跳到主要内容
prolist.
发现项目AI 收集我的项目我的模型
正在确认账号…
prolist.

发现有价值的项目,留下有依据的判断。

项目专题关于我的收藏
© 2026 prolist项目知识,由人判断。

IDEAS CONNECT PROJECTS

沿着兴趣,发现项目。

从一个标签出发,打开一份值得研究的档案。

收集项目线索
筛选与排序 · 已应用
地图列表
不限标签4AI编程助手4开源2Rust2TypeScript2本地优先1多智能体1多Agent调度1多Agent协作1工具治理1工作流增强1上下文管理1推理时增强1

项目搜索结果

找到 4 个项目

清除筛选

以下内容已由 AI 根据历史资料整理,供本地测试,未经人工复核。

Codex多智能体实战 README 配图
AI 智能体GitHub 项目

Codex多智能体实战

基于Git Worktree物理隔离与DAG调度的多智能体并行编程方案

Codex 是 OpenAI 于 2025 年开源的终端 AI 编程助手,其多智能体能力将编程任务拆解为有向无环图(DAG),由 Manager 调度多个 Subagent 在独立的 Git Worktree 中并行执行,通过 Harness 层统一管理上下文压缩、状态同步和执行环境隔离。该方案旨在解决多智能体并行时的 Token 消耗暴涨、上下文失控和状态无法收敛等痛点,强调控制成本、控制状态、控制依赖,而非追求最大并行度。核心机制包括 Manager 负责任务拆解、依赖分析和结果合并,Subagent 在独立工作区中执行具体编码任务,Harness 提供执行环境隔离、上下文自动压缩和状态同步。配置采用全局与项目级双层体系,支持 MCP 工具集成和自动化审批。报告指出并发数 4 左右是甜点区间,超过后 Token 消耗指数增长但收益递减。该方案适用于全栈应用并行开发、大型项目重构、多模块库开发等场景,但 Token 成本高、合并冲突风险和学习曲线陡峭等局限也需注意。

多智能体开源AI编程助手
09.08
Yeachan-Heo 的 GitHub 头像Yeachan-Heo/oh-my-codex
AI 智能体GitHub 项目

OMX (Oh My Codex)

为 OpenAI Codex CLI 提供结构化工作流、多 Agent 协作与持久化状态管理的开源增强层。

OMX(Oh My Codex)是 OpenAI Codex CLI 的工作流增强层,它不替代 Codex,而是在其上叠加结构化工作流、多 Agent 协作、持久化状态管理和专业角色系统。它主要解决 Codex CLI 缺乏结构化工作流、多任务并行时缺少团队协调机制、项目状态与计划无法跨会话持久化、缺少专业角色分工等问题。其核心是四个 Skill:$deep-interview 用于澄清需求边界,$ralplan 用于生成并审批实现计划,$ralph 用于单人持续执行到完成,$team 用于基于 tmux 的多 Agent 并行执行。所有计划、日志、记忆和运行时状态都持久化在项目本地的 .omx/ 目录中,并通过 Codex 原生的 .codex/hooks.json 机制集成。OMX 主要针对 macOS/Linux 平台优化,并锁定 OpenAI Codex 生态。

多Agent协作工作流增强状态持久化
09.08
AI 智能体主题配图

Claude Code 源码深度分析

深入解析 Claude Code 的工程体系:从动态提示词编排到工具治理与多 Agent 协作

本报告基于对 Claude Code 源码的深度分析,揭示了其作为 AI 编程助手的核心工程体系。报告指出,Claude Code 的价值不仅在于提示词,更在于一整套将行为制度、工具治理、Agent 分工、上下文经济学和生命周期管理连成闭环的系统。其动态 System Prompt 编排将静态“宪法”与动态“当期政策”分离,并通过缓存友好边界优化成本。工具调用经过完整的治理流水线,包括输入校验、权限检查、风险预判和 Hook 拦截。系统内置多个专职子 Agent,如 Explore、Plan、Verification,实现角色分离,避免利益冲突。此外,报告还介绍了 Skill、Plugin、MCP 三套扩展机制,以及上下文经济学中的缓存复用、按需加载等策略。报告也指出了其学习曲线陡峭、成本较高、依赖 Anthropic API 等局限性。

多Agent调度工具治理上下文管理
09.08
ATLAS (Adaptive Test-time Learning and Autonomous Specialization) README 配图
开发工具GitHub 项目

ATLAS (Adaptive Test-time Learning and Autonomous Specialization)

完全本地化、无需 API 的 AI 编程助手,通过推理时增强让 14B 小模型在单张消费级 GPU 上达到接近前沿模型的编程能力。

ATLAS(Adaptive Test-time Learning and Autonomous Specialization)是一个完全本地化、无需 API 的 AI 编程助手,由 Virginia Tech 商学院学生 Isaac Tigges 独立开发,采用 AGPL-3.0 开源许可。其核心思路是冻结小模型(如 Qwen3-14B),通过智能推理基础设施在推理阶段提升输出质量,而非微调模型。在 RTX 5060 Ti 16GB 显卡上,ATLAS 在 LiveCodeBench v5 上达到 74.6% pass@1-v(k=3) 的分数,接近 GPT-5 和 Claude 4.5 的水平。其 V3 Pipeline 包含三阶段:候选生成(PlanSearch、BudgetForcing、DivSampling)、Lens 路由评分和 PR-CoT 自验证迭代修复。ATLAS 支持 8 个工具调用,通过语法约束解码保证 JSON 输出格式正确,并采用 T1/T2 文件分级机制智能路由简单与复杂任务。主要优势是 100% 本地运行、零 API 成本(每任务约 $0.004 电费)和数据隐私,但需要 16GB VRAM 的 NVIDIA GPU,安装复杂且仅支持 Linux。

本地优先开源推理时增强
09.08