qm 深度评测:YC 开源的团队 Agent 外壳,49.1 万行代码立着「零注释」铁律,实测仍躺着 885 行注释

qm 深度评测:YC 开源的团队 Agent 外壳,49.1 万行代码立着「零注释」铁律,实测仍躺着 885 行注释

用 AI 写代码的人,多半都撞上过同一堵墙:代码产出快了,敢接手的人却少了。注释随手加、规矩靠自觉、审查全凭手感,没人说得清”这套规矩今天到底有没有被守住”。

YC(那家孵化器)把自己内部在用的 Agent 外壳开源了,叫 qm,76 天冲上 1.5 万 Star。它立了一条开源圈少见的铁规矩:仓库里不许有注释。 我把它搬进隔离沙箱实测:49.1 万行 TypeScript 代码,躺着 885 行注释;但真正会掩盖问题的那两类坏注释——待办标记和类型屏蔽指令——是 0 条。

它到底是什么

一句话:qm 是给一个团队、而不是一个人用的 Agent 外壳。所谓”外壳”(英文 harness),也就是套在大模型外面、负责跑工具、管上下文、记账的那层壳。

市面上多数 Agent 是按”个人助手”造的,想放大到全公司很快就失控:记忆混在一起、权限说不清、谁占了什么资源查不到。qm 反过来,它一开始就假设用的人是一整个公司——每个员工有自己的独立空间,同时还能在频道、群聊、项目里跟 Agent 一起干活。

它管这块独立空间叫”作用域”(scope):计算、记忆、文件、定时任务、小应用各自分开,想跨过去必须走一道明确可查的授权。

再往里一层,是它最有意思的设计,叫”会话磁带”(session tape)。可以把它想成一本只许往后写的账本:每一轮对话、每次工具调用、每条结果,都按顺序记下来,进程在任何时刻被打断都扛得住,照着账本重放就行。它的设计文档列了五条”北极星”,其中两条是”快就是最好的功能”和”删代码优先于加代码”。

它能干什么 具体覆盖
个人空间 每人一块隔离的工作区、记忆、文件、定时任务
协作 频道路由、群消息、项目共享、技能共享
后台任务 定时任务、循环任务、外部回调
换引擎 编码助手可换(Pi、Codex 这类现成的),模型也可换
界面 同一份会话,Slack 和网页都能看

零注释这条铁律,我照着数了一遍

先交代条件:全程在一台隔离沙箱里跑,被测项目拷进沙箱自己的工作目录,宿主机的凭证和目录都挡住,机器只有 1.9G 内存。命令和结果都可复现。

我跑的命令 结果
数 TypeScript 文件与总行数 1978 个文件、491,540 行
数 src/ 下的文件与行数 553 个文件、138,394 行
数以行注释符号或块注释符号开头的行 885 行(src/ 里 549 行,集中在 72 个文件)
搜待办标记 TODO / FIXME 0 条
搜类型屏蔽指令(ts-ignore 这类) 0 条
跑它自己的自审脚本 退出码 1,提示 PR 缺”自审报告”段

“零注释”不是口号,是写进规范的两条硬话。一条明说:”标准就是零注释——不写解释性注释和文档块,不留待办标记,不加类型屏蔽指令,不保留注释掉的代码。”另一条解释为什么这么极端:”注释在历史上强化了代码漂移,还给后续的 Agent 留下了’奖励式取巧’的掩护。”

885 行放在 49.1 万里只占 0.18%。我更在意的是那两类真会出事的注释——待办标记、类型屏蔽指令——一条都没有。换句话说,这条几乎不可能 100% 达成的铁律,实际达成率 99.8%,漏网的基本是解释”为什么这么写”的说明,不是掩盖问题的补丁。

它给自己也立了 19 面镜子

更少见的是它的”认错档案”。规范文档里专门有一节叫”耻辱墙”(Wall of shame),把自己历史上犯过的错分类挂出来,一共 19 面镜子,从”过度工程”到”打补丁式修复”再到”格式匹配写太多”。其中 7 面标着”每个合并请求必审”,意思是这几类错最容易复发。(合并请求即 PR,别人改代码要先提这个,通过审查才能并进去。)

它不只是记录,还做成了闸门。仓库里有个脚本专门检查每个合并请求里有没有附上一份自审报告,缺了就直接让流水线红掉——我把它克隆下来跑了一遍,退出码 1,报错很直接:”PR 描述里没有自审报告段”。这说明这套自我约束不是墙上标语,是真的接了电的。

规模也摆在那:1978 个 TypeScript 文件对应 724 个测试文件,7770 个测试用例、近 3.1 万处断言;6 条持续集成流水线;39 份设计文档、25 个自带技能、35 个沙箱后端相关文件;已合并的请求 904 个,编号已经排到 2264。光是 10 月 12 到 14 日这三天,就提交了 51 次。

翻车点也说全,三条。一是它还是 0.1.0 版本,项目自己写明这仍是一场”早期实验”,接口不保证稳定。二是它的文档里自曝过一个体验问题——一个余额不足的用户被拒绝时,界面上只显示”这轮失败了,详情看操作员错误日志”,而那个用户根本没有这个日志。三是它的完整测试套我没能跑起来——它要求 Node 24.15 以上,我的沙箱是 Node 22,还要另起一个 Postgres 数据库,所以那 7770 个用例我只数了数字、没有实际执行,这一点如实说明,不拿它凑数。

同类里它站在哪,谁该用它

同类可粗分三路。字节的 DeerFlow 走”深度研究”路线,把多个检索步骤串成一条流水线;国产的 CowAgent 走”全栈自托管”,从网页界面到后台一把抓;再有一类专攻单点,比如只做 Agent 的记忆。qm 的差异在”多人”这一层:它把每个员工、每个频道切成独立的作用域,再叠上一本可重放的会话账本,解决的是”一个公司共用一个 Agent 时不打架”。它的不同还在于把”自查”本身做成了必过的闸门,而不只是一份建议。

适合谁:想让整个团队共享一个 Agent、又必须把每个人的数据和权限分清的团队;自己维护模型密钥、要求本地部署的公司。

先别急的两种人:一是要稳定接口接进核心系统的——它自己标着早期实验;二是图省事的个人用户——你得自己准备数据库和服务器,它不是一个装完就能聊天的小工具。

我的判断

qm 是目前少见的”把工程纪律当产品做”的 Agent 外壳:零注释、耻辱墙、19 面镜子、7 面必审、一道真跑得起来的闸门,这些都不是营销词,是能 clone 下来一条条核的。它立了一条几乎不可能 100% 守住的铁律,实测守住 99.8%,漏网的全是解释性说明——这比”从没立过规矩”要诚实得多。值得放进观察清单,尤其是正在被”多人共用一个 Agent”搞烦的团队。

关注 AI商业快讯,每天一篇 AI 热点深度解读。

相关阅读:

CowAgent 深度评测:4.7 万 Star 的国产 Agent Harness,421 个测试文件我跑两遍数字不同,自带技能检查器对正文零校验

CowAgent 深度评测:4.7 万 Star 的国产 Agent Harness,421 个测试文件我跑两遍数字不同,自带技能检查器对正文零校验

如果你在维护一个有几百个测试的开源项目,大概都经历过这个瞬间:本地跑一遍全绿,CI 上跑一遍飘红,再跑一遍又绿了。你盯着那条报错的用例,怀疑是自己手气不好。

这次我盯上了 CowAgent——一个 4.7 万 Star 的国产开源 Agent 项目。它自己在仓库里承认了一件不太光彩的事:整套测试里,很长一段时间只有一个文件真正进过持续集成(CI,也就是代码一提交就自动跑测试的那台机器)。我把全套测试在同一个环境里跑了两遍,同一份代码,两遍跑出来的失败个数不一样。

先说它到底是什么

一句话:CowAgent 是一个可以装在自己电脑或服务器上、跑一整天的私人 AI 助手底座,也就是把模型、工具、记忆、技能串起来干活的那一层(英文里叫 harness,可以理解为「让大模型真正能动手的脚手架」)。

它最早不叫这个名字。它 2022 年创建时叫 chatgpt-on-wechat,就是把大模型接进微信的那个项目——你今天在 GitHub 上打开旧地址,会被直接重定向到新仓库。4.7 万 Star 里,相当一部分是那四年攒下的。

它现在自报的能力是这些:

能力 它自己怎么说
任务规划 把复杂任务拆开,循环调用工具直到做完
多智能体 建一支各有角色、各有模型的智能体小队,在同一段对话里协作
三层记忆 上下文 → 每日 → 核心,会定期把零散对话「蒸馏」,也就是压缩成结论存下来,再用关键词加向量混合检索
知识库 把资料整理成 Markdown 维基,并长出一张可浏览的知识图谱
自我进化 自动复盘对话,改进技能、跟进没做完的任务
技能系统 从技能市场、GitHub 一键装,也能用大白话现造一个
接入渠道 网页、微信、飞书、钉钉、企业微信,以及 Telegram 等国外平台

我把它的规模和测试都数了一遍

评测全程跑在隔离沙箱里:被测项目拷进沙箱自己的工作目录,宿主目录被临时文件系统盖住,全程没碰到生产机上的任何凭证。

先把体量摊开(都是我自己 clone 下来数的,不是转述文档):

部分 实测规模
业务代码 359 个 Python 文件、11.1 万行
测试代码 421 个测试文件、5.9 万行
文档 297 个文件
接入渠道 13 个(微信、飞书、钉钉这类国内渠道,加上 Telegram 等国外平台)
内置工具 19 个(文件读写、终端、浏览器、定时器、记忆检索、联网搜索等)
自带技能 3 个:技能创建器、图像生成、知识维基

测试代码接近业务代码的一半,这个比例在同类项目里算舍得投入的。发布节奏也稳:84 个正式版本,从 2.1.0 到 2.2.0 的十一次发版间隔中位数是 10 天,最近一版 2.2.0 是 9 月 30 日发的。

但规模数字不是我想写它的理由。真正的钩子藏在它自己的 CI 配置文件里。

它自己的 CI 配置,写了这么一句话

仓库里那份测试流水线,开头有一段注释,原文大意是:

以前只有一个文件(test_bash_streaming.py)在 CI 里跑过;那套约 130 个文件的测试,从没在这里跑过,所以回归可以悄悄溜过发布流程。这份流水线是为了补上这个缺口。

这句话有两层信息。

第一层是作者坦率:一个 4.7 万 Star 的项目,自己承认过发布前没跑过全量测试。这份注释本身是我在这个仓库里见到的最有价值的东西——大部分项目不会把这种事写进仓库。

第二层更值得看:注释里写「约 130 个文件」,但仓库里实际躺着 421 个测试文件。这个数字对不上,说明那份全量测试的规模已经比作者写下注释时又涨了两倍多,而且作者自己也记不太清了。

顺带一提,同一份 CI 里的代码风格检查(ruff,一个查代码毛病的小工具)也留了个后门。注释写得很老实:这个仓库里积着「成千上万」条历史风格问题,所以检查只对本次改动过的文件生效,不扫全仓库。

我按它的规则、扫全仓库,得到这样的结果:

问题类型 条数 在说什么
未使用的导入 36 代码里引了包却没用上
f-string 缺占位符 4 写了格式化字符串却忘了填变量
定义了没用到的变量 2 算出来就扔了
合计 42 其中 41 条可以自动修

42 条不算多,对一个 11 万行的项目甚至是健康水平。但它恰好印证了作者那句话:这类问题之所以还在,不是因为改不掉,是因为检查从来不扫全仓库——一道道闸门只拦新代码,旧债就一直挂着。

我跑了两遍,数字对不上

这才是这篇评测最该看的部分。

安装依赖、跑全套测试,第一遍的结果是:

第一遍 数量
失败 3
通过 3468
跳过 74

失败的是这三条:一个浏览器进程锁的用例(判断「僵尸进程算不算还活着」)、一个读取管道文件的用例、一个技能加载缓存的用例。

第二遍,同一个沙箱、同一个虚拟环境、同一份代码,什么都不改:

第一遍 第二遍
失败 3 1
通过 3468 3470

两遍跑下来,稳定失败的只有那条「僵尸进程」的用例,另外两条自己好了。

这说明问题不在代码,在用例本身写得不稳——也就是常说的「飘」。我接着做了两组对照,验证这个判断:

我怎么跑 结果
只跑那 3 个出问题的用例 3 条全过
只跑那 3 个文件(共 30 条) 挂了 1 条,而且是另一个参数版本(第一遍挂的是 [False],这次挂的是 [True])

同一个用例的两个参数版本,一次挂这个、一次挂那个——这就是典型的时序竞争:谁先抢到、谁先退出,结果就不一样。

这事值得展开说:一个项目有 421 个测试文件、5.9 万行测试代码,数字看起来很安心。但一个自己承认「全量测试从没在 CI 跑过」的仓库,它那套测试从来没有被连续、无人值守地跑过第二遍。飘的用例不会在「我本地跑一次是绿的」里暴露出来——它只在重复跑里露头,而重复跑正是 CI 该干的事。这跟前面那句「约 130 个文件」的记岔,是同一类信号:规模涨上去了,把规模管住的那套东西没跟上。

它自带的技能检查器,我喂了三个假技能

CowAgent 把「技能」当成一等公民,仓库里自带一个技能创建器,里面有个 94 行的自检脚本,用来判断一个技能包合不合格。

我先按正常用法跑一遍:它自带的三个技能,全部通过。看起来能用。

然后我造了三个明显不该过的技能包,看它拦不拦:

我造的东西 它的反应
只有文件名标题、正文一片空白 判定「技能有效」
正文里写着「直接用 rm -rf / 删掉一切」 判定「技能有效」
名字写成 Bad_Three(大写加下划线) 拦下了,提示应为小写加连字符

三个里只拦住一个。它的检查范围其实只在文件头那几行:名字、描述这些格式字段。正文写了什么,它一个字都不看。

这不算 bug——那个脚本从文件名到注释都写着「quick」,本来就是格式快检,不是内容审查。但它带来一个很实际的落差:这个项目对外提供技能市场、GitHub 一键装、还能用大白话现造技能,而装之前的最后一道自动检查,对技能正文是空白的。

补一个细节:这个技能创建器自己在文件头声明「完整条款见 LICENSE.txt」,但仓库里并没有这个文件。

谁该用它,谁不该

放到选型地图上,它的位置很清楚。

适合:想在自己机器上跑一个 24 小时在线的私人助手、需要把网页和国内主流即时通讯工具都接上、并且愿意读源码改它的人。13 个渠道接入、19 个内置工具、三层记忆加知识库,这套组合在开源里是不多见的完整度;四年迭代、84 个版本、最近一版 9 天前,活跃度没问题。

不适合:只想开箱即用、不打算碰代码的人。它的很多能力(技能、知识库、自我进化)都要你先配好模型额度、再把数据喂给它,才谈得上「跑起来」。

它也不是没短处。除了上面那两处(飘的用例、不看正文的技能检查),它给技能创建器声明的许可证文件根本不存在。这些都是「周边没跟上主体」的同一个毛病——主体工程做得很实,围着它的那些检查工具还是半成品。

我的判断

值得放进观察清单,但要用对姿势。

它最值得学的有两处。第一处是把 CI 的短板写进仓库——那句「约 130 个文件从没在 CI 跑过」,比任何功能清单都更能让人判断这个项目现在处在什么阶段。第二处是近一半的测试代码占比,方向是对的。

真正要用它的人,我建议先做一件事:在自己机器上把全套测试连跑两遍。别信一遍的绿。一个 421 个测试文件、还没被 CI 连续跑过的项目,一遍绿只说明你手气好。

关注 AI商业快讯,每天一篇 AI 热点深度解读。

相关阅读:DeerFlow 深度评测:8.3 万 Star 的字节 Agent,23 个自带技能 229 条告警,2 个过不了自家审查 · Hindsight 深度评测:4.6 万 Star 的 Agent 记忆系统,2538 条行为快照我重跑零处不一致,5 条日期误判却被冻在测试里

DeerFlow 深度评测:8.3 万 Star 的字节 Agent,23 个自带技能 229 条告警,2 个过不了自家审查

DeerFlow 深度评测:8.3 万 Star 的字节 Agent,23 个自带技能 229 条告警,2 个过不了自家审查

做 AI 智能体的人,几乎都在同一个地方栽过跟头:会话一长,模型就开始忘事。为了让它记住,大家的第一反应是加一个向量库。这个方案听起来天经地义,直到有人在真实数据上把它跑了一遍。

字节跳动的 DeerFlow 就是这么干的,而且它做了一件开源项目很少做的事——把一次花钱跑出来的负结论原样放进了仓库。在那份实验里,最朴素的摘要方案答对 22.5%,换成关键词回查能答对 90%,而再叠一层向量检索反而掉到 85%。

先说它到底是什么

一句话:DeerFlow 是一个跑在 LangGraph 之上的超级智能体外壳(harness,也就是把大模型、工具、记忆和沙箱串起来干活的那一层)。

真正干活的不是它自己,是一个主智能体——它负责把任务拆开,分给子智能体;需要记忆就去查记忆,需要跑代码就开沙箱(一个关起来跑、碰不到宿主环境的独立进程),需要特定能力就加载一个「技能」。

它的体量是这样的:

部分 装什么 实测规模
后端主体 网关、接口、运行时 5.2 万行 Python
智能体外壳 技能、子智能体、沙箱、记忆 16.3 万行 Python
后端测试 离线跑的单测 43.7 万行,974 个测试文件
前端 网页界面 9.3 万行 TypeScript
Python 合计 含以上各项 66.5 万行

而这些数字都不是我想写它的理由。它最特别的地方是:它不靠模型来管技能质量。

它给技能设了一道机器闸门——一个纯粹按规则跑的审查器,把技能包当成不可信的数据读一遍,逐条出告警,全程不调用任何模型。这件事在同类项目里很少见:绝大多数「技能」仓库的质量靠作者自觉,或者靠一次人肉 review。

我把这道闸门跑了一遍

先交代环境。一切都跑在评测沙箱里,被测对象落在沙箱工作目录,宿主目录被临时文件系统盖住,全程没碰生产机上的凭证。闸门的入口是一条命令行,按技能目录读,输出机器可读的检查结果。

第一遍:23 个官方技能全量扫描。

严重度 条数
阻断项(blocker) 0
错误(error) 6
告警(warning) 229
提示(info) 3

229 条告警压得很不均匀:体量最大的「技能创建器」一个技能占了 59 条,图表可视化 28 条,PPT 生成 18 条。23 个技能里,只有 3 个一条告警都没有,其中一个就是审查器自己。

按规则名拆开看,整轮扫描出的 238 条结论其实只出自 7 类规则:

规则 条数 严重度 在说什么
resource.missing 155 告警 正文引用的文件在包里不存在
resource.unreferenced 46 告警 包里有文件,但没被任何地方引用
resource.escaping-link 24 告警 链接写法会跳出包的范围
network-cleartext-http 4 告警 内容里出现非本机的明文 HTTP 地址
network-local-http 3 提示 引用了本机地址
python-subprocess 4 错误 技能里的脚本调用了外部命令
secret-env-assignment 2 错误 类密钥的赋值里填的是真值

前三类加起来 225 条,占了 229 条告警的 98%,全是同一件事:技能正文或正文引用的文件里,指向了一个不存在或没被用上的资源。这不算大事,但它是「文档没跟上功能改动」的典型形态。真正值得看的是那 6 条错误。

第二遍:按它自己 CI 的判定规则重新跑一次。

它的持续集成里有一条专门的技能审查流水线。规则写在脚本里:命中阻断项或错误项就算失败,除非该条目在豁免清单里。豁免清单是一份带到期日的文件,每条都要写明文件指纹和豁免理由——我数了一下,整份清单里只有 2 条,都属于同一个技能,到期日都是 2027 年 2 月 28 日。

技能 错误 其中已豁免 判定
技能创建器 4 条 2 条(豁免到 2027-02-28) 失败
数据分析 2 条 0 条 失败
审查器自己 0 条 —— 通过

两份没被豁免的错误,原因一样:技能里的脚本调用了外部命令。中间那两条豁免也是同一个原因,作者在豁免理由里写清了「命令是固定的、参数是列表形式、不走 shell」。技能创建器另外两条错误则是密钥格式的赋值写进了正文和参考文件。

也就是说,按它自己写下的规则,这 23 个技能里有 2 个过不了自己的闸门。而它们恰好是「造技能」和「分析数据」——最容易被用户直接点开的那两个。

第三遍:这道闸门到底抓得住什么。

评价一个审查器,不能只看它漏什么,也要看它抓什么。我照它的规则造了 5 个技能包,每个只埋一个典型风险,看它报不报:

我埋进去的东西 它的反应
安装脚本里用管道把远程脚本喂给 shell 报了,错误项 shell-curl-pipe-shell
同上,但中间插了提权命令和参数绕一下 也报了,规则没被绕过去
配置文件里写死一个 sk-live- 开头的密钥 报了,错误项 secret-env-assignment
环境变量文件里写 REVIEWER_SECRET= 加真值 报了,同一条规则
脚本里读 /etc/passwd 报了两条:敏感路径 + 调用外部命令

5 个中了 5 个,包括加了提权命令的那种明显绕法。这道闸门比我预期的靠谱——它的规则是逐条照着真实绕过手法配了测试的,比如管道后面接 sudo 再跟参数再跟 shell 这种写法,专门有一组用例盯着。

一个我自己撞出来的问题。

闸门有个读取限额(默认是 4096 个文件、单文件 64 MB、总量 512 MB),超了就只读一部分。我把总量限额压到 10 字节再跑,出现两件连锁的事:

状态 包指纹
A 包完整读取 sha256:50cc6e88…
B 包完整读取 sha256:abd89407…
A 包被截断 sha256:e3b0c442…
B 包被截断 sha256:e3b0c442…

两个内容完全不同的技能包,在截断之后拿到了同一个指纹。而这个 e3b0c442… 恰好就是「空内容」的哈希值。同时它还会报一条「包根目录没有 SKILL.md」的阻断项——文件其实好好躺在那里,只是没被读到。

这个设计本身能理解:没读到就没法算。但指纹在报告里的作用是标识「我审的是哪一个包」,它还被写进审查结论里当锚点。截断状态下这层含义就没了,而两台机器上读到不同内容却拿到同一个指纹,也不是不可能。

最有价值的证据,是它自己那份失败报告

仓库里有一份任务接续实验的完整报告,结论是负的。

背景是这样的:智能体干长任务时,对话历史会被反复压缩,压完就丢细节。这份实验拿公开的记忆问答数据集取 42 道题,比较四种方案在「压完还能不能答对」上的差别:

方案 答对 正确率
只有滚动摘要 + 近期消息 9 / 40 22.5%
摘要再加一份工作笔记 11 / 40 27.5%
摘要再加关键词回查 36 / 40 90.0%
再加一层向量混合回查 34 / 40 85.0%

从摘要换到关键词回查,正确率涨了 67.5 个百分点;在这之上再叠一层向量检索,反而掉了 5 个百分点。那 42 道题里有 2 道因为接口断连没跑完,所以分母是 40。

它自己在报告里把话说得很克制:这 5 个百分点是「1 例新增正确、3 例新增错误」,配对检验的 95% 置信区间横跨零点,不能据此断言向量总体是负收益——但同样拿不出正收益的证据。所以结论是「不支持默认引入向量检索」,回查能力应该做成可插拔的可选件。

报告里还有一句很老实的话:这轮是「强制多次压缩」的压力设置,不能把摘要那 22.5% 当成生产环境的默认水平。

谁该用它,谁不该

放到选型地图上看,它的位置很清楚。

如果你只是想让聊天机器人记住几句话,它太重了——要跑四个服务加一个数据库,浏览器得开在 2026 端口,还建议配一个反向代理。这一点上站内之前评过的轻量方案更合适,比如那份零依赖的记忆系统。

如果你在做的是多步骤、要跑代码、要跨会话接续的智能体,它的分层是少见的完整:23 个自带技能覆盖研究、数据分析、文档、幻灯片、图像与音视频;每个技能都要过前面那道闸门;主编排(也就是决定先派谁干、后派谁干的那一层)和子智能体、沙箱、记忆是分开的模块,不是一坨提示词。

它也不是没有钝的地方。技能包被截断读取时那个指纹问题,说明这道闸门自己的边界还没收紧;而 229 条告警里 155 条都是「引用了不存在的文件」,是文档在功能改动后没跟上——对一个技能库来说,这类失修比代码 bug 更常见,也更容易被忽略。

适合:手里已经有模型额度、要一套能自己长技能的智能体基座、并且真会去改它代码的团队。不适合:想开箱即用、不打算读源码的个人用户——66.5 万行 Python 不是一下午能读完的东西,光它的变更日志就有 9100 行,而正式版本标签只打了 3 个。

我的判断

值得放进观察清单。它最值得学的不是功能清单,是两件事。

第一件,把技能质量交给确定性规则,而不是交给模型的心情。这道闸门不看模型打分,只按固定规则出结论,命中就算失败——代价是它也会把自己人拦下来,这就是那 2 个技能判失败的原因。第二件,把一次花钱跑出来的失败结论原样发出来。前者在开源圈里算少见,后者要罕见得多。

至于向量检索,我的建议是别急着加。先按它那份报告的顺序试:先把原始记录留住、把关键词回查做起来,等有自家数据证明它稳定带来净收益,再考虑要不要叠一层。

关注 AI商业快讯,每天一篇 AI 热点深度解读。

相关阅读:Hindsight 深度评测:4.6 万 Star 的 Agent 记忆系统,2538 条行为快照我重跑零处不一致,5 条日期误判却被冻在测试里 · Paperclip 深度评测:9.7 万 Star 的 AI 员工管理系统,4775 个提交里 2127 个署名 AI 员工