
NEW
by Marc-Antoine Allard et al.
提出Experiential Reflective Learning（ERL）框架：agent执行任务后反思轨迹、提炼启发式规则（heuristics），下次遇到类似任务时检索相关规则注入上下文。在Gaia2基准上比ReAct基线提升7.8%，且启发式规则比少样本轨迹提示更易跨任务迁移。
提出ERL框架让LLM agent从任务轨迹中提炼可迁移启发式规则，在Gaia2基准上成功率提升7.8%
Key Points
- **核心创新**：不是靠微调模型，而是在推理时动态注入经验提炼出的规则——部署成本极低
- **实验验证**：Gaia2基准7.8%提升，关键发现是「选择性检索」必不可少，全量注入反而有害
- **工程意义**：原理和hermes-agent的「技能挖掘」高度吻合，说明「从失败中学习」正成为agent标准组件
ERL的思路对工程实践有直接指导意义：与其训练更大的模型，不如让现有模型「记录自己做错了什么」并提炼成规则。对个人来说，你现在就能用这个原理手动建立自己的「agent错误笔记」——把AI在你领域犯的典型错误记录下来，整理成规则喂回给它，效果会持续改善。这不需要PhD，需要的是领域知识和耐心。
Thread
AI Agent
DE RD
NEW
DEV Community / Reddit
开发者社区对比两个爆款开源agent运行时：OpenClaw（210K星，快速从9K飙升）和hermes-agent（174K星，周增长3800颗且在加速）。核心争论在于两者定位不同——OpenClaw侧重「速度和轻量」，hermes更强调「记忆和自学习」。
hermes-agent的周增长速度已经反超OpenClaw，但总星数落后——说明后者起步晚但势头更强
实际用起来差异明显：OpenClaw适合搭建对话管线，hermes适合需要「跨会话上下文」的个人助手场景
两者都支持本地模型（Ollama），这才是关键——不依赖API就能跑意味着成本可以趋近于零
这场争论背后是一个更大的问题：agent运行时会不会像操作系统一样winner-take-most？目前来看还没有定论，但社区倾向认为「记忆能力」会是长期差异化关键——毕竟用了一年的agent和只用一天的agent，能提供的价值截然不同。如果你要选一个长期投入学习的运行时，选择「越用越懂你」的那个。
Hall of Fame
#1buildpipe4d
#2chopratejas/headroom4d
#3Agent Skills for Large Language Models: Architecture, Acquisition, Security, and the Path Forward2d
#4CopilotKit/CopilotKit2d
#5NVIDIA/cosmos2d
#6NousResearch/hermes-agent2d
#7Project Vend Phase 2：AI agent可以独立运营真实商业了2d
#8RyanCodrai/turbovec2d
#9The End of Software Engineering: How AI Agents Are Fundamentally Restructuring the Software Paradigm2d
#10lfnovo/open-notebook2d