Marico's space
最近折腾开源 Agent（智能体）基础设施，踩了几个选型上的坑，这篇把这次看到的 5 个项目说清楚。
作者：Renchao Wu。
这一期从 GitHub Trending 和专题搜索结果里挑了 5 个项目，大多是 AI（人工智能）Agent 和开发者工具。我看完了每个项目的 README、发布说明和近期提交；除非条目里明确写了，否则都没有实际安装。Star 数等数据截至 2026-11-02。
这 5 个项目指向的是同一件事：Agent 基础设施正在拆分成几个可以单独替换的部件——检索、知识库、技能目录、演化闭环，还有一门把评估写成规格说明的课程。
GitHub：https://github.com/sahenjp/RustXNG
一句话：它是一个自托管搜索服务，一次请求就能同时返回排序结果和网页正文，目标就是充当 Agent 的检索层。
它是什么：用 Rust 编写，采用 AGPL-3.0-or-later 许可证；这是 SearXNG 的移植版，兼容 SearXNG 的响应结构，并提供运行在 8888 端口的浏览器界面。仓库创建于 2026 年 10 月 18 日，两周内发布到 v0.26.0，并在 11 月 1 日连续发布了两个版本。
值得关注的地方：
include_raw_content=1 后，可以从前五个页面提取约 32,000 个字符，Agent 无需逐页抓取就能检查提取出的文本。不过，提取正文并不代表来源准确、内容完整，也不等于获得了再次发布的授权。/healthz、OpenMetrics 格式的 /metrics、响应缓存、图片代理、机器人限流，以及 Sidecar（伴生容器）的空闲超时。对比来看：它和 SearXNG 的关系是移植，而不是精神意义上的 Fork（分支）；接口兼容，搜索引擎也沿用了不少，同时增加了网页正文抓取、SSRF 防护和一轮排序，包括词项覆盖率、站点权重和标识符匹配。这些新增能力来自项目自己的文档，我没有逐项与 SearXNG 复核。相比托管搜索 API（应用程序接口），它的优势是自托管和正文容量：README 给出的单机器 100 个问题对比中，Hit@1 为 79–83，Exa 为 77，Tavily 为 34；单次请求可返回约 32,000 个字符，后两者分别约为 9,000 和 1,200；重复查询耗时为 0.01 秒，后两者分别为 0.6 秒和约 1 秒。这些都是项目自测数据，不是我复测的结果，而且项目自己也说明，多次运行会有几分浮动。
近期更新：v0.26.0 在 11 月 1 日发布了 ghcr.io 镜像，并将英文 README 设为主版本；同一天的 v0.25.0 重新定义了项目定位，把它明确为 Agent 检索层。三份发布说明都只有一行校验和信息，真正有价值的改动在提交记录里。
适合谁：适合想自建 Agent 搜索端点的人。需要注意的是，元搜索服务仍会把查询发送给启用的上游搜索引擎，也会抓取第三方网页；自托管不等于离线检索，也不能消除第三方数据暴露。另外有两个前提：这个版本无法使用 Google，WML（无线标记语言）端点返回 403，HTML（超文本标记语言）端点需要 JavaScript（脚本语言），无头浏览器则会被识别，因此必须测试替代引擎；许可证是 AGPL-3.0-or-later，具体部署前应逐条核对条款。README 专门讨论了修改网络服务版本后的源码义务，仅凭“提供网络访问”并不等于完成了完整的许可证分析。
我的评价：⭐⭐⭐。把“找到信息”和“拿到可引用正文”压缩成一次请求，这个减法做对了；至于它能否替换现有方案，关键要看没有 Google 时的搜索结果。
检查范围：README、三份发布说明、近期提交和 docs/COMPARISON-EXA.md；未安装。
GitHub：https://github.com/undefined-ui/second-brain-os
一句话：这是一个由 Agent 代你维护的纯 Markdown（轻量级标记语言）知识库，外加一门课程和一套构建同类 Agent 的工具包。
它是什么：项目包含 130 个页面，包括一份指南、一门 7 个模块的 Agent 课程和 5 本手册；工具包里有 18 项技能、72 条斜杠命令、6 个子 Agent、4 个脚本、1 个插件和 1 个入门 Vault（知识库目录），采用 MIT 许可证。Obsidian 只是查看器，不是依赖项。它实现了 Karpathy 于 2026 年 4 月 4 日以 Gist（代码片段）形式发布的 llm-wiki 模式：Wiki（多页面知识库）是主体，原始资料作为归档保存；新增资料会被编译进已有页面，整个流程分为 ingest、lint、query 三种操作。
值得关注的地方：
/metrics、/health 和 /graph-export 通过 Vault 内的脚本运行。对比来看：README 将这种文件维护方式与记忆服务器、基于检索的上下文组装方案进行了比较。它的定位不是单一工具，而是“方法论文档 + 可复制的 Vault + 命令集合”，核心押注是让 Agent 通过固定操作维护文件。项目列出了 Basic Memory 1.0、ai-memory 3.0 和 Hindsight 1.0，并解释了自身差异；这些说明来自项目自身，我没有阅读对应仓库。真正可以检查的维度有三个：写入是否留下证据、页面是否经过编译、lint 是否真的执行。
近期更新：没有 Release（发布版本），主要在主分支迭代。11 月 2 日，图谱方案建议从 Kuzu 改为 Ladybug：Kuzu 已于 2025 年 10 月归档，项目将 Ladybug 描述为延续项目，并支持内嵌 CSV（逗号分隔值）；我没有独立验证迁移兼容性。README 也按学习层级重新整理，并增加了“本月新增”部分。配套网站于 10 月 14 日上线。
适合谁：适合已经在维护文件型笔记，希望让 Agent 接手归档和关联的人。项目假设使用 Claude Code 的目录约定，包括 .claude/skills、commands 和 agents；如果换成其他 Agent，就要调整加载方式。如果期待“安装后自动完成整理”，它做不到。它提供的是流程和脚本，最初的 10 份资料仍然要由你提供。
我的评价：⭐⭐⭐。方法比工具更重要，而这里的方法被写成了可执行命令。
检查范围：README、llm-wiki 模式文档和近期提交；未安装。
GitHub：https://github.com/ant-research/AntOmniEvo
一句话：这是一个演化框架，将系统中可调的部分统一成文件目录，让编码 Agent 根据失败轨迹重写这些文件，同时保留闭环和审计记录。
它是什么：Python 项目，采用 Apache-2.0 许可证。它的分工是“你来定义，框架控制，AI（人工智能）完成工作”：使用者负责提供系统运行方式、评估器、训练集和验证集、可调产物与目录之间的映射，以及初始版本；框架负责调度、预算控制、筛选和持久化；编码 Agent 充当 Proposer（提议者）。可调产物既可以是一个技能的 SKILL.md 加脚本，也可以是一个流水线的 pipeline.json 加节点代码，还可以是单文件算法及其描述。被优化的系统不一定包含 LLM（大语言模型），但 Proposer 必须具备编写代码的能力。
值得关注的地方：
对比来看：OpenEvolve 也是一个演化式代码优化项目，但它报告的增益绑定在自身任务和评估条件下，我没有复现。这个项目扩大了优化对象的范围，覆盖目录中的技能、提示词、流水线配置和节点代码；同时把编辑器限制为读取失败轨迹的编码 Agent，并把“修改与失败之间的映射”视为交付物的一部分。这些描述不足以证明两个项目的优化目标互斥，也不能说明谁更有效。我只读了两边的 README，都没有运行。
近期更新：没有 Release。10 月 29 日，可视化工具增加了中英文切换；10 月 28 日新增了一份轨迹模型文档，同时说明论文的实验脚本和数据集将另行开源。论文是 Mara Chain（arXiv 2609.35855）。
适合谁：适合拥有可重复、成本相对可控的评估流程，并且可以把优化目标表达为文件目录的团队。文档明确列出了不适用的场景：只有少量标量参数、评估不可重复或成本很高、输出有严格合规要求。项目会在沙箱中编辑文件，因此权限仍要自行审计。
我的评价：⭐⭐⭐。把可审计性当成硬要求，比演化机制本身更值得关注。
检查范围：README、docs/when-to-use.md、近期提交和论文条目；未安装。
GitHub：https://github.com/wanghao-SunSky/cs329z-chinese
一句话：这是一门围绕 Stanford CS329Z 公开材料构建的中文 Agent 工程课程，包含 19 节课和 4 个练习，并支持离线阅读。
它是什么：项目包含 19 节课、4 个动手练习、Markdown（轻量级标记语言）源文件、单文件离线 HTML（超文本标记语言）阅读器，以及构建和校验发布版本的脚本。课程顺序沿工程链路展开：Agent 全景、面向开发者的 LLM（大语言模型）、RAG（检索增强生成）、工具调用与函数调用、编排、上下文管理、记忆架构、多 Agent 系统、系统优化、评估工程、数据选择与质量、LLM Judge（大语言模型评审器）、安全、编码 Agent、主动型 Agent、开放问题。README 明确说明，这是一份独立中文学习指南，不是 Stanford（斯坦福大学）的官方翻译；原课程和代码的权利仍归原作者所有，公开修订记录放在单独的编辑说明文件中。仓库根目录没有许可证文件。
值得关注的地方：
对比来看：在中文 Agent 课程中，它选择逐课复现一门课程，而不是铺开一张大而全的路线图，代价是覆盖面较窄。相比原版英文课程，增量主要体现在中文表述和工程化组织上，我没有逐课比较内容覆盖度。还有一个现实约束：文本根据公开课程材料整理，仓库没有许可证，原内容权利仍归原作者；公开可访问不等于获得再分发或商业使用授权，需要自行核对适用权利。
近期更新：10 月 28 日首次发布；10 月 31 日增加逐课介绍并改进中文搜索。上线 5 天后，项目获得 407 个 Star 和 45 次 Fork（派生分支）。
适合谁：适合想系统补齐 Agent 工程概念，尤其是评估与安全知识的 Python 开发人员。如果想要一个可以直接运行的代码库，它并不符合这个预期；虽然有练习，但主体仍是讲义。
我的评价：⭐⭐。作为中文评估教材很扎实，但作为工程参考资料，还需要配套代码。
检查范围：README、第 13 课和仓库文件列表；未运行构建脚本。
GitHub：https://github.com/heilcheng/awesome-agent-skills
一句话：这是一个跨厂商的 Agent 技能目录，共有 388 个条目，并附带 6 条质量标准。
它是什么：项目提供了一个 82 KB 的 README，包含 6 种语言、388 条链接，另有一个配套网站。内容分成两部分：第一部分是官方和厂商目录，包括 AI（人工智能）平台与模型、云与基础设施、开发工具与框架、Google（谷歌）生态、商业与营销、安全与网络情报，共 6 个板块、47 个厂商分组；第二部分是社区技能，包含 16 个分组，覆盖向量数据库、数据分析、云存储、营销等领域。项目宣称收录的是真实团队正在使用的技能，而不是批量生成的技能；兼容列表列出了 Claude Code、Codex、Antigravity、Gemini CLI、Cursor、GitHub Copilot 和 Windsurf。
值得关注的地方：
SKILL.md 不超过 500 行、已在目标 Agent 上验证。可以直接拿来做验收清单。README.md；改动必须是新增内容；每个 PR 最多 5 行；必须遵循固定行格式；需要检测重复项；目标仓库必须存在且未归档；必须包含 SKILL.md；至少 20 个 Star，且项目存在时间不少于 14 天。检查失败会打上 needs-fixes 标签。条目虽然来自外部贡献者，但代码会强制守住最低门槛。对比来看：相比普通链接列表，它增加了两个具体东西：一是明确写出的 6 条质量标准，二是真正能够拒绝提交的自动检查机制，上面的规则就是脚本执行的规则。相比各厂商自己的技能商店，它是一个横向索引，并通过兼容列表标注预期宿主。但它不能证明每个技能都在所有宿主和版本上测试过。自动检查验证的是条目合规性和仓库可访问性，无法验证“已在目标 Agent 上验证”这类声明，后者仍要依赖作者或使用者自行测试。
近期更新：11 月 2 日同步了多语言 README 和站点数据，整理了一批待处理条目，并加入 claude-code-skills-zh、motionboard、mobbin/skills 等项目（#641 至 #647）。项目创建于 2025 年 12 月 29 日，目前累计 6,332 个 Star。
适合谁：适合想寻找现成技能，或者希望为自己的技能制定验收标准的人。建议先看厂商板块；第三方条目是否仍在维护，需要自己检查。
我的评价：⭐⭐。作为索引够用，但不能把它当成质量背书。
检查范围：README 结构、质量标准章节、Pull Request 检查脚本和近期提交；未安装任何技能。
| 项目 | 是什么 | 最鲜明的特点 | 适合谁 | 是否值得深挖 |
|---|---|---|---|---|
| RustXNG | 自托管检索层 | 一次请求返回结果和网页正文，带 SSRF（服务器端请求伪造）防护 | 为本地 Agent 接入搜索的人 | ⭐⭐⭐ |
| second-brain-os | 自动维护的知识库 | 72 条命令负责维护，并提供完整的 ingest、lint、query 流程 | 使用文件型笔记的人 | ⭐⭐⭐ |
| AntOmniEvo | 自动演化框架 | 每次修改都附带失败轨迹，可审查、可对比、可回滚 | 拥有稳定评估体系的团队 | ⭐⭐⭐ |
| cs329z-chinese | 中文 Agent 课程 | 把评估讲成四元组规格说明 | 想补齐评估与安全知识的人 | ⭐⭐ |
| awesome-agent-skills | 技能目录 | 跨厂商索引，并给出 6 条明确的验收标准 | 寻找技能、制定标准的人 | ⭐⭐ |