1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

# 将代理复制到你的 Claude Code 目录
cp -r agency-agents/* ~/.claude/agents/

# 现在可以在 Claude Code 会话中激活任何代理：
# "Hey Claude, activate Frontend Developer mode and help me build a React component"

# 或者使用 Multi-Tool Integration
./scripts/convert.sh
./scripts/install.sh

# 或针对特定工具
./scripts/install.sh --tool cursor
./scripts/install.sh --tool copilot
./scripts/install.sh --tool aider
./scripts/install.sh --tool windsurf

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# 启动Claude Code
claude

# 然后输入：
"请激活 Senior Developer agent 来帮助我重构这个项目"

# 你将看到一个专业的前端开发对话，包含：
# - 需求分析
# - 方案设计
# - 逐步实施计划
# - TDD 风格的实现

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# 克隆仓库
git clone https://github.com/666ghj/MiroFish.git
cd MiroFish

# 检查依赖
node -v         # Node.js 18+
python --version  # Python ≥3.11, ≤3.12
uv --version      # 最新版 uv

# 复制示例配置文件
cp .env.example .env

# 编辑 .env 文件，填入必要的 API 密钥
export LLM_API_KEY=your_api_key
export ZEP_API_KEY=your_zep_api_key

# 一键安装所有依赖
npm run setup:all

# 启动服务
npm run dev

# 访问地址
# 前端：http://localhost:3000
# 后端 API: http://localhost:5001

1
2
3
4
5
6
7

# 配置环境变量
cp .env.example .env

# 拉取镜像并启动
docker compose up -d

# 默认会读取根目录下的 .env，并映射端口 3000（前端）/5001（后端）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

# 简单的 Python SDK 调用示例
from mirofish import PredictionEngine

# 初始化引擎
engine = PredictionEngine(
    llm_api_key="your_api_key",
    zep_api_key="your_zep_api_key"
)

# 定义预测任务
task = {
    "seed_material": "武大舆情事件的新闻稿和相关数据",
    "prediction_goal": "预测该事件在未来一周内的舆论走向",
    "simulation_rounds": 50
}

# 执行预测
result = engine.predict(task)

# 获取预测报告和交互式世界
print(result.report)
engine.interact_with_world(result.world_id)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

# 一键安装（适用于 Linux、macOS 和 WSL2）
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

# Windows 用户需要先安装 WSL2，然后运行上述命令

# 重新加载 shell
source ~/.bashrc  # 或 source ~/.zshrc

# 配置你的 LLM 提供商
hermes setup

# 开始聊天！
hermes

1
2
3
4
5
6
7

# 常用命令
hermes          # 交互式 CLI——开始对话
hermes model    # 切换提供商或模型
hermes setup    # 重新运行设置向导
hermes gateway  # 启动消息网关（Telegram、Discord 等）
hermes update   # 更新到最新版本
hermes doctor   # 诊断任何问题

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

# 开始在对话中
$ hermes

Welcome to Hermes Agent! Type /help for available commands.

> Help me write a Python script that fetches weather data from an API.

[Hermes will now:]
1. Think through the requirements
2. Choose appropriate tools
3. Write the code with proper error handling
4. Execute it if needed
5. Explain the results

---

# 使用斜杠命令
/help           # 显示所有可用命令
/list-sessions  # 查看当前会话
/skills         # 查看和管理技能
/cron add       # 添加定时任务

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# npm 全局安装
npm install -g promptfoo

# 或使用 Homebrew（macOS/Linux）
brew install promptfoo

# 或使用 pip（Python 环境）
pip install promptfoo

# 或不安装，直接用 npx
npx promptfoo@latest <command>

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# 初始化示例项目
promptfoo init --example getting-started

# 设置 API 密钥（大多数 LLM 提供商需要）
export OPENAI_API_KEY=sk-abc123
export ANTHROPIC_API_KEY=sk-ant-xxx

# 进入示例目录并运行评估
cd getting-started
promptfoo eval
promptfoo view  # 查看交互式结果仪表板

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

# promptfooconfig.yaml
description: "我的第一个评估"

prompts:
  - "Write a poem about {{topic}}"

providers:
  - id: openai:gpt-4o
  - id: anthropic:claude-3-opus

tests:
  - vars:
      topic: "春天的花园"
    assert:
      - type: contains-substring
        value: "花朵"

      - type: javascript
        value: 0.5  # 最低长度阈值
        timeoutMs: 5000

evaluation:
  maxConcurrency: 10
  providers: 2

1
2
3
4
5
6
7

# 启动红队测试
promptfoo redteam generate --help

# 运行红队扫描
promptfoo redteam evaluate \
  --config my-app-config.yaml \
  --outputs ./outputs.json

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

# .github/workflows/promptfoo.yml
name: Promptfoo Eval

on: [push, pull_request]

jobs:
  eval:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      
      - name: Run Promptfoo Evals
        run: |
          npm install -g promptfoo
          promptfoo eval --config promptfooconfig.yaml
      
      - name: Upload Results
        uses: actions/upload-artifact@v4
        with:
          name: eval-results
          path: promptfoo_results.json

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

// Node.js SDK 使用
const promptfoo = require('promptfoo');

const results = await promptfoo.evaluate({
  prompts: ['Hello {{name}}'],
  provider: 'openai:gpt-4',
  tests: [
    {
      vars: { name: 'World' },
      assert: [{ type: 'contains', value: 'Hello' }]
    }
  ]
});

console.log(results);

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

# 克隆仓库
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 生成本地配置文件
make config

# 编辑配置文件
nano config.yaml
# 至少配置一个模型
models:
  - name: gpt-4
    display_name: GPT-4
    use: langchain_openai:ChatOpenAI
    model: gpt-4
    api_key: $OPENAI_API_KEY
    max_tokens: 4096
    temperature: 0.7

1
2
3
4
5
6
7
8

# 编辑 .env 文件
cp .env.example .env
nano .env

# 添加必要的环境变量
TAVILY_API_KEY=your-tavily-api-key
OPENAI_API_KEY=your-openai-api-key
INFOQUEST_API_KEY=your-infoquest-api-key

1
2
3
4
5
6
7

# 初始化 Docker 镜像（首次运行）
make docker-init

# 启动服务（自动检测 sandbox 模式）
make docker-start

# 访问 http://localhost:2026

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

# 检查前置条件
make check  # 验证 Node.js 22+, pnpm, uv, nginx

# 安装依赖
make install  # 安装后端 + 前端依赖

# （可选）预拉取沙箱镜像
make setup-sandbox

# 启动服务
make dev

# 访问 http://localhost:2026

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

channels:
  langgraph_url: http://localhost:2024
  gateway_url: http://localhost:8001
  
  telegram:
    enabled: true
    bot_token: $TELEGRAM_BOT_TOKEN
    allowed_users: []  # 空 = 允许所有人
    
  slack:
    enabled: true
    bot_token: $SLACK_BOT_TOKEN
    app_token: $SLACK_APP_TOKEN
    allowed_users: []
    
  feishu:
    enabled: true
    app_id: $FEISHU_APP_ID
    app_secret: $FEISHU_APP_SECRET

1
2
3
4
5
6
7
8
9

# 在 Lambda 或其他 GPU 云上启动 8XA100/H100 节点
# 运行 speedrun 脚本（整个 pipeline 约 3 小时）
bash runs/speedrun.sh

# 完成后，启动聊天 Web UI
python -m scripts.chat_web

# 在浏览器中访问显示的 URL（如 http://your-gpu-node-ip:8000/）
# 然后就可以像和 ChatGPT 聊天一样和你的模型对话了

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

# 训练更小的模型用于快速实验（约 5 分钟）
OMP_NUM_THREADS=1 torchrun --standalone --nproc_per_node=8 \
  -m scripts.base_train -- \
  --depth=12 \
  --run="d12" \
  --model-tag="d12" \
  --core-metric-every=999999 \
  --sample-every=-1 \
  --save-every=-1

# 监控 wandb 指标
# - val_bpb: 验证损失（词汇表大小无关单位）
# - core_: 核心能力度量

1

/plugin install superpowers@claude-plugins-official

1
2
3
4
5

# 注册市场
/plugin marketplace add obra/superpowers-marketplace

# 安装插件
/plugin install superpowers@superpowers-marketplace

1

/plugin-add superpowers

1
2
3

# 获取并阅读安装说明
Fetch and follow instructions from:
https://raw.githubusercontent.com/obra/superpowers/refs/heads/main/.codex/INSTALL.md

1
2

Fetch and follow instructions from:
https://raw.githubusercontent.com/obra/superpowers/refs/heads/main/.opencode/INSTALL.md

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# 在新会话中开始，输入触发 skill 的内容
"帮我规划这个新功能"

# 系统将自动触发：
# 1. brainstorming skill → 探讨需求
# 2. 生成设计文档
# 3. writing-plans skill → 分解实施步骤
# 4. subagent-driven-development → 并行执行任务

# 全程无需手动干预，代理会自动选择合适的技能