每天刷技术资讯太耗时？AInformer 是一个 AI 驱动的信息聚合工具，自动抓取 GitHub Trending、Hacker News、Reddit 等平台内容，用 LLM 按偏好筛选后推送到飞书，5分钟看完每日技术要闻。

用 OpenClaw AI Agent 托管平台搭配飞书，打造一套 AI-Native 博客运营系统，覆盖信息监控、内容管理、数据汇总和读者互动，让创作者只需专注写作本身，其余交给 AI 自动化处理。

ResearcherZero V0 正式发布，一个住在 Claude Code 里的 AI 研究员，能持续学习你感兴趣的领域、结构化存储认知、从已有积累出发回答问题，解决研究者在信息过载与信息焦虑间反复横跳的困境。

ResearcherZero 的工程实现方案：放弃自建 Agent 框架，完全接纳 Claude Code 的 model-driven agentic loop，通过注入研究者灵魂而非对抗底层机制，把 Claude Code 变成一个真正的 AI 研究员。

代码级拆解字节跳动 DeerFlow 的 Skills 运作机制，涵盖 Skill 元数据注入、SKILL.md 读取、沙箱执行等五层架构，帮助开发者自己实现一套可插拔的 Agent Skill 系统。

互联网上关于 Agent Skills 的科普很多，但如何统一实现这套机制却鲜有讨论。本文梳理 Skills 机制的核心设计思路，并分享一个基础实现方案，适合正在开发 Agent 系统的工程师参考。

ResearcherZero 的 Learning 架构设计，基于抽象之梯理论选择克制全自动、转向 Human in the loop，采用 Plan and Execute 加 React 运转机制实现 Agent 的持续学习与路径可控。

ResearcherZero 的 Memory 架构设计，从 GraphMemory 的实践踩坑出发，转向 Markdown 文件系统方案，将记忆拆解为存储、更新、读取三个过程，实现对人类友好且支持渐进式加载的 Agent 记忆系统。

ResearcherZero 的 Context 架构设计，将 Agent 的上下文定义为身份存在的处境而非简单的输入参数，拆解为基本语境、认知层、研究状态和任务约束四类结构化状态，构建 AI 研究员的坐标系。

ResearcherZero 项目介绍：一个具备持续学习能力的 AI 研究员，通过构建领域认知图谱解决研究者的信息焦虑问题，让每一次交互都站在深度积累之上，区别于传统一次性搜索型 Agent。