AI 应用开发集成平台 - Composio

1. Composio 是什么 在智能应用的开发中,让 AI 与外部应用交互常是复杂的一步,开发者需要逐一处理每个软件的 API 文档、复杂的 OAuth 认证和繁琐的令牌刷新。Composio 的核心价值在于将所有这些复杂性“一键封装”,让开发者只需一次接入,即可为自己的 agent 赋予操作海量应用的能力。它是一个专为 AI agent 设计的“万能工具集”和“连接中枢”。 你可以把它理解成 AI 界的“乐高”,Composio 为 AI agent 提供了海量的标准化积木(即各种 SaaS 服务的连接工具),让 agent 能轻松地执行发送邮件、更新表格、创建代码仓库等任务。 1.1 主要功能 Composio 提供下面这些主要功能: 庞大的工具库 - 支持超过 250+ 软件和系统,横跨主流办公、协作、开发与数据平台 开箱即用 - 内置 OpenAI、LangChain 等几乎所有主流 AI 开发框架的插件,能与现有工作流无缝集成 MCP 协议支持 - 全面支持 Model Context Protocol,让不同框架的 AI 模型能用标准化的“语言”发现并调用各种工具 平台托管:平台统 - 管理所有第三方工具的 OAuth、API Key 认证流程和自动刷新,代理无需直接接触敏感凭证 全链路安全管理 - 提供 SOC 2 Type II 等企业级安全认证,具备基于角色的权限控制 RBAC、审计日志等特性 ...

April 13, 2026 · 2 min · Carl Cui

从 AI 恐慌谈注意力漩涡:如何保持理性思考

1. 前言 最近读到一篇文章 Software, in a Time of Fear,这是作者 Ed Lyons 写的一篇随笔,以登山为比喻,描述了他从攀登艰难山路的过程中学到的经验教训,探讨如何在 AI 时代的恐慌中保持清醒。作者不否认 AI 会淘汰一部分人,但是他认为 AI 对软件开发者的威胁被严重夸大了,大量的恐慌其实是来自“注意力漩涡”——那些靠贩卖焦虑吸引流量的网红和社交媒体,而不是来自真实的一手经验。 作者经常带自己的孩子们爬山,有一年打算去比弗山 Beehive 之前在网上查看了很多评论,结果作者越看越不敢尝试。因为评论里害怕的人和为了吹嘘自己的人都在渲染一种 Beehive 很危险的感觉。最终去过之后,作者发现其实 Beehive 没那么糟糕。作者把 Beehive 比作注意力漩涡。 2. 什么是注意力漩涡 心理学上,注意力漩涡是一个比喻性的概念,用来描述一种注意力被持续卷入、难以自拔,最终导致心智资源耗尽的状态,就像水中的漩涡一样,你的注意力被某种力量持续牵引、卷入,在其中不断消耗。生活中,我们每个人都会遇到各种各样的注意力漩涡。 2.1 算法制造的注意力漩涡 互联网平台会通过算法机制,根据你的停留时间、完播率、互动行为实时调整推荐,系统性地捕获、延长、加深用户的注意力投入,让用户在不知不觉中被卷入、消耗,难以自主退出: 本想看一眼朋友圈,结果刷了半小时还停不下来 本想放松一下看个短视频,结果一个接一个,放下手机时更累了 你以为你在主动选择看什么,实际上你看的内容都是被算法挑选出来的 无论哪种形态,算法制造的漩涡,你几乎不需要做什么就被引入其中,比如一个红点或者一条推送。 2.2 人际关系中的注意力漩涡 生活中,大家肯定碰到过“操弄”注意力漩涡的“高手”,他们可能出现在你的家庭、职场、社交圈中,你与他们相处后,总觉得疲惫、困惑,甚至开始怀疑自己。他们也许并不坏,但你总感觉自己的注意力、情绪、判断力在被某种看不见的力量牵引。 分化大师 - 在 A 面前说 B 的坏话,在 B 面前讲 A 的不是,他们不直接处理矛盾,而是把自己的负面情绪传导给第三方。你永远不知道他们对你的真实态度,因为他们对不同的人说着不同的话。当所有人都在互相不满,并且因此缺乏直接、真诚的联系时,他们就成了关系网络中不可绕过的枢纽。 美化大师 - 这类人总是将与自己相关的一切包装得光鲜亮丽,将无关或对立的一切贬得一文不值。比如对自己或亲人的成就严重夸大,一个普通的学历会被说成“出类拔萃”,一段微小的经历会被描述成“辉煌成就”。反过来,他们不喜欢的人或事,则会被描绘得极其糟糕。他们无法接受“人就是普通的,事就是平常的”这样的“灰色现实”,要求周围人的注意力也留在这个叙事中,为之鼓掌或为之愤怒。 紧急制造者 - 这类人频繁使用“现在”“马上”“立刻”等词汇,总是制造“现在必须处理”的假象。无论事情是否真正紧急,他们都能让你产生“如果不立刻回应就会出大事”的错觉,让你来不及判断,只能被动响应。 立场强制者 - 在他们的世界里,任何问题都必须站队。不站在他们那边,就是反对;保持中立,就是背叛。中立在他们看来是一种威胁,因为它意味着你不受他们控制。他们会不断测试你的立场,并通过各种方式迫使你表态,例如“你到底是帮谁”,或者“你说是不是这样”。 无论表现形式如何,这些手段都有几个共同点: 制造依赖:让你觉得需要他们才能理解情况、做出判断 消耗认知:把你的注意力从“重要的事”转移到“他们的事”上 扭曲现实:让你逐渐分不清“他们说的”和“实际发生的” 情感绑架:让你为他们的情绪负责,而不是为自己的生活负责 用“漩涡”这个词,强调的是外部存在一种结构性的力量在捕获你的注意力,而不是你“意志力不够”。识别这些手段,不是为了贴标签或对抗,而是为了让自己在关系中保持清醒:我的注意力是我的资源,只有我自己有权决定它投向哪里。 2.3 漩涡中的人会经历什么 注意力漩涡不是简单的“分心”或“走神”,它总不经意间影响你,消耗你的认知,妨碍你进行独立思考。而且危害往往是累积性、结构性的,不易察觉,却深刻影响着一个人的生活质量、关系健康和自我存在感。 ...

March 31, 2026 · 1 min · Carl Cui

从 7000 个无名之辈的菲尔兹级突破谈可靠智能体集群设计

译者:Carl Cui 在 2024 年年中,The Innovation Game 上线。 The Innovation Game(简称 TIG)是一个基于区块链技术的现代项目,它协调大约 7000 个独立的、不可信的贡献者,针对那些具有重要科学价值的问题,迭代改进其算法。TIG 将这些问题作为挑战发布,例如 SAT 求解、车辆路径规划、二次背包问题、向量搜索和神经网络优化器设计等问题,贡献者提交解决这些问题的算法,算法测试者则被激励采用最高效的算法进行工作量证明,从而形成一种抗干扰的机制,用以奖励表现最优的算法。本质上,TIG 为算法开发创造了一个全新的经济框架。 这些贡献者之间无需相互信任。没有哪个中心机构规定什么才是好的,不过经过独立贡献者 476 次增量提交后,TIG 现在提出的二次背包问题的解决方案,已经超过了 Hochbaum 等人 2025 年在 European Journal of Operational Research 上发表的算法的质量。 TIG 这种协调机制几乎与当今最先进的 multi-agent 框架中采用的设计模式相同,通过分析 TIG,我们可以了解未来集群智能 swarm intelligence 的发展趋势。 1. Generator-Verifie 模式 在 agentic system 设计中,最老且最可靠的模式是将 Generator 和 Verifie 解耦:一个 agent 发起提议,另一个 agent 评估该提议。这种设计随处可见,比如 AlphaCode 的生成再过滤流程,比如宪法 AI 的批评修改循环,比如任何写代码然后运行测试的 coding agent。 TIG 在社会层面上实现了这一模式: 贡献者(Generator)将算法实现提交到一个开源仓库 算法测试者(Verifiers)针对实际问题运行这些算法并报告结果 贡献者获得的奖励与其算法的采用率成正比,即有多少算法测试者真正选择使用他们的算法。 ...

March 30, 2026 · 2 min · Agent Native

2026年 AI 实际将取代哪些工作

作者:Tanmay Bansal 译者:Carl Cui 译者之前翻译整理过 Wes McKinney 一篇 关于 AI Agent 的文章。和 Wes McKinney 那篇相比,Tanmay Bansal 这篇文章的思考深度差了不少。Wes 用了具体的代码库规模数据、自己的亲身经历、以及《人月神话》的理论来支撑其论点;而这篇文章更像是把流行观点重新包装了一遍。译者会在结尾第 9 节讨论这篇文章深度不足的地方。以下开始至第 8 节是文章内容。 大多数人认为 AI 将取代程序员、设计师和作家。这种说法有失偏颇。第一批悄然消失的工作更容易预测,而且隐蔽性很强。一不留神,你现在可能就在做着这样的工作。 这不是一个关于未来的理论警告。这已经在发生了,只是你还没有注意到。 1. 普遍观点 随便刷刷哪个技术论坛或者社交动态,都能感觉到那种恐惧。大家都觉得语言模型和 coding copilot 的到来,意味着工程部门和创新部门要被取代了。人们看到 AI 能写出过得去的代码,或者能生成文章,立刻就得出结论:那些正在做这些事情的人已经过时了。 表面上看这说得通:我们看到一台机器输出文字,就把它和“作家”这个职位联系起来;我们看到它输出一个 React 组件,就把它和“开发者”联系起来。 但这忽略了 AI 在现实世界中的实际应用情况。 2. 真实规律 这里的核心观点:人工智能取代的不是工作,而是取代那些可预测、可重复、也容易评估的任务。 The upcoming job scenario with AI: Image by Tanmay Bansal 仔细看看软件行业和现代知识密集型工作,你会发现其中有很多工作的产出其实只是把一些高度可预测的输出拼接了起来。这正是自动化首先冲击的领域。 3. 实际上正在被取代的工作 让我们分析一下那些正在悄然消失的工作类别。 3.1 中间层知识工作 想想那些纯粹为了喂算法或填写公司报告而生成的海量内容:基础的 SEO 文章生成、每周指标的总结,或是初级市场研究报告的汇总。 我自己管理着一份技术简报,从数据中可以看到:读者渴望独特的洞见,但网络上充斥着泛泛的总结。那些专门生产这些泛泛总结的工作,其产出高度结构化且易于验证,正在迅速减少。 3.2 协调与“胶水“角色 企业环境中充斥着纯粹用于将信息从 A 点传送到 B 点的角色。例如,做会议记录、根据 Slack 线程更新 Jira 工单、为高层管理人员格式化状态报告以及起草内部沟通摘要。 ...

March 24, 2026 · 2 min · Tanmay Bansal

AI Agent 与人月神话:工具变了,软件工程的本质约束没变

作者:Wes McKinney 译者:Carl Cui 作者 Wes McKinney 是专注于分析计算领域的工程师和创业者,pandas 的创始人,《Python for Data Analysis》的作者。曾创立 Voltron Data 和 Ursa Labs,现任 Posit 首席架构师。作者的这篇文章从《人月神话》的核心观点出发,讨论了 AI Agent 给软件工程所带来的影响。 和很多人一样,我发现 AI 严重影响了我的睡眠。以前我会在凌晨四点或四点半短暂醒来喝口水或上个厕所,现在却很难再次入睡。以前我每晚能睡七八个小时,现在能睡六个小时就不错了。我基本上已经不再抗争了:现在当我在早上 5:07 辗转反侧,脑子里全是喂给 AI coding agent 的想法时,我就直接起床开始新的一天。 在我的工程师和数据科学家朋友圈里,大家都在讨论我们作为人类的竞争优势还能持续多久。当 agent 开始自己产生更好的想法时,拥有好想法(而且要多)还重要吗?现在感觉,人类专家的参与是从 agent 那里获得良好结果的必要条件。那这种状态,直到某个想法在我们睡觉时可以被 agent 转化为能运行、有品味的软件之前,还能持续多久?这是否会是一种温和淘汰,让我们愉快地交出控制权,还是别的什么? 目前,我感觉自己还是被需要的。我不把自己现在这种工作方式描述为“vibe coding”,因为这听起来像是以一种贬义的“轻松搞定”的方式来构建 AI 垃圾软件项目。我一直在构建像 roborev 这样的工具,为我的并行 agent 会话带来严格性和持续监督,并对 agent 的工作进行严格审查。这种全新的工作方式让人不得不思考软件工程的未来。 我职业生涯中引用最多的书大概是 Fred Brooks 的《人月神话》,其中著名的 Brooks 定律认为“向一个已经延期的软件项目增加人手只会让它更晚”。最近我发现自己在思考这本书的教训是否适用于这个 agentic 开发的新时代。一个才华横溢的开发者指挥一群 AI agents,能否更快更好地构建复杂软件?短期的生产力提升是否会带来长期的项目成功?还是我们会遇到同样的问题?范围蔓延 scope creep、架构漂移 architectural drift 和沟通成本 coordination overhead,这些已经困扰软件团队几十年的问题。 1. 重读《人月神话》 Brooks 的核心论点之一是:少数精英组成的小团队胜过大量普通人组成的大团队。这能使得系统设计具有高度的概念完整性,就好像“一个人设计了它,即使是很多人参与了构建”。 Agentic 工程似乎放大了这些问题,因为其所构建软件的质量仅取决于参与其中的人类的水平:他们负责策划和完善 spec、对功能说“是或否”,以及控制不必要的代码和架构复杂性。《人月神话》中的一个比喻是“泥潭”:“每个人都能看到野兽在里面挣扎,看起来任何一只都能轻易逃脱,但泥潭把它们都困住了。”现在,我们有了一个新的“泥潭”,“agentic 泥潭”,我们的并行 Claude Code 会话和 git worktree 需要应付虚拟同事导致的代码膨胀和偶然复杂性。你可以系统地重构,但 agentic 代码库不可避免地会比任何人工构建的更大、更臃肿。这是前所未有的技术债务,以机器的速度累积。 ...

March 24, 2026 · 2 min · Wes McKinney

生成式 AI 时代开源软件生态 - PARK

作者:Dean Wampler 译者:Carl Cui 1998 年,LAMP 的出现第一次清晰描述了用于构建网站的主要开源软件,也让无数开发者找到了构建 Web 应用的共同语言。二十多年后,生成式 AI 的浪潮同样呼唤一套属于这个时代的标准答案,PARK 栈由此而来。作者 Dean Wampler 在这篇文章中为我们展现了 AI 时代开源“风景”,更难得的是,作者在文章穿插了大量引用,方便感兴趣的读者继续探索。 1. 背景:LAMP 技术栈 根据 Wikipedia,LAMP 技术栈这个缩写是由 Michael Kunze 于 1998 年提出的,用于描述当时流行的用于构建网站的开源软件组合。在 20 世纪 90 年代初,随着万维网(WWW)的普及,各大组织使用各种专有工具和操作系统,外加一些开源软件(OSS - open source software)来构建网站。LAMP 技术栈迅速成为最受欢迎的开源组件集合。 LAMP 是一个缩写词,分别代表以下内容: 字母 组件 职责 L Linux 操作系统 A Apache HTTP Server 网络服务器 M MySQL 数据库 P Perl、PHP 和/或 Python 应用程序编程语言 在当时,依赖开源软件的想法是有争议的。因为源代码对所有人可见,人们担心缺乏支持和存在软件漏洞,最终这些问题解决了。开源之所以具有不可抗拒的吸引力,是因为流行的 OSS 项目提供了极大的灵活性、成本效益、无供应商锁定以及快速迭代。LAMP 堆栈成为企业采用开源的主要驱动力之一。 2. PARK 技术栈 就像互联网的兴起一样,大型语言模型(LLMs)、视觉模型(VMs)和其他生成式 AI 的突然爆发,促使人们去识别最适合生成式 AI 的 OSS 组件。这个时代出现了 PARK 技术栈。它是由 Ben Lorica 去年 11 月在文章 Trends Shaping the Future of AI Infrastructure 中首次提出的。 ...

March 20, 2026 · 2 min · Dean Wampler

OpenClaw 对下一阶段 AI Agent 的启示

作者:Kesha Williams 译者:Carl Cui 译者之前写了篇介绍 OpenClaw 的文章:不一样的 OpenClaw,简述了 OpenClaw 这个项目的来龙去脉,并从安全角度讨论了这个明星项目面临的现实问题。随后译者看到了 Kesha Williams 这篇文章,她思考了 OpenClaw 的火爆给 AI Agent 发展带来的启示,值得我们参考,以下是整理翻译后的内容。 1. 自主 AI 并非新事物 OpenClaw 的异军突起感觉与 2023 年 4 月 AutoGPT 横空出世时相似。那时候它也和现在一样,在 GitHub 上迅速走红,承诺能实现 AI 的自主。但实际情况是,那些 agents 陷入了死循环,经常产生幻觉,还造成了高昂的 token 成本。没过多久,人们就纷纷放弃了。 OpenClaw 有一个关键优势:模型变得更好了。最近的 LLM(如 Claude Opus 4.6 和 GPT-5.4)允许模型将各种工具串联起来、从错误中恢复,并规划多步骤策略。OpenClaw 项目既得益于设计,也得益于时机。 OpenClaw 的架构故意保持简单。没有矢量数据库,也没有多 agent 编排框架。Persistent memory 就是磁盘上的 Markdown 文件。让我重复一遍:Persistent memory 就是磁盘上的 Markdown 文件!这个 agent 可以读取昨天的笔记,并在自己的文件中搜索额外的上下文。你可以根据需要查看和编辑 agent 的文件。这其中有一个有用的经验教训:并非每个 agent system 都需要复杂的 memory 策略。更重要的是你理解 agent 在做什么,并且它能够在多次运行中保持上下文。 ...

March 18, 2026 · 2 min · Kesha Williams

2026 年开发者真相:告别编码,重回“规划”

作者:Tim O’Reilly 译者:Carl Cui 这篇文章源自 O’Reilly 的 Tim O’Reilly 与 Google AI 专家 Addy Osmani 在 2026 年 2 月的一场深度访谈。Addy Osmani 在谷歌领导 Chrome 浏览器的开发者体验团队长达 14 年之久,最近转到谷歌云人工智能公司,专注于 Gemini 和 agent 开发。作者 Tim O’Reilly 的这篇概括性文章可以帮助 AI 时代的开发者更好地区分现实和噪音。 1. 难点在于 agent 协调,而非内容生成 Addy 指出,目前人们使用 AI agent 的方式多种多样。一边是单人公司运行着成百上千个 agents,有时连代码都不会审查。另一边则是对质量门槛和可靠性有要求,需要考虑长期维护的企业。 Addy 的看法是,对于大多数企业来说,“真正的边界不一定是为了某个任务而拥有成百上千个 agents。关键在于协调一定数量的 agents,解决实际问题,同时保持控制和可追溯性”。他指出,像 Google Agent Development Kit 这样的框架现在可以在单个系统中同时支持 deterministic workflow agents 以及 dynamic LLM agents,这样你可以灵活地选择什么时候需要可预测性,什么时候需要便利性。 Agent 生态系统正在快速发展。A2A(由 Google 贡献给 Linux 基金会的 agent-to-agent 协议)处理 agent 之间的通信,而 MCP 处理 agent 对工具的调用。组合在一起,它们就像是 AI agent 时代的 TCP/IP。不过 Addy 认为:“几乎没有人想出如何让所有东西尽可能顺畅地协同工作。我们正尽可能地接近那个目标。而这才是这里的实际难题。不是生成,而是协调。” ...

March 18, 2026 · 2 min · Tim OReilly