营销自动化、自主科研、Agent 控制平面——三条主线。真正把它们拧成一股绳的，是那些沉默却关键的底层能力：可观测性、Token 经济、Skill 演化、共享记忆。
一句话变一场营销。
热点追踪 → AI 文案 → 配图生成 → 短视频制作（解说 / 短剧 / 口播）→ TTS 配音 → 9 语种本地化（中英日韩西泰越葡阿），全流程自动化。Spark 短剧制片厂（Agentic 编剧→导演→审片闭环）、GEO 优化（让 AI 搜索引擎引用你的内容）、内容原子化、多视角辩论、故事板、日历排期、模板复用与管理后台。231 条 API 路由，52 张数据表，4 个支付通道，基于 DashScope 全系列 AI 服务构建。
把整家公司的文档压成一组 Skill。
给它一个产品文档目录，LLM 读完所有内容，自动生成两类 Skill：detail skill 管每个能力怎么用，intent skill 管多条路径怎么选。输出直接对接 Claude Code / Cursor / 任何 SKILL.md 兼容的 Agent。零人工编写、零第三方运行时依赖（纯 Python stdlib）。GEO 闭环（测量→诊断→重写→再测量）确保产品被 AI 搜索引擎引用，边缘探索 Agent 自动发现跨产品组合场景。附带 MCP Server 自动生成、D3 知识图谱、实时 SSE 遥测与双币种订阅计费。
选模板、选风格、点生成——AI 全自动产出代码、美术与过场视频。底层是 elevator agent 三段式（planner → executor → verifier）+ 7 类异常护栏 + 视觉自调试（看运行画面发现错误自己修），6 家 Provider、17 把 key 自适应路由。
中英两版各自从零起笔——非翻译。中文重凝练，英文重展开。32 个主题系列覆盖机器学习、数学、云计算与 Agent 系统，自定义主题支持 LaTeX 数学渲染、全文搜索、系列导航与暗色模式。
永不停歇的全自主科研系统。
两条独立管线协同运作：知识积累管线自动发现论文、深度阅读、维护知识图谱（107K+ 节点，370K+ 边）、通过对抗辩论生成研究想法；执行管线由 Boss Agent（LLM 驱动）编排实验设计、执行、统计分析、失败诊断、论文写作与同行评审。分布式 fleet（2 台 128GB 工作节点）、自愈 supervisor（40+ 规则）、显式状态机保证全流程可审计。
公开展示（llm4science.top）开放研究动态可视化，编排逻辑与私有数据集仍在内部。
一座由 LLM 心智组成的城邦，你从上帝视角看它自己长出文化。数十个 Agent 各有性格、情感、身份与信仰，在共享世界里感知→审慎思考(System-2)→经有界仲裁器行动。全程事件溯源(append-only 日志)：可回放、可分叉任一历史时刻、可 rollback 到任意 tick 检视每个居民的内心。底层是一套抽象出的通用生成式 Agent 引擎(kernel)，可迁移到任意多智能体世界。
让中国大模型自主完成复杂软件工程任务。
一个高层目标分解为可验证子目标的 DAG，不同模型分别承担规划、执行、审查、验证四个角色——没有模型给自己打分。失败自动逐级升级（Qwen → DeepSeek → 最强模型），子目标并行执行，tripwire 实时检测 13 类行为异常，经验系统将失败压缩为可复用的 Skill 模板。支持多日项目（Roadmap → Milestone → Task → Subgoal DAG）持续自主推进。
提问，然后看着知识图谱自己生长。
每个问题都变成画布上的一个节点：AI 流式回答后，自动在周围长出 2–4 个相关概念节点。划词即可发起带上下文的追问；上传文档进私有知识库，一键把任意文档合成结构化图谱。LLM 拿到的是整张图谱作脚手架（祖先链 + 兄弟概念 + 你的 KB），12 类自动打标、KaTeX 公式、多图谱工作区、Markdown / JSON 一键导出。这不是聊天工具，是知识工厂。
会议进行时，一个安静的侧边栏帮你听、记、答。抓取本机系统音频（Swift ScreenCaptureKit）→ 流式转写（DashScope Paraformer）→ 滚动纪要、建议回复、思考辅助，答案 grounded 于你的知识库、网页（Tavily）与你开放的 API。Tauri 桌面壳 + FastAPI 后端（114 API 路由），被动不打扰。
一只叫 Clawd 的桌面宠物，实时感知本机每一个 AI Agent 的状态并冒气泡提醒。Agent 在跑、在等、卡住、报错——它都看得见，用表情和气泡告诉你（7 款角色皮肤可选）。零依赖，一条命令跑起来，可嵌入任何网页。
AI Coding 时代的 Web 应用安全实战手册。
当 AI 能写 80% 的业务代码时，安全边界在哪里？本书从真实事故出发，拆解 LLM 驱动应用的攻击面（Prompt 注入、权限逃逸、数据泄露、供应链投毒），并给出工程化的纵深防御方案——pre-commit 密钥守卫、TOCTOU 配额竞态防护、多层防火墙协调、Agent 行为沙箱——每一条都从线上事故中提炼。
暂无匹配项目。
长时运行的 Agent 如何在多个 Provider 间分配预算？哪些步骤值得用最贵的模型？
哪些失败能沉淀为可复用的 Skill？哪些注定无法复用，只能归档？
多个 Agent 共享同一份记忆时，类型系统该有多严格？
从 Demo 到上线的最后一公里：可观测性、回放能力、治理框架、用户信任机制。