28
6 月
Agency Agents:多 AI Agent 协作框架,让不同 AI 模型组成一支团队
Agency Agents 是一个多 AI Agent 编排框架,专注于让不同 AI 模型、不同角色的 Agent 协同完成复杂任务。核心设计理念是 Agent as a Service——每个 Agent 是独立服务单元,有自己的人格定义、工具集和 LLM 后端,通过工作流编排完成单 Agent 难以处理的复杂多步骤任务。
核心特性
🔗 多模型支持:每个 Agent 可绑定不同 LLM 后端(OpenAI、Anthropic、本地模型等)
👥 角色定义:为每个 Agent 定义独立的系统提示、行为规范和工具集
🔄 工作流编排:支持顺序执行、条件分支、并行调用等多种协作模式
🛠️ 工具集成:Agent 可调用外部 API、文件操作、数据库查询等
📝 对话管理:内置 Agent 间消息传递和上下文管理
典型应用场景
内容创作流水线:研究员 Agent → 写手 Agent →...
28
6 月
n8n-mcp:让 n8n 工作流成为 AI Agent 的工具箱
n8n-mcp 是连接 n8n 自动化工作流和 MCP(Model Context Protocol)的桥梁项目。它让 AI Agent(Claude、Codex、Cursor 等)能将 n8n 的 400+ 集成作为自己的工具来调用——AI 不再受限于内置工具,而是可以操控整个 n8n 工作流生态。
核心价值
把任何业务自动化流程做成 n8n 工作流,通过 MCP 暴露给 AI Agent,AI 就能直接调用这些工作流。
📧 AI 发邮件 → 调用 n8n 的 Gmail/Outlook 节点
📊 AI 查数据库 → 调用 n8n 的 PostgreSQL/MySQL 节点
📅...
28
6 月
Coding Interview University:35万星 GitHub,从零到 Amazon 工程师的完整 CS 学习路线
Coding Interview University 是 GitHub 上 Star 数最高的学习资源之一(353,000+ Stars),由前 Amazon 工程师 John Washam 创建。这是一份完整的、经过验证的计算机科学自学计划,专门为准备 FAANG 技术面试而设计。作者本人按此计划学习后成功入职 Amazon。
覆盖的知识体系
📐 算法复杂度:Big-O、渐进分析
📊 数据结构:数组、链表、栈、队列、哈希表、树、图、堆
🔍 算法:二分搜索、位运算、排序、递归、动态规划
💻 编程语言:推荐 Python/C++/Java
📚 系统设计:可扩展性、数据库、缓存、消息队列
🎓 面向对象:设计模式、SOLID 原则
📝 行为面试:STAR 方法、常见问题准备
使用方式
Fork 或 Star 项目后按节奏逐节学习,成功完成在 Checklist 中勾选。完整路线约需 3-6 个月,关键是不跳步——数据结构不扎实,后面算法会很吃力。社区贡献了中文、日文等 15+ 种语言翻译版本。
常见问题
Q: 适合什么水平? 需有编程基础(变量、循环、函数),零基础建议先完成入门课程。
Q: 学完能拿大厂 Offer...
28
6 月
Prompt Optimizer:用 AI 优化你的 AI 提示词,让大模型输出质量飞跃
Prompt Optimizer 是一个专门优化 AI 提示词的开源工具。你给它一个初始 Prompt,它通过系统性分析和迭代测试,生成更精准高效的版本——让同一个大模型在同一个任务上产出更高质量的结果。
核心原理
同样的需求,不同的表达方式导致输出质量天差地别。Prompt Optimizer 通过以下步骤自动化优化:
🔍 分析:解析原始 Prompt 的结构、意图和潜在问题
📝 生成变体:创建多个优化版本,调整措辞、结构、示例策略
🧪 测试评估:用不同版本运行同一任务,对比输出质量
📊 推荐最优:基于评估指标推荐最佳 Prompt 版本
适用场景
AI 应用开发者:优化系统 Prompt,提升产品 AI 输出一致性和质量
内容创作者:精细化写作 Prompt,让 AI 产出更符合预期的文章
Prompt 工程学习者:通过观察优化过程理解什么是好的 Prompt
批量 Prompt 管理:对多个 Prompt 模板进行系统化质量提升
安装方式
git clone https://github.com/linshenkx/prompt-optimizer.git
cd prompt-optimizer
pip install -r requirements.txt
需要配置 LLM API(OpenAI 兼容接口),推荐用较强模型(如 GPT-4)做优化器。
常见问题
Q: 优化的...




