随着 Manus 的火热，开源社区迅速响应，涌现出如 OpenManus 这样无需等待、人人可部署的优秀替代方案，它们通过多智能体协作和工具调用能力，实现了令人瞩目的效果。 正是在这样的大背景下，Spring AI Alibaba JManus 应运而生。它是一个完全以 Java 语言为核心、彻底开源的 OpenManus 实现。 JManus 产生的初心就是 “让Java程序员距离AI更近一点”。希望能够构建一个以 Java 语言为根基，基于 Spring AI Alibaba 的通用 AI Agent 框架/平台，让 Java 程序员朋友们能够更简单容易地使用 Agent 满足自己的工作、日常生活需求。 作为一个 Spring AI Alibaba 项目的子项目，整个项目在 GitHub 上获得接近 3k star，并且在快速增加中。在大语言模型构成方面，JManus 可以无缝集成包括 Claude 3.5、Qwen3 等在内的多个顶级大模型，使得开发者能充分利用各个模型的优势。
LangChain[1]是开源领域最流行的大模型编程开发框架，支持通过python/js语言快速构建AI应用。Dify[2]是开源的图形化大模型应用开发平台，可以通过可视化的画布拖拖拽拽快速构建AI agent/工作流。通过任务调度系统托管AI任务，可以进行脚本版本管理、定时调度、提升资源利用率、限流控制、可运维、可观测。
本文作者为支付宝技术部的李皓骅(亿晨)，他将在本文中讨论 Kotlin/Native 的包体积的优化方法，主要包括包括：编译参数优化、精细管理导出符号 + DCE 的优化方法（暂时未讨论 Kotlin/JVM 等情况）。文中提到的优化策略部分来源于社区的公开讨论，部分则是在阅读 Kotlin 源码基础上做出的扩展与定制，已取得一定初步成效。需要强调的是，优化始终是一个持续迭代的过程，未来仍有更多手段值得进一步探索，欢迎同行共同交流与探讨。
本文是一篇关于前端AI实践的技术总结文章。文章提出了“AI四象限”决策模型，并介绍了鸿雁AI Coder和Nextdy Aone Copilot两款工具链的应用与成效。通过十余个最佳实践案例，展示了AI在前端领域的落地场景及未来发展方向。
人工智能技术的飞速进步，正在重塑全球商业格局，其影响辐射到各个行业领域。鉴于此，阿里云云栖号特别推出《一周AI大事件》，汇聚全球人工智能的最新动态。
在Model Context Protocol (MCP)爆火的今天，MCP Server的局限性日益凸显：MCP市场提供的MCP Server往往只能提供有限的能力，不够灵活，无法根据用户的具体需求灵活拓展或调整，过多的工具又会导致Token的大量消耗。而作为阿里云的用户，阿里云OpenAPI便是我们和资源之间的桥梁与通道，通常我们会希望通过OpenAPI来实现各种复杂需求，而每个OpenAPI往往就对应MCP Server的一个具体的Tools，但是阿里云拥有海量的OpenAPI，单纯的穷举，将每个OpenAPI都注册为Tools显然是不适合MCP Server的模式，本文将分享如何借助alibaba-cloud-ops-mcp-server[1]实现仅靠10行python代码即可创建你的专属阿里云OpenAPI MCP Server。通过本文的实践，你将掌握如何在极少的代码量内，构建一个功能丰富的MCP Server，希望本文所提方案能够为MCP Server的开发提供新的思路和方法。
刚刚，Qwen3正式发布并全部开源8款「混合推理模型」。 此次开源包括两款MoE模型：Qwen3-235B-A22B（2350多亿总参数、 220多亿激活参），以及Qwen3-30B-A3B（300亿总参数、30亿激活参数）；以及六个Dense模型：Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B和Qwen3-0.6B。
MCP（Model Context Protocol）协议是一个用于 AI 模型和工具之间通信的标准协议。随着 AI 应用变得越来越复杂并被广泛部署，原有的通信机制面临着一系列挑战。近期 MCP 仓库的 PR #206 [1]引入了一个全新的 Streamable HTTP 传输层替代原有的 HTTP+SSE 传输层。两个协议简单对比如下：HTTP+SSE：客户端通过HTTP POST发送请求，服务器通过单独的SSE（Server-Sent Events）端点推送响应，需要维护两个独立连接。Streamable HTTP：统一使用单一HTTP端点处理请求和响应，服务器可根据需要选择返回标准HTTP响应或启用SSE流式传输。本文将详细分析该Streamable HTTP的技术细节和实际优势。
