上周的主题是"Agent 的能力被拆成可安装的部件"。本周这条线没有变，但拆的方向换了一层：被拆出来的不再只是流程和记忆，而是 Agent 原本最缺的几种感官与产出能力——眼睛、声音、视频、设计判断。

给 Agent 上网的是一个 CLI，给 Agent 配声的是一个完全本地的语音套件，给 Agent 出片的是把 HTML 当中间表示的渲染框架，给 Agent 补审美的是一个把"AI 味"写成检测规则的设计 skill。它们各自解决一个具体短板，合起来说明同一件事：模型本身的边界正在被外围工具补全，而不是被更强的模型替代。

本周 GitHub Trending（weekly）有一个相当一致的方向：Agent 的能力正在被拆成一层层可安装、可审阅、可单独替换的部件。 工程方法被封装成 skills 和插件，长期状态被抽成独立的记忆系统，外部工具访问被收敛成统一凭据代理，而模型本身反而退到了这些层之后。

与此同时，多 Agent 的讨论重心继续从"怎样同时跑更多"转向"怎样管理、审计和限制它们"。这个变化比新增了多少个项目更值得注意。

本周 GitHub Trending（weekly）给出了一个很清楚的信号：开发者已经不满足于“让 Agent 自己想办法”。榜首的 OpenCodeReview 把文件选择、规则匹配和评论定位交给确定性流水线，只让模型处理动态判断；Orca、firstmate 与 Worktrunk 则围绕多个 Agent 同时工作，补齐隔离、监督、审阅和交付环节。

这意味着 Agent 工程的重点正在变化：竞争不再只是哪个模型更会写代码，而是谁能把不稳定的智能嵌入可控、可观察、可验收的工作流。

一篇关于 Prometheus、OpenTelemetry、Loki、Tempo、Grafana 和 Nightingale 的生产实践笔记
配置快照：2026-09
本文已脱敏，账号、集群、域名、CIDR、ARN、bucket 和业务名称均使用占位符

本文同时收录于知识库：EKS Metrics、Logs、Traces 一体化可观测平台。

写在前面​

最早搭监控时，我们通常从 Prometheus 开始；遇到线上问题以后，又补一个 Loki；再往后为了分析跨服务调用，继续部署 Tempo 或 Jaeger。三个系统都有了，但数据还是割裂的：指标告诉我们“出问题了”，日志告诉我们“报了什么错”，Trace 才能解释“请求到底在哪一跳变慢”。

这次改造的目标不是简单把三个开源组件安装进 Kubernetes，而是把它们连接成一条完整的排障链路：

告警发现异常
  -> 指标确定受影响服务和时间窗口
  -> Trace 找到慢调用或错误调用
  -> trace_id 跳转到对应日志
  -> 回到 Pod、节点和 Kubernetes 事件定位根因

最终采用的核心组件是：

• Prometheus：Kubernetes 与应用指标存储和 PromQL 查询；
• OpenTelemetry Operator/Collector：Trace、日志采集、尾部采样和 Span Metrics；
• Loki：容器日志存储和 LogQL 查询；
• Tempo：分布式 Trace 存储和查询；
• Grafana：Metrics、Logs、Traces 的统一查询与关联；
• Nightingale：告警规则评估、事件管理和通知。

这篇笔记重点记录四件事：部署过程、架构设计、关键参数，以及系统上线以后仍需要继续优化的部分。

本周 GitHub Trending（weekly）几乎成了一次 Agent 工程实践的集中展示。榜单最醒目的项目，不是又一个通用聊天界面，而是一批专门约束 Agent 行为的 skills、hooks 和工作流：有的要求回答更短，有的要求先证明代码确实需要写，有的压缩工具输出，有的把研究、安全和记忆规则装进统一执行框架。

这背后反映出一个务实变化：模型能力提升之后，真正稀缺的开始从“会不会做”转向“能否以合适的成本、篇幅和工程边界把事情做对”。 开发者正在主动给 Agent 增加克制、上下文管理与领域规范。

本周 GitHub Trending（weekly）呈现出一个比“Agent 继续火”更具体的变化：开发者正在把 AI 能力拆进本地运行环境、垂直生产工具和真实世界训练系统。 榜单头部既有用于生成可验证技术图的 agent skill，也有本地模型推理服务器、多智能体互动课堂、本地语音工作室、时序基础模型和机器人强化学习环境。

这意味着开源社区的注意力正在从“做一个万能助手”，转向三个更实际的问题：模型能否在自己的硬件上稳定运行，Agent 能否进入明确的专业流程，以及 AI 能否从文本界面走进声音、预测和机器人控制等新模态。

本周 GitHub Trending（weekly）有一个非常清晰的信号：AI 热点已经进一步从“模型本身”转向“如何把 agent 变成真正可部署、可扩展、可交付的工作系统”。 榜单里最强的增长点，不再只是新的聊天壳或者单一 demo，而是图示生成技能、提示词工程模板库、终端 coding agent、插件目录、技能合集、可审计工作台，以及围绕具体目标的垂直执行框架。

换句话说，社区现在越来越在意的，不是“模型会不会回答”，而是：它能不能被组合、能不能被审计、能不能接入真实工作流、能不能在本地替我持续完成任务。 这也是为什么本周会同时出现 archify、awesome-gpt-image-2、Codex、Maka、AI 求职自动化和 scientific-agent-skills 这样的项目——它们虽然落点不同，但都在补齐 AI 从能力展示走向生产环境的那段路。

本周 GitHub Trending（weekly）最值得注意的变化，是 AI 热点已经不再只是围绕模型本身，而是继续向“结果交付层”和“持续工作底座”扩散。榜单里同时出现了用 AI 一键生成短视频的工作流、专门给 Claude Code / Codex 用的图示模板、把 memory / RAG / skills 合并到一起的上下文数据库，以及面向 Apple Silicon 本地推理的轻量推理服务。

如果把这些项目连起来看，会发现开发者关心的问题已经很明确：AI 不只是要会回答，还要会做内容、会画图、会记住上下文、会在本机稳定跑起来。 这说明社区关注点正在从“能力演示”转向“可持续工作的完整系统”。