与「OpenWiki」相关的搜索结果

This is actually useful. LangChain just released OpenWiki. It's an open-source agent that creates a wiki for your codebase, connects it to your coding agent, and keeps it updated as your repo changes. Your AI coding agent gets long-term repo context without stuffing everything into CLAUDE.md. Here's how to setup. Save this.

LangChain 开源了 OpenWiki——一个专门给 agent 用的 CLI，自动为你的代码库写文档并持续维护。不是让你手写文档，是让 agent 写、agent 维护、agent 参考。 OpenWiki：LangChain 开源的 Agent 自维护文档系统 LangChain 昨天发了个新项目，477 star，MIT 开源。OpenWiki 是一个 CLI，专门为 agent 设计——自动给代码库生成文档并持续更新。 安装： npm install -g openwiki 怎么用： openwiki --init 配置模型和 API key → openwiki 生成文档到 openwiki/ 目录 → 之后自动在 AGENTS.md / CLAUDE.md 里追加提示，让 coding agent 知道参考这个 wiki 关键设计： • 支持 GLM 5.2、Kimi K2.6、Sonnet 5 等，默认预配好的模型列表 • 支持 OpenRouter、Fireworks、Baseten、OpenAI、Anthropic • GitHub Action 集成——每天自动开 PR 更新文档 • 文档目录存在就做增量更新，不存在就从头创建 跟我们今天翻译的主题全部呼应： • Karpathy 的 LLM Knowledge Base（同样的概念，这次做成了自动化工具） • EXM7777 的 Agent OS 原则"keep memory in files" • 20 个 Loop 模式里的 Memory Update Loop 这个工具把"让 AI 记住你的代码库"这件事从概念推进到了 npm install 一步。LangChain 说它 built specifically for agents——不是为人类写的 wiki。477 star 说明这件事正好是痛点。 原文： #OpenWiki# #LangChain# #Agent文档#

开源项目 LoopX：超长程 Agent 自主运行 200+ hours，状态不漂移。 我的技术主张是：LLM 上下文有限，长程 Agent 需要外置状态，通过完备的状态管理、监督和规划，让 Agent 无人干预时跑得稳、持续有产出；有人干预时跑得更好，能吸收反馈继续演进。 两条真实 trajectory 分别跨越 220.7 / 272.9 小时，跨多轮执行、等待、人工决策、writeback 与 resume 后，整个 loop 仍能找回目标、证据和下一步。 目前 LoopX 已有 3 个 showcase：auto PR issue fix、AutoML experiment 和 auto coredump fix。 以 OpenViking 开源仓库的 PR issue fix 为例，Agent 不只是循环写代码。它需要持续理解 issue 的不同状态，判断何时开发、何时等待、何时请求 review，处理 CI、冲突和上游变化，并连续交付多个 PR。 这对应 LoopX 的 domain state 管理：领域系统决定真实状态，LoopX 负责把状态投影成下一步可执行的工作。 与此同时，Agent 还可以在干活过程中实现能力自进化。当它发现现有系统缺少某项能力时，可以提出 feature、完成开发与验证、发布新的离线或在线版本，再使用新能力继续原来的任务。 长程 Agent 天然适合自进化，“完成工作”和“升级完成工作的系统”可以在同一条长程轨迹中发生。 LoopX 把这些信息外置成结构化控制面： • Goal / Vision：目标是什么，什么不能被局部优化牺牲 • Todo / Gate：当前执行的 frontier，以及必须留给人的关键判断 • Identity / Authority：谁能 claim、writeback、approve • Evidence / Receipt：每次推进留下什么可回读证据 • Quota / Scheduler：何时继续执行，何时安静等待 • Handoff / Recovery：换模型、换会话、换 host 后如何恢复 你也可以把它理解为一块专门给 Agent 设计的可执行 Kanban。 普通看板只展示“谁在做什么”；LoopX 的状态会直接约束和驱动下一次 bounded turn，让看板本身成为执行系统的一部分。 这套系统最强的地方是通用性。它不只可以修 PR，还可以做 auto research、长期实验、自媒体运营、复杂 feature 开发和办公任务。 Agent 不再只是一次性的回答机器，而可以围绕一个人的 vision，长期工作、等待、吸收反馈、积累证据并持续演进。 LoopX 从一开始 build in public：状态协议、CLI、控制面实现和真实运行轨迹都进入了开源仓库；它也已经和 OpenViking、NoKV 等 agent infra 项目形成了开源合作伙伴关系。 我希望 LoopX 最终能放大每个人的 vision 和想象力。只要你有自己的目标、想法或技术主张，就能拥有一个全天候继续工作和探索的 Agent 系统，帮助你把愿景一点点变成现实。 欢迎试用、提 issue、贡献代码，或者用一个真实的 multi-day task 跑 LoopX。

这个开源项目有点狠。 字节跳动开源的 OpenViking，重新设计了 Agent 的记忆方式。 传统 RAG 像是把文档切碎后丢进一个大桶里， 检索时再去里面捞碎片，所以很容易乱、漏、幻觉。 OpenViking 的思路是： 让 Agent 像人一样先看“目录”，再看“章节”，最后才看细节。 它用虚拟文件系统组织记忆： L0：先读摘要，快速定位方向 L1：再看概览，减少无效 Token 最后才进入具体内容检索 这套逻辑，本质上是把 Agent 记忆从“平面搜索”升级成“图书馆索引”。 不是只会找碎片， 而是先知道内容放在哪里。 做 Agent、长文本处理、RAG 应用的人，建议看看👇

٩(•̤̀ᵕ•̤́๑)ᵒᵏᵎᵎᵎᵎ 我克隆了网红【峰哥亡命天涯】的声音和记忆，让 AI 用他的方式跟我实时对话。 第一次听到"峰哥"的声音从电脑里怼我，愣了几秒。。 像跟直播连麦一样。 这个项目我叫它 Talk to Me，从 V1 到 V3.6 迭代了好几轮。它干的事：你说话，AI 用克隆出来的声音回你，记得你们聊过什么，还带着那个人的性格和说话方式。 怎么做到的——四个开源项目 + 云 GPU 拼出来的： • 本地笔记蒸馏 → 352 条笔记压成人格和说话风格 • LiveKit → 实时语音通话的底层框架 • VoxCPM → 云 GPU 上跑中文音色克隆 • OpenViking → 长期记忆，聊过的内容能找回来 没用大厂现成方案，STT→LLM→TTS 每一环都自己拆过换过踩过坑。比如... Cartesia 中文克隆翻车、GPU 迁移重配 SSH、粒子 UI 丑到没法看……全链路延迟从 8-20秒/句 压到 1 秒内。 其实一开始只是想跟自己对话——蒸馏自己的知识库，克隆自己的声音---- 我太寂寞了，想着自己和自己对话呢🤫 后来觉得不够有意思，就换成了网红的音色和人格，体验一下就完全不一样了。 这也让我意识到：不只是"我的分身"，而是谁都可以有一个能实时对话的 AI 版本。 代码还很粗糙，坑还很多。但如果大家觉得有意思，后面可以拆解技术细节做个系列。 附一条自测 demo 👇

玩 OpenClaw 🦞 一个多月。好用和安全之间的张力，是 26 年每必须解决的问题。三条经验： ① 是第一道防线——认真写 ② 记忆系统是 Agent 的大脑——认真选。 原生记忆跨会话基本失忆。开源方案已爆发：Mem0、Zep、Letta、EverMemOS、OpenViking 都能接 ③ PII 网关是隐私底裤——必须穿。 Agent 和大模型之间加一层本地网关，敏感信息自动替换成 fake 身份再发出去，返回后还原。日常无感，真实数据从未离开本地 没有开箱即用的完美方案，但三层搭好，至少不是裸奔