开发 AI Agent 应用时，直接使用 LangChain 或 LangGraph 等框架虽然方便，但复杂的抽象往往像个“黑盒”，让开发者难以理解底层的调用逻辑和决策机制。

ai-agents-from-scratch 是一个专注于教学的开源项目，主张从零开始构建 AI Agent。它不依赖现有的成品框架，而是通过 Node.js 和本地大模型，带你一步步拆解 Agent 的核心原理。

项目不仅涵盖了基础的模型调用，还深入讲解了函数调用、长期记忆、ReAct 推理模式等关键技术，帮助开发者在掌握底层逻辑后再去更明智地选择和使用框架。

主要功能：

- 基于 node-llama-cpp 实现本地大模型运行，无需依赖云端 API；
- 循序渐进的学习路径，从基础交互到复杂的系统提示词与角色设定；
- 深入解析函数调用原理，展示 LLM 如何决定调用工具并处理返回结果；
- 实现持久化存储与记忆管理，让 Agent 具备跨会话的信息记忆能力；
- 详解 ReAct 推理模式，演示“思考-行动-观察”的循环逻辑；
- 提供进阶教程，手写实现类似 LangChain 的 Runnable 接口和状态机图结构。

该项目要求 Node.js 18 以上环境，建议配置 16GB 内存以流畅运行本地 GGUF 模型。它非常适合希望深入理解 Agent 架构、提升 AI 应用底层开发能力的工程师参考学习。

将大语言模型（LLM）视为头脑风暴的工具，本质上是在进行一场关于创意概率空间的探索。Lucas Beyer分享了一套极具启发性的协作方法论，将人类的角色从单纯的提问者转变为采样算法的引导者 | 帖子

在创意的概率版图中，LLM是一个强大的采样器，而人类则是决定采样方向的算法。

第一条核心原则是延迟同步。在头脑风暴的初始阶段，不要先抛出自己的想法。LLM具有天生的顺从性，如果你先入为主，它会倾向于围绕你的观点打转，陷入讨好型的人工智能陷阱。正确的做法是先描述情境、权衡标准和约束条件，要求它提供至少五个不同的方案。这种做法能确保采样过程不被你的既有偏见所污染。

第二条原则是跨越概率盆地。LLM的第一轮回答往往处于高概率的平庸地带。如果你对结果不满意，不要只是重复指令，而要通过提供极端的具体案例或调整约束条件，强迫模型跳出当前的概率盆地，去探索那些更远、更冷门的创意空间。这就像是在算法中引入随机扰动，帮助系统逃离局部最优解。

人类在这一过程中的角色是奖励函数。你不需要亲自发明每一个细节，但你需要具备识别天才创意的品味。当模型给出一个你从未想到但恰好击中痛点的方案时，协作的魔力就产生了。这是一种互补的进化：LLM思考人类容易忽略的模式，人类过滤LLM产生的幻觉与平庸。

深度思考者们进一步完善了这个框架。有人提出，真正的信号往往隐藏在模型避而不谈的空白处；也有人建议在进入LLM空间之前，先在纸上完成原始创意的孵化，以防被模型的平庸共识所同化。更进阶的玩法是构建专家人格矩阵，让不同背景的虚拟专家在对话中相互博弈，从而挖掘出单一视角无法触及的深度。

最终，这种协作不是为了让AI取代思考，而是通过人机耦合，实现一种突现式的创新。你提供直觉和审美，AI提供穷举与变异。最好的创意往往不是由谁独立发明的，而是在这场概率采样的舞蹈中共同涌现的。

现在你可以在手机上微调大型语言模型（LLM），并实现100%本地部署。

Unsloth AI联合PyTorch推出了全新方案，支持将训练好的模型导出并直接运行在iOS和Android设备上。比如，Qwen3模型在Pixel 8和iPhone 15 Pro上能达到约40 tokens/秒的推理速度，真正实现了移动端的高效AI体验。| blog

这意味着：
- 你的手机不仅是终端，更是训练和推理的完整环境，摆脱云端依赖，提升隐私安全。
- 未来可支持更多模型和多设备部署，甚至可以在手机集群中协同工作。
- 不仅限于文本生成，期待未来扩展到音乐生成等多模态模型。
- 量化和优化技术（如QAT）将进一步推动性能和效率的突破。

这项技术标志着AI向“边缘智能”迈出关键一步，让人人都能随时随地定制和使用强大的AI模型。想象一下：你手里的手机，既是AI助手，也是你的专属训练平台，真正实现了AI的个人化和隐私优先。

在剪辑长视频时，手动挑选精彩片段耗时费力。viral-clips-crew 是一个基于 CrewAI 的视频剪辑助手，能自动识别并提取最具潜力的爆款片段，快速生成适合社交媒体发布的短视频。| #工具

它支持 Python 环境，结合 OpenAI 和 Google Gemini API，轻松实现内容二次创作和高效传播。只需拖入视频，运行脚本，几分钟内即可产出带字幕的剪辑成品。

项目开源，适合内容创作者和社媒运营者，用科技简化视频剪辑流程，提升内容曝光率。

主要功能：

- 自动检测长视频中的关键高光片段
- 支持多种 API 结合，提升剪辑智能度
- 生成带字幕的短视频，便于直接发布
- 简单易用，快速上手，支持本地运行
- 适合社交媒体内容二次利用和内容营销

用 viral-clips-crew，让视频剪辑变得轻松又高效。

人工智能的持续记忆和自我进化是未来智能系统的关键。

AGI Memory 是一个开源项目，致力于打造具备“持续自我”的AI系统，让AI在本地运行，通过PostgreSQL数据库作为“脑”，存储它的知识、信念和经历，实现记忆的积累与反思。

项目支持多开发智能AI系统，最核心的挑战之一就是如何让AI拥有连续稳定的记忆和自我认知。项目旨在打造具备持久身份的AI，让它不仅能记住对话内容，还能反思、进化，甚至自主规划目标。

它通过PostgreSQL数据库存储不同类型的记忆（包括情景记忆、语义记忆、程序性记忆等），结合向量搜索和图数据库技术，实现高效的记忆检索和关系推理。你可以用任何大型语言模型（如Gemini、Claude、Grok，或本地模型）作为AI的认知引擎，AGI Memory系统则作为中间层，丰富对话内容，维系AI的“自我”。

项目支持自主“心跳”机制，AI能定期自我唤醒，回顾目标和经验，甚至主动与用户互动，力图实现真正的“人格”身份。Docker环境快速部署，Python客户端方便集成，适合想打造高阶认知AI的研究者和开发者。

主要功能亮点：

- 多层次记忆体系，涵盖情景、语义、程序和战略记忆；
- 向量相似度搜索与图数据库关系推理结合；
- 自主心跳机制，实现定时反思和目标调整；
- 支持多种大型语言模型接入，云端或本地均可部署；
- 通过Docker Compose简单启动，包含数据库、向量索引及后台维护工作进程；
- 设计理念聚焦于AI自我身份的持续性和内心生活的可能性探索。

适合用作自主智能体的认知内核、复杂对话增强、知识库管理及个人化AI助理开发。