8月18日2026 · 星期二

@dotey

Cursor 的代码托管平台 Origin 正式上线，用户可以从 GitHub 同步仓库开始使用。 Origin 简单说，就是 Cursor 自己做的 GitHub。代码存储、Git 托管、代码审查、团队协作，一站式解决。但它和 GitHub 最大的区别在于设计前提：GitHub 是为人类开发者的工作节奏设计的，一个作者、两个审查者、按顺序合并。Origin 从一开始就把 AI Agent 当成主要用户来设计。 这个定位背后有具体的技术支撑。在 Compile 大会的演示中，Origin 在单个仓库内跑到了每秒 22.6 次提交，每小时 29.6 万次克隆，全球同步延迟低于 400 毫秒，还内置了 AI 驱动的自动合并冲突解决。这些数字对应的场景是：当你同时跑十几个 AI 智能体在一个仓库里并行写代码、开分支、提交 PR 时，传统的 Git 托管平台会变成瓶颈，Origin 就是为了解这个瓶颈而生的。 Origin 的技术底子来自 Cursor 2025 年底收购的 Graphite 团队。Graphite 做的是“堆叠式 PR 管理”，也就是让多个有依赖关系的代码变更可以并行处理，天然适配 AI 智能体的工作方式。从落地策略看，Cursor 选择先上线代码审查层，再逐步迁移托管功能，降低用户从 GitHub 切换的门槛。目前第一步就是从 GitHub 同步仓库。 Origin 上线意味着 Cursor 的纵向整合闭环成型：编辑器、云端智能体、代码审查、代码托管，全部在一个产品内完成。对比之下，GitHub Copilot 走的是横向路线，在已有的 GitHub 基础设施上叠加 AI 功能，底层架构还是十年前的设计。 对开发者来说，短期内 Origin 更像是 Cursor 生态内的增值功能，不太可能让团队立刻把核心项目从 GitHub 搬走。但如果你已经在用 Cursor 的云端智能体跑后台任务，Origin 的价值会很直观：代码从生成到审查到合并，整个流程不用再跳出 Cursor。

@dotey

yetone 开源了一个新项目 Cumora：把 AI Agent 变成你的聊天群里的正式成员。 Cumora 的界面长得像 Slack，但名单上的同事看起来都是 AI。有名字、有人设、有记忆，能发私聊、能建群、能认领任务，甚至能收发真实邮件。你不 @ 它们，它们也可能主动跳出来说一句“我注意到上周那个问题还没解决”。 从截图看，默认团队里有 Atlas（研究员）、Bram（工程师）、Iris、Nova、Saga 这些角色，人类和 Agent 在同一个频道里讨论问题，界面上几乎分不清谁是人谁是 AI。左侧栏里既有人和 Agent 的一对一私聊，也有多人群聊，还有看板和日历。 技术上有两种运行方式。一种是 Cumora Cloud，Agent 跑在云端托管的 Kubernetes Pod 里，用 OpenAI 的 Responses API 驱动。另一种叫 BYOA（Bring Your Own Agent），你在自己的电脑上跑一行 npx cumora agent computer，Agent 的"大脑"就变成你本地的 Claude Code 或 Codex CLI，用你自己的订阅，密钥不经过 Cumora 的服务器。 多 Agent 协作最怕的就是撞车，几个 Agent 同时抢着回答同一个问题，或者基于过时的上下文给出矛盾的回复。Cumora 设计了一套协调机制来处理这个问题：如果一个 Agent 的回复基于过时的信息，系统会把它拦下来，让它看完新消息再决定要不要发；任务认领是原子操作，不会出现两个 Agent 同时做一件事；还有一个小脑分诊层，先用轻量模型判断该不该唤醒大模型，避免每条消息都烧 Token。 目前 Cumora 处于邀请制内测阶段，可以在 http://cumora.ai 用 Google 或 GitHub 账号申请。项目完整开源在 GitHub（yetone/cumora https://github.com/yetone/cumora），支持本地部署，装好 Postgres 和 Redis 就能跑起来。桌面端支持 macOS、Windows 和 Linux，移动端 iOS 也在计划中。

@GitHub_Daily

DeepSeek Harness 开源没几天，已突破 15 万 Star，号称「一切皆插件」。 于是 awesome-dsh-plugin 精心收集筛选了一份插件合集，全部都能一条命令直接安装。 按用途分了十几类，界面增强、用量统计、主题外观、模型接入、记忆、通知这些都有。 收录前有人工核对，插件描述里写 46 个工具，就真有人去数一遍，这条我挺喜欢。 GitHub：http://github.com/awesome-dsh-plugin/awesome-dsh-plugin 配套还有个插件市场，装进 DSH 里就能点一下安装插件、一键换主题。 列表用中英日三语维护，收录标准和评审清单也都公开写在仓库里。 正在折腾 DSH 的朋友存一份，想给它加什么能力，先来这里翻翻有没有现成的。

@GitHub_Daily

公司里只有 Windows 客户端的老系统，想自动化几步操作，录屏脚本一改界面就废。 Windows-Use 让大模型直接当操作员，控制 Windows 的图形界面干活。 按钮在哪不靠截图猜，控件名字和位置直接从系统的界面接口里拿，比视觉方案稳。 任务只需简单一句描述交代，开窗口、点击、输入、拖拽它自己安排。 还能跑系统命令、读写文件、切虚拟桌面，配了语音输入输出，动嘴也能派活。 GitHub：http://github.com/Jeomon/Windows-Use 模型接入 Claude、GPT、Gemini 都行，用 Ollama 接本地模型也可以，Windows 7 到 11 都支持。 界面接口这条路本来就是老牌自动化工具的成熟做法，配上大模型当脑子，灵活多了。

@GitHub_Daily

让 AI 改个登录逻辑，它先把小半个项目翻了一遍，代码没动几行，上下文先烧掉一大截。 codesight 的思路是提前把代码库编译成一套 文档，路由、数据、模块关系分页写清楚。 AI 新会话先读两百 token 的目录页就能接上活，问到认证就翻认证那页，不再满库乱翻。 生成走纯静态分析，不调大模型，零 API 开销，两百毫秒出结果。 GitHub：http://github.com/Houseofmvps/codesight 玩法源自 karpathy 的 LLM wiki 设想，但它直接从代码结构编译出来，不靠模型自己总结，这步我挺认的。 还能顺带生成 CLAUDE.md、AGENTS.md，改文件前先查会波及哪些地方，Cursor、Codex 同样能用。 仓库越大越划算，天天新开会话的朋友，拿手头项目跑一遍就有数了。

@GitHub_Daily

电脑没装 Office，临时要改份 docx 文件，找在线工具吧，又得把文件传到人家服务器上。 ZIZIYI Office 把这条路走反了，编辑在浏览器本地完成，文件从头到尾不离开电脑。 Word、Excel、PPT 三件套都能开能改，改完存回本地，中间不过云端。 网盘文件也能直接选着打开，Google Drive、Dropbox、OneDrive 都接好了。 GitHub：http://github.com/baotlake/office-website 打开在线版就能用，什么都不用装，国内访问还有专门的加速入口。 在线 Office 工具见得多了，敢把「数据零上传」写进简介的，这还是头一回碰到。 手边常有临时文档要救急的朋友，存个网址备用。

@GitHub_Daily

用 Claude Code 一段时间，日常还是打字加回车，看别人晒的那些工作流，总感觉差着一截。 ykdojo 把自己平时记下的 40 多条使用技巧整理成了一个仓库，从基础操作一路讲到进阶玩法。 最实用的是状态栏改造，模型、分支、token 用量进度条一行看全，脚本抄走就能用。 GitHub：http://github.com/ykdojo/claude-code-tips 语音派活、手机远程控制、多账号切换这些玩法也都收了，还配了个日常开发的插件。 天天泡在 Claude Code 里的朋友过一遍，多半能捡到几条回去就用的。

@LangChain

.@mondaydotcom built their AI copilot, Sidekick, to do more than answer questions. It can handle complex, iterative work like analyzing CSVs or generating a map on the fly. To do this, they give agents an isolated workspace with LangSmith Sandboxes. How they built it and what they learned: https://www.langchain.com/blog/building-monday-com-sidekick-why-capable-agents-need-more-than-just-tools

@LangChain

Your agents can now pay for the APIs they use. We worked with AWS on the AgentCore Payments middleware. When a tool hits a paid API that returns a 402, it checks the price against your session budget, signs the payment, and retries. The agent gets its data and never has to handle the paywall. Every payment also lands in LangSmith next to the reasoning that caused it. It's not enough that the agent worked and paid, somebody is going to ask what it bought and why. Link to blog - http://www.langchain.com/blog/langchain-agentcore-payments

@realmadhuguru

The best way to get good at evals is to take a workflow you know really well and figure out how to make its quality measurable. Study the actual traces - the sequence of prompts typical users have, what good responses would look like at each step and for the end to end outcome. Study where your product fails and create traces that capture them - messy tool call responses, missing context etc. Once you have a good eval, think about how you would make it easy to run repeatedly and automatically. Once you have that, think about how you will ensure your eval continues to mirror live traffic as your users patterns evolve. This could be a series. Would you guys like me to write about it everyday?