Hall of Fame
Hall of Fame
Track
Type
Source
6月13日
今日趋势综述
今天的主线是「会学习、会记忆的 agent 正在赢」：Nous Research 的 Hermes Agent（191K 星、自改进循环+三层记忆）在 OpenRouter 日均吞吐上把 OpenClaw（378K 星）拉下马，用户用算力投票给「能从经验里变强」而不是「只会连接一切」的 agent；arXiv 的《Memory for Autonomous LLM Agents》综述用 LoCoMo→MemoryArena 的断崖式掉分（近满分→40-60%）点明记忆是当前最大短板；而 agent 越普及、攻击面越大，Perplexity 开源的 Bumblebee（4.4K 星、Go）成为首个把 MCP 配置当安全面来扫的工具。同一天 Indie Hackers 上一位不写代码的创始人用 48 小时搭出产品、靠现成分销渠道做到 $30K MRR，给「普通人怎么用 AI 挣现金流」补上了落地脚注。
今天的信号：agent 的胜负手，从「连接多少」转向「记住多少、学到多少」
把今天的几条放在一起看，会发现一个清晰的转向。过去半年 GitHub 上最耀眼的明星是 OpenClaw——378K 星，一度超过 React 成为史上最多星的软件项目，它的卖点是「连接一切」：把 WhatsApp、Discord、各种工具接到一个跑在你自己机器上的 AI 助手上。但本月真正的新闻是它被超越了：Nous Research 的 Hermes Agent 在 OpenRouter 的日均 token 吞吐上反超 OpenClaw（224B vs 186B），而 Hermes 的差异化恰恰不是「连接更多」，而是「do-learn-improve 自改进循环 + 三层记忆系统」。开发者在用真金白银的算力投票，投给那个「能从经验里变强」的 agent。
为什么记忆突然成了胜负手？arXiv 这周流传的《Memory for Autonomous LLM Agents》综述给了硬证据：在 LoCoMo 这类被动回忆基准上接近满分的模型，一换到 MemoryArena 这种「记忆要参与决策」的场景就掉到 40-60%。换句话说，今天的 agent 不是记不住，而是不会在该用的时候把记忆调出来用。谁先把这个「主动记忆」做扎实，谁就能让 agent 跑长任务而不失忆、不重复犯错——这正是 Hermes 三层记忆想解决的问题。与此同时，agent 越普及，新的风险面也越大：Perplexity 开源的 Bumblebee 是第一个把 MCP 配置文件当成安全面来扫的工具，因为这些配置决定了你的 AI 助手能碰你的邮箱、数据库、代码库——一个被悄悄塞进去的恶意 connector，就能让 agent 在后台泄露凭证。
对普通人，这张图给的方向很具体：第一，别再只学「怎么写提示词」，去理解 agent 的记忆与自改进机制——这是接下来一两年最稀缺的能力，也是 Hermes 这类项目开源给你免费学的现成教材。第二，把安全当成默认动作，装 agent、配 MCP 之前先用 Bumblebee 扫一遍，这是零成本的自保。第三，落地变现不必等技术天花板：今天那位不写代码、48 小时做出产品、靠现成分销渠道做到 $30K MRR 的创始人证明，真正的瓶颈从来不是模型多强，而是「你能不能先够到一群已经在为某个问题付钱的人」。
今日新增 4
#02
GitHub
Repo
★ 4.4K
NEW
perplexityai/bumblebee
Bumblebee 是 Perplexity 于 2026 年 5 月开源的开发者终端供应链扫描器，目前约 4.4K 星，Apache 2.0 许可，用 Go 1.25 写成、零非标准库依赖。它的核心设计是「只读」：不调用包管理器、不执行任何安装脚本，而是直接检视原始元数据和配置文件，从根上避免「扫描时反被恶意安装脚本攻击」的风险。覆盖面很广——npm、pnpm、Yarn、Bun、PyPI、Go modules、RubyGems、Composer，以及编辑器扩展、浏览器扩展。但它最有前瞻性的一点是：第一个把 MCP 配置文件当成独立安全面来扫的开源工具。原因是 MCP 配置决定了你的 AI 助手能访问哪些外部服务——邮箱、数据库、日历、代码仓库；一旦攻击者把一个恶意 connector 塞进这份配置，你的 AI 助手就可能在后台泄露凭证或执行未授权命令。Bumblebee 提供 baseline/project/deep 三档扫描档位，分别对应日常巡检、项目目录聚焦、以及事件响应时的全盘扫描。它的出现正好踩在「agent 大规模普及、新攻击面随之打开」这个时间点上。
另有 2 家信源报道
展开详情
Perplexity 开源（Apache 2.0）、Go 零三方依赖编写的只读供应链扫描器：不执行任何可疑代码，直接读元数据与配置文件，覆盖 npm/pnpm/Yarn/Bun/PyPI/Go/RubyGems/Composer 及编辑器、浏览器扩展；并且是首个把 MCP 配置文件当作安全面来扫的开源工具
周增长：+1,500
- **只读扫描，杜绝「扫描即中招」**：不调用包管理器、不跑安装脚本，只读元数据和配置文件——传统扫描可能在解析依赖时触发恶意脚本，Bumblebee 从架构上消除了这条风险路径
- **首个把 MCP 配置当安全面来扫**：MCP 配置决定 AI 助手能碰哪些邮箱/数据库/代码仓库，是 agent 时代全新的攻击入口——Bumblebee 是第一个系统性检查这块的工具，填补了「agent 安全」的空白
- **Go 零三方依赖 + Apache 2.0**：单一二进制、零外部依赖意味着可审计、可信、易在 CI 里集成；宽松许可让它能直接嵌入企业和个人的安全流程，几乎零接入成本
推荐理由：Bumblebee 给普通人的直接行动项：你装 OpenClaw、Hermes 这类 agent，或给 Claude/Cursor 配 MCP 之前，先用它扫一遍——这是零成本的自保。更深一层的机会在于：「agent 安全」是一个刚刚打开、几乎没人占的细分赛道。当 57% 的组织已经把 agent 放进生产流程、MCP 在 Q2 成为新工具标配，「帮个人和小团队审计 agent/MCP 配置安全」会从今天的小众需求变成刚需。懂得用 Bumblebee 这类工具、能讲清楚 MCP 风险的人，无论是做咨询、做培训还是做配套小工具，都站在了一条上升曲线的起点上。
#03
GitHub
Repo
★ 378K
🔥 4d
openclaw/openclaw
OpenClaw 是 2025 年 11 月起步、2026 年初爆红的开源个人 AI 助手，现约 378K 星，曾在 60 天内超过 React 成为 GitHub 史上最多星的软件项目。它的形态是一个长驻 Node.js 服务 + 消息路由器：把 WhatsApp、Discord 等你日常用的聊天平台，连到一个跑在你自己机器上的 agent，让它替你执行真实世界的任务。它的爆发代表了 2026 年上半年「自托管、连接一切」这一派 agent 的巅峰。但本月的故事是它正在被「会学习」的一派超越：在 OpenRouter 日均 token 吞吐上被 Hermes Agent 反超，星速也从早期 +40,000/周的爆炸期回落到约 +1,700/周的成熟项目节奏。与此同时，正因为它能接管这么多个人数据和工具，安全质疑也随之而来（The New Stack 直接发问「它安全吗」）——这恰恰解释了为什么 Bumblebee 这类「扫 agent/MCP 配置」的工具会在同期出现。OpenClaw 仍是理解「个人 agent 平台长什么样」最好的样本，但它的相对降温也标志着竞争维度的迁移。
另有 2 家信源报道
展开详情
跑在你自己设备上的开源个人 AI 助手（任意操作系统/平台）：一个长驻 Node.js 服务，把 WhatsApp、Discord 等聊天平台接到一个能执行真实任务的 agent 上；曾在 60 天内超过 React 成为 GitHub 史上最多星的软件项目，现约 378K 星
周增长：+1,700
- **自托管、跑在你自己机器上**：不是云端 SaaS，而是长驻在本地的 Node.js 服务——数据主权在你手里，这是它能赢得隐私敏感用户、冲上 378K 星的核心吸引力
- **把聊天软件变成 agent 入口**：通过 WhatsApp/Discord 等现成消息平台下达指令，agent 执行真实任务——「不用学新界面、在你已经用的 App 里指挥 AI」大幅降低了普通人的上手门槛
- **从巅峰到被超越，标志竞争维度迁移**：星速从 +40,000/周回落到约 +1,700/周、OpenRouter 吞吐被 Hermes 反超——「连接一切」的故事正在让位给「会记忆、会自改进」的故事
推荐理由：OpenClaw 这一年的抛物线对普通人是堂免费的趋势课：靠「连接一切 + 自托管」可以冲到史上最多星，但维持不住领先——因为用户最终要的不是「接了多少工具」，而是「这个助手用得越久越懂我」。给你的两条具体启示：一，如果你想要一个本地、可控的个人 AI 助手，OpenClaw 仍是上手成本最低的样本，值得装来理解 agent 怎么接管真实任务；二，更重要的是别把它当终点——它正在被会学习的 agent 超越，说明你该把注意力（和学习时间）放在「记忆 + 自改进」那一派上。顺带，它能碰你这么多个人数据，装之前用 Bumblebee 扫一遍配置是基本功。
#04
arXiv
Paper
2d streak
Memory for Autonomous LLM Agents: Mechanisms, Evaluation, and Emerging Frontiers
这篇综述系统梳理了 2022 年至 2026 年初 LLM agent 记忆的设计、实现与评测，把散落各处的做法归纳成五大机制族：①上下文内压缩（context-resident compression）；②检索增强存储（retrieval-augmented stores）；③反思式自改进（reflective self-improvement）；④分层虚拟上下文（hierarchical virtual context）；⑤策略学习式管理（policy-learned management）。它最关键、也最被引用的发现是一个刺眼的对比：在 LoCoMo 这类「被动回忆」基准上接近满分的模型，一换到 MemoryArena 这种「记忆必须参与决策」的场景，分数直接掉到 40-60%。这条断崖揭示了一个被长上下文窗口掩盖的真相——把信息塞进上下文，和在正确时刻把正确的记忆调出来用，是两回事；今天 agent 的瓶颈是后者（主动、决策相关的记忆使用），而不是前者（能不能记住）。综述据此把「主动记忆」「记忆治理与安全」列为下一阶段的关键前沿。对照本周 Hermes Agent 靠三层记忆系统登顶、OpenClaw 相对降温，这篇论文相当于给「为什么会记忆的 agent 在赢」提供了学术注脚。
把「agent 记忆」从零散技巧整理成系统框架，并用 LoCoMo→MemoryArena 的断崖式掉分（近满分→40-60%）精准点出当前最大短板：模型不是记不住，而是不会在该用的时候把记忆调出来参与决策——这正是 Hermes 等会赢、OpenClaw 等会被超越的底层原因
另有 2 家信源报道
展开详情
- **LoCoMo→MemoryArena 断崖（近满分→40-60%）**：这是全篇最值钱的一个数字——它证明 agent 的记忆瓶颈不是「记不住」，而是「不会在决策时调用」，一举把行业注意力从「堆长上下文」拨向「主动记忆」
- **五大记忆机制族的统一框架**：压缩/检索/反思/分层/策略学习，把零散技巧整理成可比较、可选型的地图——想给自己的 agent 加记忆的人，照着这张图选方案，少走半年弯路
- **点名「记忆治理与安全」为新前沿**：记忆会被污染、被注入、被滥用——综述把记忆安全列为下阶段重点，正好与 Bumblebee 关注的「agent 攻击面」遥相呼应，提示这是个正在打开的方向
推荐理由：这篇综述对普通人的实际价值，是把「agent 为什么有时候很笨」讲透了：不是模型不够强，是它不会在该用记忆的时候用记忆。理解这一点，你就能跳过 90% 的人对 AI 的误解。具体机会有两层：一，如果你在搭自己的 agent/工作流，照着五大机制族选一套记忆方案（多数人用「检索增强存储」起步就够），效果立刻和无记忆版本拉开差距；二，「agent 记忆」是个还很年轻、需求在爆发的方向——能讲清楚 LoCoMo 与 MemoryArena 区别、能帮人把记忆做对的人，正卡在一条上升赛道的早期。读论文不是学者的专利，这一篇值得普通建设者花一个下午精读。
#05
indiehackers.com
Article
直接可用
NEW
Indie Hackers：不写一行代码、48 小时做出产品、做到 $30K MRR——一个靠「现成分销渠道」破局的真实案例
Hasaam Bhatti 是一位没有 CS 学位、从没写过一行代码的创始人。他白天做着公司职位、业余经营两个亚马逊品牌，在 Twitter 上刷到 Cursor 后开始用 AI 写代码。他花了 20-30 小时研究产品点子，对其中一个手动、繁琐的流程极度不耐烦，于是干脆用 AI 把「自己需要的那个工具」做了出来——前后只用了 48 小时搭出可用产品。真正难的从来不是做产品，而是分销：零受众等于零客户。他的破局点是两年前买过的一个名叫 Legacy X 的教练课程——那里面有数千名活跃的卖家，本来就在找趁手的工具。他把这群人当成现成分销渠道，带着产品直接进场，30 天做到 $10K MRR，几个月后 Launch Fast 做到 $30K MRR。这个案例的全部锋利之处在于：它把「普通人用 AI 挣钱」的瓶颈从「技术」彻底挪到了「分销」——AI 已经把做出 MVP 的时间从几周压到几天，真正稀缺的是「你手里有没有一群已经在为某个问题付钱、且信任你的人」。
另有 1 家信源报道
展开详情
- **先有渠道，再有产品**：他不是做完产品再找用户，而是先盯住一个自己已经能触达的现成群体（Legacy X 课程里数千名活跃卖家），再用 AI 把他们需要的工具做出来——顺序反过来，成交速度天差地别
- **48 小时 MVP + 不写代码**：用 Cursor 这类 AI 编程工具，非技术背景者把「做出可用产品」的时间压到 48 小时——技术门槛已经基本消失，这不再是不做的借口
- **$10K MRR/30 天 → $30K MRR**：增长曲线的陡峭程度，几乎全部归功于「一开始就有分销」——同样的产品没有渠道，大概率卡在 median 的 $1K/月以下
推荐理由：这个案例对想用 AI 挣现金流的普通人，是一剂解毒针：别再纠结「该用哪个模型、哪个 API」，那是已经被 AI 解决掉的部分。真正决定你能不能从 $0 走到 $1K、$10K MRR 的，是一个老问题——你能不能先够到一群已经在为某个具体问题花钱、并且愿意听你说话的人。可复制的动作：①盘点你已经能触达的群体（你所在的行业社群、你买过的课程/会员、你的客户名单）；②找出他们日常手动、繁琐、肯付费解决的某个小痛点；③用 Cursor/Claude Code 在几天内把工具做出来，直接卖给这群人。先有渠道、再有产品，是 2026 年最被低估、却最可复制的现金流路径。
My Take：评分（5=最优）：最快成交 4 / 最低成本 4 / 可复制 4 / 风险安全度 4。「先渠道后产品」的非技术 AI 变现路径：AI 已抹平技术门槛，成败几乎全压在「你手里有没有现成可触达的付费人群」上，有渠道的人极快、没渠道的人要先补这一课
仍在热榜 1
Repo
NousResearch/hermes-agent
在榜 5d
Nous Research 出品、号称「会随你一起成长」的开源自改进 agent：do-learn-improve 自改…
AI Agent