# 不为 AI 加插件：三款"原生重写"新刀 > 这周海外开源圈冒出一批反共识产品——它们不往老工具上贴 AI 按钮，而是从第一行代码就把 AI / agent 当地基重写整个品类。三款都刚上线不到一个月，国内几乎没人提，但每一款都戳中一个被国内工具长期忽略的痛点。 ## 一、信息差在哪：先看一张"重写派"对照表 国内做 AI 工具的常见套路是"加插件"：在飞书文档里塞个 AI 助手、在 VS Code 里挂个 Copilot、在 Obsidian 里装个 AI 插件。底层还是 2015 年那套架构，AI 只是个挂件。 而这周 Hacker News 上刷屏的几个新项目走的是另一条路——**Native Rewrite（原生重写）**：产品从存储格式、编辑模型、运行时就开始为 agent 设计，AI 不是功能，是地基。 | 品类 | 国内主流做法（加插件） | 本周新刀（原生重写） | 差异本质 | |------|----------------------|---------------------|---------| | 笔记/知识库 | Obsidian + AI 插件 / 飞书 AI | **OpenKnowledge** | 编辑器即 agent 工作台，笔记直接是 LLM 的 Wiki | | 语音 agent | Python + Pipecat/LiveKit，GIL 瓶颈 | **Jargo** | 用 Go 重写运行时，单二进制扛高并发通话 | | AI 出图 | Midjourney 手动出图再贴回项目 | **AgentBrush** | 图像生成做成 MCP 工具，由编码 agent 自己调用 | 下面逐个拆。每个都给你：是什么、官方链接、价格、为什么值得、和国内同类怎么比、适合谁。 --- ## 二、OpenKnowledge：Inkeep 把 Obsidian/Notion 用 AI 原生重写了一遍 **这是什么**：一个本地优先（local-first）、所见即所得（WYSIWYG）的 Markdown 编辑器 + LLM Wiki。看名字像笔记软件，但它真正的定位是 **"agent 的第二大脑"**——你写的每一条笔记，都能被 Claude Code、Codex、Cursor 当作可检索的知识库直接读写。 - **官网/仓库**：https://github.com/inkeep/open-knowledge （文档 https://openknowledge.ai/docs） - **出品方**：Inkeep——就是给 Stripe、Vercel 文档站做那个"AI 搜索框"的公司，搞 RAG 是老本行，不是业余项目。 - **价格**：完全开源，GPL-3.0 协议，免费。模型费用 BYOK（自带 Claude/GPT 的 API Key）。 - **当前热度**：GitHub 1100+ star，仓库 6 月 3 日才创建，6 月 27 日还在持续推送；HN Show 帖 364 分冲上前排。 **为什么值得关注（国内认知差）**： 国内做"AI 笔记"基本两条路：要么 Notion/Obsidian 装插件，AI 读不到你的双向链接和块结构；要么直接用 NotebookLM / Kimi 上传文件，但文件是死的，agent 改不了。OpenKnowledge 解决的是一个更狠的问题——**让笔记文件本身成为 agent 的原生数据源**： 1. **编辑器原生支持 MCP**：装好后 `ok init` 一条命令，自动把 Claude Code、Cursor、Codex 的 MCP 配置接好。你在编辑器里写的 spec、wiki、设计文档，agent 不用复制粘贴，直接通过 MCP 读取、修改、续写。 2. **Agent Skills 内建**：自带"技能"机制，可以把一套写作/总结/建知识图谱的流程封装成 skill，多个 agent 复用。 3. **Agentic Search（代理式搜索）**：不只是关键词检索，agent 能在你的笔记里做"先理解问题再找证据"的搜索，这是把它当 LLM Wiki 用的关键。 4. **团队共享走 Git**：底层用 git/GitHub 同步，无代码协作。对国内受够了 Notion 数据导不出、思源/飞书锁死生态的人来说，这点很关键。 5. **一个编辑器两种皮**：桌面端有原生 TUI（终端界面），也有 Web UI。命令行党狂喜。 **安装就两步**（Linux/Windows/Intel Mac，需 Node.js 24+）： ```bash npm install -g @inkeep/open-knowledge cd your-project ok init # 初始化项目，自动接好 Claude Code/Cursor/Codex ok start --open # 启动 Web 编辑器并打开 ``` **和国内同类比**：比 Obsidian+插件多了"agent 可双向读写"，比 NotebookLM 多了"文件归你、可改可同步"，比飞书文档多了"完全离线、数据本地"。唯一短板是中文界面和国内云同步还没适配，得自建或用 GitHub。 **适合谁**：写技术文档/规范的工程师、做研究的研究生、靠知识库吃饭的内容创作者、想给团队搭一个"活"wiki 的技术负责人。 --- ## 三、Jargo：把 Python 写的 Pipecat 语音框架，用 Go 重写了一遍 **这是什么**：一个 **WebRTC 原生、音频优先的实时语音 agent 框架**，用 Go 写的，架构上是著名语音框架 [Pipecat](https://github.com/pipecat-ai/pipecat) 的移植版。一句话：用 Go 写一个能打电话、能插话、能实时打断的 AI 语音机器人。 - **官网/仓库**：https://github.com/gojargo/jargo - **价格**：开源，BSD-2-Clause，免费，自带模型 BYOK。 - **状态**：6 月 18 日创建，作者明说"早期 WIP，API 不稳定"，但架构完整。 **为什么值得关注（国内认知差）**： 国内做语音 agent，大家要么调大厂 ASaaS（腾讯/阿里/字节那一套语音方案），要么硬啃 Python 的 Pipecat/LiveKit。问题在于 Python 跑实时语音服务有几个硬伤：**GIL 限制并发、内存吃得多、冷启动慢、打包成二进制很难**。Jargo 的作者把账算得很明白——语音服务里真正吃算力的是 STT/TTS/LLM 这些模型，它们本就跑在远程服务或 ONNX Runtime 上，**剩下的"管道工程"（音频分帧、WebRTC、并发调度）用 Go 写反而更合适**： 1. **纯 WebRTC，无 Daily 锁定**：用 [Pion](https://github.com/pion)（纯 Go 的 WebRTC 实现），不依赖 Daily 那种托管传输层，浏览器用原生 WebRTC 直连，数据走 RTVI 协议，跟现有 Pipecat 客户端互通。一个二进制部署，不用注册云服务。 2. **完整语音管线**：STT → LLM → TTS 流式管线，自带 prompt 缓存。 3. **抢话/插话（barge-in）**：用 Silero VAD + Smart Turn v3 做端点检测和轮次判断，全部本地 ONNX 推理——这是"像真人对话"的关键，国内很多语音方案这块还是硬延迟。 4. **并发为王**：独立处理器、中断即帧（interruptions are frames），单进程扛多路通话。 **依赖说明**（Go 党要注意）：用 cgo，需要 `libsoxr`（重采样）、`libopus`（可选，语音编码质量更好）、ONNX Runtime（VAD）。默认纯 Go 编码器能跑，但作者建议上 libopus。 ```sh go get github.com/gojargo/jargo ``` **和国内同类比**：国内语音 agent 方案多是黑盒 SaaS，定制难、数据出境敏感；Jargo 给了你一个"完全自托管、一个二进制、无第三方云"的开源底座，特别适合做**合规要求高、不想数据走第三方**的企业级语音场景（比如客服、政务热线、内部助手）。短板是太新、文档少，需要你有 Go + WebRTC 基础。 **适合谁**：做实时语音 agent 的后端工程师、需要自托管语音方案的技术团队、想摆脱 Python 性能瓶颈的语音创业者、WebRTC/Pion 玩家。 --- ## 四、AgentBrush：给编码 agent 装上"视觉品味"的图像生成工具 **这是什么**：一个**专为编码 agent（Claude Code、Cursor、Codex）设计的图像生成能力**，做成 MCP 工具。说白了——你让 AI 写一个网站/App，它能自己生成配图、插画、Logo，而且**每张图都符合你的品牌风格**，不用你手动去 Midjourney 出图再贴回来。 - **官网**：https://agentbrush.dev/ （MCP 服务包 `@agentbrush/mcp-server` 在 npm 上） - **价格**：商业产品，按用量计费，自带模型 BYOK（具体档位以官网为准，目前以 freemium 形式提供）。 - **核心理念**："Great code still needs a face"（好代码也得有张脸）。 **为什么值得关注（国内认知差）**： 国内做 AI 出图，90% 的人还停在"打开 Midjourney/即梦 → 输入 prompt → 出图 → 下载 → 手动塞进项目"这条老路。AgentBrush 把图像生成**降维成一个 agent 可调用的工具（MCP）**，让 agent 在写前端时自动生成、自动替换、自动统一风格： 1. **五种预设风格**：写实照片、扁平插画、像素艺术、等距场景（isometric）、Logo——每种都预先调过参，agent 不用每次从零想 prompt。 2. **五个原语（primitives）**：每次生成只用五个原子操作组合，确保资产"on-brand、高质量、零设计决策"留给用户。 3. **品牌一致性**：核心卖点是"persistent visual taste"——同一项目里所有图共享视觉语言，解决 AI 出图"每张图长得像五个不同设计师画的"的老毛病。 **接入方式**（MCP 标准流程）： ```bash npm install -g @agentbrush/mcp-server # 在 Claude Code / Cursor 的 MCP 配置里加上该 server ``` 配置好后，你在 Cursor 里说"给这个落地页配四张产品场景图和 logo"，agent 会自己调用 AgentBrush 出图并嵌入。 **和国内同类比**：国内还没有把"图像生成"做成 agent 工具层的产品——大家要么纯出图（即梦/通义万相），要么纯写码（各路国产 coding agent），中间缺一座桥。AgentBrush 占的就是这个"agent 的眼睛"生态位。短板是商业付费、对纯个人开发者偏贵，更适合有品牌一致性需求的团队和出海项目。 **适合谁**：用 AI 一键建站的独立开发者、做出海产品的团队、需要批量产出统一风格素材的设计运营、vibe coding 玩家。 --- ## 五、三款工具的协同：一个"原生重写"技术栈 把三者拼起来，能看到一个完整的"AI 原生重写"工作流：用 **OpenKnowledge** 当知识地基（spec/wiki/品牌指南都写在这），用 **Jargo** 把这个知识库接到一通实时语音客服里，用 **AgentBrush** 让 agent 顺手把客服页面和营销素材的配图也统一生成。 ```mermaid flowchart LR subgraph 知识地基["知识地基 (OpenKnowledge)"] A1[spec / wiki / 品牌指南] -->|MCP 读写| A2[Agent 第二大脑] end subgraph 运行时重写["运行时重写 (Jargo)"] B1[WebRTC 音频入] --> B2[STT→LLM→TTS] B2 -->|barge-in 抢话| B3[音频出] end subgraph 能力外挂["能力外挂 (AgentBrush)"] C1[MCP 工具调用] --> C2[品牌一致出图] C2 --> C3[写实/插画/像素/等距/Logo] end A2 -->|供给知识| B2 A2 -->|品牌风格| C2 B3 -.->|生成页面/素材| C1 style 知识地基 fill:#e8f5e9,stroke:#2e7d32 style 运行时重写 fill:#e3f2fd,stroke:#1565c0 style 能力外挂 fill:#fff3e0,stroke:#ef6c00 ``` 这张图也解释了"原生重写派"和"加插件派"的本质区别：加插件是给旧流程打补丁，原生重写是**让 agent 直接住在地基里**。 --- ## 六、信息差总结：你知道的 vs 别人不知道的 | 维度 | 国内常见认知（已知的） | 本周新刀带来的信息差（别人不知道的） | |------|---------------------|-----------------------------------| | AI 笔记 | 装 AI 插件 / 上传文件给 Kimi | 笔记文件本身就是 agent 可读写的 LLM Wiki（OpenKnowledge） | | 语音 agent | 必须用 Python / 必须上云 | Go 单二进制 + 纯 WebRTC 自托管，扛高并发（Jargo） | | AI 出图 | 手动 Midjourney → 贴图 | 图像生成做成 MCP，agent 自动调用且风格统一（AgentBrush） | | 工具哲学 | "给老工具加 AI" | "为 AI 从零重写品类"——这才是 2026 年的范式 | | 上手成本 | 等国内厂商抄 | 现在 GitHub/npm 就能白嫖开源版，抢半年信息差 | --- ## 七、行动指南：今晚就能做的三件事 1. **先装 OpenKnowledge**（最值得、最稳）：`npm i -g @inkeep/open-knowledge` → `ok init` → 把你散落的 spec/笔记导成 Markdown 扔进去，接上 Claude Code，立刻体验"agent 住进你的笔记里"。零成本、GPL 开源、本周还在热更。 2. **Go 党试 Jargo**：clone 仓库跑 demo，重点感受它的 barge-in 抢话体验；如果你正好有合规自托管的语音需求，这是个比 Pipecat 更省心的底座。注意它 WIP，别上生产。 3. **做出海站/品牌的试 AgentBrush**：装 `@agentbrush/mcp-server` 到 Cursor，用它统一全站配图风格，省掉来回切 Midjourney 的时间。个人开发者先用免费额度评估 ROI。 > 优先级：**OpenKnowledge > AgentBrush > Jargo**（前两者零成本即用，Jargo 需 Go 基础）。但论"赛道信息差"，Jargo 所代表的"语音 agent 去云化、Go 化"趋势，反而最被国内低估。 --- ## 八、参考来源 - OpenKnowledge 仓库：https://github.com/inkeep/open-knowledge - OpenKnowledge HN 讨论（364 分）：https://news.ycombinator.com/item?id=48649697 - Jargo 仓库：https://github.com/gojargo/jargo - Pipecat（Jargo 的移植来源）：https://github.com/pipecat-ai/pipecat - AgentBrush 官网：https://agentbrush.dev/ - Hacker News Show HN 榜单（本周新品来源）：https://news.ycombinator.com/show --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护。 > 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。