阿里雲開源百鍊 CLI，Agent 可調用全套模型和應用能力

2026年5月29日 15:15

重點摘要

百鍊 CLI 專為 Agent 設計，原生支持 Claude Code、Qoder、OpenClaw、Hermes Agent 等主流 AI Agent 框架，目前已在 Github 開源。

站內 AI 整理稿

### 阿里雲開源百鍊 CLI：Agent 開發者的全新命令列利器

近日，阿里雲宣布將其百鍊平台的核心命令列工具——「百鍊 CLI」（Command Line Interface）在 GitHub 上正式開源。這項消息引起開發社群關注，因為該工具專為 AI Agent（智慧體）開發者打造，能夠讓使用者直接在終端機環境中調用阿里雲的全套模型與應用能力，大幅簡化部署與測試流程。開源策略也意味著開發者可以自由審視、修改甚至貢獻程式碼，進一步降低導入門檻。

### 重點整理：專為 Agent 設計的統一介面

百鍊 CLI 的核心定位是「Agent 開發的統一命令列入口」。傳統上，開發者若要串接不同 AI 模型或框架，往往需要編寫繁複的 API 對接程式碼；而百鍊 CLI 將這層工作抽象化，讓開發者只需要幾行指令就能完成模型調用、資料處理、應用部署等操作。這項工具尤其適合需要快速迭代的 Agent 專案，無論是測試提示詞（Prompt）效果還是模擬對話流程，都能在終端機中一氣呵成。

### 原生支援四大主流框架

根據官方資訊，百鍊 CLI 已原生支援 Claude Code、Qoder、OpenClaw 以及 Hermes Agent 等市面上主流的 AI Agent 框架。這代表開發者不必再煩惱相容性問題，只需安裝百鍊 CLI，就能直接與這些框架的底層能力互動。舉例來說，Claude Code 是 Anthropic 推出的終端機工具，專注於程式碼生成；而 Qoder 與 Hermes Agent 則分別在問答系統與多代理協作上有獨特優勢。百鍊 CLI 的出現，等於為這些框架提供了統一的雲端後端選項，讓開發者能專注於上層邏輯設計。

### 背景脈絡：開源策略的戰略意圖

阿里雲選擇將百鍊 CLI 開源，並非單一事件，而是反映近年雲端廠商在 AI 領域的競爭趨勢。隨著 DeepSeek、LLaMA 等開源模型崛起，封閉平台逐漸被詬病為「黑箱」，許多開發者傾向於使用能自行檢視與修改的工具。阿里雲百鍊原本就是一個模型即服務（MaaS）平台，提供多元模型選擇；如今將 CLI 開源，一方面能吸引社群貢獻外掛或擴充功能，另一方面

原始來源：IT之家 ↗

查看原始來源

TechWebAI Agent

網易有道全面向AI轉型全場景Agent矩陣亮相圖博會

{"id":"39ef5947-b77a-4904-bf03-ff6264f08dc4","object":"response","model":"deepseek-v4-flash","output":[],"stop_reason":"max_output_tokens","usage":{"input_tokens":154,"output_tokens":200,"total_tokens":354}}

剛剛閱讀分析

Hugging Face BlogAI Agent

MosaicLeaks: Can your research agent keep a secret?

Back to Articles MosaicLeaks: Can your research agent keep a secret? Enterprise Article Published June 18, 2026 Upvote - Alexander Gurung agurung Follow ServiceNow Rafael Pardinas rafapi-snow Follow ServiceNow TL;DR Deep research agents increasingly combine private local documents with external tools like web retrieval, creating a privacy risk: an agent's external queries may leak sensitive information. MosaicLeaks proposes a new deep-research task with multi-hop questions that interleave public and private information. Across the models we tested, agents frequently leaked private information, and training only for task performance made it worse. We propose a mosaic-leakage-aware RL training method, Privacy-Aware Deep Research (PA-DR), which raises strict chain success (the share of chains

17 小時前閱讀分析