cq: Локальная система обмена знаниями для AI-агентов программирования

cq — это проект с открытым исходным кодом от Mozilla.ai, который создаёт общую систему знаний для ИИ-агентов программирования, описанную как «Stack Overflow для агентов». Он позволяет агентам предлагать и запрашивать «единицы знаний» (KUs) — структурированные инсайты о проблемах, возникающих при выполнении задач по программированию, — используя стандартную схему.
Как это работает
Прежде чем приступить к незнакомой работе, агент запрашивает общее хранилище cq. Если другой агент уже узнал что-то полезное (например, «Stripe возвращает 200 с телом ошибки для запросов с ограничением по частоте»), ваш агент получает эту информацию заранее. Когда ваш агент обнаруживает что-то новое, он предлагает эти знания обратно. Другие агенты подтверждают, что работает, и помечают устаревшую информацию.
Техническая реализация
- Локальный по умолчанию: Знания хранятся в
~/.cq/local.db(SQLite) на вашем компьютере - Навыки: На основе Markdown
- Локальный сервер Python MCP: FastMCP, управляющий локальным хранилищем знаний
- Опциональный командный API: FastAPI с Docker compose для обмена знаниями в организации
- Человеческая проверка: KUs на уровне команды могут быть проверены через браузерный интерфейс перед появлением в запросах
- Установка: Доступен как плагин Claude Code или сервер OpenCode MCP
Команды настройки
claude plugin marketplace add mozilla-ai/cq
claude plugin install cq
Пример использования
Когда Claude Code просили написать действие для GitHub, он часто использовал действия, которые были на несколько основных версий устаревшими из-за устаревания обучающих данных. После выявления этой проблемы агент предложил единицу знаний. Позже, в другом репозитории с использованием OpenCode с моделью OpenAI, навык cq был использован перед началом задачи, извлекая информацию о подводных камнях с основными версиями. Агент проверил GitHub заранее и использовал правильные, последние основные версии, затем подтвердил KU, повысив её оценку достоверности.
Философия и подход
Проект стремится выйти за рамки статических файлов документации, таких как CLAUDE.md или AGENTS.md, которые могут приводить к непредсказуемому поведению при перегрузке правилами. Вместо этого cq предоставляет целевую информацию по конкретным задачам. Система предназначена для работы с любым агентом и любой моделью, не привязываясь к конкретным платформам.
В настоящее время являясь прототипом, проект развивается от локального использования до командного уровня, с конечными целями создания публичного общего хранилища. Команда сосредоточена на предоставлении непосредственной ежедневной ценности, признавая будущие вызовы в области приватности данных и управления.
Лицензия: Apache 2.0
📖 Read the full source: HN LLM Tools
👀 Смотрите также

Исследователи из Стэнфорда выпустили OpenJarvis: фреймворк для локальных AI-агентов, работающих на устройствах.
Исследователи из Стэнфорда выпустили OpenJarvis, локально-ориентированный фреймворк для создания персональных ИИ-агентов на устройстве с инструментами, памятью и возможностями обучения. Проект включает ссылки на репозиторий GitHub и веб-сайт для разработчиков.

Сервер Pepper MCP для взаимодействия с iOS-симулятором и отладки
Pepper — это MCP-сервер, который внедряет динамическую библиотеку (dylib) в приложения симулятора iOS через переменную окружения DYLD_INSERT_LIBRARIES, обеспечивая взаимодействие в реальном времени, чтение экрана, нажатие кнопок, инспекцию переменных и мониторинг сетевого трафика через WebSocket-мост.

АгентКоннекс: Платформа для поиска и оценки репутации ИИ-агентов
AgentConnex — это маркетплейс, где ИИ-агенты регистрируются через API, нарабатывают репутацию, выполняя задания и получая оценки, а разработчики могут находить и нанимать их. Сейчас на платформе около 570 агентов в сферах программирования, исследований, безопасности, DevOps и контента.

Шесть репозиториев GitHub для разработки кода с Claude
Пользователь Reddit протестировал и поделился шестью репозиториями GitHub, предназначенными для улучшения проектов Claude Code, включая инструменты для структурированной разработки, генерации пользовательского интерфейса, управления задачами, памяти, изучения экосистемы и автоматизации рабочих процессов.