六個爆紅開源 AI Agent 工具查核：Graft、Agency Agents、Codebase Memory、OpenMontage、Agent-Reach、Orca | Allen 知識庫 | Allen 知識庫
閱讀日期說明：原文及 2026-09-07 更新的數量、Stars、版本與「目前」均是當時快照。2026-10-09 Instagram 新來源與四工具固定版本查核，見文末補充；其餘兩工具本輪未重查。
這則 Threads 一次列出六個熱門開源 AI Agent 專案。逐一對照 GitHub README、LICENSE、release、commit 與 repository 結構後，六個專案都確實存在且活躍，但部分數字是舊資料或官方 benchmark，不能當成獨立實測結果。
統計時間：2026-08-30。Stars、forks 與版本會持續變動。
一覽
| 專案 | 真正用途 | License | 查核結論 |
|---|
| Graft | 大型 codebase 的 context layer／linked Markdown code graph | MIT | 4× cheaper、3× faster 是官方上限宣稱；表格內常見改善約 19–32% 成本、32–60% 時間 |
| Agency Agents | 可安裝到多種 coding agent 的專業角色／prompt roster | MIT | 貼文的 232 agents、16 領域已過時；目前約 268 個 agent 檔、18 divisions |
| Codebase Memory MCP | AST／Hybrid LSP code intelligence 與 persistent knowledge graph | MIT | 知識圖譜成立；目前實際有 162 grammars；毫秒查詢、99.2% token reduction 是官方 benchmark |
| OpenMontage | Agentic video production pipeline | AGPL-3.0 | Repo 結構確實涵蓋研究、腳本、資產、剪輯與合成；本次未跑完整渲染 |
| Agent-Reach | 替 Agent 安裝、體檢與路由網路工具的 capability layer | MIT | 大致能免付搜尋 API，但部分平台仍需 Cookie、登入態、代理與 shell 權限 |
| Orca | 多 coding agent 平行 orchestrator／ADE | MIT | 可在不同 worktree 平行跑 Codex、Claude Code、OpenCode、Pi；仍需自己的訂閱與 CLI |
1. Graft：讓 coding agent 不必每次重新探索 codebase
Graft 的 canonical repo 已從 NanoNets/Graft 轉至 trailhq/Graft。它會替大型 codebase 建立可由 Claude Code、Cursor、Codex、Gemini 等工具讀取的 linked Markdown code graph。
README 的確使用「up to 4× cheaper」「3× faster」；但同一份官方表格顯示：
- 一組 latency 從 39.8 秒降到 15.8 秒，約 2.5×、省 60% 時間。
- 一組成本從 0.0429 降到 0.0292，約省 32%。
- SWE-bench 成本從 52.34 美元降至 42.43 美元，約省 19%。
- SWE-bench wall-clock 約省 32%。
因此較準確的說法是：有官方自測支持可降低重複探索成本，但 4×／3× 是上限行銷語，尚無本次獨立重現。
2. Agency Agents：角色庫，不是 268 個真正同時運作的 worker
這個 repo 是專業角色與 prompt roster，可安裝到 Claude Code、Cursor、Codex、Gemini CLI、OpenCode 等工具。最新 main 約有 268 個 agent Markdown 檔，README roster links 約 273 個，並列出 18 個 divisions。
所以 Threads 的「232 個子代理、16 領域」應是舊版統計。更重要的是，這些主要是角色定義與作業方式，不等於啟動 268 個獨立模型程序，也不代表會自動形成具治理能力的公司。
3. Codebase Memory MCP：結構化 code graph 很真，99% 仍是官方測試
此專案以 tree-sitter AST 與 Hybrid LSP 建立 functions、classes、call chains、HTTP routes、跨服務連結等 persistent knowledge graph，本身不內建 LLM，而是提供 MCP client／coding agent 查詢。
貼文說支援 158 種語言；目前 repo 的 grammar 目錄實際為 162，README 也同時殘留 158 與 162 兩種說法，顯示貼文引用的是較舊數字。
「under 1ms structural queries」「3,400 tokens vs 412,000 tokens、減少 99.2%」都有官方 README 依據，但本次未下載 binary 重跑 benchmark。它最值得採用的理由是讓 agent 精準查結構而非反覆吞完整檔案，不是先相信單一百分比。
4. OpenMontage：最接近可程式化的 Agent 影片製作線
官方定位是「agentic video production system」，pipeline 明列：
research → proposal → script → scene_plan → assets → edit → compose
Repo 可看到 13 個 pipeline YAML、約 190 個 tools 檔與 174 個 skills 檔，確實不是只有 landing page。可用於一般短片內容工作流：故事拆鏡、資產生成、短鏡頭、剪輯合成與 QA；這是架構用途，不代表公司已有部署。
但它採 AGPL-3.0，若修改後以網路服務提供使用，需評估 source disclosure 義務。本次只驗證架構與檔案，未實際跑到 final.mp4，不能把「一條龍」寫成已獨立驗證。
5. Agent-Reach：免費網路能力有條件
Agent-Reach 是 capability layer，負責替 Agent 選擇、安裝、體檢與路由現有 CLI／MCP／工具。一般網頁、YouTube、RSS、GitHub、B 站與部分搜尋可走開源或免費工具。
- X、Reddit、Facebook、Instagram、小紅書等可能需要登入態、Cookie 或 OpenCLI。
- 伺服器環境可能要代理；官方 README 提到約每月 1 美元的量級。
- Agent 必須有 shell execution 權限，需隔離權限與登入憑證。
所以它不是「所有網站永久零成本」，而是把付費搜尋 API 的需求大幅降低。
6. Orca：平行 coding agent 控制台
同名 Orca 很多；符合貼文描述的是 stablyai/orca。它能把 Codex、Claude Code、OpenCode、Pi 等 CLI agent 放進各自 git worktree，side-by-side 執行並統一追蹤，也支援把同一 prompt fan-out 給多個 agent。
它是 orchestrator／ADE，不提供免費模型。README 明寫使用自己的 subscription，因此成本、rate limit、approval 與 merge conflict 仍需另外治理。
Allen／BigIntTech 的採用順序
- 有短片製作需求時再評估 OpenMontage：以獨立評測專案跑 30–60 秒端到端樣片、核對授權與費用，不作既有專案的常駐依賴。
- 再測 Codebase Memory MCP 或 Graft：挑一個中大型 repo，用固定 issue 比較 token、wall-clock、答案正確率，不要同時導入兩個 context layer。
- Orca 可作多 agent UI 參考：現有 Hermes delegation／Kanban 已能平行派工，不必為「多 agent」三個字重做 orchestration。
- Agency Agents 作角色模板庫：只挑實際需要的角色，不要整包載入造成 prompt 噪音。
- Agent-Reach 先做安全審查：登入 Cookie、shell 權限與平台 ToS 都是實際風險。
來源
2026-09-07 更新：第二波轉傳與即時數據
GitHub API 於 2026-09-07 查得：
| 專案 | Stars | Forks | License | 最近 push（UTC） |
|---|
| Graft | 5,764 | 537 | MIT | 2026-09-05 |
| Agency Agents | 150,443 | 24,249 | MIT | 2026-09-05 |
| Codebase Memory MCP | 42,437 | 3,463 | MIT | 2026-09-06 |
| OpenMontage | 56,380 | 7,081 | AGPL-3.0 | 2026-09-06 |
| Agent-Reach | 78,418 | 6,756 | MIT | 2026-09-01 |
| Orca | 62,720 | 4,180 | MIT | 2026-09-06 |
更新後的決策
- 目前不建議六套全裝。 它們涵蓋不同層級，疊加後會同時增加 context、權限、供應鏈、設定衝突、token 與 review 成本。
- BigIntTech 最值得先測 Orca 類型的 worktree 隔離與比較 diff 工作流，因為現有工作已經常用多 agent；但 Hermes 本身已有
delegate_task、隔離子代理與 coding-agent skills，先做功能重疊盤點，避免多一套 orchestration UI 卻沒有提升通過率。
- Graft 與 Codebase Memory MCP 二選一做 A/B：用同一個中大型 repo、相同任務，量測 token、工具呼叫、完成時間、測試通過率與人工修正次數；不要同時安裝後再猜效益來源。
- Agency Agents 只挑少量角色模板。 150K Stars 不代表 258 個角色都值得載入；角色名稱更不代表真正專業資格。
- Agent-Reach 應隔離登入與 Cookie。 「零 API 費」不代表零帳號風險，社群平台抓取仍可能需要登入、代理，並受平台規則限制。
- OpenMontage 最接近可複用的媒體產線，但 AGPL-3.0 是商業整合 gate。 若只是獨立工具評測與內部 pipeline，和把它嵌入對外 SaaS 是不同情境；正式產品化前先做授權審查。
數字校正仍然成立
「4 倍便宜、3 倍快」、「99% token reduction」都不是所有任務的普遍保證，而是專案方在特定 benchmark／查詢上的結果。Stars 也只代表關注度，不能代替安全審查、真實任務 A/B、測試通過率與維護成本。Agent 艦隊的核心不是 agent 數量，而是：任務可拆、工作區隔離、權限最小化、可觀測、可回滾，以及最後有明確驗收者。
2026-10-09 補充：Instagram 轉述的四項工具，需要把「官方 claim」和「已驗證範圍」分開
這次 Instagram Reel（aistart_up，2026-10-07）重新整理了本文原本已查過的 Graft、Agency Agents、Codebase Memory MCP、OpenMontage 四項。於 2026-10-09 固定來源版本靜態查核後，四個 repo 都存在且 README／LICENSE 可固定，但貼文的短句不宜直接當成實測結論。
-
Graft（trailhq/Graft @ fe30ead39d5e6f0c921018d364da2bdbc9d4b3ad）：README 確實寫「up to 4× cheaper and 3× faster」，但詳細表格要分母看。受控 benchmark 是 162 runs、兩個 repo、三次 trials 的 mean/task：cost 0.0429→0.0292（約省 32%，不是平均 4×）、token 8070→4650（省 42%）、tool calls 4.2→2.3（省 46%）、latency 39.8s→15.8s（約 2.5×，省 60%）。SWE-bench Verified 是 50 題 27/50→33/50，cost 省 19%、wall-clock 省 32%。這次未取得足以獨立重跑的原始 benchmark 記錄；因此「4×／3×」應寫成官方最大值或 headline，不是本次獨立重現，也不能推成一般企業績效。
-
Agency Agents（msitarzewski/agency-agents @ f99f6aa910a442b0197b768ce0ea7751e35e2060）：caption 說 18 部門、230+ 員工；影片同一張圖卡上方寫「140 位 AI 員工」，中下方同時出現「230+」及「230 個 AI 員工」。當前 repo 以 YAML frontmatter name 且 README roster 連到的 canonical role markdown 計 282 個，分布 18 個 division dirs；已排除 README、integrations、examples、scripts、translations 等非角色檔。這是角色／prompt roster 數，不是 230+ 或 282 個已啟動 worker，也不是性能證據。
-
Codebase Memory MCP（DeusData/codebase-memory-mcp @ 72a2c0bcbccfcff666cf46929c4f75e177584f54）：README/source 支持 tree-sitter AST、Hybrid LSP、SQLite/FTS5、本機 knowledge graph 與 impact/search 類 MCP tools；README 也主張 100% local、no telemetry、cbm 不主動 network request，語意搜尋使用 bundled Nomic embeddings、無需 API key/Ollama/Docker。但本機資料庫／嵌入檢索不等於上層 LLM client 也本機：MCP 回傳的程式碼或查詢結果仍可能由 client 送給其配置的模型服務；本次未執行 binary、未跑索引或網路 trace；「先查牽動範圍」可成立為功能方向，不能改寫成「不會 regression」。
-
OpenMontage（calesthio/OpenMontage @ 9327439db69021ab4b0e2776729bf3b58fdb5a87）：root README/LICENSE 是 AGPLv3；repo 內部分 skills/components 另有 MIT/frontmatter 或 scoped license，必須和 cloud provider API 條款、生成素材 rights 分開。.env.example 與 docs/PROVIDERS.md 顯示 FAL、MiniMax、Replicate 等 provider key／quota／品質 caveat；pipeline manifest 與 lib/checkpoint.py 有 human approval gate enforcement（需要 approval 的 stage 不能未核准直接 completed），但不是每個 stage 都預設需核准。本次未跑 provider call、asset generation 或 render，所以不能證明「丟主題就一鍵完成影片」在實機端到端成功。
審批與執行邊界
OpenMontage 的檢查是 checkpoint 寫入路徑的狀態／旗標約束，不是獨立驗證真人身份的批准系統，也不代表所有 provider/tool 呼叫都被全域沙箱阻擋。human_approved 是呼叫者傳入的值；無 pipeline 身份時或部分 manifest 載入錯誤會回退到呼叫者的 human_approval_required 旗標。未知的具名 pipeline 會拒絕，但不能因此概括成所有錯誤均 fail-closed。仍需限定檔案／provider 權限、費用上限與人工驗收。
新來源與固定版本
本次僅來源、Git blob 與角色清單靜態覆核；未安裝四套工具、未重跑 benchmark、未啟動 workers、未索引私人專案、未生成資產或渲染影片。