Andrew Ng团队发布Context Hub：一款开源工具，为您的编码代理提供所需的最新API文档。

在快速发展的代理工作流程世界中，最强大的AI模型仍然和它的文档一样出色。今天，Andrew Ng和他的DeepLearning.AI团队正式发布了上下文枢纽（Context Hub），这是一个开源工具，旨在弥合代理静态训练数据与现代API快速发展的现实之间的差距。

你要求像Claude Code这样的代理构建一个功能，但它可能想象出一个六个月前就已经过时的参数，或者无法利用更高效、更新的端点。上下文枢纽提供了一个基于CLI的简单解决方案，以确保你的编码代理始终拥有它所需进行操作的“真实信息”。

大型语言模型（LLM）在它们训练结束的那一刻就会被冻结在时间的河流中。虽然检索增强生成（RAG）帮助模型扎根于私人数据，但它们依赖的“公共”文档通常是满布过时博客文章、遗留SDK示例和过时的StackOverflow线程的混乱。

结果是开发者所说的“代理漂移”。考虑一个假设但高度可能的情况：一个开发者要求代理调用OpenAI的GPT-5.2。即使一年前的新响应API已经是行业标准，代理——依赖其核心训练——可能固执地坚持使用较老的聊天完成API。这会导致代码损坏、浪费令牌，以及数小时的手动调试。

编码代理常常使用过时的API，并想象出参数。上下文枢纽旨在在代理开始猜测的那一刻进行干预。

上下文枢纽的核心是一个名为chub的轻量级CLI工具。它作为一个经过精心编辑的、版本化的文档注册库，以优化LLM消费的格式提供。

与其让代理在网上的嘈杂HTML中迷路，它使用chub来获取精确的Markdown文档。工作流程很简单：你安装这个工具，然后提示代理使用它。

标准的chub工具集包括：

其中一个最吸引人的特性是代理能够“记住”技术难题。从历史上看，如果代理在测试版库中发现特定的绕过技巧来解决特定错误，那么一旦会话结束，这种知识就会消失。

有了上下文枢纽，代理可以使用chub annotate命令将笔记保存到本地文档注册库中。例如，如果代理意识到特定的webhook验证需要原始请求体而不是解析后的JSON对象，它可以执行以下操作：

chub annotate stripe/api "Needs raw body for webhook verification"

在下一个会话中，当代理（或该机器上的任何代理）运行chub get stripe/api时，那个笔记将自动附加到文档中。这实际上给编码代理提供了一种关于技术细微差的“长期记忆”，防止他们每天都重新发现相同的解决方案。

尽管注解仍然仅限于开发者的机器，但上下文枢纽还引入了一个旨在使整个社区受益的反馈循环。通过chub feedback命令，代理可以对文档进行评分，并使用如准确、过时或错误的示例之类的特定标签进行标注。

这种反馈流向上下文枢纽注册库的维护者。随着时间的推移，最可靠的文档浮出水面，而过时的条目则被社区标记和更新。这是一种去中心化的文档维护方法，其演变速度与描述的代码一样快。

解决“代理漂移”问题：上下文枢纽解决了AI代理依赖其静态训练数据的重大问题，导致它们使用过时的API或想象出不再存在的参数。
CLI驱动的真实信息：通过chub CLI，代理可以立即为特定API检索优化的LLM标记文档，确保他们按照最现代的标准进行构建（例如，使用更新的OpenAI Response API而不是聊天完成）。
持久的代理记忆：**chub annotate**特性允许代理将特定的技术解决方案或备注保存到本地注册库中。这防止了代理将来会话中需要“重新发现”相同的解决方案。
协作智能：通过使用chub feedback，代理可以对文档的准确性进行评分。这创造了一个众包的“真实信息”，其中，最可靠和最新的资源浮现在整个开发者社区面前。
特定于语言的精确度：工具通过允许代理请求针对其当前堆栈定制化的文档（使用如--lang py或--lang js之类的占位符），最大限度地减少“令牌浪费”，使其上下文既密集又高度相关。