个开源项目让Agent效果翻倍Token成本减半

某天，老板让你用 Agent 手搓一个自动化流程小工具，你撸起袖子，信心满满准备大干一场。

结果呢？你让 Agent 把脚本里写错的一行路径改对，它却怎么都改不进去。你只能放弃挣扎，亲自动手修改。到后面，Agent 连你的需求也记不住了；抓取的信息还总是大半年前的旧闻，根本派不上用场。

这里特意整理了三个非常实用的开源项目，分别针对编辑、记忆、信息获取这三块短板，能让你的 Agent 快速变聪明。

项目一：oh-my-pi 专治手抖

现在 Agent 改代码，绝大多数都遵循同一套逻辑：先让 Agent 把要修改的那段旧代码原样复述一遍，作为修改定位，再把它替换成新代码。

换句话说，Agent 必须把旧代码复述得分毫不差，才能开始修改。可如果文件中途被其他步骤动过，或者代码里有好几处长得差不多，它就彻底懵了。

下面这个项目是一个 AI 编程 Agent，最近在 Coding Agent 圈子里相当能打，GitHub 上已经破万 star。

项目由好几个部分组成，其中最核心的是 hashline 架构。前面说过，Agent 得把旧代码一字不差复述出来，才能修改代码。而 hashline 换了个思路——干脆不让它复述了。

每生成一行代码，Agent 都会给这行挂上一个哈希锚点，相当于这行代码独一无二的指纹。往后要改这行代码，Agent 直接报锚点就行，不用再把旧代码整段搬一遍。修改时，omp 会拿这个锚点跟当前文件再比对一次。对得上，就修改。要是对不上，那就说明这行在它修改之前，已经被别的步骤改过了。omp 不会在一个已经变样的地方硬打补丁，而是直接拒掉这次编辑。相当于每次改动前都自带一道版本校验，从机制上杜绝了改错位、改串行的问题。

光说原理可能没体感，直接上实测数据。开发者曾把 omp 接入 16 个模型、180 个任务，测试结果如下：

最夸张的是 Grok Code Fast 1，改代码成功率从 6.7% 直接干到 68.3%，接近十倍。这里面有个特别反直觉的点：越笨、越弱的模型，装上它之后收益反而越大。此外，它也非常省钱，因为模型不用再为了复述旧代码白白烧一大把 token。

顺带提一句这个项目的身世：omp 的前身是 Mario Zechner 的极简终端 Agent「Pi」的一个 Fork，之前火出圈的个人 AI 助理 OpenClaw，底层用的也是 Pi。

项目链接：
https://github.com/can1357/oh-my-pi

项目二：TencentDB Agent Memory 专治健忘

接着，我们来治 Agent 的健忘。Agent 能记住多少，取决于一个叫上下文窗口的东西。它能一次性塞进去多少字是有上限的，你们聊得越久，这个窗口越满。聊天达到上限后，它就会把最早那几句直接删掉。你原先说的话，就这么在一轮轮的聊天中被挤没了。

现在主流的记忆解决方案，大多是一个套路：把对话切碎丢进向量库，要用的时候靠相似度去盲搜。结果往往是，搜上来一堆看着相似、其实没用的对话，你真正想要的那条，反倒沉在了底下。还有个更要命的点：跨会话的「记不住你是谁」，和单会话里的「被一堆废话撑爆」实则是两码事。在真实任务里，单次会话工具日志的爆炸，可能比跨会话忘事还频繁。

Tencent DB Agent Memory 的聪明之处，就是选择将两个问题分开治。先看「跨会话场景」，它的解法是分层。这套解法，仿照了人类的记忆系统。你不会把每天每句话都原样背下来，而是慢慢把零碎的经历，沉淀成对一个人、一件事的稳定印象。

它也把这个过程进行拆分，总共拆成四层，从下到上叫 L0 到 L3，每一层只干一件事。

L0，把你说的每句对话保存下来，这是档案。L1，从这些大白话里，把真正有用的事实、你的偏好、定下的规矩拎出来，单独记忆，这是要点。L2，把这些零散的要点归归类，拢成一个个完整的场景和事件，这是脉络。L3，沉淀成关于你这个人的稳定画像，这是结论。这一路，越往上越精炼，噪音越少。上层管方向，下层管证据，各司其职。

再看「单会话场景」，它的解法是上下文卸载加 Mermaid 画布。它会把繁杂的工具日志卸载到磁盘文件里，上下文中只留一张轻飘飘的 Mermaid 任务画布。这张画布，会把任务结构折叠成一张能导航的图。画布上每个节点都带编号，你想核对某个细节，只要按编号查找，磁盘上的原文分分钟就能调回来。

说实话，这项目里用的 SQLite、向量库、Mermaid、大模型抽取，单拎出来哪个都不新鲜。它真正的本事，是这套架构的取舍：想明白了哪些信息该沉到底层当证据，哪些该浮到上层。而且，它用的是异构存储，可以全链路溯源。底层的事实、日志进数据库，顶层的画像、场景是能直接打开看的 Markdown 文件。记忆在这里，不再是个黑盒。

有开发者测试过，把它当成 OpenClaw 的插件接进去之后，最高省 61.38% 的 token，任务通过率相对提升了 51.52%，在专测长期记忆的 PersonaMem 上，准确率从 48% 干到了 76%，相对提升近六成。

项目链接：
https://github.com/TencentCloud/TencentDB-Agent-Memory

项目三：last30days 专治眼疾

如果你想让 Agent 搜最新网页，它一般会调用内置的网页搜索工具。说白了就是接个搜索引擎，简单粗暴地把搜出来的头几条链接抓回来。按照这种方式，给你的网页是被 SEO 排过序的，不一定是最新的。真正在 X、Reddit 社区的一手讨论帖，它基本碰不到。

这是开发者 mvanhorn 做的一个研究类 skill，GitHub 上有 25.5k star。last30days 干的事，就是绕开搜索引擎，直接扎进这些地方：Reddit、X、YouTube、HN、Polymarket、GitHub，一把将信息全捞回来。普通搜索聚合的是编辑筛过的内容，而它搜的是人。它不按 SEO 排序，而是按真人实打实的反应给每条打分：谁的赞多、谁的投票高，哪条帖子就靠前。

而且，它还可以跨平台相互印证。同一件事，要是在 Reddit、HN、X 上都有热度，它就把这条的权重往上提一大截。不过，要把功能吃满，得同时配 OpenAI 和社区平台两边的 key，才能开启双边的交叉验证。只配一个是单边模式，一个都没有就退回纯网页搜索，不会有真人互动打分。

内附各平台搜索信息的价格和需要准备的工具：

项目链接：
https://github.com/mvanhorn/last30days-skill

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：个开源项目让Agent效果翻倍Token成本减半要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题