AI RADAR DAILY 2026-07-30 — Agent 工具鏈全面開源爆發
2026 年 7 月 30 日的開源動態，並非單一模型再刷一次基準分數，而是代理（Agent）工具鏈在「可安裝、可組合、可審計」三條軸線上同時開花。過去半年，開發者習慣把能力塞進系統提示詞或臨時腳本；今天榜單上的專案，則把技能（skills）、介面適配層、知識圖譜與演化記錄，拆成可版本化、可共用、可替換的零件。ECC、OpenMontage 與 Google Workspace CLI 都在用 skills 把編碼助手與生產流程綁在一起；Graphify 用結構解析建立可查詢圖譜，txtai 持續把向量與工作流收斂成一體化框架；OpenCLI 與 gws 則把網站與 Workspace 變成代理可穩定呼叫的介面。同一天還能看到自架個人代理 nanobot，以及強調可審計自我演化的 Evolver。訊息很清楚：下一階段競爭，不只比誰的模型更強，而是比誰能把代理能力變成可追蹤的工程系統。
今天的趨勢
第一條主線，是 skills 生態取代「單一巨型提示詞」。編碼助手不再只靠對話窗口裡的臨時指令，而是透過可安裝的技能包、規則集與 production-knowledge 檔案，把專業流程固化下來。ECC 把多平台 harness 的效能、記憶、安全與研究流程做成可插拔系統；OpenMontage 直接把製片流水線寫成上百項工具與數百份技能知識；Google Workspace CLI 則附帶面向代理的 skills，讓 Drive、Gmail、Calendar 等操作變成結構化命令。趨勢含義是：能力開始像套件一樣被發布、審查、升級與回滾，而不是每次對話重講一遍「你是資深工程師」。對團隊而言，這降低了個人提示詞工程的不可複製性；對開源社群而言，skills 成了新的協作單位——比完整應用輕，比單次 prompt 重，正好卡在可組合的中間層。
第二條主線，是「可解釋的程式與知識理解」取代純黑箱檢索。Graphify 把程式庫、文件、schema 甚至 PDF 轉成可查詢知識圖譜，強調以圖結構回答，而不是反覆 grep 或把整庫塞進上下文；txtai 則長期走語義搜尋、LLM 編排與工作流一體化，向量檢索與更高層的编排能力共存。兩者共同回應同一個痛點：代理再聰明，若對程式庫的理解不可追蹤，除錯成本會隨專案規模指數上升。開發者要的不是「好像懂了」，而是「這個結論從哪條依賴、哪個模組邊界、哪份文件推導而來」。AST、圖譜、可查詢索引，正在成為代理時代的靜態分析與架構記憶層。
第三條主線，是介面外擴與個人／演化代理並行。OpenCLI 讓任意網站與已登入瀏覽器狀態變成 CLI，代理得以用較確定的命令操作原本只為人類設計的 Web UI；gws（Google Workspace CLI）把整套 Workspace API 收成單一命令列，並輸出結構化 JSON，方便人和代理共用。另一端，nanobot 以超輕量自架框架定位個人代理 runtime，強調本地優先、多聊天平台與 MCP；Evolver 則把自我演化做成可審計的 Genes、Capsules、Events 機制，避免「代理自己改自己」變成無法復盤的黑箱。外擴介面解決「代理夠不到真實工作環境」；自架與可審計演化解決「代理能否長期屬於個人，且行為可被治理」。三條線加總，就是今天的總標題：Agent 工具鏈全面開源爆發——從模型中心，轉向可安裝技能、可查知識、可呼叫介面與可治理演化的系統中心。
Top 8 工具
#1 calesthio/OpenMontage（Score: 4.8，Developer Tool） OpenMontage 的定位非常直接：把既有 AI 編碼助手，變成開源影視製片工作室。專案強調多條 production pipelines、上百項工具，以及大量 agent skill 與製片知識檔案，讓腳本、分鏡、素材組織、剪輯流程等步驟，能以代理可執行的方式串起來。它不是又一個「輸入一句話出短片」的封閉服務，而是把製片工作流開源化、技能化，讓開發者在熟悉的 coding agent 環境裡調度影像生產。評語：若你懷疑 skills 是否只能寫 CRUD，OpenMontage 是反例——它證明垂直產業知識可以打包成代理可組裝的產線。作為今日首選，後文另有展開。
#2 HKUDS/nanobot（Score: 5.0，MCP） nanobot 是超輕量、可自架的個人 AI 代理框架，Python 實作，支援 WebUI 與終端、工具呼叫、記憶、MCP、多代理工作流，並可接到 Telegram、Discord、Slack 等聊天管道。核心哲學偏向「小而穩的 runtime／companion」，而不是堆滿企業儀表板的重型平台；社群討論中也出現把其視為 agent kernel、以外掛擴充通道與工具的路線。評語：當雲端助手越來越大而不可控，nanobot 代表另一種需求——個人可部署、可審查、可長期陪伴的代理底座。分數高，反映的是「自架個人代理」敘事與 MCP 生態的契合度，而非單純星數崇拜。
#3 EvoMap/evolver（Score: 4.2，MCP） Evolver 自稱以 GEP 驅動的代理自我演化引擎，關鍵不在「會自己改」，而在演化過程可審計：以 Genes、Capsules、Events 等概念記錄與治理變化。它對應的是自動化代理最敏感的治理問題——若代理能改策略、改技能、改記憶，沒有事件流與可回放結構，團隊就無法做事故復盤與權限邊界設計。評語：自我演化若不可審計，只是把技術債藏進模型行為裡；Evolver 把「演化」從口號拉回工程可觀測性。分數略低於榜首群，較像先行基礎設施，成熟度與整合成本仍需實作驗證，但方向與今日「可追蹤」主題一致。
#4 Graphify-Labs/graphify（Score: 5.1，MCP） Graphify 讓你把程式庫連同文件、SQL schema、設定甚至 PDF 等素材，轉成可查詢知識圖譜；在編碼助手裡以技能／命令觸發，讓代理查圖而不是反覆盲搜檔案。公開敘事強調以圖結構降低 token 浪費、提升跨檔案理解的穩定性，並延伸到 PRD 對齊、變更風險評估、專案長期記憶等場景。評語：這是「非黑箱程式理解」路線的代表作之一——結構先於向量感覺，查詢路徑可解釋。對中大型 monorepo 或文件散落的團隊，它直接打在編碼代理最痛的上下文管理上，故評分位於前列。
#5 googleworkspace/cli（Score: 4.5，Automation） Google Workspace CLI（常稱 gws）用單一命令列打通 Drive、Gmail、Calendar、Sheets、Docs、Chat、Admin 等 Workspace 能力，並以 Discovery 動態建構介面，強調人類與 AI 代理都能用，輸出結構化 JSON，且附帶 agent skills。技術棧偏工程化（公開資訊見 Rust 等實作取向），目標是減少針對各 API 手寫樣板。評語：生產力套件若只靠網頁點擊，代理永遠隔一層；CLI + JSON 是目前最務實的「可呼叫化」。需注意專案本身標示並非官方正式支援產品、仍在快速迭代，導入時應預期介面變動與權限治理成本。
#6 jackwener/OpenCLI（Score: 4.5，Automation） OpenCLI 的主張是：把任意網站變成 CLI，並讓代理能操作你已登入的瀏覽器狀態。實務上結合瀏覽器橋接（extension／daemon），把原本不穩定的 GUI 流程，收斂成較可重複的命令與自動化入口，也能涵蓋 Electron 應用與本地工具等場景敘事。評語：大量真實工作卡在「必須登入的網站」與「沒有正式 API」；OpenCLI 這類方案補的是代理的最後一哩路。風險面同樣清楚——瀏覽器會話與憑證代理化後，安全邊界與稽核必須重做，不適合無差別交給不可信技能亂打。
#7 affaan-m/ECC（Score: 5.0，MCP） ECC 定位為多平台代理 harness 的效能與操作優化系統：skills、記憶／本能（instincts）、安全閘門、研究優先流程，覆蓋 Claude Code、Codex、OpenCode、Cursor 等編碼代理環境。它不是單一聊天機器人，而是把「如何讓 agent 在真實工程流程裡穩、省、可管」產品化，包括跨 harness 的設定正規化、編排類技能與防護機制。評語：模型同質化之後，差異常出在 harness 與技能層；ECC 把這層當成可安裝的作業系統來經營。分數高，因為它精準打中專業使用者每天都在調的那一層，而不是又一個 demo 級 agent。
#8 neuml/txtai（Score: 5.5，RAG） txtai 是語義搜尋與 LLM 工作流一體化的成熟框架，涵蓋向量／語義檢索、編排、語言Model 工作流，並可向外提供 API／MCP 等整合路徑。它在榜單上的意義，是提醒大家：Agent 爆發並未取消檢索與編排基礎設施，反而更需要穩定的語義層把企業資料、文件與代理動作接起來。評語：相較新銳 skills 專案，txtai 更像長期主義的 RAG／工作流底座；分數最高，反映的是完整度與可落地性，而非今日才誕生的話題熱度。適合當「代理腦」背後的記憶與檢索脊樑，與圖譜類工具並非互斥，而是可分工。
今日首選
今日 Best Pick 是 calesthio/OpenMontage（Score: 4.8）。選它不是因為星數 alone，而是因為它把本輪趨勢的三個關鍵詞——skills、可組合流水線、編碼代理即操控台——一次做滿，而且應用域足夠「非模板」。
OpenMontage 的核心命題是：你已經有的 AI coding assistant，可以成為開源影視製片廠的調度中樞。公開描述強調多條 production pipelines、一百以上工具，以及大量 agent skill 與 production-knowledge 檔案；也就是把製片知識寫成代理讀得懂、調得動的資產，而不是只存在於資深剪輯師的經驗裡。安裝與使用路徑偏向「clone 專案 → 在編碼助手中打開 → 用自然語言驅動產線」，這與當下開發者的真實工作入口一致：人不必先學會另一套封閉 SaaS 的工作區，而是讓代理在可版本控制的倉庫裡做事。
從產業角度看，生成式影片工具很多，但多數是宿主式黑箱：你得到成片，得不到可審計、可分支、可重跑的流程資產。OpenMontage 走開源代理系統，意味著分鏡策略、工具呼叫順序、素材約束與失敗重試，有機會變成 repo 裡的技能與設定，從而可 code review、可 CI、可團隊共用。這對教育內容、產品說明、內部培訓、開源專案宣傳等「需要穩定產出、又希望流程可控」的場景尤其有價值。
它與同榜 ECC、gws 的呼應也值得一提：ECC 優化的是通用 harness 與工程 skills，gws 打開的是辦公生產力介面，OpenMontage 則示範 skills 可以長成完整垂直產線。三者一起看，skills 生態的天花板明顯被拉高——從「幫我寫函式」到「幫我跑一條製片流水線」。風險面需保持清醒：影視產線牽涉模型授權、素材版權、算力成本與輸出品質不穩定性；開源代理製片並不自動等於免費商用無虞，導入仍要做權限、成本與內容合規設計。儘管如此，就「今天最能代表 Agent 工具鏈開源爆發」而言，OpenMontage 仍是最具敘事完整性與示範張力的選擇。
評分方式說明
AI Radar 評分採多維度綜合，而非單一星數排序。主要參考：專案與當日趨勢的契合度、技術路線是否清晰可驗證、文件與可安裝性、生態位置（例如是否成為 skills／MCP／CLI 等可組合層）、實務落地潛力，以及風險訊號（維護狀態、權限模型、是否標示非官方或實驗性質）。Score 為編輯權重後的相對分，用來比較「今日為何值得寫」，不代表絕對品質排行榜，亦不等於投資建議。同日榜單可能同時出現高熱度新專案與高完整度老專案，兩者分數邏輯並存：前者看衝擊與方向，後者看穩定與可組裝性。讀者應以自己的棧、資安邊界與維運能力二次篩選。
結語與行動
若你只做一件事：把今日榜單當成架構圖，而不是收藏夾。選一個編碼 harness，裝一組可版本化的 skills；對核心程式庫試一次圖譜或語義索引；把最常用的網站或 Workspace 操作變成代理可呼叫的 CLI；若走自架，再評估 nanobot 這類輕量 runtime，以及演化是否需要像 Evolver 那樣的審計軌跡。Agent 工具鏈的開源爆發才剛進入可組裝階段，真正的差距，會出現在誰先把這些零件收成可治理的生產系統。歡迎轉發本文、回報你實際接上的組合，並鎖定 AI Radar 明日續報。