0807 | CopilotKit Channels SDK：开源跨渠道AI代理，覆盖Slack等平台

林岚: 欢迎收听 Bri 出品的 ProductHunt 产品分享，我是林岚。

陈序: 我是陈序。今天我们先聊聊一款让同一个 AI 代理直通各团队沟通渠道的开源工具。

林岚: 接着要谈的还有一款能审核图文内容的多模态安全模型，以及一个直接住进现有告警频道的修 bug 代理。

陈序: 另外，关于 AI 支出追踪、让电商商品能被 AI 购物代理看见，再到把屏幕录制变成编程提示的小工具，也都值得一听。

林岚: 先看 CopilotKit Channels SDK。这是一款开源自托管的开发者工具，主打让同一个 AI 代理直接进驻 Slack、Microsoft Teams、Discord 还有 WhatsApp 这些团队沟通渠道，官方说不需要重写代理，也不用单独维护前端。CopilotKit 团队解释了这个痛点：代理建好之后，一旦换框架或换平台往往就得彻底重写，而真实的对话其实都发生在 Slack、Teams 这些现有工具里。具体用法是在讨论串里直接标记代理，它在原地回复，还能渲染内置的原生界面，比如按钮、表单和图表。官方列出的能力包括流式响应、生成式界面、按用户学习、人工审批环节，以及复杂认证。

陈序: 兼容范围覆盖 OpenAI Agents、Claude Agents、LangChain、Mastra、Google ADK，以及任何遵循 AG-UI 标准的代理，既是你自己的基础设施运行。消息可以一次描述、在多个渠道原生渲染，比如 Slack 用 Block Kit，Teams 用 Adaptive Cards。设置被设计成一条提示词，直接让编码代理去读一份官方指南帮忙搭首个渠道，另外还有个命令行工具一键加渠道。

林岚: 值得提醒的是，这些都还是厂商自述。公开的 GitHub 仓库目前显示 470 星、39 个 fork、MIT 许可。社区有早期试用者说它模型和提供商无关，也有人说它解锁了连 GitHub、Linear、Notion 外部工具的工作流。但厂商宣称发布 24 小时内就拿到数十万次展示、大量注册，还有 CEO 断言渠道可能成为大模型的第三种形态——这些仍然是单方面声明。跨渠道的一致性边界、企业里的认证和审批怎么做、托管模式要花多少钱，这些都没有独立测试或基准支撑，是接下来值得追问的信号。

陈序: 接着是 Mistral AI 发布的 Shieldstral，一个 30 亿参数、Apache 2.0 开放权重的多模态安全护栏。它把内容审核改写成推理时的一个二值问答：先让指令模型去评估语境和严格程度，再由一条是或否的问题来判定，比如问这段内容是否宣扬身体暴力，最后交给文档部分判断。模型只读是或否的输出概率，经过归一化转成一个连续的安全分数，所以你可以按置信度去设阈值或者排序，而不是得到一个干脆的标签。

林岚: Mistral 官方称，它在文本安全、拒绝检测、政策适应性和多模态安全基准上，匹配甚至优于比它大最多七倍的开源护栏模型，还说多模态审核达到了新的最高水平，并且所有评估样本都在训练时留出来了。它能在单张 16GB 的英伟达显卡上本地运行。和常见的固定危害分类、换场景就得重训的护栏不同，Shieldstral 把政策完全放在提示里，部署时直接换一个新问题就行，不用重训。

陈序: 这个设计瞄准的正是那些对同一内容安全界线不同的团队，比如儿童 App、网络安全工具、心理健康平台。Product Hunt 讨论里正好有位评论者举例：同样的内容，在儿童 App 里该拦，在网络安全工具里可能就该放。Shieldstral 让政策变成一句普通问题，随部署环境改变。不过要重申，性能和基准全是 Mistral 自述，没有独立验证，发布日是 2026 年 8 月。30 亿参数模型放到大规模真实流量里表现如何、和更大的开放模型差多少，要等社区拿到权重自行复测才知道。

林岚: 下面看 Superlog Responder，一个免费开源的 AI 修 bug 代理。它针对的是已经配好 Sentry 或 Datadog 告警、运维沟通都在 Slack 里解决的工程团队。它直接进驻你现有的 Sentry 或 Datadog Slack 频道，一键同步，不用装新的遥测。每次告警触发，它会用你 Datadog、Sentry、Notion、代码仓库和只读数据库的完整上下文自己调查、过滤噪音。对真正的故障，它直接在你那个告警线程里回复根因、给出证据，还有一份可以合并的 PR 草稿。

陈序: 联合创始人 Nicolò 说，这是根据第一轮发布后的用户反馈做的，因为用户已经有遥测，告警也进 Slack 了，不想要又一个仪表盘，只想要 bug 被修好。效果就是不再 ping 你去调查，而是它自己调查，你醒来看到的是诊断和草稿 PR，而不是一片红色的频道的凌晨三点。提示词、记忆、仓库访问和升级规则都能自定义，也有云端选项。不过这些都是发布方的描述。社区里有人说已经在 beta 里用了几天、体验不错，还有评论提到 90% 以上的 PR 合并率，但那只是评论区说法，不是验证过的数据。

林岚: 评论区也留了不少没解决的问题：怎么测试和迭代提示词、模型，误报很多的时候它是不是比普通 Sentry 告警更有价值，怎么防止它提出技术上对、但不符合团队架构或编码标准的修复，以及怎么保证密钥和连接不会因为提示注入而泄露。还有人专门问，对没有 Sentry 加 Slack 运维体系的小团队，从零开始用 OpenTelemetry 的流程走不走得通，还是这产品只适合已经被告警淹没的团队。

陈序: 最后是 Rippling 今天上线 Product Hunt 的 AI Spend Console，目标用户是财务和工程负责人，核心是让 AI 支出可追踪，并且能跟业务成果挂钩。它可以免费开始用，也不需要先订阅 Rippling。产品负责人 Kevin 说，它源于一个实际问题：各家公司的 AI 采用和成本都在快速上涨，却缺少把 AI 支出当做一个新费用类别来管理的基础设施。以前财务团队只能从各供应商的账单后台手工拉数据、做临时分析，拿到的还是一个时间点的快照。

林岚: AI Spend Console 提供单一视图，能按供应商、模型、甚至单个员工拆分成本，然后把支出映射到 GitHub 输出数据、员工的部门团队角色以及绩效评级这些业务指标上。它会根据已连接的数据自动生成个性化仪表板，还能用自然语言追问。管理员也能依据组织数据，对 token 支出和模型访问执行策略。多位工程管理者在社区里说，这正是他们向 CFO 证明 AI 工具价值时缺的证据，能把支出直接和代码产出挂上钩。有位评论者特别看重按模型拆分，说有些模型成本高三倍，质量提升却微乎其微；另一位则说员工级拆分印证了他长期的怀疑——有的工程师从 AI 工具里获得的价值远高于别人，他一直没有数据证实。

陈序: 不过讨论里也有没解开的点。有人问会不会跟踪支出随时间变化的趋势，而不只是快照；也有人欢迎 GitHub 数据自动同步，但前提是集成可靠。另外，官方说明里标注着星号的一条策略执行条件，在给的材料里没有展开，它的适用范围还不明确。也就是说，按模型、按员工拆成本，再投到代码产出上，这条路子已经能跑，但趋势追踪、集成可靠性这些细节，还要等产品落地后继续观察。

林岚: 先看今天在 Product Hunt 上线的一款主打产品，叫 UCP Radar。它面向电商商家，核心要解决的，是 AI 购物代理看不到自家商品这个问题。发布者自述有 18 年数字营销经验，而且大部分时间都在做 Google Shopping 投放。他观察到，商家通常以为商品 feed 提交给 Google 就万事大吉了，但这些商品标题是按人类浏览习惯写的，而像材质、年龄组、商品亮点、商品详情、常见问题这些 AI 代理会读取的字段，很多都是空白。Google 不会因此拒绝这些商品，只会去展示别人家的商品。到去年，就有客户开始问：为什么 ChatGPT 推荐了竞品而不是我们？

陈序: 这款工具的应对方式是：一键连接 Google Merchant Center，然后按 50 多条 GMC 规则加上 35 多条所谓的 UCP 通用商务协议规则，给每个商品打分，同时评估它对 AI 代理的可读性。接着用 AI 重写标题和描述、补全那些空字段，生成 Google、Perplexity、ChatGPT 都能读取的补充 feed。要注意，价格和库存数据仍然来自商家自己的商店，而不是造出来的。发布者说，大部分开发时间花在叫 Brand Protector 的环节上，用来防止 AI 改写品牌名和型号。

林岚: 产品页还展示了一个百分制的评分体系，分成三层：基础项占 20 分，增强项占 20 分，面向 AI 代理的可读性占 60 分。GMC 校验覆盖标题长度、HTTPS 图片链接、GTIN、价格库存这些方面；批量优化一次能处理两千五百个以上的商品。输出包括 Google 购物用的补充 feed、ChatGPT 购物用的 feed，以及服务端渲染的 JSON-LD 结构化数据，商品有变动时会自动重新生成。价格方面是免费试用 7 天，最多支持 50 个商品，不需要信用卡。

陈序: 不过要说明，以上这些全部是发布者自己的说法，目前还没有独立的验证。产品页上关于点击率、展示份额和广告回报率这些所谓典型提升，配的都是加百分之零的占位，还注明实际结果因目录和品类而异。发布者本人也向电商用户抛出一个待验证的问题：你们有没有检查过，ChatGPT 或 Perplexity 现在到底能不能找到你自己的商品？这恰恰是判断这款工具核心承诺能不能成立的关键信号。

陈序: 同一天在 Product Hunt 上值得关注的，还有 Brandfetch 推出的 Brandfetch MCP。它针对的痛点很具体：AI 代理在生成品牌相关内容时，会重绘 logo、编造十六进制的色值、抓取错误的素材，甚至虚构品牌语调。这款工具宣称覆盖五千万个以上的品牌，能提供 logo、颜色、字体、公司信息和品牌语境，兼容 Claude、Cursor、VS Code、Codex 这些工具，可以通过 Claude 连接器或者任意 MCP 客户端来使用。

林岚: 它内置五类工具：按名称、域名或模糊查询来解析公司的搜索工具；返回 logo、颜色、字体、公司详情和社交链接的 get_brand；提供品牌语调、定位、受众和产品的品牌语境工具；从原始交易描述里解析商户的工具；以及生成生产可用 CDN logo 链接的工具。官方建议的用法，包括让客户文档保持一致、在提案和网页样稿里用正确的客户 logo，以及结合公司画像和品牌语境做数据补充。官方给的示例提示词，就是让 Claude 用各公司的真实 logo、颜色和定位，做一份 Stripe、Adyen、Airbnb 的销售对比页。

陈序: 社区讨论里有用户反馈说，用 Claude 搭落地页时确实遇到过它信心满满地返回与真实品牌调色板不符的编造色值。但也有用户观察到一个还没解决的问题：Brandfetch 会补充额外颜色，但同时也会编造一些颜色，他质疑这究竟是不是有意设计的。还有用户问，如果品牌在年中换了视觉形象，品牌语境这个工具要如何判断它返回的身份信息是不是已经过期了，还是说它永远只反映 Brandfetch 最近一次索引到的内容。这恰好引出了下一步值得关注的问题：品牌数据的时效性，以及它的来源到底可不可靠。

林岚: 再看一个交给开发者的工具，叫 Website to Markdown API。简单说，你提交一个网址，它就返回干净的 Markdown，目的是把网页内容直接喂给大语言模型、知识库或者 AI 代理。它先渲染页面再抽取内容，所以像 React、Next.js、Vue 这类需要 JavaScript 才能渲染的页面，和普通静态页面一样处理。导航、页脚、广告和 Cookie 弹窗都会被剥掉，输出的内容不需要再做后处理，就能直接放进 LLM 上下文、知识库或者 RAG 检索流程里。

陈序: 它还内置了反爬机制，包括代理轮换、浏览器指纹和重试，并附带 CDN 托管的页面截图。同一个接口也支持 PDF、DOCX、PPTX、EPUB、图片、音频和视频，可以用格式参数拿到带文本块的结构化输出。免费套餐不需要信用卡。创始人 Johnny 说，做这个产品是因为自建抓取经常在前十个网站都正常、到第十一个就坏了——要维护无头浏览器、处理 JavaScript 渲染出来的空 HTML、清理脚本、再做反爬重试，所以他干脆做成了“一次 API 调用”。

林岚: 这个 API 隶属一个叫 Exabase 的平台，同一个密钥还能使用深度搜索、记忆和自动化，但也可以独立使用。社区讨论里，一位营销人员说多格式支持对他非常有用；也有用户询问，是不是会提供 MCP 服务器或者 Claude、Codex 的钩子来代替 curl；还有用户对它的用例不太确定，想知道这到底是更优雅的抓取方式，还是另有别的可能。需要提醒的是，这些能力都是创始人自己的描述，还没有独立验证；而且抓取到的产品官网标题显示的是类似“Just a moment”的页面，疑似撞上了反机器人验证页。Johnny 表示会全天在评论区答疑。

陈序: 最后聊一个叫 Token Harbor 的项目，它自称是最简单的前沿大模型访问方式，主打统一的 OpenAI 兼容接口，用一个接口就能接入 GPT、Claude、Gemini、DeepSeek、Kimi 这些模型，配置一次、自由切换模型、按用量付费。它有个叫 Connect 的功能，号称一条命令就能让 Claude Code、Cursor、Codex 这类编码代理和工具接进来。

林岚: 开发者在社区里自述的痛点是：模型迭代很快，但不同供应商、不同接口、不同账户，加上不断变化的配置，让切换模型变得很麻烦。Token Harbor 的目标，就是免除开发者管理多家供应商的负担。官网显示新账户赠送五美元免费额度，并列出四项承诺：一是模型保真，你传的模型 ID 就是实际运行的模型，不做静默的低价替换；二是数据隐私，不默认套用基线政策，可以按需设置保留期；三是基础设施透明，会说明每次调用的路由和运行位置；四是支持响应及时。

陈序: 但要强调，以上全都是厂商自己的说法，目前没有第三方实测，也没有用户评论佐证。可见的社区讨论，只来自创始人征询反馈，问的是大家常用哪些模型、切换供应商时最大痛点是什么、希望增加哪些集成。也就是说，这些承诺到底能不能兑现，还得等真实用户的实际使用来验证。

林岚: 今天想聊一个很实用的小工具，叫 Annotate。简单说，它把屏幕录制变成给 AI 编程代理的提示词。它是一款免费的 macOS 应用，只支持 Apple Silicon 芯片，完全本地运行，也不用登录。工作起来就三步：你先录屏，然后边录边用笔、矩形或者文字在界面上标注，同时说出你想改什么，最后把这段会话交给 Cursor、Claude、Codex 或者任何 AI 代理就行。快捷键方面，Ctrl 加 Shift 加 R 开始或停止录制，Ctrl 加 1 或 2 切换绘图工具，按住 Shift 绘图可以让标注一直留在画面上。

陈序: 它跟直接把视频丢给模型不一样的地方在于，Annotate 不会把整段视频发出去，而是通过本地的 MCP 服务器，挑关键帧和语音来读取，这样更省 token、意图也更清楚，还支持一次录多台显示器。相比静态截图，它能保留点击动作、时机和语音，让代理看到完整的故事。

林岚: 现在说说它的局限和还没确认的部分。它目前只支持 macOS 和 Apple Silicon，所以 Windows 用户暂时用不了。社区里也有人问，转写出来的文本是不是能跟多步流程里的画面按顺序对应上，还有人问有没有 Windows 或 Linux 的计划。不过这次材料里没看到官方回应。

陈序: 好消息是，评论的人普遍认可它完全本地、不用上传这一步，减少了操作摩擦，也觉得边画边解释比纯粹用文字描述更清楚。也有人指出，发送关键帧和转写文本、而不是整段视频，这才是它真正实用的关键。不过也要提醒一句，免费、本地运行、不上传这些说法，都来自产品页面和开发者自己的介绍，属于他们宣称的功能，而不是已经验证过的结果。像“每天都在用、改变游戏规则”这种评价，也是开发者自己的说法，大家听听就好，实际用起来怎么样，还得自己试过才知道。

林岚: 好了，这就是今天 Product Hunt 上的重头戏。开发者这边，CopilotKit Channels SDK 想让你一个 AI 代理直接进到 Slack、Teams、Discord 这些团队沟通渠道，不用重写；还有开源的 Shieldstral，一个三 B 参数的开放权重护栏，替你在推理时直接做内容审核。Bug 修复有 Superlog Responder，免费开源，直接住进你现有的 Sentry 或 Datadog 的 Slack 频道。花钱那侧，Rippling 的 AI 支出控制台主打把 AI 花费和业务成果挂钩，免费起步，也不用 Rippling 订阅；面向电商的 UCP Radar，帮 AI 购物代理看到自家商品。品牌一方有 Brandfetch MCP，想治 AI 乱编 logo 和色值的问题；Website to Markdown API 把网页喂给大模型；Token Harbor 一个接口接多款模型；还有 Annotate 这类本地工具，把屏幕录制直接变成编程代理的提示词。今天内容不算多，但都挺实在，我们下次见。