把 2026 年 4 月的開源 Agent 快訊收進選型框架：上下文檔案系統、自我進化、非同步 RL、垂直交易場景，再對照一人公司編排與 RAG 入門工具。重點放在四象限決策，而不是星數排行。
目錄+
2026 年 4 月中旬，開源 Agent 專案密度突然升高：有人做上下文檔案系統，有人做自我進化，有人把對話變成 RL 訊號，也有人直接切入交易工作流。單篇讀很過癮；一起讀卻容易淪為星標收藏賽。
這篇入口把那波文章收成四象限選型，讓你先回答「我缺哪一層」，再點進對應的深度文。
四象限：你到底缺什麼？
| 象限 | 核心問題 | 代表文章 |
|---|---|---|
| 記憶與上下文 | Agent 是否記得對的東西、成本是否爆炸 | OpenViking |
| 進化與技能沉澱 | 任務做完後，能力有沒有留下來 | OpenSpace |
| 訓練與個人化 | 線上行為能否變成可訓練訊號 | OpenClaw-RL |
| 垂直工作流 | 是否已有領域動作與回測閉環 | Vibe-Trading |
一人公司編排與 RAG 入門，不在這四格的「基礎設施核心」內，但常是導入的前提：
- 還在組一人產線：先讀 一人 AI SaaS 生產線 裡的 gstack、OpenClaw、TinyAGI、MaxKB。
- 記憶選型要更工程化：接著看後期的 Agent Memory 工程。
依你現在的問題選閱讀路線
路線一：context 愈聊愈貴、愈亂
從 OpenViking 看「把記憶、資源、技能當成檔案系統」是否符合你的產品。若你已碰到知識圖譜與 checkpoint，不要停在框架層，繼續進 Memory 系列。
路線二：每次任務都像從零開始
看 OpenSpace 的技能演化與共享主張，並誠實評估：你的任務有沒有穩定的成功標準？沒有標準的進化，只會沉澱錯誤捷徑。
路線三：想用真實使用回饋改進模型行為
OpenClaw-RL 適合討論「服務中學習」的資料與訓練管線，不適合當作沒有評估就上線的開關。先準備可回放軌跡與可關斷機制。
路線四：已有明確垂直場景
Vibe-Trading 展示多 Agent 在交易策略上的分工。重點不是照抄金融，而是學「自然語言需求 → 可回測 artifact → 外部平台輸出」的閉環。
系列完整文章目錄
Living index
開源 Agent 基礎設施精選
目前收錄 4 篇- 01OpenViking：字節跳動開源的 AI Agent 上下文檔案系統火山引擎（字節跳動）開源的 OpenViking 把 agent 的記憶、資源、技能統一成檔案系統。LoCoMo10 測試中任務完成率提升 49%、token 成本降 83%。目前 22.3k stars，採用 AGPLv3。
- 02OpenSpace：自我進化的 AI Agent 框架，節省 46% token、收益提升 4.2 倍香港大學 HKUDS 開源的 OpenSpace，是一個讓 AI agent 自主進化、技能共享的框架。在涵蓋 50 個真實任務的 GDPVal 測試中，token 使用降低 46%、專業任務收益提升 4.2 倍，並自主演化出 165 個技能。
- 03OpenClaw-RL：把日常對話變成訓練訊號的非同步強化學習框架Gen-Verse 開源的 OpenClaw-RL 是完全非同步的 RL 框架，可以邊服務邊訓練，把實際對話自動轉成訓練軌跡。HuggingFace Daily Papers 排名第一，4.9k stars，36 個學生互動就能達到顯著個性化效果。
- 04Vibe-Trading：用自然語言寫交易策略，多 Agent 自動回測部署香港大學 HKUDS 實驗室開源的 Vibe-Trading，讓你用一句話描述交易想法，AI swarm 自動生成策略、跨市場回測，並輸出到 TradingView / 通達信 / MT5。支援 A 股、港美股、加密貨幣、期貨，69 個金融技能開箱即用。
選型時固定問的五件事
- 授權是否允許你的商業使用與修改。
- 狀態存在哪裡，壞了如何重建。
- 權限預設有多寬，能否最小授權。
- 評估有沒有可重複的任務集，而不只是 demo 影片。
- 退出成本若專案停更，你是否還擁有資料與流程。
讀完之後往哪走？
- 模型與訓練棧： NVIDIA 開源 Agent 全景、Kimi K3 開放權重。
- 公司權限與試點： 公司級 AI Agent。
- 記憶正確性： 知識圖譜也會記錯。
常見問題
這些專案要全部裝嗎？
不要。先選一個象限做兩週驗證。
星數高就能上 production 嗎？
不能。授權、安全、狀態與評估比星數重要。
系列會持續更新嗎？
會。新的基礎設施選型文可掛 open-agent-infra-2026-spring。