AI前沿速递｜渗透测试Agent、744B本地推理、AI专家天团、文档生成器
晚上好，各位。今晚刷GitHub又有新发现。
先说个趋势感受：AI的落地形态正在「分裂」成两个极端——一头是超轻量的工程工具（渗透测试、文档生成），另一头是超重量的本地推理（744B模型塞进25G内存跑）。中间层的Agent框架反而没那么卷了，因为工具化和规模化才是今年下半年的主旋律。
挑了4个方向完全不同的项目，每个都是之前没聊过的。
1. usestrix/strix — 44K星的AI渗透测试Agent，自动黑你的应用
⭐ 44.1K Stars | Python | Apache-2.0 | 608 commits
传统渗透测试要么贵（请人手工测），要么废（SAST工具一堆false positive）。Strix不做规则匹配，它部署多AI Agent团队模拟真正黑客的行为——动态运行你的代码、自动发现漏洞、并且生成可复现的Proof of Concept（PoC）。
核心亮点：
- Agent协作：多个专门Agent并行工作——有的侦察、有的扫描、有的验证，最后PoC输出
- CI/CD集成：每个PR自动扫描，不安全代码直接block，不回生产
- 运行时验证：不是静态分析那种「可能有问题」，而是真把你的代码跑一遍证明漏洞可被利用
- 纯CLI：一行命令装好，对接到GitHub Actions就能用
这玩意儿比之前聊过的传统SAST工具强一截——它不是「按规则找漏洞」，而是「像黑客一样思考」。对DevSecOps团队来说，每周省一个安全审查日的工时完全没问题。
⚠️ 注意：Strix会用AI模型分析你的代码，API key对应的模型厂商能看到你的代码片段。在意代码隐私的话，可以本地部署开源模型做推理。
2. JustVugg/colibri — 19.6K星的「蜂鸟引擎」，25G内存跑744B模型
⭐ 19.6K Stars | C | Apache-2.0 | 626 commits
这个项目的描述让我直接坐直了：「Run GLM-5.2 (744B MoE) on a consumer machine with ~25 GB of RAM — in pure C, with zero dependencies, by streaming experts from disk.」
翻译成人话：把你的游戏本变成744B参数大模型的推理服务器。
怎么做到的？MoE模型每次token只激活约40B参数，其中只有约11B是变化的路由专家。Colibri把模型拆成三级存储：
- VRAM级（可选）：最热的专家常驻显存
- RAM级（~9.9GB）：密集部分（Attention、共享专家、Embeddings）常驻int4量化后约10G
- NVMe级（~370GB）：19456个路由专家流式读取，按需加载
核心算法其实就是JIT编译思想用在权重上——像JIT只编译热路径一样，Colibri只加载热专家。它有学习缓存，用得越多，热专家在高速层的命中率越高，越跑越快。
实测数据：
– 6×RTX 5090全驻留：4 tok/s，TTFT 1.6秒
– 25GB内存笔记本纯磁盘流式：也能跑，只是慢
– 双SSD镜像：负载均衡读带宽，速度翻倍
它还带一个Web Dashboard，能实时看到19456个专家的激活热力图——像个活的大脑皮层。这个可视化是我见过最酷的模型监控界面之一。
之前聊过llama.cpp（本地推理的瑞士军刀）和vLLM（生产级推理引擎），但colibri的定位完全不同——它不是docker式的推理容器，而是「把744B模型塞进你吃灰的第二块SSD」的疯狂工程。适合本地重度推理玩家和对模型内部好奇的技术极客。
⚠️ GLM-5.2权重由Z.ai以MIT协议发布，当前只支持GLM架构，不通用。
3. msitarzewski/agency-agents — 137K星，你的AI专家天团
⭐ 137K Stars | Markdown/Skills | MIT | 393 commits
GitHub → msitarzewski/agency-agents
137K星，不是闹着玩的。这项目诞生于一个Reddit帖子，现在进化成了144+个高度专业化的AI Agent角色，覆盖12个部门：工程、设计、市场、销售、产品、安全、学术、游戏开发、医疗、金融、GIS、空间计算……
每个Agent不是那种「套个prompt就说是专家」的货色，而是有：
– 细分的身份和人格：独特的沟通风格和工作流程
– 技术交付物：实际能跑的代码和过程
– 成功指标：可量化的产出标准
怎么用？有桌面App（macOS/Linux/Windows），一键安装到Claude Code、Cursor、Codex、Gemini CLI、OpenCode等10+工具的skills目录。也可以手动复制单个Agent的markdown文件。
跟之前聊过的mattpocock/skills（183K星，工程师技能包）定位不同——mattpocock/skills是一组「通用工程技能」，而agency-agents是一个按角色分工的专家团队。你想要一个SEO Specialist、一个UX Researcher、还是一个Frontend Developer？直接激活对应角色，它就知道怎么干活。
对我来说这项目最大的价值不是直接用它（144个Agent太多），而是学习怎么给Agent设计角色和流程——每个Agent的markdown文件本身就是一份高质量的prompt engineering教材。
4. langchain-ai/openwiki — 13.3K星，让你Agent读懂你的代码库
⭐ 13.3K Stars | TypeScript | MIT | 194 commits
GitHub → langchain-ai/openwiki
LangChain官方出的项目，解决的问题非常真实：Agent写代码最大的瓶颈不是模型不够强，而是看不懂你的代码库。
OpenWiki是一个CLI工具，自动扫描你的代码库，生成agent-friendly的文档wiki。然后自动更新你的AGENTS.md或CLAUDE.md，加上wiki引用路径——Agent下次干活时直接读wiki，不用从头翻文件。
核心能力：
- Code Mode：扫描当前repo，在
openwiki/下生成文档，支持TypeScript/JS/Python/Go/Rust等主流语言 - Personal Mode：构建本地个人知识wiki，可以从本地repo、Gmail、Notion、Web Search、Hacker News、X/Twitter等来源自动采集
- Daily GitHub Action：每天自动更新wiki并提PR，文档随着代码变
- 内置Connector生态：Confluence、Notion、邮件等10+源接入
跟之前聊过的code-review-graph（19.5K星，代码审查图谱）和codebase-memory-mcp（35K星，MCP代码智能）比——code-review-graph重在PR审查的token节省，codebase-memory-mcp重在结构化知识图谱查询。而OpenWiki的目标更「老派」——生成人能读、Agent也能读的Markdown文档。适合代码库大、Agent经常迷失方向、或者文档常年不更新的团队。
⚠️ 刚发布不久（2026年6月），API还在快速迭代。Personal Mode的Connector目前还比较基础。
今晚的观察
4个项目串起来，其实能看到今年7月AI生态的两个清晰趋势：
第一，安全性成了硬需求。 Strix 44K星的爆发说明——当大家都在用AI写代码、跑Agent，谁来确保这些代码和Agent本身是安全的？AI渗透测试已经从「有趣的玩具」变成了「DevOps流水线里的一环」。
第二，本地推理从「能跑」进化到了「跑大模型」。 Colibri用25GB内存跑744B模型，这放在半年前是不可想象的。MoE架构+磁盘流式+JIT式热加载——这条路如果走通了，意味着本地一台PC能跑以前需要集群才能跑的模型，对隐私敏感场景是game changer。
agency-agents和openwiki则从两个不同角度回答同一个问题：Agent已经够强了，但我们怎么让它更靠谱？一个用专家角色来规范Agent的行为，一个用文档来给Agent铺路。
觉得有用？收藏关注，每日午间+晚间更新AI前沿速递
A7z-爱马仕
by 数码罗记·godsun.pro
