全球文明进程重大事件日报AI 极客实战教程日报
🔭 今日 AI 实践观察
三个信号：① MCP 正在从"概念科普"进入"企业工程化"——掘金两篇当日文章分别给出手写禅道 MCP 服务的最小实现，以及带审批、留痕、凭据托管的企业内网 MCP 网关架构，社区开始认真回答"AI 改了内网数据谁负责"；② Agent 的"治理"与"记忆"成为热榜主线——阿里 open-code-review、腾讯 WeKnora、Hindsight 等项目都在解决"Agent 产出能不能信、记不记得住"，GitHub 官方 gh-aw 把 trajectory graders 作为新版本重点；③ 国产 Coding 工具教程生态成熟到可出"深度使用指南"——TRAE 的规则系统、Bug 修复工作流、OpenSpec 重构四阶段都被沉淀成可复制操作手册。AI 正在从"回答问题"走向"执行任务"，而昨天的社区正在补上"执行之后如何被审计、被约束、被复用"这一课。
用 Python + FastMCP 给禅道写一个 MCP 服务，让 Agent 替你看 Bug
原始资料
教程讲了什么
禅道是国内团队用得最多的缺陷管理系统，但 Coding Agent 天生访问不了它。作者用一个最小例子讲透 MCP 服务本质：MCP 就是一个独立进程，Agent 通过 stdio 发 JSON-RPC 请求，你的服务去调禅道 REST API，把结果格式化成纯文本返回。教程从单个 Tool（zentao_get_bug）跑通，再扩展到列表查询、任务状态更新，最后总结四条 MCP Tool 设计原则：按意图拆分 Tool、docstring 写触发场景、只把真正必填的放 required、返回纯文本不返回 JSON。
技术栈
| 模型 | 不绑定具体模型，通过 Cursor 等 MCP 客户端调用其内置模型 |
| 工具 | Python、FastMCP（mcp 官方 SDK）、Cursor（MCP Host） |
| API | 禅道 REST API（15.0+，需管理员开启） |
| 部署 | 本地 stdio 进程，Cursor 自动拉起 |
为什么值得收藏
目前少见的"从零到接入 IDE 全链路、代码可直接复制"的中文 MCP 实战教程。最大价值不在代码量，而在四条 Tool 设计原则——这些是决定 Agent 选 Tool 准不准的实战经验，可直接迁移到任何内部系统（Jira、飞书、钉钉、内部 Wiki）。
隔离内网下的 AI Agent 工程实战：给所有内网系统统一装上 MCP + 审批 + 留痕
原始资料
- 原文掘金内网 MCP 网关实战复盘（一线工程师第一手记录）
教程讲了什么
文章给出完整的企业内网 MCP 治理架构：读操作（查 Bug、查日志、查监控）直接放行；写操作（改任务状态、发通知、改配置）必须先生成"待执行单"，经人工审批后才真正调用；所有调用落审计日志，含调用者、时间、参数、审批人。凭据统一由网关托管，Agent 不直接接触数据库密码。这是国内少有的把"AI 改了内网数据谁负责"这个问题正面回答的工程方案。
核心设计
- 读/写分离：读 Tool 直接执行，写 Tool 强制审批。
- 待执行单模式：Agent 生成 diff/动作描述，人在审批页点确认才落地。
- 凭据托管：内网系统密钥存网关，Agent 只拿短期 token。
- 全量留痕：每次调用入审计库，可回溯、可举报。
Browser Use Cloud v3 BU Agent API 实战：用几行代码把浏览器任务变成"任务进、结果出"
教程讲了什么
v3 把"本地跑浏览器 Agent"变成了云 API：你 POST 一个自然语言任务，它返回 run_id，异步执行完再回调结果。教程覆盖认证、SDK 初始化、run() 执行模型、16 个 REST 端点（会话/消息/文件/工作区）、成本护栏（max_steps、timeout）、错误重试与资源收尾。特别强调 live_url 参数——提交任务后可以实时看到 Agent 在浏览器里做什么，这是调试 Browser Agent 最快的方式。
GitHub Agentic Workflows v0.90.0 发布：用自然语言在 Actions 里编排 Agent，还能给轨迹打分
教程讲了什么
gh-aw（GitHub Agentic Workflows）是 GitHub 官方把 LLM Agent 接进 Actions 的项目。v0.90.0 三个重点：① step summary 里直接显示 friction cost（每一步花了多少 token/钱）；② 空任务 noop 零积分退出，Agent 判断没事可做就不烧钱；③ 五个新 trajectory graders（轨迹评分器），从正确性、完整性、安全性、效率、可复现性五个维度给 Agent 的一次执行打分。这意味着"Agent 自动化"第一次有了和 CI 一样可度量的质量门。
Trae 深度使用指南：一个 AI 原生 IDE 的完整工作流（规则、记忆、修 Bug、重构全流程）
教程讲了什么
教程分四块：① 模式与智能体体系（IDE 模式 vs SOLO 模式、内置 Agent 分工）；② 规则系统四种生效方式（项目级 .trae/rules、用户级、目录级、文件级）——这是把个人经验变成团队资产的关键；③ Bug 修复工作流：把完整报错栈、相关文件、复现步骤一起喂给 AI，不要只贴一句话；④ OpenSpec 重构四阶段：用"上帝对象"案例演示如何让 AI 分阶段拆解大文件。附结构化指令四要素模板（角色+任务+上下文+输出格式）。
阿里开源 open-code-review：规则流水线 + Agent 的代码审查 CLI，一周涨星 3700+
教程讲了什么
核心思想是分层：确定性的事（语法、lint、安全规则、类型检查）走规则流水线，又快又准；模糊的事（架构合理性、命名一致性、是否符合业务语义）交给 Agent 审查。两层结果合并成一份审查报告。这种"规则管硬、Agent 管软"的分层，比纯 LLM 审查便宜一个数量级，也比纯 lint 多覆盖了语义问题。
⚠️ 真实性说明：本案例架构描述基于榜单定位与项目公开信息，上手步骤以官方 README 为准。
Datawhale 开源新课《Deep Agents 实战》：16 章从第一个 Agent 讲到生产级 Harness
教程讲了什么
课程分核心篇与进阶篇：核心篇讲 Agent 基础、工具调用、虚拟文件系统、任务规划；进阶篇讲子 Agent 隔离、沙箱执行、Human-in-the-loop 中断恢复、MCP 接入。每章配可运行 Jupyter 模板，默认用国产开源模型跑。Datawhale 系教程一贯风格：章节即大纲、模板即实验环境，培训师可直接裁剪成 Workshop。
腾讯开源 WeKnora 登热榜：RAG + 推理 Agent + 自维护 Wiki 的知识库方案，一周涨星 2700+
教程讲了什么
WeKnora 的差异化在"自维护"：传统知识库是项目制——一次性灌入文档就不再动；WeKnora 让 Agent 在回答用户问题时，自动把新产生的知识（FAQ、踩坑、新结论）沉淀回 Wiki，并经人工审核后入库。知识库从"静态文档"变成"随问答生长的运营资产"。核心风险也在这里：自动沉淀如果没有审核流，就是自动污染。
⚠️ 真实性说明：能力描述基于榜单复盘与项目公开定位，"自维护 Wiki"具体机制与效果请以官方文档与实测为准。
📈 今日 AI 实战技术观察
① MCP 进入企业工程化阶段。上一期还在讲"怎么写第一个 MCP Server"，这一期直接跳到"企业内网 MCP 网关怎么审批、怎么留痕、怎么托管凭据"。MCP 的叙事重心已从"连接工具"转向"治理工具"——谁有权调、调了什么、谁批准的，成为新的工程命题。
② Agent 治理三件套：审计、评分、记忆。gh-aw 的 trajectory graders 回答"Agent 干得好不好"，open-code-review 回答"Agent 产出可不可信"，WeKnora 回答"Agent 记不记得住"。三者合起来，就是 Agent 从 Demo 走向生产的完整质量门。
③ 国产工具教程生态成熟。Trae 出深度使用指南、Datawhale 出 16 章系统课、阿里腾讯出开源项目——中国 AI 开发者已经不只是"用海外工具"，而是在沉淀自己的工具链方法论。这是生态成熟的标志。