Agent 进生产还缺什么

定位把 Agent 的记忆、资源、技能收进一个 viking:// 虚拟文件系统的上下文数据库。

痛点Agent 的上下文是黑盒向量库，检索不可解释、token 浪费；它用 L0 摘要 / L1 概览 / L2 原文三级按需加载，目录递归检索并保留可调试轨迹。

谁付钱做长会话 Agent 的团队；官方已开托管版 Studio，可变现的是记忆层托管与私有化部署。

规模化凡需跨会话记忆与知识复用的 Agent 产品都通用，pip 安装 + 标准配置，不依赖定制实施。

边际成本低 —— 纯软件服务，只需自备 embedding 与模型 API，无需专用硬件。

验证≤30 分钟：

pip install openviking --upgrade
openviking-server init && openviking-server doctor

或先打开浏览器版 Studio → openviking.ai/studio

风险AGPL-3.0 —— 对外提供网络服务需开放衍生源码，做托管 SaaS 前必须评估；633 个 open issue；基准由官方在 LoCoMo / tau2-bench 自测（记忆准确率 80–83%、输入 token 降 34.3–91.0%），需用自己的语料复跑。

定位腾讯朱雀实验室的 AI 红队平台，覆盖 Agent / MCP / Skills 扫描、AI 组件漏洞与越狱评估。

痛点企业上了 Agent 与 MCP 之后没有自检手段——Skill 会不会偷数据、MCP 工具能否被注入、模型供应商有没有被投毒，全凭运气。

谁付钱金融、政企的 AI 合规与安全预算；腾讯已开「AI 安全 Skill 市场」，可变现的是评估服务与规则库订阅。

规模化凡部署 AI 的组织都要过这一关，扫描引擎全自动、报告模板可复用，不依赖驻场。

边际成本低 —— 纯软件 + Docker，一次部署可扫多目标；仅报告解读需人力，不随客户数线性增长。

验证≤30 分钟：

git clone https://github.com/Tencent/AI-Infra-Guard.git && cd AI-Infra-Guard
docker compose -f docker-compose.images.yml up -d   # 打开 http://localhost:8088

只测 Skill 审计可更轻：pip install aig-skill-scan（配 LLM_API_KEY 后扫本地 Skill 目录）

风险官方明确「缺乏鉴权机制，不要部署在公网」；v4.6.0 才上线 LLM API 投毒检测，规则库更新快需持续跟进；漏洞库准确性决定报告可信度，误报要人工复核。

定位单二进制、自托管的全渠道客服台，内置 AI 助手与坐席副驾驶。

痛点Zendesk / Intercom 按席位月费 55–115 美元，中小团队为用不上的功能付钱，且对话数据存在别人机房。

谁付钱有工单量的中小团队、在意数据出境的企业；可卖托管、实施与 AI 助手增值包。

规模化客服需求跨行业通用，Docker Compose 或 Railway 一键起，SLA / SSO / CSAT / 自动化规则已内置，交付高度标准化。

边际成本低 —— 单二进制 + Postgres/Redis，多开一个客户几乎不增加成本。

验证≤30 分钟：

curl -LO https://github.com/abhinavxd/libredesk/raw/main/docker-compose.yml
curl -LO https://github.com/abhinavxd/libredesk/raw/main/config.sample.toml
cp config.sample.toml config.toml && docker compose up -d

或直接点开官方演示 → demo.libredesk.io

风险AGPL-3.0 —— 做多租户托管 SaaS 会触发源码开放义务，自托管交付给客户则无碍；83 个 open issue；与 Chatwoot 等成熟竞品相比，需先确认存量数据迁移路径。

定位把生产环境的失败 trace 自动冻结成回归用例、并在 PR 上拦截的 Agent CI/CD。

痛点eval 工具要你手写数据集，那是在猜哪里会坏；生产已经给了真实的输入、工具调用与模型返回。

谁付钱已上线 Agent 的团队；替代 LangSmith / Braintrust 的 CI 环节与人工维护数据集的成本，官网已预埋商业版。

规模化走标准 OTLP 接入，Agent 语义自动提为索引列，不绑框架，跨行业通用。

边际成本低 —— 纯软件 + Docker，CI 回放用录制好的 fixtures，模型调用成本为零。

验证≤30 分钟：

git clone https://github.com/Jwuthri/Tracely-ai && cd Tracely
docker compose --profile demo up -d --build --wait   # 打开 http://localhost:3001

演示栈自带 traces / clusters / cases / gates 全量数据，先看它怎么判失败，再决定要不要接。

风险尚无 GitHub Release，创建仅 3 个月；--build 首次要编译前端，赶时间走 Railway 一键部署；拦截闭环依赖你的 CI 有权限挡 PR，否则只是看板。

定位自托管的 AI 应用构建引擎——提示词进，跑在自己服务器上的真实应用出，各自带预览 URL。

痛点Lovable / v0 / Bolt 按月收 20–200 美元，代码与数据都在别人平台上，企业内网根本用不了。

谁付钱想自建 AI 生成能力的企业平台团队、给客户交付应用生成功能的集成商；官方已在收 Cloud 候补名单。

规模化需求集中在「想自己掌控 AI 编码产线」的团队，比客服台窄，但一个 Go 程序 + Docker + Traefik + SQLite，部署形态统一，不碰 Kubernetes。

边际成本中 —— 每个沙箱真实占用 CPU 与内存，客户增长伴随实际资源开销，不趋近于零。

验证≤30 分钟：

curl -fsSL https://raw.githubusercontent.com/tastyeffectco/sandboxd/main/install.sh | bash

脚本自动构建镜像并打印 console URL 与登录；只要引擎不要控制台用 SANDBOXD_CONSOLE=0。

风险创建仅 3 个月、929★，仍在 1.0 之前；沙箱隔离强度直接决定多租户安全性，需自测逃逸；每个沙箱都吃资源，定价模型得先算清楚再谈客户。