AI周报：工具进化与开发者新范式

周五做了年中汇报，收获不是很多。昨天给儿子拍了满月照，奶呼呼的真的太可爱了。最近顺应趋势 Vibing Coding 比例上升，但是说实话工程质量不堪入目，基本都是 AI 打完框架自己重写，现在看似提升的效率在未来某个时间节点全部会吐出去。下半年好好努力！

链接：https://github.com/conductor-oss/conductor

简介：开源工作流编排引擎，最初诞生于 Netflix，用于协调跨多个微服务、长期运行任务以及 AI Agent 的执行流程。它将流程状态管理、失败重试、超时处理等运行逻辑从业务代码中抽离，减少分布式系统中复杂流程的维护成本。工作流可以通过 JSON 或代码定义，支持分支、循环、并行等控制结构，并通过 HTTP、gRPC 或多语言 SDK 与外部服务和 Worker 协作，社区持续维护并采用 Apache 2.0 许可证发布。

链接：https://github.com/calesthio/OpenMontage

简介：开源的 Agent 视频制作系统，它将 Claude Code、Cursor、GitHub Copilot 等 AI 编程助手作为执行主体，把视频制作从单次生成扩展为完整的制作流程，解决从选题、脚本到素材组织、剪辑与渲染之间需要频繁切换工具的问题。项目采用流水线与技能文件驱动的架构，将制作流程拆分为可阅读、可修改的 YAML 和 Markdown，并结合 Python 工具完成素材检索、媒体处理和最终合成，同时保留人工确认与质量检查环节。

链接：https://github.com/ogulcancelik/herdr

简介：运行在终端中的 AI Agent 多路复用工具，将工作区、标签页和分屏管理与 Agent 状态感知结合到同一界面，适合同时运行多个编程 Agent。它解决了传统终端复用工具缺少 Agent 运行状态、而图形化管理工具又脱离终端工作流的问题，让开发者无需切换环境即可查看任务进度、断开后重新连接会话，并通过本地 Socket API 让 Agent 协调创建分屏、读取输出和启动辅助任务，整个项目采用 Rust 编写，以单一二进制形式运行。

链接：https://github.com/diegosouzapw/OmniRoute

简介：本地运行的 AI 网关，将不同模型服务商统一为兼容 OpenAI API 的访问入口，方便 Claude Code、Codex、Cursor 等开发工具共用同一配置。它主要解决多平台切换、配额耗尽和模型故障导致的调用中断问题，通过路由策略、自动回退和组合规则在多个模型之间分配请求。项目同时集成 MCP、A2A 等协议支持，并提供 Web 控制台、CLI 与桌面应用，便于管理模型连接和运行状态。

链接：https://github.com/ComposioHQ/composio

简介：面向 AI Agent 的工具接入 SDK，围绕外部应用连接、认证和工具调用构建统一接口。它主要解决 Agent 集成 Gmail、GitHub、Slack、Notion 等大量第三方服务时接口分散、认证复杂和上下文管理繁琐的问题。项目提供 Python 与 TypeScript SDK，可与 OpenAI Agents 等多种 Agent 框架配合使用，并支持 MCP、工具搜索、工作台等能力，使不同客户端之间能够复用同一套工具连接和认证状态。

链接：https://github.com/onyx-dot-app/onyx

简介：面向大语言模型的开源应用层平台，可作为自托管 AI Chat 与 Agent 的运行环境。它解决了团队在接入模型、组织知识库和连接外部系统时需要组合多种工具的问题，将聊天、RAG、Web 搜索、代码执行、MCP、文件生成等能力整合到同一套界面中。项目兼容 OpenAI、Anthropic、Gemini、Ollama、vLLM 等多种模型，并支持通过内置连接器或 MCP 接入外部数据源，社区版采用 MIT 许可证开放。

链接：https://mitchellh.com/writing/my-ai-adoption-journey

摘要：Mitchell Hashimoto 分享了自己使用 AI 的真实过程，没有鼓吹，也没有否定。他认为，真正带来效率提升的并不是聊天机器人，而是能够读代码、执行命令、调用工具的 Agent。刚开始使用时，他甚至会刻意让 AI 重做自己已经完成的工作，通过不断对比结果，摸清它擅长和不擅长的任务。随后，他开始利用下班后的空闲时间让 Agent 做调研、整理 Issue 等工作，再逐步把重复性高、成功率高的任务交给 AI，自己则专注于需要思考和创造力的部分。对他来说，AI 并非替代开发者，而是改变工作方式的一种新工具。关键不是盲目依赖，而是在实践中建立边界、形成适合自己的协作流程。

链接：https://12gramsofcarbon.com/p/agentics-tech-things-tokenmaxxing

摘要：很多人觉得 Tokenmaxxing（拼命堆 AI Token 使用量） 已经过时，因为企业开始关注 AI 成本，纷纷压缩推理开销。但这只是表面现象。真正的变化不是“少用 AI”，而是 AI Agent 的能力越来越强，能够持续运行更长时间、完成更复杂的任务，因此总 Token 消耗反而可能继续增长。文章指出，过去 AI Agent 经常因为上下文丢失、规划能力弱等问题陷入死循环，长时间运行只会浪费成本。如今，随着模型能力、工具调用和工作流设计不断改进，Agent 可以在较长时间内保持稳定执行，把更多复杂工作交给 AI 完成。这意味着，未来 Token 成本会越来越集中在真正创造价值的任务上，而不是无意义的“刷 Token”。作者最后强调，企业真正需要优化的不是 Token 数量，而是 单位 Token 能创造多少价值。当 Agent 能持续、高质量地完成工作时，花更多 Token 并不是问题；真正应该避免的是把 Token 当成绩效指标，追求消耗量而忽视实际产出。未来 AI 应用的竞争重点，将从“谁用得更多”转向“谁用得更值”。

链接：https://mp.weixin.qq.com/s/wIoXGjMAxDCIlHCc9NFGcA

摘要：很多人担心 AI 会让 35 岁以上的工程师更难生存，但作者认为，真正受益的反而可能是这批人。过去程序员的竞争优势更多来自写代码的速度和体力，如今 AI 正在缩小这部分差距，经验、判断力和跨领域能力变得更重要。真正有价值的不再是写代码，而是知道该解决什么问题、如何权衡方案，以及理解业务和客户需求。与此同时，初级岗位的成长路径正在被 AI 改变，传统依靠简单开发积累经验的方式越来越难走通。对于 35 岁以上的工程师来说，关键不是年龄，而是是否愿意主动拥抱 AI，把它融入日常工作，发挥自身经验优势，重构工作方式，让过去积累的能力获得更大的价值。