GitHub 一周热点 127 期 — Agent 基础设施与可审计知识图谱¶

本期 5 个开源项目覆盖 Agent 运行时（deepseek-harness）、Agent 视觉产出（diagram-design）、自进化编程范式（prime-agent）、团队协作工作台（macro）与企业级语义图谱（semantica），外加 2026 AI 校招趋势与阿里云 Agent 安全实践。适合正在选型 Agent 基础设施、或关注 AI 系统可审计性的开发者与架构师。

目录¶

• #速览：本期五大项目
• #1. deepseek-harness — Everything is a Plugin
• #2. diagram-design — 出版级图表 Skill
• #3. prime-agent — 自进化 RLM 编程 Agent
• #4. macro — 团队统一工作台
• #5. semantica — 可审计语义图谱基础设施
• #6. 行业趋势
• #7. 选型决策树
• #名称纠错：视频转述 vs 官方仓库
• #参考资料

速览：本期五大项目¶

共同趋势：五个项目分别代表 AI 开发栈的五个层面——运行时、产出质量、编程范式、协作记忆、知识可信。都在回答同一个问题：Agent 时代的基础设施长什么样。

1. deepseek-harness — Everything is a Plugin¶

[!info] 基本信息 - 仓库: https://github.com/deepseek-ai/deepseek-harness - 作者: DeepSeek AI（官方开源） - Stars 106.8k / Forks 10.2k / 12,293 commits / MIT - 状态: Developer Preview，官方明示「THERE WILL BE COMPATIBILITY-BREAKING CHANGES」

核心定位¶

DeepSeek 官方开源的 Agent Harness（dsh），架构哲学是「一切皆插件」（Everything is a Plugin）。底层基于 Cordis 框架（github.com/cordiverse/cordis），其设计来自论文《A Programming Paradigm for Spatiotemporal Composability》（时空可组合性的编程范式）。

注意：视频转述中说的「CDS 框架」是 Cordis 的误听，官方 README 明确写的是 Cordis。

架构：插件化的 Agent 运行平台¶

┌─────────────────────────────────────────┐
│           DeepSeek Harness (dsh)        │
│                                         │
│  ┌─────────┐  ┌─────────┐  ┌─────────┐  │
│  │ 插件:Web │  │ 插件:终端│  │ 插件:工具│  │
│  │   UI    │  │  运行时  │  │  调用   │  │
│  └────┬────┘  └────┬────┘  └────┬────┘  │
│       │            │            │       │
│       └────────────┼────────────┘       │
│                    ▼                    │
│         Cordis 插件内核（时空组合）        │
│      「Everything is a Plugin」          │
└─────────────────────────────────────────┘

使用方式¶

# 需要 Node.js，一条命令启动 Web UI（默认 http://127.0.0.1:3080）
npx @deepseek-ai/deepseek-harness web   # 官方包名 @deepseek-ai/dsh

# 插件生态：给自己的插件仓库打上 topic 即可被发现
# GitHub topic: dsh-plugin

仓库结构（apps / packages / python / native / examples / docs）显示它同时容纳 TypeScript 与 Python 两侧的扩展面，且提供中英双语 README（README.zh.md）。

视频观点 vs 官方信息¶

最佳实践¶

• ✅ 适合现在研究其插件架构、读 docs/architecture.md 与 Cordis 论文
• ✅ 插件仓库打 dsh-plugin topic，进入官方发现通道
• ❌ 不要用于生产——Developer Preview 阶段明确会有破坏性变更
• ❌ 不要基于它做深度定制后不锁版本（迭代极快，12k+ commits）

2. diagram-design — 出版级图表 Skill¶

[!info] 基本信息 - 仓库: https://github.com/cathrynlavery/diagram-design - 作者: Cathryn Lavery（littlemight.com 博主、BestSelf.co 创始人） - Stars 12.7k / Forks 772 / MIT / v2.3

核心定位¶

给 Claude Code、Codex（以及 Pi）用的图表设计 Skill，产出「编辑级」（editorial）质量的图，解决 Agent 默认产出的「通用圆角盒子 + Mermaid 味」图表问题。

• 27 种视觉类型：架构图、流程图、时序图、状态机、ER 图、泳道图、象限图、飞轮（Loop，v2.0 新增）、Gantt、Medallion 数据分层等
• 每种 3 个静态变体：minimal light / minimal dark / full-editorial
• 零依赖：自包含 HTML + SVG，无构建步骤、无 JS、无外部图片
• v2.3 语义系统模式（semantic system patterns）：把「行为」与「布局」分离——队列、策略轨迹、信任边界这类语义可直接复用最近的现有图形，不膨胀图形数量
• 重绘能力：可将 draw.io 或 Mermaid 源文件重绘为指定格式、尺寸、细节等级的成品

安装¶

# Claude Code
/plugin marketplace add cathrynlavery/diagram-design
/plugin install diagram-design@diagram-design

# Codex
codex plugin marketplace add cathrynlavery/diagram-design
codex plugin add diagram-design@diagram-design

安装后记得在 /plugin → Marketplaces 里开启 Enable auto-update（Claude Code 对第三方市场默认关闭自更新）。

与默认方案对比¶

设计哲学（作者的品味清单）¶

• ✅ 「删除是最高质量的操作」——每个节点都必须挣得自己的位置
• ✅ 强调色只留给读者应该最先看的 1-2 个东西
• ✅ 目标信息密度 4/10，留白优先
• ❌ 不做阴影、不做通用圆角盒子（README 原话：No Mermaid-slop）
• ❌ 不追求图形数量堆砌（语义模式复用现有类型）

3. prime-agent — 自进化 RLM 编程 Agent¶

[!info] 基本信息 - 仓库: https://github.com/PrimeIntellect-ai/prime-agent - 作者: Prime Intellect（去中心化 AI 训练基础设施公司） - Stars 15.5k / Forks 1.6k / 4,507 commits / MIT - TUI 基于 pi（earendil-works/pi）

两个核心抽象¶

1. RLM（Recursive Language Model，递归语言模型）
2. 上下文是变量（prompt-as-a-variable）
3. 工具与子 Agent 是函数调用（programmatic tool / sub-agent calling）

4. 全部发生在持久化 Python REPL（IPython）里——不是每轮从聊天记录恢复状态

5. Continual Harness（持续化 Harness，论文 arXiv:2605.09998）

6. 补充提示词、记忆、技能描述、可复用子 Agent 规格都存为持久状态
7. Agent 可通过小的、有证据支撑的更新来精炼自己的 Harness

传统 chat-loop vs RLM 运行模型¶

传统 Agent（chat-loop）:
  用户 → LLM → 工具调用 → 结果追加到聊天记录 → LLM ...
  （每轮都从历史消息窗口"重新理解"状态，上下文即字符串）

prime-agent（RLM）:
  ┌──────────────────────────────────┐
  │  持久化 IPython REPL（控制环境）   │
  │                                  │
  │  context = {...}   ← 上下文是变量 │
  │  result = rlm(...) ← 子Agent是函数│
  │  state 在进程内持续存活            │
  └──────────────────────────────────┘
        ▲                │
        └── /refine ─────┘
   小步自进化：审查轨迹 → 证据支撑的
   harness 更新（不改基础 system prompt，
   快照可回滚）

关键特性清单¶

• 一切皆代码：文件操作、shell、工具、子 Agent、上下文管理都通过 Python 代码完成
• 内置子 Agent：rlm(...) 生成真实子 Agent 做并行/后台工作，结果程序化返回
• /refine 自进化：审查当前轨迹，将可复用的经验固化为 harness 状态的小更新
• 技能即 Python 包：技能是可导入的包，内置 skill creator 可把重复工作流固化为项目/个人技能
• 后台会话：daemon 支撑，终端断开任务继续跑，随时重连
• Agent 间直接通信：运行中的 Agent 可互发消息、互相编排，不必经用户中转
• 长任务保活：自动压缩（compaction）、持久目标（/goal）、心跳（/heartbeat）、定时（schedule）、有界自治模式（/autonomous，带 turn/token/时间预算和质量门）

安全注意（官方明示）¶

• ⚠️ prime-agent 以你的用户权限执行模型生成的 Python 与项目命令
• ⚠️ worker/kernel 进程只做生命周期隔离，不是安全沙箱——不可信代码必须放外部沙箱跑

# macOS / Linux 安装（install.sh 校验 SHA-256 后安装 prime-agent 命令）
curl -fsSL https://raw.githubusercontent.com/PrimeIntellect-ai/prime-agent/main/install.sh | bash
# 首次启动运行 /login 选择 provider（订阅或 API key）

4. macro — 团队统一工作台¶

[!info] 基本信息 - 仓库: https://github.com/macro-inc/macro - 作者: Macro Inc（纽约 + 多伦多团队，自用 dogfood 两年） - Stars 3.1k / Forks 312 / 5,024 commits - AGPLv3 完全开源（官方强调 not "open core"，可自托管）/ SOC 2 Type II

注意：视频转述中的「m-core」实为 macro。

核心定位¶

把 email + 聊天 + 文档 + 任务 + Agent + 通话 + CRM 统一成一个工作台，所有对象之间 @互相链接，共享团队级记忆。创始团队的痛点：公司规模到 ~20 人时，每个团队各买各的工具，公司靠 MCP 和 Zapier 粘合——「公司不可计算」（The company was not computable）。

数据模型：双向图（Bidirectional Graph)¶

邮件 ──@──→ 任务 ──@──→ 文档 ──@──→ Agent 执行记录 ──→ PR
  ▲                                                   │
  └──────────────── 团队级共享记忆（双向图）◄───────────┘

  任意对象间 cross-reference 以图的原生边存储，
  而非每个工具各存一份外键/链接

这正对应视频里描述的链路：邮件关联任务 → 任务关联文档 → 文档触发 Agent → Agent 产出 PR，全部成为可检索、可追溯的团队记忆。

工程规模¶

macro/
├── apps/       web（SolidJS：浏览器 + Tauri 桌面 + 移动）、docs
├── services/   42 个可部署服务/worker/Lambda
├── crates/     167 个 Rust 库（领域逻辑、模型、db clients）
├── packages/   共享 TS（协作、lexical-core、loro-mirror）
├── infra/      Pulumi
└── docker/     本地 Compose 栈

服务遵循六边形架构（hexagonal layout）：入站适配器 → 领域核心（ports）→ 出站适配器。

拼装方案 vs macro¶

判断¶

• ✅ 适合：10-50 人初创团队想摆脱工具拼装、且能接受 AGPLv3 自托管
• ❌ 不适合：已深度绑定现有工具链且迁移成本高的组织；需要非 AGPL 商业授权的（需联系 licensing@macro.com）

5. semantica — 可审计语义图谱基础设施¶

[!info] 基本信息 - 仓库: https://github.com/semantica-agi/semantica - 作者: Semantica（Kaif Ahmad 等） - Stars 6.3k / Forks 671 / MIT / PyPI: pip install semantica - 自我定位：「The Open Source Palantir for AI Agents」

注意：视频转述中的「scitt / context graph」实为 semantica，Context Graph 是其核心概念之一。

核心定位¶

给高风险、强监管场景（金融、医疗、法律、政府）的 AI 系统提供图谱原生的底层基础设施：摄取企业数据 → 抽取实体/关系/因果 → 构建 Context Graph + 知识图谱 → 在其上跑图分析与因果推理，全程带决策溯源（provenance）。

关键卖点：图构建、推理、溯源全部确定性（deterministic），无需 LLM 参与。它不是替换你的 LLM/向量库/Agent 框架，而是在它们下面垫一层可解释、可审计的语义基础设施。

Vector RAG vs Semantica（官方对比）¶

核心能力地图¶

数据源 ──► 摄取管道 ──► Context Graph + KG ──► 应用面
              │                │                  │
   NER/关系/事件抽取      确定性推理引擎        REST API
   实体感知分块          (Rete/Datalog/SPARQL)  MCP Server
   语义去重合并          SHACL 约束/冲突检测     CLI
   (provenance 保留)     W3C PROV-O 溯源        Agno 原生集成
                        图分析(中心性/社区/链路预测)
                              │
                    多模态图存储（可热插拔）:
                    RDF: Oxigraph/Blazegraph/Jena/RDF4J
                    LPG: Neo4j/FalkorDB/AGE/Neptune
                    + Databricks(Unity Catalog)/Snowflake 连接器

代码示例：决策成为可审计节点¶

from semantica.context import ContextGraph

graph = ContextGraph(advanced_analytics=True)

# 每个决策成为可查询、可审计的知识节点
decision_id = graph.record_decision(
    category="vendor_selection",
    scenario="Choose cloud provider for HIPAA workload",
    reasoning="AWS offers BAA, mature HIPAA tooling, and existing team expertise",
    outcome="selected_aws",
    confidence=0.93,
)

# 监管者问「为什么」时，给出结构化的因果祖先链
chain = graph.trace_decision_chain(decision_id)          # 完整因果链
similar = graph.find_similar_decisions("cloud vendor", max_results=5)  # 先例
impact = graph.analyze_decision_impact(decision_id)      # 下游影响图
compliant = graph.check_decision_rules("category", "vendor_selection") # 策略门

典型场景：信贷审批的审计链路¶

监管场景的痛点：underwriting Agent 的批准决定，数月后必须能回答监管者的「为什么」。向量库里只有 embedding，没有意义（meaning）；semantica 让每个决策带着完整因果链与来源记录存活在图里。

6. 行业趋势¶

6.1 2026 校招：AI 岗位井喷¶

视频核心数据（标注为视频转述，具体出处待查）：AI 职缺占校招比例攀升至 37.56%；企业筛选标准中「开源项目、GitHub 贡献、实战经验」权重已超越学校标签。

外部交叉验证（多源新闻，2025 年中发布）：

结论一致：校招增量几乎全部来自 AI 及相关技术岗位，非 AI 赛道原地踏步甚至萎缩。对个人开发者的含义与视频建议一致——GitHub 上的开源与实战项目就是新的简历。

6.2 阿里云 Agent 安全最佳实践¶

核心论点（视频 + 报告摘要一致）：Agent 安全防护不能只靠 Prompt 输入/输出过滤，必须把 Agent 当作具备执行权限的实体，做全生命周期管控。

阿里云的多层防护体系（《2026 阿里云 AI Agent 安全最佳实践》）：

配套产品：智能体安全中心 ASC（Agent Security Center）——围绕智能体的输入输出、运行时行为、数据访问、身份认证、网络通信构建端到端安全闭环。

落地清单（结合视频观点整理）：

• ✅ 工具设计：每个工具最小权限、默认拒绝、显式声明副作用
• ✅ 权限边界：Agent 与用户权限分离，敏感操作需确认
• ✅ 上下文来源：对外部注入内容（网页、邮件、文档）做隔离，防间接提示词注入
• ✅ 审计日志：全链路记录 Agent 决策与工具调用，可回放
• ❌ 只做 Prompt 层输出过滤就上线
• ❌ 给 Agent 与人相同的命令行/账号权限（英伟达红队指南同样指出这是间接注入的重灾区）

7. 选型决策树¶

你的需求是什么？
│
├─ 给 Agent 找运行平台？
│   ├─ 要 Web UI + 插件生态，可接受 preview 不稳定
│   │   └─► deepseek-harness（npx 一键起，dsh-plugin 生态）
│   └─ 要持久化 REPL、自进化、长程后台任务
│       └─► prime-agent（RLM + Continual Harness）
│
├─ 提升产出物的视觉质量？
│   └─► diagram-design（Claude Code/Codex 一装即用，27 种图）
│
├─ 团队协作工具整合？
│   ├─ 10-50 人团队、接受 AGPL 自托管
│   │   └─► macro（双向图 + 团队级记忆）
│   └─ 大组织、高风险决策场景（金融/医疗/合规）
│       └─► semantica（确定性推理 + PROV-O 审计）
│
└─ 什么都不想装？
    └─ 至少记住趋势：Agent 基础设施正在从
       「单一对话框 + 向量 RAG」走向
       「可插拔平台 + 持久执行环境 + 图谱化记忆 + 全链路审计」

8. 名称纠错：视频转述 vs 官方仓库¶

本期视频/转述稿中有三处项目名称与官方仓库不符，搜索验证时务必用右列：

参考资料¶

• 视频：Github一周热点127期（IT咖啡馆）
• deepseek-ai/deepseek-harness · Cordis 框架
• cathrynlavery/diagram-design · 在线图库
• PrimeIntellect-ai/prime-agent · RLM 博客 · Continual Harness 论文 arXiv:2605.09998
• macro-inc/macro · docs.macro.com
• semantica-agi/semantica · docs.getsemantica.ai
• 2026 阿里云 AI Agent 安全最佳实践（发现报告） · 阿里云智能体安全中心 ASC
• 脉脉高聘：新发校招 AI 岗位同比大增 47.3%（证券时报） · 百度 2026 届校招 AI 岗占比超 90%（新浪财经） · 阿里、字节 2026 届校招（财联社）
• 英伟达红队 AI Agent 安全实践指南（安全内参）

相关笔记¶

• CLI 復興浪潮 - CLI Anything 與 OpenCLI 深度解析（同为 Agent 基础设施趋势）