AI Radar Technology - 2026-06-28

Hall of Fame

6月28日周日 · 5 条

今日趋势综述

今天的主线是『一个人开始指挥一支 agent 队伍』——YC 总裁 Garry Tan 把自己那套 23 个工具的 Claude Code 配置开源成 gstack（约 11.7 万星），让单个人在 Claude Code 里同时扮演 CEO、设计、工程经理、QA、发布等角色按流程出活；Stably 的 Orca（约 8300 星，今天还在更新）把『并行跑一队 coding agent』做成桌面/手机都能用的 ADE，一个提示扇出给多个 agent 在隔离的 git worktree 里同时干、再横向对比；YC S24 的 Palmier Pro（约 9200 星）则把 AI 直接搬进 macOS 视频剪辑器，靠 MCP 让 Claude/Codex 和你在同一个工程里实时协作。学界的 Agent-Omit 从另一头补：教 agent 学会『该省就省』——自适应地略过冗余的思考和观察，用 8B 小模型逼近七个前沿 agent 的效果，把跑 agent 的成本压下来。落到现金流，最稳的不是卖工具订阅，而是『卖结果』：自己用 AI 当某个客户的内容团队/获客团队，月费 $1.5K–4.5K，AI 干八九成、你只审校，瓶颈在拿客户不在产能。把这串起来：当一个人能稳定指挥一队 agent，普通人的位置是当那个『设计流程、调度 agent、对最终结果负责』的指挥者和交付者。

今天的信号：一个人开始指挥一队 agent，会编流程、能交付结果的人最值钱

把今天几条放一起看，方向出奇一致：2026 年的竞赛，已经从『用一个 agent』变成『指挥一队 agent』。最有代表性的是 gstack——YC 总裁 Garry Tan 干脆把自己每天用的那套 Claude Code 配置原样开源出来：23 个工具，分别充当 CEO 评审、设计评审、工程经理、QA、安全官、发布与部署等角色，强制走『想→规划→构建→评审→测试→上线』的结构化流程。它几天冲到约 11.7 万星说明一件事——大家想要的不再是『一个更聪明的助手』，而是『一支按流程协作、能把活从头干到尾的虚拟团队』。Stably 的 Orca 从工程侧把这件事做实：它是专门用来并行跑一队 coding agent 的开发环境，一个提示扇给多个 agent，各自在隔离的 git worktree 里同时干，再把结果横向对比挑最好的；兼容 Claude Code、Codex、Cursor 等 30 多种 agent，桌面和手机都能盯着。一句话：『同时跑很多个 agent、再择优』正在变成新的日常工作方式。

Palmier Pro 把同一股劲带到了消费级软件：一个 YC S24 团队做的开源 macOS 视频剪辑器，时间线像 Premiere，但通过 MCP 让 Claude、Codex、Cursor 这些 agent 和你在同一个工程里实时协作、一起剪。它说明 agent 不只是在写代码，正在被嵌进每一类专业软件，成为和你并肩干活的『同事』。而学界的 Agent-Omit 则在补另一头的隐忧——agent 队伍跑起来很烧 token：它训练 agent 学会自适应地『该省就省』，略过冗余的思考和观察，用一个 8B 小模型就逼近七个前沿 agent 的效果，把效率-成本的平衡点往前推。把 gstack（流程）+ Orca（并行调度）+ Palmier（嵌入专业软件）+ Agent-Omit（压成本）拼起来，你能看到清晰的一条线：跑一队 agent 这件事，正在被工程化、平民化、低成本化。

那普通人该站哪？答案不在『拥有一个 agent』，而在『会指挥一队 agent，并对最终结果负责』。注意 gstack 的设计哲学：它值钱的地方不是 23 个工具本身，而是 Garry Tan 把『一个产品该怎么被想清楚、评审、测好、发出去』的流程沉淀了进去——AI 负责执行，人负责定义流程和把关结果。这恰好指向今天最实在的现金流样本：别去卖一个 $9/月的 AI 工具订阅，去给一个具体客户当『内容团队』『获客团队』，月费 $1.5K–4.5K，AI 干八九成、你每周花几小时审校，真正的瓶颈是拿客户而不是产能。把今天拼成一句话：当一个人就能指挥一支 agent 队伍，稀缺的不再是会用 AI，而是会设计流程、会调度 agent、会为交付结果兜底的『指挥者』——这正是普通人能占住、且越来越值钱的位置。

#01

GitHub Repo

★ 11.7万 NEW

garrytan/gstack

gstack 是今天『一个人指挥一队 agent』这条主线最直白、也最有分量的代表。它的看点不在于又一套提示词模板，而在于出自 YC 总裁 Garry Tan 之手、并把他真实的工作流沉淀了进来：Tan 公开说自己靠这套东西『发的产品比以往任何时候都多』，还拿它对比 2013 年算出夸张的生产力倍增。几天冲到约 11.7 万星说明，开发者真正想要的已经不是一个更聪明的聊天助手，而是一支按流程协作、能把活从头干到尾的虚拟团队。它和今天的 Orca（并行调度一队 agent）、Palmier（把 agent 嵌进专业软件）是同一件事的不同切面——大家在合力把『跑一队 agent 干活』工程化、平民化。对个人最大的价值是：你可以直接照搬一位顶级实践者验证过的完整流程，省去自己从零摸索『AI 该怎么被组织起来出活』的漫长试错。

#DevTools#TypeScript

另有 2 家信源报道

展开详情

gstack 是 Y Combinator 总裁兼 CEO Garry Tan 把自己每天用的那套 Claude Code 配置原样开源出来的产物——一套 23 个工具的集合，让单个开发者在 Claude Code 里同时拥有一支『虚拟工程团队』。这 23 个工具按角色和阶段分工：规划与评审（office-hours、plan-ceo-review、plan-eng-review、plan-design-review、autoplan）、设计（design-consultation、design-shotgun、design-html、design-review）、开发（review、investigate、ship、land-and-deploy）、测试与 QA（qa、canary、benchmark）、文档（document-release、document-generate）、安全与运维（cso 安全审计、setup-deploy）以及一批工具类技能（browse、learn、retro、codex、spec、diagram、make-pdf 等）。它解决的核心问题是：传统做产品需要 CEO、设计、工程经理、QA 等一堆专职角色，而 gstack 把这些角色和『想→规划→构建→评审→测试→上线』的结构化流程固化进 Claude Code，让一个人也能以团队的速度和章法把产品稳定地发出去——并刻意用流程防住 AI 编码常见的跑偏。

周增长：+约数万（2026-03 创建后随 Garry Tan 公开自己 Claude Code 配置而爆发式增长，本周持续在 GitHub 趋势榜高位，仓库每日更新）

**YC 总裁的真实工作流**：Garry Tan 把自己每天用的 Claude Code 配置原样开源，23 个工具覆盖 CEO/设计/工程经理/QA/发布等角色，不是模板而是被验证过的流程
**用流程防跑偏**：强制『想→规划→构建→评审→测试→上线』的结构化链路，把 AI 编码最常见的失控和返工挡在前面
**爆发式采纳**：2026-03 创建后几天冲到约 11.7 万星、每日更新，是『一个人以团队速度出活』这股潮流的标志性项目

推荐理由：对普通人，gstack 最值得抄走的不是那 23 个工具，而是它背后的认知：在 AI 时代，稀缺的不是执行力（AI 管够），而是『把一件事该怎么想清楚、怎么评审、怎么测好、怎么发出去』的流程设计能力。Garry Tan 的护城河正是把这套流程显式化了——AI 负责干，人负责定义流程和把关结果。可落地的两步：一是直接上手——把 gstack 装进 Claude Code，照着它的角色和阶段跑一个你自己的小项目，亲身体会『让 AI 按团队流程出活』和『随便聊两句让它写代码』差在哪；二是迁移思路——无论你做什么（写作、运营、咨询、接单），都试着把自己脑子里那套『好东西是怎么一步步做出来的』拆成明确的阶段和验收点，再交给 AI 去执行。记住今天的主线：会编流程、会指挥 agent、会为结果负责的人，正在跑赢只会发指令的人。

#02

GitHub Repo

★ 8300 🔥 8d

stablyai/orca

如果说 gstack 解决的是『一个人怎么按团队流程出活』，Orca 解决的就是它的物理基础：当你想同时跑很多个 agent，怎么不乱。它把『并行跑一队 agent、再择优』这件正在成为日常的事做成了顺手的工具——隔离 worktree 防止互相踩踏、横向对比帮你挑最好的实现、手机端让你离开电脑也能盯着。约 8300 星、今天仍在更新，且兼容 30 多种主流 agent、强调用你自己的订阅，说明它走的是『中立编排层』路线，而不是绑死某一家。它和 gstack 是天然互补的一对：一个给你流程和角色，一个给你并行跑这些角色的运行环境。对个人开发者，它的意义是把『同时指挥多个 agent』从手忙脚乱的多终端切换，变成一个能横向对比、能远程盯、能脚本化的正经工作台。

#DevTools#TypeScript

另有 1 家信源报道

展开详情

Orca 是 Stably AI 做的『agent 开发环境（ADE）』，专门用来并行地指挥一整队 coding agent，自我定位是『面向 100x builder 的 AI 编排器』。它的核心能力是并行 worktree：把一个提示同时扇出给多个 agent，每个 agent 在隔离的 git worktree 里独立干活，方便你把多套实现摆在一起横向对比、择优采用。配套能力包括：手机端（iOS/Android）随时监看和操控正在跑的 agent；WebGL 渲染、可无限分屏的高级终端；Design Mode——点选 UI 元素就把 HTML/CSS/截图直接喂给 agent；原生集成 GitHub 与 Linear（浏览 PR、issue、项目看板）；SSH worktree 让 agent 跑在远端机器上并能完整编辑文件；以及可脚本化的 Orca CLI（worktree create、snapshot、click 等命令）。它兼容任何 CLI 形态的 agent——Claude Code、Codex、OpenCode、Pi、Cursor、GitHub Copilot 等 30 多种，且强调『用你自己的订阅』来跑，不再额外锁一层费用。

周增长：+约数百（2026-03 创建，本周在 GitHub 趋势/devtools 榜活跃，仓库今天仍在更新 pushed 2026-06-27）

**并行 worktree 择优**：一个提示扇给多个 agent，各自在隔离 git worktree 同时干，再横向对比挑最好的实现，把『跑一队 agent』变得不乱
**中立兼容 + 用你自己的订阅**：支持 Claude Code/Codex/Cursor/Copilet 等 30+ CLI agent，不额外锁费用，走中立编排层路线
**桌面+手机+远程**：iOS/Android 随时监看操控、SSH worktree 让 agent 跑在远端、Design Mode 点选 UI 直接喂给 agent，CLI 可脚本化

推荐理由：对普通人，Orca 点明了一个正在落地的新工作方式：未来你的产出，可能不取决于你写得多快，而取决于你能同时管多少个 agent、并从它们的多套结果里挑出最好的那套。这套『并行 + 择优』的玩法，恰恰把价值从『动手执行』推向了『出题、评审、决策』——你负责把任务讲清楚、把多份答案比出高下，AI 负责并行产出。可落地的机会有两层：一是技能层——现在就练『同时给多个 agent 派活、再横向比对验收』的能力，这是『指挥一队 agent』的基本功，越早练越有复利；二是认知层——当产能不再是瓶颈（一队 agent 管够），你的稀缺性会越来越集中在『判断力』上：知道什么是好的、能在一堆看似都对的方案里挑对那个。Orca 这类工具普及后，会用它的人和不会用的人，产出差距会被并行度直接放大。

#03

GitHub Product

NEW

Palmier Pro：YC 团队做的开源 macOS 视频剪辑器，靠 MCP 让 Claude/Codex 和你在同一工程里一起剪

by Palmier, Inc.（Y Combinator S24）

Palmier Pro 把今天『agent 走进专业软件、和你并肩干活』这股劲带到了消费级创作工具。它是一个 YC S24 团队做的、用 Swift 原生写的 macOS 视频剪辑器，时间线体验对标 Premiere Pro，但内置两类 AI 能力：一是生成式——接 Seedance、Kling 等模型直接在剪辑器里生成视频和图像素材；二是协作式——通过 MCP（Model Context Protocol）让 Claude、Codex、Cursor 这些 agent 和你在同一个剪辑工程里实时协作，等于给你的剪辑台配了个能听懂指令、能动手的 AI 助手。剪辑器本体和 MCP server 都按 GPLv3 开源、免登录就能当普通剪辑器用，只有生成式 AI 功能需要订阅。约 9200 星说明这种『把 agent 接口（MCP）做进专业软件、让 AI 成为同工程协作者』的形态正在被认可。它的信号意义大于工具本身：agent 不再只待在终端里写代码，而是开始嵌进每一类专业软件，成为和你共享同一份工程文件的『同事』。

#AI App#剪辑器本体 GPLv3 开源…

另有 1 家信源报道

展开详情

**MCP 让 agent 进剪辑工程**：Claude/Codex/Cursor 通过 MCP 和你在同一个视频工程里实时协作，AI 从『外部工具』变成『同工程协作者』
**开源本体 + 订阅生成**：剪辑器与 MCP server 按 GPLv3 开源、免登录免费用，只有接 Seedance/Kling 出图出片的生成功能需订阅，路径清晰
**YC 背书的新形态**：YC S24 团队、Swift 原生、对标 Premiere，约 9200 星，代表『agent 嵌进专业软件』的趋势正在从代码编辑器扩散到创作工具

推荐理由：对普通人，Palmier Pro 的启发有两层。第一层是用法上的——如果你做视频/内容，它示范了一种新工作方式：不再是『自己剪 + 偶尔让 AI 生成个素材』，而是让 agent 进到你的工程里，按你的指令直接动手改时间线、调素材，你负责导演和把关。第二层、也是更值钱的一层是机会上的：MCP 正在成为『让 agent 接进任何专业软件』的标准接口，而绝大多数行业软件（财务、法务、设计、CRM、行业 ERP……）还没有自己的 MCP 协作层。这意味着一个清晰的窗口——给你最熟的那个行业软件/工作流，做一层『让 agent 能进来一起干』的 MCP 集成，往往比从零做个新 App 更轻、更快、也更容易找到肯付钱的人。记住趋势：agent 正从终端走进每一类专业软件，谁先把自己行业的『AI 协作接口』搭起来，谁就占住了那个垂直入口。

#04

arXiv Paper

NEW

Agent-Omit: Training Efficient LLM Agents for Adaptive Thought and Observation Omission via Agentic Reinforcement Learning

by Yansong Ning, Jun Fang, Naiqiang Tan, Hao Liu（usail-hkust，开源项目 usail-hkust/Agent-Omit）

Agent-Omit 盯的是 agent 走向规模化使用后一个很现实的痛点：跑一队 agent 很烧 token。在多轮『agent 与环境交互』里，每一步都让模型长篇思考、把每条观察结果都塞回上下文，既慢又贵。但作者指出：思考的必要性和观察的有用性，其实在不同回合差别很大——有些步骤根本不需要长考，有些观察对后续决策没什么用。Agent-Omit 因此提出一套统一训练框架，教 agent 自适应地『省略』冗余的思考和观察：先用少量冷启动数据（涵盖单轮和多轮的省略场景）微调出基本的省略行为，再用一种『感知省略』的 agentic 强化学习——配合双采样机制和专门设计的省略奖励——激励 agent 学会在该省的地方省、该想的地方想。结果很有说服力：训练出的 Agent-Omit-8B 在五个 agent 基准上，效果可比肩七个前沿 LLM agent，并在『效果-效率平衡』上胜过七种现有的高效 agent 方法。代码和数据已开源。一句话：它证明把 agent 调得又好又省，是可以专门训练出来的。

在大家都忙着让 agent『干更多、跑更久』时，这篇反向补上了被忽视的一环——怎么让 agent『该省就省』，自适应地略过冗余的思考和观察，用更小的模型在更低成本下拿到接近前沿的效果。它把 agent 的竞争从『堆能力』拉回到『能力-效率的平衡』。

#AI Agent

另有 1 家信源报道

展开详情

**自适应省略**：按回合判断『这步要不要长考、这条观察有没有用』，自适应略过冗余思考和观察，直击多轮 agent 又慢又贵的痛点
**两步训练法**：少量冷启动数据微调出省略行为 → 用双采样 + 省略奖励的 agentic RL 激励自适应省略，方法可复现、已开源
**小模型打平前沿**：Agent-Omit-8B 在五个基准上效果可比肩七个前沿 agent，并在效果-效率平衡上优于七种现有高效 agent 方法

推荐理由：对普通人，这篇论文的现实意义不在算法细节，而在它预示的一个趋势：跑 agent 的成本正在被快速压下来。今天你嫌 agent 队伍烧钱、跑得慢，未来这类『又好又省』的技术普及后，用一个 8B 级小模型就能干接近前沿的活——这意味着自建/自托管 agent 的门槛和成本会大幅降低，普通人和小团队也能负担得起『常驻一队 agent 帮你干活』。可落地的两点：一是别被当下的高成本吓退，效率优化的方向非常确定，早点把『怎么用 agent 干活』的能力练起来，等成本塌下来你正好吃到红利；二是迁移这套思路到自己身上——它的核心洞察『不是每一步都值得用力，分清哪里该省哪里该深思』，本身就是高效做事的通用法则，把精力省在没价值的环节、押在关键决策上，人和 agent 都适用。

#05

indiehackers.com Product 直接可用

NEW

卖结果不卖工具：自己用 AI 当客户的『内容/获客团队』，月费 $1.5K–4.5K、AI 干八九成你只审校

by Indie Hackers 社区真实案例（AI 服务型代理 / build-in-public）

这是今天技术信号落到普通人现金流的最直接一条，且和上面 gstack/Orca『一个人指挥一队 agent』完全同源：2026 年最稳的 AI 赚钱姿势，不是卖一个 $9/月的工具订阅，而是自己用 AI 给一个具体客户当『内容团队』或『获客团队』，按月收 retainer。多个 Indie Hackers 真实案例给出一致的数字：你交付的不是一个 dashboard 的访问权，而是成品——发出去的文章、优化好的落地页、每周的广告创意、自动跟进的线索；同样底层都用 AI，但你卖的是结果。典型形态是单人带 11–12 个客户、每客户 $1,500–4,500/月，AI 自动化掉八九成的活，自己每周花几小时审校把关，整月 AI 工具成本约 $380。换算下来单人月收入常落在 $10K–30K 区间。关键判断是：在这套模式里，瓶颈不是产能（AI 管够），而是获客——能不能持续找到肯为『结果』付月费的客户。它本质上就是把 gstack 那套『一个人按团队流程出活』的能力，对准一个具体行业的具体痛点卖出去。

#小微现金流#按客户月费 retainer…

另有 1 家信源报道

展开详情

**卖结果不卖工具**：交付成品（文章/落地页/广告创意/跟进好的线索）而非工具访问权，$3K/月的 retainer 远胜 $9/月订阅，客单价高、毛利厚
**真实数字可参考**：单人带 11–12 客户、每客户 $1.5K–4.5K/月，AI 干八九成、每周几小时审校，月 AI 成本约 $380，月收入区间约 $10K–30K
**瓶颈在获客不在产能**：AI 把生产能力管够后，唯一卡点是持续拿到肯为结果付月费的客户——所以壁垒在你的行业关系和分发，不在技术

推荐理由：对想挣现金流的普通人，这条把今天所有技术信号变现的路径说得最透：你不需要会训模型、不需要自研工具，你需要的是『用 AI 替某个具体客户把一件具体的活干完并交付结果』。它对个人特别友好的地方在于：一是现金流健康——月费 retainer 一上来就是正现金流，不用先烧钱做产品；二是壁垒来自领域和关系而非技术——你越懂某个行业（最好是你本来就熟的那行）真正在乎什么结果，越能交付到点子上，也越难被替代；三是可复制——给一个客户跑通的『AI 内容团队』或『线索自动跟进』，几乎能原样卖给同行业的下一家。最务实的第一步：选一个你熟悉的窄行业、锁定一个它们肯为之付钱的具体结果（更多预约、更多内容产出、更快跟进线索），先低价给一家跑出真实成果，再拿这个案例去复制收费。记住瓶颈在获客——把『怎么持续找到客户』当成头号功课，比打磨工具重要得多。

My Take：评分（5=最优）：最快成交 4 / 最低成本 5 / 可复制 4 / 风险安全度 4。卖结果不卖工具的服务型现金流，月费 retainer 一上来就正现金流，最适合懂某行业、能对交付结果负责的个人切入；唯一硬功课是持续获客。