AI Radar Daily 2026-07-23
改用 open_page 補齊 repo 細節，並確認剩餘兩個專案資訊。補齊剩餘三個 repo 的細節。資訊已齊，開始依格式撰寫完整深度分析文章。
title: "AI RADAR DAILY 2026-07-23 — Agent 基建全面開花" date: 2026-07-23 status: pending_review tags: [AI, Agent, MCP, RAG, Automation, 開源工具] word_count: ~2850
今天開源 Agent 生態的訊號很明確：戰場已從「能聊天、能呼叫幾個工具」轉向「能接管終端、桌面與跨 OS 機隊，並把經驗沉澱成可攜 Skill 與記憶」。終端 coding agent 與 computer-use 驅動同步升溫，開發者要的是可編輯、可沙箱、可跨平台的完整操作權，而不是又一個聊天外掛。另一條主線是設計範式翻轉——輕量種子、任務結晶成 Skill、記憶可攜、token 更省，再搭配單檔記憶層與系統性中文教程，讓基建第一次同時具備「立刻能接 harness」與「可長期演化」兩種特質。今日首選落在能零成本定時跑的多市場 AI 股分析系統，正是這波「落地優先、維運極低」浪潮的代表作。
一、今天的趨勢
第一個觀察是終端 coding agent 與 computer-use 的同步爆發。過去一年，大量產品把 Agent 做成 IDE 側欄或 Web 對話框，本質仍是「建議＋偶爾改檔」。今天榜單裡的 oh-my-pi 與 cua 則把方向拉回底層：前者把 LSP、除錯器、hash-anchored 編輯與 subagent 直接焊進終端 harness；後者提供跨 macOS／Windows／Linux 的背景 computer-use 驅動與機隊沙箱，讓 Agent 在不搶焦點的前提下點擊、輸入、驗證。訊息很清楚——開發者要的不是更華麗的聊天 UI，而是可編輯、可沙箱、可跨 OS 的完整操作面。誰掌握「機器上的手」與「可靠的編輯迴路」，誰就掌握下一階段的生產力入口。
第二個觀察是從固定流程轉向「任務結晶成 Skill」。GenericAgent 與 CowAgent 用不同路徑講同一件事：不要預先塞滿流程圖，而是用極簡原子工具跑完任務後，把可驗證軌跡壓成可重用 Skill／SOP，記憶可攜、token 密度拉高。輕量種子（約三千行核心＋百行 loop）長大成完整系統，已成為新一波設計範式。這與「堆框架、堆 middleware」的舊路形成對比：可維護性來自結晶與壓縮，而不是無限加長 context。
第三個觀察是記憶、教學與 harness 接入三線並存。memvid 把長期記憶收成單檔可攜層，避開重型向量資料庫維運；hello-agents 用系統性中文教程補齊從原理到多智能體實作的缺口；VCPToolBox 則試圖在模型 API 與前端之間做 AGI OS 級中介層。實務上社群更在意三件事：可攜、低維運、能立刻接入現有 agent harness。今天的 Top 8 幾乎都在回答這三點，而不是再發明一個封閉聊天機器人。
二、Top 8 工具
#1 ZhuLinsen/daily_stock_analysis（Score: 6.0｜AI Agent）
LLM 驅動的多市場自選股分析與自動推送系統，覆蓋 A／H／美／日／韓／台股與 ETF，聚合行情、新聞、技術與基本面後產出「決策儀表盤」，並推到企業微信、飛書、Telegram、Discord、Slack 或郵件。亮點是可用 GitHub Actions 零成本定時跑，也支援 Docker／本地與 Web 工作台、多策略 Agent 問股。適合把研究節奏產品化、把資訊整理層自動化的個人與小團隊。評語：落地完整、維運路徑清楚，是「Agent 當日報工人」的佳作；但輸出僅供研究整理，不可當成投資建議。[[1]](https://github.com/ZhuLinsen/daily_stock_analysis)
#2 can1357/oh-my-pi（Score: 4.8｜MCP）
終端原生 AI Coding Agent（omp），在 Pi 基礎上補齊 batteries：hash-anchored 編輯、優化 tool harness、LSP／DAP、Python／Bun 執行迴路、browser、subagent 與跨 session 記憶。強調「編輯一次就對」與模型無關的 harness 調校，並提供 CLI／MCP 介面接入既有工作流。評語：代表終端 coding agent 從玩具變成可長期持有的表面；適合每天泡在 terminal 的工程師，而不是只想要側欄補全的使用者。[[2]](https://github.com/can1357/oh-my-pi)
#3 trycua/cua（Score: 5.7｜Automation）
開源 computer-use 基建：Cua Driver 可在 macOS／Windows／Linux 背景驅動原生桌面（不搶游標焦點），同一套 CLI／MCP 可接 Claude Code、Cursor、Codex 等；另有沙箱、跨 OS 機隊與 Cua Bench，服務訓練、評測與資料生成。評語：把「Agent 會看螢幕、會點按鈕」從示範片拉到可規模化基建，是自動化與評測基礎設施的重要一塊；部署與權限模型需認真設計。[[3]](https://github.com/trycua/cua)
#4 zhayujie/CowAgent（Score: 6.2｜MCP）
開源超級助理與 Agent Harness 參考實作（前身 chatgpt-on-wechat）：主動規劃、工具與 Skill、三層記憶與 Deep Dream、知識庫、多模型多通道（Web／飛書／Telegram 等），一行安裝與 Web 控制台。評語：完整度高、中文生態友好，適合作為個人 24/7 助理底座；開放通道與工具權限時務必鎖認證與網路邊界，避免把 harness 暴露成攻擊面。[[4]](https://github.com/zhayujie/CowAgent)
#5 lsdefine/GenericAgent（Score: 4.3｜Automation）
極簡自演化代理：核心約 3K 行、9 個原子工具、約 100 行 Agent Loop，賦予 LLM 對本機瀏覽器、終端、檔案、鍵鼠與螢幕的系統級控制；任務完成後結晶成 Skill，強調高資訊密度與顯著較低的 token 消耗。評語：設計哲學最尖銳——「不要預載技能，演化技能」；適合願意用使用過程養出個人技能樹的進階玩家，系統級權限風險必須預設最小化。[[5]](https://github.com/lsdefine/GenericAgent)
#6 datawhalechina/hello-agents（Score: 5.5｜RAG）
Datawhale《從零開始構建智能體》系統性中文教程：從 ReAct／Plan-and-Solve 到自研框架、Memory／RAG、上下文工程、MCP／A2A、Agentic RL 與綜合專案（旅行助手、深度研究、賽博小鎮等）。評語：補的是人才與共同語言，不是又一個 runtime；對教學、內訓與想從「調 API」走到「建系統」的工程師價值很高，可與今日其他基建專案交叉實作。[[6]](https://github.com/datawhalechina/hello-agents)
#7 memvid/memvid（Score: 5.5｜RAG）
給 Agent 的單檔可攜長期記憶層：資料、embeddings、索引與中繼資料封進單一檔案（Smart Frames／.mv2），強調 serverless、可版本化、可時間旅行除錯與極低延遲檢索，並提供 CLI 與多語言 SDK。評語：直接打中「向量庫太重、記憶不可攜」的痛點；適合長跑 Agent、離線優先與要把記憶當產物在團隊間傳遞的場景，仍需自行定義寫入治理與隱私邊界。[[7]](https://github.com/memvid/memvid)
#8 lioensky/VCPToolBox（Score: 4.9｜RAG）
部署在模型 API 與前端之間的 VCP（Variable & Command Protocol）基建，目標是把無狀態 LLM 改造成具多層持久記憶、分散式外掛與多 Agent 協作的「可持續存在」系統，並搭配管理面板與多前端適配。評語：野心是 AGI OS 級中介層，完成度與文件體量都偏工業示範；相對地，部署複雜度與權限面也最大，官方亦提醒勿接不可信反向代理 API，非專業環境請謹慎。[[8]](https://github.com/lioensky/VCPToolBox)
三、今日首選
Best Pick：ZhuLinsen/daily_stock_analysis
選它當日首選，不是因為分數最高或星數最炫，而是因為它精準踩中「Agent 基建全面開花」之後，下一句一定會被問的話：那我今天能穩定跑起來、而且幾乎不用養伺服器的東西是什麼？
這個專案把多市場資料聚合、新聞與輿情、LLM 決策報告、多通道推送，以及 GitHub Actions／Docker／本地／Web 工作台整成一條可複製路徑。對個人研究者而言，Fork 後設定 Secrets、自選股清單與通知渠道，就能在工作日自動產出決策儀表盤；對小團隊而言，它是「研究到簡報之前」的資訊整理層，而不是又一個只能 demo 的聊天 bot。多策略 Agent 問股、持倉與回測相關能力，也讓它從單次腳本升級成可反覆使用的分析工作台。
它與今日趨勢的對位很清楚：低維運（Actions 零成本定時）、可立即接入（API Key 與 webhook 即可）、輸出可編輯可存檔（Markdown／儀表盤），符合「要完整操作與交付物，不要聊天外掛」的品味。限制同樣要講清楚：免費行情源有限流與穩定度問題；模型與搜尋 API 仍可能產生費用；最重要的是，任何 AI 股分析都只是資訊組織與輔助決策，不是投資建議，實盤必須自有紀律與風控。
若你今天只打算認真試一個 repo：先用 Actions 跑通三檔自選股與一個通知渠道，再決定是否上 Docker 與 WebUI。能在一小時內看到「明日還會自己來」的報告，比星標一萬個概念型 Agent 框架更有訊號。
四、評分方式說明
AI Radar 分數綜合開源熱度（星標增速、討論與活躍提交）、工程完整度（文件、安裝路徑、可重現性）、與當日主題契合度（Agent／MCP／RAG／Automation 等標籤），以及實務可落地性（維運成本、是否可接入既有 harness、風險是否可控）。分數用於當日相對排序與編輯選品，並非金融評等、安全認證或投資建議。同一專案在不同日期可能因熱度與主題權重而升降；入選亦不代表無缺陷，部署前仍應自行審視授權、權限模型與資料外洩面。
結語與 CTA
Agent 的下半場比拼的是操作權、記憶可攜與 Skill 結晶效率，而不是提示詞修辭。若你正在組個人或團隊的 agent harness，建議今天至少深讀 oh-my-pi 或 cua 其一、配上 memvid 或 CowAgent 的記憶／Skill 路線，並用 daily_stock_analysis 驗證「定時、可推送、低維運」是否成為你的預設交付標準。歡迎把實測心得與踩坑回饋到各 repo Issue；明日 Radar 見。