研究简报 · 2026-06-28 上午

主题： AI Agent 工程栈、编码 Agent 全景、Grab 生产案例、知识图谱记忆、OWASP 安全

检索范围： Substack (AI Engineer / The AI Engineer / futureagi / funda / aiagentssimplified / nickpotkalitsky / alexeyondata / bhavishyapandit9)、GitHub Trending、AI 编码 Agent 横向评测、Hugging Face papers、cognee 官方博客

高价值条目

1. AI Agents Stack 2026 — 六层工程架构

• 来源： The AI Engineer - The AI Agents Stack (2026 Edition)
• 发布时间： 2026 年
• 核心观点： 2024 年 Letta 的 AI agents stack diagram 在 LinkedIn/Slack 被广泛引用；2026 年栈已演进为六层，且至少三层在 2024 年尚不存在独立类别。Agent 栈 ≠ LLM 栈，底层是推理引擎，中间是记忆/工具/编排，上层是安全/可观测/生产交付。
• 工程价值： ⭐⭐⭐⭐⭐ — 系统性框架，适合作为团队内部 AI Agent 架构文档的参照
• 可信度： 高（The AI Engineer newsletter 订阅量大，内容偏工程实践）
• 后续行动： 建议精读六层定义，对照内部 agent 架构做 gap analysis

2. Grab 工程团队 AI Agent 落地案例

• 来源： Bhavishya Pandit - How Grab Uses AI Agents to Reclaim Hundreds of Engineering Hours a Month（引用 March 2026 Grab Engineering 官方博文）
• 核心技术栈： FastAPI + LangGraph 多 Agent 系统
• 核心观点： 自动化重复数据调查，为数据团队每周挽回近两个工作日。描述了多 Agent 编排、优化、计费、信任机制全链路。
• 工程价值： ⭐⭐⭐⭐⭐ — 真实生产案例，不是概念验证，含具体架构描述和量化收益
• 可信度： 高（Grab Engineering 官方发布 + LangGraph 官方文档佐证）
• 后续行动： 精读，提取 FastAPI + LangGraph 编排模式，可用于内部 agent 框架选型参考

3. OWASP Top 10 AI/LLM/Agents 安全漏洞速查表（2026）

• 来源： Alex Ewero - OWASP Top 10 for AI, LLMs & Agents (2026 Cheat Sheet)
• 核心观点： LLM01-LLM10（OWASP Top 10 LLM）+ ASI01-ASI10（OWASP Top 10 Agents）。指令（系统提示+函数调用）与数据（用户输入+RAG 文档）被拼接为单一字符串是核心风险源。
• 缓解建议： 语义防火墙（用隔离的、高度约束的二级模型评估输入/输出）、最小权限原则。
• 工程价值： ⭐⭐⭐⭐⭐ — 工程团队安全审计必备，含漏洞分类+实际缓解代码示例
• 可信度： 高（Alex Ewero 为 OWASP 贡献者）
• 后续行动： 加入 agent 安全 checklist，建议后续在 KB 中建立专项 topic 页

4. OpenCode — 开源编码 Agent 新势力

• 来源： opencode.ai / InfoQ 报道 / MorphLLM 排行榜
• 核心数据： GitHub 160K stars，Anomaly 公司出品，隐私优先（不存储代码和上下文），支持本地部署
• 定位： provider-agnostic 开放生态，支持用户自带模型订阅
• 竞品格局： Codex（最佳综合）/ Claude Code（Claude 原生终端）/ Gemini CLI（免费长上下文）/ Cursor（最佳 AI IDE 体验）/ OpenCode（开源灵活）
• 工程价值： ⭐⭐⭐⭐ — 160K stars 说明社区认可度高，是 Cursor/OpenAI 闭源之外的替代方案
• 可信度： 高（GitHub stars + InfoQ 报道）
• 后续行动： 关注其 MCP 兼容性和企业版动态

5. Cognee — 知识图谱 Agent 记忆平台

• 来源： cognee.ai 官方博客 / cognee GitHub
• 核心数据： 3 年历史，Python SDK 生产级，每月 100 万+ pipeline，70+ 公司采用（含 Bayer）
• 技术原理： 6 阶段 pipeline（分类→权限检查→分块→LLM 提取实体关系→摘要→向量+图并存），14 种检索模式，graph-vector 混合架构
• 关键洞察： AI agent 记忆有三种形态：短期记忆（上下文窗口）、长期记忆（向量 DB 中的文本块）、长期知识（带类型实体的知识图）。传统 RAG 只能解决"记忆"，解决不了"知识"。
• 工程价值： ⭐⭐⭐⭐⭐ — 量化 adoption 数据，架构设计有参考价值，尤其适合需要多 Agent 共享记忆的场景
• 可信度： 高（生产数据 + 知名客户）
• 后续行动： 建议深入了解其 graph-vector 混合检索 vs 纯向量检索的实测对比，可用于 RAG 架构选型

6. AI Engineer 角色分析：1000+ 职位描述解读（2026）

• 来源： Alex Ewero - What 1,000+ Job Descriptions Reveal About the AI Engineer Role in 2026
• 核心结论： <2% 是传统 ML/DL（scikit-learn/XGBoost/PyTorch），绝大多数是"基于基础模型构建系统并负责其生产运营的工程师"
• 工程价值： ⭐⭐⭐ — 对团队招聘和技能规划有参考意义
• 可信度： 中（样本来源和分类逻辑需进一步核验）
• 后续行动： 可作为行业报告引用，数据来源需查证

7. 视频：You Are Not Ready: Agentic Coding in 2026（Jo Van Eyck）

• 来源： YouTube（87K views，872 likes）
• 核心观点： AI 编码工具正在跨越阈值，不是因为 AGI，而是因为长程 agent、上下文外记忆、多 agent 编排三项叠加。工具链从" babysitting AI"转向"定义工作、设置 guardrails、让 agent 执行"。
• 提到了 OpenClaw、Beads（Steve Yegge 的 agent 记忆系统）、Gas Town 多 agent 编排、Ralph
• 工程价值： ⭐⭐⭐⭐ — 行业感知视角，内容偏框架思维，适合用于 agent 工程成熟度评估
• 后续行动： 可作为团队内部分享材料来源

本次未达标条目（已过滤）

分类标签

AI-Agent Agent-Stack Security OWASP FastAPI LangGraph Knowledge-Graph Cognee OpenCode Coding-Agent Production-Engineering Multi-Agent RAG Graph-Vector-Hybrid

建议写入路径

主要草稿： /shared/research-kb/inbox/jay/2026-06-28-morning-briefing-ai-agents-stack-owasp-grab-opencode-cognee.md

后续建议： 1. 精读 Grab 案例（FastAPI + LangGraph 生产架构）→ 可产出 agent 架构模式专题 2. 精读 Cognee 架构（graph-vector hybrid vs 纯 vector RAG）→ 可产出 RAG 架构选型指南 3. OWASP ASI 系列 → 可建立 AI Agent 安全专题页

本次操作清单

• [x] Substack 高价值文章检索
• [x] 编码 Agent 横向扫描
• [x] 知识图谱记忆系统调研
• [x] 筛选 & 摘要写入 inbox
• [ ] 精读 Grab 案例（建议优先级：高）
• [ ] 精读 Cognee 架构细节（建议优先级：高）
• [ ] OWASP ASI 系列核验 & 引用（建议优先级：中）

本简报由 Jay 实例自动生成 · 2026-06-28 09:35 CST