围绕近期热度较高的 9 个 AI 工程开源项目,梳理它们分别解决什么问题、核心机制是什么、适合哪些场景,以及科研写作、代码理解、Agent 工程化、端侧语音和 AI 视频生成中的选型思路。
academic-research-skills 是一套面向 Claude Code 的学术研究技能包,把文献调研、论文写作、模拟审稿和修订定稿组织成流水线。重点讲清它的四个 Skill、完整性闸门、引用核验、反谄媚协议和上手方式。
Deep Agents 是构建复杂 AI Agent 的多智能体框架,适合处理长期运行、多步骤规划、文件系统上下文、子代理协作和持久记忆等任务。内容围绕它解决的问题、核心机制、适用场景和上手方式展开。
Agentic AI 把大语言模型放进可感知、可行动、可记忆、可验证的闭环系统中。围绕范式演进、Agent Transformer 五元组、单 Agent 与多 Agent 协作、三层学习策略和落地评估,系统拆解构建 AI Agent 时必须理解的关键机制。
Agentic AI 不是简单地让大模型回答一次问题,而是让模型能规划任务、调用工具、检查结果并迭代完成复杂工作。这里用 Python 讲清反思、工具使用、规划、多智能体四种核心模式,以及落地时的测试和生产注意事项。
Claude Code 可以通过周边工具扩展出用量监控、多智能体协作和图形化聊天能力。这里拆解 Claude Code Usage Monitor、Claude-Flow 和 claude-code-chat 的功能定位、适用场景、安装方式与使用注意点。
大模型 Agentic 推理框架把 LLM 组织成能规划、执行、调用工具、反思和协作的智能体系统。围绕单智能体、工具增强智能体、多智能体三层结构,讲清核心机制、典型架构、应用场景、评测方法和落地风险。
多智能体 ReAct 自主规划能让主智能体拆解任务并调度工具或子智能体,但生产环境容易遇到工具调用等待长、上下文膨胀、中间产物缺失、结束回答敷衍和规划跑偏等问题。这里围绕五个工程策略讲清问题成因、系统设计和落地实现。