AI 圈六巨头发布 Agent Plugins 1.0.0 规范统一插件打包,开创者 Anthropic 缺席

Hermes Agent v0.14.0:从命令行玩具到生产级AI助手的工程跃迁 AI Agent 是指具备自主感知、规划与执行能力的智能体,其核心在于稳定性、可维护性与工作流嵌入能力。Hermes v0.14.0 聚焦工程化落地,通过分层安装(tiered install)、惰性导入(lazy import)、会话迁移(/handoff)和 OpenAI 兼容代理四大机制,系统性解决部署卡顿、冷启动慢、上下文断裂与生态割裂等长期痛点。它不追求模型堆砌,而致力于成为可嵌入 Codex、Aider 等现有工具链的‘智能胶水’,显著降低 CLI 工具的入门门槛与运维成本,为个人知识管理、自动 阅读详情

AI 圈六巨头发布 Agent Plugins 1.0.0 开放规范,统一插件打包格式,开创者 Anthropic 缺席

AI 圈六家巨头,罕见地坐到了一起。8 月 6 日,一份名为 Agent Plugins 1.0.0 的开放规范正式公开。

它做了一件无数 AI 开发者期待已久的事:为 AI 智能体的插件制定一个统一的 "包装盒"。从此,一份包就能通行天下,无需再为每家客户端重复打包。

OpenAI 开发者在官推上发文称:一次打包,就能在所有兼容的智能体客户端里通用,还@了一串共建方。这份规范看似普通,却精准地戳中了痛点。

同一个技能(Skill)、MCP 服务器(MCP Server),内核明明相同,却要为 Cursor、GitHub Copilot、Codex 等客户端分别重新封装。而且,只要有一家更新,就得挨个跟着修改。而 Agent Plugins 要终结的,正是这种重复劳动。

它统一了目录结构、清单文件和 MCP 配置写法。打好一个包,支持这套格式的客户端都能识别。Agent Plugins 的工作原理是:将左边散装的技能与 MCP 收进中间的 plugin.json "包装盒",再一次性分发给 IDE、CLI、企业端等各类客户端。

举个例子,你开发了一个 "查数据库、写周报" 的插件,其中一个技能是让 AI 把查询结果整理成团队喜欢的周报,一个 MCP 服务器负责帮 AI 连接数据库。以前,要让这个插件在三个客户端都能使用,就得打三份包,修改一处就得改三遍。现在,只需要打一份包、改一遍就行了。

共建者名单里有 AWS、Anysphere(Cursor 母公司)、GitHub、微软、OpenAI、Vercel 六家,就连谷歌也在发布当天加入了核心维护者行列。唯独缺少了这套玩法的开创者——Anthropic。

统一的是 "包装盒",不是智能体

一个插件通常由两部分组成。一部分是 Agent Skills,为模型提供可复用的指令和资源;另一部分是 MCP Server,负责连接外部工具和服务。这两部分原本就可以跨客户端复用。真正的问题在于最外层:每家客户端的目录结构、清单文件、MCP 配置写法都不一样,同一个组件换个客户端,就得按照新客户端的规则重新打包。而 Agent Plugins 统一了外面的打包方式。

一个插件就是一个文件夹。根目录放一份 plugin.json 清单,技能放在 skills/ 文件夹中,MCP 配置写进 mcp.json 文件。清单里只有 $schema 和 name 两个字段是必填项,其他内容都可以通过固定位置找到,客户端无需猜测,甚至版本号都可以不写。

对于各家想添加的 "私货",比如特有的钩子、命令、界面等,都可以放在一个用反向域名命名的目录里。其他客户端不认识这个目录,扫描到也会直接忽略。这样,公共部分更加简洁、小巧,实现起来也不困难。而且,它的管理范围很有限。1.0 版本只认可两类可移植组件:skills/ 里的技能和 mcp.json 里的 MCP 配置。hooks、斜杠命令、custom agents 等仍属于各家的私有领域,并未统一。

规范正文目前还标注着 "工作草案(Working Draft)",就像官方在旁边轻声提醒 "还在修改",距离行业认可的成熟标准还有一段距离。简单来说,Agent Skills 负责指令,MCP 负责连接工具,Agent Plugins 负责将这两者装进同一个 "包装盒"。统一的只是 "包装盒",里面的智能体并没有改变。

一次打包不等于到处运行

即便 "包装盒" 统一了,运行环境却远未统一。它只规范了 skills 和 mcp.json 这两类组件的外壳。到了实际运行阶段,它就不再干涉:安装、分发、权限、沙箱、认证、信任验证、用户体验等方面,都由各家客户端自行处理。

各家对 stdio、Streamable HTTP、旧版 HTTP + SSE 等传输方式的支持也不完全一致。同一个插件在不同客户端能否顺利运行,还得看运气。微软还特别提醒了安全问题:插件里的 MCP Server 和 hooks 会在本机执行代码,安装前一定要看清来源和作者,尤其是社区市场里的东西更要小心。

OpenAI 自家的打包文档目前使用的还是.codex - plugin/plugin.json 结构,与开放规范根目录的 plugin.json 不同。规范只保证兼容的客户端能发现它支持的可移植组件;但真正运行起来,认证方式和运行环境可能各不相同。因此,打包统一并不意味着运行也能统一,中间还存在一整条工程链。

说到底,这次统一的恰好是巨头们最不介意放手的部分。真正有价值的部分,如应用市场、权限体系、用户入口,以及 hooks、custom agents 等专有能力,一个都没有共享。

这套结构怎么这样眼熟

熟悉 Claude Code 插件的人可能会感到惊讶。plugin.json、skills、mcp.json,这不就是 Claude Code 一直在使用的结构吗?早在这份标准出现之前,Anthropic 就为 Claude Code 打造了一套完整的插件系统:根目录有一份.claude - plugin/plugin.json,还有 skills、mcp.json、commands、agents,并且开设了两个官方市场供用户分享插件。

"插件等于技能加 MCP 加一份清单" 的打包思路,Anthropic 是最早实现的之一,而且它的体系更加完整:技能、钩子、MCP、子智能体、斜杠命令都包含在内。这次的新标准只收录了能通用的两部分,即技能和 MCP,其他更丰富的部分并未纳入。

有意思的是,虽然 Anthropic 尚未加入,但新标准的格式几乎与它的一致。Claude Code 有一个专门指向插件目录的根变量,新标准原样照搬,只是换了个名字,功能相同,骨架也几乎一样。兼容性更是明显。微软的 VS Code 官方文档中,默认插件市场就有 anthropics/claude - code 这一项。它既支持新的开放格式,又继续认可 Claude 格式的.claude - plugin/plugin.json。OpenAI 的 Codex 更是直接保留了 Claude 原来的变量名,以兼容已有的 Claude 插件。

可以说,大家一起统一了一套 "很像 Claude Code" 的格式,但 Anthropic 却没有参与。

开创者成了缺席者

一家开创了玩法的公司,在别人将这套玩法定为标准时,却全程缺席。但这并不意味着 Anthropic 被排除在外。谷歌新推出的两套工具都将 Claude Code 列为适配对象,它自己还有两个官方插件市场。更准确地说,Anthropic 更愿意打造自己的体系。

这次,它没有参与统一标准,而是继续经营自己从格式到市场、再到分发的闭环。这也不是它第一次在 "大家一起参与" 的场合中成为显眼的缺席者。熟悉这家公司的人都知道,它总是先把自己的体系打磨到极致,再考虑是否与他人对齐。

这样做的好处是产品自成体系、体验统一,但代价是每次行业级的合作,它都容易错过。那么,为什么是现在呢?因为底层标准一旦确定,竞争就会上移。打个比方,商场的地基可以几家共同建设,但地基建好后,竞争的就是楼上的店铺和货架了。那是各家公司的核心领域,比拼的不再是模型跑分,而是插件生态的规模,以及谁能让开发者首先想到自己。

六家公司这次确定了 "盒子" 的规格,但真正决定胜负的不是 "盒子",而是里面的智能体——谁能凭借它留住开发者,谁就是赢家。

数量1倍数特性.pdf 立即下载

相关推荐

【高速互连技术】合规性测试规范:物理层信号完整性与链路均衡验证系统设计

内容概要:本文档介绍了分析工具进行实践对照,并关注后续规范版本更新以确保符合最终发布标准。

六巨头定AI插件新标准,撞脸Claude,Anthropic没上桌

同一个插件换个客户端,能不能顺利跑起来,还要看运气。「插件等于技能加MCP加一份清单」的打包思路,Anthropic是最早跑通的之一,而且它那套还更全:技能、钩子、MCP、子智能体、斜杠命令,一整包全打进去。真正卡住的地方,是最外层:每家客户端的目录结构、清单文件、MCP配置写法都不一样,同一个组件换个客户端,就得照「新家」的规矩,重新打一次包。它干的是一件无数AI开发者盼了很久的实事:给AI智能体的插件,定一个统一的「包装盒」,从此一份包走天下,不用再为每家客户端重复打包。

2501_91883294的博客 193

万人睡眠健康与生活方式调查数据集

成年人群睡眠健康与生活方式研究数据集,合成模拟10000行20列单CSV文件,睡眠障碍标记人群占比约四分之一。设置双预测目标:睡眠障碍二分类字段与日间疲劳得分回归字段,可分别开展分类与回归建模。特征字段涵盖年龄、性别、十一种职业类别、每周工作时长、轮班工作标记、自我压力评分、身体质量指数BMI、吸烟状态、每周饮酒量、每日咖啡因摄入毫克数、睡前一小时屏幕使用时间、每周运动分钟数、日均步行数、静息心率、习惯就寝时间点、平均睡眠时长、睡眠质量自评等二十项。数据完整无缺失,结果列与特征列分离清晰,便于目标泄漏防范练习。适用场景:睡眠障碍预测建模、日间疲劳程度回归分析、咖啡因与睡前屏幕对睡眠时长的影响量化、不同职业群体睡眠质量对比研究、逻辑回归与梯度提升模型对比实战等。合成数据不含真实个人信息,适合健康数据分析教学、特征工程练习与机器学习课程实训项目使用。

AI新闻日报_2026-08-07

AI 日报摘要|2026-08-07 AI Coding 生态标准化加速:Google、Meta等六大厂商联合发布Agent Plugins 1.0.0统一规范,终结多平台适配难题;xAI发布1.5T参数的Grok 4.6,保持低价策略施压Kimi;Meta首次推出编程Agent产品Muse Code,采用模型与工具协同训练新范式;Anthropic确认自研Claude专用芯片,瞄准50%推理成本削减。 具身智能进入新阶段:NVIDIA发布全模态世界模型Cosmos 3,五项基准领先;Google Deep

海盗Sharp的博客 3371

FANUC-R2000iC165F-六轴机械臂码垛仿真

FANUC_R2000iC165F_六轴机械臂码垛仿真

frontend-design skills

frontend-design skills

AI Agent技术解析与实战:从原理到电商客服应用

AI Agent作为基于大语言模型的智能体,正在重塑人机交互范式。其核心技术包括自主目标分解、环境感知和持续学习机制,通过Prompt工程和RAG(检索增强生成)等技术实现复杂任务处理。在工程实践中,AI Agent已广泛应用于客服、电商和金融等领域,显著提升服务效率。以电商客服场景为例,结合规则引擎与LLM的混合架构既能保证可靠性,又能灵活处理复杂查询。开发过程中需注意技术选型、性能优化和法律合规等关键点,合理运用LangChain等框架可有效降低开发门槛。

weixin_34409357的博客 337

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?.docx

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?

AI 编程进入 Agent 时代:Claude Code 全方位安装与使用指南

ClaudeCode是Anthropic公司推出的CLI智能编程助手,可直接在终端操作本地代码库。相比传统AI编程工具,它能自动扫描项目、编辑代码、执行测试命令,并集成Git功能。基于Claude3.7模型强化了推理能力,支持终端、VSCode、Web等多平台使用,通过权限管理确保安全性。虽然高效便捷,但仍处测试阶段且需付费使用。

郭宝的博客 5892

国企央企如何实现技术成果的精准对接与快速落地?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究(Matlab代码实现)

内容概要:本文围绕用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计展开研究,深入探讨了卡尔曼滤波在动态系统状态估计中的核心作用。文章系统阐述了卡尔曼滤波的数学基础,包括状态空间模型的建立、先验与后验状态估计、协方差矩阵的递推更新,以及最优增益矩阵的推导过程,确保在高斯白噪声环境下实现对系统状态的最小均方误差估计。结合Matlab代码实现,完整展示了算法从理论建模到仿真实验的全流程,涵盖系统建模、噪声设置、滤波迭代、状态更新与误差分析等环节,并通过仿真实验验证了算法在噪声干扰下对系统真实状态的高精度跟踪能力。该研究为控制工程、导航系统、信号处理及自动化领域中的状态估计问题提供了坚实的理论依据与高效的数值实现方案。; 适合人群:具备一定控制理论、概率统计基础和Matlab编程能力,从事自动化、电子信息、航空航天、机器人、导航定位等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①掌握卡尔曼滤波的基本原理及其在状态估计中的数学推导过程;②学习如何利用Matlab实现卡尔曼滤波算法并进行系统仿真与性能评估;③应用于目标跟踪、传感器融合、惯性导航、故障诊断、时间序列预测等实际工程中的动态状态估计问题。; 阅读建议:建议读者结合文中提供的Matlab代码进行动手实践,通过调整系统模型参数、过程噪声与观测噪声强度,观察滤波效果的变化,深入理解卡尔曼增益的自适应调节机制与MMSE估计的收敛特性。同时可进一步拓展学习扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等非线性滤波方法,以应对更复杂的非线性系统状态估计挑战。

考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)

考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)内容概要:本文介绍了基于NSGA-II多目标优化算法对包含风能、光伏、火电、储能系统、需求响应及电转气(P2G)等多种能源形式的综合能源系统进行优化调度的研究,采用Matlab进行代码实现。研究综合考虑了系统运行成本、碳排放、能源利用率等多个优化目标,通过建立精确的数学模型,结合可再生能源出力不确定性、负荷波动以及需求响应机制,实现多能源协同调度的帕累托最优解集求解,旨在提升能源系统的经济性与环保性,并验证所提方法的有效性和实用性。; 适合人群:具备一定电力系统、优化算法及Matlab编程基础的研究生、科研人员以及从事能源系统规划与运行相关工作的工程技术人员。; 使用场景及目标:①应用于多能源互补的综合能源系统优化调度研究;②为实现低碳、高效、可靠的能源供应提供决策支持;③学习和掌握NSGA-II算法在复杂多目标优化问题中的实际应用方法。; 阅读建议:建议读者结合Matlab代码与文中模型描述逐步理解算法实现流程,重点关注目标函数构建、约束处理及Pareto解集的生成与分析,有条件者可进一步修改参数或扩展模型以深化理解。

高校技术转移办公室人员如何提升成果转化服务效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

16周全【Harness&Hermes】多智能体开发特训营

2026年的AI开发者圈子里,几乎没有人再怀疑多智能体的价值。Gartner预测年底40%的企业应用将内置智能体,LangChain、AutoGen、CrewAI等框架轮番登场,演示视频里的AI团队分工明确、配合流畅。然而,一个尴尬的现实是:大多数开发者手里跑通的多智能体项目,停留在Jupyter Notebook的最后一行。一旦试图把它塞进真实业务环境,问题便如潮水般涌来——长任务跑到一半崩了要重来,智能体之间的消息黑盒般不可追溯,换个场景就得推倒重写,上线之后连“刚才那次调用为什么花了三倍的钱”都查不出来。 这正是【Harness&Hermes】多智能体开发特训营试图回应的命题。它的切入点不在“再教你写一个Demo”,而在于一个更朴素却更稀缺的能力:让多智能体系统从演示玩具变成可交付、可运维、可演进的生产资产。 要理解这门课的价值,得先看清多智能体开发当前的断层在哪里。单Agent时代,提示词写得好、API调得通,基本就能交差。但多Agent协作的本质是编排:谁负责拆解需求,谁负责执行,谁负责校验,上下文如何在角色之间传递而不丢失,某个环节出错时整条链路如何回退。这些问题的难度不在模型能力,而在工程控制。市面上不缺讲LangGraph节点怎么连、RAG检索怎么做的教程,缺的是把“多个智能体在真实业务压力下稳定协作”这件事讲透的人。 Harness与Hermes的分工,恰好对应了工程控制的左右手。根据课程的设计逻辑,Harness管“流程”,Hermes管“记忆与进化”。Harness 负责长任务的流程治理:一个面试模拟流程跑了二十分钟,中途用户关掉页面,下次打开能不能接着上次的进度继续?某个Agent调用工具超时了,整条链路是崩溃还是优雅降级?线上出了问题,日志能不能精确到“第几轮对话、哪个Agent、调了什么工具、花了多少token”。这些听起来不性感,但任何一

国央企创新负责人如何利用平台实现技术需求的精准挖掘与匹配?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标(Matlab代码实现)

内容概要:本文提出了一种自适应多机器人编队规划方法,旨在实现对具有运动能力和可见性约束目标的高效包围与持续跟踪,采用Matlab进行算法实现与仿真验证。该方法综合考虑了多机器人系统在动态环境中的协同控制、编队形态生成与保持、障碍物规避以及目标可见性维护等关键问题,通过设计分布式控制律使编队能够根据目标行为和环境变化自适应调整队形与运动轨迹,确保稳定包围并最大化目标观测质量。文中详细阐述了系统的数学建模过程、控制策略设计原理及约束处理机制,并提供了多场景下的仿真实验结果,验证了所提方法在复杂条件下的鲁棒性、灵活性与有效性。; 适合人群:具备自动化、机器人学、控制理论或人工智能等相关领域基础知识的科研人员及研究生,熟悉Matlab编程环境并致力于多智能体系统、协同控制、路径规划或智能无人系统研究的专业人士。; 使用场景及目标:①应用于多机器人系统在监视、围捕、搜救等任务中对移动目标的协同包围与跟踪控制;②为研究分布式编队控制、可见性优化、动态避障与多智能体协同决策等核心技术提供可复现的算法实例与理论支撑; 阅读建议:建议读者结合提供的Matlab代码逐模块分析算法实现细节,重点关注控制律设计、约束建模与仿真结果对比部分,宜在仿真环境中调整参数配置以深入理解系统性能边界与优化潜力。

产业园区运营负责人如何利用数据智能化提升科技资源配置效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

手把手教你用scRNA-seq和scTCR-seq分析CD8⁺ T细胞在免疫治疗中的动态变化

本文详细介绍了如何整合单细胞RNA测序(scRNA-seq)与单细胞TCR测序(scTCR-seq)技术,深入解析CD8⁺ T细胞在癌症免疫治疗中的动态变化。通过从数据预处理、细胞亚群鉴定到TCR克隆追踪的完整分析流程,揭示了T细胞的功能状态转变与克隆演化规律,为理解免疫应答机制和开发精准治疗策略提供了关键方法学指导。

p8q9r0的博客 571
上一篇: 大模型“价格屠夫”DeepSeek宣布涨价,Token低价时代结束,AI价格战进入新阶段?
下一篇: OpenAI更新ChatGPT模型矩阵:GPT-5.6 Sol优化回复,GPT-5.6 Luna对免费用户开放无限聊天
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值