Codex 校核（2026-10-10） OpenCode 官方 V2 压缩文档说明默认自动压缩，保留持久会话消息；摘要有损，不能等同原始记录被删除。Ollama 官方集成支持本地和云模型。因此下表“全部倒入”“只能前沿云模型”等绝对表述不能作为当前 OpenCode 事实；编辑/规划策略也需具体版本、工具和任务依据。SmallCode 的比较是项目定位，不是双方功能的独立评测。本次未安装或执行编码任务。
🌅 每日情报扫描 | 2026-05-30 (周六)
时效性声明：数据来自 GitHub API、HackerNews API、arXiv（部分受限），采集于 2026-05-30 早间。Reddit 因 API 访问限制未能覆盖。
🔴 深度分析（3 个）
1. SmallCode — 为小模型量身定制的编码 Agent
定位一句话： 专为 8B-35B 本地模型设计的终端编码 Agent，解决了”小模型用 OpenCode/Claude Code 的低效”问题。
证据原文（README）：
“SmallCode is a terminal-native coding agent designed from the ground up to extract useful work from local models (8B-35B) running on consumer hardware. While tools like OpenCode assume frontier models with 128k+ context and perfect tool calling, SmallCode compensates for the limitations of small models through intelligent architecture.”
对比表显示：SmallCode vs OpenCode 差异——Context 管理（预算管理+摘要 vs 全部倒入）、Tool calling（宽容多格式解析器 vs 假设可靠 JSON）、规划（TODO 文件分解步骤 vs 一次性完成）、编辑（搜索-替换 patch vs 全文件写入）
横向对比：
| 维度 | OpenCode | SmallCode |
|---|---|---|
| 目标模型 | 支持云模型及 Ollama 本地模型（10/10 校核） | 8B-35B 本地模型（项目定位） |
| 上下文策略 | 当前 V2 默认自动压缩，摘要有损、持久消息保留 | 预算管理+自动摘要（项目说明） |
| Tool calling | 此比较未独立核实，需具体模型与工具依据 | 宽容多格式解析器（项目说明） |
| 规划 | 此比较未独立核实，需具体版本与任务依据 | TODO 文件分解步骤（项目说明） |
| 编辑 | 此比较未独立核实，需具体版本与编辑工具依据 | 搜索-替换 patch（项目说明） |
| 隐私 | 取决于模型后端，可使用 Ollama 本地模型 | 本地模型方案；其他网络依赖仍需按配置确认 |
依赖：Node.js 18+ + 任意 OpenAI 兼容本地模型服务器（LM Studio、llama.cpp、Ollama）。内置 RAG 索引（Python + Git 爬取）和 budget-aware-mcp。
对 Hermes/WSL 双代理架构的意义：
- 当前双代理架构（Hermes + Codex/Claude Code）假设云端 API 的稳定性和质量。如果希望引入本地模型作为”fallback 层”或”轻量审查层”，SmallCode 的思路（上下文预算管理、自适应解析、TODO 分解）可以直接借鉴
- SmallCode 的
budget-aware-mcp组件是 MCP 生态中对小模型适配的关键创新，值得研究其实现 - 🟡 P1 — 优先级高但不紧急：当前双代理架构运行良好，本地化策略可作为下一步优化方向
行动建议：
- 在 WSL 中安装 SmallCode 试用：
npm install -g smallcode - 分析其上下文预算管理算法，看能否移植到 Hermes agentmemory 或 gbrain 的记忆裁剪策略中
- 关注其 RAG 索引与 codegraph 的集成可能性
链接： https://github.com/Doorman11991/smallcode | ⭐ 1623 | 12 天前创建 | MIT
2. CodeGraph — 代码知识图谱，已原生支持 Hermes Agent
定位一句话： 33112★ 的预索引代码知识图谱工具，已在其明确的兼容列表中包含 Hermes Agent，目标是”更少的 token、更少的工具调用、100% 本地”。
证据原文（README）：
“Pre-indexed code knowledge graph for Claude Code, Codex, Gemini, Cursor, OpenCode, AntiGravity, Kiro, and Hermes Agent — fewer tokens, fewer tool calls, 100% local”
“~22% cheaper · ~50% fewer tool calls · 100% local”
横向对比：
| 项目 | Stars | 特点 |
|---|---|---|
| CodeGraph | 33,112 | 预索引 KG，多 agent 兼容，MIT |
| GitNexus | 40,745 | 浏览器端运行，零服务器，Graph RAG Agent |
| lat.md | 1,609 | Markdown 格式的代码知识图谱，偏轻量 |
| Prometheus | 992 | KG 驱动的代码理解与修复 Agent |
| Axon | 708 | MCP 暴露的图引擎代码智能引擎 |
CodeGraph 的核心优势是 预索引（pre-indexed）——在会话开始前离线构建知识图谱，运行时 agent 只需查询图谱而非逐文件扫描，直接降低 50% 工具调用。
对 Hermes/WSL 双代理架构的意义：
- CodeGraph 直接支持 Hermes Agent，安装即用：
curl -fsSL https://raw.githubusercontent.com/colbymchenry/codegraph/main/install.sh | sh - 如果 Hermes agent 在代码仓库中工作，CodeGraph 可显著减少 token 消耗（-22%）和工具调用（-50%）
- 与现有 gbrain（语义记忆）互补——gbrain 处理长期知识/用户画像，CodeGraph 处理即时代码理解
- 🔴 P0 — 今天就可以安装试用的高优先级工具
行动建议：
- 立即在 WSL 中安装 CodeGraph：
curl -fsSL https://raw.githubusercontent.com/colbymchenry/codegraph/main/install.sh | sh - 在 Hermes 配置中集成 CodeGraph 作为 MCP 工具
- 测试在 gbrain 相关代码库中使用 CodeGraph vs 无 CodeGraph 的 token 节省效果
- 关注 GitNexus（40K★）作为备选方案——它的浏览器端零服务器架构在某些场景可能更适合
链接： https://github.com/colbymchenry/codegraph | ⭐ 33,112 | MIT | 每日活跃更新
3. LanceDB Hermes Agent Memory — Hermes 官方生态的记忆插件
定位一句话： LanceDB 官方团队开发的首个第三方 Hermes 内存提供者插件，实现基于向量 + BM25 混合检索的持久内存。
关键特性（摘自 README）：
“Hybrid recall: vector + BM25 fused with RRF; per-call switchable to pure vector or pure FTS.” “Rerankers (optional): cross-encoder/ettin-reranker-32m-v1” “Workspace isolation: every row carries an agent_workspace tag and recall pre-filters by it.” “Fact-first retrieval: recall surfaces extracted facts; raw conversation turns are stored as provenance” “Mid-session extraction: facts are pulled out via an auxiliary LLM on on_pre_compress and on_session_end”
存储路径：~/.hermes/lancedb/memories.lance/
工具接口：lancedb_recall, lancedb_remember, lancedb_read, lancedb_forget
安装方式：hermes plugins install lancedb/hermes-agent-memory
对比 Hermes 现有 agentmemory 技能：
| 维度 | AgentMemory (rohitg00) | LanceDB Memory Plugin |
|---|---|---|
| 集成方式 | 外部 npm 包 | Hermes 原生插件 |
| 检索方式 | 未知 | 混合检索（向量+BM25+RRF） |
| 工作区隔离 | 无 | agent_workspace 标签 |
| 事实提取 | 无 | 辅助 LLM 自动提取 |
| 自动压缩 | 无 | 自动 optimize() 碎片整理 |
| 跨编码器重排序 | 无 | 可选 |
对 Hermes 架构的意义：
- 这是首次有外部团队（LanceDB）为 Hermes 开发核心组件，表明 Hermes Agent 生态正在成熟
- 工作区隔离 + 事实提取的设计思路可直接用于当前的双代理场景（Hermes 主 agent + Codex 子 agent 共享同一内存但隔离工作区）
- 🟢 P2 — 短期优先级不高，但生态里程碑事件值得关注
行动建议：
- 安装试用：
hermes plugins install lancedb/hermes-agent-memory - 评估其工作区隔离机制能否解决双代理架构中的记忆冲突问题
- 对比当前 gbrain 实现的记忆方案，看看 LanceDB 的混合检索是否值得集成
链接： https://github.com/lancedb/hermes-agent-memory | ⭐ 2（新项目）| Apache-2.0 | 2026-05-29 发布
🟡 快速一览
| 项目/主题 | 来源 | 一句话摘要 | 热度 |
|---|---|---|---|
| Pipelock — MCP 防火墙 | GitHub | 开源 AI agent MCP 防火墙：出口控制、DLP、SSRF、提示注入防御，已纳入 CNCF Landscape | ⭐ 660 🔥 |
| ADHD — 编码 Agent 思维技能 | GitHub | 树形思维+剪枝的 Claude Code 技能/替代架构，解决自回归推理的过早收敛问题 | ⭐ 513 🔥 |
| tirith — Agent 终端安全 | GitHub | Rust 编写的终端安全检查器，拦截 homograph URL、pipe-to-shell、ANSI 注入、恶意技能 | ⭐ 2390 🔥 |
| agentseal — Agent 安全工具包 | GitHub | 扫描危险技能和 MCP 配置、供应链攻击监控、提示注入测试、MCP 服务器审计 | ⭐ 280 |
| MCP-Universe (Salesforce) | GitHub | RL 训练/基准测试框架，用于通用工具使用 AI agent 开发 | ⭐ 588 |
| mcp-bench (Accenture) | GitHub | MCP-Bench：通过 MCP 服务器对使用工具的 LLM agent 进行复杂真实任务基准测试 | ⭐ 486 |
| OpenViking (ByteDance) | GitHub | 专为 AI Agent（如 OpenClaw）设计的开源上下文数据库，文件系统范式管理记忆/资源/技能 | ⭐ 24,894 |
| GitNexus | GitHub | 零服务器代码智能引擎，浏览器端知识图谱 + Graph RAG Agent，40K+ Stars | ⭐ 40,745 |
| Agent-MCP | GitHub | 让多 Agent 系统通过 MCP 协议协调协作的框架，支持并行工作 | ⭐ 1,241 |
| Robinhood AI Agent 交易 | HN | Robinhood 允许 AI agent 自动交易股票，HN 评论普遍质疑：LLM 不适合生成阿尔法 | 73pts/133cmts 🔥 |
| Mistral AI Now Summit | HN | Mistral 巴黎峰会：BNP Paribas 将 Mistral 模型用于 KYC（本地部署），Abanca 用 agent 编排处理 200 万客户 | 263pts/69cmts 🔥🔥 |
| SQLite 驱动的工作流 | HN | SQLite 足以支撑耐用的 AI agent 工作流，Litestream 异步复制（可能丢最近写入） | 211pts/108cmts 🔥 |
| CAPTCHAs vs AI Agents | HN | CAPTCHA 仍能检测 AI agent（95% 成功率在 Chrome MCP 下），但猫鼠游戏将持续 | 54pts/41cmts |
| Real-time LLM Inference | HN | 标准 GPU 上 3k tok/s/请求（2B 模型），评论区质疑：vs Groq 等大模型不公平，2B 小模型优势明显 | 189pts/87cmts 🔥 |
| effGen (ICML 2026) | GitHub | 使小语言模型成为能力完备的自主 Agent 的论文实现 | ⭐ 162 |
| Kolosal CLI | GitHub | 超轻量 Ollama/Qwen Code 替代品，运行 Llama 3.3/DeepSeek-R1/Phi-4 等 | ⭐ 467 |
| evilsocket/audit | GitHub | 8 阶段漏洞发现 Agent，MIT 协议，556★ | ⭐ 556 |
| vibecode-pro-max-kit | GitHub | ”你的 AI 会忘。这个不会。“——规范驱动的编码 harness，自我改进上下文管理 | ⭐ 494 |
| centaur | GitHub | 多玩家、自托管、安全 Agent 平台 | ⭐ 668 |
📈 趋势研判
1️⃣ 小模型 Agent 化 — 📈 强劲上升
信号强度：★★★★★
- SmallCode（12 天内 1623★）+ effGen（ICML 2026）+ SOD（Step-wise On-policy Distillation）+ PolyRAG（SLM 专用 RAG）+ Kolosal CLI
- HN 上的”Real-time LLM Inference”讨论（3k tok/s 在小 GPU 上）引发 189 分讨论
- 我的判断： 这是 2026 年最重要的 agent 趋势。当 frontier 模型继续在云端膨胀（100B+），本地/小模型（8B-35B）的实用化将是 agent 民主化的关键。SmallCode 的”宽容解析器+预算管理+TODO 分解”方法论可以作为 gbrain 和 agentmemory 的理论参考
2️⃣ MCP 安全 — 📈 强劲上升（新兴领域）
信号强度：★★★★
- Pipelock（CNCF Landscape 成员，660★）+ tirith（2390★）+ agentseal（280★）+ ship-safe（713★）
- 这是过去 30 天肉眼可见的新热点——MCP 安全从”没人关心”变成”工具齐全”
- 我的判断： MCP 安全的爆发是 agent 走向生产的必然结果。对于双代理架构，Pipelock 的”出口控制+DLP+SSRF 防护”是最直接相关的——当前 Hermes→Codex 代理链中没有任何安全层
3️⃣ 代码知识图谱 — 🔥 非常热（已有巨头）
信号强度：★★★★★
- CodeGraph（33K★ 且明确支持 Hermes）+ GitNexus（40K★）+ graphiti（26K★）+ lat.md（1.6K★）+ Prometheus（1K★）+ Axon（708★）
- 这个赛道非常拥挤，但 CodeGraph 因直接支持 Hermes Agent 而成为最相关选择
- 我的判断： 代码知识图谱正在从实验工具变成 developer experience 的核心组件。对于觉醒研究代码库这样的中大型项目，CodeGraph 可以大幅降低 agent 理解代码的时间和 token 成本
4️⃣ Agent 记忆 — 📈 趋向成熟（逐步稳定）
信号强度：★★★★
- mem0（57K★）+ CowAgent（44K★）+ OpenViking（24K★）+ letta（23K★）+ agentmemory（19K★）+ cognee（17K★）+ memvid（15K★）+ mcp-memory-service（1.9K★）
- LanceDB 为 Hermes 开发官方记忆插件进一步验证了这个方向的成熟度
- 我的判断： Agent 记忆已经不再是一个”要不要做”的问题，而是”选什么方案”的问题。大型项目（mem0/letta）专注通用记忆层，新项目（OpenViking/mcp-memory-service）专注 MCP 协议集成。对于 Hermes 用户，当前 gbrain + agentmemory 的组合已覆盖大部分需求，LanceDB 插件可作为备选评估
🎯 执行建议汇总（按优先级排序）
| 优先级 | 行动 | 难度 | 预期收益 |
|---|---|---|---|
| 🔴 P0 | 安装 CodeGraph：curl -fsSL https://raw.githubusercontent.com/colbymchenry/codegraph/main/install.sh | sh，集成到 Hermes 配置中 | 🟢 低（5 分钟） | -22% token 消耗，-50% 工具调用 |
| 🟡 P1 | 安装试用 SmallCode：npm install -g smallcode，评估其在本地模型上的表现 | 🟢 低（15 分钟） | 了解小模型 agent 最新范式 |
| 🟡 P1 | 安装 LanceDB Hermes Memory 插件：hermes plugins install lancedb/hermes-agent-memory | 🟢 低（10 分钟） | 评估生态成熟度，体验混合检索记忆 |
| 🟡 P1 | 审计当前 Agent 安全：检查 WSL 上的 agent 是否有 MCP 出口控制/SSRF 防护。考虑集成 tirith 或 pipelock | 🟡 中（1-2 小时） | 防止恶意技能/MCP 工具的数据泄露 |
| 🟢 P2 | 阅读 SmallCode 的 budget-aware-mcp 源码：看上下文预算管理如何实现 | 🟡 中（2-3 小时） | 可移植到 agentmemory/gbrain 的记忆裁剪策略 |
| 🟢 P2 | 评估 OpenViking 的上下文数据库范式：文件系统范式管理记忆/资源/技能是否适用于当前架构 | 🟡 中（3-4 小时） | 可能重构当前记忆管理方案 |
| 🟢 P2 | 关注 ADHD 技能：树形思维+剪枝方法是否适用于 Hermes 的规划/推理流程 | 🟢 低（30 分钟阅读） | 提升 Coding Agent 的创意/探索能力 |
| 🟢 P2 | 阅读 Mistral Summit 笔记：了解欧洲企业级 agent 部署实践（本地部署+监管合规） | 🟢 低（20 分钟阅读） | 对照欧洲实践优化本地部署方案 |
🔗 今日重要链接汇总
- SmallCode: https://github.com/Doorman11991/smallcode
- CodeGraph: https://github.com/colbymchenry/codegraph
- LanceDB Memory Plugin for Hermes: https://github.com/lancedb/hermes-agent-memory
- Pipelock (MCP 防火墙): https://github.com/luckyPipewrench/pipelock
- ADHD (Agent 思维技能): https://github.com/UditAkhourii/adhd
- tirith (终端安全): https://github.com/sheeki03/tirith
- agentseal: https://github.com/getagentseal/agentseal
- MCP-Universe (Salesforce): https://github.com/SalesforceAIResearch/MCP-Universe
- mcp-bench (Accenture): https://github.com/Accenture/mcp-bench
- OpenViking: https://github.com/volcengine/OpenViking
- GitNexus: https://github.com/abhigyanpatwari/GitNexus
- Agent-MCP: https://github.com/rinadelph/Agent-MCP
- effGen (ICML 2026): https://github.com/ctrl-gaurav/effGen
- evilsocket/audit: https://github.com/evilsocket/audit
- Mistral Summit 笔记: https://koenvangilst.nl/lab/mistral-ai-now-summit
- SQLite for durable workflows: https://obeli.sk/blog/sqlite-is-all-you-need-for-durable-workflows/
- Robinhood AI agent trading: https://techcrunch.com/2026/05/27/robinhood-now-lets-your-ai-agents-trade-stocks/
- Real-time LLM Inference: https://blog.kog.ai/real-time-llm-inference-on-standard-gpus-3-000-tokens-s-per-request/
- CAPTCHAs detect AI: https://research.roundtable.ai/captchas-detect-ai/
扫描引擎：Hermes Daily Intelligence Scan v2 | 2026-05-30 06:00 UTC 数据来源：GitHub REST API v3, HackerNews Algolia API, arXiv OAI-PMH 下一期：2026-05-31 (周日)